基于多層級特征融合的隧道襯砌裂縫病害檢測算法研究

賈睿 JIA Rui；武旭娟 WU Xu-juan；趙紅巖 ZHAO Hong-yan

（①遼寧省交通高等專科學校，沈陽 110122；②遼寧省交通規劃設計院有限責任公司公路養護技術研發中心，沈陽 110111）

1 研究背景

近幾十年來，我國隧道建設有了很大的進展，在總里程和使用面積上有了很大飛躍，隧道交通工程正由“建設為主”向“建養并重”轉變。[1]國內外的調查研究表明，在隧道的日常使用過程中，由于各種外部環境的影響，隧道出現不同程度的裂縫、滲漏水、涂層脫落等常見病害，這些病害會威脅到隧道結構的安全性、穩定性及耐久性，嚴重影響交通質量[2]。因此，高效的隧道病害檢測方法可以為養護部門提供有力的技術支撐，是交通安全領域中重要的研究方向，具有重要的研究價值。根據隧道裂縫檢測技術的不同，目前方法主要分為：基于圖像處理的方法和基于深度學習的方法[3]。

基于圖像處理的裂縫檢測方法簡單高效，包括邊緣和輪廓檢測、形態學處理等，但這些方法多采用人工設計的裂縫特征算子，易受光照、陰影和路面障礙等因素影響，檢測準確率不高，難以應對場景復雜多變的不同裂縫病害。

基于深度學習的裂縫檢測方法自動提取輸入圖像的淺層局部特征信息及高層全局特征信息，兩者結合能定位物體邊界和識別物體分類，有效解決了傳統方法對于人工特征工程的依賴。目前將深度學習應用于隧道裂縫檢測的主要方式有：裂縫圖像分類、裂縫區域檢測、裂縫語義分割[4]。其中圖像分割技術更加符合隧道裂縫檢測業務需求，能夠適應裂縫尺寸變化多樣性，識別裂縫區域輪廓，獲取裂縫定量評估信息。

2 國內外研究現狀

近年來，隨著人工智能和深度神經網絡的高速發展，相關技術在交通巡檢養護領域中也得到了廣泛應用。Yang[5]使用FCN 網絡模型進行裂縫檢測，采用反卷積層進行上采樣，但FCN 網絡缺少底層細節信息，導致檢測結果準確率不高。劉凡提出了一種高效的裂縫檢測方法[6]，通過建立多尺度空洞卷積模塊來獲取裂縫的上下文信息，并在此基礎上引入一種注意力機制，進一步提取高層特征，為解決裂縫與周圍路面對比度低的問題。韓曉健[7]提出基于卷積神經網絡的裂縫自動檢測模型，使用三段線性變換算法和雙邊濾波算法進行預處理，利用改進的邊緣梯度法來實現裂縫最大寬度的定位和裂縫最大寬度的自動獲取。翟軍治提出了一種多尺度特征增強的路面裂縫檢測網絡MFENet，實現端到端的路面裂縫圖像檢測、分類和分割處理[8]。楊澤提出一種改進網絡Self-Attention-Unet[9]對路面裂縫區域進行高精度分割，引入自注意力機制增強模型裂縫特征提取能力，提高分割精度。

3 基于多層級特征融合的隧道襯砌裂縫檢測模型

本文針對隧道襯砌裂縫病害檢測存在的準確率低、檢測速度慢、抗干擾能力差等問題，提出基于多層級特征融合的隧道襯砌裂縫檢測模型CS-Net（Crack Segmentation Network）。該模型采用輕量級特征提取骨干網絡，設計不同語義層級特征融合模塊，實現低層細節特征與高層語義特征的有機融合，并利用金字塔池化模塊對高層語義特征進行多尺度聚合處理。在特征提取時嵌入通道注意力模塊，使模型更加關注信息量最大的特征通道。CS-Net 模型主要包括特征提取骨干網、特征融合模塊和分割Head，其模型網絡結構如圖1 所示。

圖1 CS-Net 網絡結構圖

特征提取骨干網采用多個STDC 模塊，利用多個卷積進行特征提取，第1 個卷積核尺寸為1×1，其余3 個卷積核尺寸為3×3。關注多尺度信息，淺層網絡需要足夠的通道來提取小感受野的細節信息，更大感受野的深層網絡關注高級語義信息。因此將淺層網絡通道數設置的較大使其保留更多的細節信息，深層網絡的通道數設置較小來降低信息冗余。

在特征融合模塊中，采用金字塔模塊、空間注意力、通道注意力等對提取的裂縫圖像特征進行融合處理，使模型更加關注信息量最大的特征，弱化非裂縫背景和噪聲對模型帶來的影響。引入金字塔模塊，對骨干網最后一層特征進行多尺度融合處理。引入通道注意力模塊對低層細節特征進行處理，自動學習到各個特征通道的重要程度，建模特征通道間的相關性。最后，采用空間注意力機制，在通道維度取最大值和平均值并融合，得出空間注意力權重值α，采用x*α+y*（1-α）方式融合高語義全局特征和低語義細節特征，建模不同層級特征間依賴關系，提升裂縫特征語義表達能力。分割頭模塊對融合后的多層次特征分別進行預測，并根據設定的權重參數，加權融合多個分割預測圖，得到最終的預測結果。

4 實驗結果與分析

4.1 裂縫病害數據

本文采用裂縫數據集為CrackForest、CrackTree 和Crack500。CrackForest 包含118 張大小為480×320 的裂縫圖像。CrackTree 包含206 張大小為800×600 的不同場景裂縫圖像。Crack500 包含1896 張訓練圖像、348 張驗證圖像、1123 張測試圖像，圖片經過預處理后調整為640×360。三個裂縫數據使用隨機翻轉、水平翻轉、垂直翻轉等變換方式進行數據增強處理，并采用7:2:1 的比例進行訓練、驗證和測試數據劃分。

4.2 模型評估

考慮到裂縫數據集中存在類別分布不平衡的情況，因此本文采用平均交并比（mIoU）、類別平均精準率（mPA）來進行模型評估。平均交并比是用于評估模型對于裂縫與非裂縫的分割效果，對前景和背景類別分別計算交并比。類別平均精準率分別計算每個類被正確分類像素數的比例，然后累加求平均評價。考慮到模型性能和模型參數量，增加了Flops 和Params 兩個評價指標。

4.3 實驗結果

為驗證算法有效性，綜合比較各圖像分割模型對裂縫檢測性能，分別在多個裂縫數據集上進行了實驗，將本文提出的CS-Net 模型與FCN、BiseNetV2、PP-LiteSeg 等主流網絡模型進行比較。為了解決裂縫和背景像素點不均衡的問題，采用Dice 損失作為損失函數，并在計算交并比時去除背景和噪聲像素點，從而得到更準確的裂縫分割結果。

從表1 中可以看出，在三份不同裂縫數據集上，本文提出的CS-Net 裂縫檢測模型的mIoU 指標明顯優于其他模型，其值分別為73.53%、77.04%、82.02%，mPA 分別為99.05%、99.83%、97.67%。同時，考慮到病害圖片中裂縫像素占比少，單獨評估裂縫IoU 指標，其分別為48.01%、54.26%、66.49%，優于其他三種對比模型。實驗數據表明CS-Net 裂縫檢測模型具有很好的泛化性能，證明通過融合多層級特征可以明顯提升裂縫識別模型在復雜環境下的能力。

表1 不同裂縫數據集上模型準確度/運行性能/參數量對比

圖2 是裂縫檢測模型的預測結果可視化對比。可以看出對于單一裂縫，四種檢測模型都能很好地工作，但對于形狀復雜裂縫、陰影處裂縫等，CS-Net 模型能夠高效識別出裂縫邊緣和形狀輪廓，不易受到各種噪聲影響，尤其對于裂縫邊緣處理情況較理想。

圖2 裂縫檢測對比實驗圖

5 結束語

本文為實現隧道襯砌裂縫病害的智能檢測，提出一種CS-Net 裂縫檢測模型。該模型設計多層級特征融合模塊，融合淺層細節特征和高層抽象語義特征，提高全局的特征表達能力，嵌入注意力模塊來建模不同層級特征間依賴關系，并使用Dice 損失函數來應對像素不平衡問題，提升檢測性能，增加魯棒性。

實驗結果表明，CS-Net 裂縫檢測模型在CrackForest、CrackTree 和Crack500 三個數據集上的mIoU 分別為73.53%、77.04%、82.02%，mPA 分別為99.05%、99.82%、97.67%，在平均交并比和類別平均精準率兩個綜合評價指標上證明了該模型的能力。在多個數據集上取得很好的結果，表明此檢測模型提升裂縫識別模型在復雜環境下的分割能力，具有很好的泛化性能。在后續的工作中會近一步優化裂縫特征提取與融合機制，著重提升模型運算效率，降低模型參數量。