張應(yīng)遷 姜勇 馮源 吳佳曄，4

（1.四川輕化工大學(xué)土木工程學(xué)院，四川自貢 643000；2.四川升拓檢測技術(shù)股份有限公司，成都 610045；3.中國國家鐵路集團(tuán)有限公司工程質(zhì)量監(jiān)督管理局，北京 100844；4.西南石油大學(xué)機(jī)電工程學(xué)院，成都 610500）

鐵路隧道襯砌的缺陷和劣化嚴(yán)重影響行車。目前，鐵路隧道襯砌檢測主要采用地質(zhì)雷達(dá)法。沖擊回波聲頻（Impact Acoustic Echo，IAE）法綜合彈性波沖擊回波法和敲擊法的優(yōu)點(diǎn)，是一種基于音頻的非接觸移動式工程無損檢測方法。IAE法在檢測靈敏度、可靠度、辨識度等方面較地質(zhì)雷達(dá)法明顯提升[1]，但所得圖片仍須人工判識，不僅效率不高，而且依賴于分析人員專業(yè)素質(zhì)，進(jìn)而降低了判識結(jié)果的客觀性。因此，須將人工智能、機(jī)器學(xué)習(xí)引入鐵路隧道襯砌分析，以提高解析效率和結(jié)果的客觀性，降低分析人員的工作量，最終實現(xiàn)全自動遠(yuǎn)程分析。

為了減少機(jī)器學(xué)習(xí)的訓(xùn)練成本，引入了遷移學(xué)習(xí)。本文將IAE法和遷移學(xué)習(xí)結(jié)合起來進(jìn)行隧道襯砌無損檢測和識別，并通過實例驗證其可行性。

1 IAE法檢測原理

IAE法在結(jié)構(gòu)的測試部分激發(fā)空氣振動從而產(chǎn)生聲音，通過寬頻域和高指向拾取裝置拾取聲音信號，通過差分處理計算空氣柱加速度。由于空氣柱加速度與被測結(jié)構(gòu)表面的加速度密切相關(guān)[2]，通過對加速度信號的分析，可以快速準(zhǔn)確地了解被測結(jié)構(gòu)內(nèi)部情況，避免接觸試驗帶來的誤差，提高了測試精度和效率。采用四川升拓檢測技術(shù)股份有限公司研制的STL‐IAES‐B型沖擊回波聲頻檢測儀（圖1）。

圖1 沖擊回波聲頻檢測儀

隧道襯砌常見質(zhì)量缺陷分為欠厚（qh）、超厚或強(qiáng)度不足（ch）、不密實（bms）、脫空（tk）4大類。脫空又分為表（淺）層脫空和深層脫空。襯砌常見質(zhì)量缺陷IAE解析圖見圖2。欠厚時錨固板底部彈性波反射信號前移，但變化較緩慢、連續(xù)。超厚或強(qiáng)度不足時板底部反射信號后移，但變化較緩慢、連續(xù)。不密實時局部錨固板底部反射信號延遲、雜亂不連續(xù)。表（淺）層脫空時錨固板頂部位置有極弱反射信號，底部反射信號延遲嚴(yán)重。深層脫空時錨固板底部反射信號前移，但變化較為劇烈。目前，需要有經(jīng)驗的工程師人工對缺陷的有無、類型和位置進(jìn)行判識。

圖2 襯砌常見質(zhì)量缺陷IAE解析圖

2 遷移學(xué)習(xí)

為了提高IAE法的分析效率和客觀性，采用人工智能中的遷移學(xué)習(xí)來解決IAE解析圖中缺陷的類型及位置問題。

傳統(tǒng)深度學(xué)習(xí)要想獲得理想的學(xué)習(xí)效果，一般需要成千上萬的訓(xùn)練樣本，但可靠的、具有典型意義的樣本比較難以獲取。同時，數(shù)據(jù)標(biāo)注費(fèi)時費(fèi)力，這給深度學(xué)習(xí)的模型訓(xùn)練和更新帶來了挑戰(zhàn)。遷移學(xué)習(xí)能很好地解決這一問題。遷移學(xué)習(xí)可借用已經(jīng)訓(xùn)練好的深度學(xué)習(xí)模型（如神經(jīng)網(wǎng)絡(luò)模型），利用新標(biāo)記數(shù)據(jù)對最后的分類層進(jìn)行模型訓(xùn)練，進(jìn)而得到新模型，亦即實現(xiàn)了模型的遷移[3]，故名遷移學(xué)習(xí)。

本文采用基于Tiny‐YOLO v2模型的遷移學(xué)習(xí)，先刪除源模型的分類器，添加新分類器，然后在自定義數(shù)據(jù)集上微調(diào)新分類器。

3 結(jié)合IAE法和遷移學(xué)習(xí)進(jìn)行鐵路隧道襯砌缺陷識別

結(jié)合贛深高速鐵路8標(biāo)段數(shù)據(jù)，采用IAE法和遷移學(xué)習(xí)對鐵路隧道襯砌缺陷進(jìn)行識別。主要流程如下：

1）源模型的選取

考慮到需要識別圖片信息，故采用卷積神經(jīng)網(wǎng)絡(luò)[4-6]。YOLO（You Only Look Once）目標(biāo)檢測方法就是其典型代表。YOLO是一種實時目標(biāo)檢測方法，不僅檢測快速而且準(zhǔn)確率較高[7]。其將目標(biāo)區(qū)域預(yù)測和類別預(yù)測整合于單個神經(jīng)網(wǎng)絡(luò)模型中，非常適合于IAE法檢測結(jié)果的分析。

為了進(jìn)一步提高訓(xùn)練速度，使用Tiny‐YOLO v2模型進(jìn)行自定義數(shù)據(jù)集的遷移。與Tiny‐YOLO v3相比，該模型精度略有降低但訓(xùn)練速度大大提高。

2）自定義數(shù)據(jù)集及標(biāo)注

將前期整理的240張贛深高速鐵路8標(biāo)段隧道襯砌IAE缺陷圖片作為訓(xùn)練樣本和測試樣本，進(jìn)行模型訓(xùn)練和十折交叉驗證。

將數(shù)據(jù)集分成10份，輪流將其中9份作為訓(xùn)練數(shù)據(jù)，1份作為測試數(shù)據(jù)，進(jìn)行試驗，最后再求其平均值，作為對其算法準(zhǔn)確性的估計[8]。采用精靈標(biāo)注助手完成隧道襯砌缺陷的識別，最后輸出和圖片對應(yīng)的xml文件。其中xml文件內(nèi)容包含缺陷的類型以及對應(yīng)位置。

3）預(yù)定義參數(shù)

預(yù)定義參數(shù)：①Tiny‐YOLO v2模型的尺寸w（寬度）×h（高度）=416像素×416像素；②模型為彩色，因此圖像的通道數(shù)設(shè)置為3；③Tiny‐YOLO v2模型將圖像寬度和高度各分割為13等份；④結(jié)構(gòu)缺陷種類設(shè)置為4；⑤訓(xùn)練迭代次數(shù)為600。

4）訓(xùn)練算法

訓(xùn)練算法采用非極大值抑制法（Non‐Maximum Suppression，NMS）。該算法可避免出現(xiàn)同一區(qū)域被多次重復(fù)識別的問題。模型訓(xùn)練中未采用與采用NMS算法鐵路隧道襯砌缺陷識別效果對比見圖3。其中，conf為置信度。可以看出，未采用NMS算法時標(biāo)識框出現(xiàn)較多重疊。

圖3 未采用與采用NMS算法鐵路隧道襯砌缺陷識別效果對比

5）模型精度分析

根據(jù)十折交叉驗證的結(jié)果，遷移學(xué)習(xí)所得的訓(xùn)練模型缺陷識別準(zhǔn)確率總體超過了95%。但是因受樣本分布不均、迭代次數(shù)等影響仍然存在一定誤差。

①樣本分布不均

由于超厚或強(qiáng)度不足樣本超過樣本總數(shù)的1/4，導(dǎo)致樣本不均衡，使得判斷結(jié)果更偏向于該類缺陷。最終訓(xùn)練結(jié)果也證實了這一點(diǎn)。

迭代次數(shù)與各類缺陷準(zhǔn)確率見表1?？梢钥闯觯寒?dāng)?shù)螖?shù)從600增至1 000時由于超厚或強(qiáng)度不足缺陷訓(xùn)練樣本較多，該缺陷的準(zhǔn)確率高達(dá)100%，而其他3類缺陷由于訓(xùn)練樣本不足，準(zhǔn)確率僅從最低的94%增至98%。絕大多數(shù)的誤判都是其他類型缺陷，特別是深層脫空被誤判成超厚或強(qiáng)度不足。

表1 迭代次數(shù)與各類缺陷準(zhǔn)確率

②迭代次數(shù)

欠厚缺陷準(zhǔn)確率、漏判率、置信度隨迭代次數(shù)變化曲線見圖4?？梢钥闯觯涸黾幽Ｐ陀?xùn)練的迭代次數(shù)對提高漏判率有明顯效果。當(dāng)?shù)螖?shù)從600增至1 000時準(zhǔn)確率從95%增加到99%，漏判率從38%減少到3%，最小置信度從0.75增至0.78，最大置信度保持在0.99。

圖4 欠厚缺陷準(zhǔn)確率、漏判率、置信度隨迭代次數(shù)變化曲線

6）缺陷類型及范圍的自動標(biāo)識

為了在IAE檢測圖形上自動標(biāo)識缺陷類型及范圍，采用Intel公司開發(fā)的開源平臺OpenCV[9]，將不同缺陷以不同的顏色矩形框進(jìn)行標(biāo)注。超厚/強(qiáng)度不足用藍(lán)色標(biāo)識，不密實用綠色標(biāo)識，欠厚用品紅標(biāo)識，脫空用洋紅標(biāo)識，并且將不同缺陷的置信度在圖中標(biāo)識，見圖5。

圖5 典型隧道襯砌IAE缺陷識別圖

4 工程現(xiàn)場驗證

使用沖擊回波聲頻檢測儀對贛深高速鐵路8標(biāo)段一隧道拱頂進(jìn)行了檢測，對所得IAE圖片通過遷移學(xué)習(xí)識別，并對部分位置開孔驗證。DK400+025.5—DK400+037.5區(qū)段檢測結(jié)果及驗證情況見圖6。IAE和遷移學(xué)習(xí)識別結(jié)果為不密實缺陷，置信度為0.98。經(jīng)開孔驗證，該處確實存在不密實缺陷。

圖6 DK400+025.5—DK400+037.5區(qū)段檢測結(jié)果及驗證情況

DK400+037.5—DK400+049.5區(qū)段檢測結(jié)果見圖7?？芍篒AE法和遷移學(xué)習(xí)識別結(jié)果為脫空，置信度為0.89，說明該處為脫空缺陷的概率較高。由于各種原因未進(jìn)行開孔驗證，但通過沖擊回波法、探地雷達(dá)等方法相互佐證，該處確實存在脫空。初步判定缺陷距襯砌拱頂表面44～47 cm。

圖7 DK400+037.5—DK400+049.5區(qū)段檢測結(jié)果

5 結(jié)語

通過將IAE法和遷移學(xué)習(xí)相結(jié)合，采用開源平臺OpenCV，結(jié)合非極大值抑制法，在IAE分析圖像上將不同缺陷以不同的顏色自動標(biāo)注，極大提高了鐵路隧道襯砌質(zhì)量判別能力。

通過2個實例驗證，采用遷移學(xué)習(xí)在訓(xùn)練樣本極為有限的情況下依然可以達(dá)到良好的訓(xùn)練效果，預(yù)測精度可達(dá)98%。識別的缺陷類型、位置均非常準(zhǔn)確，模型的泛化能力也得到檢驗。因此，基于IAE法和遷移學(xué)習(xí)的鐵路隧道襯砌質(zhì)量檢測自動判識技術(shù)不失為一種高效的混凝土無損檢測技術(shù)。

此次樣本的收集整理以及模型的訓(xùn)練均還有較大提升空間。隨著數(shù)據(jù)的不斷積累，模型的預(yù)測精度和泛化能力會不斷提高。