基于改进YOLOv7的水工混凝土结构表观病害检测

王新元; 关彬; 李俊杰

doi:10.20040/j.cnki.1000-7709.2024.20231746

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进YOLOv7的水工混凝土结构表观病害检测

水工结构、水工材料与水利工程施工 | 更新时间：2026-07-09

- 基于改进YOLOv7的水工混凝土结构表观病害检测
- 基于改进YOLOv7的水工混凝土结构表观病害检测
- 水电能源科学 2024年42卷第4期页码：94-98
- 作者机构：
  
  河海大学水利水电学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目(51979027)
- DOI：10.20040/j.cnki.1000-7709.2024.20231746
  中图分类号： TP183;TP391.41;TV331
- 纸质出版：2024
- 稿件说明：
移动端阅览
王新元, 关彬, 李俊杰. 基于改进YOLOv7的水工混凝土结构表观病害检测[J]. 水电能源科学, 2024,42(4):94-98.

王新元, 关彬, 李俊杰. 基于改进YOLOv7的水工混凝土结构表观病害检测[J]. 2024, 42(4): 94-98.
王新元, 关彬, 李俊杰. 基于改进YOLOv7的水工混凝土结构表观病害检测[J]. 水电能源科学, 2024,42(4):94-98. DOI： 10.20040/j.cnki.1000-7709.2024.20231746.

王新元, 关彬, 李俊杰. 基于改进YOLOv7的水工混凝土结构表观病害检测[J]. 2024, 42(4): 94-98. DOI： 10.20040/j.cnki.1000-7709.2024.20231746.

摘要

针对水工混凝土结构表观病害尺度不均、分辨率低、背景干扰大，现有目标检测算法精度和效率较低的问题，提出了一种改进的YOLOv7检测模型，首先，在主干网络的三个特征输出层后加入CBAM注意力机制，从空间和通道两个维度强化网络对目标特征的关注度；其次，在颈部替换路径聚合网络（PANet）为加权双向特征金字塔网络（BiFPN）

进一步融合了浅层的位置信息和深层的语义信息，有效改善了表观病害的检测效果，并替换CIoU为SIoU作为定位损失函数，提高了回归的精度；最后，采用生成对抗网络（GAN）等方式对数据集进行加强，并对检测效果进行可视化处理。试验结果表明，改进后的YOLOv7模型收敛更快，分类精度更高，m

mAP

值达到89.4%

较YOLOv7提高了3.2%

效果优于其他目标检测算法，实现了病害的实时检测。

Abstract

关键词

Keywords

references

曹国金,苏超,王文君.基于深度学习的水工混凝土结构表面缺陷检测[J].水电能源科学,2023(06).

黄贲,康飞,唐玉.基于目标检测的混凝土坝裂缝实时检测方法[J].清华大学学报(自然科学版),2023(07).

Zhao Sizeng,Kang Fei,Li Junjie,Ma Chuanbo.Structural health monitoring and inspection of dams based on UAV photogrammetry with image 3D reconstruction[J].Automation in Construction,2021.

Goodfellow Ian,Pouget Abadie Jean,Mirza Mehdi,Xu Bing,Warde Farley David,Ozair Sherjil,Courville Aaron,Bengio Yoshua.Generative Adversarial Networks[J].COMMUNICATIONS OF THE ACM,2020.

Tan M.,Pang R.,Le Q.V..EfficientDet: Scalable and efficient object detection[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020.

Philipp Hüthwohl,Ruodan Lu,Ioannis Brilakis.Multi-classifier for reinforced concrete bridge defects[J].Automation in Construction,2019.

浏览量

204

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进CycleGAN与YOLOv8s的混凝土坝水下裂缝识别方法

基于深度学习的水工混凝土结构表面缺陷检测

基于CNN-LSTM-Attention的水电机组振动趋势预测

基于TCN-Attention-LSTM的大沽河流域场次洪水预测模型

基于ICEEMDAN和CNN-LSTM-ATTENTION的抽水蓄能机组振动预测