《Buildings》：Lightweight YOLOv8-PSN for Real-Time Detection of Underground Structure Defects: A Comparison of Three Importance Criterion Pruning Methods
编辑推荐：
为应对地下缺陷检测任务中边缘设备计算能力有限的问题，本研究采用改进的轻量级模型YOLOv8-PSN作为基线，系统比较了三种结构化剪枝准则——依赖图（DepGraph）、层自适应幅度（LAMP）和泰勒展开（Taylor）的压缩机制与性能。三种剪枝准则引发了不同的
为应对地下缺陷检测任务中边缘设备计算能力有限的问题，本研究采用改进的轻量级模型YOLOv8-PSN作为基线，系统比较了三种结构化剪枝准则——依赖图（DepGraph）、层自适应幅度（LAMP）和泰勒展开（Taylor）的压缩机制与性能。三种剪枝准则引发了不同的网络重构行为：DepGraph倾向于大幅压缩中间层，LAMP导致更均匀的通道剪枝并与高频纹理信息损失增加相关，而Taylor剪枝则呈现“倒金字塔”式重构模式，该模式有效减少检测头冗余同时保留主干强大的特征表示能力。基于综合定量指标与视觉分析，基于Taylor的方法在高压缩比下实现显著推理加速，且关键地保持了较高检测置信度与边界框连续性，在复杂干扰（如强光照和低光照条件）下尤其对细裂缝检测展现出更强视觉鲁棒性。这种“度量-视觉”差异有效凸显了仅依赖mAP进行工程模型评估的局限性。此外，所提出的面向GPU的通道对齐策略在测试的NVIDIA RTX 5080工作站GPU上提升了推理效率；该结果特定于测试的GPU架构，在嵌入式平台上可能不同。本研究为地下工程缺陷检测模型的轻量化设计与实时部署提供了有价值的指导。
**论文解读文章**
**研究背景与问题**
混凝土作为地下结构最广泛使用的建筑材料，在复杂荷载与环境因素作用下，其表面极易出现裂缝、剥落、泛碱等缺陷。这些缺陷不仅降低结构视觉质量，若不及时检测处理，还会导致承载力和变形性能逐步退化，造成严重安全隐患。传统人工检测方法效率低、主观性强且存在安全风险，难以满足大规模、长期监测的实际需求。尽管深度学习在检测精度上取得显著进展，但多数模型参数量大、计算复杂度高，难以在移动巡检机器人、无人机或嵌入式设备上实现实时推理。现有轻量化研究多聚焦于架构修改或单一压缩方法报告，对不同结构化剪枝准则如何重新分配网络通道、影响任务相关特征保留（尤其是地下环境中弱纹理和小缺陷特征）的系统性理解仍有限。
**研究内容与意义**
研究人员以先前提出的改进轻量级模型YOLOv8-PSN为固定基线，基于真实地下结构缺陷数据集，系统比较了三种代表性结构化剪枝准则：基于拓扑依赖的DepGraph、基于层自适应幅度的LAMP和基于梯度灵敏度的Taylor剪枝。通过控制实验，分析不同剪枝准则如何重塑为地下检测优化的YOLO检测器，以及这些结构变化如何影响精度、速度与视觉鲁棒性之间的权衡。该研究未提出全新剪枝机制，而是提供实证比较，为地下工程缺陷检测模型的轻量化设计与实时部署提供参考。论文发表在《Buildings》。
**主要关键技术方法**
（1）基线模型：YOLOv8-PSN，该模型在先前工作中与SSD、YOLOv6、YOLOv10、YOLOv11、Faster R-CNN对比，在相同自建地下混凝土表面缺陷数据集上达到最高mAP@50（77.27%），参数量10.44 M，GFLOPs 24.1。
（2）结构化剪枝准则：DepGraph通过递归遍历网络拓扑构建依赖图，结合组级稀疏训练，基于L2范数聚合重要性评分；LAMP通过层内归一化权重幅度，使用尺度不变重要性度量（LAMP分数）进行全局剪枝；Taylor剪枝利用一阶泰勒展开的平方项近似去除参数引起的损失变化，结合梯度信息评估通道重要性，并采用多批次期望估计降低随机噪声。
（3）面向GPU的通道对齐策略：对剪枝后保留通道数进行分层对齐（32对齐优先、8对齐回退、极窄层灵活保护），旨在改善NVIDIA RTX 5080工作站GPU上的计算效率。
（4）数据集：自建地下结构缺陷数据集，含7353张高分辨率图像和39094个标注实例，涵盖暴露钢筋、锈蚀、裂缝、剥落、泛碱、分层六类缺陷，按8:1:1比例基于图像采集序列划分训练/验证/测试集。
**研究结果**
**4.1 单一剪枝方法性能分析**
**4.1.1 DepGraph方法分析**：DepGraph通过拓扑依赖分组和预剪枝组级稀疏训练，在低中压缩比（R=1.25至2.0）下保持相对稳定的检测精度（mAP@50从78.1%降至76.1%），R=2.5时降至73.2%。其通道非均匀分布：浅层主干保留较多，中间颈部特征融合层压缩更强，检测头保留较高比例通道。
**4.1.2 LAMP方法分析**：LAMP无需额外稀疏训练，基于归一化幅度评分，在R=2.5时达到最高FPS（1274.6），但mAP@50降至71.5%，低于其他两种方法。其通道剪枝较均匀，高压缩比下主干和颈部多个模块变窄，导致弱纹理和细节特征表示受限。
**4.1.3 Taylor方法分析**：Taylor剪枝利用梯度敏感性，在R=2.5时mAP@50高于LAMP且接近DepGraph，FPS达1264.3。其呈现“倒金字塔”结构：低中压缩比下主干和颈部通道保留较多，剪枝主要发生在检测头，有效保留特征提取与多尺度融合能力。
**4.2 综合检测性能与视觉分析**
**4.2.1 mAP@50-FPS权衡分析**：三种方法在低中压缩比下精度差异小；高压缩比下DepGraph精度稳定性较好，LAMP达到最高FPS但精度损失大，Taylor提供较均衡的权衡。
**4.2.2 视觉与类别鲁棒性分析**：以R=2.0为代表，类别AP显示暴露钢筋较稳定，分层和泛碱对剪枝更敏感。PR曲线在高召回区域差异明显；归一化混淆矩阵表明Taylor在多个类别上对角线值较高（如分层0.86、暴露钢筋0.45、泛碱0.47）。定性比较显示，在强光照、密集目标和低光照裂缝场景下，Taylor保持较高置信度和更连续的定位框，而DepGraph在强光照下置信度低，LAMP在低光照下定位连续但强光照下置信度下降大。
**4.3 面向GPU通道对齐消融实验**
在R=2.0下，对齐策略对LAMP和Taylor的FPS提升更显著（LAMP从714.9增至935.7 FPS，Taylor从955.3增至1022.0 FPS），但对DepGraph提升较小。对齐同时改变参数量、GFLOPs和mAP，效果因方法而异。
**4.4 实际部署讨论**
剪枝模型在RTX 5080上达到高吞吐量（LAMP和Taylor分别达935.7和1022.0 FPS），但未在嵌入式平台（如Jetson Orin、Raspberry Pi AI Kit）验证，需未来评估端到端延迟、能耗等。
**讨论与结论**
**研究结论翻译**：本研究以YOLOv8-PSN为固定基线，比较了三种代表性结构化剪枝准则用于地下混凝土表面缺陷检测。主要结论如下：（1）高速压缩下的速度-精度行为：三种方法均减少参数量和GFLOPs并提升推理吞吐量。R=2.5时，LAMP达到最高FPS 1274.6，Taylor紧随其后为1264.3 FPS，DepGraph为1121.6 FPS。Taylor在测试条件下提供了竞争性吞吐量及较均衡的mAP、类别性能和定性定位一致性。面向GPU的通道对齐加速效果特定于NVIDIA RTX 5080工作站协议，未经进一步验证不应推广至其他硬件平台。（2）剪枝机制与结构重塑差异：DepGraph优先压缩中间特征融合层，LAMP产生更均匀的层内剪枝，Taylor利用梯度信息形成“倒金字塔”模式，保留主干和特征融合层能力，压缩检测头冗余。（3）互补定量与定性评估：仅依赖mAP不能全面表征轻量缺陷检测器行为。PR曲线、混淆矩阵和视觉分析表明，Taylor在推理吞吐量、定量检测性能和定性定位行为之间提供较均衡的权衡。该结论局限于当前数据集、剪枝实现、压缩设置和RTX 5080推理环境，不意味Taylor普遍优于其他方法。当优先考虑mAP稳定性和类别平衡时，DepGraph可能更合适；当最大推理吞吐量为首要目标时，LAMP可能更优。剪枝准则应根据应用需求选择。本研究存在局限性：未评估跨数据集泛化；FPS值仅基于单GPU工作站，不代表边缘设备性能；通道对齐消融无法严格分离对齐效果；未记录剪枝/微调时间；未评估其他轻量化技术（量化、知识蒸馏等）。未来工作将评估边缘平台性能、跨数据集鲁棒性，并记录完整资源消耗，结合结构化剪枝与量化或知识蒸馏进一步提升部署效率。
