基于混合局部通道注意力机制的道路裂缝检测模型

刘如飞; 刘兆旭; 任红伟; 苏占文; 丛波日

doi:10.12404/j.issn.1671-1815.2501712

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (6) :2484-2492 DOI: 10.12404/j.issn.1671-1815.2501712

自动化技术、计算机技术

基于混合局部通道注意力机制的道路裂缝检测模型

刘如飞 ¹ ,
刘兆旭 ¹ ,
任红伟 ² ,
苏占文 ¹ ,
丛波日 ³

作者信息 +

Road Crack Detection Model Based on MLCA

Author information +

文章历史 +

摘要

为解决现有道路裂缝检测模型精度低、易漏检误检等问题,提出了一种基于混合局部通道注意力机制的YOLOv10n道路裂缝检测模型。针对道路裂缝细长且不规则的形状特点,首先在模型特征提取网络引入混合局部通道注意力机制(mixed local channel attention, MLCA),增强模型对道路裂缝特征的提取能力;其次,采用重参数化泛化特征金字塔网络(reparameterized generalized feature pyramid network,RepGFPN)优化原始颈部网络,充分融合多尺度下的裂缝特征信息;最后使用Focaler-IoU替换CIoU损失函数,调整模型训练不同裂缝样本的权重,加快收敛速度。在RDD2022_China数据集上的实验结果表明,改进后的模型相较于原始YOLOv10n模型检测准确率提升4.4%,平均精度均值(mean average precision, mAP)提高2.9%。与其他主流目标检测模型相比,改进后的模型在准确率、召回率和计算成本等方面均展现出最佳性能,验证了本文方法在道路裂缝检测任务中的有效性和优越性。

Abstract

In order to solve the problems of low accuracy of the existing road crack detection model and easy to miss and misdetect, a road crack detection model based on MLCA yolov10n was proposed. In view of the slender and irregular shape of road cracks, MLCA (mixed local channel attention) was introduced into the model feature extraction network to enhance the extraction capability of the model for road crack features. Secondly, RepGFPN (reparameterized generalized feature pyramid network) was used to optimise the original neck network to fully integrate the crack feature information at multiple scales. Finally, the Focaler-IoU was used to replace the CIoU loss function and adjust the weights of different crack samples for model training to speed up the convergence. Experimental results on the RDD2022_China dataset show that the improved model improves detection accuracy by 4.4% and mAP(mean average precision) by 2.9% compared to the original YOLOv10n model. Compared with other mainstream target detection models, the improved model demonstrates the best performance in terms of accuracy, recall and computational cost, which validates the effectiveness and superiority of this paper’s method in road crack detection tasks.

Graphical abstract

关键词

道路裂缝 / YOLOv10n / 特征提取 / 混合局部通道注意力机制 / 重参数化泛化特征金字塔网络

Key words

road cracks / YOLOv10n / feature extraction / MLCA / RepGFPN

引用本文

引用格式 ▾

刘如飞, 刘兆旭, 任红伟, 苏占文, 丛波日. 基于混合局部通道注意力机制的道路裂缝检测模型[J]. 科学技术与工程, 2026, 26(6): 2484-2492 DOI:10.12404/j.issn.1671-1815.2501712

LIU Ru-fei, LIU Zhao-xu, REN Hong-wei, SU Zhan-wen, CONG Bo-ri. Road Crack Detection Model Based on MLCA[J]. Science Technology and Engineering, 2026, 26(6): 2484-2492 DOI:10.12404/j.issn.1671-1815.2501712

登录浏览全文

4963

注册一个新账户忘记密码

随着中国公路网络的不断扩展和日常使用,及时发现并修复道路裂缝、确保车辆行驶安全变得至关重要。早期道路裂缝检测主要依靠人工进行,不但时间和人工成本消耗较高^[1],且易受到人为因素影响,检测精度不稳定。随着计算机技术的广泛应用,基于传统图像处理和机器学习方法逐渐应用到道路裂缝监测领域如基于阈值的分割方法^[2]、边缘检测方法^[3]、支持向量机方法^[4]、数字图像方法^[5]等。但传统方法的泛化能力以及对复杂场景的适应能力存在着一定的不足。

随着深度学习方法的快速发展,目标检测模型被学者广泛应用于道路、墙体、桥梁等领域的病害检测中。目标检测模型主要分为两阶段和单阶段模型,两阶段目标检测模型以R-CNN、Faster R-CNN为代表。陈利琼等^[6]通过融合通道注意力机制、优化残差块结构,并引入ROI Align技术,显著提高Faster R-CNN模型对于焊缝缺陷检测的精度和鲁棒性。张晓华等^[7]针对Mask R-CNN特征提取进行改进,通过融合浅层和深层的多尺度特征,提高模型的道路裂缝细节信息提取能力。

单阶段目标检测模型以SSD和YOLO系列为代表,该类模型摒弃候选区域生成,在回归过程中直接对目标提取特征,有效提升检测效率。Su等^[8]优化YOLOv3模型检测层和损失函数,提高模型在复杂背景下的混凝土桥梁病害检测准确率。Han等^[9]改进YOLOv5检测头部并引入CBAM注意力机制,使模型更多地关注重要信道和空间位置。Guo等^[10]设计BiFPN-D颈部结构,使模型特征感知能力得到增强并减少参数数量。Liu等^[11]通过无监督生成式对抗神经网络,显著改善模型查准率和查全率之间的不平衡问题。Yang等^[12]将加权双向金字塔结构融入模型中,在保持模型实时响应能力的同时提高检测精度。Ma等^[13]借鉴BIFPN的思想改进模型,提高特征信息的重用率。原洪帅等^[14]通过尺度序列特征融合模块、三重特征编码器模块等方法改进YOLOv8n模型,有效提高裂缝检测精度。谢国波等^[15]将深度可分离卷积和无参注意力机制融入YOLOv7-tiny,提升模型对小目标病害检测能力。宣以国等^[16]使用可变形卷积与NWD距离来提高YOLOv7对于裂缝和坑槽的检测精度。姚庆安等^[17]通过蛇形动态卷积和多尺度注意力机制等方法优化YOLOv8n算法,提升裂缝检测精度的同时降低计算成本。朱伟刚等^[18]通过引入多种注意力机制和自适应空间特征融合算法优化YOLOv5模型。刘云清等^[19] 提出了一种基于新模块的U-Net模型,提升模型对于裂缝检测的精度和鲁棒性。

现有道路裂缝检测模型能够检测出常见的道路裂缝,但没有充分利用道路裂缝边缘信息和跨尺度特征信息,导致小尺度裂缝检测精度较低。针对上述问题,现基于YOLOv10n模型进行改进,首先在特征提取网络引入MLCA注意力机制,增强模型对于边缘特征提取能力,其次使用RepGFPN优化模型颈部结构,通过跨尺度特征融合减少小尺度特征信息的丢失,最后将Focaler-IoU作为损失函数,提升模型对小尺度和边缘目标的边界框回归精度,以达到提升裂缝检测准确率的目的。

1 研究方法

1.1 改进的YOLOv10n模型

为增强道路裂缝检测模型在道路裂缝检测任务的准确率,以YOLOv10n模型为基础开展研究,改进后的模型整体结构如图1所示。

首先将MLCA注意力机制融入到模型特征提取网络,构建C2f_MLCA模块,帮助模型聚焦于裂缝细长处这类关键区域,增强模型的特征提取能力;其次使用RepGFPN对颈部结构进行优化,将不同尺度下的特征图进行交互融合,使模型能够更加精准地捕捉高层语义和低层空间细节,提升模型对小尺度裂缝的特征融合能力;最后,将原损失函数替换为Focaler-IoU损失函数,区分预测框与目标框之间的相对位置关系,使模型学习难以检测的裂缝区域,从而提高检测的准确率。

1.2 混合局部通道注意力

注意力机制作为计算机视觉领域被应用最广泛的组件之一,可以帮助模型更好地关注重要元素并抑制不相关元素。为提升模型对细长状裂缝特征的提取能力,在C2f模块引入轻量级的混合局部通道注意力,构建C2f_MLCA模块,该模块能够同时结合局部与全局特征,以及通道信息和空间特征信息,增强模型对于长距离裂缝特征的捕捉。MLCA的结构如图2所示。

MLCA通过局部平均池化和全局平均池化将输入的特征图(C,W,H)转换为两组单通道向量,其中C为通道数表示不同类型标签,W为特征图的宽度,H为特征图的高度。第一组分支(1,1,C)包含全局信息,第二组分支(1,1,C×k_s×k_s)包含局部信息,其中k_s为特征图在W或H维度上的分块数量。局部池化后的特征使用一维卷积(Conv1d)进行重新排序,通过“乘法”操作与原始输入特征结合,强化对道路裂缝有效特征的关注。全局池化后的特征经过Conv1d与重新排列后,通过“加法”操作与局部池化特征相结合,融合全局上下文信息。最后经过反池化操作,使特征图恢复到原始的空间维度。MLCA模块能够在保持计算效率的同时,增强模型对于裂缝有效特征的捕捉能力。通过局部和全局层面上结合通道和空间注意力,提高模型对细长状裂缝检测精度。

1.3 重参数化泛化特征金字塔网络

为提升模型对于小尺度裂缝的检测精准度,使用重参数化泛化特征金字塔网络(RepGFPN)构成新的颈部网络结构。RepGFPN结构如图3所示。RepGFPN是DAMO-YOLO框架中应用于实时目标检测的新方法,RepGFPN改善了用于目标检测的特征金字塔网络的概念,通过增强网络特征的交互,优化基于卷积的跨尺度特征融合,使其更适合于目标检测模型。

RepGFPN在专注于保证高精度的同时优化计算成本,通过控制不同尺度中的通道数量,高效捕捉裂缝特征图的高层语义和低层空间细节,避免特征图中小尺度裂缝的信息丢失,并在queen-fusion中去除额外的上采样操作以减少延迟。融合块(Fusion Block)是RepGFPN网络的主要模块,该模块中的Simplify Rep 3×3模块在训练时使用3×3卷积,在推理时使用简化的1×1卷积,以达到提升整体效率的目的,Fusion Block结构如图4所示。

1.4 Focaler-IoU损失函数

YOLOv10n模型采用CIoU损失函数,CIoU在考虑预测框与真实框的重叠区域的基础上,融入中心点距离和纵横比这两个重要的几何因素,使其能够全面地评估预测框与真实框的匹配程度。但在裂缝检测回归任务中,裂缝预测框的宽高调整通常不是同时增加或减少,直接调整参数αv并不能直接反映道路裂缝真实的宽高差异及置信度,α为权重参数,v为预测框和真实框的宽高比相似度。当参数收敛到预测框与真实框在宽度和高度上的线性比例时,可能会限制模型进一步优化相似度的能力。

CIoU的计算公式为

(1)

${L}_{\mathrm{C}\mathrm{I}\mathrm{o}\mathrm{U}}=1-\mathrm{I}\mathrm{o}\mathrm{U}+\frac{{\rho }^{2}(b,{b}^{\mathrm{g}\mathrm{t}})}{{c}^{2}}+\alpha v$

式(1)中:L_CioU为CIoU损失函数;IoU为交并比;ρ²(b,b^gt)为两个中心点之间的欧氏距离;c为最小包围框的对角线距离。

道路裂缝形态各异,主要以单一方向的单条裂缝为主,少部分裂缝为分叉形态。导致模型偏向于学习某些固定裂缝样本特征,忽略某些特殊裂缝样本的特征,进而影响模型检测精度。为提升模型聚焦不同裂缝样本能力,使用Focaler-IoU损失函数代替CIoU损失函数,该损失函数能够关注不同难度的数据样本,动态调整样本权重以优化回归性能。Focaler-IoU结合了IoU和Focal Loss的思想,通过引入一个可学习的关注因子来调整不同样本的权重。在训练过程中,关注因子会根据回归结果动态调整,使得回归器更加关注那些对定位精度影响较大的样本。

(2)

$\mathrm{I}\mathrm{o}{\mathrm{U}}^{\mathrm{f}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{e}\mathrm{r}}=\left\{\begin{array}{ll}0,& \mathrm{I}\mathrm{o}\mathrm{U}<d\\ \frac{\mathrm{I}\mathrm{o}\mathrm{U}-d}{u-d},& d\le \mathrm{I}\mathrm{o}\mathrm{U}\le u\\ 1,& \mathrm{I}\mathrm{o}\mathrm{U}>u\end{array}\right.$

式(2)中:IoU^focale为Focaler-IoU损失函数;u为上限阈值;d为下限阈值;[u,d]∈[0,1]。

2 实验准备与评价指标

2.1 实验数据集

实验数据为RDD2022_China数据集。该数据集分为两部分:China_M和China_D。China_M由摩托车上装置智能手机拍摄得到,China_D由无人机搭载摄像头拍摄得到。数据集中有5种标签,分别是纵向裂缝、横向裂缝、网状裂缝、坑洞、修复。道路坑槽周围往往伴随裂缝产生,修复则是使用沥青材料对道路裂缝进行灌封,其形状与裂缝相似,因此保留坑槽和修复数据。将数据按照7∶2∶1的比例进行划分,其中训练集包括3 410 张图片,验证集包括963 张图片,测试集包括505 张图片。标签数量及数据集示例图如表1和图5所示。

2.2 实验评价指标

为全面评估道路裂缝检测模型的准确性指标,使用准确率(precision, P)、召回率(recall, R)和mAP作为模型性能评价指标,使用模型参数量(params)作为计算成本指标。

(3)

$P=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100\mathrm{\%}$

(4)

$R=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

(5)

$mAP=\frac{1}{c}\stackrel{c}{\sum _{n=1}}{\int }_{0}^{1}P\left(R\right)\mathrm{d}R\times 100\mathrm{\%}$

式中:TP为被模型预测为正类的正样本;FP为被模型预测为正类的负样本;FN为被模型预测为负类的正样本;c为总类别数量;n为模型检测次数。

3 实验与分析

实验均基于Windows10 64位系统、Python 3.9、深度学习Pythorch1.14.0框架,cuda11.8,计算机配置为CPU Intel(R) Core(TM) i7-14700KF、GPU为NVIDIA GeForce 3090显卡和运行内存64 G的条件下进行。通过PyCharm开发环境训练与测试。训练参数:输入图像分辨率采用512×512,训练轮数(epoch)为200,批次大小(batch)设置为16,其他参数采用默认值。

3.1 对比试验

为验证改进后的模型在道路裂缝检测任务中的有效性,通过实验将改进后的模型与当前主流目标检测模型进行对比,对比模型包括:Faster R-CNN、YOLOv5s、YOLOv8n模型和基础模型YOLOv10n。在RDD2022_China数据集上进行实验对比,各模型实验结果对比如表2所示。

从表2中可以看出,改进后的模型在RDD2022_China数据集上表现的P、R和mAP均达到最优效果,同时参数量也有略微的减少。相较于基线YOLOv10n模型,P、R和mAP分别提升4.4%、3.4%和2.9%。经实验结果验证,通过MLCA注意力机制、RepGFPN颈部网络和Focaler-IoU损失函数来优化YOLOv10n模型,能够帮助模型更加准确地捕获特征图中细小裂缝的图像特征,从而精准识别裂缝,达到提升检测精度的效果。

3.2 消融实验

为了进一步评估改进后模型相较于YOLOv10n模型的提升效果,通过设置消融实验的方法验证各模块对模型整体的增益情况。消融实验共分为4组,消融实验结果如表3所示。

组别1是原始模型,组别2是在模型特征提取网络中的C2f模块引入MLCA注意力机制,旨在帮助模型能够聚焦于重要元素,提升对细小裂缝特征的提取能力,通过表3可以看出,模型各项精度指标得到了有效提升,说明MLCA注意力机制能够帮助模型准确识别目标。组别3是在组别2的基础上使用RepGFPN网络优化YOLOv10n模型的颈部网络结构,模型的R和mAP得到了一定的提升,表明RepGFPN网络在下采样的过程中能够有效促进高层语义和低层空间特征融合,进而提升模型检测准确率。组别4是在组别3的基础上将CIoU替换为Focaler-IoU损失函数,最终改进后的模型mAP值为87.1%,相较于YOLOv10n模型提升2.9%。本文方法能够在略微降低计算成本的情况下,使模型各项精度指标得到有效提升。

为了更加直观地体现改进后的模型对于特征提取的能力,采用Grad CAM技术分别绘制YOLOv10n与改进模型在下采样阶段的热力图进行可视化分析,通过观察热力图的亮度分布能够直观地反映出模型对裂缝区域的关注程度,如图6所示。从图6可以看出改进后的模型在图像的裂缝区域具有更高的关注度,进一步证实了改进后的模型能够更加准确的对路面裂缝特征进行提取。

3.3 泛化实验

为测试训练完成后模型的泛化能力,依托基金项目使用搭载高分辨率工业摄像头的道路巡检车采集疏港高速灵珠山至隐珠收费站(K8~K22)双向车道路图像,如图7所示。按照每5帧取1帧作为道路图像数据,经过人工检查道路图像发现该段道路行车车道路况较为健康,但应急车道病害较多,并根据模型训练数据集图像大小作为参考,将图像中应急车道处进行裁剪,使用训练完成后的YOLOv10n模型和改进模型分别对图像进行检测,如图8和图9所示。

结果。图8(a)和图8(b)中将纵向裂缝错识别为横向裂缝,图9(a)和图9(b)检测正确。图8(c)中未能检测出图像下方的长条状修补,图9(c)能够检测出长条状修补。图8(d)中检测出纵向裂缝,但检测结果置信度偏低,并且检测框较大。图9(d)中的检测框紧贴纵向裂缝区域,检测结果的置信度为0.68,相较于图8(d)中的0.34置信度高出一倍。以上结果说明改进模型相较于基础模型在实际检测中拥有更高的可用性。

但改进模型在实际应用中还存在着一定的问题,受道路阴影干扰,模型将道路阴影检测为修补,如图10所示。说明改进模型在受到外界因素干扰时可能会发生错识别情况,后续需要在模型抗干扰能力方面做出一定的改进。

3.4 可视化分析

为了更加直观地反映模型改进后在实际检测中的效果,分别使用Faster R-CNN、YOLOv5s、YOLOv8n、YOLOv10n以及改进模型在RDD2022_China数据集上的测试集进行检测,检测效果对比图如图11所示。从图11(a)中可以看出,Faster R-CNN未识别出图像中部的纵向裂缝并且出现了误识别情况,YOLOv5s、YOLOv8n和YOLOv10n识别出了图中纵向裂缝但存在漏识别。从图11(b)中可以看出,Faster R-CNN存在修补部分未识别的情况,图中左侧断连的条状修补YOLOv5s、YOLOv8n和YOLOv10n均出现漏识别。从图11(c)可以看出,改进的模型对于图像内远距离裂缝的识别效果优于其他4个模型,其余模型均漏识别图像上方的裂缝。图11(d)左侧的细小状纵向裂缝除Faster R-CNN和改进模型外均漏识别。以上结果验证了本文模型拥有更高的裂缝检测准确度。

4 结论

及时的道路裂缝检测能够有效延长道路使用寿命,目前大部分基于图像的道路裂缝检测模型在面对细长状与小尺度裂缝存在着一定的不足。提出了一种基于改进YOLOv10n的模型,得到以下结论。

(1)将MLCA注意力机制融入模型特征提取网络中能够增强模型对于目标的关注度,有效提高对于道路裂缝的特征提取能力。

(2)使用RepGFPN网络对颈部网络进行优化,通过交互融合不同尺度下的特征图信息,减少特征传播过程中信息的丢失,从而增强模型对于小尺度裂缝检测准确度。

(3)Focaler-IoU损失函数通过可学习关注因子,动态调整不同样本权重,加快模型收敛速度,提升模型在复杂裂缝检测下的表现。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Zhou Y, Guo X M, Hou F J, et al. Review of Intelligent Road Defects Detection Technology[J]. Sustainability, 2022, 14(10). DOI:10.3390/su14106306.

[2]	Quan Y W, Sun J, Zhang Y, et al. The method of the road surface crack detection by the improved OTSU threshold[C]// International Conference on Mechatronics and Automation. New York: IEEE,2019: 1615-1620.

[3]	Yaacoub C, Daou R A Z. Fractional order sobel edge detector[C]//Ninth International Conference on Image Processing Theory, Tools and Applications. New York: IEEE, 2019: 1-5.

[4]	Chen F C, Jahanshahi M R, Wu R T, et al. A texture-based video processing methodology using Bayesian data fusion for autonomous crack detection on metallic surfaces[J]. Computer-Aided Civil and Infrastructure Engineering, 2017, 32(4): 271-287.

[5]	Shen G. Road crack detection based on video image processing[C]//3rd International Conference on Systems and Informatics. New York: IEEE, 2016: 912-917.

[6]	陈利琼, 梅后金, 胡洪宣, 等. 基于改进Faster R-CNN的焊缝缺陷检测方法[J]. 科学技术与工程, 2025, 25(5): 2027-2033.

[7]	Chen Liqiong, Mei Houjin, Hu Hongxuan, et al. Weld defect detection based on improved faster R-CNN method[J]. Science Technology and Engineering, 2025, 25(5): 2027-2033.

[8]	张晓华, 李小龙, 艾金泉, 等. 复杂背景下基于改进Mask R-CNN的路面裂缝检测算法[J]. 北京测绘, 2024, 38(3): 431-436.

[9]	Zhang Xiaohua, Li Xiaolong, Ai Jinquan, et al. Road crack detection algorithm based on improved Mask R-CNN in complex backgrounds[J]. Beijing Surveying and Mapping, 2024, 38(3): 431-436.

[10]	Su H, Kamanda D B, Guo C, et al. Enhanced YOLOv3 for precise detection of apparent damage on bridges amidst complex backgrounds[J]. Scientific Reports, 2024, 14(1): 8627.

[11]	Han Z Q, Jun Gand Yu Q. RDDS: road disease detection model based on YOLOv5[C]// IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems. New York: IEEE, 2024: 511-516.

[12]	Guo J B, Wang S H, Chen X H, et al. QL-YOLOv8s: precisely optimized lightweight YOLOv8 pavement disease detection model[J]. IEEE Access, 2024, 12: 128392-128403.

[13]	Liu C, Yao Y S, Li J, et al. Research on lightweight GPR road surface disease image recognition and data expansion algorithm based on YOLO and GAN[J]. Case Studies in Construction Materials, 2024, 20.DOI: 10.1016/j.cscm.2023.e02779.

[14]	Yang X L, Sheng H, Geng N, et al. Research on road disease detection algorithm based on improved YOLOv5s[C]// 6th International Conference on Electronics and Communication, Network and Computer Technology. New York: IEEE, 2024: 305-309.

[15]	Ma M Y, Song S C, Li H X, et al. Research on road crack detection in complex background based on MFF-YOLO[C]// 4th International Conference on Neural Networks, Information and Communication Engineering. New York: IEEE, 2024: 919-924.

[16]	原洪帅, 李琦, 王月明. 基于YOLO-CD的路面裂缝检测[J]. 科学技术与工程, 2025, 25(9): 3888-3895.

[17]	Yuan Hongshuai, Li Qi, Wang Yueming. Road crack detection based on YOLO-CD[J]. Science Technology and Engineering, 2025, 25(9): 3888-3895.

[18]	谢国波, 林松泽, 林志毅, 等. 基于改进YOLOv7-tiny的道路病害检测算法[J]. 图学学报, 2024, 45(5): 987-997.

[19]	Xie Guobo, Lin Songze, Lin Zhiyi, et al. Road defect detection algorithm based on improved YOLOv7 tiny[J]. Journal of Grap-hics, 2024, 45(5): 987-997.

[20]	宣以国, 余成波, 蒋启超, 等. 基于改进YOLOv7的道路裂缝和坑洞检测算法[J]. 科学技术与工程, 2024, 24(17): 7205-7213.

[21]	Xuan Yiguo, Yu Chengbo, Jiang Qichao, et al. Improved YOLOv7 road crack and pothole detection algorithm[J]. Science Technology and Engineering, 2024, 24(17): 7205-7213.

[22]	姚庆安, 王友刚, 冯云丛, 等. 融合动态蛇卷积的YOLOv8道路裂缝检测[J]. 科学技术与工程, 2025, 25(12): 5083-5092.

[23]	Yao Qingan, Wang Yougang, Feng Yuncong, et al. YOLOv8 road crack target detection method integrating dynamic snake convolution[J]. Science Technology and Engineering, 2025, 25(12): 5083-5092.

[24]	朱伟刚, 汪伦, 陈田, 等. 基于改进YOLOv5的无人机影像道路裂缝检测方法[J]. 测绘通报, 2024(3): 173-178.

[25]	Zhu Weigang, Wang Lun, Chen Tian, et al. UAV image road crack detection method based on improved YOLOv5[J]. Bulletin of Surveying and Mapping, 2024(3): 173-178.

[26]	刘云清, 吴越, 张琼, 等. 基于可分离卷积与小波变换融合的道路裂缝检测[J]. 计算机科学, 2024, 51(S2): 314-322.

[27]	Liu Yunqing, Wu Yue, Zhang Qiong, et al. Road crack detection based on separable convolution and wave transform fusion[J]. Computer Science, 2024, 51(S2): 314-322.