基于改进EB-YOLO-v8n的耗能梁损伤识别

摘要

为对震后耗能梁段损伤状态进行准确、快速评估，在YOLO-v8n模型的基础上，加入高效多尺度注意力模块(efficient multi-scale attention, EMA)和加权双向特征金字塔结构(bidirectional feaure pyramid network, BiFPN),提出了EB-YOLO-v8n耗能梁段损伤识别模型。首先，设计并完成9个不同参数的耗能拟静力试验，采用图像拍摄设备记录不同破坏程度下的结构局部损伤情况，汇总成数据集；其次，为保证数据集质量，采用Mosaic+Fliplr数据增强技术对输入数据进行增强处理，共得到2 612张图像作为数据集；再次，对数据集中的各种损伤进行标注并输入到模型中进行训练；最后，对相关创新模块进行消融实验，分析了每一个改进模块的有效性。结果表明：EB-YOLO-v8n模型的平均精度值均高于文中提到的其他模型，模型在参数量基本不变的情况下具有更强的鲁棒性；此外，根据消融实验结果可以得出，EB-YOLO-v8n模型的平均精度值分别高于E-YOLO-v8n(引入EMA)、B-YOLO-v8n(将特征金字塔网络(feature pyramid networks, FPN)中的路径聚合网络结构(path aggregation network, PAN)替换为BiFPN)1.2和3.8个百分点，并且其单张图片平均识别时间也具有一定优势。EB-YOLO-v8n模型兼顾了精度与速度之间的平衡，契合了震后损伤识别需求中高精度与快速的特点，可以满足实际工程复杂工况的需求。

关键词

结构设计 / 耗能梁 / 目标检测 / 损伤识别 / YOLO-v8n

基金资助

河北省自然科学基金(E2025208016,E2023208069,E2023208080); 中央引导地方科技发展资金项目(236Z5408G); 河北省教育厅产学研合作专项(CXY2024045)