(上海大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，上海 200444)

0 引言

城市地鐵隧道在施工和運(yùn)營(yíng)過(guò)程中，由于復(fù)雜的地質(zhì)條件、氣候變化和施工工藝設(shè)計(jì)維護(hù)等問(wèn)題，使隧道在長(zhǎng)期使用中會(huì)出現(xiàn)裂縫、滲漏水、起殼和錯(cuò)臺(tái)等病害。如果不能及時(shí)發(fā)現(xiàn)和維修，常會(huì)導(dǎo)致隧道襯砌病害的發(fā)生。傳統(tǒng)的隧道結(jié)構(gòu)病害檢查，主要采用人工巡檢目測(cè)、手工記錄和拍攝照片等方式進(jìn)行數(shù)據(jù)采集，但使用這種數(shù)據(jù)采集方式，受主觀因素的影響，不可避免地會(huì)發(fā)生誤判、遺漏等錯(cuò)誤，且費(fèi)時(shí)、費(fèi)力，危險(xiǎn)程度高、效率低下。近年來(lái)，以計(jì)算機(jī)視覺(jué)技術(shù)為依托的圖像處理檢測(cè)方法在該領(lǐng)域進(jìn)行了相關(guān)研究[1-5]。這種檢測(cè)雖然在一定程度上帶來(lái)了大量的隧道結(jié)構(gòu)表面基礎(chǔ)圖像數(shù)據(jù)，但由于隧道盾構(gòu)拼裝的多縫及管道、管線、油漆數(shù)字等的遮擋干擾，使得圖像數(shù)據(jù)異常復(fù)雜，從而導(dǎo)致檢測(cè)難度不斷加大。而且病害的出現(xiàn)不僅會(huì)降低混凝土的強(qiáng)度，對(duì)隧道襯砌造成損傷，影響結(jié)構(gòu)安全，而且極有會(huì)可能降低隧道的服役壽命，對(duì)城市軌道交通的運(yùn)營(yíng)造成巨大的安全隱患。因此，在城市地鐵大規(guī)模建設(shè)的情況下，對(duì)隧道病害的檢測(cè)、評(píng)估和處理顯得至關(guān)重要。在此種情況下，快速、準(zhǔn)確、高效的自動(dòng)檢測(cè)方法對(duì)于解決上述問(wèn)題具有重要意義。

1 相關(guān)研究?jī)?nèi)容

1.1 傳統(tǒng)隧道滲漏水檢測(cè)方法

傳統(tǒng)目標(biāo)分割算法已經(jīng)發(fā)展很成熟，大致可分為基于輪廓的方法，包括邊緣檢測(cè)，輪廓搜索、分水嶺算法(Watershed Algorithm,WA)[6]；基于區(qū)域的方法，包括全局閾值、局部閾值、動(dòng)態(tài)閾值、多分辨率閾值、過(guò)度區(qū)閾值等。此外，還有大律法[7]、區(qū)域生長(zhǎng)法[8]、分水嶺法等，但是不足之處在于，傳統(tǒng)目標(biāo)分割算法對(duì)于遮擋光照、陰影等干擾的影響較大。E Protopapadaki[9]先從原圖中提取灰度、邊緣、頻率、熵、紋理、HOG等17個(gè)低級(jí)特征，再將這些低級(jí)特征輸入卷積神經(jīng)網(wǎng)絡(luò)獲得高級(jí)特征，最后將高級(jí)特征輸入多層感知機(jī)實(shí)現(xiàn)隧道病害的識(shí)別系統(tǒng)中，其得出的結(jié)果要很大程度上優(yōu)于使用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、K近鄰算法和決策樹(shù)等方法得出的結(jié)果，這些方法在面對(duì)復(fù)雜的干擾識(shí)別率時(shí)更容易受到較大影響。Zhang等[10]通過(guò)深度卷積網(wǎng)絡(luò)、支持向量機(jī)、集成學(xué)習(xí)三種方法對(duì)路面裂縫的圖像分類(lèi)進(jìn)行了對(duì)比研究。Zhao等[11]針對(duì)難以識(shí)別的微小裂縫，提出了從任意分配的像素點(diǎn)篩選出裂紋簇的聚類(lèi)方法,在此方法的基礎(chǔ)上，建立了全局凸分割模型．但由于采用了傳統(tǒng)圖像處理核心工作之一的手工設(shè)計(jì)特征的方法，因而效率低，周期長(zhǎng)，且又因?yàn)闄z測(cè)方法的魯棒性差，導(dǎo)致在關(guān)于結(jié)構(gòu)病害相關(guān)檢測(cè)中的準(zhǔn)確率不能令人滿意。

1.2 深度學(xué)習(xí)FCN檢測(cè)方法

Marvin Teichmann[12]對(duì)隧道病害目標(biāo)進(jìn)行了幾何分析，使用的是目標(biāo)分割算法利用Deep Learning[13]算法進(jìn)行目標(biāo)分割具有較好的魯棒性。FCN[14]對(duì)圖像進(jìn)行像素級(jí)的分類(lèi)，從而解決了語(yǔ)義級(jí)別的圖像分割問(wèn)題，2017 年加拿大Cha[15]等采用深度卷積網(wǎng)絡(luò)對(duì)混凝土裂縫的識(shí)別進(jìn)行了研究，結(jié)合滑動(dòng)窗口方法可以檢測(cè)任意大小的圖像，并與 Canny、 Sobel 兩種邊緣檢測(cè)算子進(jìn)行比較，從而驗(yàn)證了深度學(xué)習(xí)在混凝土裂縫識(shí)別上的優(yōu)勢(shì)。2017年中國(guó)黃宏偉等[16]利用FCN深度學(xué)習(xí)算法進(jìn)行盾構(gòu)隧道滲漏水病害圖像識(shí)別精確度方面的確有所提高，但沒(méi)有考慮到隧道柱面形狀對(duì)實(shí)驗(yàn)結(jié)果的影響。

綜上所述，傳統(tǒng)的檢測(cè)隧道滲漏水面積，不能很好地避免燈光、拼縫、螺栓孔、遮擋物(管線、管道)、抗鋼鐵支架晃動(dòng)、抗拖影干擾等對(duì)面積檢測(cè)計(jì)算的影響，忽視了隧道拱形柱面幾何形狀帶來(lái)的誤差，因此通過(guò)采用基于FCN與視場(chǎng)柱面投影算法，經(jīng)過(guò)視場(chǎng)轉(zhuǎn)換與柱面投影修正，從而獲得更為精確的隧道滲漏水病害的面積。在大連隧道中對(duì)OSTU、迭代法、分水嶺法三種傳統(tǒng)檢測(cè)隧道滲漏水病害進(jìn)行對(duì)比，驗(yàn)證了該算法在隧道滲漏水病害檢測(cè)的優(yōu)越性。

2 FCN結(jié)合視場(chǎng)柱面投影模型的方法

如圖1所示， FCN結(jié)合視場(chǎng)柱面投影模型方法的整體框架，下面將基于該框架對(duì)本方法的詳細(xì)介紹。

圖1 FCN結(jié)合視場(chǎng)投影方法框架

2.1 隧道滲漏水病害無(wú)人巡檢系統(tǒng)

如圖2所示，隧道滲漏水病害檢測(cè)系統(tǒng)由云臺(tái),Gopro相機(jī)陣列，磁條導(dǎo)航，避障模塊，RFID 路標(biāo)，裝置底盤(pán)等模塊組成，在自動(dòng)巡檢車(chē)在隧道行進(jìn)途中進(jìn)行圖像和激光采集時(shí)，先依據(jù)視場(chǎng)長(zhǎng)度進(jìn)行幀率提取，接著對(duì)采集視頻圖像進(jìn)行畸變矯正，最后把處理后的圖像輸入如圖3的基于FCN與視場(chǎng)柱面投影的算法中。

圖2 隧道滲漏水病害無(wú)人巡檢車(chē)

2.2 基于FCN與視場(chǎng)柱面投影算法

基于FCN與視場(chǎng)柱面投影算法結(jié)構(gòu)如圖3所示。

圖3 基于FCN與視場(chǎng)柱面投影的算法結(jié)構(gòu)圖

其步驟如下：

2.2.1 數(shù)據(jù)預(yù)處理

圖4(a)是實(shí)驗(yàn)所用的數(shù)據(jù)集，總計(jì)1000張樣本(b)是病害區(qū)域及病害區(qū)域標(biāo)簽制作效果圖，首先對(duì)訓(xùn)練圖片進(jìn)行數(shù)據(jù)增強(qiáng)，為病害檢測(cè)項(xiàng)目擴(kuò)充圖像，比如模糊，拼縫，油漆數(shù)字，遮擋(管道、管線)，拖影，光線等針對(duì)這些識(shí)別的圖片，生成相應(yīng)的標(biāo)簽。

圖4 隧道數(shù)據(jù)集與滲漏水區(qū)域圖像標(biāo)簽

2.2.2 FCN滲漏水病害模型訓(xùn)練與檢測(cè)

通過(guò)對(duì)原圖的多次卷積、池化運(yùn)算獲得圖像抽象的高維特征信息，將抽象的特征圖還原到原圖像尺寸，這樣得到每個(gè)像素的預(yù)測(cè)。然后通過(guò)總體誤差函數(shù)度量網(wǎng)絡(luò)輸出的預(yù)測(cè)圖與對(duì)應(yīng)標(biāo)簽圖之間的誤差的對(duì)比，完成一次迭代中的正向推理運(yùn)算。隨后采用隨機(jī)梯度下降方法對(duì)總體誤差函數(shù)進(jìn)行最小化，并通過(guò)反向傳播算法將誤差的梯度進(jìn)行反向傳遞，實(shí)現(xiàn)權(quán)值的更新，完成迭代中的反向?qū)W習(xí)運(yùn)算。

2.2.3 滲漏水面積視場(chǎng)轉(zhuǎn)換：

相機(jī)的視場(chǎng)圖如圖3視場(chǎng)轉(zhuǎn)換部分，其可以將隧道檢測(cè)到病害后的圖片尺寸轉(zhuǎn)化為實(shí)際尺寸，其計(jì)算公式如式所示:

(1)

(2)

其中:h是到物體表面的距離，N是圖像中目標(biāo)物體區(qū)域內(nèi)像素個(gè)數(shù)測(cè)量值，目標(biāo)物體區(qū)域內(nèi)像素個(gè)數(shù)測(cè)量值P，S是物體實(shí)際面積大小，S[i]是相機(jī)整個(gè)視場(chǎng)范圍內(nèi)像素的個(gè)數(shù)；α和β分別是相機(jī)的水平視場(chǎng)和垂直視場(chǎng)，可以通過(guò)幾何關(guān)系求出。由式所示在α、β、Q、P已知的情況下即可以求出目標(biāo)物體區(qū)域的面積S，過(guò)程如圖3的視場(chǎng)轉(zhuǎn)換虛線部分。

2.2.4 隧道柱面投影

隧道無(wú)人病害巡檢車(chē)所采用的Gopro相機(jī)陣列與所測(cè)目標(biāo)的距離是通過(guò)激光測(cè)距的，而距離可以進(jìn)行實(shí)時(shí)采集，采用的柱面投影模型可以將檢測(cè)到病害的圖片由平面還原為柱面，能更精確的計(jì)算滲漏水病害的面積。如圖5柱面投影數(shù)學(xué)模型照相機(jī)的運(yùn)動(dòng)都發(fā)生在X-Z平面，在柱面空間K上的柱面投影圖像J′。設(shè)柱面半徑為r，投影角為θ，得到柱面圖像的寬度為2rsin(θ/2)，高度仍為H。圖像的像素坐標(biāo)均以圖像平面中的最左上角像素為坐標(biāo)原點(diǎn)。對(duì)圖像J上的任意一點(diǎn)P(x，y)，在柱面圖像J′上的對(duì)應(yīng)點(diǎn)為P′(x′，y′)，對(duì)點(diǎn)P沿x-z平面和y-z的橫截面分別如圖5中的圖(b)和圖(c)所示，可得柱面投影變換公式：

圖5 柱面投影數(shù)學(xué)模型

(3)

(4)

(5)

(6)

式中，x,y為原圖的坐標(biāo)，x′,y′為變換后圖像的坐標(biāo)，W,H為原圖的寬和高，f=W/(2*tan(θ/2))，這里θ為相機(jī)水平視角。

3 工程實(shí)例分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及配置

上海市大連路隧道，它是我國(guó)第一條江底隧道，采用盾構(gòu)法施工的雙向四車(chē)道隧道，全長(zhǎng)2526.88 m，下面對(duì)上海市大連路隧道部分隧道作為工程實(shí)例進(jìn)行分析。

本次實(shí)驗(yàn)采用的硬件平臺(tái)是Dell深度學(xué)習(xí)工作站，操作系統(tǒng)為 Ubuntu16.04平臺(tái)，編程環(huán)境基于Python，內(nèi)存為24 GB，GPU為 NVIDIA GeForce 1070，在基于深度學(xué)習(xí)框架CAFFE下進(jìn)行實(shí)驗(yàn)。樣本數(shù)據(jù)集D劃分為兩個(gè)互斥的集合，其中一個(gè)集合作為訓(xùn)練集S，留下的集合作為測(cè)試集T，即D=S∪T,S∩T=φ。在S上訓(xùn)練出模型后，用T來(lái)評(píng)估其測(cè)試誤差，作為對(duì)泛化誤差的估計(jì)。保留類(lèi)別比例的采樣方式采用分層采樣。D中含有500個(gè)正例，500個(gè)反例，當(dāng)采用分層采樣獲取70%的樣本的訓(xùn)練集S和20%的贗本的測(cè)試集T時(shí)，則S包含有315個(gè)正例和315個(gè)反例，T有92個(gè)正例和92個(gè)反例。

3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)病害錯(cuò)檢率是指錯(cuò)檢的像素?cái)?shù)與圖像總像素?cái)?shù)的比值，其計(jì)算公式如式(7)所示：

(7)

式中,Pi為算法i的錯(cuò)檢率，i分別取FCN方法、分水嶺方法，OTSU方法，迭代方法， FCN結(jié)合柱面方法五種情況，Ni為算法i錯(cuò)檢的像素?cái)?shù)，Ntotai為圖像中總的像素?cái)?shù)。

評(píng)價(jià)指標(biāo)平均誤檢率公式為：

(8)

3.3 實(shí)驗(yàn)結(jié)果及其分析

如圖6以及表1實(shí)驗(yàn)結(jié)果所示。

對(duì)于第一類(lèi)干擾——攝像模糊，由于地鐵隧道地面不平整等因素的影響，自動(dòng)巡檢車(chē)在采集圖像時(shí)，攝像頭會(huì)失焦，從而導(dǎo)致采集的視頻變模糊。相比其他三種傳統(tǒng)的檢測(cè)方法則會(huì)受到攝像模糊的嚴(yán)重干擾，深度學(xué)習(xí)FCN結(jié)合柱面投影方法則能有效克服攝像頭模糊對(duì)滲漏水識(shí)別的影響，從而提高檢測(cè)的準(zhǔn)確性。

圖6 不同算法在不同干擾下檢測(cè)滲漏水結(jié)果圖

方法1模糊2拼縫3曝光4拖影5陰影6遮擋平均錯(cuò)檢率分水嶺方法0.46430.48490.32380.54230.24440.17060.3717OTSU方法0.40070.36440.14320.48870.18550.12970.2854迭代方法0.41400.37020.19200.54670.18810.13030.3069FCN方法0.04380.08340.09780.02590.02800.02180.0501FCN結(jié)合柱面投影算法0.03110.05060.02910.03280.02080.00750.0189

對(duì)于第二類(lèi)干擾—拼縫，紅色油漆數(shù)字的干擾區(qū)域；由于修補(bǔ)過(guò)的拼縫與滲漏水色調(diào)會(huì)產(chǎn)生差異，很容易混淆遺漏， WA法受干擾影響最大，F(xiàn)CN與視場(chǎng)柱面投影算法受兩種因素的影響較小，但對(duì)總體平均誤檢率相差較高。

對(duì)于第三類(lèi)干擾——燈光照射。拍攝視頻顯示隧道中每隔一段距離會(huì)有燈光，而其余三種傳統(tǒng)檢測(cè)方法都誤將數(shù)字的面積錯(cuò)誤識(shí)別為滲漏水，尤其是OTSU法受干擾影響最大。而FCN與視場(chǎng)柱面投影算法相對(duì)傳統(tǒng)方法則受燈光影響較小，但即使如此相對(duì)1、3、5、6類(lèi)干擾約0.02誤檢率干擾而言，其0.097的誤檢率仍是最高的。而本論文采用的本盾構(gòu)隧道檢測(cè)系統(tǒng)的自動(dòng)巡檢車(chē)特針對(duì)此關(guān)鍵干擾自帶了輔助光源，從而能有效解決光線對(duì)實(shí)際檢測(cè)的影響，有效降低誤檢率。

對(duì)于第四類(lèi)干擾——拖影。自動(dòng)巡檢車(chē)在行駛過(guò)程中，如果地面不平或有石子，會(huì)使鏡頭產(chǎn)生劇烈晃動(dòng)，繼而產(chǎn)生拖影現(xiàn)象。此外，遮擋也是隧道中常見(jiàn)的干擾，比如管道遮擋，傳統(tǒng)的病害檢測(cè)法會(huì)因?yàn)楣艿赖恼趽?，誤將管道識(shí)別為滲漏水，而且光線暗的地方也極容易被錯(cuò)誤識(shí)別，從而造成檢測(cè)結(jié)果誤差極大，即使是IA、WA法受拖影和遮擋的影響也同樣大，而FCN與視場(chǎng)柱面投影算法沒(méi)有受到光線漸變與拖影遮擋的影響。

對(duì)于第五類(lèi)干擾——陰影。陰影是指燈光過(guò)暗或沒(méi)有燈光或燈光被遮擋后產(chǎn)生的區(qū)域，圖片數(shù)據(jù)采集時(shí)使用的自動(dòng)巡檢車(chē)由于自帶光源，會(huì)極大降低陰影產(chǎn)生的影響。而IA、WA、OTSU三種傳統(tǒng)的病害檢測(cè)方法，雖然相對(duì)于其他組而言，陰影對(duì)這三組檢測(cè)結(jié)果的干擾有了明顯降低，但相對(duì)FCN與視場(chǎng)柱面投影算法抗陰影的能力而言，差距顯而易見(jiàn)。

對(duì)于第六類(lèi)干擾——遮擋(管道、管線)。傳統(tǒng)的分水嶺法雖然能有效克制管線造成的干擾，但卻不能將管道從拍攝的圖片或視頻中剔除，但即便如此，相較于傳統(tǒng)的OTSU和迭代法將管道和管線均錯(cuò)誤識(shí)別為滲漏水而言，分水嶺法優(yōu)勢(shì)仍舊明顯。

圖7是傳統(tǒng)算法與FCN算法誤檢率對(duì)比情況，OTSU誤檢率平均為0.259，WA誤檢率平均為0.301，IA誤檢率平均為0.265，F(xiàn)CN算法誤檢率平均為0.05,得出FCN算法可有效避免攝像模糊，拼縫，油漆數(shù)字，遮擋(管道+管線)，拖影，光線等干擾，特別是在克服臺(tái)架、管線、管道等遮擋和巡檢車(chē)行駛過(guò)程中晃動(dòng)造成的拖影、未聚焦的模糊等干擾方面具有優(yōu)越的魯棒性。

圖7 傳統(tǒng)算法與FCN算法誤檢率對(duì)比圖

如圖8通過(guò)比較可以看出，F(xiàn)CN算法平均誤檢率約為0.05，F(xiàn)CN算法結(jié)合視場(chǎng)轉(zhuǎn)換柱面投影平均誤檢率約為0.189，因此該算法比FCN算法誤檢率降低0.311，提升效果顯著。因此FCN算法結(jié)合視場(chǎng)轉(zhuǎn)換柱面投影模型在檢測(cè)隧道滲漏水面積上更為精確。

圖8 FCN與FCN視場(chǎng)柱面投影算法誤檢率

對(duì)比圖如圖9，針對(duì)測(cè)試集92張圖片滲漏水面積誤檢率圖，其中Optimization是FCN算法，Our Proposal是FCN結(jié)合柱面投影算法，由圖可知對(duì)數(shù)據(jù)集更大的樣本檢測(cè)，F(xiàn)CN視場(chǎng)柱面投影算法仍保持更低的誤檢率。

圖9 92張測(cè)試集誤檢率圖

4 結(jié)束語(yǔ)

在對(duì)隧道滲漏水面積檢測(cè)計(jì)算方面，相對(duì)傳統(tǒng)檢測(cè)計(jì)算方法，如OSTU法、分水嶺法和自適應(yīng)閾值法相比，F(xiàn)CN結(jié)合柱面投影算法能有效降低燈光、拼縫、螺栓孔、遮擋物(管線、管道)、抗鋼鐵支架晃動(dòng)、拖影等干擾。與此同時(shí)，以往的論文則沒(méi)能考慮隧道的柱面形狀對(duì)實(shí)際滲漏水病害面積計(jì)算誤差的影響，而FCN結(jié)合柱面投影算法算法考慮了隧道幾何柱面形狀對(duì)滲漏水病害面積計(jì)算的影響，通過(guò)柱面投影模型將平面投影到柱面，在原有的FCN算法基礎(chǔ)上取得了更精確的結(jié)果，平均誤檢率降為0.0189。

今后的工作將集中在以下3個(gè)方面：1)引進(jìn)MaskRCNN、FasterRCNN、Yolo等對(duì)離線檢測(cè)速率進(jìn)行算法融合加速，減輕運(yùn)算壓力以及進(jìn)一步排除復(fù)雜環(huán)境干擾；2)進(jìn)行分布式集群環(huán)境搭建，對(duì)采集的大量數(shù)據(jù)進(jìn)行深度提取、建模、分析，挖掘病害之間的聯(lián)系，以防微杜漸，發(fā)現(xiàn)新病害，建立并更新病害數(shù)據(jù)庫(kù)以供遷移學(xué)習(xí)，優(yōu)化模型，提高準(zhǔn)確率；3)增加數(shù)據(jù)集，擴(kuò)大應(yīng)用場(chǎng)景，增加可識(shí)別病害種類(lèi)，比如裂縫、起殼、樹(shù)脂修補(bǔ)區(qū)域等等。