Deep learning-based crack detection with visual interpretability for rock mass engineering in complex environments

Shang, Shaokang

doi:10.1016/j.aei.2026.105331

Deep learning-based crack detection with visual interpretability for rock mass engineering in complex environments

2026-10-03

0

PRE

AI

DOI：10.1016/j.aei.2026.105331

原文链接

原文求助

摘要

En 中文

准确检测岩石裂缝是岩石工程结构健康监测的基础。然而，现有检测方法受限于地下裂缝形态的强非线性和多尺度变异性，以及复杂地下环境的严重干扰。它们不仅难以实现高可靠性的裂缝检测，也无法有效提取编码裂缝工程语义的复杂几何特征。为解决这一挑战，本研究建立了一个专用的地下岩石工程裂缝基准数据集，并系统评估了九种先进目标检测算法，从而为地下裂缝检测任务定义了全面的性能基准。为应对裂缝特征提取中判别能力不足及复杂地下条件下识别精度不确定的问题，本研究设计了一个基于动态蛇形卷积的裂缝特征提取模块（CFEM），能够自适应地捕获复杂配置的裂缝几何特征，并将其嵌入YOLOv11-n骨干网络，开发了专门用于地下岩石工程裂缝检测的模型CMYOLOv11。实验结果表明，CMYOLOv11的mAP@50达到79.37%，比基线YOLOv11-n高出7.46个百分点。t-SNE和UMAP可视化展示了优异的特征聚类性能和显著的类间可分性，而Grad-CAM图证实了更精确的裂缝定位和增强的模型可解释性。最后，所提出的模型通过两个地下矿道的现场测试得到进一步验证，证明了其在代表性现场条件下的适用性。

Keyword:

Crack detection

Structural health monitoring

Deep learning benchmark

YOLO

Feature visualization

Deep learning-based crack detection with visual interpretability for rock mass engineering in complex environments

摘要

期刊

机构

引用论文