摘 要：在加筋土橋臺裂縫識別的問題中，由于裂縫過于不規(guī)則且細小裂縫較多，存在誤檢和識別率低等情況，為了準確地識別出加筋土橋臺表面的裂縫，本研究提出一種基于YOLOv5和自適應(yīng)特征融合ASFF的加筋土橋臺裂縫識別算法。根據(jù)模塊式土工合成材料加筋土橋臺承載力模型試驗，建立橋臺裂縫驗證數(shù)據(jù)集，利用改進的YOLOv5算法，識別橋臺橋座中的裂縫區(qū)域。在模型建立時，為了對不同特征層進行上采樣和下采樣，將Neck結(jié)構(gòu)中的特征融合算法改為ASFF自適應(yīng)特征融合算法，以此來加強對細小裂縫的識別。除此之外，為避免在復(fù)雜背景的圖像中出現(xiàn)誤檢的現(xiàn)象，本模型引入注意力機制CBAM，讓模型重點關(guān)注橋臺裂縫區(qū)域，抑制無用信息。經(jīng)過實驗表明，加筋土橋臺裂縫位置識別準確率達到81.2%，平均精度89.2%，改進后的YOLOv5較原模型精度提升了5.9%，mAP@0.5提升了3.2%。結(jié)果表明基于改進后的YOLOv5加筋土橋臺裂縫識別算法，提高了裂縫識別的準確度，具有較強的研究價值。

關(guān)鍵詞：加筋土橋臺；裂縫識別；YOLOv5；自適應(yīng)特征融合

中圖分類號：TP321 ""文獻標識碼：A ""文章編號：1673-1794（2024）02-0041-06

作者簡介：李瑩，滁州城市職業(yè)學院管理與信息學院教師，碩士，研究方向：大數(shù)據(jù)技術(shù)、人工智能（安徽 滁州 239000）；通信作者：朱晨，河北工業(yè)大學土木與交通學院博士生，研究方向：加筋土結(jié)構(gòu)抗震專業(yè)（天津300131）。

基金項目：中國地震局地震科技星火計劃項目“強震動作用下臺階式加筋土擋墻破壞機理研究”（ XH23067YA）；滁州城市職業(yè)學院自然科研項目“基于深度學習算法的農(nóng)作物病害識別研究”（2023zkyb02）

收稿日期：2023-09-10

1 引言

加筋土結(jié)構(gòu)是工程支護的重要角色之一，在橋梁系統(tǒng)中，加筋土橋臺因具有緩解橋頭跳車問題、經(jīng)濟、施工快速等優(yōu)點得到廣泛的應(yīng)用。但隨著時間的推移，在車輛荷載、溫度循環(huán)變化等外部作用下，加筋土橋臺墻面、橋座等構(gòu)件會產(chǎn)生一定裂縫[1]REF_Ref127452552＼r＼h＼*MERGEFORMAT。加筋土橋臺裂縫的產(chǎn)生會導(dǎo)致保護層對內(nèi)部土工格柵的保護失效，降低結(jié)構(gòu)的穩(wěn)定性。因此，加筋土橋臺裂縫識別尤為重要。目前，橋臺裂縫識別的主要形式仍為目測和人工測量，這種方法不僅費時費力，還會出現(xiàn)誤檢漏檢等現(xiàn)象。隨著圖像數(shù)字化發(fā)展，利用先進的圖像數(shù)字技術(shù)對裂縫進行識別成為有效的檢測方法，通過圖像數(shù)字化技術(shù)，將裂縫信息提取出來，該方法與傳統(tǒng)的人工識別相比，其檢測結(jié)果更加準確。

傳統(tǒng)的裂縫識別采用的是基于圖像特征的提取方法，如圖像分割、種子跟蹤等。張振海等[2]REF_Ref152877470＼r＼h＼*MERGEFORMAT通過對圖像進行增強處理，凸顯圖像特征，再對圖像去噪，最后用圖像分割算法得到裂縫二值化圖像。張碩等[3]REF_Ref152875690＼r＼h＼*MERGEFORMAT提出一種基于種子擴散的裂縫識別方法，該方法實現(xiàn)了裂縫自動跟蹤，但該方法需要事先埋好種子點，不能達到實時檢測的要求。孫曉賀等[4]REF_Ref153273509＼r＼h＼*MERGEFORMAT針對裂縫識別的抗干擾能力差等問題，提出了基于改進的種子填充算法的混凝土裂縫識別。英紅等[5]REF_Ref152876023＼r＼h＼*MERGEFORMAT通過實驗表明，傳統(tǒng)的圖像識別方法在環(huán)境較為簡單的情況下識別的準確率較高，裂縫一旦處于復(fù)雜的環(huán)境中，傳統(tǒng)的圖像識別方法的局限性就顯示出來了。

由上述可以看出，傳統(tǒng)的圖像識別方法可以檢測出裂縫區(qū)域，但易受復(fù)雜環(huán)境干擾，實時性差，且存在一定的誤檢率。因此，基于智能算法的裂縫識別尤為重要。近幾年，隨著人工智能的發(fā)展，基于深度學習的目標檢測逐漸應(yīng)用到各行各業(yè)。很多學者也將深度學習應(yīng)用到了地面、橋梁、隧道等結(jié)構(gòu)上的裂縫識別，這些深度學習算法在裂縫識別領(lǐng)域也得到了廣泛的應(yīng)用。Kim等[6]REF_Ref152878015＼r＼h＼*MERGEFORMAT利用卷積神經(jīng)網(wǎng)絡(luò)對隧道裂縫進行識別，以此來提高檢測的準確率。吳子燕等[7]REF_Ref153139722＼r＼h＼*MERGEFORMAT結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和區(qū)域生長方法對建筑裂縫區(qū)域進行識別，通過實驗表明，Inception-V3網(wǎng)絡(luò)檢測效果最好，能識別出大部分裂縫區(qū)域。隨著深度學習的發(fā)展，YOLO系列算法應(yīng)運而生，劉星等[8]REF_Ref152878107＼r＼h＼*MERGEFORMAT為了提高地表裂縫識別的精確度，使用YOLOv3算法對地面裂縫進行識別，并利用PeleeNet與YOLOv3相結(jié)合，該目標檢測算法提高了特征的提取率。余加勇等[9]REF_Ref153273400＼r＼h＼*MERGEFORMAT為識別出橋梁裂縫區(qū)域，利用YOLOv5定位區(qū)域位置，再結(jié)合U-Net3+算法分割出裂縫形狀。高志鑫等[10]REF_Ref128571523＼r＼h＼*MERGEFORMAT為了可以在較短的時間內(nèi)，精確地識別混凝土表面的裂縫，利用機器學習中的LightGBM模型架構(gòu)，根據(jù)圖像的像素點，提出基于輕梯度提升樹建立自動識別與分類模型，識別效果較好。

上述方法可以有效地檢測出路面或者建筑上的縫隙，但是對于一些細小的裂縫，仍很難檢測出來?；诖耍狙芯刻岢隽嘶赮OLOv5和自適應(yīng)特征融合ASFF的裂縫識別算法，并引入注意力機制CBAM，以此來提高模型對于細小裂縫的檢測效果。

2 裂縫識別算法

2.1 YOLOv5算法

YOLOv5算法是目標檢測領(lǐng)域重要的算法之一。

其由四個部分組成，分別為輸入端、Backbone、Neck和Head。其中輸入端對圖像數(shù)據(jù)進行增強操作，YOLOv5中包含13種數(shù)據(jù)增強方法，包括色調(diào)變換、飽和度變換、縮放、圖像翻轉(zhuǎn)、圖像融合等，通過數(shù)據(jù)增強可以提高模型的泛化能力。Backbone是YOLOv5的骨架網(wǎng)絡(luò)，包含多個卷積塊，主要用來提取圖片中的特征區(qū)域，Backbone的輸出作為Neck的輸入。Neck接受了若干個來自Backbone階段的特征圖，然后對這些特征圖進行相應(yīng)的處理以后，再將其輸出。目前主流的Neck包括FNP、BiFNP、PANet等，在YOLOv5模型中，使用的是PANet網(wǎng)絡(luò)[11]。

YOLOv5的整體思想是將圖片作為網(wǎng)絡(luò)的輸入端，利用回歸的思想，對目標的位置以及類別進行預(yù)測。為了提高網(wǎng)絡(luò)模型的運行速率，對樣本圖片進行變換，以此來增加正樣本的數(shù)量。在樣本訓練的過程中，為了減少樣本的訓練時間，YOLOv5采用先驗框的方式，對樣本中的目標區(qū)域進行劃分，因此，YOLOv5具有模型小、速度快、精度高等優(yōu)點，比傳統(tǒng)的裂縫識別算法更適用于加筋土橋臺表面裂縫的檢測。

2.2 自適應(yīng)特征融合ASFF

在YOLOv5算法中，特征融合網(wǎng)絡(luò)是以PANet為主要框架，對數(shù)據(jù)特征進行雙向融合[12]。但該方法經(jīng)過測試，并不能有效地檢測出細小裂縫，橋臺的裂縫形狀復(fù)雜且粗細分布不均，檢測模型需要更好地提取不同程度的裂縫特征?；诖?，本研究提出將自適應(yīng)特征融合網(wǎng)絡(luò)ASFF作為裂縫識別的特征融合模型。

ASFF（Adaptively Spatial Feature Fusion）自適應(yīng)空間特征融合算法由LIUS等[13]提出，其目的是使網(wǎng)絡(luò)能夠自適應(yīng)地去學習每一層上的特征值，這樣才能提取到特征中的重要信息。其結(jié)構(gòu)圖如圖1所示，對不同Level上的特征圖進行大小的變換，然后再將結(jié)果加權(quán)相乘之后再進行相加，經(jīng)過融合后，Level1、Level2、Level3有相應(yīng)的融合系數(shù)α1、β3、γ3，計算后得到新的融合特征。

x1、x2、x3分別為Level1、Level2、Level3的特征，這些不同層次的特征經(jīng)過權(quán)重系數(shù)的變換，得到了新的融合特征ASFF-3，如式（1）所示。

ylij=αlij·x1→lij+βlij·x2→lij+γlij·x3→lij（1）

L表示Level層數(shù)，當L等于3時，表示需相加1～3層輸出的特征大小與通道數(shù)相同，對不同層次的特征進行上采樣或者下采樣。權(quán)重α、β、γ是三層特征圖通過1×1卷積得出，再通過歸一化將其變換到范圍[0，1]之間，且相加之后為1，如式（2）所示。

alij=eλlaijeλlaij+eλlβij+eλlγij（2）

2.3 注意力機制改進

注意力機制就是關(guān)注重點的信息，忽視不重要的信息，從大量的信息中獲取少量核心的信息，在裂縫識別中，縫隙的區(qū)域特征是全局圖像中的重要識別區(qū)域，而在圖像中，由于環(huán)境的復(fù)雜，導(dǎo)致在裂縫的識別過程中，出現(xiàn)誤檢的現(xiàn)象。因此，在YOLOv5模型中，為了讓模型更加關(guān)注有用的信息，抑制無用的信息，在模型中引入注意力機制。

注意力機制包括接受通道數(shù)的方式和不接受通道數(shù)的方式，例如SENet利用AvgPool提取各個通道里的特征信息，并利用全連接層連接計算出權(quán)值的大小[14]。雖然該模型體量較小，但是SENet忽視了空間之間的前后關(guān)系。為了獲取空間注意力信息，關(guān)注不同空間之間的關(guān)系，CBAM利用低通道數(shù)和卷積來捕獲信息，增加在空間方向上的關(guān)注度[15]。

CBAM結(jié)合通道和空間注意力，解決模型缺少注意力偏好的問題。先對每一個特征圖得出一個分數(shù)，關(guān)注不同通道的重要程度，得到一個新的特征圖。接下來，這個特征圖再關(guān)注空間信息，學習到空間的分布，得到最終的特征圖。CBAM注意力機制模型包括兩個模塊，通道注意力模塊和空間注意力模塊[16]。

通道注意力模塊首先對每一個特征圖進行最大池化和平均池化，對新的特征進行先升維再降維的操作，最后將得出的特征積相加，經(jīng)過sigmod后，得出分數(shù)。空間注意力模塊是對通道注意力模塊的補充，其更關(guān)注的是目標區(qū)域的位置信息。CBAM注意力機制示意圖如圖2所示。

圖2中第一個虛線框是通道注意力區(qū)域，第二個虛線框是空間注意力區(qū)域，在特征圖輸入后，通道注意力對該特征進行GAP、GMP變換，再經(jīng)過MLP得到通道注意力權(quán)重并將其歸一化，最后再與原始圖像的特征矩陣相乘，完成通道注意力對原始特征的重新計算，其計算公式如式（3）所示。

Mc（F）=σ（MLP（AvgPool（F））+MLP（MaxPool（F）））""""""""" =σ（W1（W0（Fcavg））+W1（W0（Fcmax）））（3）

上式中，F(xiàn)cavg表示平均池化特征，F(xiàn)cmax表示最大池化特征，特征計算完畢后送入共享多層感知機MLP網(wǎng)絡(luò)。根據(jù)特征空間內(nèi)部來產(chǎn)生空間注意力特征圖Ms（F）∈RH，W，利用平均池化和最大池化將特征圖拼接在一起，最終特征計算過程如式（4）所示。

Ms（F）=σ（f7×7（[AvgPool（F）;MaxPool（F）]））（4）

2.4 改進YOLOv5算法

在進行裂縫識別實驗時，通過構(gòu)建YOLOv5網(wǎng)絡(luò)模型，來進行模型的建立。為了對不同特征層進行上采樣和下采樣，將Neck結(jié)構(gòu)中的特征融合算法改為ASFF自適應(yīng)特征融合算法，以此來加強對細小裂縫的識別。為避免在復(fù)雜背景的圖像中出現(xiàn)誤檢的現(xiàn)象，本模型引入注意力機制CBAM，讓模型重點關(guān)注橋臺裂縫區(qū)域，抑制無用信息，改進后的YOLOv5模型如圖3所示。

3 基于YOLOv5與自適應(yīng)特征融合的加筋土橋臺裂縫識別

由于加筋土橋臺裂縫粗細不均，因此，將YOLOv5網(wǎng)絡(luò)中的特征融合算法改為ASFF自適應(yīng)特征融合網(wǎng)絡(luò)，通過不同的權(quán)重設(shè)置，來達到特征融合的目的。再結(jié)合CBAM注意力機制，從空間注意力和通道注意力兩個方面來獲取權(quán)重，以此來加強對不同層面的特征提取，提高裂縫識別精度。

本研究測試對象來自試驗——模塊式土工合成材料加筋土橋臺承載力模型試驗[17]，如圖4所示。試驗中，GRS橋臺模型由下部結(jié)構(gòu)、上部結(jié)構(gòu)以及橋座組成，在試驗中，隨著千斤頂力量的增加，橋臺橋座開始出現(xiàn)裂縫，本模型的驗證圖片來自于該試驗中的裂縫區(qū)域。

3.1 數(shù)據(jù)集

本研究主要針對加筋土橋臺裂縫進行識別。訓練集由1769張裂縫圖片組成，按照7∶3的比例劃分為訓練集以及測試集。數(shù)據(jù)準備好后，利用Labelimg工具對圖片進行標注。圖片分辨率為1400*1200像素。具體統(tǒng)計數(shù)據(jù)見表1。

3.2 數(shù)據(jù)增強

為了提高模型的泛化能力，YOLOv5對圖像進行了增強操作，除了基本的圖像增強外，如色調(diào)變換、飽和度變換、縮放等，YOLOv5還利用了Mosaic方法對圖像進行增強，該種方法將4張圖片通過隨機縮放或裁剪后，再由其拼接為一張完整的圖片，以此來增加樣本的豐富性[18]。拼接圖片如圖5所示。

3.3 數(shù)據(jù)訓練

將收集的原始1769張裂縫圖片利用LabelImg工具進行標注。并以7∶3的比例將數(shù)據(jù)集劃分為訓練集與測試集。將橋臺實驗中實驗圖片作為驗證集。

加筋土橋臺裂縫識別模型訓練時所采用的是遷移學習的方法，遷移學習是利用模型已學習到的知識來改進新的學習任務(wù)的學習效果。本實驗將由COCO128數(shù)據(jù)集預(yù)訓練而來的YOLOv5模型作為訓練的初始模型，通過實驗找到模型的最優(yōu)實驗參數(shù)，設(shè)置訓練批量大小為 32張、輸入圖像 1400×1200 pixels、最大訓練輪數(shù)為300次，與此同時，為了避免在訓練的過程中出現(xiàn)過擬合的現(xiàn)象，本研究將采用網(wǎng)絡(luò)輸出的最佳訓練權(quán)重來構(gòu)建橋臺裂縫識別模型，實驗環(huán)境配置如表2所示，模型訓練參數(shù)如表3所示。

3.4 評價指標

評價指標包括準確率（Precision）、召回率（Recall）、平均精度均值（Mean Average Precision），將帶有裂縫的加筋土橋臺圖像送入裂縫檢測模型，統(tǒng)計正確檢測的數(shù)量TP以及錯誤檢測數(shù)量FP，最終得出評價指標P、R、mAP50，計算公式如式（5）～（7）所示。

P=TPTP+FP×100%（5）

R=TPTP+FN×100%（6）

mAP=1c∑ci=1APi（7）

4 實驗與分析

4.1 測試對象

驗證圖片選自模塊式土工合成材料加筋土橋臺承載力模型試驗中的橋臺橋座裂縫圖像，隨著橋座豎向荷載增加，橋座開始出現(xiàn)裂縫。本實驗將利用改進的YOLOv5網(wǎng)絡(luò)模型對橋臺橋座裂縫進行識別，將Neck結(jié)構(gòu)中的特征融合算法改為ASFF自適應(yīng)特征融合算法，并引入注意力機制CBAM，抑制無用信息，驗證圖像如圖6所示。

4.2 訓練過程與試驗結(jié)果分析

為了驗證本研究裂縫識別算法的檢測性能，對基于YOLOv5和自適應(yīng)特征融合算法識別效果進行測試，在試驗中，為了避免過擬合以及減少訓練時長，將epochs適當減小，設(shè)置為300，并將batchsize設(shè)置為32。隨著訓練輪次的增加，模型的性能逐漸提升，損失率逐漸下降。模型精度變化圖如圖7所示，損失率變化圖如圖8所示。

YOLOv5利用GIOULoss對預(yù)測框的損失來進行計算，Box根據(jù)預(yù)測框與真實值框的對比，來計算重合程度。Objectness表示測試集目標檢測loss均值。Precision表示模型精度，Recall表示模型的召回率。Classification表示為分類loss均值，越小分類越準確[19]REF_Ref144321769＼r＼h＼*MERGEFORMAT。從圖7與圖8中可以看出，原始YOLOv5模型訓練輪次超過200時Precision值開始下降，說明可能出現(xiàn)了過擬合的問題，改進后的YOLOv5模型識別加入了自適應(yīng)特征融合ASFF以及CBAM注意力機制，較好地克服了這一問題。

本實驗以準確率、召回率以及平均精度均值作為評價指標，在相同的數(shù)據(jù)集下，對不同特征融合算法的檢測效果分別進行實驗，以YOLOv5作為基礎(chǔ)網(wǎng)絡(luò)，實驗效果如表4所示。

從對比實驗結(jié)果中可以看出，在CBAM、CA以及SENet三個注意力機制模型中，融入CBAM注意力機制的模型P值最高，較原模型精度提升了5.6%，召回率有所下降，但mAP@0.5提升了2.8%。綜合改進后，YOLOv5-CBAM-ASFF較原模型精度提升了5.9%，mAP@0.5提升了3.2%。

結(jié)果表明本研究提出的YOLOv5-CBAM-ASFF模型提高了對特征區(qū)域的關(guān)注度，改進后的模型對于裂縫識別效果明顯增強。利用改進的YOLOv5模型識別后的裂縫區(qū)域效果如圖9所示。驗證圖片中的裂縫處于復(fù)雜環(huán)境中，從識別結(jié)果可以看出，用該模型進行識別，不僅可以識別出較粗裂縫區(qū)域，還可以從復(fù)雜的背景中有效地識別出細小裂縫所在區(qū)域。

為了驗證本文提出的用CBAM代替YOLOv5原有的注意力機制，本實驗采用Grand-CAM方法，對YOLOv5結(jié)合ASFF注意力機制時所產(chǎn)生的熱力圖進行對比分析，結(jié)果如圖10所示。熱力圖生成公式如式（8）所示。

LcGrad－CAM=ReLU（∑kackAk）（8）

ack=1Z∑i∑jycAkij（9）

式（8）中，A表示某個卷積層輸出的特征層，k表示在特征層A中的第k個通道，c表示模型中的類別，Ak表示特征層A中通道數(shù)k，ack表示Ak的權(quán)重[20]。其中，ack的計算公式如式（9）所示。

通過實驗，得出熱力圖識別結(jié)果如圖10所示。改進后的YOLOv5能夠更好地捕捉特征部位，熱力圖覆蓋更加明顯，不僅關(guān)注通道信息，也關(guān)注了位置信息，并且減少非重要區(qū)域的特征權(quán)重，加強了對細小裂縫的識別。

5 總結(jié)

文章針對加筋土橋臺裂縫識別率低及誤檢等情況，提出了一種基于YOLOv5與自適應(yīng)特征融合的加筋土橋臺裂縫檢測方法，將YOLOv5中的Neck部分的PANet改為ASFF自適應(yīng)特征融合，并結(jié)合CBAM注意力機制，加強對細小裂縫區(qū)域的特征捕獲。該方法采用深度學習模型對加筋土橋臺裂縫圖像進行分析，識別裂縫位置。在對加筋土橋臺表面裂縫區(qū)域的檢測中，識別準確率達到81.2%，平均精度89.2%，改進后的YOLOv5較原模型精度提升了5.9%，mAP@0.5提升了3.2%。實驗結(jié)果表明，該方法能有效識別橋臺實驗中橋座裂縫位置，且精度較原模型有所提高。在后續(xù)中研究中，可對裂縫標注更加精細化，以此來進一步提高模型的檢測精度。

［參 考 文 獻］

［1］

張逍， 徐超， 王裘申， 等. 加筋土橋臺承載特性的載荷試驗研究[J]. 巖土力學，2020，41（12）：4027-4034.

[2] 張振海，尹曉珍，王陽萍，等.基于特征分析的圖像式地鐵隧道裂縫檢測方法研究[J].鐵道科學與工程學報，2019，16（11）：2791-2800.

[3] 張碩，張尤賽，許智勛，等.一種基于種子點擴散的隧道裂縫半自動提取方法[J].計算機與數(shù)字工程，2017，45（2）：387-391．

[4] 孫曉賀，施成華，劉凌暉，等.基于改進的種子填充算法的混凝土裂縫圖像識別系統(tǒng)[J].華南理工大學學報（自然科學版），2022，50（5）：127-136.

[5] 英紅，劉楊.基于動態(tài)最短路徑識別水泥路面裂縫的方法[J].鄭州大學學報（理學版），2017，49（2）：84-90．

[6] KIM J，SHIM S，CHA Y，et al.Lightweight pixel-wise segmentationfor efficient concrete crack detection using hierarchical convolu-tional neural network[J].Smart Materials and Structures， 2021，30（4） ：045023.

[7] 吳子燕，賈大衛(wèi)，王其昂.基于卷積神經(jīng)網(wǎng)絡(luò)與區(qū)域生長法的建筑裂縫識別[J].應(yīng)用基礎(chǔ)與工程科學學報，2022，30（2）：317-327.

[8] 劉星，莫思特，張江，等.輕量化模型的PeleeNet_yolov3地表裂縫識別[J].哈爾濱工業(yè)大學學報，2023，55（4）：81-89.

[9] 余加勇，劉寶麟，尹東，等.基于YOLOv5和U-Net3+的橋梁裂縫智能識別與測量[J].湖南大學學報（自然科學版），2023，50（5）：65-73.

[10] 高治鑫，包騰飛，李揚濤.基于機器學習的混凝土壩表面裂縫快速識別方法[J].水電能源科學，2022，40（4）：95-98.

[11] ULTRALYTICS.YOLOv5 （2020）[EB/OL].（2020-06-10）[2022-06-01].https：//github.com/ultralytics/ ultra-lytics/yolov5.

[12] 冷坤，秦倫明，王悉.基于CA-ASFF-YOLOv4的交通標志識別研究[J].計算機工程與應(yīng)用，2023，59（17）：169-177.

[13] LIU S，HUANG D，WANG Y.Learning Spatial Fusion for Single-Shot Object Detection[J].arXiv Preprints，2019，arXiv：1911.09516.

[14] JIE H，LI S，GANG S，et al.Squeeze-and-excitation networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，42（8）：2011-2023.

[15] 胡丹丹，張忠婷，牛國臣.融合CBAM注意力機制與可變形卷積的車道線檢測[J/OL].北京航空航天大學學報，1-14[2024-03-06].https：//doi.org/10.13700/j.bh.1001-5965.2022.0601.

[16] WOO S，PARK J，LEE J Y，et al.CBAM： convolutional blockattention module[EB/OL].（2023-02-20）[2022-10-02].https：//arxiv.org/abs/1807.06514.

[17] 朱晨.模塊式加筋土橋臺承載力模型試驗研究及數(shù)值模擬[D].河北：防災(zāi)科技學院，2021：12-13.

[18] REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once： unified， real-time object detection[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas：IEEE，2016：779-788.

[19] REDMON J，F(xiàn)ARHADI A.YOLO9000：Better，faster，stronger[C]//Proceedings of the IEEE Conference on Computer vision and Pattern Recognition.New York：IEEE，2017：7263-7271.

[20] REDMON J，F(xiàn)ARHADI A.Yolov3： An incremental improvement[J].arXiv，2018： 1804.02767.

Crack Identification of Reinforced Soil Abutment Based on Improved YOLOv5

Li Ying， Zhu Chen

Abstract： In the problem of crack identification of reinforced soil abutment， the cracks are too irregular and there are many small cracks， resulting in 1 detection and low recognition rate. In order to accurately identify cracks on the surface of reinforced soil abutment， a crack identification algorithm based on YOLOv5 and adaptive feature fusion ASFF is proposed in this paper. According to the bearing capacity model test of modular geosynthetic reinforced soil abutment， the data set of abutment crack verification is established， and the crack area in the abutment is identified by the improved YOLOv5 algorithm. In order to up-sample and down-sample different feature layers， the feature fusion algorithm in Neck structure was changed to ASFF adaptive feature fusion algorithm to enhance the recognition of small cracks. In addition， in order to avoid the phenomenon of 1 detection in images with complex background， the attention mechanism CBAM is introduced in this model to make the model focus on the crack area of the abutment and suppress useless information. Experiments show that the crack location identification accuracy of reinforced soil abutment reaches 81.2% and the average accuracy is 89.2%. Compared with the original model， the accuracy of the improved YOLOv5 is increased by 5.9% and mAP@0.5 by 3.2%. The results show that the improved YOLOv5 reinforced soil abutment crack identification algorithm improves the accuracy of crack identification and has strong research value.

Key words：reinforced earth abutment; crack identification; YOLOv5; adaptive feature

fusion

責任編輯：陳星宇