基于YOLOv5改进的RSCD模型在传统民居数字化保护中的应用

1. 项目背景与核心价值

在建筑文化遗产保护领域，传统民居的数字化建档一直是个耗时费力的工作。过去需要专业人员实地勘测、手工绘制图纸，不仅效率低下，还容易因主观判断导致数据偏差。我们团队基于YOLOv5改进的RSCD模型，成功实现了传统民居建筑元素的自动化识别与标注，识别准确率较原版提升12.3%，特别在复杂背景下的榫卯结构检测中表现突出。

这个项目最实用的价值在于：当你在古镇考察时，用手机拍下老宅照片，系统就能自动标出屋脊形式、窗棂纹样等特征，并关联到建筑年代数据库。去年在江南水乡的实测中，我们仅用3天就完成了过去需要两周的民居普查工作。

2. 模型改进关键技术解析

2.1 RSCD模块设计原理

原版YOLOv5在检测细小建筑构件时，常出现漏检问题。我们在Backbone末端加入了Residual Spatial Context Detector（RSCD）模块，其核心创新点在于：

1. 多尺度特征融合：通过3个并行的空洞卷积（dilation rate=3,5,7）捕获飞檐、斗拱等不同尺度的建筑元素
2. 残差注意力机制：引入轻量化的ECA-Net模块，使模型更关注瓦当纹样、雕花细节等关键区域
3. 上下文感知：新增的空间金字塔池化层（SPPF+）能识别构件之间的位置关系，比如门簪与门楣的配套特征

python复制class RSCD(nn.Module):
    def __init__(self, c1, c2):
        super().__init__()
        self.cv1 = Conv(c1, c2, 1, 1)
        self.dconv3 = Conv(c2, c2//3, 3, 1, dilation=3)
        self.dconv5 = Conv(c2, c2//3, 3, 1, dilation=5) 
        self.dconv7 = Conv(c2, c2//3, 3, 1, dilation=7)
        self.eca = ECAAttention(kernel_size=3)
        
    def forward(self, x):
        x = self.cv1(x)
        x1 = self.