从检测到维护优先级排序：HSP-DETR在极端天气条件下用于路基挡土墙裂缝分析

《ADVANCED ENGINEERING INFORMATICS》：From detection to maintenance prioritization: HSP-DETR for subgrade retaining wall crack analysis under extreme weather conditions

　　

• 极端天气条件下路基挡墙裂缝的新型数据集。
• HSP-DETR通过分层稀疏渐进融合实现鲁棒检测。
• 在多种裂缝尺度下实现60.8%的AP精度与实时速度（24.4 FPS）。
• 一种检测驱动的风险优先级评分方法将裂缝特征与维护优先级相联系。
• 支持智能基础设施管理的初步维护优先级排序。

引言
全球交通基础设施的快速发展对结构安全管理提出了更高要求。路基挡墙作为线性交通工程中的关键支撑结构，广泛分布于公路、铁路和山路上，其安全性能直接影响交通运营与经济效率[1], [2]。随着服役年限的增长和环境荷载的累积，挡墙的劣化问题日益凸显。及时准确地获取损伤信息以提供维护解释依据，已成为基础设施管理中的迫切需求[3]。特别是，在极端天气条件下，结构加速劣化与检测难度增加并存，使得开发适应复杂环境条件的智能检测技术具有重要的理论与实践价值[4], [5]。

在路基挡墙的各种劣化类型中，裂缝是最常见且具有指示性的早期损伤模式，其发展与演变直接反映了内部应力重新分布、材料强度退化及基础变形等潜在问题[6], [7]。裂缝不仅是结构损伤的外部表现，也是触发后续劣化的重要因素。水分渗透和环境温度变化进一步促进裂缝扩展和结构劣化[8], [9]。因此，及时的裂缝检测对于获取可靠的裂缝状态信息以支持维护解释和检查维修优先级的初步判断是必要的，检测精度直接决定了后续损伤分析与工程应用的可靠性[3], [10]。然而，现有检测方法在极端天气条件下面临重大挑战，因为雾霾、降雪和降雨会严重降低检测精度[5], [11]，且检测误差会传播至后续损伤分析过程中，增加维护解释的不确定性[12]。

裂缝检测技术已从接触式方法发展到基于视觉的方法。早期基于接触的探测研究主要关注基于力学响应的承载力分析[13], [14]，为分析挡墙及相关支撑结构的应力状态提供了理论基础。随后，数据驱动监测、光纤传感和LiDAR技术进一步扩展了结构状态感知的途径[15], [16], [17]。尽管这些方法能够实现局部结构状态的现场监测，但在覆盖范围和经济性方面，基于视觉的方法更适合整体评估[18], [19]。早期自动化检测系统基于边缘检测器和手工特征[20], [21], [22], [23]，但通常在不同环境条件下表现出较差的泛化性能。随着深度学习的发展，裂缝检测领域取得了显著进展。Zhu等人[24]提出了具有DPSO优化的自动轻量级网络，用于道路裂缝的实时检测。Xu等人[25]开发了一种实时多目标检测模型，用于同时识别裂缝与变形。Li等人[26]通过多级感知和特征聚合开发了无人机图像中道路损伤的自动检测方法，Yang等人[27]则提出了复杂条件下高速公路路基病害的智能识别。然而，Xu等人[28]表明基于深度学习的裂缝检测需要鲁棒的特征提取机制来保持性能稳定性，Bai等人[29]也证实了在环境干扰下特征提取存在类似的不稳定性。

Transformer架构通过自注意力机制为深度学习引入了新的研究方向。Carion等人[30]提出了DETR，首次实现了无需锚点生成等人工设计组件的端到端目标检测。后续工作着重于提高计算效率。Zhu等人[31]提出了具有可变形注意力模块的Deformable DETR，而Liu等人[32]和Li等人[33]通过动态锚点查询和去噪操作稳定了训练过程。在裂缝检测应用中，Liu等人[34]提出了基于Transformer架构的CrackFormer网络用于路面裂缝分割，Shan等人[35]开发了具有视觉Transformer架构的DCUFormer，以增强复杂环境中的路面裂缝分割。Zhao等人[36]提出了RT-DETR，在保持相当精度的同时，实现了推理速度比DETR快数倍的实时性能。特别是，采用优化ResNet-18骨干网络的RT-DETR-R18变体在特征提取能力与计算复杂度之间取得了良好平衡。在此基础上，Lv等人[37]改进了水下桥墩裂缝检测中的RT-DETR模型，Zhao等人[38]将其定制用于3D混凝土打印的实时缺陷监测。然而，RT-DETR尚未充分适应极端天气条件下的挡墙裂缝检测。主要挑战在于天气引起的图像退化与裂缝的线性特征，这需要在数据集构建和检测架构方面进行针对性设计。

基于上述研究进展，并应对智能基础设施安全管理系统日益增长的需求[12], [39]，本研究提出了基于HSP-DETR的路基挡墙智能裂缝检测方法。在检测输出的基础上，进一步探索了一条检测驱动的路径，将裂缝信息转化为维护优先级指示，为资源受限条件下优先安排检查与维修提供可复现的支持。主要贡献包括：

(1) 极端天气条件下路基挡墙裂缝的专用数据集。该数据集包含四种环境条件（正常、雨天、雾霾和雪天），支持在不同天气场景下进行算法训练与性能评估。

(2) HSP-DETR渐进检测架构。所提出的网络采用三阶段方法，通过分层边缘增强、稀疏语义注意力和渐进多尺度融合来解决特征退化问题，提高了模型在复杂环境下的裂缝检测性能与场景适应性。

(3) 一种检测驱动的初步风险优先级评分方法，用于维护优先级排序。作为检测方法的面向应用扩展，该方法利用基于天气的校正对四个关键因素（数量、质量、空间分布和尺寸）进行建模，建立了一条从智能检测到维护优先级排序的可复现路径。

方法章节摘要
方法
本研究提出了HSP-DETR，一个基于RT-DETR的极端天气条件下裂缝检测的鲁棒框架。该系统由四个核心模块协同工作（图1）。具体而言，该框架采用分层多尺度边缘增强网络（HMENet）作为骨干网络进行边缘增强特征学习，通过在8×、16×和32×下采样处聚合图像金字塔特征与增强的边缘信息[P3, P4, P5]。随后将这些特征发送至

数据集采集
本研究采用DJI Mavic 3E Enterprise无人机进行数据采集，关键技术规格详见表1。如图7所示，通过改变地面采样距离（GSD：0.15–1.2 mm/像素），规划了三级距离采集流程，用于从精细裂缝检测到整体结构评估的多尺度数据采集。考虑到挡墙的结构，确定了飞行高度。对于较高海拔的结构，采用步进飞行扫描方法

实验配置与环境设置
所有实验均在运行Python 3.8.18和PyTorch 1.13.1的Windows 11服务器上实现。硬件包括AMD EPYC 9654 CPU（96核）、配备24 GB内存的NVIDIA RTX 4090 GPU以及总计192 GB RAM。实现基于Ultralytics框架（v8.0.201）。训练进行了600个epoch，输入分辨率为640 × 640，批次大小为8，四个数据加载工作线程。采用AdamW作为优化器，初始学习率为1 × 10??

基于检测结果的多维风险优先级评分方法
为探索检测结果在损伤分析和维护优先级中的应用，本章构建了一种基于HSP-DETR检测输出的风险优先级评分方法。传统挡墙损伤分析将检测与风险判断视为独立过程，存在信息传输损失、强主观性和标准不统一的问题。所提出的方法实现了HSP-DETR智能检测与风险优先级评分的深度融合，

结论
本研究解决了极端天气条件下路基挡墙裂缝检测精度下降的关键挑战，提出了基于HSP-DETR的智能检测方法，并进一步探索了从检测到维护优先级的应用路径。主要研究贡献总结如下：

(1) 建立了包含四种典型环境条件的极端天气条件下路基挡墙裂缝专用数据集

CRediT作者贡献声明
张俊辉：写作 – 审阅与编辑，写作 – 原稿撰写，软件，方法论，调查，资金获取，形式分析，概念化。刘丽燕：写作 – 审阅与编辑，验证，调查，资金获取，形式分析，数据整理。杨浩：写作 – 审阅与编辑，监督，资源，项目管理，方法论，资金获取，概念化。南国顺：写作 – 审阅与编辑，验证，方法论

资金
作者披露了以下对本研究、作者身份和/或本文发表的财务支持：本研究工作由国家重点研发计划（项目编号：2024YFB2605500）、国家自然科学基金（项目编号：52478443）、湖南省自然科学基金创新研究群体科学基金（项目编号：2024JJ1001）、湖南省自然科学基金（项目编号：

利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

张俊辉|刘丽燕|杨浩|南国顺|王秀苗|郭凯莉|刘仲贤