GSE-YOLO:一种用于可持续基础设施裂缝检测的边缘增强轻量级YOLO框架

《Sustainability》:GSE-YOLO: An Edge-Enhanced Lightweight YOLO Framework for Sustainable Infrastructure Crack Detection

【字体: 大 中 小 】 时间:2026年07月10日 来源:Sustainability 4.1

编辑推荐:

  老化的道路和混凝土基础设施需要高效的裂缝检测方法,以支持及时维护,同时减少人工和计算成本。现有的轻量级检测器通常通过压缩特征来提高速度,但这可能会削弱裂缝边缘和细微纹理的表示。本文提出了一种基于YOLO11n的边缘增强轻量级裂缝检测框架GSE-YOLO,用于资

  
老化的道路和混凝土基础设施需要高效的裂缝检测方法,以支持及时维护,同时减少人工和计算成本。现有的轻量级检测器通常通过压缩特征来提高速度,但这可能会削弱裂缝边缘和细微纹理的表示。本文提出了一种基于YOLO11n的边缘增强轻量级裂缝检测框架GSE-YOLO,用于资源高效的基础设施监测。该框架引入了GhostEdgeConv模块,该模块结合了Ghost风格特征生成、Sobel边缘响应和边缘门控增强机制,以在有限开销下强化细长和低对比度的裂缝特征。进一步整合了SPPELAN和EMA,以改善多尺度上下文聚合和关键区域特征重校准。在Crack-Seg数据集上的实验表明,GSE-YOLO达到了81.7%的平均精度均值(mAP,mean Average Precision),较YOLO11n基线提升了2.5个百分点。精确率(Precision)和召回率(Recall)分别提升了4.7和1.5个百分点,同时参数量和千兆浮点运算数(GFLOPs,Giga Floating Point Operations)分别减少了17.8%和14.3%,推理速度达到500帧每秒(FPS,Frames Per Second)。这些结果表明,GSE-YOLO能够在检测精度、计算效率和可部署性之间为可持续基础设施维护提供实际平衡。
本研究旨在解决老化基础设施裂缝检测中轻量级模型对边缘和细纹理表示不足的问题。针对现有轻量级检测器因特征压缩而削弱裂缝边界感知的局限,研究人员以YOLO11n为基线,构建了边缘增强的轻量级裂缝检测框架GSE-YOLO。该框架通过引入GhostEdgeConv模块,将Ghost风格轻量特征生成、Sobel边缘响应与边缘门控机制融合,在低计算开销下强化裂缝边界与细长结构表示;同时采用SPPELAN(空间金字塔池化+高效层聚合网络,Spatial Pyramid Pooling and Efficient Layer Aggregation Network)和EMA(高效多尺度注意力,Efficient Multi-scale Attention)分别增强多尺度上下文聚合与关键区域特征重校准,以提升复杂背景下的检测稳定性。实验基于Crack-Seg数据集(含3717张训练图像、200张验证图像及112张测试图像,涵盖道路与混凝土表面多种裂缝形态)进行,并辅以VOC2007通用目标检测数据集评估泛化能力。主要研究结论如下:在对比实验中(4.4节),GSE-YOLO与YOLO11n基线对比:精确率(Precision)从86.0%提升至90.7%(+4.7个百分点),召回率(Recall)从72.7%提升至74.2%(+1.5个百分点),平均精度均值(mAP50)从79.2%提升至81.7%(+2.5个百分点),推理速度(FPS)从416提升至500(+20.2%),同时参数量(Params)从2.58M降至2.12M(-17.8%),千兆浮点运算数(GFLOPs)从6.3降至5.4(-14.3%),显存占用减少13.4%。在主流模型对比中(4.4.2节),GSE-YOLO在mAP和精确率上均超越Faster R-CNN、SSDLite及YOLOv5s/YOLOv8n等模型,且参数量和计算量处于最低水平,表明其在轻量约束下实现了最佳精度-效率平衡。在误差分析中(4.5节),混淆矩阵显示测试集上存在12个误检(I类错误,主要为接缝、阴影等类裂缝纹理)和19个漏检(II类错误,主要为微裂缝、低对比度裂缝),而GSE-YOLO较基线模型在定位稳定性上表现更优,归因于GhostEdgeConv的边缘增强与EMA的关键区域重校准。在消融实验中(4.6节),通过逐步引入模块发现:单独使用GhostEdgeConv使召回率提升至77.9%、mAP提升至81.5%,但精确率略降(82.5%);单独使用EMA使召回率达75.1%、mAP达81.4%;单独使用SPPELAN使精确率达86.6%、mAP达80.5%。三者联合(GSE-YOLO)达到最佳精确率(90.7%)和mAP(81.7%),且参数量和计算量均低于基线。GhostEdgeConv部署位置消融(4.6.2节)表明,在骨干网络和第20层同时部署时获得最佳综合性能(精确率90.7%,mAP 81.7%,FPS 500)。注意力机制消融(4.6.3节)表明,EMA在精确率(90.7%)、mAP(81.7%)和FPS(500)上优于SimAM、SE、C2PSA、CA和PSA,且热力图显示其激活更集中于裂缝区域。在VOC2007上的补充实验(4.7节)显示,GSE-YOLO的mAP从基线64.2%提升至65.3%,表明其在通用检测任务中保持一定适用性。讨论部分(4.8节)指出,轻量设计使模型更适于边缘设备和移动巡检平台,从而支持预防性维护与资源高效管理,但未来需在嵌入式平台和实际工况下进一步验证。研究结论(第5节)总结:GSE-YOLO在检测精度、计算效率与模型轻量性之间取得了有利平衡,适用于道路检测和混凝土结构健康监测等资源受限且实时性要求高的工程场景。通过降低计算复杂度的同时保持实时检测性能,该框架能支持更可持续的基础设施维护。但需注意,其召回率仍低于部分对比模型,对极细裂缝和复杂干扰场景存在漏检风险;同时,后续需优化召回能力并开展跨数据集泛化验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号