《Developments in the Built Environment》:MSRD-DET: A multi-scale detection framework for road surface defects with edge-aware enhancement and adaptive fusion
编辑推荐:
路面缺陷检测对于基础设施维护和交通安全至关重要。本文提出MSRD-DET,一种多尺度路面缺陷检测框架,包含三个关键组件:一个边缘感知特征增强(EAFE)模块,该模块通过基于平均池化的空间平滑和残差边缘提取来捕获缺陷边界特征;一个多尺度自适应门控网络(MSAGN
路面缺陷检测对于基础设施维护和交通安全至关重要。本文提出MSRD-DET,一种多尺度路面缺陷检测框架,包含三个关键组件:一个边缘感知特征增强(EAFE)模块,该模块通过基于平均池化的空间平滑和残差边缘提取来捕获缺陷边界特征;一个多尺度自适应门控网络(MSAGN),该网络利用多尺度自适应门控(MSAG)模块的门控机制和动态通道重校准(DCR)来自适应地融合跨语义层次的特征;以及一个多尺度空洞卷积(MSDC)模块,该模块使用参数共享的空洞卷积增强多尺度表示。在RDD2022日本数据集上,MSRD-DET在mAP@0.5和mAP@0.5:0.95上分别比基线提升了3.60%和2.54%。在无人机采集和摩托车载图像上的跨数据集评估证实了该方法在不同环境和采集条件下的强泛化能力。所提出的框架为自动道路检测提供了一种实用、高效的解决方案,支持基础设施维护和交通安全。
**论文解读:MSRD-DET——一种面向路面缺陷检测的多尺度边缘感知与自适应融合框架**
**研究背景与问题**
全球交通网络的快速扩张对道路基础设施维护提出了更高要求。路面在长期交通荷载、热循环和水分渗透等环境因素作用下,不可避免地产生裂缝、坑洞等表面缺陷。若未及时处理,这些缺陷会从微观损伤演变为严重结构失效,缩短路面使用寿命并威胁行车安全。因此,准确、及时的路面缺陷检测对于现代路面管理系统(PMS)至关重要。传统人工检测效率低、主观性强,而基于深度学习的方法虽然取得了进展,但仍面临三大挑战:第一,道路缺陷(如裂缝、坑洞)具有不规则几何形状和显著尺度变化,现有方法依赖固定感受野的卷积,难以捕捉细粒度边界信息;第二,多尺度特征融合多采用静态操作(如求和、拼接),缺乏根据输入内容动态调整各尺度贡献的能力,导致信息冗余和跨尺度语义不一致;第三,缺陷尺度跨度大(从毫米级发丝裂缝到大型龟裂和坑洞),常用模块(如SPPF)通过最大池化扩大感受野,却抑制了细粒度纹理和边缘信息。针对这些问题,研究人员提出了MSRD-DET,一个基于YOLO11s的多尺度路面缺陷检测框架,发表在《Developments in the Built Environment》。
**主要技术方法**
研究人员采用以下关键方法:(1)边缘感知特征增强(EAFE)模块,通过多尺度自适应池化、空间平滑和残差边缘提取增强边界特征;(2)多尺度自适应门控网络(MSAGN)作为颈部结构,利用自适应门控机制和动态通道重校准(DCR)实现跨尺度特征自适应融合;(3)多尺度空洞卷积(MSDC)模块,采用参数共享的空洞卷积策略(膨胀率{1,3,5})替代传统SPPF,在保持参数效率的同时扩大感受野。实验基于RDD2022日本数据集(7900张图像,含4类缺陷:纵向裂缝D00、横向裂缝D10、龟裂D20、坑洞D40),按8:1:1划分训练/验证/测试集。
**研究结果**
**消融实验**
- **EAFE模块消融**:完整EAFE相比基线在精度(P)上提升3.52个百分点(达61.15%),mAP@0.5提升1.05个百分点(达56.38%),证实多尺度池化、自适应增强与边缘残差提取的协同作用。
- **MSAG模块消融**:自适应门控机制优于静态求和(mAP@0.5提高0.97%),后融合DCR优于前融合及SE、CBAM注意力机制,最佳配置实现mAP@0.5为57.31%,mAP@0.5:0.95为26.13%。
- **总体消融**:完整MSRD-DET(EAFE+MSAGN+MSDC)在mAP@0.5和mAP@0.5:0.95上分别达58.93%和27.27%,相比基线提升3.60%和2.54%。按尺度分析,小目标(mAPs)提升4.24个百分点,中目标(mAPm)提升3.82个百分点,大目标(mAPl)提升5.33个百分点。
- **每类缺陷分析**:MSAGN对纵向裂缝增益最大;EAFE和MSAGN对龟裂均有改善;EAFE对坑洞效果最佳;横向裂缝最具挑战性,但所有配置均优于基线。
**模块设计对比**
- **C3k2位置对比**:EAFE在精度、mAP@0.5和mAP@0.5:0.95上均优于C3k2-FMB、C3k2-CTA、C3k2-FAT、C3k2-RVB-EMA、C3k2-RVB-SE、C3k2-Sobel等替代方案,且参数更少。
- **颈部网络对比**:MSAGN在mAP@0.5(57.31%)和mAP@0.5:0.95(26.13%)上超越RepGFPN、RFPN、GD-Neck、BiFPN,参数开销适中。
- **SPPF位置对比**:MSDC(共享核)在mAP@0.5(56.54%)上优于SPPF、AIFI、SPPF-LSKA、ASPP、SPPF-RFB等,且保持相同计算成本(21.3 GFLOPs),相比独立核变体参数减少1.18M。
**超参数敏感性分析**
- EAFE池化尺度集{3,6,9,12}(等差序列)在各项指标上最优,证实均匀间隔设计对多尺度池化的重要性。
- MSDC膨胀率{1,3,5}(等差序列)在mAP@0.5和mAP@0.5:0.95上表现最佳,提供连续的感受野覆盖。
**对比实验**
MSRD-DET在mAP@0.5(58.93%)、mAP@0.75(21.85%)和mAP@0.5:0.95(27.27%)上均优于Faster R-CNN、RT-DETR-R18、RT-DETR-L、YOLOv5s、YOLOv8s、YOLOv9s、YOLOv10s、YOLO11s、YOLO12s、YOLO26s、HPSM-YOLO等主流模型。在推理速度(226.98 FPS)和模型大小(19.3 MB)上也保持竞争力。
**跨数据集泛化评估**
在RDD2022中国无人机数据集上,MSRD-DET达到81.33% mAP@0.5,比YOLOv8s高4.38个百分点;在摩托车载数据集上达到95.68% mAP@0.5,比YOLO11s高1.45个百分点,证实了在不同成像条件和道路环境下的强泛化能力。
**裂纹形态分析**
研究人员基于MSRD-DET检测输出的高置信度区域,通过自适应阈值化、中轴变换(MAT)骨架化,提取裂纹长度、宽度和方向等几何描述符,为路面管理系统(PMS)提供定量输入,支持基于数据的维护决策。
**讨论与结论**
讨论部分指出,MSRD-DET在多样化道路条件下保持良好性能,但在极端场景(如强阴影、严重遮挡、低能见度、运动模糊、强反射)下,缺陷与背景的视觉区分度可能下降,模型稳定性面临挑战。未来工作将侧重于扩展极端环境训练数据、引入图像增强、域自适应和视频时序信息,并考虑在边缘设备上部署。
结论部分总结:本文提出MSRD-DET,贡献包括EAFE模块增强边缘特征、MSAGN颈部网络实现自适应跨尺度融合、MSDC模块加强多尺度表示。在RDD2022日本数据集上,mAP@0.5和mAP@0.5:0.95分别达到58.93%和27.27%,相比基线提升3.60%和2.54%。在中国无人机数据集上mAP@0.5达81.33%,摩托车载数据集上达95.68%,验证了强泛化能力。消融实验和Grad-CAM++可视化进一步验证了各模块的有效性。该工作为智能路面缺陷检测提供了实用解决方案,支持损伤量化和维护计划等土木工程工作流。未来将聚焦于极端天气下的鲁棒性提升及边缘设备部署。