基于DCNv2和Transformer Decoder的隧道衬砌裂缝高效检测模型研究

作     者：孙己龙 刘勇 周黎伟 路鑫 侯小龙 王亚琼 王志丰 

作者机构：陕西省交通运输工程质量监测鉴定站 长安大学公路学院 长安大学材料科学与工程学院 西安公路研究院有限公司 

出 版 物：《图学学报》 (Journal of Graphics)

年 卷 期：2024年

学科分类：12[管理学] 081406[工学-桥梁与隧道工程] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：陕西省交通运输厅交通科技项目(22-09K) 陕西省创新能力支撑计划资助(2023-CX-TD-35) 陕西省重点研发计划项目资助(2023KXJ-159) 

主　　题：隧道工程 目标检测 第2版可变形卷积网络(DCNv2) Transformer Decoder 衬砌裂缝 

摘      要：为解决因衬砌裂缝性状随机、分布密集、标注框分辨率低所导致的现有模型识别精度低、检测速度慢及参数量庞大等问题，以第2版可变形卷积网络(DCNv2)和端到端变换器解码器(Transformer Decoder)为基础对YOLOv8网络框架进行改进以提出1种面向衬砌裂缝的检测模型DTD-YOLOv8。首先，通过引入DCNv2对YOLOv8主干卷积网络c2f进行融合以实现模型对裂缝形变特征的准确快速感知，同时采用Transformer Decoder对YOLOv8检测头进行替换以实现端到端框架内完整目标检测流程，从而消除因Anchor-free处理模式所带来的计算消耗。采用自建裂缝数据集对SSD、Faster-RCNN、RT-DETR、YOLOv3、YOLOv5、YOLOv8和DTD-YOLOv8七种检测模型进行对比验证。结果表明：改进模型F1分数和mAP@50值分别为：87.05%和89.58%；F1分数相较其他6种模型分别提高了14.16%，7.68%，1.55%，41.36%，8.20%和7.40%；mAP@50分别提高了28.84%，15.47%，1.33%，47.65%，10.14%和10.84%。新模型参数量仅为RT-DETR的三分之一，检测单张图片的速度为16.01 ms，FPS为65.46帧/s，对比其他模型检测速度得到提升。DTD-YOLOv8在面向运营隧道裂缝检测任务需求时能够表现出高效的性能。