人工智能背景下的隧道衬砌裂缝检测技术

高秀鑫

(山西省交通建设工程质量检测中心(有限公司) 太原市 030006)

0 引言

我国公路隧道体量十分巨大，截至2018年底，公路隧道共有17738座[1]，我国已经成为了世界上隧道工程建设数量最多、发展最快的国家。但由于各种因素的影响，隧道在投入使用过程中会出现如衬砌裂损、渗漏水、变形等不同问题。

衬砌裂缝调查通常由检测人员用读数显微镜测量裂纹的宽度，用声波仪检测裂缝深度，记录并绘制裂纹分布图，观察裂纹发展的动态。相比传统的人工检测，利用人工智能图像识别技术对衬砌裂缝检测具有成本低、效率高等优点。为提高检测效率和较少检测成本，对隧道衬砌裂缝检测进行了探究，为我国道路隧道的危险源排查提供了一定的借鉴。

1 传统的隧道衬砌裂缝检测技术

传统的隧道衬砌裂缝检测主要为无损检测,无损检测发展到现在已经有多种检测方法。

首先是探地雷达检测技术，探地雷达主要通过不同频率的雷达天线对隧道衬砌发射电磁波，当电磁波遇到不同媒介界面时就会有不同的反射以及透射，并且实时获得雷达图谱，从而对隧道衬砌质量、衬砌裂缝进行检测。陈礼伟[2]介绍了地质雷达探测的原理和运用中出现的一些问题。

其次是红外线热成像和多光谱分析检测技术，红外线热成像检测技术主要用于隧道衬砌渗漏水方面的检测，其优点是灵敏度高，在光暗的恶劣条件下也可以正常工作。而多光谱分析方法是采用多个滤光镜，在隧道衬砌的拍摄过程中拍摄有彩色背景的黑白照片，经过一系列操作用肉眼识别暗灰色变化的情况。

最后是声波检测技术，声波检测技术主要是通过作业人员人工的振动，向衬砌内部发射声波，然后在声波传递过程中通过作业人员对其振幅、传播频率以及速度等参数进行观测，对隧道衬砌进行分析，从而对隧道衬砌的质量进行评定。但声波检测会受到地质环境和空气温湿度等因素影响，在准确性上具有一定的不确定性。

2 人工智能背景下的隧道衬砌裂缝检测技术要点

2.1 深度学习

深度学习是机器学习领域的一个分支，都属于人工智能领域。深度学习的主要内容是将大量样本数据通过逐层训练网络，将低层的基础特征传递到高层，经过一系列运算后得到多层级神经网络，再对样本进行分类和检测。在2016年，人工智能AlphaGo在围棋比赛中战胜了人类顶尖围棋选手后，证明了深度学习的优势和潜力，在此之后深度学习理论逐渐被人们所熟知，深度学习的相关技术也广泛应用于各研究领域。例如:计算机视觉领域(Computer Vision，CV)、语音识别领域(Voice Recognition)、自然语言处理领域(Natural Language Processing，NLP)等。基于深度学习的目标检测方法也不断涌现。深度学习需要大规模数据的支撑，近年来有量的公开数据集涌现而出，如VOC数据集、MS COCO数据集等，这些公开的数据集为基于深度学习算法的隧道衬砌裂缝检测的模型训练奠定了良好的基础。

2.2 神经网络

20世纪初，人们开始对生物神经系统建模，最终开启了神经网络算法的研究。生物大脑的基本单位是神经元，是由多个树突和一个轴突组成的，多个树突接受信息之后再从轴突输出信息，由若干个神经元连接构成神经网络。McCulloch等[3]仿照生物神经元结构，在1943年提出了人工神经元模型。如图1所示。

图1 人工神经元模型

人工神经网络是由多个人工神经元组成的，由多个这样的神经元组成的神经网络模型具备一定的学习能力，能够进行简单的图像识别等任务。然而采用全连接的人工神经网络处理数据会出现严重的过拟合现象。因此学者们提出了卷积神经网络，基础的卷积神经网络包括卷积层、池化层和全连接层，包含了一系列卷积计算、池化操作等。

2.3 目标检测

目标检测主要分为一阶段检测(one-stage)和二阶段检测(two-stage)两种。二阶段检测主要分两个阶段，先对目标的位置检测再对目标进行识别分类。最具代表性的是Girshick等人提出的Fast R-CNN目标检测算法。首先对整张图像进行卷积操作,并在最后一层卷积层和全连接层之间添加池化层,并提出了多任务损失函数，最终能够快速训练并检测。Fast R-CNN是属于完全由卷积神经网络构成的检测网络。为了提高目标检测算法的实用性，具有代表性的一阶段检测的YOLO目标检测算法因运而生。区别于二阶段检测，整个检测框架只包含三个部分，包括缩放、卷积以及非极大值抑制算法。2020年，AlexeyAB等提出了YOLOv4模型，YOLO目标检测算法经过不断完善发展如今已经迭代了4代，在算法的速度和准确度方面都有巨大的提升。通过神经网络算法构建的目标检测技术为隧道衬砌裂缝的检测提供了技术支撑，不需要作业人员利用人力来逐个检测。

3 深度学习背景下的隧道衬砌裂缝检测方法

3.1 数据集制作

利用人工智能的技术代替作业人员来做衬砌裂缝的检测，首先需要收集大量隧道衬砌有裂缝和没有裂缝的图像数据，针对这些图像数据用标注工具labelimg对其进行标注。标注数据时分成两类进行标注，分别标注为“有裂缝”和“无裂缝”两类。标注完成的图片会生成相应的xml文件，记录标注数据的位置以及类型结果，利用灰度调整等手法将这些图像数据进行预处理从而制作出隧道衬砌裂缝的数据集。

3.2 检测方法

将A、B、C三个摄像头分别以180°环绕的方式安装在检测车的四周，以确保可以检测到衬砌的任何角度，检测车的横截面布置如图2所示。当摄像头收集到隧道衬砌的图像数据后将这些数据传入计算机中。通过预先训练好的目标检测模型对其进行检测和识别，从而识别出隧道衬砌裂缝所在。

图2 摄像车横截面示例

3.3 具体步骤

成功的制作数据集并且训练完毕之后，通过摄像车进行视频采集，将采集的数据传入计算机并放入如Fast R-CNN、YOLOv4等先进的目标检测算法中进行训练计算。从而识别隧道衬砌是否有裂缝，若监测识别出有裂缝则可将其进行标记，最后采取措施将裂缝消除。具体步骤如图3所示。

图3 基于深度学习的隧道衬砌裂缝检测步骤

4 结论

通过作业人员人力操作进行隧道衬砌裂缝检测具有成本高、效率低、有一定的危险性等问题。而利用深度学习目标检测技术对隧道衬砌裂缝识别的研究在隧道衬砌质量检测时将有助于提升检测效率、提高裂缝检测精度。因此探究人工智能背景下的隧道衬砌裂缝检测具有重要意义。