基于深度学习的地铁隧道衬砌病害检测模型优化.docx

?

?

基于深度学习的地铁隧道衬砌病害检测模型优化

?

?

薛亚东高健李宜城黄宏伟

摘?要：地铁盾构隧道衬砌病害检测面临的最主要问题是如何获取高质量的病害图片以及如何快速、准确实现病害检测.基于CCD线阵相机设计制造了地铁隧道病害检测车，并针对上海运营地铁1、2、4、7、8、10、12等线路采集了大量的衬砌图像，通过手工标注建立高质量隧道病害样本库.基于卷积神经网络FasterR-CNN（FasterRegion-basedConvolutionalNeuralNetwork），构建了病害自动检测深度学习框架.考虑到裂缝及渗漏水病害的特殊性，采用数据统计分析及K-means聚类算法分析其几何特征，结合病害特征优化VGG-16网络模型中的anchorbox相关参数.结果表明，修正后的模型病害检测准确度有明显的提升（约7%），同时模型的训练时间减少.经验证，上述方法同样可提高裂缝或渗漏水单一病害识别模型的准确度.

Key：地铁盾构隧道;裂缝;渗漏水;深度学习;病害检测

：U456.3?????????文献标志码：A

Abstract：Themainproblemsinthedetectionofshieldtunnelliningdefectsarehowtoobtainhighqualityimagesofdifferentdefectsandhowtoquicklyandaccuratelydetectthedefects.Adeviceformobiletunnelinspection（MTI-100）wasdesignedandmanufacturedbasedonCCDlinearraycameras.UsingMTI-100，ShanghaiMetroLines1，2，4，7，8，10and12weretestedandalargenumberofliningimageswereobtained.Theseimagesweremanuallylabeledtoformahighqualitydatabaseofliningdefectssamples.BasedontheFasterR-CNN（FasterRegion-basedConvolutionalNeuralNetwork），adeeplearningframeworkforautomaticdiseasedetectionwasestablished.InspiredbytheexistingmodelVGG16，theCNNdetectionmodeloftunnelliningdefectswasestablished.Consideringtheparticularityofcracksandleakagedefects，statisticalanalysisandK-meansclusteringalgorithmwereusedtoanalyzethegeometricfeatures，soastooptimizetherelatedparametersofanchorboxintheVGG-16networkmodel.Theresultsshowthattheaccuracyoftheoptimizeationisgreatlyimproved（about7%），andthetrainingtimeisreduced.Itisverifiedthatthemethodcanalsoimprovetheaccuracyofthedefectdetectionmodelofcrackorleakagesingly.

Keywords：subwayshieldtunnel;crack;leakage;deeplearning;defectdetection

城市軌道交通是解决城市交通拥堵问题的有效方式.截至2018年末，中国内地共有35个城市开通城市轨道交通，总运营里程达5766.6km，排世界首位.城市轨道交通多采用地下隧道建设方式.由于建设条件、运营环境等复杂因素影响，隧道结构，特别是管片衬砌结构，不可避免在运营期间会出现多种病害，如：渗漏水、裂缝、掉块、管片错台、接缝张开、纵向不