基于KAN多头注意力机制的钢结构桥梁病害检测与螺栓识别方法及系统

本发明涉及土木工程结构深度学习目标检测，特别涉及一种基于kan多头注意力机制的钢结构桥梁病害检测与螺栓识别方法及系统。

背景技术：

1、钢结构桥梁是交通路网中的关键承载结构，长期服役于风雨侵蚀、温度交变、化学腐蚀及车辆动载环境，易产生涂层早期失效、涂层剥落、钢材表面锈蚀、螺栓锈蚀/松动/缺失等病害。及时、精准识别上述病害对保障桥梁运营安全、延长结构寿命、制定科学养护策略具有重要意义。

2、随着无人机巡检与高分辨率成像技术普及，基于深度学习的视觉检测方法成为桥梁病害自动化识别的主流技术。其中yolo系列算法因检测速度快、精度均衡，被广泛应用于工业缺陷实时检测。然而，现有技术在钢结构桥梁病害检测场景中存在以下技术缺陷：

3、背景复杂干扰强：钢桥包含桁架、节点板、加劲肋等复杂几何构件，易出现高光、阴影、镜面反射，严重干扰模型特征提取；

4、病害非线性特征难以表达：锈蚀呈云雾状、斑块状分布，边界模糊，与红色防锈底漆颜色高度相近，传统固定激活函数无法精准拟合复杂非线性纹理；

5、微小目标易漏检：锈蚀螺栓尺寸小、分布密集，在深层特征图中易被背景噪声淹没，检测召回率低；

6、传统注意力机制存在瓶颈：标准多头注意力（mha）采用线性投影生成查询（q）、键（k）、值（v），难以挖掘锈蚀、裂纹等高阶非线性关联特征；

7、多任务协同能力不足：多数模型仅支持单一病害检测，无法同步实现病害分类与锈蚀螺栓定位，难以满足量化养护需求；

8、轻量化与部署性差：高精度模型参数量大、计算复杂度高，难以在jetson orin nx等嵌入式边缘设备上实现实时推理。

9、kolmogorov-arnold网络（kan）基于kolmogorov-arnold表示定理，以可学习b-样条函数替代固定激活函数，在网络边上实现自适应非线性映射，具备更强的复杂函数拟合能力与更高参数效率。将kan与多头注意力机制深度融合，可突破传统线性投影的特征表达瓶颈，显著提升复杂病害与微小目标检测精度。目前，尚无将kan增强型多头注意力机制应用于钢结构桥梁病害与锈蚀螺栓同步检测的公开技术方案。

技术实现思路

1、针对现有技术中存在的不足，本发明提供了一种基于kan多头注意力机制的钢结构桥梁病害检测与螺栓识别方法及系统，k mha以可学习b 样条函数替代线性投影，精准捕捉锈蚀模糊边界、微小裂纹与螺栓点蚀等高维非线性特征；实现钢桥多类别病害与锈蚀螺栓的同步高精度、高召回率、轻量化实时检测，适配无人机自动化巡检与嵌入式边缘设备部署。

2、本发明的目的一方面是这样实现的：一种基于kan多头注意力机制的钢结构桥梁病害检测与螺栓识别方法，包括以下步骤：

3、1）对钢结构桥梁表面图像进行预处理，采用数据增强策略提升模型对光照、角度与背景变化的鲁棒性；

4、2）通过共享骨干网络提取多尺度特征图；

5、3）在颈部网络的特征融合节点嵌入kan增强型多头注意力模块k-mha，以可学习b-样条驱动的非线性函数替代传统注意力机制中的线性投影层，完成query、key、value的非线性映射与注意力权重计算；

6、4）将经k-mha增强的多尺度特征输入双分支解耦检测头，分别实现钢结构桥梁多类别病害检测与锈蚀螺栓目标检测；

7、5）输出病害位置、类别与锈蚀螺栓位置的检测结果。

8、进一步的，步骤1）中所述数据增强策略包括mosaic、mixup、随机翻转、颜色抖动中的至少一种。

9、进一步的，步骤2）中所述共享骨干网络采用c3k2或elan模块结构，依次输出p1至p5五个尺度特征层。

10、进一步的，步骤3）中所述kan增强型多头注意力模块k-mha的实现方式为：

11、采用kan层替代标准多头自注意力中的线性全连接层，完成查询query、键key、值value的非线性特征变换；

12、基于缩放点积计算注意力权重，经softmax归一化后输出注意力图；

13、多头拼接结果通过kan输出层融合，以强化对锈蚀纹理、微小裂纹与螺栓细节的特征表达；

14、标准的多头自注意力基于缩放点积运算，给定输入特征，首先通过三个线性投影矩阵wq, wk, wv将其映射为查询query、键key和值value：

15、,,（1）

16、随后，注意力权重计算如下：

17、（2）

18、其中dk是缩放因子，多头机制通过将d维特征拆分为h个头，允许模型在不同的子空间中并行捕捉特征。

19、进一步的，步骤4）中所述双分支解耦检测头包括：

20、病害检测分支：用于涂层早期失效、涂层剥落、表面锈蚀三类损伤的分类与边界框回归；

21、锈蚀螺栓检测分支：用于锈蚀螺栓类别检测，采用正样本分配策略提升微小、高密度螺栓目标的定位精度。

22、进一步的，所述病害检测分支采用二元交叉熵损失与ciou损失和分布焦点损失的组合损失函数进行监督；所述锈蚀螺栓检测分支采用task-aligned assigner正样本分配策略。

23、本发明的目的另外一方面是这样实现的：一种基于kan多头注意力机制的钢结构桥梁病害检测与螺栓识别系统，包括：

24、图像采集模块：用于获取钢结构桥梁表面图像；

25、预处理模块：用于对图像进行尺寸归一化与数据增强；

26、特征提取模块：采用骨干网络提取多尺度特征；

27、k-mha特征增强模块：用于对特征图进行非线性重构与高频细节增强；

28、双任务检测模块：包含病害检测分支与锈蚀螺栓检测分支，输出定位与分类结果；

29、推理部署模块：支持在嵌入式边缘设备实现实时推理。

30、进一步的，所述k-mha特征增强模块采用的yokan模型结构依次包括：输入层、共享骨干backbone、kan增强型颈部neck及解耦检测头head。

31、进一步的，所述kan增强型颈部neck中，查询query、键key和值value的生成通过独立的kan变换层实现，多头拼接结果通过kan输出层进行融合。

32、与现有技术相比，本发明的有益效果在于：1）非线性特征表达能力显著提升：k-mha以可学习b-样条函数替代线性投影，精准捕捉锈蚀模糊边界、微小裂纹与螺栓点蚀等高维非线性特征；

33、2）多任务同步高精度检测：双分支解耦头实现病害分类与螺栓定位协同完成，病害检测map@0.5:0.95 达 75.6%，螺栓检测map@0.5:0.95 达 78.6%，较yolov12分别提升2.8与3.8个百分点；

34、3）微小目标召回率高：锈蚀螺栓检测召回率达90.4%，病害检测召回率达92.6%，大幅降低漏检率；

35、4）轻量化与实时性均衡：参数量仅10.8m，在jetson orin nx上达58 fps，满足1080p@30fps视频流实时处理；

36、5）复杂场景鲁棒性强：在高光、阴影、复杂桁架背景、颜色混淆场景下定位精准、误检率低，适配工程实际应用。