Détection des défauts de canalisation basée sur YOLOv11 amélioré

Les tunnels utilitaires souterrains subissent corrosion, fissures et fuites après une utilisation prolongée, mettant en danger la sécurité urbaine. Les méthodes traditionnelles présentent une forte subjectivité, des taux de non-détection élevés et une faible performance en temps réel, ne répondant pas aux besoins de gestion raffinée. Cet article propose un YOLOv11 amélioré avec attention, plutôt que YOLOv10, car son backbone C3k2 et sa tête d'ancrage dynamique surpassent déjà YOLOv10 de 1,8 % mAP pour la détection des défauts de canalisation dans les tunnels utilitaires. Il utilise un filtrage homomorphe pour améliorer la qualité des images en basse lumière ; remplace les deux derniers modules C3k2 du YOLOv11 original par un Module d'Agrégation de Caractéristiques Multi-Échelle pour capturer les micro-fissures via des champs récepteurs étendus ; introduit un réseau pyramidal de caractéristiques pondéré bidirectionnel dans le cou (avec attention C2PSA/BRA) pour la fusion inter-échelles des caractéristiques et la suppression de fond, ce qui confère à la fois une sensibilité fine aux micro-fissures et une suppression globale des faux positifs ; et adopte la perte DIoU dans la tête de détection pour réduire les erreurs de localisation des défauts fins. Les expériences sur 5000 images de défauts de tunnels utilitaires montrent que l'algorithme amélioré atteint 93,2 % de précision, 92,4 % de rappel et 92,6 % de mAP — surpassant le YOLOv11 original, Faster R-CNN et YOLOv5. Les expériences d'ablation confirment l'efficacité des modules, réduisant l'erreur relative de 75 % par rapport à la base. Cet algorithme peut identifier précisément plusieurs types de défauts dans des environnements complexes de tunnels utilitaires, fournissant un support technique pour l'exploitation et la maintenance sûres et efficaces des infrastructures urbaines.