摘" 要：近年來，中國(guó)橋梁建設(shè)空前發(fā)展，橋梁安全運(yùn)維問題日益凸顯。文章提出一種基于YOLOv8的裂縫檢測(cè)模型YOLOv8-BC，該模型采用GhostConv對(duì)HGNetv2改進(jìn)后的結(jié)構(gòu)替換YOLOv8的主干網(wǎng)絡(luò)，實(shí)現(xiàn)模型輕量化；引入可變形注意力機(jī)制DAttention，獲得更多的空間信息；使用基于輔助邊框的Inner-iou損失函數(shù)替代CIOU損失函數(shù)，提高模型的泛化能力和檢測(cè)精度。在自建數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明YOLOv8-BC模型準(zhǔn)確率達(dá)到了95.3%，mAP50達(dá)到了95.9%，相較于YOLOv8s模型分別提高了2.3%和2.0%，同時(shí)參數(shù)量降低了15.3%。這表明YOLOv8-BC模型能夠更高效地檢測(cè)復(fù)雜環(huán)境下的橋梁裂縫，為工業(yè)檢測(cè)提供了重要思路和技術(shù)支持。

關(guān)鍵詞：橋梁裂縫；目標(biāo)檢測(cè)；注意力機(jī)制；YOLOv8；圖像處理

中圖分類號(hào)：U446" " 文獻(xiàn)標(biāo)志碼：A

DOI：10.13714/j.cnki.1002-3100.2025.01.016

Abstract： In recent years， the bridge construction in China has developed unprecedentedly， and the problem of bridge safety operation and maintenance has become more and more prominent. In this paper， we propose a crack detection model YOLOv8-BC based on YOLOv8， which adopts GhostConv's improved structure of HGNetv2 to replace the backbone network of YOLOv8， to realize the model's lightweight; introduces the deformable attention mechanism DAttention， to obtain more spatial information; and uses the auxiliary edge-based inner

-iou loss function based on auxiliary edges instead of CIOU loss function to improve the generalization ability and detection accuracy of the model. Experiments on the self-constructed dataset show that the YOLOv8-BC model achieves an accuracy of 95.3% and the mAP50 reaches 95.9%， which is improved by 2.3% and 2.0%， respectively， compared with the YOLOv8s model， while the number of parameters is reduced by 15.3%. This indicates that the YOLOv8-BC model can detect bridge cracks in complex environments more efficiently， which provides important ideas and technical support for industrial inspection.

Key words： bridge crack; object detection; attention mechanism; YOLOv8; image processing

0" 引" 言

近年來，我國(guó)公路橋梁建設(shè)取得了前所未有的蓬勃發(fā)展，這一成就很大程度上得益于《國(guó)家公路網(wǎng)規(guī)劃（2013—2030年）》與《十三五規(guī)劃綱要》的積極引領(lǐng)。據(jù)《2022年交通運(yùn)輸行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)》權(quán)威數(shù)據(jù)揭示[1]，至2022年末，我國(guó)公路橋梁總數(shù)達(dá)103.32萬座，總長(zhǎng)度突破8 576.49萬延米，彰顯出我國(guó)橋梁服役數(shù)量的巨大規(guī)模。橋梁在完成建設(shè)并投入運(yùn)營(yíng)后，后續(xù)的維護(hù)管理工作便成為了保障橋梁安全穩(wěn)定運(yùn)行的核心環(huán)節(jié)，不容忽視。據(jù)交通部頒布的《公路養(yǎng)護(hù)技術(shù)規(guī)范》JTJ073

-96文件，要求定期對(duì)橋梁進(jìn)行檢測(cè)。但傳統(tǒng)橋梁檢測(cè)主要依靠工人使用檢測(cè)儀器來完成，存在耗時(shí)長(zhǎng)、效率低、易錯(cuò)檢漏檢等諸多弊端。采用大數(shù)據(jù)、人工智能、圖像處理等技術(shù)對(duì)橋梁健康狀況進(jìn)行定期評(píng)估，及時(shí)掌握裂縫變化情況，對(duì)于保障交通安全具有較高的實(shí)際價(jià)值與安全意義。

在早期的裂縫檢測(cè)研究中，算法大多基于傳統(tǒng)的數(shù)字圖像處理技術(shù)，如閾值分割法、形態(tài)學(xué)方法、滲流模型以及邊緣檢

測(cè)[2-4]。這些技術(shù)需要人工參與特征的提取過程，但由于特征提取的主觀性，最終檢測(cè)結(jié)果的準(zhǔn)確性往往受到人為因素的影響。

近年來，深度學(xué)習(xí)作為監(jiān)督學(xué)習(xí)領(lǐng)域的熱門且高效的方法，為圖像采集基礎(chǔ)上的橋梁裂縫檢測(cè)帶來了前所未有的機(jī)遇。其強(qiáng)大的特征提取與泛化能力，以及出色的魯棒性和可靠性，使得深度學(xué)習(xí)在此領(lǐng)域大放異彩。在此背景下，國(guó)內(nèi)外多個(gè)研究團(tuán)隊(duì)紛紛利用深度學(xué)習(xí)技術(shù)，提出了眾多創(chuàng)新的裂縫檢測(cè)算法。其中，Wang et al.[5]基于Inception-Resnet-v2算法，提出一種橋梁裂紋檢測(cè)模型，實(shí)現(xiàn)目標(biāo)區(qū)域的精確分割。Zheng et al.[6]提出一種基于Seg-Net和瓶頸深度可分離殘差卷積的高精度橋梁混凝土裂縫檢測(cè)方法。Fu et al.[7]提出一種基于改進(jìn)的DeepLabv3+語義分割算法的裂縫檢測(cè)方法，但圖像邊緣的裂縫檢測(cè)效果不佳。Ma et al.[8]基于YOLOv3提出了一種路面裂縫自動(dòng)智能檢測(cè)與跟蹤系統(tǒng)；Ali et al.[9]介紹了深度學(xué)習(xí)模型在裂縫檢測(cè)中的應(yīng)用；廖延娜等[10]提出了一種基于YOLOv3改進(jìn)的混凝土表觀缺陷檢測(cè)器，用于檢測(cè)公路橋梁裂縫在內(nèi)的多種混凝土缺陷；Yao et al.[11]基于YOLOv5并結(jié)合注意力機(jī)制提出一種路面裂縫檢測(cè)新方法；Li et al.[12]利用基于遷移學(xué)習(xí)的Faster R-CNN對(duì)橋梁進(jìn)行裂縫檢測(cè)。由于Faster R-CNN、YOLOv3等模型參數(shù)量較大，以這些模型為基礎(chǔ)的裂縫檢測(cè)模型也存在較大參數(shù)量，在一些性能受限的設(shè)備上可能無法使用。

上述文獻(xiàn)所提方法雖在一定程度上可以實(shí)現(xiàn)對(duì)橋梁病害的檢測(cè)，但其主要面臨檢測(cè)精度與檢測(cè)速度難以兩全的矛盾沖突，部分算法還存在橋梁裂縫病害特征提取上能力弱、特征學(xué)習(xí)不徹底等問題。針對(duì)現(xiàn)有橋梁的數(shù)量多、分布廣、檢測(cè)難度大，需要一種體積小、精度高、速度快的圖像檢測(cè)算法來對(duì)橋梁裂縫進(jìn)行檢測(cè)。

基于此，本文從應(yīng)用的角度出發(fā)建立了混凝土橋梁裂縫專業(yè)數(shù)據(jù)集，設(shè)計(jì)了基于改進(jìn)的YOLOv8混凝土橋梁裂縫檢測(cè)算法YOLOv8-BC，根據(jù)橋梁裂縫特征，對(duì)YOLOv8算法的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行針對(duì)性輕量化改進(jìn)，提升混土橋梁裂縫的檢測(cè)精度和效率，滿足實(shí)際工程檢測(cè)需求。

1" YOLOv8-BC模型

YOLOv8算法在目標(biāo)檢測(cè)與實(shí)例分割任務(wù)中性能優(yōu)良。設(shè)計(jì)涵蓋了多種分辨率的目標(biāo)檢測(cè)網(wǎng)絡(luò)以及基于YOLACT[13]框架的實(shí)例分割模型，能夠滿足多樣化的應(yīng)用場(chǎng)景需求。該算法在主干網(wǎng)絡(luò)和Neck部分采用C2F結(jié)構(gòu)，并通過針對(duì)不同尺度模型調(diào)整通道數(shù)來優(yōu)化性能；在Head部分，則采用解耦頭結(jié)構(gòu)設(shè)計(jì)，將分類與檢測(cè)任務(wù)獨(dú)立處理，提高了效率。此外，YOLOv8還引入了Mosaic數(shù)據(jù)增強(qiáng)技術(shù)，有效擴(kuò)充訓(xùn)練數(shù)據(jù)集，提升檢測(cè)精度。然而，橋梁裂縫具有顏色單一、特異性強(qiáng)、尺寸差別大等特點(diǎn)，在檢測(cè)任務(wù)中原有的YOLOv8模型存在模型過大、檢測(cè)精度不足等問題，難以滿足行業(yè)要求。

針對(duì)這一問題，本文提出輕量化的YOLOv8-BC檢測(cè)模型（見圖1），采用GhostNet[14]中輕量化的幻影卷積（Ghost Convolution）改進(jìn)HGNetv2[15]結(jié)構(gòu)里面的HGBlock得到GhostHGNetv2，使用GhostHGNetv2替換YOLOv8的主干網(wǎng)絡(luò)，實(shí)現(xiàn)了模型的輕量化。同時(shí)，模型對(duì)收集的數(shù)據(jù)集利用Masico進(jìn)行數(shù)據(jù)增強(qiáng)。此外，引入可變形注意力機(jī)制DAttention[16]（Deformable Attention），使用基于輔助邊框的Inner-IOU[17]損失函數(shù)替代CIOU損失函數(shù)。YOLOv8-BC網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

1.1" 輕量化網(wǎng)絡(luò)GhostHGNetv2。針對(duì)YOLOv8主干網(wǎng)絡(luò)復(fù)雜度和參數(shù)量過大的問題，用GhostConv輕量化的幻影卷積（Ghost Convolution）改進(jìn)HGNetv2結(jié)構(gòu)里面的HGBlock，并用得到的GhostHGNetv2替換YOLOv8的主干網(wǎng)絡(luò)后實(shí)現(xiàn)模型輕量化。

1.1.1" HGNetv2。HGNetv2是百度在RT-DETR[17]項(xiàng)目中研發(fā)的主干網(wǎng)絡(luò)，用以提升計(jì)算效率并縮減模型大小。該網(wǎng)絡(luò)主要由HGStem預(yù)處理層模塊和HGBlock數(shù)據(jù)處理模塊組成。數(shù)據(jù)從HGStem預(yù)處理層起始，依次通過多個(gè)HGBlock層次化處理模塊，最終達(dá)成分類任務(wù)。HGNetv2的主干網(wǎng)絡(luò)架構(gòu)如圖3所示。

HGBlock是主干網(wǎng)絡(luò)的關(guān)鍵組成部分。采用分級(jí)方法來處理數(shù)據(jù)，每個(gè)HGBlock負(fù)責(zé)處理數(shù)據(jù)的不同層級(jí)，每個(gè)層級(jí)都設(shè)計(jì)來捕捉特定區(qū)間內(nèi)的特征，以此實(shí)現(xiàn)信息的分層解析，Conv表示標(biāo)準(zhǔn)卷積操作，LightConv指輕量級(jí)卷積，k代表卷積核的尺寸為n，s指的是卷積核的移動(dòng)步長(zhǎng)為m，Add操作是指將數(shù)據(jù)進(jìn)行拼接，結(jié)構(gòu)如圖4所示。這種方式促使網(wǎng)絡(luò)能夠有效地學(xué)習(xí)從低級(jí)到高級(jí)的特征，同時(shí)提高對(duì)細(xì)節(jié)信息的敏感度。在HGBlock內(nèi)部，可以根據(jù)具體需求調(diào)整Block參數(shù)，靈活地選用輕量化卷積LightConv或普通卷積Conv。

1.1.2" GhostConv。GhostConv模塊卷積結(jié)構(gòu)通過將恒等映射和線性變換得到卷積特征圖。GhostConv結(jié)構(gòu)如圖5所示。

該模塊采用先通過點(diǎn)對(duì)點(diǎn)的卷積操作生成一部分特征圖，然后利用這些已生成的特征圖，通過簡(jiǎn)單的線性變換來構(gòu)造剩余的特征映射。這種方法使得GhostConv卷積能夠在不犧牲模型性能的前提下，顯著地減少所需的參數(shù)數(shù)量和計(jì)算量。假定輸入特征的高度、寬度和通道數(shù)分別為h、w和c，輸出特征的高度和寬度為H和W，卷積核數(shù)量為n，卷積核大小為k，線性變換所使用的卷積核大小為d，且變換的數(shù)量為s。r和r分別代表了傳統(tǒng)卷積與GhostConv卷積在計(jì)算量和參數(shù)量上的比值，其中計(jì)算公式如式（1）、式（2）所示。

r==≈s" " " " " " " " " " （1）

r==≈s" " " " " " " " " " " " " " " " "（2）

由式（1）、式（2）可知在相同操作條件下，GhostConv的計(jì)算量?jī)H為普通卷積的1/s。在主干網(wǎng)絡(luò)中采用GhostConv來替換HGBlock內(nèi)的傳統(tǒng)卷積操作（Conv），將能有效減少算法模型的復(fù)雜度。GhostConv可以看作是對(duì)原始特征圖的一種低成本的近似，有助于減少計(jì)算量和參數(shù)數(shù)量，優(yōu)化卷積層的計(jì)算效率。

本文采用幻影卷積GhostConv實(shí)現(xiàn)對(duì)HGNetv2主干網(wǎng)絡(luò)中的HGBlock模塊優(yōu)化創(chuàng)建新的Ghost_HGBlock如圖6所示以減少模型復(fù)雜度。從而適用于橋梁裂縫場(chǎng)景下的輕量化目標(biāo)檢測(cè)。

1.2" 可變形注意力機(jī)制DAttention。由于橋梁病害圖像中占橋梁背景絕大部分，且裂縫多為長(zhǎng)裂縫和細(xì)小裂縫。為了提高模型對(duì)裂縫檢測(cè)精度，在模型主干中引入可形變注意力機(jī)制DAttention，如圖7所示。DAttention是一種空間適應(yīng)機(jī)制，讓模型在處理數(shù)據(jù)中可以動(dòng)態(tài)地調(diào)整其注意力焦點(diǎn)。能夠更好地捕獲裂縫的生長(zhǎng)趨勢(shì)和方向，減少無關(guān)背景的干擾，提高裂縫特征識(shí)別精度和裂縫檢測(cè)速度。

根據(jù)給定輸入特征圖x∈R，生成一個(gè)與輸入特征圖大小成比例（通過因子r縮放）的單元網(wǎng)格p∈R大小相同的單元網(wǎng)格，其中：H=H/r、W=W/r，并標(biāo)準(zhǔn)化網(wǎng)格坐標(biāo)至-1，+1。網(wǎng)格在圖7中以黑色虛線形式展示。

使用投影矩陣W對(duì)特征圖進(jìn)行線性投影，得到查詢?cè)豵。查詢?cè)乇惠斎胼p量級(jí)子網(wǎng)絡(luò)θ以計(jì)算偏移量Δp。應(yīng)用偏移量調(diào)整網(wǎng)格位置，并通過雙線性插值在變形位置對(duì)特征圖進(jìn)行采樣，得到變形后的鍵和值。投影矩陣W通過訓(xùn)練學(xué)習(xí)，以捕捉對(duì)后續(xù)任務(wù)有用的特征信息。投影矩陣如下：

q=xW， =W， =W" " " " " " " " " " " " " " " " " " " " "（3）

withΔp=θq， =？覫x，p+Δp" " " " " " " " " " " " " " " " " " " （4）

=？覫z， p，p=gp，rgp，rzr，r，：z=σ+？覫;R" " " " " " " " " （5）

其中：ga，b=max0，1-a-b用于計(jì)算兩個(gè)位置之間的相關(guān)性，r，r為特征圖z∈R上所有位置建立的索引。由于函數(shù)g僅在距離p，p最近的四個(gè)積分點(diǎn)上取非零值，因此本文可以將式（5）簡(jiǎn)化為這四個(gè)位置上的加權(quán)平均值。與現(xiàn)有的方法類似，本文對(duì)查詢q、鍵k和值v執(zhí)行多頭注意力機(jī)制，并且在注意力機(jī)制中引入了相對(duì)位置偏移。注意力頭的輸出被表述為：

z=σ+？覫;R" " " " " " " " " " " " " " " " " " "（6）

式中：？覫;R∈R， 代表輸入數(shù)據(jù)，R表示相對(duì)位置信息。來自每個(gè)注意力頭的特征被串聯(lián)起來，并通過權(quán)重矩陣W進(jìn)行線性變換，最終得到輸出z。

將可形變注意力機(jī)制DAttention模塊添加到主干網(wǎng)絡(luò)中，如圖2黑色框的位置，能夠更好捕捉特征點(diǎn)在不同尺度間的對(duì)應(yīng)關(guān)系，通過預(yù)測(cè)一個(gè)偏移量（Offset），使得注意力分布可以根據(jù)數(shù)據(jù)的特點(diǎn)自適應(yīng)的改變。這樣的方式使得網(wǎng)絡(luò)模型能夠充分聚焦于橋梁裂縫圖像中裂縫的關(guān)鍵特征，同時(shí)減少不必要的計(jì)算消耗。從而可以自適應(yīng)地處理輸入圖像的大小和比例，提高圖像分類和檢測(cè)的準(zhǔn)確率。

1.3" 損失函數(shù)Inner IoU Loss。Inner IoU（內(nèi)部交并比）是一種評(píng)估預(yù)測(cè)邊界框（Bounding box）與實(shí)際邊界框之間重疊程度的一種指標(biāo)。定義為預(yù)測(cè)框B與真實(shí)框B交集的面積Intersection除以預(yù)測(cè)框的面積 AreaB，如式（1）所示。相較于傳統(tǒng)的IoU指標(biāo)（計(jì)算交集與并集的比例），Inner IoU更注重預(yù)測(cè)框的精確性。當(dāng)預(yù)測(cè)框過大而實(shí)際重合部分較小時(shí)，Inner IoU會(huì)給出較低的評(píng)分，從而準(zhǔn)確反映并有效抑制這種預(yù)測(cè)上的不精確性。

IoU=" " " " " " " " " " " " "（7）

2" 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)環(huán)境。本實(shí)驗(yàn)的操作系統(tǒng)為Windows11，GPU為NVIDIAGeForce RTX3090，GPU顯存為24GB，CUDA12.1版本，Python3.8版本，算法框架為Pytorch，Torch1.12.0版本，YOLOv8s訓(xùn)練時(shí)迭代次數(shù)為210次，Batchsize為32，學(xué)習(xí)率為0.01。實(shí)驗(yàn)具體參數(shù)設(shè)置如表1所示。

2.2" 數(shù)據(jù)集收集和處理。目前，缺乏可公開訪問的專門針對(duì)橋梁裂縫檢測(cè)的數(shù)據(jù)集，本文從現(xiàn)有的多個(gè)裂縫數(shù)據(jù)集中挑選符合橋梁特性的3 371張圖像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)采用腳本按照7∶3的比例將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集（2 359張圖像）和測(cè)試集（1 012張圖像）。利用開源數(shù)據(jù)標(biāo)注工具Labelimg為數(shù)據(jù)集創(chuàng)建標(biāo)簽文件，并以txt格式存儲(chǔ)每個(gè)圖像的裂縫信息。標(biāo)注中，盡可能使用最小的外接矩形框選裂縫，確保每個(gè)邊界框內(nèi)只包含一條裂縫，并盡量避免邊界框之間的重疊。將橋梁裂縫的標(biāo)簽命名為“Crack”。通過以上數(shù)據(jù)集的準(zhǔn)備工作，確保了數(shù)據(jù)集的質(zhì)量和適用性。

模型訓(xùn)練階段，采用遷移學(xué)習(xí)的方法，使用與數(shù)據(jù)集劃分相同的訓(xùn)練流程進(jìn)行模型訓(xùn)練。為了加速模型的收斂速度并提升訓(xùn)練效果，本文選擇了在大型COCO數(shù)據(jù)集上預(yù)訓(xùn)練的權(quán)重參數(shù)作為模型的初始權(quán)重。隨后，在橋梁裂縫數(shù)據(jù)集上進(jìn)行了訓(xùn)練，共進(jìn)行了210輪迭代。

2.3" 算法的評(píng)價(jià)指標(biāo)。在目標(biāo)檢測(cè)中，評(píng)價(jià)模型性能的標(biāo)準(zhǔn)有很多。本文分析實(shí)驗(yàn)結(jié)果以精確率P（Precision）和平均準(zhǔn)確率mAP50（Mean Average Precision，mAP）作為精度指標(biāo)。在探討輕量化與性能平衡時(shí)，使用浮點(diǎn)運(yùn)算次數(shù)（FLOPs）和參數(shù)量（Params）作為關(guān)鍵模型架構(gòu)細(xì)節(jié)參數(shù)為評(píng)價(jià)指標(biāo)，相關(guān)公式如下：

P=" " " " " " " " " " " " " " " " " " " " " " " "（8）

R=" " " " " " " " " " " " " " " " " " " " " " " （9）

AP=PRdR" " " " " " " " " " " " " " " " " " " " " "（10）

mAP=" " " " " " " " " " " " " " " " " " " " " （11）

其中：TP指正確預(yù)測(cè)裂縫的個(gè)數(shù)；FP指錯(cuò)誤預(yù)測(cè)為裂縫的個(gè)數(shù)；FN指漏檢的裂縫個(gè)數(shù)；由于檢測(cè)對(duì)象僅裂縫一類，C取值為1。

2.4" 實(shí)驗(yàn)結(jié)果及分析。本文對(duì)目標(biāo)識(shí)別階段的YOLOv8s網(wǎng)絡(luò)進(jìn)行了圖像預(yù)處理和主干網(wǎng)絡(luò)的一些改進(jìn)。為了評(píng)估各項(xiàng)改動(dòng)以及各項(xiàng)改進(jìn)對(duì)算法性能優(yōu)化的影響程度，本文進(jìn)行了消融實(shí)驗(yàn)，具體結(jié)果如表2所示。

模型YOLOv8s的精確度和mAP50分別為93.0%和93.9%，通過替換為GhostHGNetv2主干和增加DAttention模塊和Inner

-IOU模塊。與YOLOv8s相比，YOLOv8-BC在精確率、平均精度均值、計(jì)算效率和模型大小方面均優(yōu)于YOLOv8，表明YOLOv8-BC是一個(gè)更高效、更優(yōu)化的目標(biāo)檢測(cè)模型。

在工業(yè)檢測(cè)領(lǐng)域，檢測(cè)模型因其能夠提供高精度且快速的檢測(cè)結(jié)果而備受青睞，具有廣泛的應(yīng)用范圍。作為YOLOv8檢測(cè)模型的一種優(yōu)化版本，YOLOv8-BC不僅繼承了模型的高效性，還通過一系列改進(jìn)和創(chuàng)新，進(jìn)一步提升了檢測(cè)性能和泛化能力，因此在工業(yè)檢測(cè)中具有更為廣闊的應(yīng)用前景，能夠更好地適應(yīng)各種復(fù)雜多變的檢測(cè)環(huán)境和需求。

綜合指標(biāo)對(duì)比結(jié)果如圖8所示，可以觀察到改進(jìn)后的YOLOv8-BC算法在mAP50和P指標(biāo)上均有所提升。這表明該方法在降低模型大小的同時(shí)，能夠提升模型的精確度，實(shí)驗(yàn)識(shí)別效果如圖9所示。通過實(shí)驗(yàn)證明，該方法在提高模型性能方面具有一定的有效性。

3" 結(jié)" 論

針對(duì)橋梁裂縫檢測(cè)領(lǐng)域中檢測(cè)精度與檢測(cè)速度難以平衡的問題，本文提出了一種改進(jìn)的YOLOv8-BC橋梁裂縫檢測(cè)模型。該模型在通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和特征融合策略，有效提升橋梁裂縫的檢測(cè)精度和泛化能力。YOLOv8-BC模型準(zhǔn)確率高達(dá)95.3%，mAP0.5和mAP0.5-0.95分別提升至95.9%和86.4%，相比YOLOv8s模型分別增長(zhǎng)2.3%、2.0%和1.8%，充分證明了模型在檢測(cè)精度和泛化能力上的顯著提升。模型還加快了裂縫特征的提取效率和模型的收斂速度，確保了高精度且可靠的識(shí)別性能。盡管成效顯著，但仍存改進(jìn)空間。未來的工作中，將完善數(shù)據(jù)集，開發(fā)自然場(chǎng)景下橋梁裂縫檢測(cè)技術(shù)，增強(qiáng)模型魯棒性，減少環(huán)境噪聲干擾，并探索更多應(yīng)用領(lǐng)域。

參考文獻(xiàn)：

[1] 交通運(yùn)輸部. 2022年交通運(yùn)輸行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)[N]. 中國(guó)交通報(bào)，2023-06-16（002）.

[2]" ZHAO Y， LV W， XU S， et al. Detrs beat yolos on real-time object detection[C] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2024：16965-16974.

[3]" RIYANTO I. Morphology based melanoma skin segmentation method[J]. Helix-The Scientific Explorer Peer Reviewed Bimonthly International Journal， 2021，11（3）：7-13.

[4]" LAKSHMI B V， SRIDEVI K. A qualitative approach on de-noising and segmentation algorithms for melanoma images[J]. Annals of the Romanian Society for Cell Biology， 2021，25（2）：1384-1393.

[5]" WANG J， HE X， FAMING S， et al. A real-time bridge crack detection method based on an improved "inception-resnet-v2 structure[J]. IEEE Access， 2021（9）：93209-93223.

[6]" ZHENG X， ZHANG S， LI X， et al. Lightweight bridge crack detection method based on signet and bottleneck depth-separable convolution with residuals[J]. IEEE Access， 2021（9）：161649-161668.

[7]" FU H， MENG D， LI W， et al. Bridge crack semantic segmentation based on improved Deeplabv3+[J]. Journal of Marine Science and Engineering， 2021，9（6）：671.

[8]" MA D， FANG H， WANG N， et al. Automatic detection and counting system for pavement cracks based on PCGAN and YOLO-MF[J]. IEEE Transactions on Intelligent Transportation Systems， 2022，23（11）：22166-22178.

[9]" ALI R， CHUAH J H， TALIP M S A， et al. Structural crack detection using deep convolution neural networks[J]. Automation in Construction， 2022，133：103989.

[10] 廖延娜，李婉. 基于卷積神經(jīng)網(wǎng)絡(luò)的橋梁裂縫檢測(cè)方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2021，42（8）：2366-2372.

[11]" YAO H， LIU Y， LI X， et al. A detection method for pavement cracks combining object detection and attention mechanism[J]. IEEE Transactions on Intelligent Transportation Systems， 2022，23（11）：22179-22189.

[12]" LI R， YU J， LI F， et al. Automatic bridge crack detection using unmanned aerial vehicle and Faster R-CNN[J]. Construction and Building Materials， 2023，362：129659.

[13]" HUANG M， XU G， LI J， et al. A method for segmenting disease lesions of maize leaves in real time using attention YOLACT++[J]. Agriculture， 2021，11（12）：1216.

[14]" HAN K， WANG Y， TIAN Q， et al. Ghostnet： More features from cheap operations[C] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020：1580-1589.

[15]" YU D. Improved container damage detection algorithm of YOLOv8[C] // Proceedings of the International Conference on Algorithms， Software Engineering， and Network Security， 2024：90-95.

[16]" XIA Z， PAN X， SONG S， et al. Vision transformer with deformable attention[C] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2022：4794-4803.

[17]" MA Z， WU F. Research on pulmonary nodule detection method based on YOLO algorithm[C] // 2024 5th International Seminar on Artificial Intelligence， Networking and Information Technology （AINIT）. IEEE， 2024：635-639.

[18]" LIU X， RAO Z， ZHANG Y， et al. UAVs Images based real-time insulator defect detection with transformer deep learning[C] // 2023 IEEE International Conference on Robotics and Biomimetics （ROBIO）. IEEE， 2023：1-6.