Page 97 - 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 7 两种算法不同环境条件下的检测对比试验

测出裂纹，但B-YOLOv5算法的置信度较高，检测 上显著优于YOLOv5算法，其网络模型复杂度小于
效果更好。裂纹位于图像边缘时，很容易被当作负 YOLOv5算法的，相比于YOLOv5算法，所改进的
样本被忽略，虽然YOLOv5 算法检测出了部分裂 B-YOLOv5能更好地部署在嵌入式设备上。
纹，但仍存在漏检情况，说明该算法的特征提取存 文章所改进的算法，虽然可以适应不同环境的
在缺陷，而B-YOLOv5 算法可以完整地检测出裂 影响，但如果存在阴影和污渍等干扰因素，检测性能
纹，但置信度较低，这是将来可以改进的地方。同 会大大降低，因此，在之后的工作中，还需对网络结
时存在凹坑和裂纹的情况下，YOLOv5 算法虽然 构作出相应的改进。
检测出了凹坑，但漏检了裂纹，而B-YOLOv5 算
参考文献：
法没有漏检。背景较为复杂的情况下，两种算法
几乎都能检测出缺陷，但YOLOv5 算法忽略了一 [1] 陈克鸿，陈冠雄. 我国公路养护市场化的问题与发展建
些小的凹坑，而B-YOLOv5 算法无漏检，并且置 议[J]. 中国公路，2019（13）：46-49．
信度更高。通过以上对比可以看出，YOLOv5 算 [2] 周基，蔡强，田琼. 70年中国公路路基路面病害研究现
状与发展趋势——基于CNKI 1949—2019年文献的知
法在小目标缺陷和凹坑上存在一定的漏检问题，
识图谱分析[J]. 中外公路，2020，40（3）：60-66．
特征提取也存在一定的缺陷，而B-YOLOv5 算法
[3] 黎蔚，朱平哲. 沥青路面裂缝图像检测算法研究[J]. 计
中改进的B-PANet结构相对于PANet结构，能更
算机工程与应用，2012，48（19）：163-166，219．
好地提取细小裂纹和凹坑的特征信息，降低细小裂 [4] 孙波成，邱延峻，梁世庆. 基于小波的路面裂缝识别研
纹的漏检率，验证了文章所提出的特征融合机制的 究[J]. 重庆交通大学学报 （自然科学版），2010，29（1）：
有效性。 69-72．
[5] 封晓晨， 李宁，顾玉宛，等. 基于改进U-Net网络的细小
6 结论 裂纹检测[J]. 计算机应用与软件，2022，39（3）：193-200．

文章所改进的加强特征信息提取的轻量化网络 [6] KUMAR P，SHARMA A，KOTA S R. Automatic
multiclass instance segmentation of concrete damage
B-YOLOv5，在细小裂纹和凹坑的检测上，达到了良
using deep learning model[J]. IEEE Access，2021，9：
好的效果，降低了YOLOv5算法对细小目标的漏检
90330-90345．
率。改进的特征融合机制相比于PANet路径聚合网 [7] 罗晖，余俊英，涂所成. 基于深度学习的公路路面病
络，能更有效地提取有用的深层缺陷信息。经多组 害检测算法[J]. 科学技术与工程，2022，22（13）：5299-
试验结果表明，B-YOLOv5算法在检测精度和速度 5305．
59
2024 年 第 46 卷 第 7 期
无损检测