一种基于YOLOv7的铁路隧道裂缝检测算法.docx

该【一种基于YOLOv7的铁路隧道裂缝检测算法 】是由【科技星球】上传分享，文档一共【13】页，该文档可以免费在线阅读，需要了解更多关于【一种基于YOLOv7的铁路隧道裂缝检测算法 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。一种基于YOLOv7的铁路隧道裂缝检测算法
 
 
Summary：铁路隧道裂缝会影响隧道的结构稳定性和运营安全，裂缝病害的自动化检测亟待解决。传统的人工巡检方法自动化程度较低，检测效率低下，无法满足大规模隧道的快速检测需求。针对这一问题，提出了一种基于YOLOv7网络的铁路隧道裂缝检测方法，并在自建的铁路隧道裂缝数据集中进行模型训练和参数调优。实验结果表明，YOLOv7模型的F1分数、%、%，相比于YOLOv5和Faster %、%，%、%。YOLOv7模型综合性能最优秀，适用于铁路隧道工程的裂缝检测任务。
Keys：铁路隧道；结构裂缝；目标检测；神经网络
A crack detection algorithm of railway tunnel based on YOLOv7
Abstract: The crack of railway tunnel will affect the structural stability and operation safety of the tunnel, and the automatic detection of crack defects needs to be solved traditional manual inspection method has lower automation and lower detection efficiency, which cannot meet the demand for rapid inspection of large-scale solve this problem, a railway tunnel crack detection method based on YOLOv7 network is proposed, which is trained in the self-built railway tunnel crack experimental results show that
the F1 score and AP of YOLOv7 model are % and %, which are % and %, % and % higher compared with YOLOv5 and Faster RCNN comparison models, model has the best overall performance and is suitable for the task of crack detection in railway tunnel projects.
Key words: Railway tunnel;structural crack;target detection; neural network.
引言
随着城市化进程的加快和交通需求的增加，铁路交通作为一种高效、安全的交通方式在现代社会扮演着重要的角色。铁路隧道作为铁路线路的重要组成部分，承载着大量的列车运输任务。然而，由于长期受到地质、水文和运营条件等因素的影响，铁路隧道结构可能会出现裂缝等缺陷，这些缺陷可能会导致严重的安全隐患，如衬砌脱落、隧道渗漏水、隧道坍塌[1]。因此，及时、准确、高效地识别隧道衬砌裂缝对于隧道维护和安全管理具有重要意义[2]。
传统的隧道裂缝检测方法主要依赖于人工巡检，该方法虽然操作方便，但是存在费工耗时、信息化程度低等弊端，容易造成遗漏与错误，且检测效果具有较强的主观性和局限性，无法满足大规模隧道的快速检测需求[3-4]。
随着深度学习算法的迅猛发展，基于其在图像处理和识别方面的优势，开展基于深度学习算法的结构病害智能识别已成为一项新兴的研究领域[5]。相比传统方法，深度学习算法能够克服人工设计病害特征的限制，通过学习数据中的潜在特征，实现更准确和全面的病害识别。近年来，诸多学者将深度学习算法应用于结构病害智能识别领域。Dung[6]提出一种基于FCN网络(fully convolutional network)的混凝土裂缝检测方法，在自建的病害数据集上取得了较好的检测结果。徐佳琦[7]通过实验发现，VGG(Visual Geometry Group Network)网络在混凝土结构表面裂缝的自动识别中具有较大优势。Mandal等[8]基于
YOLOv2(You Look Only Once Version 2)网络提出一种路面病害检测系统，在收集的路面裂缝图像中实现了自动化识别。赵雪冰等
[9]和谭国金等[10]均利用DeeplabV3+网络对桥梁裂缝实现了较好的检测结果。
相对于道路、桥梁、混凝土等结构，铁路隧道结构位于地下，环境复杂多变，干扰杂物较多，运营期间检测时间较短，实现病害自动化检测的难度较大[11]。为解决这一问题，本文提出一种基于YOLOv7卷积神经网络的铁路隧道裂缝检测算法，能够有效提高裂缝病害的识别精度，对铁路隧道衬砌裂缝自动化识别的发展具有重要意义。
1  YOLOv7裂缝检测算法
YOLOv7网络[12]主要由主干特征提取网络、加强特征提取网络和输出网络3部分组成，如图1所示。图像输入主干特征提取网络之前，会先进行预处理操作，统一调整图像大小。YOLOv7网络常用的图像大小为416×416和640×640。(图中，下采样操作采用的是过渡模块)
图1 YOLOv7网络结构

主干特征提取网络主要用于对输入的图像进行特征提取，相比于YOLOv4、YOLOv5网络，YOLOv7的主干网络连接结构更加密集，对图像的特征提取能力更强。图像输入至主干特征提取网络后，会经过多个卷积、标准化、激活函数进行特征提取。值得说明的是，YOLOv7引入了多分支堆叠模块和过渡模块，进一步提高了网络的识别准确度。主干特征提取网络最终会输出三个大小分别为13×13、26×26、52×52的有效特征层。此外，13×13的特征层会经过SPPCSPC结构(如图2)扩大感受野，进一步进行特征提取。
YOLOv7网络采用的多分支堆叠模块如图3所示。输入特征层经过多个卷积、标准化、激活函数进行特征提取，并在多个分支中进行堆叠来完成特征整合。该结构能够增加网络深度，提高预测准确率，并且通过跳跃连接的方式缓解神经网络中增加深度带来的梯度消失问题。
图2 SPPCSPC结构
图3 多分支堆叠结构
常见的下采样模块通常是卷积核为3×3、步长为2×2的卷积或者一个步长为2×2的最大池化，YOLOv7网络提出采用过渡模块进行特征层下采样，过渡模块如图4所示。左分支是一个步长为2×2的最大池化和一个1×1的卷积，右分支是一个1×1的卷积和一个卷积核大小为3×3、步长为2×2的卷积，两个分支的结果会进行堆叠，最终实现特征层下采样。
图4 过渡模块结构

加强特征提取网络会对主干网络输出的三个特征层进行进一步处理。在加强特征提取网络中，不同大小的特征层会通过多分支堆叠模块、卷积、上采样、下采样、叠加等操作进行特征融合，最终输出三个大小分别为13×13、26×26、52×52的有效特征层。

输出网络可以对特征金字塔网络中的三个特征层进行处理，从而预测目标的种类、置信度和位置。该网络首先对每个特征层的三个先验框进行检测，判断是否包含目标以及目标的类型。然后，调整这些先验框，并使用非极大抑制方法来删除多余的矩形框，以得到最终的预测结果。
输出网络在输出预测结果之前采用了RepConv结构，这个结构的设计灵感来自于RepVGG网络[13]。在网络训练过程中，引入特殊的残差结构以辅助训练。而在进行结果预测时，可以将复杂的残差结构等效为一个普通的3×3卷积操作。这样做既可以降低网络的复杂度，又不会降低网络的预测性能。
2 铁路隧道衬砌裂缝数据集
数据集
通过对国内多条铁路隧道进行病害检测，收集了900多张隧道衬砌裂缝图像，部分图像如图5(a)所示。为了增强训练模型的泛化能力，使模型能够更好地适应铁路隧道的复杂环境，我们采用了多种数据增强方法[14]对数据集进行了增强，包括旋转、翻转、裁剪、光照、噪声、模糊等，最终将数据集扩充到1500张图像，数据增强方式如图5(b)所示。根据6:2:2的比例，将数据集划分为训练集、验证集和测试集，并利用LabelImg标注软件对隧道病害图像进行标注，并将其转换为VOC格式，以便进行后续的网络训练和评估。
(a) 隧道衬砌图像
(b) 图像增强方法
图5 铁路隧道衬砌裂缝数据集
3 铁路隧道衬砌裂缝检测实验
实验环境
。采用的操作系统为64位Windows10，GPU设备为NVIDIA GeForce RTX 3060，运行内存为16G。
评估指标
为了评估模型对铁路隧道衬砌裂缝病害的检测性能，本文选择准确率(P)、召回率(R)、准确率与召回率的的调和平均值F1分数(F1 score)以及平均精度(AP，Average precision)作为模型评估指标，计算公式如下所示：
            (1)
             (2)
             (3)
           (4)
式中：TP是检测正确的病害目标数量，FP是检测错误的病害目标数量，FN是未检测到的病害目标数量。P(R)是以R为横坐标，
P为纵坐标的曲线。
模型训练
本文选用优秀的YOLOv5[15]和Faster RCNN[16]网络作为对比网络，三种网络均在同一数据集上进行训练。网络训练次数设置为200次，确保其能够达到收敛状态。基于迁移学习[17-18]的思想，加载在COCO数据集上训练得到的各网络主干部分的预训练权重。网络训练的前50次采用冻结训练，此时冻结主干网络的权重，仅对网络的其他部分进行训练和更新；后150次训练采用解冻训练，此时主干网络解冻，网络的所有权重都会进行训练和更新。网络训练过程中采用余弦退火学习率进行衰减，首先确定学习率的最大值和最小值，然后根据余弦函数在训练过程中进行逐渐调整，以避免网络陷入局部最优解。训练完成后，在网络不发生过拟合的情况下，保留验证误差最小的权重作为最优模型权重。网络训练的超参数如表1所示。
表1 网络训练超参数
网络
批量大小
学习率
动量
阶段1
阶段2
最大值
最小值
YOLOv7
16
4
1×10-3
1×10-5

YOLOv5
16
4
1×10-3
1×10-5

Faster-RCNN
8
4
1×10-4
1×10-6

注：阶段1为冻结训练阶段；阶段2为解冻训练阶段。
模型对比分析
采用本文构建的测试集对三种模型的性能进行对比测试，测试结果如表2和图6所示。由表2中结果可知，YOLOv7模型的各项性能评价指标均为最优，相比于两种对比模型均有不同程度的提高。其中，%，相较于YOLOv5、Faster-%、%；%，相较于YOLOv5、Faster-%、
%。上述结果表明，YOLOv7模型相较于两种对比模型具有更好的铁路隧道衬砌裂缝图像检测精度。
表2 模型性能评价指标表
模型
P(%)
R(%)
F1(%)
AP(%)
YOLOv7




YOLOv5




Faster-RCNN




图6列举了三种模型对部分铁路隧道衬砌裂缝图像的检测结果。其中，第一列是铁路隧道衬砌裂缝原始图像，第二列到第四列分别是YOLOv7、YOLOv5、Faster RCNN模型的检测结果。值得说明的是，，~。
分析图6的检测结果可知，YOLOv7模型对铁路隧道裂缝目标定位精准，置信度最高，在铁路隧道复杂环境下对衬砌裂缝图像的检测结果最好，YOLOv5模型和Faster RCNN模型在个别裂缝图像中存在漏检、误检的问题，且裂缝检测置信度整体上低于YOLOv7的检测结果。综上所述，本文采用的YOLOv7模型能够适应铁路隧道中昏暗的环境条件，对铁路隧道衬砌裂缝图像测检测效果最好，适应性最强，适用于实际铁路隧道中的裂缝检测。