Detecção de Defeitos em Dutos Baseada em YOLOv11 Melhorado

Túneis subterrâneos de utilidades enfrentam corrosão, rachaduras e vazamentos após uso prolongado, colocando em risco a segurança urbana. Métodos tradicionais possuem forte subjetividade, altas taxas de falha e desempenho em tempo real ruim, não atendendo às necessidades de gestão refinada. Este artigo propõe um YOLOv11 com atenção aprimorada em vez do YOLOv10 porque seu backbone C3k2 e cabeça âncora dinâmica já superam o YOLOv10 em 1,8% mAP para detecção de defeitos em dutos de túneis de utilidades. Utiliza filtragem homomórfica para melhorar a qualidade da imagem em baixa luminosidade; substitui os dois últimos módulos C3k2 do YOLOv11 original por um Módulo de Agregação de Características Multiescala para capturar micro-rachaduras via campos receptivos expandidos; introduz uma rede de pirâmide ponderada bidirecional no pescoço (com atenção C2PSA/BRA) para fusão de características entre escalas e supressão de fundo, obtendo sensibilidade a micro-rachaduras detalhadas e supressão global de falsos alvos; e adota perda DIoU na cabeça de detecção para reduzir erros de localização de defeitos finos. Experimentos com 5000 imagens de defeitos em túneis de utilidades mostram que o algoritmo aprimorado alcança 93,2% de precisão, 92,4% de recall e 92,6% de mAP—superando o YOLOv11 original, Faster R-CNN e YOLOv5. Experimentos de ablação confirmam a eficácia do módulo, reduzindo erro relativo em 75% comparado à linha base. Este algoritmo pode identificar com precisão múltiplos tipos de defeitos em ambientes complexos de túneis de utilidades, fornecendo suporte técnico para operação e manutenção seguras e eficientes da infraestrutura urbana.