《Sensors》：Evaluating YOLO26s for Multi-Class Pavement Crack Detection: A Lightweight Approach for Sustainable Edge Deployment
编辑推荐：
维持耐久的道路基础设施对于减少资源消耗、最小化维修成本和支撑可持续城市出行至关重要。然而，由于不同地理区域的照明、路面纹理和裂缝形状的变化，准确检测小型且形态多样的路面裂缝仍然具有挑战性。YOLO（You Only Look Once）是目标检测中最广泛采用的
维持耐久的道路基础设施对于减少资源消耗、最小化维修成本和支撑可持续城市出行至关重要。然而，由于不同地理区域的照明、路面纹理和裂缝形状的变化，准确检测小型且形态多样的路面裂缝仍然具有挑战性。YOLO（You Only Look Once）是目标检测中最广泛采用的深度学习（DL）框架之一。传统检测方法劳动密集且往往不一致，而现有的DL模型可能计算量大或局限于单一裂缝类型，限制了实时部署和可扩展性。为了解决这些挑战，本研究提出了YOLO26s，一种轻量级DL模型，用于在不同环境和地理条件下进行多类路面裂缝检测。使用来自Road Damage Dataset 2022的6972张标注图像的精选子集，YOLO26s识别四种裂缝类型：纵向裂缝、横向裂缝、坑洞和鳄鱼皮裂缝。与基线模型（YOLOv8s、YOLOv8n、YOLO26n）相比，YOLO26s实现了更高的检测精度（mAP@0.5 = 89.0%），同时将参数减少14.3%，FLOPs减少7.7%，从而能够在边缘设备上实时部署。通过促进早期和准确的裂缝检测，所提出的方法支持主动维护，延长路面寿命，并减少材料和能源使用，有助于更可持续的道路网络管理。这些发现强调了高效的AI驱动检测系统在增强土木基础设施的环境和经济可持续性方面的潜力。
道路基础设施是城市出行、经济发展和社会安全的基石。路面劣化表现为纵向裂缝、横向裂缝、坑洞和鳄鱼皮裂缝，直接影响运营效率和维护成本。延迟检测会导致材料消耗增加、能源消耗和与修复操作相关的环境排放。传统人工视觉检测劳动密集、主观性强且难以规模化。早期自动化方法（如阈值分割、边缘检测）在异质真实世界条件下表现不佳。深度学习（DL），特别是卷积神经网络（CNN）的出现，显著推进了自动化裂缝检测，但现有YOLO（You Only Look Once）系列模型存在三个应用特定缺口：单国数据集验证导致跨区域性能下降；局限于单类裂缝检测无法支持按损伤类型优先排序的维护；先前基准测试仅报告精度而未报告计算成本，使从业者无法判断在资源受限边缘硬件上的可部署性。为解决这些缺口，研究人员利用Road Damage Dataset 2022（RDD2022）的多国基准（47,420张图像），系统评估了YOLO26s——一种轻量级YOLO架构，用于多类路面裂缝检测，并评估其是否能在高检测精度与计算效率之间取得平衡，以支持实时边缘部署。研究得出YOLO26s在mAP@0.5上达到89.0%，同时参数减少14.3%、FLOPs减少7.7%，在边缘设备上实现实时部署。该模型支持主动维护，延长路面寿命，减少材料和能源使用，促进可持续基础设施管理。论文发表在《Sensors》。
研究人员采用的主要关键方法包括：数据集来源于RDD2022中四个国家（美国、挪威、日本、中国）的6972张标注图像，分为纵向、横向、坑洞和鳄鱼皮裂缝四类。模型架构引入三个关键改进：紧凑骨干模块（C3k2瓶颈块）以降低FLOPs；空间注意力模块（C2PSA，Cross-Stage Partial with Spatial Attention）选择性强调裂缝区域；回归损失移除分布焦点损失（DFL，Distribution Focal Loss）并采用步长归一化的L1损失。此外采用无锚点检测头，并使用任务对齐分配（TAL，Task-Aligned Assignment）动态匹配真实框。训练超参数统一设置（输入分辨率640×640 px，100轮，批量16，SGD优化器，余弦退火学习率1×10
-3至1×10
-5），并应用在线数据增强（随机翻转、缩放、马赛克、HSV抖动、旋转、复制粘贴）。评估指标包括mAP@0.5、mAP@0.5:0.95、精度、召回率、F1分数及推理延迟。
**3.1 定量评估（Quantitative Evaluation）**：通过单次训练运行，YOLO26s在mAP@0.5（89.0%）、mAP@0.5:0.95（51.6%）、精度（72.7%）、召回率（63.5%）和F1分数（0.678）上均优于YOLOv8s、YOLOv8n和YOLO26n。三次随机种子重复训练确认YOLO26s的均值mAP@0.5（88.52%±1.03%）高于YOLOv8s（87.41%±0.84%），方向一致但幅度未超过种子间方差。四类裂缝中，鳄鱼皮裂缝的AP@0.5最高（约93%），但AP@0.5:0.95较低（约55%），表明边界框定位不够紧密。
**3.2 模型复杂度与计算效率（Model Complexity and Computational Efficiency）**：YOLO26s参数量9.6M，FLOPs 26.4G，权重文件19.2 MB，相比YOLOv8s（11.2M参数、28.6G FLOPs、21.5 MB）分别减少14.3%、7.7%和10.6%。训练时间略长（4.01小时 vs 3.87小时），但仅影响单次训练，不影响推理。
**3.3 训练损失收敛（Training Loss Convergence）**：所有模型损失曲线单调递减。YOLO26s分类损失最低（训练0.5755，验证0.7775），DFL损失（约0.01）远小于YOLOv8（约1.2），归因于步长归一化。训练与验证损失差距小，表明正则化有效。
**3.4 基于置信度的评估（Confidence-Based Evaluation）**：F1-置信度曲线显示整体F1峰值约0.83，对应置信度阈值0.398。坑洞裂缝的F1最高，横向和鳄鱼皮裂缝稍难。精度随置信度单调增加，mAP@0.5为0.892，确认多类检测稳健。
**3.5 混淆矩阵分析（Confusion Matrix Analysis）**：在置信度0.25、IoU匹配阈值0.45下，YOLO26s对角线精度均超过0.85（纵向87.3%、横向86.7%、鳄鱼皮91.5%、坑洞85.8%）。最大类间混淆发生在纵向与鳄鱼皮裂缝之间。YOLO26s的误报率（假阳性率）低于YOLOv8s（如横向28.7% vs 36.2%），表明更少虚警。
**3.6 定性检测结果（Qualitative Detection Results）**：YOLO26s在多种路面和光照条件下准确定位裂缝区域，对鳄鱼皮裂缝尤其强大。与YOLOv8s相比，YOLO26s对相同裂缝给出更高置信度分数（如纵向0.82 vs 0.73）和更精确的边界框，展现了更强的判别能力。
讨论部分总结：YOLO26s在精度-效率权衡上具竞争力，其性能优势主要归因于C2PSA注意力模块（消融实验显示移除后mAP@0.5下降11.51个百分点）。部署基准测试显示，在GPU（RTX 5070）上YOLO26s推理延迟22.77 ms/张，在树莓派上364.81 ms/张，均快于YOLOv8s。在合成退化图像（雨、雾、低光、运动模糊、阴影）中，两模型均对运动模糊极脆弱（mAP@0.5下降72-74个百分点），但YOLO26s在低光和阴影下退化更少。多国数据集分析显示，YOLO26s在日本、挪威、美国性能优于YOLOv8s，在中国接近（均近上限）。局限包括：仅部分测量了边缘设备延迟（缺少CPU笔记本数据）；合成退化需真实数据验证；未来工作包括视频监控、严重程度量化、域微调和INT8量化。
研究结论部分翻译：本研究提出了YOLO26s，一种用于多类路面裂缝检测的轻量级DL模型，在RDD2022的四国子集（6972张图像）上进行评估。在所有定量指标上，YOLO26s优于基线模型（YOLOv8s、YOLOv8n、YOLO26n），实现了mAP@0.5为89.0%和mAP@0.5:0.95为51.6%，同时减少了参数和FLOPs，使其适用于实时边缘部署。所提出的方法能够在不同环境条件和路面纹理下准确检测纵向裂缝、横向裂缝、坑洞和鳄鱼皮裂缝。定性结果和分析确认了稳健的多类判别和最小的误报。置信度阈值评估进一步确定了实际部署的最佳操作点，平衡了精度和召回率。这些发现表明，YOLO26s可以促进主动维护规划，减少材料和能源消耗，并支持可持续的基础设施管理。未来工作将扩展至基于视频的监控、严重程度量化、域特定微调和INT8量化以增强边缘效率。总体而言，YOLO26s代表了向可持续、AI驱动的路面管理迈出的一步，结合了高检测精度、操作效率和环境效益。
