基于 YOLO26n 的混凝土表面劣化检测与分类：一种人工智能驱动的方法

《Scientific Reports》：Concrete surface deterioration detection and classification using YOLO26n: an AI-driven approach

　　

摘要

一套高效可靠的混凝土表面劣化分类与检测系统，对于及时维护和延长混凝土结构的使用寿命至关重要。传统的传统人工检测方法耗费大量人力、耗时较长且容易出错，可能导致修复延迟和维修成本增加。本研究提出了一种基于人工智能的方法，采用 You Only Look Once 26 Nano（YOLO26n）模型，自动检测并分类多种混凝土表面劣化类型，包括钢筋外露、锈迹、剥落、崩落、裂缝和泛碱。本研究使用了包含 6,806 张图像的数据集，这些数据来自公开可获取的来源，并经人工标注，按 80%、10%、10% 的比例划分为训练集、验证集和测试集。为增强模型的鲁棒性和泛化能力，采用了多种数据增强技术，如缩放、平移和颜色抖动。该模型基于 Ultralytics YOLO 框架实现，并采用精确率、召回率、F1 分数和平均精度均值（mAP）对其进行评估。实验结果表明，YOLO26n 模型达到了 95.8% 的精确率、97.7% 的召回率、0.967 的 F1 分数、98.9% 的 mAP@50 以及 85.5% 的 mAP@50–95。这些结果表明该模型具有出色的检测精度和定位性能，优于传统人工检测方法以及 YOLOv5n、YOLOv8n、YOLO11n 和 YOLO12n 等现有深度学习模型。该自动化系统显著缩短了检测时间，提高了检测一致性，并使基础设施维护更加高效和经济。