| 摘要: |
| 为了克服传统人工目测法的缺陷,提出针对隧道衬砌裂缝特征的改进YOLOv7算法模型TLC YOLO (Tunnel Lining Crack YOLO).对比4类骨干网络对隧道衬砌裂缝的检测效果,认为复杂环境下的裂缝检测存在强背景干扰、训练样本质量不平衡等问题,使用轻量级卷积GSConv和Slim neck架构,嵌入动态稀疏注意力模块BiFormer加强通道信息传输,提高TLC YOLO模型的实时反应速度和检测精度,实现更灵活的计算分配和内容感知.为较好地训练样本分配梯度和抑制较差的训练实例,采用Wise IoU v3作为坐标回归损失函数来提高模型的泛化能力.结果表明:通过自建隧道衬砌裂缝数据集训练之后,与YOLOv7相比,在多组试验中TLC YOLO 模型能同时提高隧道裂缝检测结果的准确率、召回率、F1 值和mAP@0.5 值,证明TLC YOLO模型在隧道衬砌裂缝智能识别中具有更好的检测和分类能力. |
| 关键词: 隧道衬砌裂缝 深度学习 目标检测 GSConv BiFormer Wise - IoU v3 损失 |
| DOI： |
| 分类号:U457 |
| 基金项目:国家自然科学基金资助项目(52078211);湖南省交通运输厅科技进步与创新项目(202308) |
|
|
|
|
| Abstract: |
|
| Key words: |
