Page 96 - 无损检测2024年第七期

胡肖肖，等：

基于 B-YOLOv5 的轻量化裂缝检测算法

图 5 两种算法的损失收敛对比图
图6中曲线所围的面积即为网络的m AP 值，面积越大 表1 两种算法的网络参数比较
则说明该网络的精度越高，可见，B-YOLOv5算法的 YOLOv5-
方法 YOLOv5 B-YOLOv5 YOLOv8
P-R曲线完全包裹住了YOLOV5算法的，这充分说 B-PANet
参数节点/M 7.1 8.0 5.5 3.0
明了B-YOLOv5算法的检测性能优于原YOLOV5算
浮点运算
法的，更加适用于实际路面的缺陷检测。 总次数/G 16.4 17.1 2.7 8.2
精度/% 91.25 98.71 96.56 95.4
推理速度/ms 26 26 10 6.0
了62帧，而YOLOv5算法只有34帧。考虑到实际的算
法部署，文章所提出的B-YOLOv5算法更适用于嵌入
式设备。
两种算法在数据集上的运行结果如表 2 所示
（表中，“√” 表示使用了该方法训练，“×”表示没
有；A表示YOLOv5 算法；B表示将YOLOv5 算法
的PANet结构替换为B-PANet结 构；C表示将原

YOLOv5 算法的主干网络替换为DepthSepConv结
构；D表示文章所改进的算法B-YOLOv5）。由表2
可见，与A方法相比，B方法的精度提高了19. 59%；
图 6 两种算法的 P-R 曲线对比 C和D方法相比，D方法的精度明显高于C方法的，
文章比较了4种算法在嵌入式设备Jetson Xavier 精度提高了3. 79%。这充分证明了B-PANet结构在
NX上的性能，结果如表1所示。可以看出，改进后的 路面缺陷特征提取中的优越性，说明该结构更适用
轻量化网络B-YOLOv5，不仅参数节点小于YOLOV5
于路面缺陷检测任务。
和YOLOv5-B- PANet两个算法的，浮点运算总次数
表2 两种算法在数据集上的运行结果
也仅仅是这两个算法的八分之一，在普通的嵌入式设
备部署算法上，模型大小和复杂度一直是难解决的问 方法 DepthSepConv PANet B-PANet m AP 50
A × √ × 68.20%
题，如果仅仅是追求精度的提升，却大大增加算法模
B × × √ 81.56%
型的复杂程度，这显然是不可取的。B-YOLOv5算法
C √ √ × 77.56%
虽然精度可能小于YOLOv5-B- PANet的，但模型复 D √ × √ 80.50%
杂程度相比于其他两种算法有显著的降低，而且比
5 可视化结果对比
原有的YOLOv5算法精度上提高了5. 81%，推理速
度也是其他两个算法的两倍。文章试验了最新提出 为了直观比较改进算法B-YOLOv5的有效性，
的YOLOv8算法，可以看出，相对于其他算法来说， 文章比较了不同的检测环境下B-YOLOv5 算法和
其复杂程度较小，速度快于其他三个算法，但是其检 YOLOv5算法的检测性能，结果如图7所示。裂纹
测精度要比B-YOLOv5算法的低。文章所改进的网 信息不明显的情况下，YOLOv5 算法未能检测出
络不仅比其他网络轻量化，而且在保证准确度的条 裂纹，而B-YOLOv5算法对细小裂纹敏感，能够有
件下，速度还要快。B-YOLOv5算法的检测帧数达到 效将其检出。光线较暗的情况下，两种算法都能检
58
2024 年 第 46 卷 第 7 期
无损检测