劉新根，陳瑩瑩，王雨萱，劉樹亞

(1.上海同巖土木工程科技股份有限公司， 上海 200092；2.上海地下基礎(chǔ)設(shè)施安全檢測與養(yǎng)護(hù)裝備工程技術(shù)研究中心， 上海 200092；3.深圳市地鐵集團(tuán)有限公司，廣東 深圳 518026)

裂縫是一種最主要的隧道襯砌病害類型[1]，根據(jù)交通運輸部數(shù)據(jù)統(tǒng)計，截至2019年底，全國公路隧道19 067座、18 967 km，鐵路隧道16 084座、18 041 km。為確保隧道安全運營，每條隧道都需定期檢修、維護(hù)，且隨著隧道運營數(shù)量和里程的快速增長，檢測任務(wù)日漸繁重，但人工檢測效率和準(zhǔn)確率低、人員專業(yè)性要求較高。為提高隧道檢測效率，圖像檢測技術(shù)得到廣泛應(yīng)用，其中裂縫的準(zhǔn)確高效識別是該技術(shù)有效實施的關(guān)鍵。

許多學(xué)者針對這一需求，在裂縫自動識別領(lǐng)域進(jìn)行了大量研究。文獻(xiàn)[2]針對地鐵隧道提出連通域分析獲取裂縫區(qū)域；文獻(xiàn)[3]基于模板、Hough變換以及支持向量機(SVM)的近似裂縫結(jié)構(gòu)分析法，通過裂縫特征獲取隧道襯砌裂縫；文獻(xiàn)[4]提出基于裂縫幾何特征、區(qū)域塊狀特征的裂縫自動分類算法，實現(xiàn)裂縫類別的自動區(qū)分。但隧道裂縫識別中存在裂縫特征不明顯、隧道內(nèi)干擾物過多、圖像采集不清晰等問題，傳統(tǒng)算法不能實現(xiàn)較好的識別效果。

目前卷積神經(jīng)網(wǎng)絡(luò)發(fā)展迅速，裂縫自動檢測中也開始逐步應(yīng)用這一技術(shù)。文獻(xiàn)[5] 利用深度學(xué)習(xí)算法對無人機獲取的混凝土橋梁圖像進(jìn)行結(jié)構(gòu)表面裂縫識別；文獻(xiàn)[6]提出一種用于磁光圖像中裂縫檢測的人工神經(jīng)網(wǎng)絡(luò)方法，利用旋轉(zhuǎn)偏振光檢測裂縫引起的磁場，實現(xiàn)裂縫識別；文獻(xiàn)[7]利用卷積神經(jīng)網(wǎng)絡(luò)檢測混凝土裂縫，并將其與傳統(tǒng)的Canny等邊緣檢測方法進(jìn)行對比，有效證明了卷積神經(jīng)網(wǎng)絡(luò)在裂縫識別上的魯棒性與有效性。

為獲取裂縫的準(zhǔn)確位置，需進(jìn)一步提取出裂縫。隨著語義分割網(wǎng)絡(luò)的提出，卷積神經(jīng)網(wǎng)絡(luò)不僅可以實現(xiàn)目標(biāo)分類，同時可以實現(xiàn)像素級的目標(biāo)分割。文獻(xiàn)[8]對全卷積進(jìn)行改進(jìn)并用于路面裂縫識別；文獻(xiàn)[9]在判別器中引入分割分支，將生成式對抗網(wǎng)絡(luò)與語義分割網(wǎng)絡(luò)合二為一；文獻(xiàn)[10]提出基于卷積神經(jīng)網(wǎng)絡(luò)和樸素貝葉斯數(shù)據(jù)融合的方案，分析單個視頻幀的裂縫，提高了系統(tǒng)的整體性能。然而裂縫在圖像中占比很小，若直接采用以上的分割網(wǎng)絡(luò)會造成大量的資源浪費，因此文獻(xiàn)[11]采用超像素分割獲得包含裂縫的塊狀區(qū)域，并對區(qū)域先分類后分割，實現(xiàn)裂縫識別。但超像素分割針對特征較弱的裂縫或背景干擾較多的圖像并不能實現(xiàn)較好的區(qū)域分塊。

針對以上算法中魯棒性較差、網(wǎng)絡(luò)分割效率不高且無法保證裂縫完整性的問題，本文采用三級聯(lián)網(wǎng)絡(luò)實現(xiàn)隧道襯砌裂縫識別。結(jié)合多尺度特征融合[12]，采用共享卷積層結(jié)合金字塔網(wǎng)絡(luò)(FPN)的方式進(jìn)行全圖特征提取，解決裂縫特征較弱、淺層網(wǎng)絡(luò)無法提取的問題。采用網(wǎng)格狀區(qū)域劃分法，通過分類網(wǎng)絡(luò)對不同尺度下的區(qū)域進(jìn)行篩查，并提出自適應(yīng)區(qū)域擴(kuò)張法確保裂縫區(qū)域的完整性。分割網(wǎng)絡(luò)中采用多尺度的特征融合實現(xiàn)裂縫分割，并將分割結(jié)果映射到整張圖像，實現(xiàn)對整張圖像的裂縫自動識別。

1 三級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)

針對隧道襯砌圖像特點，設(shè)計了隧道襯砌裂縫識別算法，具體流程見圖1。

圖1 隧道襯砌裂縫識別算法流程

采用三層級聯(lián)式網(wǎng)絡(luò)結(jié)構(gòu)，見圖2。

圖2 三級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)

第一層的特征提取網(wǎng)絡(luò)，采用五層共享卷積層結(jié)合金字塔網(wǎng)絡(luò)獲得多尺度特征圖。

第二層的區(qū)域分類網(wǎng)絡(luò)，采用多尺度區(qū)域生成思想，從不同尺度特征圖中獲取感興趣區(qū)域。網(wǎng)絡(luò)接收上一層獲取的特征圖，并進(jìn)行分區(qū)域判定，判定為裂縫的區(qū)域保留其邊界框的尺寸、中心點及偏移量，并傳遞到下一層的分割網(wǎng)絡(luò)。

第三層區(qū)域分割網(wǎng)絡(luò)，采用多尺度特征融合思想，以第一層網(wǎng)絡(luò)的多尺度特征圖和第二層網(wǎng)絡(luò)獲得的區(qū)域信息作為輸入，對感興趣區(qū)域進(jìn)行多尺度融合分割。

1.1 特征提取網(wǎng)絡(luò)

本層網(wǎng)絡(luò)的主要任務(wù)是獲取多尺度下的特征圖，將深層特征與淺層特征相結(jié)合。采用多尺度特征建立特征金字塔結(jié)構(gòu)，并將其傳入后續(xù)的分類、分割網(wǎng)絡(luò)，使得網(wǎng)絡(luò)在不同尺度上對目標(biāo)進(jìn)行判定，同時可以實現(xiàn)分類網(wǎng)絡(luò)與分割網(wǎng)絡(luò)的特征圖共享，減少重復(fù)計算。

1.1.1 網(wǎng)絡(luò)結(jié)構(gòu)

特征提取網(wǎng)絡(luò)中，采用金字塔網(wǎng)絡(luò)進(jìn)行不同尺度下的全圖特征提取，替代傳統(tǒng)目標(biāo)檢測中的特征提取方式，采用多個尺度的池化替代原始方法中的單一池化，作用于卷積得到特征圖，對于一幅圖像的所有候選區(qū)域只需要進(jìn)行一次卷積，避免了對不同尺度下各個圖像塊的單獨操作，提高特征提取的效率，同時可以適應(yīng)裂縫多尺度的問題，該層網(wǎng)絡(luò)結(jié)構(gòu)見圖3，其中為了便于表示特征圖拼接過程，假定輸入圖像的尺寸為572×572。

圖3 特征提取網(wǎng)絡(luò)結(jié)構(gòu)

其中C1、C2、C3、C4、C5均包含兩次3×3的卷積操作，F(xiàn)eatureMap2，F(xiàn)eatureMap3，F(xiàn)eatureMap4由上一層的初始特征圖與該層的卷積結(jié)果crop后拼接得到，F(xiàn)eatureMap5為卷積層結(jié)果，F(xiàn)eatureMap6由FeatureMap5直接進(jìn)行池化操作得到。

考慮內(nèi)存及網(wǎng)絡(luò)計算量，不采用尺寸較大的C1層的特征圖，僅利用其他層特征圖建立特征金字塔，將深層特征與淺層特征相結(jié)合，解決裂縫特征較弱深層網(wǎng)絡(luò)無法提取的問題，同時加入特征圖FeatureMap6增強裂縫的平移、旋轉(zhuǎn)和尺度不變性。

1.1.2 特征圖拼接

采用crop操作對特征圖進(jìn)行拼接，從圖像中心點將較大尺寸的初始特征圖直接進(jìn)行裁剪，會導(dǎo)致對應(yīng)點處的特征位置偏移。為了解決這一問題，在每一次圖像卷積前均對輸入圖像進(jìn)行padding操作，為圖像四周補零，確保輸入圖像與輸出圖像尺寸一致，見圖4。

圖4 卷積中的padding操作

以某一層的特征圖獲取過程為例，下一層所得特征圖通過Upsmpling操作，與上一層特征圖進(jìn)行crop拼接，將拼接結(jié)果作為輸出結(jié)果，拼接過程見圖5。

圖5 特征圖拼接示意圖

加入padding操作后，下一層的輸出經(jīng)過同樣步長的上采樣后，可與上一層的輸出直接拼接，解決了特征偏移問題，也減少了裂縫識別網(wǎng)絡(luò)的計算量。為便于網(wǎng)絡(luò)處理，將輸入圖像統(tǒng)一尺寸為512×512，結(jié)合圖3可得每層特征圖尺寸分別為256×256(FeatureMap2)，128×128 (FeatureMap3)，64×64 (FeatureMap4)，32×32 (FeatureMap5)，16×16 (FeatureMap6)。

1.2 區(qū)域分類網(wǎng)絡(luò)

1.2.1 網(wǎng)絡(luò)結(jié)構(gòu)

第二層區(qū)域分類網(wǎng)絡(luò)，將圖像劃分成網(wǎng)格狀小區(qū)域，對每個小區(qū)域進(jìn)行類別判斷，可剔除大量無裂縫的背景區(qū)域，有效減少分割網(wǎng)絡(luò)計算量，操作步驟見圖6。

圖6 區(qū)域分類網(wǎng)絡(luò)操作步驟示意

區(qū)域分類網(wǎng)絡(luò)采用多尺度區(qū)域生成，接收上一層獲取的多尺度特征圖FeatureMapi(i=2,3,4,5)。對待檢測區(qū)域，在不同尺度特征圖中生成多個錨框，并進(jìn)行分類和邊界框回歸，保留判別為裂縫類的錨框及其尺寸h×w、中心點(x,y)、邊界框偏移量，并記錄此時參與分類的特征圖層級i，分類網(wǎng)絡(luò)結(jié)構(gòu)見圖7。

圖7 區(qū)域分類網(wǎng)絡(luò)結(jié)構(gòu)

基于錨框得分及錨框重疊率篩查整張圖像的錨框，并對剩余錨框進(jìn)行自適應(yīng)區(qū)域擴(kuò)張，確保區(qū)域的完整性，同時修改每個錨框?qū)?yīng)的尺寸信息，作為下一級網(wǎng)絡(luò)的輸入。

1.2.2 錨框生成

遍歷各個尺度特征圖，為其上的每個像素點生成對應(yīng)尺寸的錨框。以128×128的特征圖FeatureMap3為例，該特征圖相對原圖步長為8，則每個像素點均可生成8×8面積為64的錨框。在此基礎(chǔ)上，為擴(kuò)大視野范圍且適應(yīng)檢測區(qū)域尺寸，將錨框長、寬均擴(kuò)大2倍，尺寸變?yōu)?6×16，面積變?yōu)?56。由于裂縫具有線性形態(tài)，且方向具有不確定性，因此在保證面積不變的情況下，將長寬變換為8×32、16×16、32×8三種類型，即為FeatureMap3上的每個像素點生成3種不同比例的錨框如圖8所示。

圖8 錨框生成示意

不同尺度特征圖相對原圖的步長分別為4、8、16、32，因此同理設(shè)定每層的錨框尺寸為8×8、16×16、32×32、64×64，并在面積保持不變的情況下，每種按長寬比0.5、1、1.5的比例衍生為3種不同尺寸的錨框。

網(wǎng)絡(luò)訓(xùn)練階段，利用已生成的錨框建立正負(fù)樣本，但其中包含很多重疊面積較大的錨框，為提高網(wǎng)絡(luò)訓(xùn)練效率、減小計算量，采用的錨框刪減準(zhǔn)則為

式中：IOU為交并比。

1.2.3 區(qū)域分類

網(wǎng)絡(luò)訓(xùn)練階段，從保留下的正負(fù)樣本中，各隨機選取部分用于分類分支(cls)與邊界框回歸分支(bbox_reg)訓(xùn)練；在檢測階段則將錨框輸入到已經(jīng)訓(xùn)練好的cls與bbox_reg分支中，進(jìn)行前景與背景的初步分類以及邊界框回歸。在分類分支中，預(yù)先設(shè)定判斷為裂縫的得分閾值為score_th，通過區(qū)域內(nèi)的錨框得分判斷區(qū)域類別，具體操作見圖9。

圖9 區(qū)域分類操作流程

為減少包含在內(nèi)的背景區(qū)域，區(qū)域分類時會對區(qū)域內(nèi)的所有錨框進(jìn)行篩選。由于不同尺度特征圖下錨框尺寸不同，錨框之間可能會出現(xiàn)重疊現(xiàn)象。多尺度區(qū)域判別也可能會導(dǎo)致裂縫區(qū)域查找不完整，部分錨框間可能會存在漏檢的裂縫區(qū)域，從而影響裂縫的完整性。同時，采用小區(qū)域依次判別的方式，存在某些與裂縫特征相似的目標(biāo)被誤判的情況。

針對以上問題，對整張圖像的錨框進(jìn)行二次篩查與修正，步驟如下：

Step1若兩個錨框重疊率超過70%，則刪除得分較低的錨框。

Step2根據(jù)錨框的長寬比進(jìn)行n倍的擴(kuò)張，直到80%的錨框與其周圍錨框邊長存在30%的重疊區(qū)域，去除其余獨立且score較小的錨框。

Step1刪除重疊區(qū)域過多的錨框，Step2刪除可能被誤判的獨立錨框，并通過錨框擴(kuò)展確保裂縫區(qū)域的完整性，具體操作見圖10。圖10(b)中包含2個錨框，對于面積較小的黃色錨框，兩者的重疊率已超過黃色錨框面積的70%，因此刪除兩者中得分較低的紅色錨框，保留結(jié)果見圖10(c)。圖10(d)中包含多個錨框，通過錨框自適應(yīng)擴(kuò)張后得到圖10(e)。綠色錨框為獨立錨框被去除，最終結(jié)果見圖10(f)。

圖10 區(qū)域分類與篩選流程

1.3 區(qū)域分割網(wǎng)絡(luò)

區(qū)域分割網(wǎng)絡(luò)基于多尺度區(qū)域融合思想，采用跳躍式網(wǎng)絡(luò)結(jié)構(gòu)，具有多種特征圖結(jié)合方式。下一層預(yù)測結(jié)果通過2倍的上采樣與該層自身的預(yù)測結(jié)果進(jìn)行反卷積，再通過對應(yīng)尺度的上采樣作為該層最終預(yù)測結(jié)果。區(qū)域分割網(wǎng)絡(luò)的具體網(wǎng)絡(luò)結(jié)構(gòu)見圖11。

圖11 分割網(wǎng)絡(luò)結(jié)構(gòu)

對區(qū)域分類網(wǎng)絡(luò)傳入的每一個裂縫區(qū)域，獲取對應(yīng)的特征層級i，利用該層及之后的特征圖FeatureMapN(N≤i)，實現(xiàn)對該區(qū)域的像素分類。例如某一區(qū)域?qū)?yīng)的特征圖為FeatureMap3，則該區(qū)域的預(yù)測結(jié)果由特征圖FeatureMap3、FeatureMap4、FeatureMap5、FeatureMap6融合得到，如圖11將Output3作為最終預(yù)測結(jié)果輸出。

采用更深的特征圖，是由于裂縫特征較弱，在深層特征中會有更好的體現(xiàn)，由于該區(qū)域是在特征圖FeatureMapi中獲得的分類信息，表明特征圖FeatureMapi對該區(qū)域具有更好的表征效果。因此將其與其后的特征圖分類結(jié)果相融合，可以獲得更準(zhǔn)確的分割結(jié)果。將分割結(jié)果根據(jù)錨框位置和尺寸信息映射到原始圖像，實現(xiàn)對整張圖像的裂縫分割，見圖12。

圖12 整張圖的裂縫分割步驟示意

2 試驗與分析

2.1 試驗環(huán)境與樣本

采用Windows下的Spyder平臺開發(fā)，使用基于Python語言的Tensorflow深度學(xué)習(xí)框架。為實現(xiàn)多級聯(lián)網(wǎng)絡(luò)訓(xùn)練，首先利用上海同巖土木工程科技股份有限公司研制的公路隧道檢測車TDV-H2000，采集大量隧道襯砌圖像，從單個相機圖像中選取特征較為明顯的裂縫圖像作為樣本，構(gòu)建訓(xùn)練和測試數(shù)據(jù)集。共選用裂縫圖片24 000張，按照常用的2∶1比例，將其中的8 000張作為測試樣本，剩余的16 000張作為訓(xùn)練樣本，并將圖片統(tǒng)一resize為512×512。

為改善樣本圖像光照不均勻問題，對訓(xùn)練樣本和待檢測圖像采用帶色彩恢復(fù)的多尺度Retinex增強算法(MSRCR)進(jìn)行圖像增強預(yù)處理[13]，消除光照干擾并提高圖像的對比度，圖像預(yù)處理結(jié)果見圖13。

圖13 圖像預(yù)處理示意圖

網(wǎng)絡(luò)訓(xùn)練時，將分類網(wǎng)絡(luò)和分割網(wǎng)絡(luò)作為2個獨立網(wǎng)絡(luò)進(jìn)行訓(xùn)練，采用隨機梯度下降法更新權(quán)重[14]，測試時分別載入各自的權(quán)重文件。

訓(xùn)練樣本構(gòu)建示例見圖14，按8×8網(wǎng)格狀劃分輸入圖像，將包含裂縫與不包含裂縫的區(qū)域分別作為分類網(wǎng)絡(luò)的正、負(fù)樣本，見圖14(b)、圖14(c)。但裂縫在圖像中占比例過小，會造成正、負(fù)樣本量嚴(yán)重不均衡。因此區(qū)分正負(fù)樣本后，按照網(wǎng)絡(luò)訓(xùn)練中正負(fù)樣本常用比例1∶3的經(jīng)驗值，從負(fù)樣本中隨機挑選3倍正樣本數(shù)量作為訓(xùn)練樣本，以確保正負(fù)樣本量均衡。

分割網(wǎng)絡(luò)僅采用包含裂縫的區(qū)域作為訓(xùn)練樣本，提高對小區(qū)域的針對性，并進(jìn)行像素級的人工標(biāo)注作為訓(xùn)練樣本，見圖14(a)。

圖14 網(wǎng)絡(luò)訓(xùn)練樣本示意

2.2 結(jié)果分析

2.2.1 特征提取結(jié)果分析

特征提取網(wǎng)絡(luò)中采用5層卷積層獲取共享特征圖，在試驗中為了驗證光照對網(wǎng)絡(luò)特征提取的影響，對光照處理前后的圖像進(jìn)行特征提取，將每一層的特征提取結(jié)果進(jìn)行對比，結(jié)果見圖15。

從圖15中可以看到，對于未進(jìn)行光照處理的圖像，特征圖中對光照部分更加敏感，尤其是在更深層的網(wǎng)絡(luò)中，裂縫區(qū)域特征提取的效果很差。經(jīng)過光照處理后的圖片，網(wǎng)絡(luò)會對圖片中的裂縫區(qū)域更加敏感，特征提取效果明顯有較大改善，因此網(wǎng)絡(luò)訓(xùn)練、測試的樣本圖片均進(jìn)行光照處理。

為了分析不同特征層中獲取到的特征圖形態(tài)，觀察不同層特征圖的輸出結(jié)果。從圖15中可以看出，F(xiàn)eatureMap6為更深層次的特征圖，提取到的特征更加抽象，而FeatureMap1中較淺的特征圖與輸入圖像相似度較高，因此采用金字塔式的特征圖結(jié)構(gòu)可以將深層特征與淺層特征相結(jié)合，可以獲得更全面的圖像特征。

2.2.2 分類網(wǎng)絡(luò)結(jié)果分析

為評價分類網(wǎng)絡(luò)的分類效果，可根據(jù)真實類別與預(yù)測類別的組合劃分為真正例TP、假正例FP、真反例TN、假反例FN，引入網(wǎng)絡(luò)性能測試中常用的3個評價標(biāo)準(zhǔn)，包括分類精度、查準(zhǔn)率、查全率。

試驗中設(shè)置分類網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.001，衰減為0.1，100個epoch中每10個降低一次，模型采用Softmax分類器，將其中得分大于0.7的區(qū)域判斷為存在裂縫。采用800張測試樣本，模型中將每張圖像劃分為8×8的網(wǎng)格狀區(qū)域，因此共包含51 200個測試樣本。為了驗證小區(qū)域劃分的必要性，試驗中將整張圖片作為輸入，與小區(qū)域劃分的判別結(jié)果進(jìn)行對比，由于樣本圖像均包含裂縫，因此對整張圖片測試時負(fù)樣本數(shù)量為0，僅對其分類精度以及查全率進(jìn)行統(tǒng)計，測試結(jié)果如表1所示。

從表1中可以看出，網(wǎng)絡(luò)對于小區(qū)域有更高的分類精度，采用區(qū)域劃分的方式可以篩除大部分的背景區(qū)域，同時絕大部分包含裂縫的區(qū)域得到了保留。

漏檢的裂縫區(qū)域通過之后的自適應(yīng)區(qū)域擴(kuò)展得到補充，可以保證裂縫檢測區(qū)域的完整性，而被誤判為正例的非裂縫區(qū)域，在區(qū)域擴(kuò)展后通過獨立區(qū)域篩除，可以進(jìn)行二次刪除，假正例的數(shù)量減少，網(wǎng)絡(luò)的查準(zhǔn)率提高為98.21%。

2.2.3 分割網(wǎng)絡(luò)結(jié)果分析

經(jīng)過分類網(wǎng)絡(luò)后大部分背景區(qū)域已被刪除，但剩余區(qū)域中裂縫在寬度上仍然表現(xiàn)較弱，為更好地保留裂縫形態(tài)，分割網(wǎng)絡(luò)中采用較低的判定閾值，試驗中設(shè)置為0.5。

手工標(biāo)注圖存在較大主觀差異，且在真實圖像中裂縫與非裂縫區(qū)域之間存在一定的過渡區(qū)域。因此需設(shè)置一定的允許偏差范圍[15-16]，在此本文選用2個像素大小，以確保分割精度計算的準(zhǔn)確度。

經(jīng)過分類網(wǎng)絡(luò)后，被判定為正例的區(qū)域數(shù)量為6 438個，其中真實包含裂縫的區(qū)域個數(shù)為6 323個。在試驗中輸出判定為正例的區(qū)域圖，對其中真實包含裂縫的圖片采用人工標(biāo)注的方式獲得參考圖。引入分割算法評價性能中常用的評價參數(shù)：分割精度、欠分割率、過分割率[17]，將網(wǎng)絡(luò)分割結(jié)果與人工標(biāo)注圖進(jìn)行對比，每個像素點處的裂縫垂直寬度允許有2個像素大小的差異，分割結(jié)果統(tǒng)計如表2所示。

表2 分割網(wǎng)絡(luò)測試結(jié)果統(tǒng)計表

由于假正例中實際上不包含裂縫，因此僅將未分割出目標(biāo)的區(qū)域數(shù)量占假正例總數(shù)的比例，作為分割網(wǎng)絡(luò)對假正例的分割精度。從表2中可以看出，對于真實包含裂縫的區(qū)域，本文的分割網(wǎng)絡(luò)精度可達(dá)到94.44%，可以從圖片中較準(zhǔn)確地分割出裂縫。

將判定為正例的區(qū)域圖中真實包含裂縫的圖像，采用FCN、UNet進(jìn)行對比測試，F(xiàn)CN與UNet網(wǎng)絡(luò)中均采用了金字塔的特征圖構(gòu)建方式，且均可實現(xiàn)像素級的目標(biāo)分割。在相同的測試樣本、訓(xùn)練批次與輸出閾值下，將FCN、UNet網(wǎng)絡(luò)的分割結(jié)果與本文的裂縫識別網(wǎng)絡(luò)進(jìn)行比較，結(jié)果見圖16。

圖16 不同網(wǎng)絡(luò)的分割結(jié)果對比

分類選取環(huán)向、縱向及斜向裂縫進(jìn)行對比，從圖16中可以看出，本文網(wǎng)絡(luò)相較FCN和UNet在裂縫分割的完整性上有更好的表現(xiàn)，分割結(jié)果更準(zhǔn)確。將FCN、UNet的分割結(jié)果分別與參考圖進(jìn)行校對，并與本文的分割結(jié)果進(jìn)行比較，統(tǒng)計結(jié)果如表3所示。

表3 不同網(wǎng)絡(luò)的分割結(jié)果對比表

從表3中可以看出，本文算法在分割精度上比FCN提高了6.83%，比UNet提高了4.24%，同時在欠分割率和過分割率上都有一定改善，表明本文算法獲得的裂縫區(qū)域更準(zhǔn)確。但由于本文算法的網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，從表3中可以看出本文算法識別效率略低于其他兩種算法。

3 結(jié)論

(1)本文提出一種基于級聯(lián)網(wǎng)絡(luò)的隧道襯砌裂縫識別算法，重點介紹了級聯(lián)式裂縫識別網(wǎng)絡(luò)、多尺度區(qū)域篩查、區(qū)域自適應(yīng)擴(kuò)張，并與常用的語義分割網(wǎng)絡(luò)FCN、UNet進(jìn)行對比，試驗結(jié)果表明本文算法在裂縫分割的準(zhǔn)確度上有更好的表現(xiàn)。

(2)本文網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，因此識別效率上略有降低，但識別準(zhǔn)確度提高較大。并且在實際工程應(yīng)用中，由于裂縫非實時變化，更關(guān)注裂縫識別的準(zhǔn)確度以便獲得更準(zhǔn)確的裂縫信息，因此識別率的提高更具有實際使用價值。

(3)本文研究成果可應(yīng)用于隧道襯砌裂縫的自動化檢測，后續(xù)可通過形態(tài)學(xué)或連通域判斷等操作進(jìn)一步細(xì)化分割結(jié)果，實現(xiàn)對裂縫的精細(xì)提取，有效提高隧道襯砌裂縫的檢測準(zhǔn)確度，降低人工成本。

(4)開展裂縫區(qū)域里程定位、寬度等信息獲取、裂縫病害數(shù)字化管理的深入研究，形成完整的隧道襯砌裂縫檢測系統(tǒng)，將具有更高的使用價值。