面向实时无人机桥梁检测的鲁棒轻量级裂缝分类
计算机视觉与模式识别
2026-05-01 v1 人工智能
摘要
随着无人机（UAV）在桥梁结构健康监测中的广泛应用，基于深度学习的自动裂缝检测已成为一个主要研究焦点。然而，实际的无人机检测仍面临四个关键挑战：裂缝特征微弱、成像条件退化、严重的类别不平衡以及实际无人机检测流程中有限的计算资源。为解决这些问题，本文提出一个统一的轻量级卷积神经网络框架，该框架由四个协同组件构成：一个轻量级骨干网络、一个用于通道和空间增强的卷积块注意力模块（CBAM）、一种基于检测场景先验的定向鲁棒增强策略，以及用于类别不平衡下困难样本学习的Focal Loss。在SDNET2018桥面板数据集上的实验表明，所提方法在仅11.21M参数量和1.82G FLOPs的情况下，实现了825 FPS的推理速度。与基线模型相比，完整框架将F1分数提升了2.51%，召回率提升了3.95%。此外，Grad-CAM可视化表明，引入的注意力模块将模型的关注点从分散区域转移到沿裂缝轨迹的精确跟踪。总体而言，本研究在精度、速度和鲁棒性之间实现了良好的平衡，为无人机桥梁检测中地面站辅助的实时部署提供了一种实用解决方案。源代码见：https://github.com/skylynf/AttXNet。
引用
@article{arxiv.2604.27617,
title = {Robust Lightweight Crack Classification for Real-Time UAV Bridge Inspection},
author = {Wei Li and Haisheng Li and Weijie Li and Jiandong Wang and Kaichen Ma and Luming Yang},
journal= {arXiv preprint arXiv:2604.27617},
year = {2026}
}