基于樣本自動標注的隧道裂縫病害智能識別

王耀東 ，朱力強 ，余祖俊 ，史紅梅 ，折昌美

（1.北京交通大學智慧高鐵系統(tǒng)前沿科學中心， 北京 100044；2.北京交通大學載運工具先進制造與測控技術教育部重點實驗室， 北京 100044；3.中國科學院微電子研究所，北京 100029）

我國鐵路隧道和地鐵隧道總里程世界第一，老舊線路存在多種病害，需要高效率的快速智能檢測技術.隧道裂縫是重要病害，在復雜惡劣的環(huán)境下，人工巡檢效率低下，難以滿足需求.隨著機器視覺和圖像處理技術的發(fā)展，圍繞隧道裂縫智能檢測的研究不斷拓展[1].當前隧道病害自動檢測的研究，主要利用視覺檢測技術，對隧道病害圖像實現(xiàn)采集和智能處理[2].

國內(nèi)外在裂縫圖像采集和處理方面有一系列的研究，大都采用傳統(tǒng)檢測算法和深度學習理論[3].地鐵隧道表面圖像背景特征具有復雜性、隨機性和無特定規(guī)則的特點，除了管線、配電箱、逃生平臺等設施外，包含大量的背景噪聲干擾.王睿等[4]設計了鐵路隧道裂縫檢測系統(tǒng)，研究了圖像識別算法，可對普通裂紋圖像進行檢測識別，并沒有用到深度學習算法.朱力強等[5]研究了隧道圖像采集系統(tǒng)，設計了隧道病害圖像檢測算法，提出了裂縫發(fā)展變化趨勢智能分析檢測理論.日本研制了隧道裂縫病害檢測車，探究傳統(tǒng)圖像處理算法以自動識別裂縫圖像.Medina等[6]研究了裂縫邊緣檢測算法，并進行精確的像素計算.傳統(tǒng)算法主要圍繞像素級處理，對簡單裂縫圖像的識別效果較好，但直接用于復雜裂縫圖像的檢測時效果不佳.

目前，隨著深度卷積網(wǎng)絡研究的發(fā)展，隧道圖像智能識別技術又上升一個臺階.Huang 等[7]研制了隧道圖像采集裝置，設計了隧道裂縫圖像的深度學習算法，可以對裂縫、水漬、管線等目標進行識別.深度學習算法通常利用樣本標注和網(wǎng)絡設計，進行裂縫圖像的智能檢測，對于特征清晰的目標，準確率達到85%左右，但對于復雜圖像的識別精度不高，特別需要人工進行精細化圖像標注工作，標注的精度直接影響識別精度[8-10].深度學習算法比傳統(tǒng)方法和特征提取算法效果好、智能化程度高，但是標注樣本所需時間長、工作量大.特別地，對于裂縫圖像的細小病害特征，高精度的邊緣標注需要花費大量人工時間，急需研究高效率的自動標注和檢測方法[11-12].

為了解決人工標注和裂縫圖像自動識別的難題，本文提出了一種結合圖像特征提取和深度學習的隧道裂縫樣本自動標注與識別算法.利用圖像淺層處理，降低人工肉眼標注工作量，建立局部裂縫樣本圖像.研究適用于裂縫局部圖像的深度學習網(wǎng)絡架構，實現(xiàn)隧道裂縫病害區(qū)域的自動檢測.為了實現(xiàn)隧道圖像的自動采集，設計了一套基于軌道運行的隧道襯砌圖像采集系統(tǒng)，利用多目視覺采集隧道裂縫圖像，再結合算法研究，以實現(xiàn)智能識別.

1 隧道圖像采集與智能識別方法

本研究為了解決這個難題，提出了基于區(qū)域特征分析的裂縫樣本數(shù)據(jù)標注方法，基于已有的裂縫圖像，設計傳統(tǒng)像素級處理算法，初步提取并自動選出裂縫區(qū)域，建立初步樣本庫，代替人工標注圖像，實現(xiàn)自動圖像標注.針對裂縫圖像樣本病害特征，訓練改進的深度卷積網(wǎng)絡結構，實現(xiàn)裂縫圖像的自動識別.

裂縫圖像采集與識別原理如圖1 所示，研制軌道移動式圖像采集平臺，用于隧道表面圖像的采集.結合隧道現(xiàn)場手動拍攝的圖像和原有的隧道圖像，建立隧道表面圖像數(shù)據(jù)集，配置多種尺度裂縫特征樣本庫.

圖1 隧道裂縫圖像采集與識別算法Fig.1 Tunnel crack image acquisition and recognition algorithm

選取裂縫圖像數(shù)據(jù)，設計圖像預處理方法，對隧道圖像數(shù)據(jù)集進行前處理操作.針對裂縫圖像進行連通域濾波和病害特征分析，實現(xiàn)隧道圖像的批量處理，得到候選裂縫特征子圖像集合，代替人工完成裂縫局部圖像的自動標注.針對隧道裂縫特征，建立裂縫圖像的3 種特征樣本，改進深度卷積網(wǎng)絡，進行圖像智能識別算法的對比實驗，驗證算法理論的可行性.

2 隧道圖像病害特征分析與識別

2.1 隧道裂縫圖像預處理

由于隧道環(huán)境惡劣、光照不均，所采集的圖像存在多種噪聲和干擾物，裂縫區(qū)域像素占比較少，屬于小目標特征.從復雜的背景圖像中直接進行裂縫病害特征的高精度識別難度較大.本算法利用圖像前處理操作增強圖像對比度，便于后續(xù)的裂縫圖像識別.

步驟1像素級灰度腐蝕可以消除類似于點塊噪聲，將圖像的微觀病害特征擴充，同時對裂縫邊緣噪點平滑.定義原始圖像為A(x,y) ；S(x′,y′) 為圖像腐蝕計算的模板；DS為S(x′,y′) 的局部處理區(qū)域.f(x,y)為像素灰度腐蝕后的圖像，如式（1）.

本算法在增強裂縫邊緣數(shù)據(jù)的同時提高圖像對比度，保護隧道圖像的重要病害特征.

步驟2進行圖像局部對比度拉伸計算，分析圖像局部像素區(qū)域的灰度相似度，執(zhí)行非線性變換處理，提高裂縫特征的對比度及灰度值低的目標灰度，如式（2）.

式中：g(x,y)為圖像局部對比度處理后點 (x,y) 處的灰度值；m為原始灰度平均值；E為拉伸指數(shù)；p為相對精度調(diào)整參數(shù)，本研究中取0.9.

步驟3將前一步得到的圖像執(zhí)行二值化處理，見式（3）.

式中：I(x,y)為二值化圖像中像素點 (x,y) 處的灰度值；T為圖像二值化的設置閾值，可根據(jù)對應批次的圖像，抽選樣本進行經(jīng)驗值調(diào)節(jié)得到.

通過式（1）～（3）的處理，圖像對比度和裂縫病害特征被加強，但同時也增加了圖像虛假裂縫區(qū)域.為保證圖像中真實目標不被平滑掉，此過程算法可適當放大噪聲，并極大程度保留目標病害特征.

2.2 裂縫圖像病害特征區(qū)域分析算法

按照病害特征將隧道裂縫圖像劃分為真實裂縫區(qū)域、點狀噪聲區(qū)域、斑狀噪聲區(qū)域、塊狀噪聲區(qū)域.通過圖像處理算法分析，逐步去除非裂縫病害特征噪聲干擾，保留真實裂縫區(qū)域，作為選定的裂縫目標樣本集.

2.2.1 點狀噪聲區(qū)域濾波處理

隧道圖像病害特征區(qū)域中，點狀特征是裂縫襯砌表面的主要噪聲，由像素點較少的小塊區(qū)域組成，可利用圖像矩計算的方法進行閾值濾除.

針對二值化圖像中I(x,y) 中的點狀干擾Ck(x,y) ，通過式（4）分析圖像特征子區(qū)域Ck(x,y) 的零階矩nk.

式中：Pk(x,y)為子區(qū)域Ck(x,y) 中點 (x,y) 的灰度值；Nn為待測圖像中點狀噪聲區(qū)域的個數(shù).

通過式（5）分析區(qū)域內(nèi)點狀噪聲特征，完成針對性濾除.子區(qū)域中像素點數(shù)量小于閾值的判斷為噪聲，并將像素灰度值轉換為1，完成此濾波處理.

式中：is(x,y) 為點狀噪聲特征區(qū)域；為圖像零階矩判斷閾值.

2.2.2 斑狀噪聲區(qū)域濾波處理

隧道表面圖像中，點狀噪聲區(qū)域表現(xiàn)為散點像素的聚集，而斑狀噪聲區(qū)域的像素數(shù)量更多，且聚集性更加明顯.斑狀噪聲特征子區(qū)域占比大，而裂縫為隨機細長曲線形狀，因此，可利用外接矩形構成連通區(qū)域的矩形度來分析.斑狀噪聲區(qū)域矩形度Rl為

式中：SM為外接矩形所包圍的區(qū)域.

經(jīng)過斑狀噪聲濾波處理后的圖像為Is(x,y).NR為Is(x,y) 中斑狀噪聲子區(qū)域Dl(x,y) 的數(shù)量，設TR為判斷值，iM(x,y)為確定的斑狀特征區(qū)域，則斑狀噪聲的計算為

2.2.3 隨機塊狀噪聲區(qū)域濾波處理

經(jīng)過處理，圖像大部分散點噪聲成分已被濾除，但仍存在一些塊狀噪聲.結合連通域的最大寬度wmax、最大高度hmax和矩形度Rk，設計子區(qū)域塊狀特性的濾波算法.濾波后的圖像為IM(x,y) ，對其實現(xiàn)連通區(qū)域的提取.設提取的候選區(qū)域為Ej(x,y) ，其個數(shù)為Nw.隨機塊狀噪聲區(qū)域濾波如式（8），噪聲成分提取完成后，對其進行相同的濾除操作.

2.3 裂縫特征外接矩形區(qū)域標記

經(jīng)過2.2 節(jié)計算后，虛假裂縫特征區(qū)域仍然存在.利用傳統(tǒng)圖像處理和特征提取算法對相同的裂縫圖像數(shù)據(jù)集，識別率不超過90%，繼續(xù)提高精度的難度較大.若直接利用深度學習算法對原始圖像進行樣本制作與訓練，對于細小裂縫的識別存在較多的漏檢現(xiàn)象；如果直接利用人工標記樣本的方法，一張圖像的精細標注平均要30～40 min，工作量巨大.針對以上問題，本文設計了基于像素級特征提取的算法，利用傳統(tǒng)識別方法自動提取并標記裂縫子區(qū)域，建立樣本數(shù)據(jù)，設計深度網(wǎng)絡結構，實現(xiàn)裂縫病害的高精度識別.

本算法獲取目標特征連通區(qū)域Ek(x,y) 的最小矩形區(qū)域坐標 (xmin,ymin) 、(xmin,ymax)、(xmax,ymin)、(xmax,ymax)，提取圖像對應區(qū)域，此時得到的裂縫子區(qū)域圖像集中存在裂縫特征與偽裂縫特征用于后續(xù)的深度識別，連通區(qū)域最小外接矩形長（C）寬（R）比為

2.4 隧道圖像深度卷積網(wǎng)絡架構

2.4.1 裂縫圖像特征分析

經(jīng)過2.2 節(jié)算法處理后，可以得到裂縫區(qū)域子圖像以及對應的二值化圖像.建立裂縫樣本庫進行對比分析：

1）裂縫區(qū)域外接矩形樣本.具有裂縫區(qū)域最小化、裂縫信息最大化的優(yōu)點；缺點為樣本圖像易出現(xiàn)“長寬比例”較大的情況，與原始圖像比例不同，導致深度卷積網(wǎng)絡中樣本圖像過度拉伸或壓縮，影響識別精度.

2）按比例擴充的外接矩形樣本.具有圖像長寬比例合理、裂縫特征全面，網(wǎng)絡訓練比例不失真的優(yōu)點；缺點為樣本數(shù)據(jù)擴大、存在其他噪聲干擾，但噪聲不會影響裂縫特征的主體信息，精度可控.

3）裂縫二值化圖像樣本.二值化的圖像，特點為數(shù)據(jù)量最少，特征明顯；缺點為只有“0、1”二值數(shù)據(jù)，缺少豐富的灰度信息，存在網(wǎng)絡訓練中特征信息不足的情況.

2.4.2 圖像樣本子集的建立

隧道裂縫特征具有無規(guī)則、小目標的缺點，建立3 種方式的裂縫圖像樣本集（裂縫特征外接矩形樣本、裂縫圖像二值化樣本、按比例擴充的裂縫圖像樣本）對處理獲取的裂縫特征子區(qū)域進行對比實驗.

隧道裂縫外接矩形區(qū)域，可根據(jù)式（9）確定樣本圖像區(qū)域.對于比例擴充的裂縫圖像樣本集，隧道原始圖像為500 × 375 像素，外接矩形擴充比例設置為μ=4∶3，如圖2 所示C.E為比例擴充后裂縫樣本矩形區(qū)域的短邊，裂縫區(qū)域擴充原理如式（10）～（11）所示，其中：CΔ為圖像中裂縫區(qū)域外接矩形2 個方向的擴充參數(shù)，(xLT,yLT)為擴充后矩形區(qū)域的左上角點坐標，(xRB,yRB)為擴充后矩形區(qū)域的右下角點坐標.二值化圖像樣本為按比例擴充的裂縫區(qū)域二處理結果.

圖2 外接矩形與比例擴充矩形原理圖Fig.2 External rectangle and proportional expanded rectangle

2.4.3 卷積網(wǎng)絡結構

隧道表面圖像中裂縫特征不顯著，一般是小目標弱信息特征，具有無規(guī)則的特點.由于裂縫寬度較窄，所占像素點一般不超過10 個，所以圖像局部信息量少，在設計深度卷積神經(jīng)網(wǎng)絡時，不易使用10 層以上卷積網(wǎng)絡，否則會導致裂縫邊緣信息丟失.本文設計改進了AlexNet 網(wǎng)絡結構，針對裂縫形態(tài)特征，建立3 種樣本集，形成卷積層數(shù)為5 和全連接層數(shù)量為3 的深度卷積網(wǎng)絡，對候選裂縫圖像集合進行訓練和測試集的識別，結構如圖3 所示，圖中λ為步長.

圖3 改進的AlexNet 深度卷積網(wǎng)絡結構Fig.3 Improved AlexNet deep convolution network

1） 深度卷積結構中，第1 級卷積核尺寸11 ×11，個數(shù)為96，步長值為4，由卷積、ReLu 函數(shù)、局部響應歸一化（LRN）和降采樣組成.歸一化度量為5 × 5，在降采樣中，卷積核元素3 × 3，步長值2.

2） 卷積網(wǎng)絡第2 級，卷積核元素5 × 5，個數(shù)為256，步長值為2.

3） 卷積網(wǎng)絡第3 級，卷積核元素3 × 3，個數(shù)為384，步長值為2，不設置降采樣和歸一化操作.

4） 卷積網(wǎng)絡第4 級，卷積核元素寸3 × 3，個數(shù)為384，步長值為2，結構與上一層相似.

5） 卷積網(wǎng)絡第5 級，卷積核元素3 × 3，個數(shù)為256，步長值為2，此步驟無歸一化處理.

6） 卷積網(wǎng)絡第6 級，全連接神經(jīng)元數(shù)4096，同時設置ReLu 函數(shù)操作和降采樣操作.

7） 卷積網(wǎng)絡第7 級與卷積網(wǎng)絡第6 級算法相同.

8） 卷積網(wǎng)絡第8 級，定義為全連接層，可以完成識別，輸出圖像識別結果.

本算法僅針對存在裂縫圖像和不存在裂縫圖像的區(qū)分，因此，卷積網(wǎng)絡第8 層的輸出為2，其中存在裂縫特征定義為1，反之為0.

3 移動式圖像采集系統(tǒng)設計與研制

本文設計的車載式隧道圖像采集裝置可以在軌道上運動采集襯砌圖像，如圖4 所示.巡檢小車自帶動力和安裝平臺，相機激光同步采集裝置固定于中間的圓形支架上，可實時采集隧道表面圖像.整體系統(tǒng)可以實現(xiàn)相機靈活調(diào)節(jié)，準確對準隧道目標區(qū)域，測速定位系統(tǒng)安裝于車輪用于里程定位，供電系統(tǒng)對整體檢測裝置提供穩(wěn)定電源.

圖4 隧道圖像采集系統(tǒng)原理Fig.4 Diagram of tunnel image acquisition system

本系統(tǒng)由6 個高速線陣相機、3 個特制光源進行同步觸發(fā)的圖像采集.由于隧道裂縫特征為灰度表現(xiàn)，所以保存單通道灰度圖即可.成像裝置支架為圓形布局，相機與光源布置在圓形架子的外部支架處，如圖5 所示.工業(yè)相機與光源間隔安裝，每個光源提供給2 個相機補光使用.工業(yè)相機支架上預留擴展接口，可用于后續(xù)安裝其他相機或傳感器進行功能拓展.相機光源支架安裝于車體中部，設計為圓形支架，對于不同尺寸和距離的隧道，可以調(diào)節(jié)整體采集裝置.相機和光源的安裝方式，橫向和縱向位置可調(diào)整，成像裝置參數(shù)如表1 所示.

圖5 軌道移動式多目相機圖像采集裝置Fig.5 Image acquisition device of track-sliding multi-view camera

隧道圖像采集分辨率為6 144 像素，檢測車最大運行速度為20 km/h.圖像采集中，間隔1 200 行像素輸出一幀，即圖像尺寸6 144 × 1 200 像素，按照6 000 × 1 125 像素保存圖像，后期處理劃分為若干個500 × 375 圖像.本系統(tǒng)設計線狀光源實現(xiàn)高強度的照明用于線陣相機的高清成像.為保證通光量和成像質(zhì)量，選擇工業(yè)鏡頭焦距為50 mm，光圈范圍F4～F8，可保證線陣相機的成像景深要求，對于其他結構尺寸的隧道，可通過手動對焦確定鏡頭參數(shù).

地鐵隧道環(huán)境相對簡單，光線變化不大，所設計的系統(tǒng)主要用于盾構圓形截面、直徑5.2～5.4 m 隧道正線，所采集圖像背景一致性較好.對于變截面，隧道尺寸變化的情況，需要重新調(diào)節(jié)焦距或者改變成像距離，從而達到較好的圖像采集.

4 實驗與結果

4.1 實驗1：利用二值圖像構建樣本庫

針對尺寸為500 × 375 的地鐵隧道圖像，選取腐蝕結構元素為2 × 2 的正方形，分塊大小為10 × 10，零階矩閾值Tn為每幅圖像的像素均值，矩形度閾值TR為0.23，形狀極值閾值T、w分T別h為40、30.對原始地鐵襯砌圖像完成對應算法的計算和處理，如圖6所示.對于細小裂縫圖像，為了保存特征細節(jié)，會導致周邊存在斑點噪聲，由于該區(qū)域像素占比很小，在樣本制作時自動濾除.

圖6 圖像處理結果Fig.6 Results of image processing

裂縫圖像經(jīng)過灰度級腐蝕操作后，圖像中部分噪點被濾除，裂縫邊緣清晰.對其進行圖像前處理操作及二值化分割后，進行圖像子區(qū)域零階矩計算，可濾除掉圖像中大部分點狀噪聲，之后進行子區(qū)域矩形度和特征分析計算，將圖像中斑狀噪聲和塊狀噪聲濾除，最終得到的裂縫二值圖像樣本庫，如圖7.

圖7 隧道裂縫的二值圖像樣本數(shù)據(jù)Fig.7 Binary image sample data of tunnel cracks

對多張隧道圖像進行批量處理，不同的采集環(huán)境與光照環(huán)境導致裂縫圖像中存在噪聲成分，出現(xiàn)裂縫特征局部斷開，但裂縫基本骨架完整，對后續(xù)裂縫圖像識別精度，影響較小.

4.2 實驗2：圖像連通區(qū)域最小矩形構建樣本庫

隧道圖像存在多種狀態(tài)的裂縫：橫向、縱向、斜向、交叉、網(wǎng)狀裂紋.本文所提出的特征子區(qū)域分析濾波算法可確定裂縫特征連通域外接矩形，并從原始圖像提取對應的區(qū)域，得到裂縫子區(qū)域樣本圖像，此時裂縫特征明顯，數(shù)據(jù)量小，有利后續(xù)分類識別.前處理提取裂縫特征的二值標記圖，然后利用連通區(qū)域提取其對應的原始圖像子區(qū)域，構造裂縫圖像樣本庫，如圖8 所示.

圖8 提取的連通區(qū)域圖像樣本數(shù)據(jù)Fig.8 Extracted connected region image sample data

由于橫向與縱向裂縫多為長條狀，矩形長與寬的比例較大，與原圖像比例4∶3 存在較大差異，會有壓縮或拉伸調(diào)整后的圖形變化，這不利于真假裂縫圖像的識別.

4.3 實驗3：裂縫區(qū)域擴充的樣本庫構建

在深度卷積網(wǎng)絡中，與測試圖像相同或比例相似的圖像樣本具有更好的特征識別一致性.前處理得到的隧道圖像中裂縫連通區(qū)域存在長寬比過大或過小的區(qū)域，導致樣本訓練中的比例失真.為了提高深度學習中裂縫區(qū)域的識別精度，按原始圖像比例對裂縫矩形進行擴充.長寬比與原始圖像相差較大，呈縱向細長型，按比例4∶3 對其連通區(qū)域最小外接矩形進行自動擴充，保證創(chuàng)建的樣本區(qū)域圖像與原始圖像比例相同，如圖9 所示.考慮到圖像邊界等因素，若外接矩形坐標擴充無法雙向擴充區(qū)域，則可以單向擴充形成與原始圖像比例相同的子區(qū)域樣本集.

圖9 裂縫區(qū)域比例擴充圖像樣本數(shù)據(jù)Fig.9 Sample data of crack region scale expansion images

4.4 實驗對比分析與討論

本次實驗中共選擇6000 張地鐵隧道表面圖像進行批量預處理、前處理、3 種樣本圖像的裂縫子區(qū)域自動提取和裂縫樣本圖像制作.最終構造了4500 張裂縫圖像樣本庫，其中，3 種樣本圖像的數(shù)量均為1500 張，測試集圖像數(shù)量1500 張.利用2080 Ti 的GPU 平臺進行深度卷積網(wǎng)絡的裂縫識別實驗，在Caffe深度卷積網(wǎng)絡框架下進行了裂縫識別對比實驗.

為保證樣本集的質(zhì)量以及裂縫特征識別效果，在圖像標注集制作前需進行裂縫圖像初步篩選，保證裂縫特征的清晰度、特征對比度，但對于背景特別復雜的裂縫圖像，不納入標注樣本集中.表2 的識別準確率是對應裂縫圖像集合中算法識別出裂縫的數(shù)量與實際裂縫數(shù)量的比值.

表2 裂縫圖像樣本數(shù)據(jù)分類識別準確率Tab.2 Recognition accuracy of crack image sample data%

1） 隧道原始圖像樣本庫直接進行分類識別實驗時，訓練準確率為88.0%，測試準確率為89.1%.

2） 二值圖像樣本庫分類準確率相較原始圖像樣本庫有一定的下降，主要原因是經(jīng)過前處理操作后，隧道圖像由三通道圖像轉換為一通道的灰度圖.通過二值圖樣本進行識別，其特征灰度信息下降，圖像數(shù)據(jù)計算時可提取的特征下降，對裂縫與偽裂縫、細小裂縫、噪聲等特征辨識度不夠.對于裂縫圖像背景簡單的情況，二值化識別率會提高，但適用性不夠廣泛.

3） 采用處理后裂縫外接矩形樣本并對應提取其原始圖像樣本庫，其裂縫信息完整，特征占比大，可提取的特征較多，分類識別訓練準確率高達95.4%，測試準確率達94.0%，相較原始圖像直接進行分類，準確率有明顯提高.

4） 按照原始圖像比例對裂縫外接矩形進行4∶3擴充后，提取的圖像與裂縫外接矩形圖像相比，圖像尺寸長寬比例一致，效果最好，使圖像尺寸比例對網(wǎng)絡訓練測試的影響降到最低，進一步提高了裂縫識別率，訓練準確率達98.6%，測試集準確率達97.8%.

5） 引入傳統(tǒng)的SVM (support vector machine)裂縫圖像分類算法后，其訓練準確率最高達89.0%，測試準確率最高達87.8%.隧道裂縫圖像識別中，結合圖像子區(qū)域自動提取標記和深度卷積網(wǎng)絡的算法優(yōu)于SVM 分類識別算法.

綜上分析，結合傳統(tǒng)圖像特征識別算法，通過前處理進行裂縫圖像子區(qū)域的自動提取實現(xiàn)樣本數(shù)據(jù)的自動標注，不需要進行大量的人工標注，節(jié)省了樣本制作時間，提高了檢測效率和隧道裂縫圖像的識別率.

本文提出的裂縫識別算法存在需要持續(xù)改進的問題：1） 在前處理過程中，對細小裂縫出現(xiàn)了一定的邊緣斷裂情況；2） 自動提取的裂縫子區(qū)域圖像分辨率比原始圖像小，出現(xiàn)裂縫識別中的分塊識別現(xiàn)象；3） 原始圖像中較長的裂縫，會被識別為幾個裂縫特征片段識別出來.如圖10 所示，原始隧道圖像裂縫病害測試集識別結果，盡管有管線、接縫、螺栓孔等虛假裂縫噪聲干擾，但本算法對裂縫特征都進行了準確地提取和識別.

圖10 隧道圖像裂縫病害測試集識別結果Fig.10 Recognition results of tunnel image crack test set

在復雜圖像中，為了消除管線、接縫、疑似裂紋的噪聲干擾，達到精準識別，故所標記的樣本尺度較小，這在保證裂縫病害不被漏報和誤報的條件下，產(chǎn)生了裂縫特征區(qū)域分塊識別的現(xiàn)象.通過與隧道技術人員的交流，目前這種方式滿足裂縫識別的需求，可保證較高識別率、較低的漏報和誤報的情況下使用，代替人工實現(xiàn)裂縫的輔助識別.后續(xù)，在裂縫區(qū)域識別的完整性方面，將進行邊緣鏈接和裂縫參數(shù)自動測量的算法研究，實現(xiàn)裂縫的智能化、完整信息檢測.

5 結 論

本文完成了隧道裂縫圖像采集與檢測技術研究，提出了結合圖像前處理、區(qū)域特征提取、裂縫樣本自動標注和深度學習的隧道圖像分類識別算法以及基于區(qū)域提取代替人工標注樣本的方法.根據(jù)裂縫區(qū)域外接矩形建立樣本圖像，構造了3 種隧道圖像樣本庫進行對比實驗.綜合分析隧道裂縫圖像的弱信息量特點，在Caffe 中配置了改進的AlexNet 深度卷積網(wǎng)絡，完成了裂縫圖像樣本對比實驗、識別率分析與問題討論.本文設計研制了軌道移動式隧道圖像采集系統(tǒng)以及巡檢車，通過實驗采集并整理了真實隧道裂縫圖像，建立了4500 張裂縫圖像樣本和1500 張測試圖像，隧道裂縫圖像測試集的識別率達到97.8%，證明了算法研究和采集系統(tǒng)的有效性.針對背景特征通常的隧道圖像，使用本文算法進行分類識別驗證.對于復雜特征干擾的隧道圖像，特別是混合滲漏水、嚴重污漬覆蓋的惡劣環(huán)境圖像（本領域的一個難點），后續(xù)需要進行更深入的研究，建立更加豐富和數(shù)據(jù)充足的樣本庫來提高復雜惡劣圖像中裂縫的識別率.