基于探地雷達的隧道襯砌空洞檢測方法

張永恒 徐海澤 王耀東 朱力強 曹源 蘇廣思

1.中南大學 交通運輸工程學院， 長沙 410083； 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.中國鐵路鄭州局集團有限公司， 鄭州 450052； 4.中國神華能源股份有限公司， 北京 100011

隧道工程是我國基礎工程中重要的組成部分。隨著時間推移，既有隧道襯砌結構會出現諸多病害。為保證工程安全，需要定期檢測［1］。

傳統隧道襯砌病害檢測方法是先通過探地雷達采集圖像，再由專業檢測人員對圖像進行人工解譯。隨著我國隧道數量的快速增加，隧道襯砌病害檢測工作量也大幅增加。隨著機器視覺技術和圖像處理技術的發展，隧道襯砌病害檢測方法也在不斷拓展。

早期的隧道襯砌病害檢測、分析多采用數字信號處理方法。廖紅建等［2］基于有限差分法對高速鐵路無砟軌道不同填充模型進行正演模擬。蔡一超等［3］在云南某高速公路隧道工程中采用地質雷達進行襯砌質量檢測。朱兆榮等［4］采用模型、現場試驗相結合的方法，對探地雷達檢測隧道襯砌空洞效果進行對比。

隨著深度學習和卷積神經網絡技術的發展，圖像識別技術也有所提升。方濤濤等［5］利用YOLOv8n作為基礎檢測網絡，在傳統目標檢測任務的基礎上添加定位任務，以此來實現識別、定位管線的功能。王建鋒等［6］提出將圖像處理和深度學習相結合的襯砌裂縫檢測方法。Kaur等［7］提出一種用于自動檢測鋼筋的算法，集成圖像梯度特征和鋼筋雙曲線特征，通過擬合曲線來實現檢測功能。馬王鵬等［8］在TensorFlow框架下利用YOLO神經網絡模型，對雷達圖像中的異常目標進行識別、解釋。馮德山等［9］將深度學習中Faster R-CNN、YOLOv3兩種目標檢測算法運用到探地雷達圖像識別中，分析兩種算法在實測數據集上的表現。Liu等［10］提出一種基于深度學習和遷移的自動檢測定位方法，通過目標算法來判斷鋼筋具體位置。張東昊等［11］利用Mask R-CNN深度學習框架和ResNet101卷積神經網絡提取雷達圖像特征，檢測隧道襯砌中的鋼拱架和脫空。傳統的雷達檢測方法只能依靠人工解釋雷達圖像，耗時長且效率低。深度學習算法比傳統方法好、智能化程度高。

本文將深度學習和探地雷達相結合，提出一種隧道襯砌空洞檢測方法。將雷達圖像進行處理，提取可描述的部分建立仿真雷達圖像數據集，再基于YOLOv5目標檢測模型對病害進行智能識別和檢測。

1 圖像處理與深度學習

1.1 隧道襯砌病害識別流程

通過探地雷達對隧道襯砌進行采樣，經過信號處理后形成直觀的雷達圖像。結合雷達圖像和GPRMax軟件的仿真圖像，建立隧道襯砌圖像數據集。設計圖像目標檢測算法，利用深度卷積神經網絡技術對圖像進行智能檢測。通過圖像智能檢測算法和網絡性能評估，驗證算法和網絡結構的有效性。隧道襯砌病害識別流程如圖1所示。

圖1 隧道襯砌病害識別流程

1.2 深度卷積神經網絡技術

因為隧道襯砌雷達圖像中不同目標形狀差異較大，圖像識別時需要較高感受野來獲得目標的全部特征。采用YOLOv5目標檢測模型，針對襯砌圖像的目標特征建立數據集，選取特征提取器并引入特征融合模塊，對數據集進行訓練和測試。

1）特征提取器：采用CSPDarknet53結構作為隧道襯砌雷達圖像的特征提取器，通過3 × 3的卷積核來實現采樣。在保證檢測精度的基礎上，通過提升卷積神經網絡提取特征的能力來提高檢測速度。

2）特征融合模塊：不同圖像尺寸容易導致特征失真，采用spp BottleNeck模塊將特征提取器提取的圖像全局特征和局部特征進行融合。借鑒空間金字塔思想，將特征圖分別進行5 × 5、9 × 9、13 × 13分塊，提取每一個子圖里最大的原始特征值，再將這些特征值融合以增大網絡感受野。

2 建立數據集和病害識別測試

2.1 襯砌病害仿真模擬

由于探地雷達采集的襯砌病害圖像不全，通過GPRMax仿真軟件對襯砌病害進行二維正演模擬［12］。

模型尺寸為3.0 m（寬） × 1.8 m（高），網格尺寸為5 mm。鋼筋的直徑、間距、保護層厚度分別為2.2、25.0、10.0 cm。在混凝土內部設置空洞，最下層設置圍巖。混凝土、空洞內的空氣、圍巖仿真參數見表1。

表1 仿真參數

正演模擬時，采用中心頻率為900 MHz的雷克子波作為激勵波。發射、接收天線間隔為5 cm，步長0.01 m，計算步長280，計算時長6 ns，接收時窗30 ns。

通過軟件建立的襯砌空洞模型見圖2（a），正演處理結果見圖2（b）。可知，采用的雷克子波不僅可以很好地識別出鋼筋，還可以識別出空洞。

為了豐富圖像數據集，對襯砌浸水、含水空洞模型也進行了模擬。水、濕混凝土的介電常數分別為81、20 F/m。模型及正演結果見圖3。

圖3 襯砌浸水、含水空洞模型和正演結果

2.2 數據集建立和病害識別

在得到正演結果后，將結果進行分類并利用Labelimg軟件進行標注，標簽分為kongdong（空洞）、gang jin（鋼筋）兩種。

為了便于標注和提高標注精度，將圖像分辨率設為560 × 420。數據集樣本總數為2 500張，按照7∶3的比例分成訓練集和測試集，分別用于網絡訓練、測試。

2.3 測試結果

部分測試結果見圖4。可知，網絡模型沒有檢測出具有連續小雙曲線特征的gang jin目標，并且部分kongdong目標也沒有被檢測出來。

圖4 部分測試結果

對數據集中人工標注框的鋼筋尺寸、數量分析，發現鋼筋長寬比例超過了預設Anchor（預測目標檢測時的參考框）長寬比例，導致檢測精度不高。為了解決這一問題，利用K-means聚類算法［13］聚類出適合隧道襯砌雷達圖像數據集的Anchor尺寸并再次進行網絡訓練。

調整參數后的測試結果見圖5。可知，網絡對鋼筋識別的置信度達到80%以上，還可以檢測出一些并不明顯的空洞。

圖5 調整參數后的測試結果

3 檢測方法的應用

為了驗證本文方法的可靠性，在南方某地鐵隧道區間進行檢測。

采集了1 km的襯砌雷達圖像，將圖像進行零點校正、降噪等預處理后，先由技術人員辨認出含有空洞的雷達圖像并用紅色方框標記，見圖6。

圖6 技術人員識別的空洞

采用本文檢測方法對圖像進行智能識別，對應的結果見圖7。經對比發現，采用本文檢測方法檢測出的空洞區域與技術人員辨認的基本一致，網絡檢測準確率達到了97.7%，精確率和召回率的調和平均值達到了0.783。可見，本文的檢測方法能夠準確識別襯砌空洞。

圖7 采用本文檢測方法識別的空洞

4 結語

本文提出一種將深度學習和探地雷達相結合的隧道襯砌空洞智能檢測方法。通過雷達探測和仿真模擬，對隧道襯砌空洞以及滲漏水狀況進行仿真，并建立隧道襯砌圖像數據集。利用K-means聚類算法確保空洞檢測的精度。

通過現場檢測并將檢測結果與人工辨別結果進行對比，證明本文檢測方法可靠。下一步，對隧道襯砌的其他病害進行智能識別，豐富數據集，以獲得更好的應用效果。