在封闭状态下盾构隧道泥浆中检测断裂的钢筋：一种改进的物体检测方法

《Engineering Applications of Artificial Intelligence》：Fractured rebar detection in shield tunnel muck under occlusion: An improved object detection approach

　　

龚子邦|金大龙|姜行奇|杨银尊|袁大俊

教育部城市地下工程重点实验室，北京交通大学，北京，100044，中国

摘要

在盾构隧道施工过程中，实时监测泥浆中的钢筋对于评估隧道前方状况至关重要。钢筋的不规则形态以及部分被泥浆遮挡的情况，给检测的准确性和鲁棒性带来了重大挑战，常常导致检测遗漏。本研究提出了一种YOLOv7（You Only Look Once，第7版）-DSConv（动态蛇形卷积）-SIoU（Scylla交并比）目标检测模型，其中DSConv被集成到特征提取模块中，以适应性地强调细长和弯曲的结构特征，从而提高对细钢筋的识别能力。此外，YOLOv7中的原始CIoU（完全交并比）损失函数被SIoU替代，后者结合了距离、形状和角度约束，以在不同程度的遮挡情况下优化边界框回归。实验结果表明，YOLOv7-DSConv-SIoU在计算开销最小的情况下实现了显著的准确性提升，mAP@0.5和mAP@0.5–0.95分别提高了10.4%和9.1%。

引言

在盾构隧道施工过程中，实现钢筋的“固定长度切割”对于确保被切断的钢筋在泥浆包裹下有效排出至关重要（Li等人，2021年；Guo等人，2025年）。实时检测泥浆中的钢筋非常重要，因为它为识别盾构机遇到的地下障碍物以及动态调整隧道参数提供了基础（W. Cheng等人，2019年；Zeng等人，2023年；Jin等人，2024年）。然而，被排出的钢筋通常体积较小、形状不规则，并且经常部分或完全被泥浆遮挡，这使得直接观察变得困难。这些因素需要开发更有效的方法来实时检测挖掘过程中被泥浆包裹的钢筋。

近年来，计算机视觉领域在目标检测方面取得了显著进展，催生了多种先进的方法。单阶段检测器因其速度和准确性的平衡而常被用于实时视频检测（Bathija和Sharma，2019年；Lu等人，2019年；Jha等人，2021年；Jiang等人，2022年）。在单阶段方法中，YOLO算法因其卓越的效率和检测性能而受到广泛关注。作为最新版本的YOLOv7，在特征细化、重新参数化和动态标签分配方面进行了改进，从而显著提升了目标检测能力（Wang等人，2023年）。为应对特定领域的挑战，一些研究人员对YOLOv7进行了修改，以优化其在不同任务中的性能。例如，Yang等人（2020年）引入了一个结合上下文和注意力机制的小目标检测框架。Zhao和Zhu（2023年）通过降低YOLOv7主干网络的降采样率并实现自适应协作注意力机制来改进小目标检测。Yi和Wang（2023年）集成了一种带有注意力机制的专用检测头，以增强水下小目标的识别能力。此外，Yang等人（2024年）通过减少YOLOv7主干网络中的卷积层并引入遮挡感知空间注意力（OAS），开发了一个轻量级的实时小目标跟踪模型。

无论是部分遮挡还是完全遮挡，都可能阻碍目标对象的关键信息，导致检测性能下降（Kolmogorov和Zabih，2001年；Liu等人，2018年；Zhou和Yuan，2020年）。因此，许多研究致力于解决目标遮挡问题。一种方法是利用时间信息，通过连续帧的动态数据来推断被遮挡部分的位置和运动轨迹，从而在遮挡条件下提高检测性能（Dong等人，2016年；W. Cheng等人，2019年；Ding等人，2024年；Li等人，2024年；Zhen等人，2024年）。另一种方法是基于图卷积网络（GCNs），它在对象之间构建空间或语义关系图，增强了模型对部分遮挡目标的鲁棒性（Gao等人，2019年；Lee等人，2021年；Zuo等人，2023年；Tanaka等人，2024年）。此外，生成对抗网络（GANs）也被应用于遮挡问题，通过生成虚拟图像或填补缺失部分来提高模型在遮挡场景下的检测能力（Dong等人，2020年；Duan和Zhang，2021年；Saleh等人，2023年）。另一种常见的解决方案是修改损失函数以处理遮挡问题。Wang等人（2018年）提出了一种排斥损失函数，它在边界框之间引入了一个可学习的排斥函数，以解决密集目标场景中的干扰和重叠问题。Zheng等人（2020年）引入了DIoU（Distance-IoU）方法，该方法通过测量预测边界框与真实中心之间的距离来考虑遮挡问题。此外，作者还提出了一种基于DIoU的合并方法来估计对象的长宽比，称为CIoU（Complete-IoU）。实验结果表明，CIoU在检测被遮挡对象方面优于DIoU。在此基础上，Gevorgyan（2022年）引入了SIoU（Scylla-IoU）概念，它精确计算边界框的长宽比并整合了有价值的目标信息，增强了模型检测被遮挡对象的能力。

本研究专注于细钢筋识别的特征提取和遮挡检测，提出了一种改进YOLOv7框架的新目标检测算法。通过集成DSConv（动态蛇形卷积），该模型在提取细钢筋特征方面表现出显著提升，特别是在涉及细长和结构复杂的目标场景中。DSConv有效捕捉了钢筋的独特形态特征，从而在具有挑战性的环境中提高了检测性能。为了解决泥浆遮挡导致的检测准确性下降问题，模型中引入了SIoU损失函数。该函数通过更有效地建模钢筋与遮挡泥浆之间的空间关系，提高了定位和分类的准确性。通过结合DSConv和SIoU损失函数的优点，所提出的算法在检测细目标和处理遮挡方面表现出显著改进。

本研究的主要贡献如下：

(1)

所提出的模型将DSConv集成到特征提取模块中，能够适应性地关注细钢筋的细长和弯曲特征。

(2)

采用SIoU损失函数替代了原始的CIoU。通过同时考虑距离、形状和角度成本，SIoU在严重遮挡情况下提高了回归稳定性和空间关系建模，从而实现了更准确的定位和分类。

(3)

通过结合DSConv和SIoU的协同优势，所提出的YOLOv7-DSConv-SIoU算法在不同形状、规模和遮挡条件下检测细钢筋方面表现出显著改进。

章节摘录

数据收集

在盾构机切割钢筋混凝土结构过程中实时监测泥浆中的钢筋对于评估切割头的运行状况至关重要。这一过程也是检测盾构隧道施工中遇到的地下障碍物的关键方法，并为优化和调整隧道参数提供了重要数据。本研究重点关注苏州地铁6号线项目中的盾构隧道施工过程中的泥浆运输阶段。

数据集

从泥浆排放图像中选取了包含钢筋的图像来创建数据集。使用LabelImg对收集的图像进行标注，并将标注后的图像命名为“rebar”。数据集中的每根钢筋都用矩形边界框进行了标注。标注完成后，自动生成的XML文件被保存下来。这些XML文件随后被转换为包含钢筋图像标注信息的TXT文件，包括钢筋的数量和位置。

消融研究

在本研究中，对YOLOv7主干网络的三个模块——Stem、ELAN块和Transition块进行了消融实验，以验证DSConv在检测小而细的钢筋目标方面的有效性。评估基于mAP@0.5、mAP@0.5–0.95和F1分数，结果如表5所示。当仅将DSConv应用于Stem或Transition块时，参数数量和FLOPs略有增加，同时准确性也有所提高。

讨论

所提出的YOLOv7-DSConv-SIoU模型在检测被遮挡的细长钢筋目标方面取得了一定的改进。然而，仍有几个方面需要进一步研究。首先，将当前的单帧方法扩展到多帧时间检测可能有助于利用时间信息，从而在严重遮挡的场景中提高稳定性。其次，考虑到实际应用需求，未来的工作将集中在边缘导向的

结论

本研究基于YOLOv7框架，研究了一种改进的盾构隧道泥浆图像中钢筋识别方法。为了更好地捕捉细长和杆状目标，将DSConv模块集成到不同的主干网络组件中。当应用于Stem和Transition块时，DSConv带来了中等程度的提升，mAP@0.5提高了约1.6%，mAP@0.5–0.95提高了0.7%，F1分数提高了0.8–1.4%，反映了在低级特征提取和特征

CRediT作者贡献声明

龚子邦：撰写——原始草稿，监督，方法论，概念化。金大龙：撰写——审阅与编辑，方法论，调查，形式分析。姜行奇：验证，资源，调查，概念化。杨银尊：监督，资源，方法论，形式分析。袁大俊：可视化，软件，方法论，资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。