使用轻量级深度学习模型在嵌入式设备上自动检测高速公路隧道衬砌中的多种表面缺陷

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Automated detection of multiple surface defects in highway tunnel linings using lightweight deep learning model on embedded devices

本文提出一种面向嵌入式设备的隧道衬砌缺陷实时检测系统，通过改进的特征自适应加权融合机制与信息共享主干网络提升小目标检测能力，结合逐步压缩策略优化模型，并在移动机器人平台验证其高效推理性能。

　　

刘勇|王志锋|王雅琼|范振豪|刘义丽

长安大学公路学院，中国西安710064

摘要

配备嵌入式设备的移动机器人为隧道衬砌缺陷的自动化检测提供了解决方案。然而，在受限硬件上实现低延迟推理的重型模型仍然具有挑战性。为了解决这个问题，本文提出了一种基于轻量级深度学习（DL）模型的嵌入式部署流程，用于实时检测衬砌裂缝、剥落和水泄漏。首先使用特征自适应加权融合（FAWF）机制和信息共享主干网（ISB）构建了一个高性能网络。随后，通过集成通道级蒸馏（CWD）、通道级稀疏性（CLS）和层自适应幅度基剪枝（LAMP）等逐步压缩策略，消除了冗余参数，从而得到了一个紧凑且高效的模型。优化后的模型通过TensorRT进行加速，并部署在移动机器人上，以评估其在具有典型缺陷的隧道衬砌中的实时推理性能。实验结果表明，与原始模型相比，压缩模型在mAP@0.5和F1分数上分别达到了0.752和0.731，参数、模型大小和FLOPs分别减少了80.17%、64.92%和76.64%，并且在移动机器人测试中保持了超过30帧每秒（FPS）的推理速度。本研究介绍了一种用于公路隧道衬砌表面缺陷检测的新方法，展示了其在嵌入式设备上的高性能及其在智能基础设施检测中的潜力。

引言

诸如裂缝、剥落和水泄漏之类的表面缺陷会逐渐损害隧道衬砌，形成结构隐患（Wang等人，2023年；Liu等人，2025年）。这些问题的延迟检测和修复可能导致灾难性故障。1999年，日本山形新干线的衬砌因裂缝和剥落而坍塌，导致一块226公斤的混凝土块掉落在一列火车上（Asakura和Kojima，2003年）。2016年，中国平山隧道也发生了类似的拱门衬砌坍塌事件，导致服务中断超过两小时（Shi等人，2022年）。持续的水泄漏影响了纽约的地铁系统，2012年飓风桑迪过后，海水渗透损坏了百年历史的东河隧道（Shao等人，2016年）。因此，检测衬砌缺陷对于评估结构健康状况和防止突然故障至关重要。这些问题促使人们对隧道维护中的自动化和智能检测技术产生了越来越大的需求。

为了解决这些问题，使用深度学习方法自动识别缺陷引起了学者们的极大兴趣（Zhou等人，2023年）。传统的机器学习分类器进行的手动特征工程越来越多地被端到端的深度神经网络所取代，后者能够自动从数据集中学习特征（Trigka和Dritsas，2025年）。然而，依赖下采样和特征堆叠的算法往往限制了对细粒度目标特征的保留（Dais等人，2021年）。随着网络深度的增加，现有网络也难以保留小对象的语义信息（Zhu等人，2024年）。使用神经网络自动检测隧道缺陷还面临着诸如光照变化、不同类型缺陷的大规模变化以及杂乱背景（BG）等因素的挑战（见图1）。

图1a显示，光照类型和固定装置间距的差异会导致亮度变化很大，使得在光线不足的区域难以检测到缺陷。尺度变化源于观察条件，如视角、相机距离和透视，以及不同缺陷类别的固有特性。这些综合变化可能导致小对象特征丢失，而大结构在深度网络层中被过度表示，从而导致不同类别之间的准确性不平衡，如图1b所示。此外，包括水渍、手写痕迹和标志在内的额外干扰会降低背景中的检测性能，如图1c所示。

为了克服这些挑战，开发了几种基于“你只看一次”（YOLO）的网络变体，这些变体结合了注意力机制、优化的卷积模块、改进的损失函数和额外的检测组件（Duan等人，2024年；Jiang等人，2024年；Liu等人，2025年）。Zhou等人（2022年）提出了一种检测模型，以减轻低光照的负面影响。Chen等人（2025年）通过生成伪RAW数据并设计了一个轻量级实例分割网络，实现了对水泄漏的准确检测。Liu等人（2025年）通过可变形卷积和变换解码器增强了YOLOv8，提高了对受手写干扰影响的裂缝的识别能力。然而，尽管之前的研究在自动检测方面取得了进展，但仍存在一些不足。例如，同时检测多种缺陷类型的挑战，特别是在不同尺度下，尚未得到充分探索。当前网络在更深层次中经常丢失小对象的语义信息，导致遗漏检测和较小实例的准确性降低。虽然通常会提高准确性，但这通常会增加模型复杂性，从而限制了嵌入式部署和实时性能。

为了克服这些缺点，本研究开发了一种基于轻量级DL模型的嵌入式部署流程，实现了表面缺陷的自动识别。具体来说，基于FAWF机制和ISB构建了一个名为LSDDNet的衬砌表面缺陷检测网络。它采用了自设计的注意力集成多接收场自适应融合（AMFAF）模块来适应性地融合主干输出特征。通过集成ShuffleNet、GhostNet和CSPNet，ISB被设计为一个轻量级的三分支特征提取单元，通过分支间信息交换增强了特征表示。注意力尺度内特征交互（AIFI）被引入网络颈部，以增强同一尺度内特征的交互和细化。此外，还引入了自适应空间特征融合（ASFF）到头部，以有效整合多尺度特征。随后应用了包括CWD、CLS和LAMP在内的逐步压缩策略，通过消除冗余元素来迭代压缩模型。该轻量级模型进一步使用TensorRT进行加速，并部署在嵌入式设备上，在模拟的隧道环境中通过移动机器人进行了性能评估。本研究的主要贡献如下：

1)

提出了一种基于轻量级深度学习模型的实时检测流程，用于使用智能检测技术自动识别和定位隧道衬砌缺陷。

2)

提出了LSDDNet，这是一种用于同时检测裂缝、剥落和水泄漏的新网络。它利用ISB减少了深层中小对象的语义丢失。此外，AMFAF、AIFI和ASFF-Head的使用减轻了不同缺陷类型之间的尺度变化影响。

3)

设计了一种逐步压缩策略，结合了CWD、CLS和LAMP，实现了从教师模型到紧凑学生模型的高效特征转移，并得到了适用于嵌入式部署和加速的轻量级模型。

4)

将优化的轻量级模型部署在带有边缘设备的移动机器人上，实现了自主表面缺陷检测，并通过具有缺陷的模拟隧道衬砌验证了其性能。

本研究包含六个部分：第2节回顾了先前的研究，第3节描述了方法论，第4节涵盖了数据集和实验，第5节展示了结果，第6节进行了总结。

相关研究

相关工作

本节回顾了先前的研究，为所提出的方法奠定了基础。首先研究了基于深度学习（DL）的检测方法，包括基于卷积神经网络（CNN）和Transformer架构的方法，然后总结了提高模型效率的策略，并比较了它们的相对优势。最后，讨论了用于隧道缺陷检测的轻量级模型。

方法论

第3.1节概述了LSDDNet的架构，并详细介绍了其组成模块。第3.2节详细介绍了压缩技术。第3.3节展示了压缩后的轻量级模型在设备上的应用及其与移动机器人的集成，用于自动化检测测试。

图2展示了在嵌入式设备上进行实时隧道缺陷检测的流程。该过程从收集高质量的检测图像开始，以构建一个强大的数据集。然后创建了LSDDNet的微型、n、s和m版本

实验设计

本节概述了实验设计。第4.1节详细介绍了数据集的准备工作，第4.2节涵盖了实验类型：训练、消融、比较和部署。第4.3节介绍了后续分析中使用的指标。第4.4节总结了用于训练和推理的实验环境。

结果与讨论

本节分析了各种实验的结果。第5.1节介绍了用于消融研究的LSDDNet版本，该版本基于各种训练模型的性能进行了选择。第5.2节重点讨论了消融研究结果的分析，包括ISB和AMFAF的优化，以及模块添加的有效性。第5.3节对LSDDNet-n与YOLO和RT-DETR系列中的轻量级模型进行了比较评估。

结论

本文研究了在配备轻量级深度学习模型的移动机器人上实现的嵌入式实时检测流程的有效性。该研究解决了两个主要挑战：提高多类型缺陷检测的准确性，以及减轻限制移动平台实时性能的计算和内存开销。LSDDNet基于ISB和FAWF机制构建，结合了逐步

CRediT作者贡献声明

刘勇：撰写——原始草稿、验证、方法论、调查、形式分析、数据整理。王志锋：监督、项目管理、方法论、资金获取、概念化。王雅琼：监督、项目管理、方法论、资金获取、概念化。范振豪：撰写——审阅与编辑、验证、软件。刘义丽：撰写——审阅与编辑、验证、软件。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者衷心感谢国家自然科学基金（编号：52478384）、陕西省自然科学基础研究计划（编号：2025JC-JCQN-026）、陕西省重点研发计划（编号：2024GX-YBXM-374和2023KXJ-159）、陕西省交通科技项目（编号：22-09K）、陕西省创新能力支持计划（编号：2023-CX-TD-35）以及中央高校基本科研业务费（编号：）的财政支持。