用于实时无人机桥梁检测的鲁棒轻量级裂缝分类算法

《IEEE Access》：Robust Lightweight Crack Classification for Real-Time UAV Bridge Inspection

　　

摘要：

随着无人机（UAV）在桥梁结构健康监测中的广泛应用，基于深度学习的自动裂纹检测已成为一个重要的研究方向。然而，实际的无人机检测仍面临四个关键挑战：裂纹特征不明显、成像条件较差、类别不平衡严重以及计算资源有限。为了解决这些问题，本文提出了一种统一的轻量级卷积神经网络框架，该框架由四个协同工作的组件组成：一个轻量级的主干网络、用于通道和空间增强的卷积块注意力模块（CBAM）、基于检测场景先验的有向鲁棒增强策略，以及用于处理类别不平衡情况下难样本学习的Focal Loss。在SDNET2018桥面数据集上的实验表明，所提出的方法仅使用1121万个参数和1.82吉次浮点运算（FLOPs）就能达到825帧每秒的推理速度。与基线模型相比，该框架的F1分数提高了2.51%，召回率提高了3.95%。此外，Grad-CAM可视化结果显示，引入的注意力模块使模型的关注点从分散的区域转移到了沿着裂纹轨迹的精确跟踪上。总体而言，本研究在准确性、速度和鲁棒性之间取得了良好的平衡，为地面站辅助的实时无人机桥梁检测提供了实用的解决方案。源代码可访问：https://github.com/skylynf/AttXNet。