基于YOLOX-G算法的隧道裂缝实时检测

作者：周中; 闫龙宾; 张俊杰; 杨豪^*

来源：铁道科学与工程学报, 2023, 20(07): 2751-2762.

DOI：10.19713/j.cnki.43-1423/u.t20221523

• 隧道工程
• 裂缝检测
• 深度学习
• 神经网络

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90.14%，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。

• 单位
  土木工程学院; 中南大学; 长沙理工大学