基于改进YOLOv4的隧道衬砌裂缝检测算法

摘要：

针对传统隧道衬砌裂缝检测手段中存在的检测精度低、泛化能力差、检测速度慢的问题,对YOLOv4目标检测算法进行改进:引入Mosaic数据增强技术对输入图片数据进行预处理;采用轻量级网络MobilenetV3取代CSPDarknet53作为YOLOv4神经网络的主干特征提取网络;将YOLOv4网络中卷积核大小为3×3的标准卷积替换为深度可分离卷积.为验证改进后算法的有效性和可靠性,采用Faster-RCNN、SSD、YOLOv3、YOLOv4四种算法进行对比验证分析,结果表明:该算法在检测性能方面表现优异,测试集的平均精度为78.05％,精确率以及召回率的加权调和平均值为84.44％,均高于其余四种算法.在模型大小方面,该算法模型的大小仅为55.1 MB,相对于原始YOLOv4模型压缩了 78.0％,且远小于Faster-RCNN、SSD、YOLOv3模型.此外,该算法的单张图片的检测时间为23.75 ms,每秒帧数为42.1帧/s,很好地满足了隧道衬砌裂缝进行实时检测时移动设备对帧率的要求.且算法泛化能力良好,能够较为准确的对不同光照和复杂背景条件下的裂缝进行检测并标记.基于提出的改进YOLOv4算法构建隧道衬砌裂缝检测平台,实现对实际隧道工程中衬砌裂缝的准确、快速、智能化识别.

关键词：隧道工程、衬砌裂缝、目标检测、YOLOv4、深度学习、神经网络

所属期刊栏目：45

分类号：U455(隧道工程)

资助基金：国家自然科学基金;湖南省自然科学基金项目

在线出版日期：2023-11-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：162-170