-
题名基于改进YOLOv7的隧道衬砌内部缺陷智能识别
- 1
-
-
作者
周中
周诗荣
李世帅
鲁四平
-
机构
中南大学土木工程学院
-
出处
《铁道学报》
北大核心
2025年第9期201-211,共11页
-
基金
国家自然科学基金(52478426)
湖南省自然科学基金(2024JJ5428)
长沙理工大学公路养护技术国家工程研究中心开放基金(kfj220101)。
-
文摘
大多数隧道在建成初期都存在钢筋不连续、内部脱空和混凝土浇筑不密实等衬砌内部缺陷,严重影响隧道结构的耐久性和稳定性。为解决隧道衬砌内部缺陷常规检测手段的主观性强、准确性差、效率低等问题,基于YOLOv7目标检测算法,提出一种改进的YOLOv7隧道衬砌内部缺陷检测算法,将主干特征提取网络输出的最深层特征层输入视觉显示中心(EVC),使其更加关注层内的细节信息,同时将边界框回归误差替换成基于最小点距离的新型损失函数(MPDIoU)。使用有限差分时域方法获取模拟雷达图像,与真实雷达图像一起构成隧道衬砌缺陷雷达图像数据集,进而将改进YOLOv7算法与YOLOv8、YOLOv7、YOLOv5、SSD和Faster RCNN共5种算法进行模型对比实验,在实际隧道质量检测中验证提出方法的优越性和有效性。模型对比实验中对于钢筋、内部脱空以及衬砌不密实这3种缺陷的识别,改进YOLOv7算法的F 1分数分别为94.51%、84.53%和97.66%,平均精度分别为97.13%、83.78%和98.30%,并且相较于其他5种模型在3种缺陷信号的均值F 1值和均值平均精度上均有一定提升;实例验证中,脱空信号和注浆不密实信号的识别准确率分别为70%和75%。结果表明改进的YOLOv7隧道衬砌内部缺陷检测算法具有优越的综合检测性能和泛化能力,有效满足了隧道二衬缺陷的检测需求。
-
关键词
隧道工程
衬砌内部缺陷
目标检测
深度学习
-
Keywords
tunneling engineering
internal defects in tunnel lining
target detection
deep learning
-
分类号
U45
[建筑科学—桥梁与隧道工程]
-
