Leckageerkennung an Rohrleitungen basierend auf verbessertem YOLOv11

Unterirdische Versorgungstunnel sind nach langfristiger Nutzung Korrosion, Rissen und Leckagen ausgesetzt, was die Sicherheit in Städten gefährdet. Traditionelle Methoden weisen eine starke Subjektivität, hohe Auslassungsraten und schlechte Echtzeit-Leistung auf und erfüllen daher die Anforderungen an eine präzise Verwaltung nicht. Dieses Papier schlägt ein aufmerksamkeitsverstärktes YOLOv11 vor, anstelle von YOLOv10, da dessen C3k2-Backbone und dynamischer Ankerkopf das YOLOv10 bereits um 1,8 % mAP bei der Erkennung von Rohrleitungsdefekten in Versorgungstunneln übertreffen. Es verwendet homomorphe Filterung, um die Bildqualität bei schwachem Licht zu verbessern; ersetzt die letzten zwei C3k2-Module des ursprünglichen YOLOv11 durch ein Multi-Scale Feature Aggregation Module, um Mikrorisse durch erweiterte rezeptive Felder zu erfassen; führt ein bidirektionales gewichtetes Feature-Pyramid-Netzwerk im Neck-Bereich (mit C2PSA/BRA-Aufmerksamkeit) zur Merkmalsfusion über Skalen hinweg und zur Hintergrundunterdrückung ein, das sowohl feinkörnige Mikroriss-Sensitivität als auch globale Unterdrückung von Fehlzielen erzielt; und übernimmt DIoU-Verlust im Erkennungskopf, um Lokalisierungsfehler bei schlanken Defekten zu reduzieren. Experimente an 5000 Defektbildern aus Versorgungstunneln zeigen, dass der verbesserte Algorithmus 93,2 % Präzision, 92,4 % Rückruf und 92,6 % mAP erreicht – und somit den ursprünglichen YOLOv11, Faster R-CNN und YOLOv5 übertrifft. Ablationsversuche bestätigen die Effektivität der Module und reduzieren den relativen Fehler im Vergleich zur Basislinie um 75 %. Dieser Algorithmus kann mehrere Defekttypen in komplexen Versorgungstunnelumgebungen präzise identifizieren und bietet technische Unterstützung für den sicheren und effizienten Betrieb sowie die Instandhaltung urbaner Infrastruktur.