Crack-YOLOv7：深度特征提取与多尺度信息融合的道路裂缝检测

来源：计算机工程与应用杂志2025年第18期北京时间：

作者：张咏琪, 王杰, 邓彬, 周渝皓, 杨珺旎

单位：1.安徽理工大学 安全科学与工程学院，安徽 淮南 232001；2.安徽理工大学 电气与信息工程学院，安徽 淮南 232001

摘要：现有的道路裂缝检测方法通常依赖于局部特征进行检测，导致目标的结构信息和上下文关联性不足，从而影响检测精度。为解决这一问题，提出一种基于深度特征提取与多尺度信息融合的道路裂缝检测方法Crack-YOLOv7。在骨干网络中引入PSA（pyramid split attention）模块，以增强特征图的上下文信息和位置感知能力，获取更加丰富的特征信息；同时提出了SSPPF（spatial stage pyramid pooling fast）模块，提升了网络的推理速度并有效增强了前馈信息的传递；提出了S2DT-FPN（spatial-shift dilated transformer feature pyramid network）结构，通过多尺度特征融合与跨层依赖的建立，进一步捕捉了不同语义深度的特征信息，同时保留了全局上下文特征；由于道路裂缝形态的多样与重叠问题，采用柔性非极大抑制（Soft-NMS）算法，改善了密集裂缝场景下的检测精度。在RDD2020数据集上的实验结果表明，所提方法能够有效地从损伤图像中实现路面裂缝的检测，检测精度达到89.7%，且mAP（mean average precision）值达到65.5%。

关键词：裂缝检测,注意力机制,特征金字塔,多尺度特征,Transformer