DOI：10.16652/j.issn.1004-373x.2025.16.002

中圖分類號：TN911.23-34；TP391.4 文獻標識碼：A 文章編號：1004-373X（2025）16-0007-06

ResearchonUAVbridgedeck disease detectionmethod based on YOLOv5

DAI Pengfeil，2， ZOU Jingshan34，YANG Liu^3，4 ，LIU Heng^3，4 ， YIN Huiying4， 5

（1.NanjingchUivesityg16a;2.inlagedugod.g; 3.School of Information Science and Technology，Southwest JiaoTong University，Chengdu 611756，China; 4li 5.Tangshan Institute，Southwest JiaotongUniversity，Tangshan O63ooo，China）

Abstract：Bridge diseases，suchasconcretepeeling，bridge cracks，rivetcorosion，etc.，mostlyoccur inlocalareas，but mostof thebridgediseasesarenotlocatedinthewhole bridgeatpresent.Theful-fieldrapidlocationanddetectionof bridge deckdiseasescanberealizedbycombining theigh-definitioncamerafunctionofunmannedaerialvehicle（UAV）withtherealtimetargetdetectionabilityof YOLOv5.Therefore，an UAVbridgedeck disease detectionalgorithm basedonYOLOv5is proposed.The UAVisused tocolectdataon thebridge pavement，andthelightweight modelYOLOv5sisusedasthebasic detectionmodel.TheYOLOv5smodelisimprovedasfolows：twoscalesareaddedonthebasisoftheexisting three characteristicmapsdetectionwithdiffrentscalestoimprovethedetectionaccuracyoflargertargetsandsmaertargets;SoftNMSalgorithmisusedtoinsteadofNMSalgoritm.Inordertoensuretheful-fieldrapidpositioninganddetectionaccuracyof densediseases，thecollctedbridgepavementdataisinputintotheimprovedYOLOv5smodel，andtheoutputofthemodelis the detection result of bridge deck diseases.The experimental results show that the value of mAP of the optimized YOLOv5s model can reach 92.0% ，and the value of mAP@0.5：0.95 also can reach 73.2% . The processing speed of the model can reach 134f/s，whicheffectivelyandacuratelyidentifiesbridgepavementdiseases，andsignificantlyimprovestheaccuracyand efficiency of detection.

Keywords：bridge deck disease detection；YOLOv5;unmannedaerial vehicle;image colection;multi-scale detection; feature fusion

0 引言

橋梁作為軌道交通的重要組成部分，其建設(shè)在軌道交通修筑中占有重要地位。由于車輛對路面的長期荷載，橋梁路面通常會出現(xiàn)各類病害，如裂縫、坑槽等，嚴重威脅到了道路橋梁的使用性能與承載能力。橋梁路面養(yǎng)護隨交通量增加而凸顯。目前，檢測方式有人工和道路檢測車兩種。人工檢測效率低且影響橋梁使用，檢測車雖效率高，但自動化程度低、車速慢，會影響交通。因此，尋找便捷有效的檢測方法至關(guān)重要?，F(xiàn)階段，無人機技術(shù)[2-3]飛速發(fā)展，廣泛應(yīng)用于各行業(yè)，其數(shù)據(jù)采集成本低、靈活高效、覆蓋廣，不受交通限制，已經(jīng)在目標檢測領(lǐng)域?qū)崿F(xiàn)了廣泛應(yīng)用[45]。同時，計算機視覺技術(shù)不斷進步，深度學習在目標檢測中表現(xiàn)卓越?，F(xiàn)有目標檢測算法主要分為Two-Stage和One-Stage兩類。Two-Stage目標檢測算法主要有R-CNNSPP-Net（空間金字塔池化結(jié)構(gòu)）、FastR-CNN[8]、FasterR-CNN、FPN（特征金字塔）等。這類算法的執(zhí)行流程通常包含兩個關(guān)鍵階段：首先，它們會生成大量的目標候選框；隨后，利用卷積神經(jīng)網(wǎng)絡(luò)對這些候選框進行目標分類和坐標位置的精確回歸。雖然這種方法確保了較高的檢測準確性，但相應(yīng)地，其檢測速度卻相對較低[o]。One-Stage目標檢測算法如YOLOv1，融合候選框生成與識別，直接預(yù)測邊界框，簡化結(jié)構(gòu)提高了速度但降低了精度。隨著研究的不斷深入，現(xiàn)階段從YOLOv1已發(fā)展至YOLOv3、YOLOv4、YOLOv5，而 Y0L0v5^[12-13] 可以準確識別并定位圖像中的病害區(qū)域，為橋梁維護人員提供詳細的病害位置和情況信息。在橋梁病害如混凝土剝落、橋梁裂紋、鉚釘銹蝕等大多發(fā)生在局部區(qū)域，而目前對橋梁病害的檢測大多沒有實現(xiàn)病害在全橋的定位，這不利于橋梁維護人員快速修復局部損傷。為此，本文提出一種基于YOLOv5的無人機橋面病害檢測算法，將無人機圖像采集與深度學習的路面病害檢測結(jié)合，有效提高路面病害的檢測精度與效率。

1無人機圖像采集

使用大疆 M600Pro 無人機配SonyAlpha7RI相機，底部三軸框架支持 360^° 拍攝，調(diào)整飛行參數(shù)，采集大渡河橋梁高質(zhì)量路面圖像。

1.1飛行高度

無人機飛行高度影響圖像尺寸和清晰度，一般情況下飛行過高則圖像模糊且背景復雜，過低則拍攝不全。為了確保圖像覆蓋橋梁路面寬度，需設(shè)定最低飛行高度。

圖1和公式（1）描述了其高度與圖像尺寸的關(guān)系。

圖1無人機飛行高度示意圖

飛行高度 H 取決于相機焦距f 35mm ）、傳感器尺寸 a（35.9mm） 和路面寬度 D（24.5m） 。通過計算得到最低飛行高度為 23.8m ，但考慮橋梁間隙，設(shè)定 25m 飛行高度以獲得最佳拍攝效果，并能夠確保其安全性。

1.2 飛行速度

無人機采集橋梁路面圖像時，車輛可能覆蓋病害，飛行速度過快則會遺漏病害，所以需計算無人機最快速度，確保完整采集路面病害信息。

設(shè)行駛車輛長度為 L_☉ ，行駛車輛的速度為 ，相機攝影比例為 1：n 。則車輛覆蓋裂縫病害的最長時間 χ_t 的計算公式為：

要保證無人機能夠拍攝到裂縫病害，需確定無人機能夠移動的最大位移為：

L_☉=nK

式中 K 表示無人機縱向視野。

則可求得無人機最快飛行速度：

大渡河大橋上車輛平均長為 5m ，速度為 27.7m/s ?？紤]極端情況，取車長為 16m ，速度為 22.2m/s ，計算得無人機飛行速度為 10.8m/s 。

1.3 飛行路線

本文的無人機橋梁路面圖像取自大渡河大橋，該橋主要通行的車輛類型有卡車和小汽車等。利用DJI路線規(guī)劃軟件，通過選擇橋梁上的航路點規(guī)劃飛行路線，沿路面中心線選擇路徑點，確保將路徑點覆蓋整個路面寬度；確定好路徑點后，無人機沿著這些航路點自動飛行，完成圖像采集任務(wù)。

2YOL0v5s橋面病害檢測算法設(shè)計

標注路面病害圖像后，利用多種深度學習算法訓練數(shù)據(jù)集，再用輕量化模型YOLOv5s自動檢測橋梁路面病害，以此保證檢測精度與效率。

2.1多尺度檢測與特征融合改進

YOLOv5s的網(wǎng)絡(luò)架構(gòu)由4個核心組件構(gòu)成，分別是輸人層（Input）、主干網(wǎng)絡(luò)（Backbone）頸部網(wǎng)絡(luò)（Neck）以及輸出層（Head）。這4個部分共同協(xié)作，確保YOLOv5s能夠完成高效且準確的目標檢測任務(wù)。YOLOv5s融合FPN與PAN結(jié)構(gòu)的特征，采用32倍、16倍、8倍下采樣的三尺度特征圖，每個尺度3個檢測框，經(jīng)K-means聚類得9個先驗框尺寸。大型物體選最大感受野的特征圖，先驗框尺寸為 373×326 ；中等物體選中分辨率的特征圖，尺寸為 59×119 ；小物體選高分辨率的特征圖，尺寸為 33×23 ，以實現(xiàn)更準確的檢測。針對無人機采集的路面圖像中病害尺度廣的問題，本文改進了 YOLOv5s ，增加了2個尺度特征圖，共5個尺度進行檢測。通過K-means聚類，獲得15個先驗框尺寸，以適應(yīng)不同尺寸病害。改進后的YOLOv5s結(jié)構(gòu)如圖2所示。新網(wǎng)絡(luò)設(shè)計覆蓋更廣，變化更平滑，可以提升路面病害檢測準確度，并提供全面特征信息。表1列出了各尺度先驗框尺寸。

圖2改進后的YOLOv5s結(jié)構(gòu)圖

表1先驗框尺寸

改進后的網(wǎng)絡(luò)結(jié)構(gòu)增加了4倍和24倍下采樣的特征圖，分別提高小病害和大病害的檢測準確度。通過多尺度檢測融合不同特征圖，提升路面病害的定位精度。本文優(yōu)化特征融合結(jié)構(gòu)，保留PAN融合機制，并融入主干網(wǎng)絡(luò)自底向上的特征信息，增強待檢測特征圖的幾何信息，提高病害檢測定位的準確性。

通過五尺度特征檢測和優(yōu)化FPN與PAN融合策略，該卷積神經(jīng)網(wǎng)絡(luò)的檢測能力得到提升，能夠兼容多尺寸物體，豐富特征信息，特別增強低級幾何信息，從而實現(xiàn)路面病害精準分類與定位。

2.2非極大值抑制改進

錨框提高了檢測精度但會產(chǎn)生多余框，非極大值抑制（NMS）算法通過兩步移除多余框：首先計算IoU（重疊度），若超過閾值則移除低分框，以避免重復檢測。本文采用Soft-NMS替代NMS，當IoU超過閾值，降低分數(shù)而非刪除，減少漏檢。通過計算公式（5）可以看出，IoU越大，候選框分數(shù)降低程度越大；IoU越小，分數(shù)降低程度越小。

式中： M 表示最大得分數(shù)的預(yù)測候選框； b_i 表示其他的候選框； 表示 M 和 b_i 的交并比； S_i 表示 b_i 的分數(shù)。

由于公式（5）的函數(shù)是不連續(xù)的，這樣會導致候選框集合中的分數(shù)出現(xiàn)斷層，所以將其改寫成如公式（6）所示的高斯加權(quán)形式。

式中 D 表示其他候選框的集合。Soft-NMS利用衰減函數(shù)調(diào)整候選框的分數(shù)，而不是直接移除重合度較高的候選框。相較于NMS，該算法降低了漏檢與誤檢率，這有助于解決橋面病害重疊情況下的漏檢問題，提升檢測精度。

3實驗與結(jié)果分析

3.1實驗數(shù)據(jù)集

本實驗所使用的數(shù)據(jù)集為RDD2020和DDHBridge。

1）RDD2020數(shù)據(jù)集源自2020年IEEE大數(shù)據(jù)杯道路損壞檢測挑戰(zhàn)賽，含26336張路面圖像，超過31000個病害實例，涵蓋6大類（如裂縫、坑洼等）。圖3a）展示了RDD2020數(shù)據(jù)集的示例。

2）DDHBridge數(shù)據(jù)集是使用本文所提到的無人機圖像采集方法采集的四川省大渡河橋面視頻數(shù)據(jù)，視頻涵蓋整個橋面。圖3b）展示了DDHBridge數(shù)據(jù)集的示例。

圖3數(shù)據(jù)集

RDD2020取 80% 用于訓練YOLOv5模型， 20% 用于測試模型的各項評價指標，DDHBridge視頻數(shù)據(jù)集用于驗證模型檢測實際病害的效果。無人機拍攝的橋梁圖像中病害因角度和高度變化而大小不一。為優(yōu)化YOLOv5s模型檢測效果，本文對訓練數(shù)據(jù)中的裂縫進行了旋轉(zhuǎn)擴充，對坑洼等病害進行了中心縮放擴充。

3.2實驗結(jié)果

3.2.1實驗平臺及訓練過程

實驗硬件：NVIDIA3070GPU，Inteli5-10600KF，16GB內(nèi)存。軟件：Windows10，Python3.8，PyTorch1.6，CUDA10.2.89，CUDNN7.6.4。模型訓練采用SGD優(yōu)化YOLOv5s，圖像像素調(diào)整為 640×640 。訓練集與測試集按8：2劃分，初始學習率為0.01，衰減速率為0.0005，批次大小為16，共迭代300次。

3.2.2 實驗結(jié)果

橋梁路面病害檢測研究采用 mAP@0.5 mAP@0.5：0.95 來評估精度，F(xiàn)PS用于衡量實時性。mAP@0.5 反映高召回率與準確率， mAP@0.5：0.95 綜合評估多IoU閾值下性能，F(xiàn)PS衡量檢測速度。實驗比較YOLO-PRO與原始及主流網(wǎng)絡(luò)在RDD2020數(shù)據(jù)集上的性能，結(jié)果見表2。

表2各算法對比結(jié)果

從表2中可以看出，本文改進后的YOLO-PRO在速度和精度上都有一定的提升。相比于改進前的YOLOv5s網(wǎng)絡(luò)，改進后的網(wǎng)絡(luò)在檢測精度指標 mAP@0.5 和 mAP@0.5：0.95 上分別提高了 1.7% 和 2.7% 。相較于其他主流的目標檢測網(wǎng)絡(luò)，YOLO-PRO在RDD2020數(shù)據(jù)集上的檢測精度 mAP@0.5 達到了0.920，且比精度相近的FasterR-CNN檢測速度快了約11倍。

圖4對比了YOLOv5s與YOLO-PRO在4張不同病害圖像的檢測結(jié)果。YOLOv5s存在誤檢（如將D40誤檢為D50）裂縫誤分、漏檢坑洼等問題；而YOLO-PRO則提高了病害分類準確性、目標定位精度和置信度，實現(xiàn)了更精細化的檢測效果。

將改進后的YOLOv5s模型用于無人機拍攝的大渡河橋面視頻進行病害檢測，檢測結(jié)果如圖5所示。改進后的模型檢測效果良好，能夠滿足工程應(yīng)用的需求。

圖4模型改進前后檢測結(jié)果對比

圖5橋面病害檢測結(jié)果圖

4結(jié)語

YOLOv5作為強大的深度學習模型，在無人機橋面病害檢測中具有廣泛的應(yīng)用前景。結(jié)合無人機的高清攝像功能和YOLOv5的實時目標檢測能力，可以實現(xiàn)對橋面病害的快速、準確檢測和定位，為橋梁的維護和管理提供有力的技術(shù)支持。

注：本文通訊作者為鄒京汕。

參考文獻

[1]BAI C L.Types and causes analysis of highway surface diseases [J]. Science amp; technology vision，2015（8）：244-245.

[2]安學剛，黨建武，王陽萍，等.基于改進YOLOv4的無人機影像 路面病害檢測方法[J].無線電工程，2023，53（6）：1285-1294.

[3] LIU W，ANGUELOV D，ERHAN D，et al.SSD：single shot multibox detector [C]//European Conference on Computer Vision. [S.l.]： Springer，2016： 21-37.

[4] REDMON J，F(xiàn)ARHADI A.YOLO900： better， faster， stronger [C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu，HI， USA： IEEE，2017： 6517-6525.

[5] YU H， ZHANG Z， QIN Z， et al. Loss rank mining： a general hard example mining method for real-time detectors [C]// 2018 International Joint Conference on Neural Networks. Rio de Janeiro，Brazil：IEEE，2018：1-8.

[6]GIRSHICKR，DONAHUE J，DARRELL T，et al.Rich feature hierarchiesfor accurateobject detection andsemantic segmentation [C]/ 2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus，OH， USA： IEEE，2014：580- 587.

[7]HEKM，ZHANG XY，RENS，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition [J].IEEE transactions on pattern analysis amp; machine intelligence，2014， 37（9）： 1904-1916.

[8] HINTON G E，OSINDERO S，TEH Y W.A fast learning algorithm for deep belief nets [J]. Neural computation，2006，18 （7）：1527-1554.

[9]REN SQ，HEK M，GIRSHICKR，et al.Faster R-CNN： towards real - time object detection with region proposal networks [J]. IEEE transactionsonpattern analysisand machine intelligence，2017， 39（6）：1137-1149.

[10]羅暉，賈晨，李健.基于改進YOLOv4的公路路面病害檢測算 法[J].激光與光電子學進展，2021，58（14）：336-344.

[11] REDMONJ，DIVVALA S，GIRSHICK R， et al. You only look once：unified，real - time object detection [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，NV，USA： IEEE，2016： 779-788.

[12] 鐵軍，李華恩.基于改進YOLOv5的路面病害檢測模型[J].土 木工程學報，2024，57（2）：96-106.

[13]郭佳佳，董增壽，常春波.基于改進YOLOv5的橋梁裂縫模型 研究[J].計算機測量與控制，2023，31（12）：188-194.

[14]邸心明.基于無人機圖像的橋梁表觀病害識別研究[D].呼和 浩特：內(nèi)蒙古農(nóng)業(yè)大學，2024.

作者簡介：戴鵬飛（1981—），男，揚州人，正高級工程師，研究方向為橋梁結(jié)構(gòu)安全監(jiān)測及耐久性。鄒京汕（1998一），男，四川南充人，碩士研究生，研究方向為圖像識別。楊柳（1978—），女，四川達州人，博士研究生，副教授，研究方向為智能監(jiān)測、大規(guī)模物聯(lián)網(wǎng)。劉恒（1983—），男，瑤族，湖南懷化人，博士研究生，講師，研究方向為無線通信。陰慧穎（1998一），女，山東肥城人，碩士研究生，研究方向為圖像處理。