Das Experiment zur Wirksamkeit der vorgeschlagenen Methode verwendete Ubuntu 20.4 als Betriebssystem, PyTorch 1.13 als Deep-Learning-Framework und YOLOv8s als grundlegendes Netzwerkmodell. Die detaillierte Konfiguration der experimentellen Umgebung ist in Tabelle 1 aufgeführt. Einheitliche Hyperparameter wurden während des gesamten Trainingsprozesses bei allen Experimenten beibehalten. Tabelle 2 zeigt die spezifischen Hyperparameter, die während der Trainingsphase verwendet wurden. Um das BD-YOLOv8s-Modell zu entwickeln, wurde ein Datensatz von 7684 Bildern gesammelt, die vier Hauptdefekte in Brücken darstellen: Risse, freiliegende Bewehrung, Abplatzungen und Korrosion. Die Bildqualität des selbst erstellten Datensatzes war ausreichend für die Entwicklung des BD-YOLOv8s-Modells. Verschiedene Defektarten wurden identifiziert und in Trainings- und Validierungssets im Verhältnis 8:2 aufgeteilt. Zu den häufigsten Defektmerkmalen gehören Risse, Abplatzungen, freiliegende Bewehrung und Korrosion. Diese sind interdependent und beeinträchtigen die strukturelle Sicherheit und Haltbarkeit von Brücken.
In Bezug auf die Bewertungsmetriken wurden der mittlere durchschnittliche Präzision (mAP) sowie Präzision, Rückruf und F1-Score untersucht, um die Leistung des Modells zu bewerten. Die Ablaufexperimente zeigten, dass die Integration von verschiedenen Aufmerksamkeitsmodulen, insbesondere CBAM, die Genauigkeit des Models verbesserte. Zusätzlich wurde eine Reihe von Ablaufstudien durchgeführt, um die einzelnen Netzwerkstrukturzweige des verbesserten YOLOv8s-Algorithmus auf ihre Gesamtleistung zu prüfen. Die Convergence-Plots der unterschiedlichen Verlustfunktionen bei Training und Validierung zeigten die Modellanpassung und Optimierung über verschiedene Aufgaben hinweg.
Die Performance des BD-YOLOv8s-Modells wurde anhand von echten Bildern von Brückenfehlern getestet, um die Vielseitigkeit des Modells zu demonstrieren. Der Vergleich mit anderen Detektionsalgorithmen wie Faster RCNN, SSD, YOLOv5s, YOLOv4, YOLOv6s, YOLOv7-tiny und YOLOv8s ergab, dass das entwickelte Modell eine verbesserte Genauigkeit und Effizienz für die Erkennung von Brückenfehlern aufweist. Darüber hinaus wurden Visualisierungs- und Interpretationsexperimente durchgeführt, um die Leistung des BD-YOLOv8s-Modells zu überprüfen und seine Robustheit unter verschiedenen Bedingungen zu demons…
BD-YOLOv8s: Verbesserung der Brückendefekterkennung mit multidimensionaler Aufmerksamkeit und präziser Rekonstruktion – Scientific Reports
