基于YOLOv4-EfficientNet B7的桥梁裂缝检测方法研究

由于桥梁裂缝图像具有分布不规则、缝宽较小、背景像素比例较高等特性，为提高其检测精度和速度，提出了一种改进的YOLOv4算法，优化原主干网络CSPDarkNet53为EfficientNet B7网络以增强特征学习能力，并使用深度可分离卷积代替标准卷积，在提升模型运行效率的同时，也提高了其检测精度和准确率.并通过平移、旋转等数据增强方法将数据集正负样本扩增至6 371张，增强了网络的拟合效果和泛化能力.实验结果表明：YOLOv4-EfficientNet B7的均值平均精度（Mean Average Precision,m AP）为80.11%，比YOLOv4的高出3.85%；检测精确率（precision）为80.13%，召回率（recall）由74.34%提升至78.63%,F1值（F1-score）高达80.61%，提高了2.94%；相较于原YOLOv4算法，检测精确率提高了1.86%，召回率增长了4.29%；与其他主流的裂缝检测算法相比，本算法在mAP和召回率上都有了显著提升，实现了精确检测桥梁裂缝的目的.