李健超，張翠兵，柴雪松，薛 峰

(1.中國鐵道科學(xué)研究院 鐵道建筑研究所，北京 100081；2.中國鐵路總公司，北京 100844)

隧道結(jié)構(gòu)作為隱蔽工程，其外部條件復(fù)雜，受力情況多變，結(jié)構(gòu)的安全性和穩(wěn)定性面臨極大挑戰(zhàn)。據(jù)調(diào)查，我國鐵路運營隧道存在不同程度的病害，最普遍的病害就是襯砌裂縫，這也是導(dǎo)致其他病害的直接或間接原因。襯砌裂縫會引起結(jié)構(gòu)的進一步變形破壞、滲漏水、掉塊，嚴重時影響行車安全。

目前，國內(nèi)鐵路對于隧道襯砌病害的檢測主要依靠人工檢查。人工檢查需要投入較多人力物力，作業(yè)效率低下，且受天窗時間、照明、目視距離等客觀條件影響極易出現(xiàn)漏檢現(xiàn)象。這種主要依靠檢測人員主觀判斷的方式，很難滿足鐵路檢測的快速性和準(zhǔn)確性的要求。

近年來，國外一些機構(gòu)針對隧道襯砌裂縫檢測提出了一些基于圖像識別技術(shù)的解決方案，甚至有些商用的檢測系統(tǒng)已經(jīng)上市。比如，日本MIMM公司研發(fā)的隧道襯砌檢測車，其在公路隧道檢測中發(fā)揮了重要的作用，但是裂縫識別效率還主要依靠人工，一年檢測工作量僅上百公里，不僅難以同時滿足大量隧道自動化巡檢的需要，對大斷面鐵路隧道的檢測效果也還無法驗證，而且造價高昂。國內(nèi)在此領(lǐng)域研究起步較晚，同濟大學(xué)和西南交通大學(xué)相關(guān)課題組開展過檢測樣機的研究[1-3]，但是對于裂縫的識別絕大部分采用傳統(tǒng)的數(shù)字圖象處理方式，精度和效率都不太理想。武漢鐵路局與國外合作也研制了1套隧道襯砌圖像檢測系統(tǒng)，對隧道裂縫的識別仍依賴于人工完成。因此有必要研制可工程化應(yīng)用的鐵路隧道襯砌裂縫檢測系統(tǒng)，實現(xiàn)對鐵路隧道襯砌裂縫等病害的自動化檢測、分析和診斷，并且檢測系統(tǒng)的速度和精度要滿足車載快速巡檢的要求，從而顯著提高檢測效率和檢測質(zhì)量，為鐵路養(yǎng)護部門的科學(xué)決策提供依據(jù)。

1 既有隧道裂縫檢測系統(tǒng)存在的問題

綜合分析國內(nèi)外文獻[4-6]，發(fā)現(xiàn)既有隧道裂縫檢測系統(tǒng)普遍存在以下問題：

1)鑒于技術(shù)方案、圖像傳感器的選型、調(diào)校、光照的配合等因素，采集到的圖像存在諸多不良狀態(tài)，比如光照不均勻、背景噪聲嚴重、圖像不清晰、局部曝光嚴重等。

2)圖像采集速度不能滿足需求，目前國外出現(xiàn)的已商用的檢測系統(tǒng)速度一般在5～20 km/h，國內(nèi)已有系統(tǒng)在工程應(yīng)用中的檢測速度也在20 km/h左右，無法滿足現(xiàn)場要求。

3)裂縫識別精度和效率低下。目前的隧道襯砌裂縫檢測系統(tǒng)多采用傳統(tǒng)的數(shù)字圖像處理和人工輔助的方式識別裂縫，有的甚至就是人工瀏覽。對于海量數(shù)據(jù)無法快速、高頻率地識別。

2 隧道襯砌裂縫檢測系統(tǒng)設(shè)計方案

針對鐵路隧道襯砌裂縫自動化檢測需求，隧道襯砌裂縫檢測系統(tǒng)需要做到2點：①快速獲取海量高清晰度隧道襯砌圖像；②快速準(zhǔn)確識別海量圖像中的襯砌裂縫病害。因此提出隧道襯砌裂縫檢測系統(tǒng)方案。本系統(tǒng)由圖像采集系統(tǒng)、輔助系統(tǒng)、裂縫識別與管理系統(tǒng)組成，見圖1。

2.1 圖像采集系統(tǒng)

圖像采集系統(tǒng)由高清圖像采集單元、同步控制單元和存儲系統(tǒng)構(gòu)成，負責(zé)襯砌圖像的采集和存儲。

2.1.1 高清圖像采集單元

對于二維圖像的獲取，通常采用面陣相機和線陣相機，二者各有優(yōu)缺點。線陣相機具有動態(tài)范圍大、圖像畸變小、高速圖像采集不易拖尾等優(yōu)點，因此在連續(xù)圖像采集領(lǐng)域中得到了廣泛應(yīng)用。線陣相機的傳感器得益于單行感光元素掃描，使高掃描頻率和高分辨率成為可能。針對鐵路隧道襯砌檢測高速度、高分辨率的需求，選用線陣CCD相機配以工業(yè)鏡頭實現(xiàn)高清圖像采集。

另外，光源系統(tǒng)的好壞直接影響圖像采集質(zhì)量，從而決定裂縫識別的效果。由于隧道內(nèi)環(huán)境惡劣、光照條件很差，經(jīng)過多方試驗和對比，本方案研究采用激光照明方式。激光照明受外界影響最小，具有壽命長、穩(wěn)定、易于集成等特點。選擇適當(dāng)功率的激光和線陣相機進行集成，保證亮度的同時，通過精確控制確保其安全性。

高清采集單元是隧道襯砌檢測系統(tǒng)前端設(shè)備最核心的模塊，決定了圖像的質(zhì)量，間接決定了裂縫識別的效果。影響圖像質(zhì)量和識別精度的因素有很多，比如相機、鏡頭、光源、景深、有效像素、工作距離等。為了獲取高質(zhì)量的圖像，將線陣CCD相機、工業(yè)鏡頭和激光光源進行一體化集成，設(shè)計滿足需求的高清圖像采集單元模塊。

2.1.2 同步控制單元

為了實現(xiàn)隧道襯砌圖像高效采集，設(shè)置8臺相機，通過控制不同相機工作對單、雙線隧道進行全斷面檢測，如圖2所示。對于雙線隧道上下行分別進行檢測，上行檢測時相機1,2,3,4工作，下行檢測時，相機5,6,7,8工作；對于單線隧道一次性完成檢測，此時相機1,2,3,5,6,7工作。系統(tǒng)采用多臺計算機進行協(xié)同控制，編寫隧道襯砌掃描程序，自動化完成大量數(shù)據(jù)的采集、傳輸和存儲功能。

圖2 相機布置方式

多臺相機之間的同步采用脈沖外觸發(fā)方式。本設(shè)計采用增量型光電編碼器實現(xiàn)同步脈沖輸出，經(jīng)信號處理模塊調(diào)校后驅(qū)動多臺相機同步工作。此外，控制計算機同時獲取編碼器脈沖輸出，實現(xiàn)里程信息的精確計算。

2.1.3 存儲系統(tǒng)

由于采用多臺相機同時進行檢測，多路數(shù)據(jù)的高速存儲和拷貝成為技術(shù)關(guān)鍵，需要確定合理的采集存儲策略和高性價比的存儲方案，同時要兼顧方案的可靠性和日常使用的便利性。本設(shè)計采用Raid卡和DAS直連存儲方案，實現(xiàn)了多路數(shù)據(jù)的高速實時寫入，同時滿足了快速轉(zhuǎn)移和數(shù)據(jù)恢復(fù)的需要。

數(shù)據(jù)存儲系統(tǒng)工作方式如圖3所示。車載多臺工控機同時通過SAS方式連接存儲陣列，分別設(shè)置成Raid 0方式，滿足多路數(shù)據(jù)高速寫入要求。檢測系統(tǒng)工作時，數(shù)據(jù)實時存儲到高速磁盤陣列。檢測完畢后磁盤可取下，到地面后接入裂縫識別與管理系統(tǒng)中。

圖3 數(shù)據(jù)存儲系統(tǒng)工作方式

2.2 輔助系統(tǒng)

輔助系統(tǒng)包括隧道凈空檢測模塊、里程模塊和車體運動補償模塊，輔助圖像數(shù)據(jù)的配準(zhǔn)和校正，使裂縫幾何信息和位置更精確。

隧道凈空檢測模塊具有以下功能：①通過激光掃描方式獲取相機距隧道襯砌的工作距離，以此確定不同位置處圖像系統(tǒng)的分辨率，為計算裂縫幾何尺寸提供依據(jù)；同時計算每幅圖像沿隧道襯砌的環(huán)向位置，從而與里程信息一起實現(xiàn)裂縫的精確定位。②輔助檢測識別可能發(fā)生較大變形的隧道斷面位置。③檢測獲取隧道凈空尺寸，為隧道限界管理提供基礎(chǔ)數(shù)據(jù)。④為隧道檢測系統(tǒng)提供進出隧道的標(biāo)志，實現(xiàn)自動化檢測。

里程模塊獲取編碼器脈沖計數(shù)，計算實時里程和速度，實現(xiàn)圖像、凈空、補償?shù)刃畔⒌目v向定位。

車體運動補償模塊安裝于轉(zhuǎn)向架左右兩側(cè)，采集車輛運行過程中的振動情況，用于準(zhǔn)確定位隧道斷面環(huán)向位置。

2.3 裂縫識別與管理系統(tǒng)

裂縫識別與管理系統(tǒng)采用人工智能技術(shù)，自動判識隧道襯砌裂縫，并將相關(guān)信息存入數(shù)據(jù)庫，用于隧道病害的統(tǒng)計分析。其硬件系統(tǒng)由圖像處理工作站，GPU服務(wù)器和滿足海量存儲的磁盤陣列構(gòu)成，如圖4所示。

圖4 裂縫識別與管理系統(tǒng)

編寫裂縫識別與管理程序，運行于圖像處理工作站，負責(zé)全部人機接口工作，同時將圖像、斷面、補償數(shù)據(jù)依據(jù)里程信息進行匹配，進行多路數(shù)據(jù)對齊、去除冗余等數(shù)據(jù)預(yù)處理操作。

在搭載多塊GPU的服務(wù)器上進行快速的裂縫識別，實現(xiàn)裂縫識別算法核心功能，生成完整的病害信息。磁盤陣列用于海量數(shù)據(jù)存儲，易于采用菊花鏈方式擴展，滿足歷史數(shù)據(jù)的存儲和對比分析的需求。

2.4 總體技術(shù)指標(biāo)

基于上述設(shè)計方案，系統(tǒng)的總體技術(shù)指標(biāo)為：①最高檢測速度80 km/h；②裂縫檢測精度1 mm(檢測速度50 km/h以內(nèi))；③檢測準(zhǔn)確率不低于70%。

3 隧道襯砌裂縫的自動識別和特征提取算法

隧道襯砌裂縫的自動識別和特征提取算法(簡稱隧道裂縫識別算法)是隧道襯砌裂縫檢測系統(tǒng)的難點和核心。隧道裂縫的自動識別難點在于：①隧道斷面的變化導(dǎo)致相機物距變化很大，容易使得圖像的亮度不均勻，對比度不高[7]；②隧道圖像如伸縮縫、結(jié)構(gòu)縫、各種管線、線纜等圖像中含有大量噪聲，而且裂縫的幾何形狀不規(guī)則、隨機性強，特別是由于隧道的環(huán)境惡劣導(dǎo)致采集的圖像質(zhì)量相對較差，裂縫識別就更加困難[8-9]。既有的識別方法往往難以正確區(qū)分裂縫和其他噪聲信息。

目前，對基于圖像處理的裂縫檢測開展過很多研究。其一般方法是：①圖像的預(yù)處理，提高圖像對比度和清晰度；②圖像增強，邊緣檢測，突出目標(biāo)區(qū)域；③依據(jù)灰度、紋理、形態(tài)等圖像特征識別裂縫；④給出裂縫的特征信息。在國內(nèi)外，相應(yīng)出現(xiàn)了基于閾值分割、形態(tài)學(xué)、圖搜索等方法的裂縫識別算法[10-11]。

隨著人工智能技術(shù)不斷發(fā)展，深度學(xué)習(xí)給數(shù)字圖像處理技術(shù)帶來了跨越式發(fā)展，使得準(zhǔn)確處理海量數(shù)據(jù)成為可能。本文采用基于NVIDIA TITAN X的深度學(xué)習(xí)平臺，對裂縫識別算法進行研究，算法可以自動識別裂縫并且計算裂縫長度、寬度、位置、走向、分布密度等特征參數(shù)。

針對大量數(shù)據(jù)的特點，本文提出一種基于深度學(xué)習(xí)的隧道裂縫識別算法，有效地解決了識別速度慢、識別精度低的問題。首先對一部分含有裂縫隧道圖像的數(shù)據(jù)進行切分與人工標(biāo)注，建立訓(xùn)練與測試模型所需的數(shù)據(jù)集，而后采用深度卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征，最終訓(xùn)練分類網(wǎng)絡(luò)并對其效果進行試驗分析。

3.1 隧道裂縫識別算法流程

隧道裂縫識別算法的流程包括超像素分割、數(shù)據(jù)集建立、分類網(wǎng)絡(luò)設(shè)計與訓(xùn)練、模型測試與分析，如圖5所示。

圖5 隧道裂縫識別算法流程

首先對原始圖片進行預(yù)處理，消除圖像中明顯的噪聲，消除光照不均勻的影響，增強對比度，提高圖像質(zhì)量。由于直接獲取的原始圖片尺寸過于龐大，為了方便處理，采用超像素分割方式對其進行切分。超像素分割方式可以有效避免裂縫出現(xiàn)在切分圖像的邊緣。然后構(gòu)建專用數(shù)據(jù)集，涵蓋不同路段、不同光照和不同的隧道類型，不同背景因素正負樣本比例為2∶1。對這些圖像進行SLIC超像素分割，最終每張圖像獲得尺寸相近的100張左右分割圖片，這些構(gòu)成了數(shù)據(jù)集的原始圖片。

本文選擇了速度性能均衡的ResNet-18網(wǎng)絡(luò)，快速、準(zhǔn)確地對隧道圖片進行裂縫的識別，如圖6所示。

圖6 分類網(wǎng)絡(luò)框圖

完整的分類網(wǎng)絡(luò)包括輸入、圖片處理、計算推理和輸出。在訓(xùn)練階段輸入包括圖像和對應(yīng)的標(biāo)簽，而在測試階段輸入只有圖像，分類網(wǎng)絡(luò)最終判別該圖像是否含有裂縫。

3.2 衡量指標(biāo)

本文采用查準(zhǔn)率和查全率作為裂縫識別指標(biāo)。對于二分類問題，按真實情況和預(yù)測結(jié)果劃分為真正例(TP)、假正例(FP)、假反例(FN)和真反例(TN)4種情形。

查準(zhǔn)率P和查全率R的計算公式分別為

(1)

(2)

考慮到隧道裂縫檢測的特點，更關(guān)注查全率，即所有的裂縫都要找到，之后再輔以人工進行篩查，為隧道結(jié)構(gòu)安全評估和工務(wù)部門治理病害提供依據(jù)。

4 工程試驗

本檢測系統(tǒng)在GCY300Ⅱ型軌道車安裝試驗。安裝的硬件設(shè)備包括車頂相機安裝箱、中部相機安裝箱、凈空檢測傳感器、編碼器、檢測機柜、操作臺等裝置。部分設(shè)備如圖7和圖8所示。

圖7 車頂相機安裝箱

圖8 中部相機安裝箱

在某隧道上行線進行檢測，軌道車以50 km/h速度行駛，實時采集存儲高清圖像，采集完畢后將數(shù)據(jù)在裂縫識別與管理系統(tǒng)恢復(fù)，采用裂縫識別與管理程序解析數(shù)據(jù)并進行預(yù)處理，同時驗證裂縫識別算法的有效性。

使用caffe深度學(xué)習(xí)框架來進行模型訓(xùn)練與測試，設(shè)置基礎(chǔ)學(xué)習(xí)率為0.001，并且采用分段式下降策略。單張圖片裁剪出多個子圖片，分類網(wǎng)絡(luò)對這些子圖片進行判別。

將2 000張實測樣本圖片(像素 4 096×4 096)輸入分類網(wǎng)絡(luò)進行驗證，結(jié)果見表1?？梢姡夯谒罱ǖ奶幚砥脚_和檢測軟件，系統(tǒng)的查準(zhǔn)率和查全率分別達到了72.74%和80.66%，檢測速度為每秒14張，效果明顯優(yōu)于傳統(tǒng)方法。

表1 實測結(jié)果

5 結(jié)論

1)提出了隧道襯砌裂縫檢測系統(tǒng)。采用基于線陣相機加激光照明的集成模塊進行高清圖像采集，同時設(shè)計高效的存儲系統(tǒng)解決大量數(shù)據(jù)的傳輸和實時存儲問題，通過多臺計算機協(xié)同工作實現(xiàn)高速鐵路大斷面尺寸隧道襯砌的高清晰度圖像采集。

2)將深度學(xué)習(xí)開創(chuàng)性地應(yīng)用到鐵路隧道襯砌裂縫識別領(lǐng)域。深度卷積神經(jīng)網(wǎng)絡(luò)能夠更好地提取圖像更深層次的特征，能做到在識別裂縫時不受或者少受其他因素干擾。識別算法可實現(xiàn)對裂縫參數(shù)的自動識別，同時滿足識別精度和效率雙重要求。查準(zhǔn)率超過70%。

3)研制的樣機系統(tǒng)可實現(xiàn)在50 km/h速度范圍內(nèi)，對1 mm以上襯砌裂縫無遺漏采集。

[1]王平讓.隧道襯砌裂縫機器視覺檢測方法及結(jié)構(gòu)安全評估研究[D].上海：同濟大學(xué)，2013.

[2]王華夏.高速鐵路隧道襯砌裂縫圖像快速采集系統(tǒng)研究[D].成都：西南交通大學(xué)，2013.

[3]SINHA S K,FIEGUTH P W.Automated Detection of Cracks in Buried Concrete Pipe Images[J].Automation in Construction,2006(15)：58-72.

[4]黃宏偉，孫龑，薛亞東.基于機器視覺的隧道襯砌表面病害檢測技術(shù)研究進展[J].現(xiàn)代隧道技術(shù)，2014,51(增1)：19-30.

[5]王平讓，黃宏偉.隧道襯砌裂縫機器視覺檢測技術(shù)研究[J].現(xiàn)代隧道技術(shù)，2010,51(增)：627-630.

[6]劉曉瑞，謝雄耀.基于圖像處理的隧道表面裂縫快速檢測技術(shù)研究[J].地下空間與工程學(xué)報，2009,5(增2)：1624-1628.

[7]劉學(xué)增，葉康.隧道襯砌裂縫的遠距離圖像測量技術(shù)[J].同濟大學(xué)學(xué)報(自然科學(xué)版)，2012,40(6)：829-836.

[8]亓大鵬.地鐵隧道圖像數(shù)據(jù)分析系統(tǒng)[D].北京：北京交通大學(xué)，2016.

[9]BENGIO Y,COURVILLE A,VINCENT P.Representation Learning:A Review and New Perspectives [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(8):1798-1828.

[10]盧宏濤,張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理,2016,31(1):1-17.

[11]HINTON G E,SALAKHUTDINOV R R.Reducing the Dimensionality of Data with Neural Networks[J].Science,2006,313:504-507.