摘要：针对传统混凝土裂缝检测效率低、易受干扰等问题，本研究提出改进 VGG-16 网络的检测方法。引入 BN、P-ReLU 激活函数，构建多尺度特征融合与 SE 通道注意力机制，结合深度可分离卷积实现轻量化。实验显示改进模型在 CRACK500 数据集准确率达 96.8% ，较原模型提升4.3%，参数量减少 83% ，处理时间降至85ms，在光照变化和噪声干扰下保持强鲁棒性，为混凝土裂缝实时检测提供了高效解决方案。

关键词：改进 VGG-16 网络；混凝土裂缝检测；深度学习；模型轻量化

研究背景

混凝土裂缝检测对保障工程结构安全、降低维护成本及预防事故具有重要作用。传统方法存在效率低、成本高、安全隐患、人为误差及抗干扰能力差等缺陷 [1]。深度学习技术中，CNN 可自动提取图像特征；改进型 Xception 网络通过自适应激活函数和动态注意力机制提升稳定性；U-Net-FML 模型通过参数优化增强检测性能；EE-MSFF 机制融合边缘检测与深度网络实现 88.68% 准确率；SqueezeNet 通过卷积核优化平衡精度与计算效率。这些技术为工程安全监测提供了更高效可靠的解决方案，应用前景广阔。

研究方法

针对 VGG-16 网络在混凝土裂缝检测中存在的模型参数量大、训练效率低及过拟合倾向显著等问题，本研究提出系统性优化方案，具体实施策略包含网络架构改进与训练优化两个维度：

在网络架构优化中，首先在各卷积层后加入批量归一化（BN），形成 " 卷积 -BN- 激活 - 池化 " 单元，稳定梯度传播并允许更高初始学习率（0.001-0.003）。用参数化 ReLU（P-ReLU）替代传统ReLU，减少深层网络的神经元失活，增强裂缝边缘特征提取。在第三至第五卷积模块引入多尺度特征融合，并行使用 1×1 、 3×3 、5×5 卷积核进行跨尺度特征拼接 [2]。添加残差连接以缓解梯度衰减[3]，并嵌入通道注意力机制（SE）强化裂缝特征响应。采用深度可分离卷积替换常规卷积，并将全连接层神经元从 4096 减至 512，总参数量下降 68% 。

训练中使用 Adam 优化器（ β1=0.9 ， β2=0.999 ），批量尺寸32-64。采用阶梯学习率衰减（系数 0.1，耐心 10epoch ）和早停机制（耐心15epoch）。结合L2 权重衰减（ 5×10^--4 ）和 Dropout（0.5）提升泛化能力。优化后模型在 CRACK500 数据集上训练收敛速度提升 42% ，准确率提高 5.3% ，并建立评估如下（表1）体系验证效果。

表1 评估体系

结果与分析

改进后的 VGG-16 网络在混凝土裂缝检测任务中展现出了卓越的性能，其综合评估涵盖多项关键指标。该模型在训练集和测试集上分别达到了 98.5% 和 96.8% 的准确率，与 SCNet 等现有高性能模型相当，改进的批量归一化层与 P-ReLU 激活函数显著增强了模型泛化能力并有效缓解了过拟合现象。训练过程中，模型的损失函数在前 20 个训练周期内呈现快速下降趋势并逐渐趋于稳定，验证损失与训练损失的较小差异表明模型未出现显著过拟合，这验证了 Adam 优化器与学习率衰减策略对加速模型收敛的有效性。相较于原始 VGG-16 架构，改进模型收敛效率大幅提升，达到 90% 和95% 准确率所需的训练周期分别减少约 40% 和 35% ，这种提升主要源于批量归一化层与 Adam 优化器的协同作用，使得模型在采用较大学习率时仍能保持训练稳定性。模型在多项关键指标上的表现如下表（表2）所示：

表2 性能指标对比

改进模型在混凝土裂缝检测任务中有全面性能优势，尤其在MIoU 和精确率上提升显著。其通过参数精简策略提高计算效率， 参数量从原始 VGG - 16 的约 1.38 亿减至 2300 万，减少约 83%；单张图像处理时间从 320ms 降至 85ms，提速约 73%；内存占用从约528MB 降至约 92MB，减少约 83%，这使其适合在资源有限的嵌入式设备或移动平台部署，为实际工程应用提供可能。此外，模型在不同环境、光照条件下准确率波动小于 3%，添加高斯噪声 （σ = 0.1） 后准确率下降不超 5%，在未见过的数据集上仍保持 93% 以上准确率，这种稳定性得益于多尺度特征提取和注意力机制，使其能适应复杂环境。综上所述，改进的 VGG - 16 网络在准确率、收敛速度、计算效率和鲁棒性等方面表现出色，为混凝土裂缝检测提供高效可靠方案。

结论与展望

本研究改进 VGG - 16 网络，显著提升混凝土裂缝检测性能。测试准确率达 96.8% ，较原模型提高 4.3% ，通过深度可分离卷积和参数精简策略，参数量压缩 83% ，处理速度提升 73% 至 85ms/ 帧。在多尺度特征与注意力机制协同下，光照干扰准确率波动控制在 3% 以内，噪声环境性能下降不超 5% ，轻量化特性支持移动端部署，为工程现场提供实时检测方案。

研究基于 VGG - 16 网络改进：一是在第 3 - 5 卷积块后添加多尺度并行卷积核，提升裂缝检测能力 5.6%2 ；二是采用自适应 P- ReLU 激活函数，控制准确率波动 <3%1 ；三是结合通道注意力机制与残差连接，使 MIoU 和 F1 分数分别提升 6.2% 和 5.4%3 ；四是通过相关策略，参数量减少 83% 至 2300 万，处理速度提升 73% 至85ms/ 帧。改进模型在工程应用中检测准确率达 96.8% ，支持移动端部署，环境适应性强，可替代人工巡检降低成本，为建筑结构监测提供高效经济方案。

后续研究要增强小目标裂缝检测能力，探索超分辨率特征提取技术识别毫米级裂缝；构建多任务学习框架实现多类损伤联合识别；融合时序监测数据建立裂缝扩展预测模型，加强网络决策可视化研究提升可信度；研发面向边缘计算设备的量化压缩算法，构建跨材质迁移学习范式，适配不同混凝土结构检测需求。

参考文献

[1] 杨莎莎，郝龙，李瑛，等。混凝土裂缝识别方法及程序开发 [J]. 重庆交通大学学报 （ 自然科学版 ）， 2022， 41 （11）：105-111.

[2] 黄思文，包腾飞，李扬涛，等。基于改进 Deeplab V3 +网络的水工混凝土裂缝语义分割方法 [J]. 水利水电科技进展，2023， 43 （1）： 81-86.

[3] 李航，王宇航，陈昊，等。基于可变形卷积与特征融合的机场道面裂缝检测算法 [J]. 南京航空航天大学学报，2021， 53（6）： 869-877.

本文系 2024 年重庆建筑科技职业学院校级科研项目《基于改进卷积神经网络模型的混凝土表面裂缝检测方法》，项目编号：2024005，研究成果之一。