《Buildings》：A Lightweight CNN Framework for UAV-Based Missing-Bolt Patch Classification in Structural Health Monitoring
编辑推荐：
缺失螺栓会削弱钢桥与工业基础设施中螺栓连接的结构完整性。人工目视巡检在难以抵达的位置仍显劳动密集、主观性强且存在安全风险。本研究提出一种面向无人机（UAV）缺失螺栓图像块分类的对比基准框架，采用卷积神经网络（CNN）以平衡精度与计算效率。研究人员构建了无人机采
缺失螺栓会削弱钢桥与工业基础设施中螺栓连接的结构完整性。人工目视巡检在难以抵达的位置仍显劳动密集、主观性强且存在安全风险。本研究提出一种面向无人机（UAV）缺失螺栓图像块分类的对比基准框架，采用卷积神经网络（CNN）以平衡精度与计算效率。研究人员构建了无人机采集的以螺栓为中心的图像块数据集，评估四种系统性实验方案：（i）从头训练的自定义轻量级CNN；（ii）在多个位置集成压缩激励（Squeeze-and-Excitation, SE）注意力块的轻量级CNN；（iii）九种微调的先进（SOTA）预训练CNN骨干网络；（iv）上述预训练模型的SE增强版本。所有架构在相同标准化实验协议下评估。结果表明，所提轻量级CNN在分类性能上与重量级预训练模型相当，同时显著降低了计算资源需求。在该局部化任务中集成SE块未提升分类性能，且在多种配置下降低了精度与训练稳定性。预训练迁移学习模型总体精度较高，但其计算复杂度限制了在边缘设备与无人机平台上的直接部署。梯度加权类激活映射（Grad-CAM）可视化解释确认轻量级CNN持续关注相关的螺栓与孔位区域。研究发现，任务专用的轻量级CNN在自动化结构监测中提供了检测可靠性与部署效率的实用平衡。
研究背景方面，螺栓连接作为现代结构设计的基本元素，广泛用于钢桥、铁路鱼尾板、海上平台、输电塔及重型机械等承载资产，其失效模式之一为缺失螺栓，会显著降低连接承载力。传统监测依赖周期性目视巡检或基于振动的方法，人工巡检在阴影区、视角不佳或背景杂乱时易漏检；早期计算机视觉算法（阈值化、边缘检测、霍夫变换及SIFT、HOG、LBP等手工描述子）对光照、透视畸变和表面污损敏感。深度学习模型特别是卷积神经网络（CNN）虽能自动学习层次化特征，但高容量架构（如1.44亿参数的VGG-19）参数量大、内存与算力需求高，难以在无人机与边缘计算平台实时运行；模型压缩（剪枝、量化）常伴生精度损失。现有研究多报告分类准确率而忽视推理速度、内存占用与假阴性风险。为此，研究人员设计原生轻量级CNN，作为两阶段视觉框架中上游检测器裁剪出的螺栓图像块的下游分类模块，兼顾检测可靠性与嵌入式部署效率。论文发表于《Buildings》。
关键技术方法上，研究人员使用DJI Mini 4 Pro无人机采集钢桥螺栓连接现场影像，提取394个以螺栓为中心的图像块（224×224像素，强度归一化至[0,1]），经旋转（±15°）、剪切、高斯模糊与亮度调整增广至12000块（完好与缺失各6000），按75:25分训练/验证集，另留116张原始未增广块作独立测试集，同源帧不跨划分防泄漏；采用Python 3.7.12、TensorFlow 2.6.0于Google Colab（NVIDIA Tesla K80 GPU）训练。设置四方案：方案1从头训三卷积层轻量级CNN（含批归一化、ReLU、最大池化、Dropout）；方案2在轻量级CNN不同深度插SE块（四种变体）；方案3微调九种SOTA预训练骨干（VGG-16、InceptionV3、ResNet50、EfficientNetB0、ResNet152V2、EfficientNetB7、DenseNet201、Xception、InceptionResNetV2）并换二元分类头；方案4在方案3各骨干嵌SE块。评估指标含准确率、精确率、召回率、F1分数、误检率（FDR）、马修斯相关系数（MCC）、Cohen's Kappa（κ），辅以5折分层交叉验证、McNemar精确检验（Bonferroni校正）、SDNET螺栓数据集跨域验证及Grad-CAM可视化。
研究结果部分，方案1（所提轻量级CNN）在测试集获97.2%准确率、98.0%精确率、97.5%召回率、AU-ROC 97.00%、AU-PRC 97.77%，MCC 0.9483；56个缺失螺栓块中仅1个漏检（FNR 1.79%），60个完好块中2个误报（FPR 3.33%），训练5轮内损失收敛，Grad-CAM显示激活聚于螺栓头与孔区。方案2表明SE块集成无益：变体1（每层后加SE）MCC降32.96%、Kappa降35.1%，变体3精度最低（83.3%），仅变体4（末卷积后加SE）相对最佳但仍不及基线；SE的全局平均池化压缩丢失局部空间细节，浅层网络中通道重标定引入冗余依赖。方案3中VGG-16、InceptionResNetV2、EfficientNetB0/B7、ResNet152V2、DenseNet201、Xception达99.0%–99.3%准确率，ResNet50仅86.0%；预训练迁移借大规模通用特征但参数量大。方案4的SE增强SOTA与对应基线持平或微波动，ResNet50+SE仍89.0%，SE未带来实质提升且后期验证损失略波动。5折交叉验证下轻量级CNN宏平均准确率86.03%±6.24%，反映未见无人机帧的真实域偏移而非结构失效。
讨论部分指出，SE模块理论上调强调螺栓相关通道，实则因任务为二值局部几何判断（螺栓头/空洞），通道间方差低，全局平均池化破坏判别性局部线索，Grad-CAM见SE变体激活扩散至背景；轻量级CNN以浅三层保局部边缘、垫圈边界与孔圆特征，比深骨干更适配低语义复杂度任务。成本-性能权衡显示所提模型7.448M参数、25.8 MB、0.4220 GFLOPs、81.19 ms延迟、12.32 FPS，效率指数236.34 Score/GFLOPs，较VGG-16提升约20倍，较InceptionV3提升2.8倍；McNemar检验中与VGG-16无统计显著差异（p=0.6250, OR=0.333），显著优于ResNet50（p=0.0018, OR=13.0）与最佳SE变体（p=0.0042, OR=7.0）。跨域SDNET零样本迁移精度跌至约61.33%、精确率跌至50%，冻结浅层微调后召回恢复至73.0%。局限性为原始验证集仅116块，后续需扩多样现场数据。
结论部分翻译：本研究开发并评估了一种轻量级CNN模型，用于从螺栓连接的无人机采集图像中检测缺失螺栓，目标是在保持低计算复杂度的同时获得可靠分类性能，以确保在无人机、手持设备与嵌入式检测系统等资源受限平台上的实际部署。所提基线轻量级CNN在区分完好与缺失螺栓时表现强劲，相较SE增强变体提供了更优的准确率、召回率与整体可靠性，且推理更快、架构更简单；结果表明对于以螺栓为中心的图像分类，保留局部空间特征比添加通道重标定机制更重要。主要发现如下：所提轻量级CNN在缺失螺栓检测中取得高分类性能且计算高效；SE增强变体未改善基线，因SE可能削弱螺栓头、垫圈与空孔等小部件的局部空间线索；迁移学习模型基准性能强但计算成本高处限制实时无人机或边缘部署；基线轻量级CNN在检测可靠性与部署效率间取得最佳实用权衡；Grad-CAM显示基线模型更一致聚焦螺栓相关区域，尤其缺失螺栓情形。
