《Results in Engineering》：SD-YOLO: A Lightweight Manhole Cover Defect Detection Method with Diffusion Model Data Augmentation
编辑推荐：
井盖维护是城市基础设施管理的关键环节，有缺陷的井盖对行人安全和交通运行构成重大风险。然而，基于深度学习的检测方法在实际应用中面临两个关键挑战：1）由于人工标注成本高且缺陷罕见，获取井盖缺陷的细粒度标注数据极为困难。2）通过翻转和旋转等传统技术增强的数据缺乏特定
井盖维护是城市基础设施管理的关键环节，有缺陷的井盖对行人安全和交通运行构成重大风险。然而，基于深度学习的检测方法在实际应用中面临两个关键挑战：1）由于人工标注成本高且缺陷罕见，获取井盖缺陷的细粒度标注数据极为困难。2）通过翻转和旋转等传统技术增强的数据缺乏特定缺陷的语义和内容多样性，无法解决数据稀缺问题。当前阶段的主要挑战是如何生成高语义、高质量的缺陷样本，以及如何设计一个轻量级模型，在不牺牲推理效率的情况下准确捕捉细粒度缺陷特征。为应对这些挑战，研究人员提出了一种名为SD-YOLO的轻量级模型，用于在有限数据下进行井盖缺陷检测。该模型集成两个关键创新：1）稳定扩散数据增强（Stable Diffusion Data Augmentation, SDDA）策略，该策略使用LoRA微调后的稳定扩散（stable diffusion）模型生成具有真实语义和多样化场景的虚拟缺陷图像；2）局部-全局融合注意力（Local-Global Fusion Attention, LGFA）模块，该模块自适应地整合缺陷的局部纹理细节和全局结构特征，以增强细粒度检测能力。实验结果表明，SD-YOLO在自建井盖缺陷数据集（MCDD）上取得了83.9%的F1分数，有效缓解了数据不平衡导致的少数类检测性能瓶颈。
**论文解读文章**
**研究背景与问题**
井盖作为城市地下管线系统的关键组成部分，其健康状况直接影响行人安全与交通运营。然而，传统的人工巡检效率低、缺陷类型识别不清、定位模糊，难以满足现代城市管理需求。现有基于物联网（IoT）的监测方法面临信号稳定性、多传感器部署成本及间接信号分析损伤量化局限等挑战。基于移动激光扫描（MLS）的技术虽能精确识别缺陷，但硬件成本高、计算密集、数据处理复杂，阻碍了大规模应用。基于遥感图像的方法（如无人机航拍、车载摄像头）结合深度学习虽取得进展，但监督学习模型面临两大瓶颈：一是数据稀缺——手动标注成本高且缺陷罕见，导致细粒度标注数据难以获取；二是类别不平衡——传统数据增强（如翻转、旋转）缺乏语义多样性，无法解决数据长尾分布问题。因此，核心挑战在于如何生成高语义、高质量的缺陷样本，以及如何设计轻量级模型以精确捕捉细粒度缺陷特征而不牺牲推理效率。
**研究内容与结论**
研究人员提出了一种名为SD-YOLO的轻量级井盖缺陷检测方法，整合了两种关键创新：稳定扩散数据增强（SDDA）策略和局部-全局融合注意力（LGFA）模块。SDDA利用LoRA微调的稳定扩散模型生成具有真实语义和多样化场景的虚拟缺陷图像，扩充数据集并平衡类别分布；LGFA模块通过局部与全局注意力协同建模，自适应整合局部纹理细节与全局结构特征，增强细粒度检测能力。实验在自建井盖缺陷数据集（MCDD）上进行，该数据集包含来自互联网、智能手机和无人机拍摄的1294张图像，涵盖“完好”、“破碎”、“丢失”、“无盖”和“环形”五类缺陷。结果显示，SD-YOLO的F1分数达到83.9%，比基线模型YOLOv10-S（74.9%）提升12.0%；精确率从76.6%提升至85.8%，召回率从73.5%提升至82.3%。计算复杂度为24.7 GFLOPs，参数量8.9 M，在轻量级模型中处于中等水平，适合资源受限场景部署。该研究发表在《Results in Engineering》上，为城市基础设施管理提供了高效可靠的技术支持。
**关键技术方法**
研究采用以下关键方法：1）**稳定扩散数据增强（SDDA）**：通过LoRA微调稳定扩散模型，结合文本到图像和图像到图像两种模式生成虚拟缺陷图像，并经过人工筛选与标注构建扩展数据集，样本来源包括互联网、智能手机（现场测绘人员拍摄）和无人机（大疆Phantom 4与MINI2，40-60米高度拍摄）。2）**局部-全局融合注意力（LGFA）模块**：在YOLOv10的PSA模块基础上改进，将特征图均分为两部分，一部分经局部注意力模块（LAM）和全局注意力模块（GAM）并行处理，并通过可学习参数r1和r2自适应融合，另一部分保持原通路，最后拼接输出。该模块置于骨干网络最深层，利用高层语义进行全局建模。所有实验在单张GeForce RTX 2080Ti上使用PyTorch进行，训练超参数统一（200轮，批次16，输入640×640，学习率0.01，优化器AdamW，数据增强含Mosaic、HSV、Flip、Erasing）。
**研究结果**
**4.1. 数据集描述**：构建了MCDD数据集，包含1222张互联网图像、31张智能手机拍摄图像和41张无人机航拍截图，共1294张图像，标注为五类缺陷。训练集/验证集/测试集分别为1904/74/331张，分辨率统一为640×640。
**4.2. 合成细节**：采用在线调用（豆包模型）和离线LoRA微调两种方法生成虚拟图像。通过计算PSNR和SSIM验证合成图像的真实性与多样性：合成-真实比较的平均PSNR为11.5119±0.0175 dB，SSIM为0.1487±0.0010，与真实-真实随机配对（PSNR 11.241±0.0539 dB，SSIM 0.1266±0.0009）相当，表明生成图像并非像素级复制。
**4.3. 实验设置**：与YOLOv5/6/7/8/10/11/12、YOLOX、RTMDet、CenterNet、DETR、Cascade-RCNN等模型对比，采用精确率、召回率、mAP50、mAP50-95和F1分数评估。
**4.4. 评估指标**：采用精确率（P）、召回率（R）、F1分数和平均精确率均值（mAP），公式无特殊之处。
**4.5. 与先前方法比较**：SD-YOLO在F1分数（83.9%）、精确率（85.8%）、召回率（82.3%）和mAP50（87.4%）上均达到最高或接近最高，但mAP50-95（71.9%）略低于YOLOv8（78.6%），原因是SD-YOLO采用YOLOv10的无NMS双头结构，优化了推理效率但牺牲了边界框定位精度。此外，合成样本的缺陷分布（中心化、长宽比接近1）与实际场景的离散分布存在差异，导致定位精度下降。计算复杂度为24.7 GFLOPs，参数量8.9 M，在轻量级模型中处于中等水平。
**4.6. 消融实验**：单独引入SDDA使F1从74.9%提升至81.4%，单独引入LGFA提升至77.8%，两者结合达到83.9%。SDDA显著提升召回率与稳定性，LGFA增强细粒度特征但增加方差，两者互补。在Jetson平台上，SD-YOLO推理延迟698.62 ms（1.43 FPS），略高于YOLOv10-S的623.15 ms（1.60 FPS），但仍可部署。在各类缺陷中，“环形”类mAP50从42.9%提升至67.2%（相对增益56.64%），缓解了少数类过拟合；“无盖”类mAP50提升21.09%，mAP50-95提升28.69%。
**4.7. 训练样本数量影响**：在训练集基础上分别加入50%、80%、100% SDDA合成样本（对应总样本数1439、1718、1904）。加入50%后mAP50-95显著提升；加入80%时精确率、召回率、mAP50均大幅提升；加入100%时F1最高但mAP50-95略有下降，表明过度依赖合成数据会削弱高精度定位能力。可视化分析显示，SDDA扩展了少数类样本（“环形”从8增至390），但合成样本的边界框中心集中于图像中部，长宽比趋近1，与实际分布存在差异。热力图对比表明，SD-YOLO对井盖缺陷区域的响应显著优于其他模型，能有效捕捉纹理、边缘等细粒度特征。
**讨论与结论**
讨论部分指出，SDDA与LGFA的协同有效应对了不同国家/地区井盖标准（如EN 124、AASHTO M306、GB/T 23858）导致的特征分布差异：SDDA通过生成多样样本学习尺寸无关的通用特征，LGFA捕捉层次化轮廓与纹理，保证跨标准检测的稳定性。结论部分总结：SD-YOLO显著提升了井盖缺陷监测的准确性与鲁棒性，为城市基础设施管理提供了高效技术支持。实验表明，适当增加SDDA增强数据比例能有效提升检测性能，但过度依赖合成数据会削弱高精度定位能力，需平衡真实与合成数据比例。未来工作将聚焦：1）基于SDDA的复杂场景目标感知数据增强（模拟极端天气、动态遮挡）；2）跨领域泛化验证（收集多城市、多设备、多环境图像构建外部验证集）；3）轻量化部署（通过知识蒸馏压缩模型）。
