环境适应性优化的轻量化多尺度道路裂缝检测
来源：中国血液净化杂志2025年第7期北京时间：
作者：杨豪, 刘李彦, 张军辉, 郭凯丽
单位：1. 长沙理工大学 公路工程教育部重点实验室，湖南 长沙 410114","2. 长沙理工大学 交通学院，湖南 长沙 410114","3. 湘江实验室，湖南 长沙 410205
摘要：<p>道路裂缝的检测对道路工程建养具有重要意义，特别是在防灾减灾领域的大范围快速巡检中发挥着关键作用。然而，传统检测方法面临检测精度低、速度慢和泛化能力差等问题，为此，提出了一种环境适应性优化的轻量化多尺度道路裂缝检测算法。首先，通过采用StarNet替换YOLOv8的主干网络，降低计算负担并提高检测速度；其次，引入C2f-Star模块以增强多尺度特征提取并抑制无关特征的干扰；接着，使用GN-YoloHead检测头优化计算资源管理；最后，采用Focaler-MPD-WIoUv3损失函数替代传统损失函数，以提升检测性能。此外，利用数据增强技术构建裂缝图像数据集，进一步提升模型的泛化能力。为验证算法的有效性和可靠性，将该模型与Faster-RCNN、SSD、YOLOv5-s、YOLOv7-tiny、YOLOv8-n、YOLOv10-n及YOLOv11进行对比试验。结果表明：该模型的<i>F</i><sub>1</sub>分数达到90.6%，相比其他7种算法分别提升了20.6%、6.0%、1.9%、3.0%、1.8%、2.6%和1.2%；<i>m</i><sub>AP50-95</sub>值为62.4%，分别提升了19.9%、12.9%、4.9%、6.7%、2.1%、4.0%和2.4%。此外，模型的权重文件仅为2.8 MB，比原始YOLOv8压缩了47.5%，且远小于其他模型。模型参数量为1.4 M，计算量为4.5 G，检测速度达197.7帧•s<sup>－1</sup>，效率得到大幅提升；并且该算法在不同光照和复杂背景下展现出良好的泛化能力，能精准检测并标记裂缝。该模型实现了道路裂缝的快速、智能识别，为道路裂缝检测提供了重要的技术参考。</p>
关键词：路面工程,道路裂缝检测,深度学习,多尺度道路裂缝,模型轻量化,环境适应性优化
