改进YOLOv5的公路隧道衬砌裂缝检测
DOI:
作者:
作者单位:

1.山东大学齐鲁交通学院;2.山东高速股份有限公司;3.山东高速工程检测有限公司;4.山东省工业技术研究院

作者简介:

通讯作者:

中图分类号:

TP 391.41

基金项目:

山东省自然科学基金 (No. ZR2021QE279); 山东省泰山学者工程资助(No.tstp20221153);山东省自然科学基金 (No. ZR2022DKX001)。


Highway Tunnel Lining Crack Detection Based on Improved YOLOv5
Author:
Affiliation:

1.School of QILU Transportation, Shandong University;2.Shandong Hi-speed Company Limited;3.Shandong Hi-speed Engineering Test Co, Ltd

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    高效、准确的衬砌裂缝检 测可以为评估隧道结构安全提供依据。针对传统裂缝检测方法复杂和泛化能力弱的缺点,提出了一种基于深度学习的隧道衬砌裂缝检测网络YOLOv5-CT。考虑到裂缝细长的形态,网络引入了Transformer模块来改善裂缝检测效果。Transformer模块较强的长距离依赖捕捉能力使得所提出的检测模型能够充分学习到裂缝区域的上下文信息。此外,该网络在特征融合部分还集成了卷积注意力机制CBAM。在自采集数据集上的试验结果表明:YOLOv5-CT的AP50和AP分别可以达到85.2%和51.3%,相比于基线模型YOLOv5提高了8.9%和12.1%,在精度上优于YOLOX、YOLOv3-MobileNet等其他单阶段目标检测网络。在像素条件下推理速度达到161.3fps,可以实现隧道衬砌裂缝实时检测。

    Abstract:

    Efficient and accurate crack detection can provide a basis for assessing the structural safety of tunnels. Aiming at the shortcomings of traditional crack detection methods, which are complex and weak in generalization ability, an improved algorithm YOLOv5-CT for tunnel lining crack detection is proposed.Considering the slender morphology of the cracks, the network introduces the Transformer module to improve the crack detection effect.The strong long-range dependency capture ability of the Transformer module enables the proposed detection model to fully learn the contextual information of the crack region. In addition, the network integrates the convolutional attention mechanism CBAM in Neck.The experiment shows that the AP50 of YOLOv5-CT can reach 85.2%, which exceeds the YOLOv5 model by 8.9%. It is better than other one-stage object detection networks in terms of accuracy, and the inference speed reaches 161.3fps under pixel conditions, which meets real-time detection of tunnel lining cracks.

    参考文献
    相似文献
    引证文献
引用本文

鲁冠宏,吕成顺,田隽,等. 改进YOLOv5的公路隧道衬砌裂缝检测[J]. 科学技术与工程, , ():

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2023-11-24
  • 最后修改日期:2024-07-08
  • 录用日期:2024-07-09
  • 在线发布日期:
  • 出版日期:
×
亟待确认版面费归属稿件,敬请作者关注
《科学技术与工程》入选维普《中文科技期刊数据库》自然科学类期刊月度下载排行榜TOP10