摘要
排水管道缺陷检测对于维持城市基础设施的正常运行至关重要。近年来，基于深度学习的目标检测方法为排水管道缺陷识别提供了有效的解决方案。其中，YOLO系列模型由于其端到端架构和高推理效率，在视觉检测任务中展现出巨大潜力。然而，直接应用基线YOLO模型仍存在检测精度有限、模型复杂度较高以及难以适应轻量级部署场景等问题。为解决这些问题，本文提出了一种基于改进版YOLO11网络的轻量级排水管道缺陷检测方法。该方法并未将检测增强与模型压缩视为两个独立步骤，而是将特征增强、自适应剪枝以及基于蒸馏的恢复技术整合到一个统一的轻量级检测框架中。具体而言，该方法在网络主干中引入了改进版的SimAM注意力机制，并与C3k2模块结合，构建出C3K2_SWS模块，以此提升关键缺陷特征的表征能力。在颈部网络部分，则设计了一种具有维度感知选择性融合结构的聚焦扩散金字塔网络，即FDPN-DASI，用以加强多尺度特征之间的交互作用。此外，还引入了自适应阈值焦点损失函数（ATFL），以提高对难处理样本的学习能力。为便于高效部署，该研究进一步改进了LAMP剪枝算法，提出了基于熵引导的熵自适应幅度剪枝方法（EA-LAMP），从而实现不同网络层之间剪枝比例的自适应分配。而在剪枝之后，还采用了BCKD知识蒸馏技术，以缓解模型压缩带来的精度下降问题。实验结果表明，所提出的轻量级YOLO11-SFA+EA+BCKD框架能够实现92.4%的精确度、88.5%的召回率以及93.3%的mAP50值，同时模型的参数量仅为160万，计算量则为4.5吉次浮点运算。与基线模型相比，该方法的精确度、召回率及mAP50值分别提升了5.9%、5.0%和4.7%，而参数量、计算量以及模型规模则分别减少了100万、1.8吉次和210万。这些结果表明，在当前实验条件下，该框架能够在降低模型复杂度的同时提升检测性能，显示出其在轻量级排水管道缺陷检测任务中的应用潜力。
