基于YOLO11改进网络的探地雷达地下病害智能识别

doi:10.13474/j.cnki.11-2246.2026.0822

测绘通报 ›› 2026, Vol. 0 ›› Issue (8): 154-160,173.doi: 10.13474/j.cnki.11-2246.2026.0822

• 技术交流 • 上一篇

基于YOLO11改进网络的探地雷达地下病害智能识别

黄彬¹, 石国杰¹, 杜力¹, 王林柯¹, 韩沐阳¹, 彭鸿伟¹, 李克凡², 李佳玺², 王晋国², 侯兆阳²

1. 联检(江苏)科技股份有限公司, 江苏常州 213015;
2. 长安大学理学院, 陕西西安 710000

收稿日期:2025-11-17 发布日期:2026-09-12
通讯作者: 侯兆阳。E-mail： zhaoyanghou@163.com
作者简介:黄彬(1979—)，男，硕士，工程师，主要从事道路桥梁和建筑房屋的检测和研究。E-mail： huangbin@czjky.com
基金资助:
国家自然科学基金(52401168)

Intelligent detection of subsurface defects in ground penetrating radar images based on an improved YOLO11 network

Huang Bin¹, Shi Guojie¹, Du Li¹, Wang Linke¹, Han Muyang¹, Peng Hongwei¹, Li Kefan², Li Jiaxi², Wang Jinguo², Hou Zhaoyang²

1. Lianjian (Jiangsu)Technology Co., Ltd., Changzhou 213015, China;
2. School of Science, Chang'an University, Xi'an 710000, China

Received:2025-11-17 Published:2026-09-12

摘要/Abstract

摘要： [目的] 本文旨在解决探地雷达(GPR)B-scan图像在人工智能识别中存在的噪声干扰强、目标边缘模糊及模型复杂度高等关键问题。[方法] 本文提出了一种基于改进YOLO11的轻量化地下病害检测方法——YOLO11_DA。该方法在网络结构中融合动态卷积(C3k2_DynamicConv)与自适应下采样(ADown)模块，以增强特征提取能力并保留关键低频信息。[结果] 消融试验结果表明，改进后模型在准确率、召回率、mAP_0.5与mAP_0.5：0.954项指标上分别达到91.3%、86.1%、87.7%和58.8%，参数量降至2.61×10⁶，推理速度达 429.56 帧/s。[结论] 相较于YOLOv5、YOLOv8、YOLOv10及基准YOLO11模型，本文方法在保持轻量化的同时，在复杂噪声、弱回波与多尺度场景下表现出更优的稳健性与泛化能力，为道路地下病害的智能检测提供了有效的技术解决方案。

关键词: 道路检测, 探地雷达, 深度学习, YOLO11, 3Ck2_DynamicConv, ADown

Abstract: [Purposes] This paper aims to address the strong noise interference，blurred target edges，and high model complexity in the intelligent detection of ground penetrating radar (GPR)B-scan images. [Methods] This work proposed a lightweight underground defect detection method based on an improved YOLO11 framework.This approach integrates a dynamic convolution and adaptive down-sampling modules into the network architecture of YOLO11 to enhance feature extraction capability while preserving critical low-frequency information. [Findings] The experimental results demonstrate that the improved model of YOLO11_DA achieves a precision of 91.3%，recall of 86.1%，mAP_0.5 of 87.7%，and mAP_0.5：0.95 of 58.8%，while reducing parameters to 2.61×10⁶ and achieving an inference speed of 429.56 frames per second. [Conclusions] Compared to benchmark models including YOLOv5，YOLOv8，YOLOv10，and the original YOLO11，the proposed method maintains lightweight characteristics while exhibiting superior robustness and generalization capability in complex noise environments，weak echo conditions，and multi-scale target scenarios，which has provided an effective technical solution for intelligent detection of underground road defects．

Key words: underground road detection, ground penetrating radar, deep learning, YOLO11, C3k2_DynamicConv, ADown

中图分类号:

P25
P237

黄彬, 石国杰, 杜力, 王林柯, 韩沐阳, 彭鸿伟, 李克凡, 李佳玺, 王晋国, 侯兆阳. 基于YOLO11改进网络的探地雷达地下病害智能识别[J]. 测绘通报, 2026, 0(8): 154-160,173.

Huang Bin, Shi Guojie, Du Li, Wang Linke, Han Muyang, Peng Hongwei, Li Kefan, Li Jiaxi, Wang Jinguo, Hou Zhaoyang. Intelligent detection of subsurface defects in ground penetrating radar images based on an improved YOLO11 network[J]. Bulletin of Surveying and Mapping, 2026, 0(8): 154-160,173.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://tb.chinasmp.com/CN/10.13474/j.cnki.11-2246.2026.0822

http://tb.chinasmp.com/CN/Y2026/V0/I8/154

参考文献

[1] 交通运输部.2024年交通运输行业发展统计公报[EB/OL].[2025-06-12].https：//www.mot.gov.cn．
[2] Alani A M，Tosti F.GPR applications in structural detailing of a major tunnel using different frequency antenna systems[J].Construction and Building Materials，2018，158： 1111-1122．
[3] 赵亮，唐禄怡，刘世鹏.探地雷达多属性融合的隧道衬砌多目标检测方法[J].测绘通报，2025(10)： 30-35．
[4] Hou Feifei，Fang Mengqi，Xianghuan Luo T，et al.Dual-task GPR method： improved generative adversarial clutter suppression network and adaptive target localization algorithm in GPR image[J].IEEE Transactions on Geoscience and Remote Sensing，2024，62： 5108313．
[5] 范攀峰，黄日华，李绍建，等.基于探地雷达城市给排水管线渗漏及病害探测研究[J].测绘通报，2025(S1)： 97-103．
[6] Hou Feifei，Rui Xiyue，Fan Xinyu，et al.Review of GPR activities in civil infrastructures： data analysis and applications[J].Remote Sensing，2022，14(23)： 5972.
[7] Qin Hui，Xie Xiongyao，Vrugt J A，et al.Underground structure defect detection and reconstruction using crosshole GPR and Bayesian waveform inversion[J].Automation in Construction，2016，68： 156-169．
[8] 胡荣明，李鑫，竞霞，等.YOLOv7在探地雷达B-Scan图像解译中的应用[J].测绘通报，2023(8)： 29-33．
[9] 杨豪，郭凯丽，张军辉，等.基于YOLO11-L算法的道路内部空洞定量识别[J/OL].中国公路学报，1-18[2026-03-10].https：//link.cnki.net/urlid/61.1313.U.20250818.1134.002．
[10] 白桃，安奕铭，金光来，等.道路隐性病害三维探地雷达图谱轻量化识别改进算法[J].交通运输工程学报，2025，25(4)： 42-57．
[11] 王艾迪，彭一川，郎洪，等.基于YOLOX-Transformer两步模型的路面坑槽提取方法[J].中国公路学报，2023，36(12)： 304-317．
[12] 周中，周诗荣，李世帅，等.基于改进YOLOv7的隧道衬砌内部缺陷智能识别[J].铁道学报，2025，47(9)： 201-211．
[13] Yamaguchi T，Mizutani T，Meguro K，et al.Detecting subsurface voids from GPR images by 3D convolutional neural network using 2D finite difference time domain method[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2022，15： 3061-3073．
[14] Liu Bin，Ren Yuxiao，Liu Hanchi，et al.GPRInvNet： deep learning-based ground-penetrating radar data inversion for tunnel linings[J].IEEE Transactions on Geoscience and Remote Sensing，2021，59(10)： 8305-8325．
[15] 王惠琴，杨发东，何永强，等.面向探地雷达常见地下目标的GDS-YOLOv8n检测方法[J].雷达学报，2024，13(6)： 1170-1183．
[16] Han K，Wang Y，Guo J，et al.ParameterNet： parameters are all you need[C]//Proceedings of 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle：IEEE，2024．
[17] Wang C Y，Yeh I H，Mark Liao H Y.YOLOv9： learning what you want toLearn using programmable gradient information[C]//Proceedings of 2024 Computer Vision-ECCV.Cham：Springer，2025：1-21.

基于YOLO11改进网络的探地雷达地下病害智能识别

Intelligent detection of subsurface defects in ground penetrating radar images based on an improved YOLO11 network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张用川, 高洁, 张治清, 周正强, 王陆潇, 官冬杰. 多模态融合框架下的城市功能区识别[J]. 测绘通报, 2026, 0(8): 96-102.
[2]	龙飞, 王文辉, 石一凡, 林思群, 刘文壮, 邵林. 一种融合全局与局部语境信息的水体分割算法[J]. 测绘通报, 2026, 0(8): 130-136.
[3]	周洪, 张国和, 游思琪, 王冉, 丁鹏飞. 双主干深度学习网络支撑下的ZY1E影像耕地智能提取[J]. 测绘通报, 2026, 0(8): 137-144.
[4]	刘伟丽, 田志勇, 罗勇强. 基于深度学习的武汉市屋顶光伏地理潜力评估[J]. 测绘通报, 2026, 0(7): 167-172.
[5]	汪剑平, 郑印强, 束蝉方. 基于多尺度特征融合YOLO11s模型的遥感影像滑坡识别[J]. 测绘通报, 2026, 0(6): 29-34.
[6]	杜韵琦, 施泓羽, 张红娟, 李必军. RefDC:聚焦远距离深度特征细化的深度补全方法[J]. 测绘通报, 2026, 0(6): 67-73.
[7]	徐超. 基于质量图引导的深度学习相位解缠方法[J]. 测绘通报, 2026, 0(6): 92-97.
[8]	杨刚, 王淼, 陈思, 周佺, 李江川. 基于改进的YOLO11的天际线检测算法[J]. 测绘通报, 2026, 0(5): 12-16.
[9]	陈冲, 杨扬. 基于视觉状态空间模型的城市遥感影像语义分割方法[J]. 测绘通报, 2026, 0(5): 103-109.
[10]	郭明, 张潇澜, 仇宫润, 郭帅, 朱丽. 基于激光雷达点云的地下空间目标智能识别[J]. 测绘通报, 2026, 0(4): 65-72.
[11]	梁卫涛, 王跃东, 谢亚奇, 丁武, 杨红磊, 吴波, 薛启浪. 基于InSAR和深度学习的韩城市地表形变监测与预测[J]. 测绘通报, 2026, 0(4): 112-118,139.
[12]	李宏强, 杨魁, 车国伟. 融合注意力机制的加权ResNet在SAR洪水淹没区提取中的应用[J]. 测绘通报, 2026, 0(4): 134-139.
[13]	杨宇挺, 胡婷, 潘子永, 童旭东, 马爱龙. 基于多源遥感地理空间数据的建筑物用途识别[J]. 测绘通报, 2026, 0(3): 44-50.
[14]	原志芳, 李俊晓, 康倩. 融合多尺度雷达后向散射特征深度学习的多极化SAR影像山区水体高精度提取[J]. 测绘通报, 2026, 0(2): 1-6.
[15]	张欢, 黄秋影, 刘胜, 王奇, 李凯. 基于全局和局部特征融合的作物细粒度分类算法[J]. 测绘通报, 2026, 0(2): 144-148.