基于YOLO框架的隧道衬砌表观病害智能识别OA

为提高隧道衬砌裂缝、渗漏水、起皮、掉块等表观病害智能检测效率及准确度,该文采用YOLO框架,结合主干信息共享与特征自适应加权融合机制提出一种衬砌表观病害检测网络(lining apparent defect detection network,LADDNet)。首先,采用轻量化ShuffleNet、GhostNet辅助CSPNet构建三分支特征协同提取网络,以实现不同主干间信息的传递共享;其次,设计并提出一种注意力集成多感受野特征自适应融合(attention-integrated multi-receptive field adaptive fusion,AMFAF)模块,通过并行多感受野卷积及注意力加权实现对主干输出特征的自适应融合;最后,引入基于注意力的尺度内特征交互(attention-based intra-scale feature interaction,AIFI)模块和自适应特征融合检测头(adaptively spatial feature fusion head,ASFF-Head)以提高算法对多尺度特征的表征能力,并完成整体框架的端到端检测。实验结果表明:LADDNet在验证集推理中获得的F1分数为0.831,mAP@0.5为0.848,mAP@0.5:0.95为0.595,精度指标高于对比模型检测结果;LADDNet的推理时间、参数量和浮点运算数分别为:9.2ms、14.07×10~6和21.4×10~9,相较RT-DETR能够展现出更优的检测速率。