基于已知特征提取模型和YOLO_v2网络的混凝土裂缝检测( Concrete Crack Detection Based on Well-Known Feature Extractor Model and the YOLO_v2 Network )

S Teng Z Liu G Chen L Cheng

本文采用11个特征提取器对YOLO_v2的裂缝检测性能（精度和计算量）进行了比较，为实现快速准确的混凝土结构裂缝检测提供了依据。混凝土结构的裂缝是评价其耐久性和安全性的重要指标，裂缝的实时检测是结构维修中必不可少的任务。目标检测算法，特别是YOLO串联网络，在裂纹检测方面具有很大的潜力，而特征提取器是YOLO V2中最重要的组成部分。因此，本文采用了11个著名的CNN模型作为YOLO_v2裂纹检测的特征提取器。结果表明，不同的YOLO_v2网络特征提取模型会导致不同的检测结果，其中“Resnet18”、“AlexNet”和“VGG16”的AP值分别为0.89、0和0,而“GoogleNet”(AP=0.84)和“MobileNetv2”(AP=0.87)的AP值也有可比性。在计算速度方面， AlexNet 的计算时间最少， ShezzeNet 和 Resnet18 分别排在第二和第三位；因此，在精度和计算成本方面， Resnet18 是最好的特征提取器模型。另外，通过参数研究（训练历元、特征提取层和测试图像大小对检测结果的影响），相关参数确实会对检测结果产生影响。实验结果表明：YOLO_v2检测器能取得良好的裂纹检测效果，其中适当的特征提取器模型、训练时间、特征提取层数和检测图像尺寸等因素起着重要作用。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate