基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究

王洪钰; 苏超; 王文君

doi:10.20040/j.cnki.1000-7709.2025.20240828

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究

水工结构、水工材料与水利工程施工 | 更新时间：2026-02-25

- 基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究
- 基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究
- 水电能源科学 2025年43卷第3期页码：101-105+151
- 作者机构：
  
  河海大学水利水电学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2025.20240828
  中图分类号： TP18;TV331
- 纸质出版：2025
- 稿件说明：
移动端阅览
王洪钰, 苏超, 王文君. 基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究[J]. 水电能源科学, 2025,43(3):101-105+151.

王洪钰, 苏超, 王文君. 基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究[J]. 2025, 43(3): 101-105+151.
王洪钰, 苏超, 王文君. 基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究[J]. 水电能源科学, 2025,43(3):101-105+151. DOI： 10.20040/j.cnki.1000-7709.2025.20240828.

王洪钰, 苏超, 王文君. 基于深度学习的水工混凝土结构表面缺陷边框级检测方法研究[J]. 2025, 43(3): 101-105+151. DOI： 10.20040/j.cnki.1000-7709.2025.20240828.

摘要

为提高水工混凝土结构表面缺陷检测的效率及准确性，提出了一种边框级缺陷检测模型DetDamage。该模型首先采用轻量化主干网络进行特征提取，降低整体计算成本；然后通过多级特征融合网络对特征图进行融合和增强；最后通过解码头合并得到预测结果。测试结果表明，DetDamage对于四类缺陷分别可以实现77.24%(裂缝)、87.43%(剥落)、82.61%(露筋)、83.67%(渗漏)的检测精度，平均检测精度为82.74%。这表明该模型在水工混凝土表面缺陷的检测中具有良好的效果和可行性。

Abstract

关键词

Keywords

references

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(04).

蒋文博.基于深度学习的桥梁裂缝自动识别技术研究及应用[D].湖南大学,2021(09).

Lin Tsung-Yi,Goyal Priya,Girshick Ross,He Kaiming,Dollar Piotr.Focal Loss for Dense Object Detection.[J].IEEE transactions on pattern analysis and machine intelligence,2020.

Radosavovic I.,Kosaraju R.P.,Girshick R.,He K.,Dollár P..Designing network design spaces[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020.

Ren Shaoqing,He Kaiming,Girshick Ross,Sun Jian.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks.[J].IEEE transactions on pattern analysis and machine intelligence,2017.

浏览量

141

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于深度学习的水工混凝土结构表面缺陷检测

基于CNN-LSTM模型的城市洪水二维时空预测研究

基于多层感知机和编码器解码器架构的混凝土坝长期变形预测

基于水动力模型和深度学习的缺资料河段水位预测研究

基于下垫面智能识别和水动力仿真的LID城市降雨径流调控优化