融合多注意力机制的轻量化综合管廊裂缝实例分割模型

摘要

[目的]为了解决城市综合管廊裂缝细微、环境复杂造成现有算法检测裂缝难度大、效果差的问题，提出一种融合多注意力机制及轻量化的综合管廊裂缝实例分割模型DG-YOLO.[方法]原模型YOLOv8的卷积核数量较多，卷积操作会生成大量冗余特征图的问题，本研究通过在主干网络中引入Ghost模块以有效降低模型的复杂性，同时通过将检测层替换为Dynamic模块，融入动态特征选择机制，以根据特征的相对重要性自适应地加权和选择输入特征.[结果]经综合管廊裂缝数据集训练验证后证明模型在现实应用中变得更加实用和高效，同时在处理不同输入时具备更强的适应能力，从而提升模型的整体性能和检测精度.[结论]研究表明构建的改进模型DG-YOLO能准确地实现管廊复杂背景下细微裂缝特征的提取，证明了本模型在识别细小裂缝方面的准确性，同时在综合管廊复杂环境下具有一定的鲁棒性和精度.

关键词

城市综合管廊 / 实例分割 / 注意力机制 / 轻量化网络