基于改进YOLOv7的桥梁裂缝检测算法

针对当前桥梁裂缝检测算法存在的错检、漏检等问题，本文对现有桥梁裂缝检测算法的进行了改进。首先，引入CBAM注意力机制，增强网络对裂缝边缘特征的提取能力，提升模型的检测精度；其次，基于SPPF对SPP的改进方法，使用改进后的SPPFCSPC模块替换SPPCSPC模块；最后，采用WIOU损失函数，提升了网络模型的收敛速度。经实验验证，本文改进的模型对桥梁裂缝的检测精度高达87.1%，较YOLOv7模型提高了8.8%，mAP值为85.4%，较YOLOv7模型提高了9.3%，能够满足当前桥梁裂缝检测需求。

至今我国已拥有超过100 万座公路桥梁，随着时间的推移，越来越多的桥梁会进入维修期，其中， 裂缝作为桥梁建筑中最常见、最严重的病害之一，是评判桥梁结构是否安全的重要指标。裂缝会破坏桥梁结构的整体性，降低桥梁的整体强度，易产生安全事故，是重大的安全隐患，需要及时发现解决。传统的裂缝检测方法主要采取人工检测，但人工检测效率低、成本高，且由于某些桥梁架设在深山或江河湖泊上，人工检测过程十分不便。随着深度学习技术应用拓展，为其应用于桥梁裂缝检测提供了又一重要选择。

主流的深度学习目标检测算法可以分为两类，一类是双阶段目标检测算法，例如R-CNN [1]、Fast R-CNN [2]和Faster R-CNN [3]等，这类算法通常将目标检测问题分成两个步骤：提出特征候选区域和对其进行分类，洪卫星[4]等人利用Faster R-CNN 对路桥裂缝图像进行训练检测。另一类是单阶段目标检测算法，例如SSD [5]和YOLO 系列，通过舍弃对候选区域的选择，使得算法整体的检测速度更快，刘永胜[6]等人通过替换SSD 网络的Backbone 和引入SENet (Squeeze-and-Excitation Networks)通道注意力机制，实现了裂缝检测精度的提升；苏卫国[7]等人使用YOLOv3 网络对道路裂缝进行检测；石颉[8]等人在YOLOv4 网络的基础上对上采样模块和特征融合模块的进行改进， 使算法的整体精度提升了6.4%；何兆益[9]等人通过改进YOLOv5 的特征融合层，显著提升了算法对公路隧道衬砌裂缝的检测效果；廖祥灿[10]等人在YOLOv5 网络中加入注意力机制并对YOLOv5 网络的损失函数改进， 对桥梁裂缝的检测具有较好的效果，算法的精度提升了5%。以上这些算法实现了对桥梁裂缝的检测，但其检测精度仍有提升空间。

本文针对当前桥梁裂缝检测存在的错检、漏检问题，基于YOLOv7 框架设计了一种桥梁裂缝检测算法，首先，将CBAM (Convolutional Block Attention Module)注意力机制加入的模型的主干特征提取部分， CBAM 注意力机制融合了通道注意力机制和空间注意力机制，使网络模型可以同时关注通道维度和空间维度的信息，提高算法的检测精度；其次，优化空间金字塔池化结构以提升算法的检测性能；最后，更换YOLOv7 的损失函数为WIoU (Wise-IoU)， WIoU 用预测框和真实框的边框中心点计算它们之间的距离， 并将这个距离作为两个框之间的最大距离，进而计算两个框之间的区域。根据两个框之间的区域，计算权重系数，该系数衡量了两个框之间的关系，可以用于加权IOU 得分，提升网络的收敛速度。