Page 71 - 无损检测2025年第四期

卢亚荣：
基于 YOLOv4 算法的建筑大面积现浇混凝土地坪施工细小裂缝检测

1
[s ]= [s ] （10） （16）
min max
2
式中：g 水平约束系数；arcch(x)为双曲余弦反函数； 式中：P为分配阈值；Y(E)为像素直方图；R total 为超
x
j为混凝土地坪结构厚度；k 为抗拉极限；s min 、s max 为 出阈值像素点；Y'(E)为最终提取细小裂缝特征的直
l
抗拉强度最小与最大时的间距长度；s为等同约束下 方图。
间距长度 [7-10] 。 通过增强处理与聚类处理后的裂缝图像，以获
直接从混凝土地坪结构的约束力下可以获取裂 取的细小裂缝特征为基准，在YOLOv4中检测大面
缝信息，肉眼可见的裂缝间距能够直接计算得出，而 积现浇混凝土地坪施工中的细小裂缝。
细小裂缝的特征分量不明显，故选择滤波聚类方法
提取细小裂缝边缘特征。 4 基于YOLOv4算法的地坪细小裂缝检测
3 细小裂缝局部特征聚类提取 大面积混凝土地坪施工中会产生大量图像信
息，难以直接以肉眼进行对应的裂缝特征检测，采用
均值偏移算法为一种聚类算法，可以在定量样本 YOLOv4算法分析和处理丰富数据集，以检测数据
中对边缘信息特征进行有效提取，应用这一算法处理 图像中存在的细小裂缝。YOLOv4算法中的突出优
混凝土地坪裂缝信息样本，将样本规定在一个球形范 势为特征融合层，其可以实现与细小边缘特征的融
围内，通过球形中最大密度来转移边缘目标，即 合。该算法的基本思想是将图像分割出不同的网格，

Q
∑ n ，b   nn m 2   在网格中针对真实图像构建真实框与预测框，即
-
m =1   v   （17）
c vb ( )= Q  2  -n （11）
n
，
∑ b  nn m  （18）
-
m =1   v   式 中：[S]为边界框参数集合；d 为置信度变量；
λ
(d ，d )为目标中心点与所在网络的距离；F 为预
其中：v为聚类半径；n 为样本球形范围内所有信息 ε ϕ pred
m
(
点；n为裂缝信息样本中心；Q为全部信息点；b为收 测框；F truth 为真实框；d ，d )为F pred 与F truth 的宽高比
γ
ϕ
敛阈值；c v ， b (x)为均值偏移滤波函数，当c v ， b (n)的值 对数 [14-15] 。
小于b时，说明该信息点与裂缝边缘重合。 YOLOv4算法中以真实图像构建预测框，两者
经过均值滤波能够确定裂缝信息中的边缘范 在融合过程中会出现交叉损失，因此，在这一过程中
同时引用损失函数，在交叉损失函数的基础上划分
围，但由于混凝土地坪的裂缝信息中还存在有噪点
信息（会影响局部细节信息），故需要对干扰项进行 多个网格单元，实现裂缝检测（公式略）。
剔除，实现边缘局部细节的增强，即 首先划分网格单元格，根据细小裂缝的置信度
损失函数，计算真实框中的真实值和细小裂纹在预
 R sum  测框中的预测值，然后判断预测值是否对应细小裂
R   R sum - max( )  
E
W = sum + （12） 缝所在的单元格，最后结合交叉融合过程，通过真实
E
max( ) T
框与预测框的交叉融合，在预测框获取的细小裂缝
式中：W为剪裁阈值；E为灰度值；max(E)为最大灰 目标与真实框对应后，说明图像中的裂缝检测完毕。
度值；R sum 为裂缝信息中像素点个数；T为裂缝信息 至此，文章基于YOLOv4实现了建筑大面积现浇混
自适应对比度常量 [11-13] 。 凝土地坪施工细小裂缝检测方法设计。
在剪裁过程中整合灰度值最高的像素值构成最
终的直方图，实现细小裂缝局部特征的提取，即 5 混凝土地坪检测试验与分析
一般情况下地下停车场为混凝土地坪，经常在
（13）
建成不久后出现裂缝问题，为此，上文基于YOLOv4
设计了一种混凝土地坪细小裂缝检测方法，为验证所
= P -W R sum （14） 提方法的现实应用价值，选择文献[1]、[2]中的基于

R 空洞卷积的检测方法和基于神经网络的检测方法作
R sum = total （15）
E
max( ) 为对照组，按照对比方式进行论证。从实验室平台数
41
2025 年 第 47 卷 第 4 期
无损检测