摘要道路裂缝作为路面主要病害形式之一其自动化、高精度检测对公路养护具有重要意义。本文基于YOLO26目标检测算法构建了一套道路裂缝识别检测系统针对横向裂缝D00、纵向裂缝D10、网状裂缝D20及车道线裂缝D40四类典型路面病害进行检测。模型在包含10000张图像的数据集上进行训练与验证训练集8000张验证集2000张但对车道线裂缝及纵向裂缝仍存在一定漏检问题。本文系统为道路裂缝的自动化识别提供了一种可行的技术方案。引言随着我国公路里程的持续增长路面病害的检测与维护任务日益繁重。传统的人工巡检方式存在效率低、主观性强、安全性差等问题难以满足大规模、高频次的道路检测需求。近年来深度学习技术尤其是基于卷积神经网络的目标检测算法在计算机视觉领域取得了突破性进展为道路裂缝的自动化识别提供了新的技术路径。YOLOYou Only Look Once系列算法因其检测速度快、精度高、易于部署等优势已成为目标检测任务中的主流方法之一。本文采用YOLO26算法构建道路裂缝识别检测系统针对四种常见裂缝类型进行建模与评估。系统在包含8000张训练图像和2000张验证图像的数据集上进行训练并通过精确率、召回率、mAP等指标对模型性能进行全面评估。目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景数据集介绍类别定义数据集划分训练结果总体性能概览​编辑各类别性能分析mAP0.5​编辑​编辑​编辑​编辑训练过程分析results.png​编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景道路裂缝是路面结构在长期使用过程中受到交通荷载、温度变化、材料老化等多种因素共同作用下产生的一种典型病害。裂缝的出现不仅影响行车舒适性和安全性还会导致水分渗入路基加速路面结构的破坏进而引发坑槽、沉陷、翻浆等更严重的路面病害。因此及时、准确地检测道路裂缝对于公路养护部门制定预防性养护策略、延长路面使用寿命、降低全生命周期维护成本具有重要意义。传统的道路裂缝检测主要依赖人工巡检方式即由专业技术人员定期驾驶巡检车辆沿路目视检查或使用简单测量工具记录裂缝的位置、类型和严重程度。这种方法存在明显局限性首先人工巡检效率低下一名熟练的技术人员每天最多只能检测几十公里路段难以适应我国数百万公里公路的检测需求其次检测结果高度依赖巡检人员的经验和主观判断不同人员之间甚至同一人员在不同时间的判断结果可能存在显著差异再者在高速公路上进行人工巡检存在较大的安全风险巡检车辆占用行车道也可能影响正常交通流。此外部分裂缝如细微网状裂缝在早期阶段难以被肉眼识别往往等到病害严重时才能被发现错过了最佳养护时机。近年来以深度学习为代表的感知技术取得了跨越式发展尤其是卷积神经网络CNN在图像分类、目标检测、语义分割等任务中展现出强大的特征学习能力。相较于传统方法深度学习模型能够自动从大量标注数据中学习从低级边缘特征到高级语义信息的层次化表示显著提升了对复杂背景下的裂缝检测能力。在众多深度学习目标检测算法中YOLO系列因其独特的单阶段检测设计实现了检测速度与精度的良好平衡特别适合部署于边缘计算设备或车载实时检测系统。目前YOLO已广泛应用于桥梁裂缝检测、路面病害识别、隧道衬砌检测等多个土木工程视觉检测场景。基于上述背景本文构建了一套基于YOLO26的道路裂缝识别检测系统聚焦于横向裂缝、纵向裂缝、网状裂缝和车道线裂缝四类典型病害旨在探索深度学习技术在道路裂缝自动化检测中的可行性与性能边界为公路智能化养护提供技术支撑。数据集介绍类别定义依据裂缝的几何形态及成因本文将道路裂缝划分为以下四类对应YOLO标签中的数字编号编号类别名称英文标识形态描述0横向裂缝D00基本垂直于道路中心线方向的裂缝主要由温度应力或反射裂缝引起1纵向裂缝D10基本平行于道路中心线方向的裂缝通常由路基不均匀沉降或荷载疲劳引起2网状裂缝D20呈龟壳状相互交错的裂缝网络面积较大通常代表路面结构已出现严重损坏3车道线裂缝D40沿车道线边缘或贯穿车道线的裂缝对行车安全和车道线识别有较大影响数据集划分数据集共计包含10000张已标注图像按标准比例划分为数据集图像数量用途训练集8000 张用于模型参数学习验证集2000 张用于超参数调优与模型选择测试阶段使用独立的2000张图像未参与训练与验证进行最终性能评估。训练结果总体性能概览指标数值mAP0.50.588mAP0.5:0.950.299Precision (P)0.633Recall (R)0.558测试集图像数2000总实例数4207各类别性能分析mAP0.5类别PRmAP0.5mAP0.5:0.95横向裂缝0.6250.6280.6370.361纵向裂缝0.5930.5330.5570.281网状裂缝0.6660.5790.6200.324车道线裂缝0.6480.4900.5390.232训练过程分析results.png从训练曲线来看loss下降趋势box_loss、cls_loss、dfl_loss 均稳定下降说明训练过程正常。mAP0.5从0上升到约0.58趋于平稳说明模型已基本收敛。Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频