地鐵隧道圖像采集系統集成與病害檢測技術

秦守鵬

中國鐵路設計集團有限公司， 天津 300308

截至2022年12月31日，中國內地累計有45個城市開通城市軌道交通，運營線路里程達到10 287.45 km，其中地鐵占比77.84%［1］。根據在建線路以及規劃獲批線路的情況，未來五年城市軌道交通將持續保持大規模建設。隨著大量地鐵隧道的建設與投入運營，檢測與維護需求非常大，受混凝土老化、膨脹收縮、受力變形等因素影響，地鐵隧道表面會出現裂紋、滲水等病害。如果對病害不及時預警和處理，隧道結構健康狀況會持續惡化，因此周期性地對隧道進行全面檢測，對隧道維護和事故預防具有重要作用。

目前，地鐵隧道巡檢主要依靠人工，巡檢人員在天窗內沿隧道行走，尋找裂紋或滲水病害，并人工記錄相關數據。人工檢測難以保證檢測結果的完整性與準確性，并且檢測效率低，已無法滿足越來越高的地鐵隧道檢測需求。

隨著計算機視覺技術的發展，采用移動平臺搭載或集成工業相機，可以快速獲取隧道內表面圖像，通過對圖像進行分析和處理，能實現隧道裂紋與滲水的高精度、高效率檢測。

近年來，基于圖像采集與處理技術進行隧道病害檢測的研究已經非常多。本文通過梳理國內外已有研究成果，提出新的地鐵隧道表觀病害檢測系統，并對其軟硬件功能實現方法予以闡述。

1 研究現狀

國外相關研究開展得較早，Ukai［2］研制了基于數碼相機的隧道表面檢測設備，檢測速度10 ~ 30 km/h，檢測精度約0.8 mm，并提出了檢測設備與檢測車集成的想法。Yu等［3］研制了針對混凝土裂縫的移動式檢測系統，最高檢測速度5 km/h，檢測精度0.3 mm。該系統包括視覺系統、機械系統以及數字存儲系統，采用編碼器解決了相機掃描速度與檢測設備行進速度不同步的問題。

西班牙Euroconsult公司研發了一套基于3D相機的隧道檢測設備，將設備固定于軌道車上，可同時采集隧道2D圖像和斷面，最高檢測速度30 km/h，圖像分辨率為1 mm。瑞士Terra公司研發的隧道檢測設備tCrack，檢測速度2.5 km/h，檢測精度0.3 mm，需安裝在軌道車上通過軌道車供電。法國SITES公司研發的ScanTubes隧道檢測系統適用于洞徑25 m以下的隧道，可搭載于各類檢測平臺上，獲取隧道表面圖像和3D模型，實現表面病害檢測和斷面測量，最高檢測速度5 km/h，檢測精度：0.05 mm（距離2 m ），0.20 mm（距離6 m ），0.40 mm（距離10 m）。日本KURABO株式會社研發的TM‐270隧道檢測設備，集成多個線陣相機，能檢測多種類型隧道，最高檢測速度20 km/h，檢測精度1 mm。

國內在這方面的研究起步相對較晚，近年來也做了很多工作。王華夏等［4］采用12K高分辨率線陣相機設計了一套隧道圖像采集系統，最高檢測速度13 km/h，檢測精度0.2 mm。黃宏偉等［5］研制的隧道檢測車集成CCD線陣相機、紅外相機、探地雷達等，最高檢測速度5 km/h，檢測精度0.2 mm。王耀東等［6-7］采用3個線陣相機和2個波長808 nm的紅外光源，設計了一套可旋轉調節的隧道圖像采集系統，最高檢測速度20 km/h，并研發了基于樣本標注的隧道裂紋智能提取算法。毛慶洲等［8］融合三維激光點云與高清影像，研制了隧道結構一體化檢測裝備，檢測精度0.3 mm。李健超等［9］研制的隧道檢測系統，以軌道車為搭載平臺，最高檢測速度可達到80 km/h，檢測精度1 mm，可滿足高速、普速鐵路的單雙線隧道檢測需求。

2 技術方案

受限于搭載平臺與硬件水平，已有的檢測系統存在體積和重量大、檢測速度與精度無法兼顧的問題，實際應用效果并不理想。課題組將線陣工業相機和智能運動平臺集成，研制了一款易于上線、輕量化、高精度的地鐵隧道表觀病害檢測系統。智能運動平臺采用四輪兩驅動方式，通過多傳感器融合與軟件糾正，獲得高精度的里程定位信息。在運動平臺上搭載視覺檢測模塊，基于運動平臺的運行與控制信息，對視覺檢測模塊進行精準的數據采集控制。

外業數據采集軟件和作業管理系統采用人機交互的方式，操作人員可以通過無線網絡設置參數和管理作業，一鍵完成全自動數據采集。

內業數據處理軟件包括全自動的數據預處理模塊與半自動病害提取模塊。數據采集完成后，從運動平臺的工控機中導出完整的工程文件，通過數據處理軟件的預處理模塊一鍵完成預處理，然后軟件自動分級顯示拼接后的圖像，通過人工交互半自動提取滲水、裂紋等表面病害，最終輸出檢測報告，從硬件集成到軟件研發，從數據采集到數據處理，形成了一套完整的隧道檢測方案。

3 系統硬件

檢測系統采用模塊化設計，由便攜式電腦操控，工作溫度在-10 ~ 45 ℃，可連續4 h自動運行。通信方式采用無線局域網，整體質量小于60 kg。該系統可對隧道壁表面與軌道表面全覆蓋檢測，最高檢測速度5 km/h，檢測精度為0.2 mm，里程定位精度為1/2 000。系統硬件由拱頂檢測模塊、軌道面檢測模塊和智能運動平臺組成。整套系統的組成見圖1。

圖1 整套系統組成

1）拱頂檢測模塊

由于地鐵隧道大多為單線圓形盾構隧道，若采用常規的陣列式相機采集圖像，至少需要6個相機和光源，無法實現輕量化。采用單相機旋轉掃描，將線陣相機和光源安裝在一個旋轉平臺上，通過以太網和交換機，將相機接入工控機，由工控機中的采集軟件采集圖像。線陣相機需接收編碼器輸出的脈沖信號，用來觸發線陣相機均勻拍照，同時還需接收Stm32控制板的信號。Stm32控制板接收編碼器信號，并推算編碼器當前的旋轉角度，給線陣相機輸出是否拍照的信號。線陣相機旋轉采集數據流程如圖2所示。

圖2 線陣相機旋轉采集數據流程

拱頂檢測模塊采用兩根高強度碳纖維管作為支架，支架一端通過固定座與小車主體連接，連接部分按易拆卸設計；另一端與線陣相機底座板固定連接。在底座板上安裝導電滑環、驅動電機、工業相機、照明光源等，其中照明光源采用LED（Light Emitting Diode）光源。

2）軌道面檢測模塊

兩個軌道面檢測模塊分別固定在小車主體兩側，采集左右軌道面數據。軌道面檢測模塊采用一根碳纖維管作為支架，支架一端與小車主體連接，連接部分按易拆卸設計；另一端與相機底座板固定連接。

3）智能運動平臺

智能運動平臺包括小車主體、走行機構、工控機等。小車主體由兩個電氣控制倉和兩根碳纖維連接桿組成。電氣控制倉內主要安裝電池、變電器、工控機、電機驅動模塊、無線通信模塊等。兩個行走機構分別固定在小車主體的兩側，包括兩個主動輪、兩個從動輪、與小車主體連接的固定座、車輪編碼計、剎車器、驅動器、限位軸承等。工控機采用Linux系統，將采集控制軟件部署在工控機上，操作人員用便攜式電腦，通過無線局域網連接工控機，可設置任務參數，實現數據自動采集。采集的數據保存在大容量、高速存儲硬盤上。

4 系統軟件

4.1 外業數據采集軟件

外業數據采集軟件是一個分布式的軟件系統，主要包括運動控制模塊、數據采集控制模塊、數據存儲管理模塊、信息交互模塊等。各模塊獨立運行，通過第三方組件ActiveMQ消息中心進行通信交互，通過定制化的數據接口進行數據交互，實現位置服務、環境監控、狀態監控、數據采集控制等。采用MySQL數據庫存儲工程作業信息、文件索引等，采集的圖像文件存儲在Linux文件系統中。

4.2 內業數據處理軟件

4.2.1 數據預處理模塊

數據預處理流程如圖3所示。

圖3 數據預處理流程

數據預處理模塊主要包括以下功能：

1）數據加載與校驗

從工控機內導出完整的工程文件，加載數據記錄文件（.xml格式）和原始圖像數據，校驗工程文件數據的完整性。

2）圖像光照處理

針對隧道內較暗的情況，采用直方圖均衡化算法對圖像進行增強處理。圖像處理前后對比見圖4。

圖4 圖像處理前后對比

3）圖像糾正

線陣相機旋轉采集的拱頂圖像存在畸變，需要通過仿射變換糾正。圖像糾正前后對比見圖5。

圖5 圖像糾正前后對比

4）圖像匹配與拼接

對于軌道面圖像，采用加速穩健特征（speeded up robust features，SURF）算法［10］對左右兩幅進行匹配，修正兩幅圖像的相對位置。

對于拱頂圖像，首先對每張圖像進行糾正，然后利用工控機記錄相機觸發時間，對圖像的位置信息進行校核，再根據xml文件記錄的角度信息，篩選出每環的圖像（相機旋轉一圈采集的幾張圖像合并為一環圖像），采用SURF算法進行相鄰環圖像的匹配。根據匹配結果進行圖像拼接，獲得完整的隧道展開圖。最后，對原始圖像進行分級瓦片切分，生成分級瓦片圖。隧道拱頂圖像拼接效果見圖6。

圖6 拱頂圖像拼接效果

由于特征匹配對數據很敏感，需要對匹配算法進行優化。具體方法是：通過計算H矩陣，采用隨機采樣一致性（random sample consensus，RANSAC）算法做粗差剔除，結合理論誤差剔除誤匹配點。通過構造損失函數，以梯度下降的方式優化匹配損失，獲得相鄰圖像的最佳相對位置關系。

4.2.2 病害提取模塊

采用加速區域生成卷積神經網絡（faster region proposal convolutional neural network，Faster R‐CNN）算法［11］對病害進行自動識別。由于樣本數量較少，識別準確率較低。將數據擴充后再進行模型訓練，識別準確率仍不能滿足工程應用需求，原因是隧道圖像的背景太復雜。因此，采用人工輔助的半自動方式進行病害提取，即人工標記病害區域，指定病害類型，再利用訓練模型進行自動識別。

5 工程應用

采用地鐵隧道表觀病害檢測系統對國內一地鐵200 m盾構區間隧道表觀病害進行檢測，檢測速度2.5 km/h。檢測現場如圖7所示。

圖7 隧道表觀病害檢測現場

對檢測數據進行分析處理，共發現31處結構病害。其中：滲水24處，占比77.42%；混凝土裂紋6處，占比19.35%；混凝土破損1處，占比3.23%。病害圖像如圖8所示。

圖8 病害圖像示例

對該盾構區間隧道病害檢測成果進行人工巡檢復核，系統檢測結果與人工巡檢結果基本一致。采用裂紋卡人工比對系統采集的照片和隧道內的實物，得出系統檢測精度可達到0.2 mm。與人工巡檢相比，系統檢測精度與效率更高，還能提供病害的長度、寬度、面積、位置等信息。

6 結語

本文介紹了一種地鐵隧道表觀病害檢測系統。在硬件方面，集成線陣相機和智能運動平臺。在軟件方面，采用圖像處理、圖像匹配、圖像深度學習等算法研發了相應的數據處理軟件。整套系統實現了地鐵隧道表面圖像的全自動、全覆蓋采集，以及全自動的數據預處理和半自動的病害提取。采用單個線陣相機旋轉采集隧道壁表觀圖像，系統質量在60 kg以下，便于檢測人員上線作業。

系統軟硬件均采用模塊化設計，便于后續升級。下一步將持續積累數據，優化算法，提高病害自動識別的準確率。