人工智能背景下的隧道襯砌裂縫檢測技術

高秀鑫

(山西省交通建設工程質量檢測中心(有限公司) 太原市 030006)

0 引言

我國公路隧道體量十分巨大，截至2018年底，公路隧道共有17738座[1]，我國已經成為了世界上隧道工程建設數量最多、發展最快的國家。但由于各種因素的影響，隧道在投入使用過程中會出現如襯砌裂損、滲漏水、變形等不同問題。

襯砌裂縫調查通常由檢測人員用讀數顯微鏡測量裂紋的寬度，用聲波儀檢測裂縫深度，記錄并繪制裂紋分布圖，觀察裂紋發展的動態。相比傳統的人工檢測，利用人工智能圖像識別技術對襯砌裂縫檢測具有成本低、效率高等優點。為提高檢測效率和較少檢測成本，對隧道襯砌裂縫檢測進行了探究，為我國道路隧道的危險源排查提供了一定的借鑒。

1 傳統的隧道襯砌裂縫檢測技術

傳統的隧道襯砌裂縫檢測主要為無損檢測,無損檢測發展到現在已經有多種檢測方法。

首先是探地雷達檢測技術，探地雷達主要通過不同頻率的雷達天線對隧道襯砌發射電磁波，當電磁波遇到不同媒介界面時就會有不同的反射以及透射，并且實時獲得雷達圖譜，從而對隧道襯砌質量、襯砌裂縫進行檢測。陳禮偉[2]介紹了地質雷達探測的原理和運用中出現的一些問題。

其次是紅外線熱成像和多光譜分析檢測技術，紅外線熱成像檢測技術主要用于隧道襯砌滲漏水方面的檢測，其優點是靈敏度高，在光暗的惡劣條件下也可以正常工作。而多光譜分析方法是采用多個濾光鏡，在隧道襯砌的拍攝過程中拍攝有彩色背景的黑白照片，經過一系列操作用肉眼識別暗灰色變化的情況。

最后是聲波檢測技術，聲波檢測技術主要是通過作業人員人工的振動，向襯砌內部發射聲波，然后在聲波傳遞過程中通過作業人員對其振幅、傳播頻率以及速度等參數進行觀測，對隧道襯砌進行分析，從而對隧道襯砌的質量進行評定。但聲波檢測會受到地質環境和空氣溫濕度等因素影響，在準確性上具有一定的不確定性。

2 人工智能背景下的隧道襯砌裂縫檢測技術要點

2.1 深度學習

深度學習是機器學習領域的一個分支，都屬于人工智能領域。深度學習的主要內容是將大量樣本數據通過逐層訓練網絡，將低層的基礎特征傳遞到高層，經過一系列運算后得到多層級神經網絡，再對樣本進行分類和檢測。在2016年，人工智能AlphaGo在圍棋比賽中戰勝了人類頂尖圍棋選手后，證明了深度學習的優勢和潛力，在此之后深度學習理論逐漸被人們所熟知，深度學習的相關技術也廣泛應用于各研究領域。例如:計算機視覺領域(Computer Vision，CV)、語音識別領域(Voice Recognition)、自然語言處理領域(Natural Language Processing，NLP)等。基于深度學習的目標檢測方法也不斷涌現。深度學習需要大規模數據的支撐，近年來有量的公開數據集涌現而出，如VOC數據集、MS COCO數據集等，這些公開的數據集為基于深度學習算法的隧道襯砌裂縫檢測的模型訓練奠定了良好的基礎。

2.2 神經網絡

20世紀初，人們開始對生物神經系統建模，最終開啟了神經網絡算法的研究。生物大腦的基本單位是神經元，是由多個樹突和一個軸突組成的，多個樹突接受信息之后再從軸突輸出信息，由若干個神經元連接構成神經網絡。McCulloch等[3]仿照生物神經元結構，在1943年提出了人工神經元模型。如圖1所示。

圖1 人工神經元模型

人工神經網絡是由多個人工神經元組成的，由多個這樣的神經元組成的神經網絡模型具備一定的學習能力，能夠進行簡單的圖像識別等任務。然而采用全連接的人工神經網絡處理數據會出現嚴重的過擬合現象。因此學者們提出了卷積神經網絡，基礎的卷積神經網絡包括卷積層、池化層和全連接層，包含了一系列卷積計算、池化操作等。

2.3 目標檢測

目標檢測主要分為一階段檢測(one-stage)和二階段檢測(two-stage)兩種。二階段檢測主要分兩個階段，先對目標的位置檢測再對目標進行識別分類。最具代表性的是Girshick等人提出的Fast R-CNN目標檢測算法。首先對整張圖像進行卷積操作,并在最后一層卷積層和全連接層之間添加池化層,并提出了多任務損失函數，最終能夠快速訓練并檢測。Fast R-CNN是屬于完全由卷積神經網絡構成的檢測網絡。為了提高目標檢測算法的實用性，具有代表性的一階段檢測的YOLO目標檢測算法因運而生。區別于二階段檢測，整個檢測框架只包含三個部分，包括縮放、卷積以及非極大值抑制算法。2020年，AlexeyAB等提出了YOLOv4模型，YOLO目標檢測算法經過不斷完善發展如今已經迭代了4代，在算法的速度和準確度方面都有巨大的提升。通過神經網絡算法構建的目標檢測技術為隧道襯砌裂縫的檢測提供了技術支撐，不需要作業人員利用人力來逐個檢測。

3 深度學習背景下的隧道襯砌裂縫檢測方法

3.1 數據集制作

利用人工智能的技術代替作業人員來做襯砌裂縫的檢測，首先需要收集大量隧道襯砌有裂縫和沒有裂縫的圖像數據，針對這些圖像數據用標注工具labelimg對其進行標注。標注數據時分成兩類進行標注，分別標注為“有裂縫”和“無裂縫”兩類。標注完成的圖片會生成相應的xml文件，記錄標注數據的位置以及類型結果，利用灰度調整等手法將這些圖像數據進行預處理從而制作出隧道襯砌裂縫的數據集。

3.2 檢測方法

將A、B、C三個攝像頭分別以180°環繞的方式安裝在檢測車的四周，以確保可以檢測到襯砌的任何角度，檢測車的橫截面布置如圖2所示。當攝像頭收集到隧道襯砌的圖像數據后將這些數據傳入計算機中。通過預先訓練好的目標檢測模型對其進行檢測和識別，從而識別出隧道襯砌裂縫所在。

圖2 攝像車橫截面示例

3.3 具體步驟

成功的制作數據集并且訓練完畢之后，通過攝像車進行視頻采集，將采集的數據傳入計算機并放入如Fast R-CNN、YOLOv4等先進的目標檢測算法中進行訓練計算。從而識別隧道襯砌是否有裂縫，若監測識別出有裂縫則可將其進行標記，最后采取措施將裂縫消除。具體步驟如圖3所示。

圖3 基于深度學習的隧道襯砌裂縫檢測步驟

4 結論

通過作業人員人力操作進行隧道襯砌裂縫檢測具有成本高、效率低、有一定的危險性等問題。而利用深度學習目標檢測技術對隧道襯砌裂縫識別的研究在隧道襯砌質量檢測時將有助于提升檢測效率、提高裂縫檢測精度。因此探究人工智能背景下的隧道襯砌裂縫檢測具有重要意義。