轨道交通隧道结构快速检测评估关键技术及其装备研发探讨

朱爱玺

摘 要 地铁作为一种现代化的交通工具，以其安全、高速及低污染等优势，已经成为城市公共交通重要的组成部分。就我国而言，目前地铁已经在北京、上海、广州、南京、深圳和成都等大中城市建成并在运营之中。然而，人们在享受轨道交通便利的同时，对于轨道交通的安全及维护问题也日益突出，尤其是伴随着大规模轨道交通线路的建成及投入运行。然而由于我国隧道建设起步较晚，目前尚没有真正将隧道病害检测治理理论运用到實际的隧道检测养护工作中，缺乏科学规范的道病害检测、分析、治理及评价系统。本研究将对国内外轨道交通隧道结构检测方法进行综述，并提出相应的快速检测方案与思路。

关键词 地铁；公共交通；安全及维护

1 国内外研究现状

隧道病害直接影响隧道内行车的安全，对隧道病害进行研究一直国内外相关学者的研究热点同时也是难点。部分发达国家已经从定性有定量的角度对隧道病害的治理制定了相关规范与标准，例如美国针对公路与铁路隧道的检测文档，而我国目前大多数研究都局限于某一病害或工程条件，缺乏研究的系统性导致在这方面研究相对落后[1]。根据文献[2]，目前国内正实行的城市轨道交通的轨道维修可分为日常巡检、临时补修、经常维修和综合维修等4个检修层次，其中对于隧道结构方面的检测内容主要包括3类病害类型：结构渗漏水、结构开裂损伤和结构变形，其中后两种类型关系密切[3]。以下分别对这3种类型病害的检测技术方面进行综述：

1.1 结构开裂损伤

隧道结构损伤主要表现形式为管片裂缝、管片缺角掉块、环与环之间或块与块之间产生较大错台等，其中管片裂缝较为常见，且被认为是最严重的病害之一因此对其的检测与分析对结构安全非常重要，目前对其的检测分为人工测量和自动测量两种。人工测量主要是依靠人眼来发现裂缝位置，然后借助相关测量仪器例如裂缝测宽仪来完成裂缝的检测工作。显然这种方法对于小范围的测量比较现实，而对于上百公里长的隧道测量几乎无法完成。鉴于传统的人工测量方法存在效率低及工作量大等缺点，基于计算机视觉的自动检测技术正在逐步取代之，且成为这方面未来检测技术的发展方向，例如一些发达国家已经有了成熟的公路路面自动化检测系统，例如加拿大的ARAN 9000综合道路检测车。然而目前，国内外对于隧道裂缝的检测研究相对较少，尤其专门针对轨道交通隧道中的管片裂缝的自动检测研究更是少之又少。

2003年Asakura和Kojima[4]对日本的隧道检测与养护方法进行介绍，文中提到一种用于采集隧道衬砌图像的采集车，该车配有激光仪和多个线阵CCD相机进行图像采集，采集车示意图如图1所示。

2007年Yu[5]等人研发了一种可用于隧道混凝土裂缝进行自动化检测的移动机器人装置，如图2所示。该装置采用线扫描相机采集图像，可以在0.3mm分辨率下进行速度为5km/h的检测。在检测算法方面，采用边缘检测与Dijkstra最优路径相结合的方法进行裂缝识别。但由于检测环境比较复杂，所用的检测算法仍需要人工参与排除一些明显的误检点，以保证Dijkstra算法能够找到正确的裂缝区域。

2009年刘晓瑞和谢雄耀[6]提出了一种基于图像处理的隧道表面裂缝快速检测方法，该方法应用SFC结合法对裂缝图像进行增强并进行平滑，然后用阈值法对处理后的图像进行分割。实验结果表明能有效将裂缝与背景区域进行分割，但并没有交代检测算法的检测精度。

2010年王泰典等人[7]提出了一种将阈值法和数学形态学结合裂缝分割算法，并通过Hough变换对其裂缝特征进行定量描述。对其特征描述的目的是为建立裂缝特征与隧道衬砌变形力学机制的关系，进而为隧道的维护管理与安全检测作业提供指导。

2012年刘学增和叶康[8]对隧道衬砌裂缝的远距离测量技术进行了研究，并提出了相应的裂缝检测与宽度测量算法。算法首先对选定区域进行滤波预处理并应用迭代法对裂缝进行分割，然后应用Zernike矩对裂缝的边缘进行亚像素级分割，最后通过计算上下边缘的距离对裂缝宽度进行测定。现场测试结果表明，算法对大部分隧道衬砌裂缝图像的分析效果均良好。

2012年王平让等人[9]提出了一种基于图像局部网格特征的隧道衬砌裂缝自动识别方法。方法首先应用8x8的十字形局部算子计算综合对比度指数，然后根据对比度指数确定裂缝的种子点，最后对种子点进行连接来检测裂缝。实验结果表明，相比Otsu法所提出方法在识别率上有明显优势。

2012年王睿[10]提出一种基于线阵CCD相机的车载自动检测方案，并对基于边缘检测的算法进行分析研究。但作者仅给出了一个系统开发思路并没有在对其进行实际实验及测试。

2013年王华夏等人[11]结合我国高速铁路快速发展的现实情况，提出了基于CCD图像采集的隧道自动化检测方案。该系统由线阵CCD相机、镜头、图像采集卡明系统、定位系统、检测车等主要硬件设备组成。但目前该系统仅在实验室中进行了初步测试，考虑真实环境的复杂性，真正投入实际应用还有待进一步研究。

2013年贡力和余涛[12]根据隧道衬砌表面裂缝图像的稀疏性特征，提出基于压缩感知的隧道表面裂缝图像压缩与重构处理方法，为未来隧道衬砌面裂缝识别系统提供基础和良好的应用前景。

1.2 结构渗漏水

由于管片为工厂预制，其本身的防水质量都很好，渗漏水部位主要发生在环缝、纵缝、注浆孔及旁通道位置。目前国内传统的渗漏水检测方法是安排专业的检测人员进行定期检测，但随着地铁线路的加长，传统方法的低效率强度高已不能适应发展需要，因此采用高效的自动检测枝术已经成为趋势。相关自动检测技术现状如下：

2012年黄永杰等人[13]提出基本数字图像处理的盾构隧道渗漏水的自动检测技术，其检测流程如图5所示。所提出的检测算法涉及阈值法、形态学处理、边缘检测及形状计算。对现场采集和图像测试结果表明该自动检测系统能够准确采集、识别和分析盾构隧道的管片渗漏，且其精度较高。

2012年刘学增等人[14]将数字图像处理技术应用到隧道衬砌渗漏水病害检测中，并开发了隧道渗漏水病害检测软件。其检测所用图像处理算法有：灰度变换、阈值分割、形态学修正及区域面积计算等。工程试验结果表明，系统识别的最大相对误差为0.99%，满足衬砌渗漏水检测的精度要求。

综上所述，目前对于隧道结构的检测技术正在向高效率、非接触和自动化的方向发展，其方向主要集中在結构开裂损伤和结构变形两个方面，而对结构渗漏水的自动检测研究相对较少。然而尽管隧道结构变形与开裂损伤监测非常重要，但从目前公开发表的文献来看，对自动检测方法的研究还停留实验室阶段，尚没有成熟的自动检测设备推向市场，尤其是能对隧道结构进行综合检测的集成设备。

2 未来研究方向与思路分析

如上所述，隧道结构的检测技术正在向高效、非接触有自动化方向的发展，尤其研发能集结构开裂损伤、结构变形和结构渗漏水于一身的综合检测设备更是具有广阔的市场前景。以下就对研究这样一种综合性检测设备所面临的关键技术进行分析。

2.1 数据采集车的研发

从目前有数据采集的可行方案来看，以车载式的综合性数据采集方案最为符合各种检测内容的需求，采集到激光扫描数据可以用于变形分析。从理论上讲研发这样的车并不是复杂的工作，但实际研发中必须要考虑采集车运行的稳定性问题以保证所采集到数据的准确性，尤其是当采集车配备的线扫描图像传感器，其适当光源设备和采集车行驶速度匀速性都是需要解决的问题。

2.2 结构开裂的快速检测技术

由于隧道开裂所形成的裂缝的图像特征比较明显，即为一条中间暗两边亮的无规则细长曲线。因此开发基于图像处理分析裂缝自动检测系统是一个很好的解决方案。然而对于该技术的研发目前有两个问题需要解决：

（1）高效裂缝自动检测算法设计。由于地铁隧道情况复杂，研发适用于复杂背景下的高效鲁棒的裂缝检测算法是一个重大的挑战。因为就目前而言，大多数公开发表的学术论文都是以公路、桥梁和公路隧道的裂缝检测为主，其背景相比于复杂的地铁隧道要简单许多，但可以为地铁隧道裂缝算法的设计提供借鉴。

（2）高质量地铁隧道图像的采集。高质量隧道图像的采集是进行裂缝检测的一个必要条件，同时也会大大减小裂缝检测算法的开发难度。对于采集相机的选取可选择面阵和线阵相机，当选用面阵相机时，采集车的速度会受到很大的限制，但其优点是对车速的均匀性要求不高；而当采用线扫描相机时，虽然采集速度可以有效提高，但对于车速的均匀性要求很高，否则会出现图像失真。此外，由于隧道里光照条件较差，采集时所用的光源也要进行精心设计，尤其是采用线扫描相机进行采集时。

2.3 结构渗漏水快速检测技术

结构性渗漏水由于视觉上比较明显，绝大多数还是采用人工巡视方法进行检测，自动化的检测手段研究较少。从目前来看自动检测手段也是以图像处理方法为首选，这主要是因为其视觉特征比较明显，基于图像处理方法非常适合该方面的检测。

参考文献

[1] 邹金杰，胡建华，杨其新. 浅谈隧道病害检测治理技术的研究思路[J].铁道标准设计，2007，（11）：93-95.

[2] 刘扬.城市轨道交通轨道检测的探讨[J].城市轨道交通研究，2010，（02）：29-32，38.

[3] 王如路.上海轨道交通隧道结构安全性分析[J].地下工程与隧道，2011，（04）：37-43，61.

[4] Asakura T，Kojima Y.Tunnel maintenance in Japan[J].Tunnelling and Underground Space Technology，2003，（18）：161-169.

[5] Yu S，Jang J，Han C.Auto inspection system using a mobile robot for detecting concrete cracks in a tunnel [J].Automation in Construction，2007，（16）：255-261.

[6] 刘晓瑞，谢雄耀.基于图像处理的隧道表面裂缝快速检测技术研究[J].地下空间与工程学报，2009，5（s2）：1624-1628.

[7] 王泰典，林信宏，李佳翰，等.营运中隧道衬砌裂缝影像判释暨特征化与数字化技术[J].隧道建设，2010，（1）：100-108.

[8] 刘学增，叶康.隧道衬砌裂缝的远距离图像测量技术[J].同济大学学报（自然科学版），2012，40（06）：829-836.

[9] 王平让，黄宏伟，薛亚东.基于图像局部网格特征的隧道衬砌裂缝自动识别[J].岩石力学与工程学报，2012，31（05）：991-999.

[10] 王睿.隧道衬砌裂缝车载检测图像分析研究[D].成都：西南交通大学，2012.

[11] 王华夏，漆泰岳，王睿.高速铁路隧道衬砌裂缝自动化检测硬件系统研究[J].铁道标准设计，2013，（10）：97-102.

[12] 贡力，余涛.压缩感知在隧道病害识别中的应用研究[J].城市道桥与防洪，2013，（10）：111-114，122，8.

[13] 黄永杰，柳献，袁勇，等.盾构隧道渗漏水的自动检测技术[J].上海交通大学学报，2012，（01）：73-78.

[14] 刘学增，桑运龙，苏云帆.基于数字图像处理的隧道渗漏水病害检测技术[J].岩石力学与工程学报，2012，（S2）：3779-3786.