基于YOLOv4-tiny優化算法的路面裂縫檢測分析

摘要 為保證路面裂縫檢測全面性，提高檢測精度和檢測效率，該文提出YOLOv4-tiny裂縫檢測方法，針對現有檢測方法的不足，提出YOLOv4-tiny網絡優化策略，由于計算量隨著模型精度的提高而增加，以減少參數量的方式提高檢測效率，將標準卷積替換成分組卷積。在明確YOLOv4-tiny優化算法后，通過試驗與FasterR-CNN網絡的對比分析，檢驗YOLOv4-tiny優化算法在路面裂縫檢測中的應用效果。研究表明：基于YOLOv4-tiny優化算法的路面裂縫檢測方法能夠以較快速度完成路面裂縫檢測，準確發現裂縫，檢測結果可作為公路路面裂縫養護決策的依據，YOLOv4-tiny優化算法具有可行性，可供參考。

關鍵詞 路面裂縫；檢測技術；YOLOv4-tiny；優化算法

中圖分類號 U418.6 文獻標識碼 A 文章編號 2096-8949（2024）14-0004-04

0 引言

路面裂縫病害發生率高，裂縫影響路面完整性和穩定性，需要根據路面裂縫檢測結果制定養護方案，路面裂縫檢測的復雜度高，以何種方法準確檢測路面裂縫是值得深入研究的課題。YOLO系列算法因具有準確、快速的特點而在路面檢測中取得廣泛應用，YOLOv4-tiny屬于輕量級版本，在路面裂縫檢測中的應用水平逐步提高，以較少的計算資源實現高效、高精度檢測目標，但該算法仍具有改進空間，因此研究YOLOv4-tiny優化算法在路面裂縫檢測中的應用策略具有重要意義。

1 工程概況

某路段路面結構為100 mm厚碎石層+200 mm厚混凝土碎石基層+100 mm厚瀝青下層+80 mm厚瀝青中面層+60 mm厚瀝青混凝土面層。隨著地區經濟發展，公路自建成運營以來車流量持續增加，重載車輛占比大，經長期使用后，路面出現裂縫、網裂等病害，路面結構完整性變差，穩定性下降，影響車輛行駛安全。為確定路段裂縫病害發生情況，該文提出YOLOv4-tiny優化算法，能夠以較快速度確定路段裂縫的發生位置，根據裂縫檢測結果開展路面養護工作。

2 YOLOv4-tiny裂縫檢測方法

YOLOv4泛化能力高、訓練難度低，是一種目標檢測效果良好的算法。YOLOv4網絡結構設計復雜度高，訓練和檢測耗費的時間較長，此類弊端在算力較弱的設備中體現得尤為明顯。針對YOLOv4算法的局限性，Alexey團隊以剪枝和簡化的方式調整YOLOv4算法結構，提出YOLOv4-tiny網絡，如圖1所示。得益于剪枝和簡化操作，參數量僅為YOLOv4的10%，網絡訓練和檢測效率提高，但由于進行大量精簡操作，使得YOLOv4-tiny算法的檢測精度下降，適用性有限，例如用于路面裂縫檢測時特征提取難度高。

采用YOLOv4-tiny網絡測試路段的路面圖像，用綠色、紅色分別表示檢測目標區域、漏檢區域，檢測結果如圖2所示。

根據圖2可知，背景與裂縫目標對比度高時，以較快速度識別裂縫并保證識別精度；若裂縫目標與背景像素較接近、裂縫目標尺度大時，YOLOv4-tiny檢測效果變差，可能存在漏檢現象，該方法缺乏可行性。為提高YOLOv4-tiny網絡在路面裂縫檢測中的應用水平，該文對YOLOv4-tiny網絡進行優化，突破局限，實現高精度、高效率的路面裂縫檢測目標。

3 YOLOv4-tiny優化算法

優化目標在于提高YOLOv4-tiny網絡在路面檢測中的精度和效率，優化結果如圖3所示。

在Neck模塊中引入通道語義提取模塊（CSE），結合原YOLOv4-tiny網絡中的Backbone模塊，把旋轉框的角度回歸替換為角度分類，用分組卷積代替標準卷積，根據該優化思路，提出旋轉框目標檢測的損失函數，旨在通過優化算法高效完成路面裂縫檢測，獲得高精度檢測結果。

YOLOv4-tiny優化算法的圖像特征提取依靠引入的Neck模塊和原本的Backbone模塊共同實現，全局檢測，提取的裂縫特征全面，冗余的特征通道減少，提高檢測精度和檢測效率；對旋轉框的回歸分量編碼，增設角度預測信息，以豐富的信息描述裂縫輪廓，以便根據檢測信息判斷裂縫類別，更細致地檢測路面裂縫。

4 試驗及分析

4.1 裂縫分類

裂縫類型包含橫向裂縫、縱向裂縫和網狀裂縫三類，以形狀、寬度、分布形式等為依據制定分類標準?；贑rack數據集的實際情況對路面裂縫進行分類，具體如表1所示。

4.2 模型訓練

根據算法優化策略，在YOLOv4-tiny網絡中引入通道注意力模塊，模型訓練基于Crack數據集實現；在初步優化后的網絡中增加角度預測信息，再以相同的方法訓練模型。兩次模型訓練后的損失函數曲線，如圖4（a）、4（b）所示。

對比分析圖4（a）、4（b）的收斂速度和下降平滑程度，發現兩個模型在兩方面無顯著差異，表明基于Circle smooth label的角度分類方式具有可行性，能夠保證損失函數曲線正常收斂。擇取0～400 epoch的損失函數曲線做進一步對比分析，結果如圖5所示。

相比基于水平框的網絡模型的收斂速度，基于旋轉框的網絡模型自75 epoch開始該值更高，角度回歸引起的損失值不連續問題得到有效解決，證明Circle smooth label的角度分類方法具有可行性。

4.3 試驗及分析

對比分析對象為FasterR-CNN網絡和常規YOLOv4-tiny網絡，引入FPS、mAP、Precision、Recall和F1共5項評估指標，對比分析該文和兩種對比方法的各項評估指標，檢驗該文的可行性。其中，FPS屬于網絡實時性的指標，mAP屬于衡量網絡準確性的指標，FPS、mAP、F1三項指標可綜合反映模型性能，具有F1越高則性能越好的規律。試驗基于Crack數據集和GRDDC數據集進行。試驗中，確定橫向裂縫（D10）、縱向裂縫（D20）、網狀裂縫（D30）的mAP，并確定兩種數據集上得到的AP、Precision、Recall、F1、FPS值，綜合多種數據進行對比分析。兩種數據集的檢測結果，如表2、表3所示。

結合表2、表3進行分析，相比原YOLOv4-tiny網絡，該文優化方法的各類別的精準度均提高，該文在Crack數據集、GRDDC數據集上的平均精度分別為55.32%、49.55%，高于兩種對比算法。對于mAP指標，該文和YOLOv4在Crack數據集上的試驗結果具有較高的一致性，兩者相差不到1%。

該文提取的裂縫特征兼具強判別性和良好魯棒性。算法優化中，采用分組卷積代替標準卷積，Crack數據集、GRDDC數據集的FPS指標試驗結果分別為75、99，優化前分別為63、88，該文的FPS值提高幅度約為10%～20%，經過優化后的網絡訓練參數和運算量均減少，該文具有提高路面檢測精度和檢測效率的優勢。

在Crack數據集中，該文對三種裂縫的檢測精度和召回率均較高，D10、D20、D30的F1分數分別為0.64、0.69、0.67，優化算法有效提升YOLOv4-tiny網絡的檢測性能，能夠使精準度和召回率維持相對平衡的狀態。在GRDDC數據集中，該文對三種裂縫的檢測能力突出，D10、D20、D30的F1分數分別為0.67，0.53，0.59。因此，該文無論對于Crack數據集還是GRDDC數據集均有適用性，對路面裂縫的檢測能力較強。

取時長為3 min的路面視頻，分別采用YOLOv4-tiny和YOLOv4-tiny+CSE兩種算法進行檢測。以視頻中截取的200幀圖像為例，兩種方法的檢測結果如表4所示，根據檢測率、漏檢率指標評價優化算法的路面裂縫檢測性能。

根據表4統計結果可知，該文采用CSE模塊優化傳統YOLOv4-tiny網絡后，漏檢率為31%，相比優化前的65%明顯下降，說明該文提出的改進方法在降低漏檢率方面具有優勢，檢測結果更加可靠。同時，該文優化算法在路面裂縫檢測中的優勢還在于能夠檢測裂縫的形狀信息，更加真實地反映路面裂縫病害情況，給裂縫處理提供依據。

5 結語

綜上所述，該文在了解YOLOv4-tiny算法應用特點后，根據高效率和高精度的檢測目標，提出優化算法，采用CSE模塊優化傳統方法，并進行試驗分析，通過與傳統方法的對比分析可知，優化方法的檢測效率、檢測精度均更高，具有實用性。當然，該文章研究尚有不足之處，例如在復雜場景下的路面裂縫檢測效果相對有限，需要繼續深入研究，改進算法，以提高算法在路面裂縫檢測中的應用水平。

參考文獻

[1]于靜，郭嘉偉，邢立寧，等.基于混合蟻群貪婪算法的路面區域多裂縫修補路徑規劃研究[J].湖南交通科技，2023（4）：48-52.

[2]杭伯安.基于改進K-means算法的瀝青路面裂縫分割方法[J].公路交通科技，2023（4）：1-8.

[3]王彩云.優化側邊融合和注意力機制的混凝土路面裂縫檢測算法研究[D].重慶：重慶郵電大學，2022.

[4]龐煒辰，王富玉，楊旭.路面裂縫自動化修補中路徑規劃研究的進展概述與展望[J].中外公路，2022（2）：68-72.

收稿日期：2024-05-08

作者簡介：任小坤（1979—），男，大專，工程師，研究方向：道路橋梁工程技術。