基于YOLOX-G算法的隧道裂缝实时检测.pdf
《基于YOLOX-G算法的隧道裂缝实时检测.pdf》由会员分享,可在线阅读,更多相关《基于YOLOX-G算法的隧道裂缝实时检测.pdf(12页珍藏版)》请在咨信网上搜索。
1、第 20 卷 第 7 期2023 年 7 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 7July 2023基于YOLOX-G算法的隧道裂缝实时检测周中1,闫龙宾1,张俊杰1,杨豪2,3(1.中南大学 土木工程学院,湖南 长沙 410075;2.长沙理工大学 交通运输工程学院,湖南 长沙 410114;3.长沙理工大学 公路养护技术国家工程研究中心,湖南 长沙 410114)摘要:裂缝是隧道衬砌最常见的病害之一,影响隧道的结构耐久性和运营安全性。由于现役隧道日常检修任务艰巨,因此对隧道裂缝的高效智能化检
2、测至关重要。针对隧道衬砌裂缝传统检测方法检测精度低、检测速度慢等问题,基于YOLOX算法提出一种新的YOLOX-G隧道衬砌裂缝图像检测算法。采用Ghostnet替换YOLOX的CSPDarknet主干网络,在加强特征提取网络中利用Ghost卷积代替原卷积块,用GIOU损失函数代替IOU损失函数。将YOLOX-G算法与YOLOX,YOLOv5,YOLOv3,SSD和Faster RCNN 5种算法在构建的隧道裂缝图像数据集上进行实验对比,结果显示:YOLOX-G算法的F1分数为85.29%,相较于其他5种算法分别提高了4.26%,6.49%,7.29%,17.23%和4.53%;AP值为90.1
3、4%,相较于其他5种算法分别提高了7.28%,10.93%,11.53%,17.65%和10.38%。此外,YOLOX-G算法模型数据大小为38.1 M,相对于YOLOX算法模型压缩了81.59%;检测单张图片的时间为15.12 ms,FPS为66.14帧/s,相较于其他5种算法分别提高了18.89帧/s,13.92帧/s,21.41帧/s,25.72帧/s和49.69帧/s。因此,提出的YOLOX-G算法满足移动设备对模型大小的要求及对帧率的需求,可以实现对隧道衬砌裂缝高速度、高精度、实时动态性检测。关键词:隧道工程;裂缝检测;深度学习;神经网络中图分类号:U45 文献标志码:A 开放科学(
4、资源服务)标识码(OSID)文章编号:1672-7029(2023)07-2751-12Real-time detection of tunnel cracks based on YOLOX-G algorithmZHOU Zhong1,YAN Longbin1,ZHANG Junjie1,YANG Hao2,3(1.School of Civil Engineering,Central South University,Changsha 410075,China;2.School of Traffic and Transportation Engineering,Changsha Unive
5、rsity of Science&Technology,Changsha 410114,China;3.National Engineering Research Center of Highway Maintenance Technology,Changsha University of Science&Technology,Changsha 410114,China)Abstract:Cracks are one of the most common diseases of tunnel linings,affecting the structural durability and ope
6、rational safety of tunnels.Due to the huge daily maintenance tasks of active tunnels,efficient and intelligent detection of tunnel cracks is crucial.Aiming at the problem of low detection accuracy and slow detection speed of traditional detection methods of tunnel lining cracks,a new YOLOX-G tunnel
7、lining crack image detection 收稿日期:2022-08-02基金项目:国家自然科学基金资助项目(50908234);湖南省自然科学基金资助项目(2020JJ4743);中南大学研究生科研创新项目(1053320213484)通信作者:杨豪(1991),男,河南汝南人,讲师,博士,从事交通岩土工程方面的教学与研究工作;Email:hyang_DOI:10.19713/ki.43-1423/u.T20221523铁 道 科 学 与 工 程 学 报2023 年 7月algorithm was proposed based on the YOLOX algorithm.Fi
8、rstly,the Ghostnet was used to replace the YOLOXs CSPDarknet backbone network.Secondly,the Ghost convolution was used to replace the original convolution block in the enhanced feature extraction network.Finally,the IOU loss function was replaced by the GIOU loss function.Comparing the YOLOX-G algori
9、thm with other five algorithms of YOLOX,YOLOv5,YOLOv3,SSD,and Faster RCNN on the constructed tunnel crack image dataset,the results are drawn as follows.The F1 score of the YOLOX-G algorithm is 85.29%,which is 4.26%,6.49%,7.29%,17.23%,4.53%higher than the other five algorithms,respectively.The AP va
10、lue of the YOLOX-G algorithm is 90.14%,which is 7.28%,10.93%,11.53%,17.65%,10.38%higher than the other five algorithms,respectively.In addition,the data size of the YOLOX-G algorithm model is 38.1 M,which is 81.59%compressed compared with that of the YOLOX algorithm model.For the YOLOX-G algorithm,t
11、he time to detect a single image is 15.12 ms,and the FPS is 66.14 frames/s,which is higher than the other five algorithms of 18.89 frames/s,13.92 frames/s,21.41 frames/s,25.72 frames/s,49.69 frames/s,respectively.Therefore,the proposed YOLOX-G algorithm meets the requirements of mobile devices for m
12、odel size and frame rate,and can realize high-speed,high-precision,and real-time dynamic detection of tunnel lining cracks.Key words:tunnel engineering;crack detection;deep learning;neural network 随着地下空间工程的不断发展,隧道在日常交通设施中的比例越来越大,隧道衬砌病害的智能化检测及识别效率问题也逐渐成为社会关注的重点。隧道在长时间的运营过程中,一直承受着围岩压力、活荷载、温度效应、地下水及化学侵
13、蚀等诸多场力的耦合作用,难免会在运营过程中产生衬砌病害,其中最常见的就是隧道衬砌开裂1。衬砌开裂不仅会对隧道的运营安全与行车安全造成威胁,引起结构钢筋锈蚀,诱发更多次生裂缝产生2,还可能产生一系列隧道灾害,比如:隧道衬砌掉块3,隧道渗漏水45,隧道坍塌6等。裂缝是结构损伤的表现,是结构破坏的预兆。因此,有必要对隧道衬砌裂缝进行及时的检测和治理,其中,隧道衬砌病害的精准高效实时动态智能化检测技术显得至关重要。对于隧道衬砌裂缝的检测方法,传统的方式是人工巡检和手工标记7,工作人员在隧道中一边行走一边观察记录隧道衬砌上的裂缝,但是人工巡检及标记方式的主观性强、效率低下并且准确度不高,加上隧道内部的灰
14、暗环境条件和人眼目测范围的局限性,更让人工方式越来越满足不了日益发展的隧道工程的检测需求。近年来,数字图像技术89慢慢取代人工巡检,广泛用于隧道衬砌裂缝检测。王耀东等10利用分块图像处理算法对区域内裂缝图像进行处理,提出裂缝差异计算模型,有效消除了类裂缝物体的干扰并提高了裂缝检测精度。尹冠生等11先对裂缝图像进行分块,再利用阈值分割法进行图像处理,提出一种基于图像分块的裂缝识别算法,完成对隧道裂缝的精准识别。王平让等12基于局部网格特征和种子连接算法完成了隧道裂缝的完整连接及高效自动识别。QU等13提出一种接缝消除算法和渗流检测算法相结合的隧道衬砌裂缝算法,可以去除表面噪声,高效检测出真实的表
15、面裂缝。基于数字图像技术的裂缝检测虽然能够快速检测裂缝,但是分析精度会严重受到环境条件的影响,例如:隧道内的光线灰暗条件、结构表面噪声、类似裂缝物体等。相较于传统图像处理技术,深度学习目标检测算法1415具有更好的适用性和广泛性。目前,在隧道衬砌裂缝检测方面广泛应用的深度学习目标检测算法有2种:单阶段目标检测网络直接基于目标进行分类回归,速度快但精度低,常用的有SSD及改进系列1618和YOLO1921系列;双阶段目标检测网络先寻找目标位置得到建议框,然后基于建议框进行分类回归,精度高但速度慢,常用的有 RCNN2224系列。任松等25利用检测台车收集并构建20 000张隧道裂缝数据集,构建S
16、SD模型对隧道衬砌裂缝实现高精度快速检测。彭雨诺等26利用下采样注意力机制对2752第 7 期周中,等:基于YOLOX-G算法的隧道裂缝实时检测YOLO算法进行改进,实现了小窗口上的裂缝病害高精度检测。ZHOU等27提出一种YOLOv4-ED算法,对实际工程条件下的隧道裂缝实现了自动化检测。LIAO等28利用移动成像模块收集了隧道裂缝数据集,然后提出一种新型的轻型卷积网络(CNN),在保证裂缝连续性的前提下完成对裂缝的高效检测。LI等29通过改进Faster RCNN提出一种多层融合网络,并搭建了地铁隧道检测系统,对隧道裂缝实现了实时检测。分析已有的研究成果可知,深度学习目标检测算法能够实现较
17、高精度的隧道衬砌裂缝检测,然而在目前的应用过程中依旧存在一些问题:1)网络模型太大,架构在无人机等轻型设备上比较困难,检测裂缝图像所需时间太长,难以实现隧道裂缝的实时性检测,无法满足实际工程的需要;2)模型容易受环境干扰,对裂缝检测的精度容易受到光照条件、噪声、类裂缝物体等因素的影响,无法实现在实际隧道工程中的高精度检测。为解决上述问题,本文以YOLOX 为基础算法,融合 Ghostnet 网络与 Ghost 卷积,提出一种名为 YOLOX-G 的隧道裂缝检测算法,在裂缝数据集上进行训练和测试,实现对隧道衬砌裂缝的高精度、高速度检测。本文所做的贡献有:1)采用Ghostnet网络作为YOLOX
18、算法的主干网络,大幅度减少了模型的参数量并提升了模型的图像检测速度,能够实现后续在其他移动设备上的架构和裂缝实时检测;2)在加强特征提取网络中使用Ghost卷积代替原来卷积块,提高了模型的特征提取能力与提取速度;3)采用GIOU代替IOU作为YOLOX算法的目标位置损失函数,进一步提高了模型的识别精度。1 隧道衬砌裂缝算法1.1YOLOX算法YOLOX算法是GE等30在2021年提出的最新一代 YOLO系列目标检测器,它在解耦头、锚框以及数据增强等方面进行了改进与巧妙的组合,在精度方面全面超越 YOLOv3,YOLOv4 和 YOLOv5。YOLOX 隧道衬砌裂缝检测算法由 CSPDarkne
19、t 主干网络、PANet 特征提取网络及 YOLO Head输出模块组成,算法原理如图1。检测图片输入后,首先被统一调整成416416的大小,输入到主干特征提取网络中进行特征提取,获得3个有效特征层矩阵,特征层矩阵的大小分别为5252256,2626512,13131 024。然后3个特征层会输入到加强特征提取网络中,经过一系列的卷积(Conv)、上采样(Upsampling)、下采图1YOLOX隧道衬砌裂缝检测算法原理Fig.1Principle of the YOLOX tunnel lining crack detection algorithm2753铁 道 科 学 与 工 程 学 报
20、2023 年 7月样(Downsampling)、特征融合(Concat)等操作,加强对图片特征的提取,最终获得3个加强特征层。再将3个加强特征层传入预测模块,经过一次卷积后分成2个部分进行分类与回归,分类部分经过2个33的卷积和1个11的卷积进而得到结果用于判断每一个特征点所包含的物体种类,回归部分经过2个33的卷积,其中一部分经过1个11的卷积得到特征点的回归参数,用于调整得到预测框,另一部分经过1个11的卷积用于判断特征点是否包含物体,最终将3个预测结果进行堆叠,得到每一个特征层的预测结果。相较于YOLO系列其他算法,YOLOX算法主要做了以下改进:第一,YOLO系列算法所用的解耦头是一
21、起的,即分类和回归同时实现,这会干扰网络对于目标的识别。YOLOX算法将解耦头分开,将分类和回归分别实现,最后预测的时候才整合到一起。第二,YOLOX没有使用先验框,减少了约2/3的参数量,并且训练和解码阶段都得到了简化,提高了运算速度与性能。1.2YOLOX-l算法选择YOLOX 算法主要包括 s,m,l,x 这 4 个版本,它们的主要区别是网络的深度、宽度及参数量不同,其中x版本的深度、宽度及参数量最大。4个版本网络的深度和宽度分别通过depth,width这2个参数进行调节,参数影响加强特征提取网络中卷积叠加的次数以及卷积核的大小,参数具体数值如表 1。本文选用 YOLOX-l 算法进行
22、改进,以下直接采用YOLOX指代YOLOX-l。1.3YOLOX-G算法本文提出的YOLOX-G算法通过以下方法进行改进:采用Ghostnet代替CSPDarknet作为YOLOX网络的主干特征提取网络,采用Ghost卷积替换加强特征提取网络中的4个CSPLayer卷积进行特征提取,将IOU目标位置损失函数替换为GIOU损失函数。利用YOLOX-G算法进行隧道衬砌裂缝检测的原理如图2所示。检测图片输入后依旧会统一调整成416416的大小,在经过Ghostnet主干特征提取网络后会得到3个有效特征层矩阵,矩阵大小分别为 525240,2626112,1313160,与原始YOLOX算法相比,所有
23、特征层的大小均一致,只是通道数不同,这样保证了修改前后网络的一致性。有效特征层经过特征融合和预测模块,最终得到每张图片的预测结果。1.3.1Ghostnet网络Ghostnet是2020年提出的一种轻量化网络31。不同于其他轻量化网络只利用深度可分离卷积来减少参数量,Ghostnet主要利用计算量更低的操作表1YOLOX系列版本参数Table 1YOLOX series version parameters参数depthwidthYOLOX-s0.330.50YOLOX-m0.670.75YOLOX-l1.001.00YOLOX-x1.331.25图2YOLOX-G隧道衬砌裂缝检测算法原理Fi
24、g.2Principle of the YOLOX-G tunnel lining crack detection algorithm2754第 7 期周中,等:基于YOLOX-G算法的隧道裂缝实时检测(卷积与逐层卷积相结合)来生成一些相似的特征图,在保证检测精度的同时减少参数量以及提高检测速度。Ghostnet 主要由 Ghost Botteleneck(G-bneck)瓶颈结构堆叠而成,瓶颈结构有步长为1和2这2种:步长为1的结构用于特征提取,其主要由2个连续的Ghost卷积和1个残差边组成;步长为2的结构用于对特征层的宽高进行压缩,与步长为1的结构的主要区别是在2个Ghost卷积块中间插
25、入了一个步长为 2 的深度可分离卷积。此外,Ghostnet采用了注意力机制,可以增大网络训练中正 样 本 的 有 效 权 重,提 高 网 络 的 识 别 精 度。Ghostnet的网络参数表如表2所示,2种瓶颈结构如图3所示。1.3.2Ghostnet卷积Ghost卷积将普通卷积分成2步进行:首先利用一个11的卷积进行特征整合,生成特征层的特征浓缩。然后利用逐层卷积得到特征浓缩的相似特征图,再将这些相似特征图和特征浓缩进行叠加进而得到输出。Ghost 卷积的原理图如图 4所示。1.3.3Loss函数YOLOX-G 算法的总损失函数Loss一共由 3 个部分组成,分别是目标位置损失Lreg;置
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOX 算法 隧道 裂缝 实时 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。