基于YOLOv13的钢筋混凝土表面水下损伤检测两阶段框架

《Buildings》:YOLOv13-Based Two-Stage Framework for Underwater Damage Detection on Reinforced Concrete Surfaces

【字体: 大 中 小 】 时间:2026年08月29日 来源:Buildings 3.4

编辑推荐:

  长期的水下暴露会降低钢筋混凝土(RC)结构的性能,导致氯离子侵蚀引起的腐蚀、剥落、开裂和钢筋外露。及时的损伤识别对于结构安全至关重要,但传统的无损检测(NDT)方法在水下由于可达性受限、图像退化以及弱纹理、不规则裂缝边界而面临严重局限性。基于视觉的检测提供了一

  
长期的水下暴露会降低钢筋混凝土(RC)结构的性能,导致氯离子侵蚀引起的腐蚀、剥落、开裂和钢筋外露。及时的损伤识别对于结构安全至关重要,但传统的无损检测(NDT)方法在水下由于可达性受限、图像退化以及弱纹理、不规则裂缝边界而面临严重局限性。基于视觉的检测提供了一种有前景的替代方案,但仍受水下光学退化的制约。本研究提出了一种基于YOLOv13的水下RC两阶段检测框架(YOLOv13-TSDD)。首先,水下色彩细节增强网络(UCDEN)通过多通道色彩增强(MCCE)和多层次特征细化进行色彩校正、细节恢复和轮廓重建。其次,引入两个检测模块:风车形感受野卷积(PRFConv),提高浅层对方向性纹理和局部线性结构响应的敏感性;以及裂缝感知高效多尺度注意力(CEMA)机制,实现通道-空间联合重校准和对裂缝相关区域的多尺度聚焦。同时,还开发了细粒度不规则裂缝IoU(FID-IoU)损失函数,利用辅助边界框和分段加权映射改善不规则裂缝的边界框回归。实验结果表明,YOLOv13-TSDD不仅在所评估的方法中实现了最佳的整体图像增强性能,而且提供了最高的检测性能。在构建的水下数据集上,YOLOv13-TSDD的精确率、召回率和mAP@0.50分别达到93.63%、88.97%和94.52%,证明了在复杂水下条件下的性能改善。
**一、研究背景**

钢筋混凝土(RC,一种以钢筋增强的混凝土复合材料)因其承载能力和成本效益被广泛应用于港口设施、桥墩、防波堤和海上平台基础等海洋基础设施。然而,在水下环境中,氯离子渗透、干湿循环、冻融效应和水动力载荷驱动RC结构渐进性退化,产生开裂、剥落和钢筋外露等现象,同时生物污损可能进一步干扰视觉检测。这些退化现象会减小有效截面、削弱混凝土-钢筋粘结力并加速进一步侵蚀,从而危及耐久性和承载能力。

传统的无损检测(NDT,指在不损坏结构的前提下评估其性能的检测技术)方法如声发射、探地雷达和冲击回波在陆地上有效,但在水下面临部署受限、信号衰减和分辨率有限等问题。基于视觉的检测为水下检测提供了实用替代方案,可与遥控潜水器(ROV,一种由操作人员远程控制的水下机器人)和自主水下航行器(AUV,一种能自主航行的水下机器人)兼容,但受限于水下光学退化,包括模糊、非均匀色彩偏差、低对比度和边界模糊等。

现有研究存在三个主要不足:第一,图像增强技术(IET,用于改善图像视觉质量的技术)方法缺乏对色彩偏差、光照和边界模糊的协调建模;第二,检测主干网络在提取方向敏感、弱边界特征方面表现不佳,通道-空间重校准不足;第三,标准交并比(IoU,衡量预测框与真实框重叠程度的指标)损失在小尺度、不规则裂缝上表现差,导致定位漂移。因此,开展这项研究以同时解决上述三个问题具有重要的学术和工程意义。该论文发表在《Buildings》期刊上。

**二、技术方法**

研究人员以YOLOv13为基线网络,提出了YOLOv13-TSDD两阶段检测框架。该框架的数据集来源于实验室制备的RC试件(尺寸为70×20×12 cm,养护28天后人工引入混凝土剥落(CS)、钢筋外露(ER)和混凝土开裂(CC)三类损伤),试件浸没于水箱中,采用RGB相机在15 cm固定距离采集图像,并设置了两种浊度条件(≤10 NTU和20–30 NTU)。第一阶段构建了水下色彩细节增强网络(UCDEN),包含多通道色彩增强(MCCE)和多层特征增强(MLFE)两个模块;第二阶段引入风车形感受野卷积(PRFConv)替代前三个卷积层,以及裂缝感知高效多尺度注意力(CEMA)模块加强通道-空间聚焦,同时开发了细粒度不规则裂缝IoU(FID-IoU)损失函数改善边界框回归。

**三、研究结果**

5.3.1 训练收敛性分析

通过训练曲线、最终性能指标和混淆矩阵的综合分析,YOLOv13-TSDD在整个训练过程中始终达到最高的mAP@0.50曲线,更早进入稳定收敛阶段。在最终性能方面,YOLOv13-TSDD的精确率、召回率和mAP@0.50分别达到93.63%、88.97%和94.52%,相比YOLOv13-Baseline分别提高6.48、6.24和6.32个百分点。五次独立训练的标准差仅为0.27、0.36和0.24个百分点,表明具有良好的统计稳定性。混淆矩阵显示YOLOv13-TSDD在三个裂缝类别上均达到最高的对角线占比和最低的误分类率。相比水下专用的YOLOv5s-CycleGAN,精确率、召回率和mAP@0.50分别提高0.53、2.27和2.01个百分点。

5.3.2 图像增强性能分析

通过视觉结果和定量评估分析,YOLOv13-TSDD在水下图像质量度量指标(UISM,衡量细节锐度的指标)、水下图像色彩度量指标(UICM,衡量色彩保真度的指标)和水下图像质量度量指标(UIQM,由UICM、UISM和水下图像对比度度量指标(UIConM)线性组合而成的综合质量评分)上取得最佳结果,分别为1.327、17.325和2.855。其水下色彩质量度量指标(UCIQE,评估非均匀色彩偏差、模糊和图像对比度的指标)达到0.322,处于合理范围内无明显过度增强。UCDEN对裂缝图像显著改善了线性结构的连续性,对剥落图像完整保留了不规则边界和内部纹理层次,对钢筋外露图像有效突出了锈蚀色彩对比和条带状结构特征。

5.3.3 损伤识别性能分析

通过视觉检测结果和各类别平均精度(AP,衡量单类别检测性能的指标)对比分析,YOLOv13-TSDD在CS、ER和CC三个类别上的AP@0.50分别达到95.41%、94.66%和93.49%,整体mAP@0.50为94.52%。三个类别的AP@0.50标准差分别为0.22、0.26和0.31个百分点,表明性能优势在不同损伤类别和独立训练运行间保持稳定。相比水下专用的YOLOv5s-CycleGAN,在三个类别上分别提高2.01、2.03和1.99个百分点。检测难度排序为CS最易、CC最难、ER居中,反映了各损伤类型的形态特征差异。

5.4.1 图像增强策略消融研究

通过对比无增强、基于Retinex理论的多尺度梯度域增强(MSRCP)、CycleGAN增强和UCDEN四种配置,UCDEN取得最佳结果,精确率、召回率和mAP@0.50分别为93.63%、88.97%和94.52%,相比无增强分别提高5.45、3.55和7.16个百分点。

5.4.2 特征增强机制消融研究

在固定UCDEN的条件下,仅使用CEMA时三项指标分别为90.08%、87.24%和90.18%;仅使用PRFConv时为89.54%、87.57%和89.56%;完整模型达到93.63%、88.97%和94.52%,相比消融7提高1.89、0.94和1.66个百分点,验证了两个模块的协同效应。

5.4.3 损失函数和激活函数组合消融研究

在SiLU(一种非线性激活函数)激活下,FID-IoU的mAP@0.50和mAP@0.50–0.95分别达到94.52%和67.08%,相比C-IoU分别提高1.94和4.25个百分点。mAP@0.50–0.95的更大增益表明FID-IoU在更严格的重叠要求下优势更为明显。

**四、讨论与结论**

研究存在一定局限性:UCDEN与检测网络以级联方式连接,尚未通过检测网络损失进行端到端优化;所有比较方法采用相同的训练调度和超参数配置,未进行架构特定的调优;实验条件主要限于两种浊度范围、单一相机和固定成像距离,未系统考虑生物污损、水体类型等因素。

主要研究结论如下:第一,UCDEN有效缓解了水下图像的非均匀色彩偏差、亮度衰减、细节模糊和边界弱化,在UISM、UICM和UIQM上取得最佳性能,为下游检测网络提供了更具判别性的输入表示。第二,PRFConv和CEMA协同改善了浅层裂缝响应和方向敏感特征提取,PRFConv强化了对裂缝扩展方向、剥落边界形态和钢筋条带结构的初始感知,CEMA进一步提高了关键裂缝区域的显著性和边缘表现力,消融实验证实了两者的强协同效应。第三,FID-IoU通过辅助边界框机制和分段加权映射策略,为困难样本提供了更稳定的优化约束,与SiLU激活组合取得最佳检测性能,验证了任务导向边界框回归策略的有效性。第四,YOLOv13-TSDD在水下钢筋混凝土表面结构损伤(URCSSD)检测任务上取得最佳整体性能,在样本不平衡条件下仍保持稳定的多类别检测能力。未来工作将扩展数据集并在更广泛的现场条件下进行外部验证,同时优化模型在AUV和ROV上的部署。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号