基于YOLOX-G算法的隧道裂缝实时检测.pdf

第 20 卷 第 7 期2023 年 7 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 7July 2023基于YOLOX-G算法的隧道裂缝实时检测周中1，闫龙宾1，张俊杰1，杨豪2,3(1.中南大学 土木工程学院，湖南 长沙 410075；2.长沙理工大学 交通运输工程学院，湖南 长沙 410114；3.长沙理工大学 公路养护技术国家工程研究中心，湖南 长沙 410114)摘要：裂缝是隧道衬砌最常见的病害之一，影响隧道的结构耐久性和运营安全性。由于现役隧道日常检修任务艰巨，因此对隧道裂缝的高效智能化检测至关重要。针对隧道衬砌裂缝传统检测方法检测精度低、检测速度慢等问题，基于YOLOX算法提出一种新的YOLOX-G隧道衬砌裂缝图像检测算法。采用Ghostnet替换YOLOX的CSPDarknet主干网络，在加强特征提取网络中利用Ghost卷积代替原卷积块，用GIOU损失函数代替IOU损失函数。将YOLOX-G算法与YOLOX，YOLOv5，YOLOv3，SSD和Faster RCNN 5种算法在构建的隧道裂缝图像数据集上进行实验对比，结果显示：YOLOX-G算法的F1分数为85.29%，相较于其他5种算法分别提高了4.26%，6.49%，7.29%，17.23%和4.53%；AP值为90.14%，相较于其他5种算法分别提高了7.28%，10.93%，11.53%，17.65%和10.38%。此外，YOLOX-G算法模型数据大小为38.1 M，相对于YOLOX算法模型压缩了81.59%；检测单张图片的时间为15.12 ms，FPS为66.14帧/s，相较于其他5种算法分别提高了18.89帧/s，13.92帧/s，21.41帧/s，25.72帧/s和49.69帧/s。因此，提出的YOLOX-G算法满足移动设备对模型大小的要求及对帧率的需求，可以实现对隧道衬砌裂缝高速度、高精度、实时动态性检测。关键词：隧道工程；裂缝检测；深度学习；神经网络中图分类号：U45 文献标志码：A 开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）07-2751-12Real-time detection of tunnel cracks based on YOLOX-G algorithmZHOU Zhong1,YAN Longbin1,ZHANG Junjie1,YANG Hao2,3(1.School of Civil Engineering,Central South University,Changsha 410075,China;2.School of Traffic and Transportation Engineering,Changsha University of Science&Technology,Changsha 410114,China;3.National Engineering Research Center of Highway Maintenance Technology,Changsha University of Science&Technology,Changsha 410114,China)Abstract:Cracks are one of the most common diseases of tunnel linings,affecting the structural durability and operational safety of tunnels.Due to the huge daily maintenance tasks of active tunnels,efficient and intelligent detection of tunnel cracks is crucial.Aiming at the problem of low detection accuracy and slow detection speed of traditional detection methods of tunnel lining cracks,a new YOLOX-G tunnel lining crack image detection 收稿日期：2022-08-02基金项目：国家自然科学基金资助项目(50908234)；湖南省自然科学基金资助项目(2020JJ4743)；中南大学研究生科研创新项目(1053320213484)通信作者：杨豪(1991)，男，河南汝南人，讲师，博士，从事交通岩土工程方面的教学与研究工作；Email：hyang_DOI:10.19713/ki.43-1423/u.T20221523铁 道 科 学 与 工 程 学 报2023 年 7月algorithm was proposed based on the YOLOX algorithm.Firstly,the Ghostnet was used to replace the YOLOXs CSPDarknet backbone network.Secondly,the Ghost convolution was used to replace the original convolution block in the enhanced feature extraction network.Finally,the IOU loss function was replaced by the GIOU loss function.Comparing the YOLOX-G algorithm with other five algorithms of YOLOX,YOLOv5,YOLOv3,SSD,and Faster RCNN on the constructed tunnel crack image dataset,the results are drawn as follows.The F1 score of the YOLOX-G algorithm is 85.29%,which is 4.26%,6.49%,7.29%,17.23%,4.53%higher than the other five algorithms,respectively.The AP value of the YOLOX-G algorithm is 90.14%,which is 7.28%,10.93%,11.53%,17.65%,10.38%higher than the other five algorithms,respectively.In addition,the data size of the YOLOX-G algorithm model is 38.1 M,which is 81.59%compressed compared with that of the YOLOX algorithm model.For the YOLOX-G algorithm,the time to detect a single image is 15.12 ms,and the FPS is 66.14 frames/s,which is higher than the other five algorithms of 18.89 frames/s,13.92 frames/s,21.41 frames/s,25.72 frames/s,49.69 frames/s,respectively.Therefore,the proposed YOLOX-G algorithm meets the requirements of mobile devices for model size and frame rate,and can realize high-speed,high-precision,and real-time dynamic detection of tunnel lining cracks.Key words:tunnel engineering;crack detection;deep learning;neural network 随着地下空间工程的不断发展，隧道在日常交通设施中的比例越来越大，隧道衬砌病害的智能化检测及识别效率问题也逐渐成为社会关注的重点。隧道在长时间的运营过程中，一直承受着围岩压力、活荷载、温度效应、地下水及化学侵蚀等诸多场力的耦合作用，难免会在运营过程中产生衬砌病害，其中最常见的就是隧道衬砌开裂1。衬砌开裂不仅会对隧道的运营安全与行车安全造成威胁，引起结构钢筋锈蚀，诱发更多次生裂缝产生2，还可能产生一系列隧道灾害，比如：隧道衬砌掉块3，隧道渗漏水45，隧道坍塌6等。裂缝是结构损伤的表现，是结构破坏的预兆。因此，有必要对隧道衬砌裂缝进行及时的检测和治理，其中，隧道衬砌病害的精准高效实时动态智能化检测技术显得至关重要。对于隧道衬砌裂缝的检测方法，传统的方式是人工巡检和手工标记7，工作人员在隧道中一边行走一边观察记录隧道衬砌上的裂缝，但是人工巡检及标记方式的主观性强、效率低下并且准确度不高，加上隧道内部的灰暗环境条件和人眼目测范围的局限性，更让人工方式越来越满足不了日益发展的隧道工程的检测需求。近年来，数字图像技术89慢慢取代人工巡检，广泛用于隧道衬砌裂缝检测。王耀东等10利用分块图像处理算法对区域内裂缝图像进行处理，提出裂缝差异计算模型，有效消除了类裂缝物体的干扰并提高了裂缝检测精度。尹冠生等11先对裂缝图像进行分块，再利用阈值分割法进行图像处理，提出一种基于图像分块的裂缝识别算法，完成对隧道裂缝的精准识别。王平让等12基于局部网格特征和种子连接算法完成了隧道裂缝的完整连接及高效自动识别。QU等13提出一种接缝消除算法和渗流检测算法相结合的隧道衬砌裂缝算法，可以去除表面噪声，高效检测出真实的表面裂缝。基于数字图像技术的裂缝检测虽然能够快速检测裂缝，但是分析精度会严重受到环境条件的影响，例如：隧道内的光线灰暗条件、结构表面噪声、类似裂缝物体等。相较于传统图像处理技术，深度学习目标检测算法1415具有更好的适用性和广泛性。目前，在隧道衬砌裂缝检测方面广泛应用的深度学习目标检测算法有2种：单阶段目标检测网络直接基于目标进行分类回归，速度快但精度低，常用的有SSD及改进系列1618和YOLO1921系列；双阶段目标检测网络先寻找目标位置得到建议框，然后基于建议框进行分类回归，精度高但速度慢，常用的有 RCNN2224系列。任松等25利用检测台车收集并构建20 000张隧道裂缝数据集，构建SSD模型对隧道衬砌裂缝实现高精度快速检测。彭雨诺等26利用下采样注意力机制对2752第 7 期周中，等：基于YOLOX-G算法的隧道裂缝实时检测YOLO算法进行改进，实现了小窗口上的裂缝病害高精度检测。ZHOU等27提出一种YOLOv4-ED算法，对实际工程条件下的隧道裂缝实现了自动化检测。LIAO等28利用移动成像模块收集了隧道裂缝数据集，然后提出一种新型的轻型卷积网络(CNN)，在保证裂缝连续性的前提下完成对裂缝的高效检测。LI等29通过改进Faster RCNN提出一种多层融合网络，并搭建了地铁隧道检测系统，对隧道裂缝实现了实时检测。分析已有的研究成果可知，深度学习目标检测算法能够实现较高精度的隧道衬砌裂缝检测，然而在目前的应用过程中依旧存在一些问题：1)网络模型太大，架构在无人机等轻型设备上比较困难，检测裂缝图像所需时间太长，难以实现隧道裂缝的实时性检测，无法满足实际工程的需要；2)模型容易受环境干扰，对裂缝检测的精度容易受到光照条件、噪声、类裂缝物体等因素的影响，无法实现在实际隧道工程中的高精度检测。为解决上述问题，本文以YOLOX 为基础算法，融合 Ghostnet 网络与 Ghost 卷积，提出一种名为 YOLOX-G 的隧道裂缝检测算法，在裂缝数据集上进行训练和测试，实现对隧道衬砌裂缝的高精度、高速度检测。本文所做的贡献有：1)采用Ghostnet网络作为YOLOX算法的主干网络，大幅度减少了模型的参数量并提升了模型的图像检测速度，能够实现后续在其他移动设备上的架构和裂缝实时检测；2)在加强特征提取网络中使用Ghost卷积代替原来卷积块，提高了模型的特征提取能力与提取速度；3)采用GIOU代替IOU作为YOLOX算法的目标位置损失函数，进一步提高了模型的识别精度。1 隧道衬砌裂缝算法1.1YOLOX算法YOLOX算法是GE等30在2021年提出的最新一代 YOLO系列目标检测器，它在解耦头、锚框以及数据增强等方面进行了改进与巧妙的组合，在精度方面全面超越 YOLOv3，YOLOv4 和 YOLOv5。YOLOX 隧道衬砌裂缝检测算法由 CSPDarknet 主干网络、PANet 特征提取网络及 YOLO Head输出模块组成，算法原理如图1。检测图片输入后，首先被统一调整成416416的大小，输入到主干特征提取网络中进行特征提取，获得3个有效特征层矩阵，特征层矩阵的大小分别为5252256，2626512，13131 024。然后3个特征层会输入到加强特征提取网络中，经过一系列的卷积(Conv)、上采样(Upsampling)、下采图1YOLOX隧道衬砌裂缝检测算法原理Fig.1Principle of the YOLOX tunnel lining crack detection algorithm2753铁 道 科 学 与 工 程 学 报2023 年 7月样(Downsampling)、特征融合(Concat)等操作，加强对图片特征的提取，最终获得3个加强特征层。再将3个加强特征层传入预测模块，经过一次卷积后分成2个部分进行分类与回归，分类部分经过2个33的卷积和1个11的卷积进而得到结果用于判断每一个特征点所包含的物体种类，回归部分经过2个33的卷积，其中一部分经过1个11的卷积得到特征点的回归参数，用于调整得到预测框，另一部分经过1个11的卷积用于判断特征点是否包含物体，最终将3个预测结果进行堆叠，得到每一个特征层的预测结果。相较于YOLO系列其他算法，YOLOX算法主要做了以下改进：第一，YOLO系列算法所用的解耦头是一起的，即分类和回归同时实现，这会干扰网络对于目标的识别。YOLOX算法将解耦头分开，将分类和回归分别实现，最后预测的时候才整合到一起。第二，YOLOX没有使用先验框，减少了约2/3的参数量，并且训练和解码阶段都得到了简化，提高了运算速度与性能。1.2YOLOX-l算法选择YOLOX 算法主要包括 s，m，l，x 这 4 个版本，它们的主要区别是网络的深度、宽度及参数量不同，其中x版本的深度、宽度及参数量最大。4个版本网络的深度和宽度分别通过depth，width这2个参数进行调节，参数影响加强特征提取网络中卷积叠加的次数以及卷积核的大小，参数具体数值如表 1。本文选用 YOLOX-l 算法进行改进，以下直接采用YOLOX指代YOLOX-l。1.3YOLOX-G算法本文提出的YOLOX-G算法通过以下方法进行改进：采用Ghostnet代替CSPDarknet作为YOLOX网络的主干特征提取网络，采用Ghost卷积替换加强特征提取网络中的4个CSPLayer卷积进行特征提取，将IOU目标位置损失函数替换为GIOU损失函数。利用YOLOX-G算法进行隧道衬砌裂缝检测的原理如图2所示。检测图片输入后依旧会统一调整成416416的大小，在经过Ghostnet主干特征提取网络后会得到3个有效特征层矩阵，矩阵大小分别为 525240，2626112，1313160，与原始YOLOX算法相比，所有特征层的大小均一致，只是通道数不同，这样保证了修改前后网络的一致性。有效特征层经过特征融合和预测模块，最终得到每张图片的预测结果。1.3.1Ghostnet网络Ghostnet是2020年提出的一种轻量化网络31。不同于其他轻量化网络只利用深度可分离卷积来减少参数量，Ghostnet主要利用计算量更低的操作表1YOLOX系列版本参数Table 1YOLOX series version parameters参数depthwidthYOLOX-s0.330.50YOLOX-m0.670.75YOLOX-l1.001.00YOLOX-x1.331.25图2YOLOX-G隧道衬砌裂缝检测算法原理Fig.2Principle of the YOLOX-G tunnel lining crack detection algorithm2754第 7 期周中，等：基于YOLOX-G算法的隧道裂缝实时检测(卷积与逐层卷积相结合)来生成一些相似的特征图，在保证检测精度的同时减少参数量以及提高检测速度。Ghostnet 主要由 Ghost Botteleneck(G-bneck)瓶颈结构堆叠而成，瓶颈结构有步长为1和2这2种：步长为1的结构用于特征提取，其主要由2个连续的Ghost卷积和1个残差边组成；步长为2的结构用于对特征层的宽高进行压缩，与步长为1的结构的主要区别是在2个Ghost卷积块中间插入了一个步长为 2 的深度可分离卷积。此外，Ghostnet采用了注意力机制，可以增大网络训练中正 样 本 的 有 效 权 重，提 高 网 络 的 识 别 精 度。Ghostnet的网络参数表如表2所示，2种瓶颈结构如图3所示。1.3.2Ghostnet卷积Ghost卷积将普通卷积分成2步进行：首先利用一个11的卷积进行特征整合，生成特征层的特征浓缩。然后利用逐层卷积得到特征浓缩的相似特征图，再将这些相似特征图和特征浓缩进行叠加进而得到输出。Ghost 卷积的原理图如图 4所示。1.3.3Loss函数YOLOX-G 算法的总损失函数Loss一共由 3 个部分组成，分别是目标位置损失Lreg；置信度损失Lconf；分类损失Lcls，总损失函数计算公式为：Loss=Lreg+Lconf+Lcls(1)其中，置信度损失和分类损失使用二元交叉熵损失函数，位置损失利用GIOU损失函数GIOU替换原来的 IOU 损失函数IOU，GIOU 损失函数是 IOU 损失函数的改进版本，其关注了非重叠区域，是一个很好的距离度量指标，可以有效解决预测框和真实框没有重叠时的情况32，有利于网络训练时更好地收敛。具体计算公式为：Lreg=1-GIOU(2)GIOU=IOU-|D-()PR|C(3)IOU=PRPR(4)式中：P为预测框；R为实际框；D为预测框与实际框的最小包围框；IOU为预测框与实际框的交集区域与并集区域面积的比值。2 隧道裂缝检测实验为验证本文所提出的YOLOX-G算法在隧道衬砌裂缝检测方面的有效性，将其与 YOLOX-l，YOLOv5-l，YOLOv3，SSD，Faster RCNN 5 种算法进行对比实验。表2Ghostnet网络参数表Table 2Ghostnet network parameters table输入通道31616242440408080112160操作次数Conv2d1G-bneck1G-bneck1G-bneck1G-bneck1G-bneck1G-bneck1G-bneck3G-bneck2G-bneck1G-bneck4输出通道1616242440408080112160160注意力机制步长21212121121注：conv2d 是 2 维卷积操作，G-bneck 是 Ghostnet 的卷积块。(a)步长1；(b)步长2图3Ghostnet网络瓶颈结构Fig.3Ghostnet network bottleneck structure图4Ghostnet卷积原理Fig.4Principle of the Ghost convolution2755铁 道 科 学 与 工 程 学 报2023 年 7月2.1隧道裂缝数据集的构建对课题组在多个隧道中进行病害检测时拍摄的图片进行总结，得到隧道衬砌裂缝图像的850张初始数据集，部分裂缝图像如图5所示。这些裂缝图像包含了隧道内复杂背景、明亮及灰暗光照条件等多种情况，能够很好地代表隧道工程中的实际情况。考虑到网络训练需要大量的裂缝图像，通过对裂缝图像进行随机的旋转、裁剪、水平及竖直翻转、光照调整、噪声、模糊等操作来扩充数据集，最终构建了隧道衬砌裂缝图像的1 500张数据集，部分操作过程如图6所示。将数据集按照比例进行分配得到：训练集1 215张，验证集135张，测试集150张。其中，训练集用于网络训练；验证集用于判断网络是否收敛，防止网络出现过拟合；测试集用于对训练好的网络进行测试。图5隧道衬砌裂缝示例Fig.5Examples of tunnel lining cracks图6隧道衬砌裂缝数据集扩充操作示例Fig.6Example of expansion operation for tunnel lining crack dataset2756第 7 期周中，等：基于YOLOX-G算法的隧道裂缝实时检测使用 LabelImg对数据集图像进行标注，并将其转换为VOC格式。LabelImg是对目标进行识别并标注的软件，通过LabelImg可以对目标进行位置和大小的加框标注，进行标注的图片将会生成目标位置和大小的文件，用于网络的训练。隧道内裂缝按照方向可以分为横向裂缝、纵向裂缝及斜向裂缝，考虑到隧道衬砌裂缝的连续性和整体性，对不同形状的隧道裂缝，均采用单一矩形框进行标注。裂缝标注的示例如图7所示。2.2实验环境实验基于 CUDA11.3，Python3.8，Pycharm 和Pytorch1.10.0 搭建深度学习框架，利用 NVIDIA GeForce RTX 3060 GPU对网络进行训练。2.3网络超参数的选择为统一不同网络中图片大小，输入网络的图片均为416416。训练的Epochs设置为200次，分2个部分进行训练：第1部分采用冻结训练，训练前50个Epochs，此时冻结模型主干，只对网络进行微调，batch_size设置为16；第2部分采用解冻训练，训练后150个Epochs，此时模型主干不被冻结，网络的所有参数都会发生改变，batch_size设置为 8。网络训练的最大学习率设置为 0.001，最小学习率为 0.000 01，优化器采用 Adam 优化器，动量设置为0.937。网络训练时采用Mosaic数据增强和余弦退火学习率策略。其中，Mosaic数据增强方法通过对一个batch_size的图片中随机选取4张进行旋转、裁剪、光照变化、拼接等操作，组合成一张新的图片。该方法不仅可以丰富数据集，并且每次送入 BN层的为 4张图片组成的新图片，使得batch_size不需要设置太大就可以获得较好的效果。余弦退火学习率33通过余弦函数来降低学习率，学习率随着训练次数的增加先急速降低，然后急剧上升，再重复相同的过程，剧烈波动的目的是跳出当前局部最优点，寻找全局最优点，使得模型能够得到很好的效果。2.4评价指标为验证提出模型的准确性以及模型是否符合实时性检测的要求，本文采用的评价指标为：精确率(P)、召回率(R)、F1分数、PR曲线、平均精确率(AP)、模型大小(MS)、平均检测时间(MDT)、每秒传输帧数(FPS)。模型选取的IOU为 0.5；生成预测框的置信度门限为 0.5；非极大抑制所用的nms_iou为0.3。计算公式为：P=TPTP+FP(5)R=TPTP+FN(6)式中：TP是正样本预测正确的裂缝图像数量；FP表示负样本预测错误的裂缝图像数量；FN表示正样本预测错误的裂缝图像数量。模型的F1分数是利用准确率和召回率计算得到，可以对模型进行更加综合全面的评定，F1分数的大小体现了模型训练结果的好坏，计算公式为：F1=2PRP+R(7)PR曲线反映模型精确率和召回率的关系，平均精确率是精确率对召回率的积分，即PR曲线与坐标轴所围成图形的面积，体现模型预测图像精确程度。平均精确率越高，说明模型性能越好，精度越高。图7裂缝标注示例Fig.7Examples of crack annotations2757铁 道 科 学 与 工 程 学 报2023 年 7月平均检测时间、每秒传输帧数FPS是为检测模型是否满足隧道内实时性检测的要求，计算公式为：MDT=TN(8)FPS=1MDT(9)式中：T表示检测所有图片用的总时间；N表示图片的数量。3 实验结果与分析3.1YOLOX算法实验对于YOLOX算法版本的选择，针对已经建立的包含1 500张隧道裂缝图像的数据集，分别对4个版本的网络进行训练，得到模型大小、精确率、召回率、F1分数、平均精确率，评价指标如表3。由表中数据分析可得，4个模型的AP值先增大后减小，且YOLOX-l性能表现最好，这跟模型的深度以及训练集的难易程度有关。综合考虑，YOLOX-l的性能表现和模型大小的平衡更好，故本文选择YOLOX-l网络进行改进。3.2YOLOX-G算法实验结果根据实验可以得到YOLOX-G模型在训练过程中的训练集损失和验证集损失，绘制曲线如图8所示。由图中数据可得，YOLOX-G模型训练时的训练集损失和验证集损失的变化趋势基本相同，Loss曲线随着训练次数的增加逐渐趋于平稳，模型逐渐收敛；模型的损失在训练前70次下降较快，在第51次模型主干解冻，导致损失突然下降，后100次训练模型逐渐逼近最优点，损失下降较慢，且在训练 190 次左右基本已经收敛，即已经达到最优点。3.3消融实验YOLOX-G模型共使用3个改进方法，为分析各个改进部分对模型性能的影响，设计了3组消融实验对3种改进的影响进行分析。所有实验均在本文构建的数据集、相同参数及相同环境下进行训练，实验结果如表4所示，表格中“”代表使用了该改进方法，“”代表没有使用该改进方法。由表中数据分析可得：改进1采用Ghostnet作为主干网络，相对于原始模型，AP值和FPS分别提升了 3.31%和 8.24 帧/s，表明 Ghostnet 比 CSPDarknet具有更好的特征提取能力，并且提高了模型的图像检测速度；改进2是在改进1的基础上，在加强特征提取网络中使用 Ghost 卷积代替 CSPLayer卷积块，AP值和 FPS分别提升了 2.16%和9.58帧/s，说明Ghost卷积能够更好地对特征层进行特征整合；改进3是在改进2的基础上，将目标位置损失的IOU函数替换为GIOU损失函数，IOU函数在预测框和实际框不重合时无法给出确切的优化方向，这对网络的训练很不利，GIOU函数能够解决预测框和实际框不重合时的优化方向问题，表3YOLOX模型评价指标Table 3Evaluation indicators of YOLOX models算法版本YOLOX-sYOLOX-mYOLOX-lYOLOX-xF1/%76.4479.3581.0375.97P/%79.1783.5383.9379.59R/%73.8975.5678.3372.67AP/%77.2980.4482.8676.24MS/M34.396.8207378图8YOLOX-G模型损失函数变化Fig.8Loss function changes of the YOLOX-G model表4不同改进方法实验结果Table 4Experimental results of different improved methods方法YOLOX改进1改进2改进3GhostnetGhost卷积GIOUAP/%82.8686.1788.3390.14FPS/(帧s1)47.2555.4965.0766.142758第 7 期周中，等：基于YOLOX-G算法的隧道裂缝实时检测通过这个改进，AP值和FPS分别提升了1.81%和1.07帧/s。总体上，3个改进方法均提高了模型的检测精度及检测速度。3.4不同模型实验结果及分析为验证YOLOX-G模型在隧道裂缝检测方面的性能，将YOLOX-G模型与其他5种模型在本文数据集上进行对比实验，统计所有算法的评价指标，对比实验结果如表5及图9(PR曲线)所示。由表 5和图 9中数据分析可得，YOLOX-G模型相比于其他5种模型在性能上均有不同程度的提升，各项评价指标均较优越。YOLOX-G 模型的AP 值 为 90.14%，相 比 于 Faster RCNN 提 高 了10.38%，相比于 SSD提高了 17.65%，相比于 YOLOv3 提高了 11.53%，相比于 YOLOv5-l 提高了10.93%，相 比 于 YOLOX-l 提 高 了 7.28%，说 明YOLOX-G 所使用的 3种策略有比较明显的效果，能够适应隧道内复杂的环境条件。F1分数能够解决准确率和召回率对模型片面评定的问题，可以更全面地评价模型，YOLOX-G 模型的 F1分数为85.29%，相比其他 5 种模型分别提高了 4.53%，17.23%，7.29%，6.49%和 4.26%。因此，本文所提的YOLOX-G模型对隧道衬砌裂缝图像的识别度更高，综合性能更加优越。YOLOX-G模型的大小仅为38.1 M，是6个模型中最小的一个。此外，YOLOX-G模型的平均检测时间只有15.12 ms，FPS高达66.14帧/s，相比于Faster RCNN，SSD，YOLOv3，YOLOv5-l，YOLOX-l 的 FPS 分 别 提 高 了 49.69，25.72，21.41，13.92和18.89帧/s。且YOLOX-G算法的模型大小(a)Faster RCNN；(b)SSD；(c)YOLOv3；(d)YOLOv5-l；(e)YOLOX-l；(f)YOLOX-G图9不同模型PR曲线Fig.9PR curve of different models表5不同模型评价指标对比Table 5Evaluation indicators of different models模型Faster RCNNSSDYOLOv3YOLOv5-lYOLOX-lYOLOX-GF1/%80.7668.0678.0078.8081.0385.29P/%83.1576.7981.9281.9483.9389.44R/%78.5061.1174.4475.8978.3381.51AP/%79.7672.4978.6179.2182.8690.14MS/M530.590.623517820738.1MDT/ms60.7924.7422.3619.1521.1615.12FPS/(帧s1)16.4540.4244.7352.2247.2566.142759铁 道 科 学 与 工 程 学 报2023 年 7月和FPS满足实际隧道工程中动态检测的要求。综合以上评价指标，相较于其他对比模型，本文提出的YOLOX-G模型在准确率上是最高的，在模型大小上是最轻量化的，在检测速度方面是最快的，且模型能够满足移动设备对模型大小的要求及对帧率的需求，后续能够架构在移动设备上，实现隧道工程中衬砌裂缝的实时动态性检测。3.5模型检测效果为进一步验证本文提出的YOLOX-G算法相对于其他算法的优势，列举了6种模型对部分隧道衬砌裂缝图像的检测结果，如图10。检测结果图中的文本框左侧是预测目标的种类，右侧是预测目标的置信度。为更容易区分检测结果，置信度大于等于 0.8的预测框设置为深色，置信度小于 0.8的预测框设置为浅色。由图10可以看出，相对于其余5种模型，YOLOX-G模型对隧道衬砌裂缝的检测结果在保证裂缝完整性和连续性的情况下实现了更精确的位置检测和更高的置信度，说明YOLOX-G算法对隧道衬砌裂缝具有更高的检测精度，更适合应用于工程当中。4 结论1)在裂缝检测性能方面，YOLOX-G 模型的AP值和F1分数分别为90.14%和85.29%，相对于Faster RCNN，SSD，YOLOv3，YOLOv5-l，YOLOX-l 模型的 AP 值分别提高了 10.38%，17.65%，图10模型检测效果展示Fig.10Display of different model detection effects2760第 7 期周中，等：基于YOLOX-G算法的隧道裂缝实时检测11.53%，10.93%和 7.28%，F1 分数分别提高了4.53%，17.23%，7.29%，6.49%和4.26%。结果说明 YOLOX-G 模型可以实现对裂缝更高精度的检测。2)在裂缝检测效率方面，YOLOX-G模型的大小为38.1M，相比于YOLOX-l模型压缩了81.59%，并且也远小于其他模型的大小。此外，YOLOX-G模型单张图片的检测时间为 15.12 ms，FPS 为66.14帧/s，满足移动设备对隧道衬砌裂缝进行实时动态检测的模型大小要求和帧率需求。3)YOLOX-G算法为今后高效率、高精度裂缝检测软件的开发，以及研制架构在裂缝检测移动设备的检测软件等工作奠定了较好的基础，有利于目标检测算法更好地应用于隧道衬砌裂缝检测方面的工程实践。参考文献：1董飞,房倩,张顶立,等.北京地铁运营隧道病害状态分析J.土木工程学报,2017,50(6):104113.DONG Fei,FANG Qian,ZHANG Dingli,et al.Analysis on defects of operational metro tunnels in BeijingJ.China Civil Engineering Journal,2017,50(6):104113.2苑玮琦,薛丹.基于机器视觉的隧道衬砌裂缝检测算法综述J.仪器仪表学报,2017,38(12):31003111.YUAN Weiqi,XUE Dan.Review of tunnel lining crack detection algorithm based on machine visionJ.Chinese Journal of Scientific Instrument,2017,38(12):3100 3111.3MARAVEAS C,VRAKAS A A.Design of concrete tunnel linings for fire safetyJ.Structural Engineering International,2014,24(3):319329.4XUE Yadong,CAI Xinyuan,SHADABFAR M,et al.Deep learning-based automatic recognition of water leakage area in shield tunnel liningJ.Tunnelling and Underground Space Technology,2020,104:103524.5周中,张俊杰,龚琛杰,等.基于深度语义分割的隧道渗漏水智能识别J.岩石力学与工程学报,2022,41(10):20822093.ZHOU Zhong,ZHANG Junjie,GONG Chenjie,et al.Intelligent identification of tunnel leakage based on depth semantic segmentationJ.Chinese Journal of Rock Mechanics and Engineering,2022,41(10):20822093.6LAI Jinxing,HE Siyue,QIU Junling,et al.Characteristics of seismic disasters and aseismic measures of tunnels in Wenchuan earthquakeJ.Environmental Earth Sciences,2017,76(2):94.7罗佳,刘大刚.基于自适应阈值和连通域的隧道裂缝提取J.西南交通大学学报,2018,53(6):11371141,1149.LUO