《PLOS One》：YOLO11-FR: A bridge crack detection method based on frequency-domain fusion and an edge enhancement mechanism
编辑推荐：
桥梁裂缝是结构退化的重要指标，准确的裂缝检测对桥梁的运营、维护和安全评估至关重要。然而，裂缝检测仍具挑战性，因为裂缝通常细长、低对比度，且易与混凝土纹理、污渍和其他背景模式混淆。为了解决这些问题，本文提出了YOLO11-FR，这是一种改进的基于YOLO11的桥
桥梁裂缝是结构退化的重要指标，准确的裂缝检测对桥梁的运营、维护和安全评估至关重要。然而，裂缝检测仍具挑战性，因为裂缝通常细长、低对比度，且易与混凝土纹理、污渍和其他背景模式混淆。为了解决这些问题，本文提出了YOLO11-FR，这是一种改进的基于YOLO11的桥梁裂缝检测器，集成了融合傅里叶卷积混合器（FFCM）和残差边缘增强模块（REEM）。FFCM将局部卷积与门控残差傅里叶分支相结合，以引入全光谱傅里叶域特征交互，同时轻量级门控和有界残差缩放调节重建响应。REEM利用局部和扩张深度分支、水平和垂直条纹卷积分支、Sobel边缘先验以及通道-空间门控来增强裂缝边界特征。在从公开GYU-DET数据集中提取的裂缝子集GYU-DET-Crack上进行了对比实验。与YOLO11n基线相比，YOLO11-FR的mAP50和mAP50-95分别提高了3.4和3.7个百分点。在Crack500裂缝数据集上的进一步验证表明，YOLO11-FR将mAP50从56.0%提高到57.7%，mAP50-95从32.7%提高到34.8%。这些结果表明，所提出的YOLO11-FR提高了桥梁裂缝检测精度，并为复杂混凝土表面背景下的裂缝筛查提供了一种实用的检测方法。
桥梁作为交通基础设施的核心组成部分，其结构健康直接关系到交通安全与区域交通效率。裂缝是桥梁混凝土结构中最普遍的病害形式，其产生与扩展会逐渐削弱结构的承载能力和耐久性，并可能引发更严重的安全风险。传统的桥梁检测多依赖人工视觉检查，这种方式不仅劳动强度大、主观性强，且极易受光照、检测人员经验及桥梁表面可达性影响。虽然结合图像与无人机等手段提升了效率，但在复杂混凝土纹理背景下，从图像中识别微弱、不连续的细小裂缝仍极具挑战。传统图像处理方法对噪声、水渍等因素敏感，而基于卷积神经网络（CNN）的语义分割方法虽能提供像素级掩膜，却因计算与标注成本高而难以实时部署。在目标检测中，YOLO系列凭借端到端框架和算力平衡被广泛应用，但标准空间域卷积主要聚合局部邻域信息，重复下采样易致微弱裂缝响应衰减；同时混凝土纹理与表面不平整会产生类似局部激活，导致误检或定位不连续。为此，本文构建了YOLO11-FR，在保留YOLO11主干与颈部特征融合路径的基础上，在检测头引入残差精细调整框架，以解决上述问题。该研究最终发表于《PLOS One》。
该项研究主要采用两项关键技术：一是提出融合傅里叶卷积混合器，通过实值快速傅里叶变换引入全频谱特征交互，并结合轻量级门控与有界残差缩放进行门控 refinement；二是设计残差边缘增强模块，整合局部、扩张、方向条纹卷积及固定Sobel梯度先验，并通过通道-空间门控与残差连接调控边缘响应。研究利用公开来源的GYU-DET-Crack（占主实验、含2440张训练图）与Crack500队列开展训练及验证。
以下是论文研究结果的详细介绍：
FFCM和REEM的消融实验
通过在GYU-DET-Crack测试集上开展消融实验，验证了各模块的作用。单独引入FFCM时，模型召回率从38.1%升至42.1%，mAP50-95微升，表明其提升了检测敏感性，但在单一指标上提升不均衡。单独使用REEM效果更显著，使精度、召回率、mAP50和mAP50-95均有大幅提升。将二者结合的完整YOLO11-FR取得了最高的mAP50与mAP50-95，证明频域refinement与边缘增强互补。虽然参数量由2.58M增至4.67M，FPS从303.0降至208.3，但仍保持实时推理。
REEM中条纹卷积分支的消融实验
为验证水平和垂直条纹卷积分支的作用，剔除1×5和5×1深度卷积分支构建变体。结果显示，去除分支后精度微升，但召回率、mAP50-95及F1分数均下降。这证明条纹卷积分支极大增强了沿狭长裂缝结构的方向响应，对提升检测完整性至关重要。
比较性能与计算效率分析
对比Faster R-CNN、YOLOv10n及BD-YOLOv8s等模型，YOLO11-FR以41.6%的mAP50和22.1%的mAP50-95取得最佳精度。其不仅超越基线YOLO11n，相较专用的BD-YOLOv8s在精度反超的同时，更将11.35M参数和27.8 GFLOPs分别降为4.67M和8.6 GFLOPs，推理速度翻倍。Faster R-CNN因41.3M庞大体量仅22.0 FPS无法有效实时筛查。
重复种子稳定性分析
采用三种随机种子重复实验，YOLO11-FR的mAP50均值升至41.3%，远超基线的36.7%。各指标标准差均显著降低，mAP50标准差从2.8降至0.4，证明相比基线，该模型在不同初始化下展现出更为稳定的检测性能。
特征激活图可视化分析
采用Eigen-CAM对特征激活行为进行可视化对比，在细长、低对比度及复杂背景下，YOLO11-FR生成的激活响应连续集中，精确锁定裂缝相关区域，规避背景干扰，为定量指标提供了直观佐证。
Crack500附加基准评估
独立重训并评估，YOLO11-FR优于YOLO11n，mAP50升至57.7%，mAP50-95升至34.8%，表明其架构独立于跨数据重训时具备高度泛化有效性。
研究结果表明，YOLO11-FR实验成效优于基线。REEM虽持续优化边缘响应，而FFCM递进拔高mAP相关定位精度，二者互补。可视化亦印证其激活域显著向裂缝区段聚集。经Crack500重训实证，提升mAP50至57.7%。尽管通过图像级划分规避了数据泄漏，试验仍受限于GYU-DET特质，未全覆各类桥型。此外研究囿于边界框检测，未涉像素层面的宽度与面积度量。未来将拓展至无人机航检及像素剖分，以深化状态评估。
