基于改進YOLOv8的輕量化中小橋梁裂縫檢測方法

摘" 要：近年來，中國橋梁建設空前發展，橋梁安全運維問題日益凸顯。文章提出一種基于YOLOv8的裂縫檢測模型YOLOv8-BC，該模型采用GhostConv對HGNetv2改進后的結構替換YOLOv8的主干網絡，實現模型輕量化；引入可變形注意力機制DAttention，獲得更多的空間信息；使用基于輔助邊框的Inner-iou損失函數替代CIOU損失函數，提高模型的泛化能力和檢測精度。在自建數據集上進行實驗，結果表明YOLOv8-BC模型準確率達到了95.3%，mAP50達到了95.9%，相較于YOLOv8s模型分別提高了2.3%和2.0%，同時參數量降低了15.3%。這表明YOLOv8-BC模型能夠更高效地檢測復雜環境下的橋梁裂縫，為工業檢測提供了重要思路和技術支持。

關鍵詞：橋梁裂縫；目標檢測；注意力機制；YOLOv8；圖像處理

中圖分類號：U446" " 文獻標志碼：A

DOI：10.13714/j.cnki.1002-3100.2025.01.016

Abstract： In recent years， the bridge construction in China has developed unprecedentedly， and the problem of bridge safety operation and maintenance has become more and more prominent. In this paper， we propose a crack detection model YOLOv8-BC based on YOLOv8， which adopts GhostConv's improved structure of HGNetv2 to replace the backbone network of YOLOv8， to realize the model's lightweight; introduces the deformable attention mechanism DAttention， to obtain more spatial information; and uses the auxiliary edge-based inner

-iou loss function based on auxiliary edges instead of CIOU loss function to improve the generalization ability and detection accuracy of the model. Experiments on the self-constructed dataset show that the YOLOv8-BC model achieves an accuracy of 95.3% and the mAP50 reaches 95.9%， which is improved by 2.3% and 2.0%， respectively， compared with the YOLOv8s model， while the number of parameters is reduced by 15.3%. This indicates that the YOLOv8-BC model can detect bridge cracks in complex environments more efficiently， which provides important ideas and technical support for industrial inspection.

Key words： bridge crack; object detection; attention mechanism; YOLOv8; image processing

0" 引" 言

近年來，我國公路橋梁建設取得了前所未有的蓬勃發展，這一成就很大程度上得益于《國家公路網規劃（2013—2030年）》與《十三五規劃綱要》的積極引領。據《2022年交通運輸行業發展統計公報》權威數據揭示[1]，至2022年末，我國公路橋梁總數達103.32萬座，總長度突破8 576.49萬延米，彰顯出我國橋梁服役數量的巨大規模。橋梁在完成建設并投入運營后，后續的維護管理工作便成為了保障橋梁安全穩定運行的核心環節，不容忽視。據交通部頒布的《公路養護技術規范》JTJ073

-96文件，要求定期對橋梁進行檢測。但傳統橋梁檢測主要依靠工人使用檢測儀器來完成，存在耗時長、效率低、易錯檢漏檢等諸多弊端。采用大數據、人工智能、圖像處理等技術對橋梁健康狀況進行定期評估，及時掌握裂縫變化情況，對于保障交通安全具有較高的實際價值與安全意義。

在早期的裂縫檢測研究中，算法大多基于傳統的數字圖像處理技術，如閾值分割法、形態學方法、滲流模型以及邊緣檢

測[2-4]。這些技術需要人工參與特征的提取過程，但由于特征提取的主觀性，最終檢測結果的準確性往往受到人為因素的影響。

近年來，深度學習作為監督學習領域的熱門且高效的方法，為圖像采集基礎上的橋梁裂縫檢測帶來了前所未有的機遇。其強大的特征提取與泛化能力，以及出色的魯棒性和可靠性，使得深度學習在此領域大放異彩。在此背景下，國內外多個研究團隊紛紛利用深度學習技術，提出了眾多創新的裂縫檢測算法。其中，Wang et al.[5]基于Inception-Resnet-v2算法，提出一種橋梁裂紋檢測模型，實現目標區域的精確分割。Zheng et al.[6]提出一種基于Seg-Net和瓶頸深度可分離殘差卷積的高精度橋梁混凝土裂縫檢測方法。Fu et al.[7]提出一種基于改進的DeepLabv3+語義分割算法的裂縫檢測方法，但圖像邊緣的裂縫檢測效果不佳。Ma et al.[8]基于YOLOv3提出了一種路面裂縫自動智能檢測與跟蹤系統；Ali et al.[9]介紹了深度學習模型在裂縫檢測中的應用；廖延娜等[10]提出了一種基于YOLOv3改進的混凝土表觀缺陷檢測器，用于檢測公路橋梁裂縫在內的多種混凝土缺陷；Yao et al.[11]基于YOLOv5并結合注意力機制提出一種路面裂縫檢測新方法；Li et al.[12]利用基于遷移學習的Faster R-CNN對橋梁進行裂縫檢測。由于Faster R-CNN、YOLOv3等模型參數量較大，以這些模型為基礎的裂縫檢測模型也存在較大參數量，在一些性能受限的設備上可能無法使用。

上述文獻所提方法雖在一定程度上可以實現對橋梁病害的檢測，但其主要面臨檢測精度與檢測速度難以兩全的矛盾沖突，部分算法還存在橋梁裂縫病害特征提取上能力弱、特征學習不徹底等問題。針對現有橋梁的數量多、分布廣、檢測難度大，需要一種體積小、精度高、速度快的圖像檢測算法來對橋梁裂縫進行檢測。

基于此，本文從應用的角度出發建立了混凝土橋梁裂縫專業數據集，設計了基于改進的YOLOv8混凝土橋梁裂縫檢測算法YOLOv8-BC，根據橋梁裂縫特征，對YOLOv8算法的網絡結構進行針對性輕量化改進，提升混土橋梁裂縫的檢測精度和效率，滿足實際工程檢測需求。

1" YOLOv8-BC模型

YOLOv8算法在目標檢測與實例分割任務中性能優良。設計涵蓋了多種分辨率的目標檢測網絡以及基于YOLACT[13]框架的實例分割模型，能夠滿足多樣化的應用場景需求。該算法在主干網絡和Neck部分采用C2F結構，并通過針對不同尺度模型調整通道數來優化性能；在Head部分，則采用解耦頭結構設計，將分類與檢測任務獨立處理，提高了效率。此外，YOLOv8還引入了Mosaic數據增強技術，有效擴充訓練數據集，提升檢測精度。然而，橋梁裂縫具有顏色單一、特異性強、尺寸差別大等特點，在檢測任務中原有的YOLOv8模型存在模型過大、檢測精度不足等問題，難以滿足行業要求。

針對這一問題，本文提出輕量化的YOLOv8-BC檢測模型（見圖1），采用GhostNet[14]中輕量化的幻影卷積（Ghost Convolution）改進HGNetv2[15]結構里面的HGBlock得到GhostHGNetv2，使用GhostHGNetv2替換YOLOv8的主干網絡，實現了模型的輕量化。同時，模型對收集的數據集利用Masico進行數據增強。此外，引入可變形注意力機制DAttention[16]（Deformable Attention），使用基于輔助邊框的Inner-IOU[17]損失函數替代CIOU損失函數。YOLOv8-BC網絡結構如圖2所示。

1.1" 輕量化網絡GhostHGNetv2。針對YOLOv8主干網絡復雜度和參數量過大的問題，用GhostConv輕量化的幻影卷積（Ghost Convolution）改進HGNetv2結構里面的HGBlock，并用得到的GhostHGNetv2替換YOLOv8的主干網絡后實現模型輕量化。

1.1.1" HGNetv2。HGNetv2是百度在RT-DETR[17]項目中研發的主干網絡，用以提升計算效率并縮減模型大小。該網絡主要由HGStem預處理層模塊和HGBlock數據處理模塊組成。數據從HGStem預處理層起始，依次通過多個HGBlock層次化處理模塊，最終達成分類任務。HGNetv2的主干網絡架構如圖3所示。

HGBlock是主干網絡的關鍵組成部分。采用分級方法來處理數據，每個HGBlock負責處理數據的不同層級，每個層級都設計來捕捉特定區間內的特征，以此實現信息的分層解析，Conv表示標準卷積操作，LightConv指輕量級卷積，k代表卷積核的尺寸為n，s指的是卷積核的移動步長為m，Add操作是指將數據進行拼接，結構如圖4所示。這種方式促使網絡能夠有效地學習從低級到高級的特征，同時提高對細節信息的敏感度。在HGBlock內部，可以根據具體需求調整Block參數，靈活地選用輕量化卷積LightConv或普通卷積Conv。

1.1.2" GhostConv。GhostConv模塊卷積結構通過將恒等映射和線性變換得到卷積特征圖。GhostConv結構如圖5所示。

該模塊采用先通過點對點的卷積操作生成一部分特征圖，然后利用這些已生成的特征圖，通過簡單的線性變換來構造剩余的特征映射。這種方法使得GhostConv卷積能夠在不犧牲模型性能的前提下，顯著地減少所需的參數數量和計算量。假定輸入特征的高度、寬度和通道數分別為h、w和c，輸出特征的高度和寬度為H和W，卷積核數量為n，卷積核大小為k，線性變換所使用的卷積核大小為d，且變換的數量為s。r和r分別代表了傳統卷積與GhostConv卷積在計算量和參數量上的比值，其中計算公式如式（1）、式（2）所示。

r==≈s" " " " " " " " " " （1）

r==≈s" " " " " " " " " " " " " " " " "（2）

由式（1）、式（2）可知在相同操作條件下，GhostConv的計算量僅為普通卷積的1/s。在主干網絡中采用GhostConv來替換HGBlock內的傳統卷積操作（Conv），將能有效減少算法模型的復雜度。GhostConv可以看作是對原始特征圖的一種低成本的近似，有助于減少計算量和參數數量，優化卷積層的計算效率。

本文采用幻影卷積GhostConv實現對HGNetv2主干網絡中的HGBlock模塊優化創建新的Ghost_HGBlock如圖6所示以減少模型復雜度。從而適用于橋梁裂縫場景下的輕量化目標檢測。

1.2" 可變形注意力機制DAttention。由于橋梁病害圖像中占橋梁背景絕大部分，且裂縫多為長裂縫和細小裂縫。為了提高模型對裂縫檢測精度，在模型主干中引入可形變注意力機制DAttention，如圖7所示。DAttention是一種空間適應機制，讓模型在處理數據中可以動態地調整其注意力焦點。能夠更好地捕獲裂縫的生長趨勢和方向，減少無關背景的干擾，提高裂縫特征識別精度和裂縫檢測速度。

根據給定輸入特征圖x∈R，生成一個與輸入特征圖大小成比例（通過因子r縮放）的單元網格p∈R大小相同的單元網格，其中：H=H/r、W=W/r，并標準化網格坐標至-1，+1。網格在圖7中以黑色虛線形式展示。

使用投影矩陣W對特征圖進行線性投影，得到查詢元素q。查詢元素被輸入輕量級子網絡θ以計算偏移量Δp。應用偏移量調整網格位置，并通過雙線性插值在變形位置對特征圖進行采樣，得到變形后的鍵和值。投影矩陣W通過訓練學習，以捕捉對后續任務有用的特征信息。投影矩陣如下：

q=xW， =W， =W" " " " " " " " " " " " " " " " " " " " "（3）

withΔp=θq， =？覫x，p+Δp" " " " " " " " " " " " " " " " " " " （4）

=？覫z， p，p=gp，rgp，rzr，r，：z=σ+？覫;R" " " " " " " " " （5）

其中：ga，b=max0，1-a-b用于計算兩個位置之間的相關性，r，r為特征圖z∈R上所有位置建立的索引。由于函數g僅在距離p，p最近的四個積分點上取非零值，因此本文可以將式（5）簡化為這四個位置上的加權平均值。與現有的方法類似，本文對查詢q、鍵k和值v執行多頭注意力機制，并且在注意力機制中引入了相對位置偏移。注意力頭的輸出被表述為：

z=σ+？覫;R" " " " " " " " " " " " " " " " " " "（6）

式中：？覫;R∈R， 代表輸入數據，R表示相對位置信息。來自每個注意力頭的特征被串聯起來，并通過權重矩陣W進行線性變換，最終得到輸出z。

將可形變注意力機制DAttention模塊添加到主干網絡中，如圖2黑色框的位置，能夠更好捕捉特征點在不同尺度間的對應關系，通過預測一個偏移量（Offset），使得注意力分布可以根據數據的特點自適應的改變。這樣的方式使得網絡模型能夠充分聚焦于橋梁裂縫圖像中裂縫的關鍵特征，同時減少不必要的計算消耗。從而可以自適應地處理輸入圖像的大小和比例，提高圖像分類和檢測的準確率。

1.3" 損失函數Inner IoU Loss。Inner IoU（內部交并比）是一種評估預測邊界框（Bounding box）與實際邊界框之間重疊程度的一種指標。定義為預測框B與真實框B交集的面積Intersection除以預測框的面積 AreaB，如式（1）所示。相較于傳統的IoU指標（計算交集與并集的比例），Inner IoU更注重預測框的精確性。當預測框過大而實際重合部分較小時，Inner IoU會給出較低的評分，從而準確反映并有效抑制這種預測上的不精確性。

IoU=" " " " " " " " " " " " "（7）

2" 實驗及結果分析

2.1 實驗環境。本實驗的操作系統為Windows11，GPU為NVIDIAGeForce RTX3090，GPU顯存為24GB，CUDA12.1版本，Python3.8版本，算法框架為Pytorch，Torch1.12.0版本，YOLOv8s訓練時迭代次數為210次，Batchsize為32，學習率為0.01。實驗具體參數設置如表1所示。

2.2" 數據集收集和處理。目前，缺乏可公開訪問的專門針對橋梁裂縫檢測的數據集，本文從現有的多個裂縫數據集中挑選符合橋梁特性的3 371張圖像進行實驗。實驗采用腳本按照7∶3的比例將數據集隨機劃分為訓練集（2 359張圖像）和測試集（1 012張圖像）。利用開源數據標注工具Labelimg為數據集創建標簽文件，并以txt格式存儲每個圖像的裂縫信息。標注中，盡可能使用最小的外接矩形框選裂縫，確保每個邊界框內只包含一條裂縫，并盡量避免邊界框之間的重疊。將橋梁裂縫的標簽命名為“Crack”。通過以上數據集的準備工作，確保了數據集的質量和適用性。

模型訓練階段，采用遷移學習的方法，使用與數據集劃分相同的訓練流程進行模型訓練。為了加速模型的收斂速度并提升訓練效果，本文選擇了在大型COCO數據集上預訓練的權重參數作為模型的初始權重。隨后，在橋梁裂縫數據集上進行了訓練，共進行了210輪迭代。

2.3" 算法的評價指標。在目標檢測中，評價模型性能的標準有很多。本文分析實驗結果以精確率P（Precision）和平均準確率mAP50（Mean Average Precision，mAP）作為精度指標。在探討輕量化與性能平衡時，使用浮點運算次數（FLOPs）和參數量（Params）作為關鍵模型架構細節參數為評價指標，相關公式如下：

P=" " " " " " " " " " " " " " " " " " " " " " " "（8）

R=" " " " " " " " " " " " " " " " " " " " " " " （9）

AP=PRdR" " " " " " " " " " " " " " " " " " " " " "（10）

mAP=" " " " " " " " " " " " " " " " " " " " " （11）

其中：TP指正確預測裂縫的個數；FP指錯誤預測為裂縫的個數；FN指漏檢的裂縫個數；由于檢測對象僅裂縫一類，C取值為1。

2.4" 實驗結果及分析。本文對目標識別階段的YOLOv8s網絡進行了圖像預處理和主干網絡的一些改進。為了評估各項改動以及各項改進對算法性能優化的影響程度，本文進行了消融實驗，具體結果如表2所示。

模型YOLOv8s的精確度和mAP50分別為93.0%和93.9%，通過替換為GhostHGNetv2主干和增加DAttention模塊和Inner

-IOU模塊。與YOLOv8s相比，YOLOv8-BC在精確率、平均精度均值、計算效率和模型大小方面均優于YOLOv8，表明YOLOv8-BC是一個更高效、更優化的目標檢測模型。

在工業檢測領域，檢測模型因其能夠提供高精度且快速的檢測結果而備受青睞，具有廣泛的應用范圍。作為YOLOv8檢測模型的一種優化版本，YOLOv8-BC不僅繼承了模型的高效性，還通過一系列改進和創新，進一步提升了檢測性能和泛化能力，因此在工業檢測中具有更為廣闊的應用前景，能夠更好地適應各種復雜多變的檢測環境和需求。

綜合指標對比結果如圖8所示，可以觀察到改進后的YOLOv8-BC算法在mAP50和P指標上均有所提升。這表明該方法在降低模型大小的同時，能夠提升模型的精確度，實驗識別效果如圖9所示。通過實驗證明，該方法在提高模型性能方面具有一定的有效性。

3" 結" 論

針對橋梁裂縫檢測領域中檢測精度與檢測速度難以平衡的問題，本文提出了一種改進的YOLOv8-BC橋梁裂縫檢測模型。該模型在通過優化網絡結構和特征融合策略，有效提升橋梁裂縫的檢測精度和泛化能力。YOLOv8-BC模型準確率高達95.3%，mAP0.5和mAP0.5-0.95分別提升至95.9%和86.4%，相比YOLOv8s模型分別增長2.3%、2.0%和1.8%，充分證明了模型在檢測精度和泛化能力上的顯著提升。模型還加快了裂縫特征的提取效率和模型的收斂速度，確保了高精度且可靠的識別性能。盡管成效顯著，但仍存改進空間。未來的工作中，將完善數據集，開發自然場景下橋梁裂縫檢測技術，增強模型魯棒性，減少環境噪聲干擾，并探索更多應用領域。

參考文獻：

[1] 交通運輸部. 2022年交通運輸行業發展統計公報[N]. 中國交通報，2023-06-16（002）.

[2]" ZHAO Y， LV W， XU S， et al. Detrs beat yolos on real-time object detection[C] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2024：16965-16974.

[3]" RIYANTO I. Morphology based melanoma skin segmentation method[J]. Helix-The Scientific Explorer Peer Reviewed Bimonthly International Journal， 2021，11（3）：7-13.

[4]" LAKSHMI B V， SRIDEVI K. A qualitative approach on de-noising and segmentation algorithms for melanoma images[J]. Annals of the Romanian Society for Cell Biology， 2021，25（2）：1384-1393.

[5]" WANG J， HE X， FAMING S， et al. A real-time bridge crack detection method based on an improved "inception-resnet-v2 structure[J]. IEEE Access， 2021（9）：93209-93223.

[6]" ZHENG X， ZHANG S， LI X， et al. Lightweight bridge crack detection method based on signet and bottleneck depth-separable convolution with residuals[J]. IEEE Access， 2021（9）：161649-161668.

[7]" FU H， MENG D， LI W， et al. Bridge crack semantic segmentation based on improved Deeplabv3+[J]. Journal of Marine Science and Engineering， 2021，9（6）：671.

[8]" MA D， FANG H， WANG N， et al. Automatic detection and counting system for pavement cracks based on PCGAN and YOLO-MF[J]. IEEE Transactions on Intelligent Transportation Systems， 2022，23（11）：22166-22178.

[9]" ALI R， CHUAH J H， TALIP M S A， et al. Structural crack detection using deep convolution neural networks[J]. Automation in Construction， 2022，133：103989.

[10] 廖延娜，李婉. 基于卷積神經網絡的橋梁裂縫檢測方法[J]. 計算機工程與設計，2021，42（8）：2366-2372.

[11]" YAO H， LIU Y， LI X， et al. A detection method for pavement cracks combining object detection and attention mechanism[J]. IEEE Transactions on Intelligent Transportation Systems， 2022，23（11）：22179-22189.

[12]" LI R， YU J， LI F， et al. Automatic bridge crack detection using unmanned aerial vehicle and Faster R-CNN[J]. Construction and Building Materials， 2023，362：129659.

[13]" HUANG M， XU G， LI J， et al. A method for segmenting disease lesions of maize leaves in real time using attention YOLACT++[J]. Agriculture， 2021，11（12）：1216.

[14]" HAN K， WANG Y， TIAN Q， et al. Ghostnet： More features from cheap operations[C] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020：1580-1589.

[15]" YU D. Improved container damage detection algorithm of YOLOv8[C] // Proceedings of the International Conference on Algorithms， Software Engineering， and Network Security， 2024：90-95.

[16]" XIA Z， PAN X， SONG S， et al. Vision transformer with deformable attention[C] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2022：4794-4803.

[17]" MA Z， WU F. Research on pulmonary nodule detection method based on YOLO algorithm[C] // 2024 5th International Seminar on Artificial Intelligence， Networking and Information Technology （AINIT）. IEEE， 2024：635-639.

[18]" LIU X， RAO Z， ZHANG Y， et al. UAVs Images based real-time insulator defect detection with transformer deep learning[C] // 2023 IEEE International Conference on Robotics and Biomimetics （ROBIO）. IEEE， 2023：1-6.