基于YOLO轻量化的水下管桩裂缝检测方法

来源：电子测量技术杂志2025年第17期北京时间：

作者：陈潇威，宋瑞银，吴瑞明，李凤甡，王天恒

单位：1.浙江科技大学机械与能源工程学院 杭州 310018;2.浙大宁波理工学院机电与能源工程学院 宁波 315100

摘要：基于机器视觉的水下管桩裂缝检测在工作时往往面临着嵌入式设备计算资源有限、实时检测速度慢的问题，为了解决这些问题本文提出了基于管桩清洗机器人的管桩裂缝自动识别方法。设计了一种轻量化网络检测算法 YOLOv8-MLLA-Mobilenetv4-WIoU(MWM-YOLO)。在水下环境拍摄获取低质缺陷图像并进行数据增强，扩充数据集；针对浑水下低质图像，针对图像增强与目标检测不匹配所导致的抑制作用，利用MLLA自注意力精准聚焦关键特征区域，在保持高分辨率输出的同时，有效抑制背景干扰，从而增强图像增强与目标检测的协同作用。同时采用最新的Mobilenetv4主干网络，降低特征网络的参数量和计算量。在此基础上，考虑低质图像数据标注难免包含低质量示例，使用 WIoU损失函数替换原YOLOv8网络模型中的损失函数，提高模型泛化性能。实验结果表明：MWM-YOLO模型权重大小为14.9 MB，较原模型减少了30.3%。平均精度达到了89.1%，推理速度为137.54 fps，优于其他模型。改进后的网络模型相比原网络，在保持缺陷识别精度的同时，可以轻量化部署到边缘计算设备，为水下管桩清洗机器人提供技术支持。

关键词：管桩清洗机器人;管桩裂缝检测;YOLOv8s;缺陷识别;注意力机制

基金资助：浙江省“领雁”重大专项计划项目（2023C03122）、宁波市重点研发计划暨“揭榜挂帅”第一批立项项目（2022Z172）资助