《Buildings》：A Lightweight Model-Based Intelligent Recognition Approach for Multi-Category Tunnel Lining Defects Using GPR Data
编辑推荐：
隧道衬砌缺陷对结构完整性和运营安全构成重大威胁。在复杂背景下，传统图像处理和机器学习方法往往面临精度有限和泛化能力差的问题。为解决这些局限性，本研究提出了一种基于You Only Look Once version 11 nano (YOLOv11n)的探地雷
隧道衬砌缺陷对结构完整性和运营安全构成重大威胁。在复杂背景下，传统图像处理和机器学习方法往往面临精度有限和泛化能力差的问题。为解决这些局限性，本研究提出了一种基于You Only Look Once version 11 nano (YOLOv11n)的探地雷达隧道衬砌图像轻量化智能识别方法。为减少参数量和浮点运算数，主干网络被替换为Mobile Network Version 3 (MobileNetV3)，同时在颈部网络中集成了深度可分离卷积和简化的Compressed 2-Stage Fused-Lite (C2f-Lite)结构，以进一步降低计算开销。通道映射层被用于确保特征的平滑传输，同时选择性地使用Squeeze-and-Excitation (SE)注意力机制和Hard-Swish (H-swish)激活函数，以平衡检测精度与效率。在一个作为边缘前体代理平台的低功耗移动工作站上进行评估，实验结果表明，改进的YOLOv11n_MobileNetV3模型实现了高精度，其阈值为0.5的平均精度为94.4%，阈值为0.5:0.95的平均精度为62.4%，计算成本低至4.7吉次浮点运算，推理速度达每秒45帧。对比分析进一步证实，与YOLO version 5 (YOLOv5)和YOLO version 8 (YOLOv8)基线相比，该方法在检测性能和效率之间具有更优的平衡性。所提出的方法为实时隧道衬砌缺陷检测提供了一种高度优化、面向边缘的工程解决方案，为未来在嵌入式系统中的部署确立了坚实的结构和理论可行性。
隧道衬砌作为隧道的主要结构构件，承受围岩压力并保障防水排水功能。受设计差异、施工变异性及维护延误等因素影响，衬砌易产生多尺度缺陷，威胁运输走廊安全。探地雷达利用高频电磁脉冲对地下结构进行成像，凭借快速扫描和高分辨率成为无损检测的基准技术。在自动化缺陷识别早期，传统数字图像处理和标准机器学习技术被广泛应用，但这些方法依赖手工特征工程，在处理低信噪比雷达图像时泛化边界受限。近年来，深度学习推动了识别技术的发展，成功规避了手工特征的限制。然而现有技术仍面临不足：轻量化设计与精度难以平衡，尤其在小目标检测中精度下降；多数模型缺乏多缺陷联合检测能力；且实证GPR数据集呈现严重的长尾不平衡分布，稀有高风险异常样本稀疏，导致深度模型产生优化偏差。
为解决上述挑战，研究人员开展了基于YOLOv11n模型和探地雷达图像的隧道衬砌缺陷自动检测研究。研究提出了优化的轻量化模型YOLOv11n_MobileNetV3，并验证了其在精度、速度和泛化方面的有效性。该研究发表在《Buildings》期刊，为边缘设备的实时工程检测提供了高度优化的部署方案，具有重要的工程实践意义。
在关键技术方法方面，研究构建了包含国内某隧道现场382张原始B扫雷达图的样本队列，涵盖六类目标。研究人员用MobileNetV3替换原模型主干网络，并在颈部网络采用深度可分离卷积和C2f-Lite结构降低计算量；添加1×1卷积通道映射层实现特征对齐，保留SE注意力和H-swish激活平衡效能。在显存有限的移动工作站上，采用单批次策略和梯度累积技术进行训练，并利用迁移学习和注入高斯、椒盐噪声的数据增强策略提升模型鲁棒性。
研究结果分析如下：
(1) 隧道衬砌缺陷检测结果：通过在测试集上对YOLOv11n模型进行可视化测试，得出该模型能有效识别并定位“空洞”和“钢拱”等多类目标，对同类的密集分布目标如“钢筋”也表现出强判别力，但在高度杂乱区域仍存背景误判和深层缺陷漏检的挑战。
(2) 归一化混淆矩阵：通过分析模型分类结果，得出“空洞”和“钢拱”的正确检测率高，分别达96%和95%；“不密实缺陷”易被误判为“空洞”；值得注意的是，约74%的背景类被误分为“钢筋”，表明模型的背景抑制能力亟待提升。
(3) F1分数曲线分析：通过绘制各类别F1分数随置信度变化曲线，得出在置信度阈值约为0.321时，所有类别的复合F1分数达到最大值0.91，为最佳工作点，且“管道”和“空洞”在大部分区间保持高分数，而“不密实缺陷”对阈值敏感、鲁棒性较弱。
(4) PR曲线分析：通过绘制精确率-召回率曲线，得出YOLOv11n模型对“空洞”的平均精度达0.977，对“管道”达0.977，整体平均精度达0.955，但对“不密实缺陷”识别精度相对较低，存在优化空间。
(5) 训练结果分析：通过观察训练过程曲线，得出训练和验证损失呈下降趋势且同步收敛，未出现严重过拟合，精度、召回率和平均精度随迭代次数递增，表明模型成功学习了泛化后的GPR特征并达到实用收敛状态。
(6) 轻量化模型性能比较：通过对比不同基线模型指标，得出YOLOv11n在整体准确度上超越YOLOv5 v6.0和YOLOv8n，mAP@0.5达0.955，具有更好的综合检测效能和更强泛化性。YOLOv8n次之，YOLOv5 v6.0表现最弱。
(7) 消融实验结果：通过对比基线模型与改进的YOLOv11n_MobileNetV3，得出改进模型虽然召回率略有降低，但精确度更高（0.923 vs 0.891），能够更好抑制假阳性。其PR曲线在高召回区保持稳定，证实了在大幅降低计算复杂度的同时实现了成功且具竞争力的精度-效率平衡。
(8) 参数量与计算效率评估：通过测量各模型计算开销，得出YOLOv11n_MobileNetV3模型参数量降至2.26 M，FLOPs降至4.7，推理速度达每秒45帧，在保证高精度（mAP@0.5为94.4%）的同时最小化计算成本，为最优的平衡选择。
在讨论部分，研究人员指出，现代隧道资产管理急需快速高吞吐的地下解析手段。虽然省略传统信号预处理引入了杂波干扰风险，但改进模型通过MobileNetV3主干和轻量化模块将复杂度降至4.7 GFLOPs，在受限边缘硬件上保障了稳定运行。此外，该框架架构兼容NVIDIA Jetson系列和Raspberry Pi等边缘计算平台，可通过TensorRT和TFLite等引擎进行加速部署。
结论部分指出，本研究提出的YOLOv11n_MobileNetV3轻量化识别模型，通过集成MobileNetV3主干网络、深度可分离卷积和C2f-Lite结构，有效解决了在资源受限嵌入式设备上部署高精度深度学习算法的难题。实验证实该方法在基线模型中取得了检测精度与计算效率的最佳平衡。同时，研究承认在处理原始未预处理图像时易受地层杂波影响产生背景误报，受损样本规模偏小且缺乏电磁波物理特性的数据增强导致高级缺陷AP受限。未来工作将引入实时数字信号处理(DSP)滤波与背景抑制损失，并在真实边缘硬件上进行物理部署验证，同时利用时域有限差分模拟和元学习扩充数据，以进一步提高稀有缺陷类别的稳定性和模型收敛优化。
