基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法

随着地铁隧道服役时间增长，隧道衬砌在多因素影响下病害频发，对隧道结构及临近附属设施造成不良影响，严重危及到行车安全。因此，亟需精确高效的地铁隧道病害及设施检测技术。然而，地铁隧道存在内部环境复杂，附属设施与衬砌病害纹理及灰度相似、目标尺度不一等检测难点，传统的人工巡检及数字图像处理方法均存在局限。针对上述问题，提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型。针对设施及病害的位置特征引入坐标注意力(Coordinate attention)引导模型对目标区域赋予更高权重，抑制背景噪声；采用Bi FPN(Bi-directional Feature Pyramid Network)特征融合网络提升小目标病害检测效果；并利用Ghost Bottleneck替代部分卷积减少模型参数，提高检测效率。为验证改进后模型检测性能，进行现场实验，构建样本数量为843的地铁隧道衬砌图像数据集。并采用随机裁剪、镜像翻转等数据增强方法，将样本量扩充至4 072。数据集上的实验结果表明，改进模型的平均精度均值(m AP)可达89.2%，较原模型提高了3.7%，有效提升了隧道环境中小目标病害...