桥梁裂缝实时检测方法

《Algorithms》：A Real-Time Detection Approach for Bridge Crack Tingjuan Wang, Jiuyuan Huo and Xinping Wu

　　

为满足桥梁裂缝实时检测的需求，本文提出了一种基于YOLOv7-tiny的轻量化检测模型。首先，提出了一种边缘保持的图像增强方法，有效增强了图像对比度并保留了裂缝边缘的结构特征，为检测网络提供了高质量的数据基础。其次，引入了一个轻量化跨阶段部分（Lightweight Cross-Stage Partial, LWCSP）模块，该模块融合了混合卷积和通道混洗（shuffle）操作，减少了模型的参数量和计算量，同时保持了强大的特征表示能力，实现了检测性能与效率之间的良好平衡。最后，提出了一种改进的平滑智慧交并比（Smooth Wise Intersection over Union, SWise-IoU）损失函数来优化YOLOv7-tiny中的边界框回归，该方法能动态评估样本质量，并对不同质量的样本进行差异化的梯度调整，从而促进模型对样本特征的充分学习，提高检测精度。实验结果表明，所提模型在公开的桥梁裂缝数据集上表现出色。与基线模型相比，平均精度均值（mean Average Precision, mAP@0.5）提高了12.1%，模型大小、参数量和浮点运算次数（Floating-Point Operations, FLOPs）分别降低了7.3%、8.03%和10%。最终模型大小仅为11.4 MB，mAP@0.5达到86.1%，适用于实时裂缝检测任务。

### 基于YOLOv7-tiny改进的桥梁裂缝实时轻量化检测模型研究解读

#### 研究背景与问题
桥梁裂缝是结构损伤、耐久性不足和潜在结构失效的重要指标，也是常规或例行现场安全检查的关键度量。传统的目视检测方法难以满足实际工程需求。近年来，基于数字图像技术和深度学习的裂缝检测方法得到了广泛应用。数字图像技术中的阈值法、边缘法、区域法和匹配滤波法等方法已被广泛研究，然而，这些方法在检测效率和精度上仍难以满足大规模工程应用的要求。深度学习，特别是以YOLO系列为代表的一阶段目标检测模型，在表面裂缝检测中展现出优越性能。为了满足无人机等边缘计算设备的部署需求，已有研究对单阶段模型进行了轻量化改进，但现有研究仍面临以下局限：首先，未从图像增强预处理的层面改善输入数据质量，限制了检测性能的提升；其次，在轻量化模型设计中，未能充分实现检测性能与效率之间的有效平衡；第三，未充分考虑不同质量样本间的差异，导致模型特征学习不充分，从而制约了检测精度的进一步提升。YOLOv7在检测精度上优于YOLOv5，且检测速度提升了120%。因此，本文选择YOLOv7-tiny作为基线模型，旨在提出一种更高效的、专为实时桥梁裂缝检测任务设计的检测模型。

#### 主要技术方法概述
研究人员提出了一种基于YOLOv7-tiny架构改进的目标检测网络。其核心创新体现在三个层面：1. **图像增强模块**：在骨干网络（backbone）前集成数据预处理模块，基于Retinex理论和频域处理，结合引导滤波（guided filter），在增强图像对比度的同时保持裂缝边缘完整性。2. **轻量化跨阶段部分模块**：在颈部（Neck）部分，用提出的LWCSP模块替换原有的高效层聚合网络（Efficient Layer Aggregation Network, ELAN-W）。该模块融合了标准卷积（Standard Convolution, SC）、深度可分离卷积（Depthwise Separable Convolution, DSConv）和通道混洗操作，在减少参数和计算量的同时强化特征表示。3. **改进的损失函数**：在头部（Head）部分，提出改进的SWise-IoU损失函数用于边界框回归，通过动态评估锚框（anchor box）质量并构建非单调聚焦系数，实现差异化梯度调整。实验使用公开数据集（共1959张1000×1000像素的高分辨率图像，来自无人机采集的在役桥梁，包含细裂缝、复杂背景、线性标记和污渍干扰等场景），按70%、10%、20%的比例划分为训练集、验证集和测试集。

#### 研究结果
* **参数选择与验证**：通过对SWise-IoU关键参数（α, δ）的实验验证，确定（α=1.4, δ=5）为最优配置，该组合在训练早期表现出更快的收敛速度和更高的最终验证集mAP@0.5。
* **图像增强实验**：定量评估（熵、Tenengrad梯度、拉普拉斯算子和平均梯度）和视觉对比表明，所提图像增强方法在各项指标上均显著优于原始图像及经典方法（如单尺度Retinex、多尺度Retinex等），有效增强了裂缝结构细节并抑制了背景干扰。
* **对比实验**：在公开桥梁裂缝数据集上，将所提模型与主流轻量检测器（YOLOv9s、YOLOv10s、YOLOv11s、YOLOv12s）及基线模型（YOLOv7-tiny）进行对比。所提模型在mAP@0.5上达到86.1%，显著高于所有对比模型（基线为74.0%）；同时，模型大小（11.4 MB）、参数量（5.27 M）和FLOPs（11.7 G）均低于基线及对比模型，实现了更高的检测精度和更紧凑的架构。在另一个公开多尺度数据集上的补充实验也验证了其性能优势。
* **消融研究**：逐项添加改进模块的消融实验表明，图像增强模块单独使mAP@0.5提升10.4%；结合SWise-IoU损失函数后，mAP进一步提升0.9%，并恢复了因图像增强而下降的推理速度（FPS）；最终引入LWCSP模块后，模型在mAP@0.5达到最优（86.1%）的同时，模型大小、参数量和FLOPs分别降低了7.3%、8.03%和10%，FPS与基线持平，实现了精度与效率的平衡。
* **检测结果分析**：在复杂背景、污渍干扰、剥落干扰和细裂缝等多种挑战性场景下的可视化检测结果表明，与基线模型、YOLOv11s和YOLOv12s相比，所提模型能更有效地抑制干扰，减少误检和漏检，对细裂缝的检测更完整、定位更准确，展现出更强的鲁棒性和特征判别能力。

#### 讨论与结论
**讨论部分**总结指出，所提出的模型通过系统性优化，在桥梁裂缝检测任务中实现了检测精度和模型效率的协同提升。图像增强模块提供了更高质量的输入；LWCSP模块在轻量化的同时保持了强大的特征表示；SWise-IoU损失函数优化了训练过程，促进了模型对样本特征的充分学习。可视化对比和定量指标共同验证了模型的有效性。

**研究结论**部分翻译如下：为满足实时桥梁裂缝检测对高精度和轻量化设计的要求，本文提出了一种基于YOLOv7-tiny改进的轻量化模型。在公开数据集上验证了其有效性。该模型在抵抗背景、污渍和剥落等干扰方面表现出可靠的性能，同时在检测细裂缝方面表现出色。它显著提高了检测精度，mAP@0.5达到86.1%，比基线模型高12.1个百分点。它还实现了轻量化设计，模型大小减少了7.3%，参数量减少了8.03%，十亿次浮点运算（GFLOPs）减少了10%。实现了精度与效率之间的良好平衡。由于其紧凑的架构、低计算成本和高精度，适用于实时裂缝检测任务。在未来工作中，研究人员将从两个方面继续研究：一是持续优化模型的检测精度；二是将模型部署在Jetson系列等边缘设备上并验证其性能。最终目标是在实时桥梁裂缝检测任务中实现其实际应用。