Page 72 - 无损检测2025年第四期
P. 72
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
据库中获取4组混凝土样本作为测试样本（见图1）。
如图1所示，此次共选择4组混凝土地坪裂缝测
试样本，每一组图像的裂缝开裂程度具有差异性，
从肉眼来看具有一定的观测难度，尤其是样本A4，
基本上无法通过肉眼直接分辨出裂缝的存在，符合
测试要求。将选择的测试样本上传至测试平台，以
MATLAB平台模拟测试环境，连接3组方法对样本
图像中的裂缝进行检测，检测结果以图像的裂缝提
(a) 样本A1 (b) 样本A2
取完整度为标准，将原始样本中的裂缝以灰度图形
式展示，并将各组方法的提取效果与灰度图对比（以
一次提取为基准），结果如图2所示。
如图2所示，两组传统方法在提取细小裂缝特
征时存在丢失情况，尤其在检测样本A4这种不清晰
图像的裂缝时，其丢失问题更加明显。而所提方法
在应用过程中基本上完成了细小裂缝特征的提取，
比两组传统方法的特征提取完整度更高，可以应用 (c) 样本A3 (d) 样本A4
在建筑混凝土地坪细小裂缝检测中。 图 1 测试样本示意
样 样 样 样
本 本 本 本
A1 A2 A1 A2
样 样 样 样
本 本 本 本
A3 A4 A3 A4
(a) 原始样本中裂缝灰度图 (b) 基于神经网络的检测方法
样 样 样 样
本 本 本 本
A1 A2 A1 A2
样 样 样 样
本 本 本 本
A3 A4 A3 A4
(c) 基于空洞卷积的检测方法 (d) 所提方法
图 2 各方法的细小裂缝提取效果对比
裂缝特征提取是检测中的一个重要步骤，具体 在数据库中选择不同类型的混凝土地坪裂缝图像作
的检测精度依赖特征提取的完整度，而算法可以进 为检测目标，通过3组方法进一步验证检测效果，具
行多次反复运算，在不超过3次反复提取的基础上， 体结果如图3所示。
42
2025 年 第 47 卷 第 4 期
无损检测
