摘要
道路裂缝作为路面主要病害形式之一，其自动化、高精度检测对公路养护具有重要意义。本文基于YOLO26目标检测算法构建了一套道路裂缝识别检测系统，针对横向裂缝（D00）、纵向裂缝（D10）、网状裂缝（D20）及车道线裂缝（D40）四类典型路面病害进行检测。模型在包含10000张图像的数据集上进行训练与验证（训练集8000张，验证集2000张），但对车道线裂缝及纵向裂缝仍存在一定漏检问题。本文系统为道路裂缝的自动化识别提供了一种可行的技术方案。
引言
随着我国公路里程的持续增长，路面病害的检测与维护任务日益繁重。传统的人工巡检方式存在效率低、主观性强、安全性差等问题，难以满足大规模、高频次的道路检测需求。近年来，深度学习技术，尤其是基于卷积神经网络的目标检测算法，在计算机视觉领域取得了突破性进展，为道路裂缝的自动化识别提供了新的技术路径。
YOLO（You Only Look Once）系列算法因其检测速度快、精度高、易于部署等优势，已成为目标检测任务中的主流方法之一。本文采用YOLO26算法构建道路裂缝识别检测系统，针对四种常见裂缝类型进行建模与评估。系统在包含8000张训练图像和2000张验证图像的数据集上进行训练，并通过精确率、召回率、mAP等指标对模型性能进行全面评估。
目录
摘要
详细功能展示视频
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
引言
背景
数据集介绍
类别定义
数据集划分
训练结果
总体性能概览编辑
各类别性能分析（mAP@0.5）编辑编辑编辑编辑
训练过程分析（results.png）编辑
Ultralytics YOLO26
概述
主要功能
常用标注工具
详细功能展示视频
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
道路裂缝是路面结构在长期使用过程中受到交通荷载、温度变化、材料老化等多种因素共同作用下产生的一种典型病害。裂缝的出现不仅影响行车舒适性和安全性，还会导致水分渗入路基，加速路面结构的破坏，进而引发坑槽、沉陷、翻浆等更严重的路面病害。因此，及时、准确地检测道路裂缝，对于公路养护部门制定预防性养护策略、延长路面使用寿命、降低全生命周期维护成本具有重要意义。
传统的道路裂缝检测主要依赖人工巡检方式，即由专业技术人员定期驾驶巡检车辆沿路目视检查或使用简单测量工具记录裂缝的位置、类型和严重程度。这种方法存在明显局限性：首先，人工巡检效率低下，一名熟练的技术人员每天最多只能检测几十公里路段，难以适应我国数百万公里公路的检测需求；其次，检测结果高度依赖巡检人员的经验和主观判断，不同人员之间甚至同一人员在不同时间的判断结果可能存在显著差异；再者，在高速公路上进行人工巡检存在较大的安全风险，巡检车辆占用行车道也可能影响正常交通流。此外，部分裂缝（如细微网状裂缝）在早期阶段难以被肉眼识别，往往等到病害严重时才能被发现，错过了最佳养护时机。
近年来，以深度学习为代表的感知技术取得了跨越式发展，尤其是卷积神经网络（CNN）在图像分类、目标检测、语义分割等任务中展现出强大的特征学习能力。相较于传统方法，深度学习模型能够自动从大量标注数据中学习从低级边缘特征到高级语义信息的层次化表示，显著提升了对复杂背景下的裂缝检测能力。在众多深度学习目标检测算法中，YOLO系列因其独特的单阶段检测设计，实现了检测速度与精度的良好平衡，特别适合部署于边缘计算设备或车载实时检测系统。目前，YOLO已广泛应用于桥梁裂缝检测、路面病害识别、隧道衬砌检测等多个土木工程视觉检测场景。
基于上述背景，本文构建了一套基于YOLO26的道路裂缝识别检测系统，聚焦于横向裂缝、纵向裂缝、网状裂缝和车道线裂缝四类典型病害，旨在探索深度学习技术在道路裂缝自动化检测中的可行性与性能边界，为公路智能化养护提供技术支撑。
数据集介绍
类别定义
依据裂缝的几何形态及成因，本文将道路裂缝划分为以下四类，对应YOLO标签中的数字编号：
| 编号 | 类别名称 | 英文标识 | 形态描述 |
|---|---|---|---|
| 0 | 横向裂缝 | D00 | 基本垂直于道路中心线方向的裂缝，主要由温度应力或反射裂缝引起 |
| 1 | 纵向裂缝 | D10 | 基本平行于道路中心线方向的裂缝，通常由路基不均匀沉降或荷载疲劳引起 |
| 2 | 网状裂缝 | D20 | 呈龟壳状相互交错的裂缝网络，面积较大，通常代表路面结构已出现严重损坏 |
| 3 | 车道线裂缝 | D40 | 沿车道线边缘或贯穿车道线的裂缝，对行车安全和车道线识别有较大影响 |
数据集划分
数据集共计包含10000张已标注图像，按标准比例划分为：
| 数据集 | 图像数量 | 用途 |
|---|---|---|
| 训练集 | 8000 张 | 用于模型参数学习 |
| 验证集 | 2000 张 | 用于超参数调优与模型选择 |
测试阶段使用独立的2000张图像（未参与训练与验证）进行最终性能评估。
训练结果
总体性能概览![]()
| 指标 | 数值 |
|---|---|
| mAP@0.5 | 0.588 |
| mAP@0.5:0.95 | 0.299 |
| Precision (P) | 0.633 |
| Recall (R) | 0.558 |
| 测试集图像数 | 2000 |
| 总实例数 | 4207 |
各类别性能分析（mAP@0.5）![]()
![]()
![]()
![]()
| 类别 | P | R | mAP@0.5 | mAP@0.5:0.95 |
|---|---|---|---|---|
| 横向裂缝 | 0.625 | 0.628 | 0.637 | 0.361 |
| 纵向裂缝 | 0.593 | 0.533 | 0.557 | 0.281 |
| 网状裂缝 | 0.666 | 0.579 | 0.620 | 0.324 |
| 车道线裂缝 | 0.648 | 0.490 | 0.539 | 0.232 |
训练过程分析（results.png）![]()
从训练曲线来看：
loss下降趋势：box_loss、cls_loss、dfl_loss 均稳定下降，说明训练过程正常。
mAP@0.5：从0上升到约0.58，趋于平稳，说明模型已基本收敛。
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
