基于改进YOLOv11的管线缺陷检测

地下市政管廊经过长期使用后面临腐蚀、裂缝和渗漏问题，威胁城市安全。传统方法主观性强、漏检率高且实时性差，难以满足精细化管理需求。本文提出了一种基于改进YOLOv11的注意力增强方法，替代YOLOv10，因为其C3k2骨干网和动态锚头已使管廊缺陷检测mAP提升1.8%。方法采用同态滤波提升低光图像质量；用多尺度特征聚合模块替换YOLOv11原有的最后两个C3k2模块，通过扩展感受野捕捉微裂纹；在颈部引入带有C2PSA/BRA注意力的双向加权特征金字塔网络，实现跨尺度特征融合和背景抑制，从而兼顾微裂纹的细粒度敏感性与全局误检抑制；检测头采用DIoU损失降低细长缺陷定位误差。在5000张市政管廊缺陷图像上的实验结果显示，改进算法达到了93.2％的精确率，92.4％的召回率和92.6％的mAP，优于原YOLOv11、Faster R-CNN和YOLOv5。消融实验验证了各模块有效性，相较基线相对误差降低75％。该算法能在复杂管廊环境中准确识别多种缺陷，为城市基础设施安全高效运行维护提供技术支持。