Page 94 - 无损检测2024年第七期
P. 94
胡肖肖，等：
基于 B-YOLOv5 的轻量化裂缝检测算法
图 2 C3 网络结构
增加，网络的每一层都会在一定程度上导致路面缺
陷信息的丢失，尤其是在复杂环境背景下，缺陷检
测效果极差。为了解决该问题，通过融合多尺度不
同层次的特征网络层，提取深层次的特征信息，提
高模型的检测精度。YOLOv5 使用的特征融合网
络结构是FPN+PANet路径聚合网络，如图 4 所
示，C1~C5为主干网络提取的不同尺度的特征层，
FPN+PANet路径聚合网络是对C3~C5的特征层
进行自上而下和自下而上的特征融合，最后将输出
的P3，P4和P5层输入到预测层中进行预测，最后输
入到预测层的特征层拥有丰富的语义信息和位置信
息，即使在复杂环境下也可以有很好的检测效果。
但是，当PANet路径聚合网络被应用于检测路
面缺陷时，仍然存在小目标的缺陷信息识别困难、漏
检出率高、缺陷图像深度信息挖掘困难等问题。这
是因为PANet结构只是简单地将不同尺度的特征图
进行叠加，但不同的特征层具有不同的分辨率，它
们对融合输入的贡献也不同。简单地叠加特征层可
能会导致不同尺度的特征图丧失一些表达能力和特
图 3 改进后的主干网络结构
征信息。在公路路面缺陷检测图像中，裂缝等缺陷
3 基于BIFPN结构的特征融合
通常只占很小一部分，而网络训练时通常将这一部
公路路面缺陷的形状和种类，是多样且复杂 分标记为正样本，其他部分则标记为背景。在某个
的。在深度学习网络模型中，随着网络层数的不断 尺度的特征图中，未被标记为正样本的部分会在其
图 4 FPN+PANet 路径聚合结构和 B-PANet 结构
56
2024 年 第 46 卷 第 7 期
无损检测
