详情

原文传递基于深度学习的公路隧道衬砌裂缝识别与解析方法研究

论文题名：	基于深度学习的公路隧道衬砌裂缝识别与解析方法研究
关键词：	公路隧道;衬砌裂缝检测;语义分割;骨架提取;智能评价
摘要：	随着我国交通基础建设的不断完善，隧道建设规模和数量不断扩大，隧道检测的任务量也在逐步增大。其中，隧道衬砌裂缝作为隧道病害的早期表现之一，对隧道的安全运营具有重要影响。然而，目前我国隧道衬砌裂缝检测技术和设备相对滞后，难以满足实际检测需求。传统的隧道衬砌裂缝检测和识别主要依赖于人工巡检，效率低、准确率低，漏检现象严重，难以满足由于隧道数量不断增加而日益增长的隧道检测需求。数字图像处理技术虽然较人工巡检有一定提升，但同样存在检测效率低、准确率低、模型参数多及体量大的问题，同时还具有较强的靶向性和主观性，在处理受干扰图像时效果受限，难以具备良好的泛化性和鲁棒性，检测效果不理想。随着深度学习技术的快速发展，利用深度卷积神经网络快速准确提取目标特征信息得到广泛研究。因此，本文依托国家重点研发计划子课题“道路基础设施智能感知机理及感知数据解析方法”，开展基于深度学习的公路隧道衬砌裂缝识别与解析方法研究，具有重要的现实意义。基于此，本文主要开展下列相关研究：　　（1）针对目前数字图像处理技术对隧道衬砌裂缝的检测精度低、误检率与漏检率高、体量大以及参数多、检测效率低的问题，本文基于原YOLO v5架构，在检测层中新增一个低维尺度和在主干网络的特征提取层中融入 SE 注意力机制并改进CSP结构，提出改进的YOLO v5深度目标检测模型对公路隧道衬砌裂缝进行智能检测。实验结果表明：采用本文提出的公路隧道衬砌裂缝检测方法YOLO v5-IBX对裂缝进行检测时，平均精度均值达到98.6%，较原模型提升10.1%，检测时间达到0.021秒/帧，权重仅有25.2MB。在提高检测精度的情况下，保证了模型检测时间和网络轻量化，优化了检测模型。并且其具有较低的误判率和漏检率，分别为2.2%和2.3%，均小于10%的规范要求中允许的检测误差范围，能够有效区分真实裂缝与伪裂缝，为公路隧道衬砌裂缝检测提供更有效的检测方案。　　（2）针对目标检测算法只检测裂缝知否存在，并没有深入到像素级识别，以及经典语义分割模型识别准确率低、参数量大、识别效率低的问题，本文基于原U-Net网络架构，在编码阶段引入ResNet50的瓶颈残差结构和CA注意力机制，并在解码阶段引入1×1卷积优化网络结构，提出改进的U-Net深度语义分割模型对公路隧道衬砌裂缝进行智能识别。实验结果表明：采用本文提出的公路隧道衬砌裂缝分割方法U-Net-IBX 对衬砌裂缝进行分割时，平均像素准确率达到 92%，较原模型提升7.9%，训练时间为0.34s，权重仅有78.6MB。在提高分割精度的情况下，保证了网络轻量化。并且对其隧道衬砌裂缝提取结果恒等可视化对比发现，改进方法提取的裂缝更为连续、丰富、准确，为公路隧道衬砌裂缝特征提取提供更有效的分割方案。　　（3）针对主流裂缝量化方法量化效率低、准确性低、效果不理想的问题，本文采用Ostu最大类间方差法、形态学处理、改进的Zhang快速并行细化算法以及链码跟踪的法对语义分割后的隧道衬砌裂缝图像提取裂缝骨架，计算裂缝的长度、宽度和面积等几何参数，并结合尺度系数与实际测量值进行比对。结果表明：本文算法的长度提取误差均值为4.7%，平均宽度提取误差均值为2.8%，均满足规范衬砌开裂定量评定标准中的最大允许检测误差，能够有效实现裂缝的自动计算，为公路隧道衬砌裂缝几何特征参数计算提供更有效的量化方案。
作者：	常宝霞
专业：	交通运输
导师：	吴逸飞;何兆益
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023