洪江華

(中國鐵路設(shè)計(jì)集團(tuán)有限公司，天津 300308)

1 引言

地鐵隧道建設(shè)于環(huán)境復(fù)雜的地下巖土中，在長期運(yùn)營后，易出現(xiàn)滲水、裂縫等多種表面病害。若檢測與修復(fù)不及時，這些病害將影響隧道結(jié)構(gòu)穩(wěn)定性和耐久性。目前地鐵檢查工作仍以人工為主，該方式存在效率低、主觀性強(qiáng)、易漏檢等缺點(diǎn)，亟需發(fā)展新型高效的隧道表面病害檢測與識別技術(shù)。目前，基于光學(xué)、計(jì)算機(jī)視覺等方法，國內(nèi)外人員研發(fā)了大量的地鐵隧道表面病害視覺檢測技術(shù)。陳湘生等針對目前隧道人工檢測弊端，對比分析了無人機(jī)、巡檢車等系統(tǒng)裝備特點(diǎn)，并指出智能化是未來隧道巡檢技術(shù)的發(fā)展趨勢[1]；劉德軍等也提出集成視覺檢測技術(shù)的隧道智能檢測與識別已成為隧道病害檢測研究的主流趨勢[2]；王劍宏等在分析日本隧道運(yùn)維現(xiàn)狀基礎(chǔ)上，提出雖然人工智能在隧道檢測領(lǐng)域已取得一些應(yīng)用發(fā)展，但其系統(tǒng)研究仍處于初期階段[3]；李軍等在總結(jié)相關(guān)隧道檢測系統(tǒng)的基礎(chǔ)上，提出一種基于面陣相機(jī)采集的隧道病害視覺檢測與識別平臺，但其依賴于良好的補(bǔ)光以及數(shù)據(jù)同步處理[4]；基于隧道檢測車的圖像采集系統(tǒng)，何國華等在分析隧道病害圖像特征的基礎(chǔ)上，提出改進(jìn)的測度算法可有效減弱背景干擾影響[5]；薛亞東等提出基于線陣相機(jī)的圖像采集方案以及利用卷積網(wǎng)絡(luò)提高病害檢測與識別精度，在一定程度上推動了隧道病害視覺檢測技術(shù)的進(jìn)一步發(fā)展[6]。

綜上所述，雖然目前國內(nèi)外針對隧道病害視覺檢測系統(tǒng)已開展了大量研究，但是既有研究的系統(tǒng)性不足。為了更系統(tǒng)地梳理該項(xiàng)技術(shù)的組成架構(gòu)，參照計(jì)算機(jī)體系結(jié)構(gòu)[7]，分別從硬件組成、軟件框架與病害識別算法等三方面進(jìn)行綜述，并探討該項(xiàng)技術(shù)仍面臨的瓶頸問題與發(fā)展方向。

2 硬件組成

相較于傳統(tǒng)人工巡檢，襯砌表面圖像自動化采集硬件是隧道表面病害視覺檢測技術(shù)的重要部分，其圖像采集精度與效率是影響該技術(shù)整體性能與推廣應(yīng)用的重要因素。TCRACK與MTI-100這2種典型隧道表面病害視覺檢測裝置的工作場景見圖1。硬件功能框圖見圖2，本小節(jié)從相機(jī)采集、光源、圖像采集控制等方面進(jìn)行分析討論。

圖1 典型地鐵隧道表面病害視覺檢測裝置

圖2 地鐵隧道表面病害視覺檢測功能框圖

2.1 相機(jī)采集分析

由于隧道為曲面結(jié)構(gòu)，需多個相機(jī)進(jìn)行分區(qū)拍攝來避免曲面效應(yīng)。以5.4 m內(nèi)徑的盾構(gòu)隧道為例，將相機(jī)環(huán)向掃描隧道的長度設(shè)計(jì)為13 m，則相機(jī)對隧道圓周的掃描角度大于240°。如圖3所示，采用14臺相機(jī)對隧道進(jìn)行掃描，假設(shè)單個相機(jī)的工作物距為1 800 mm、掃描張角為31.3°，則單個相機(jī)可掃描的隧道圓周長為982.82 mm，由此可確保14個相機(jī)組內(nèi)相連相機(jī)之間存在公共掃描區(qū)域，方便后續(xù)進(jìn)行橫向數(shù)據(jù)拼接。目前工業(yè)相機(jī)主要有面陣與線陣兩類，下面分別對這2類相機(jī)的適用性進(jìn)行計(jì)算分析。

圖3 多相機(jī)圖像采集示意

(1)面陣相機(jī)采集

對分辨率1 080 p的面陣相機(jī)進(jìn)行分析：①該相機(jī)的成像精度僅有0.91 mm/pixel；②圖像采集中會存在相同區(qū)域被同時采集的可能性，在一定程度上浪費(fèi)數(shù)據(jù)存儲和傳輸帶寬；③對補(bǔ)光要求較高，若補(bǔ)光不足，易出現(xiàn)光照不均勻問題。綜上，面陣相機(jī)在隧道病害移動檢測中存在一定的局限性。

(2)線陣相機(jī)采集

對分辨率4K的線陣相機(jī)進(jìn)行分析：①該相機(jī)的成像精度為0.24 mm/pixel，高于1 080 p面陣相機(jī)；②可在車輪上安裝編碼器，隨同車輪運(yùn)動產(chǎn)生脈沖并觸發(fā)相機(jī)進(jìn)行采集，基本不會浪費(fèi)數(shù)據(jù)存儲和傳輸帶寬；③線陣相機(jī)為條帶掃描，僅需光源照亮少量拍照區(qū)域，有利于光源照明設(shè)計(jì)。綜上，線陣相機(jī)在隧道病害移動檢測中的適用性較高。

2.2 光源照明分析

為了適應(yīng)地鐵昏暗環(huán)境，隧道檢測車需采用光源輔助照明技術(shù)，以下對圖像采集中的光源照明技術(shù)進(jìn)行討論分析。目前線陣相機(jī)的光源主要有2種：LED光源和激光光源。若使用LED光源，至少每2個相機(jī)配1個LED光源，才能保證其拍攝區(qū)域均被光源照亮。設(shè)單LED光源的功率100 W，對于搭載超過12個相機(jī)的移動小車，至少需要600 W的光源，功耗較高。圖4展示了線陣相機(jī)和線激光光源組合的一體機(jī)，其使用的光源功率僅20 W，功耗較低；但需注意，激光光源與線陣相機(jī)要保持相對距離不變，由此保證光源有效照亮圖像采集區(qū)域。

圖4 激光光源與線陣相機(jī)集成

2.3 同步圖像采集控制

如圖5所示，為了實(shí)現(xiàn)車不動相機(jī)不采集功能，在車輪上安裝編碼器，隨同車輪轉(zhuǎn)動產(chǎn)生觸發(fā)脈沖；進(jìn)一步將編碼器的輸出脈沖通過多路同步驅(qū)動器同時轉(zhuǎn)發(fā)給多個相機(jī)，由此保證所有相機(jī)同步進(jìn)行數(shù)據(jù)采集與存儲。

圖5 同步圖像采集模塊

3 軟件框架

隧道為長線狀結(jié)構(gòu)，利用圖像采集裝置獲取的數(shù)據(jù)為一張張離散的圖片，而直接從原始圖片進(jìn)行病害檢測將面臨2個難點(diǎn)問題：①病害區(qū)域可能存在于多張圖片中，僅處理1張圖片存在漏檢可能；②隧道環(huán)境陰暗，圖像質(zhì)量較差，影響病害識別精度。針對上述問題，在開展隧道病害識別工作前，需完成病害圖像數(shù)據(jù)預(yù)處理與增強(qiáng)分析工作。以下從數(shù)據(jù)-位移同步、圖像拼接處理、圖像增強(qiáng)等3部分進(jìn)行綜述。

3.1 數(shù)據(jù)-里程同步分析

數(shù)據(jù)與里程同步，是后期開展關(guān)鍵區(qū)域(如歷史病害點(diǎn))病害檢測與識別的關(guān)鍵。如圖6所示，將編碼器安裝于車輪，同車軸同步轉(zhuǎn)動。假定車輪直徑為R，轉(zhuǎn)動一周產(chǎn)生的里程l為πR；而編碼器轉(zhuǎn)動一周輸出N個脈沖并經(jīng)多路同步驅(qū)動器轉(zhuǎn)發(fā)給所有線陣相機(jī)，每個線陣相機(jī)在同步脈沖信號下完成N行圖像的采集。若線陣相機(jī)每滿N行為1幀進(jìn)行存儲，則系統(tǒng)存儲了K幀圖像序列，則代表車輪轉(zhuǎn)動了K圈，對應(yīng)的總里程L為

圖6 隧道襯砌采集圖像拼接流程

L=Kl=KπR

(1)

由上可知，可將圖像幀數(shù)賦以里程信息，方便后期快速進(jìn)行隧道關(guān)鍵區(qū)域的病害檢測與識別。

3.2 圖像增強(qiáng)處理

由于隧道圖像對比度低，易導(dǎo)致后期病害檢測出現(xiàn)漏檢，因此需對隧道圖像進(jìn)行增強(qiáng)。目前的圖像增強(qiáng)主要有直方圖均衡和同態(tài)濾波兩種方法[9]。直方圖均衡是圖像空域運(yùn)算的一種方法，其核心思想是把原始圖像的灰度直方圖進(jìn)行非線性拉伸，并重新分配像素灰度值。如圖7(b)所示，在經(jīng)過直方圖變換后，由于圖像的某些灰度級會空缺，使得增強(qiáng)后隧道圖像的對比度過于增強(qiáng)，反而不利于后期病害檢測。相比而言，同態(tài)濾波是將像元灰度值看作是照度和反射率的反映，并分別處理照度和反射率參數(shù)，以達(dá)到對圖像增強(qiáng)效果，具體結(jié)果如圖7(c)所示。

圖7 襯砌表面圖像增強(qiáng)處理結(jié)果

4 病害識別算法

病害圖像數(shù)據(jù)識別是地鐵隧道表面病害視覺檢測技術(shù)的核心，面臨著算法復(fù)雜度與算法實(shí)時性的矛盾問題。基于此，從識別算法復(fù)雜度、算法研究關(guān)注時期2個軸線入手，整理并分析了目前混凝土結(jié)構(gòu)表面病害視覺檢測與識別的研究文獻(xiàn)。如圖8所示，分別按圖像信號處理類、淺層模式識別類和深度學(xué)習(xí)類等3個方面對隧道表面病害識別算法進(jìn)行綜述分析。

圖8 隧道襯砌表面病害圖像識別算法發(fā)展

4.1 圖像信號處理類

考慮隧道表面病害與背景像素在亮度上存在差異或相鄰像素灰度值存在梯度變化，一系列基于閾值分割或邊緣檢測的病害檢測算法被提出。DAWOOD等[10]在異性擴(kuò)散與形態(tài)學(xué)分析基礎(chǔ)上，提出了基于Canny邊緣檢測的病害識別方法。王睿等提出一種基于Prewitt算子與大津閾值分割的表面病害檢測方法。針對襯砌表面噪點(diǎn)多問題[11]；王耀東等提出通過計(jì)算局部區(qū)域紋理特征，提高隧道病害檢測精度[12]；彭斌等利用直方圖閾值分析與形態(tài)學(xué)濾波方法分割隧道滲漏水病害[13]。圖9展示了利用大津閾值、區(qū)域生長等方法對隧道滲水的檢測效果[14]。從實(shí)驗(yàn)結(jié)果來看，雖然圖像信號處理類方法的計(jì)算復(fù)雜度低、硬件計(jì)算需求也不高，但難以克服隧道表面光照不均、背景噪聲等干擾。

圖9 基于圖像信號處理類的隧道滲漏水檢測結(jié)果

4.2 淺層模式識別類

為了解決圖像信號處理類方法易受不均勻光照以及陰影噪聲影響，有學(xué)者提出將圖像不重疊分塊，并采用局部圖像分類方法進(jìn)行病害檢測[15]?？紤]到裂縫邊線特性，徐志剛等提取方塊圖像的局部形狀特征(如長寬、面積等)進(jìn)行裂縫識別[16]。為了提高檢測精度，CHEN等采用局部二值特征(Local Binary Patterns，LBP)方法計(jì)算方塊圖像紋理特征，并構(gòu)建了基于支持向量機(jī)的病害檢測模型[17]；考慮裂縫線狀特征，WANG等提出通過DCT計(jì)算方塊圖像變化特征，并應(yīng)用L2稀疏分類方法實(shí)現(xiàn)了裂縫快速檢測[18]。以上基于淺層模式識別類的病害檢測方法，需要同時擁有良好的分塊圖像特征與魯棒的模式分類方法，才能取得較好的病害檢測效果，在復(fù)雜背景中的適用性無法有效保證。

4.3 深度學(xué)習(xí)類

近年來，基于深度學(xué)習(xí)的隧道表面病害檢測方法開始被廣泛關(guān)注。CHA等出利用一種8 層卷積網(wǎng)絡(luò)提取表面裂縫的語義特征，實(shí)現(xiàn)了準(zhǔn)確率達(dá)98%的裂縫檢測效果[19]；XU等建立了3層受限波爾茲曼機(jī)網(wǎng)絡(luò)提取方塊圖像語義特征，并探討了方塊圖像的尺寸參數(shù)對于裂縫檢測性能的影響[20]。上述2種方法雖然可以較好地確定裂縫塊狀區(qū)域，但是無法獲取裂縫區(qū)域精準(zhǔn)的像素面積。為了解決該問題，柴雪松等利用超像素分割確定裂縫候選區(qū)域，并進(jìn)一步應(yīng)用殘差深度分割網(wǎng)絡(luò)提取隧道裂縫病害像素區(qū)域[21]。針對隧道復(fù)雜環(huán)境干擾問題，苗曉坤提出在Unet像素分割網(wǎng)絡(luò)的基礎(chǔ)上，融合隧道病害的低層特征和高層特征，來提高對隧道裂縫病害的檢測精度[22]。

針對隧道表面滲漏水病害檢測與識別問題，薛亞東等提出了基于Faster R-CNN的滲漏水檢測框架，但由于有效標(biāo)記樣本的數(shù)量不足，導(dǎo)致該框架對滲水區(qū)域的檢測精度僅有80.91%[6]；LI等也提出使用Faster R-CNN檢測滲漏水病害，其通過優(yōu)化特征融合方式在一定程度上提高了病害檢測精度[23]。上述2種方法僅停留對滲漏水區(qū)域的檢測上，均無法有效地提取滲漏水區(qū)域像素面積。針對此問題，黃宏偉等提出了一種基于全卷積網(wǎng)絡(luò)的隧道病害檢測模型，實(shí)現(xiàn)了對滲漏水病害的像素級檢測[14]。趙帥等提出將Mask R-CNN網(wǎng)絡(luò)用于滲漏水病害檢測，并驗(yàn)證了該模型在復(fù)雜背景下可實(shí)現(xiàn)滲漏水病害的精準(zhǔn)定位與像素分割[24]。

5 現(xiàn)狀分析與展望

近年來，針對隧道表面病害視覺檢測與識別技術(shù)，國內(nèi)外研究人員已進(jìn)行了大量的研究。本小節(jié)將從硬件、軟件以及算法等3方面梳理該技術(shù)仍面臨的挑戰(zhàn)問題，并指出相關(guān)探索研究方向。

5.1 硬件采集方面

14臺相機(jī)均以隧道截面中心為圓心，同時掃描襯砌關(guān)鍵區(qū)域的表面病害，其中所有相機(jī)到隧道襯砌的工作物距是相同的。但考慮檢測車在隧道行駛中，車輛振動、線路轉(zhuǎn)彎等多方面因素，均可能導(dǎo)致相機(jī)的物距發(fā)生變化。當(dāng)相機(jī)物距變化范圍超過該相機(jī)景深值時，其采集的圖像數(shù)據(jù)會出現(xiàn)模糊。此外，相機(jī)標(biāo)定一般是根據(jù)直徑5.4 m的標(biāo)準(zhǔn)盾構(gòu)隧道進(jìn)行的，而針對地鐵線路中直徑6 m的大隧道，應(yīng)用根據(jù)標(biāo)準(zhǔn)隧道尺寸標(biāo)定好的相機(jī)，基本無法正常地進(jìn)行數(shù)據(jù)采集。如何解決由于相機(jī)工作物距變化而出現(xiàn)的圖像數(shù)據(jù)采集失效問題，是未來隧道表面病害視覺檢測技術(shù)中硬件方面亟待解決的一大問題。

5.2 軟件處理方面

在圖像采集中，每個相機(jī)對隧道襯砌表面的圖像采集分辨率必須是相同的，這對于圖像拼接至關(guān)重要。但在實(shí)際應(yīng)用中，相機(jī)安裝誤差、車輛載重下沉、行駛振動等因素，均可能導(dǎo)致相機(jī)的工作物距出現(xiàn)差異性變化，進(jìn)而使得每個相機(jī)在橫向與縱向上對襯砌表面病害尺度的感知出現(xiàn)差異。如圖10所示，相機(jī)1的藍(lán)色部分拼接較好，相機(jī)2紅色部分顯示在縱向采集分辨率中出現(xiàn)變化，導(dǎo)致圖像拼接結(jié)果中部分區(qū)域出現(xiàn)錯位現(xiàn)象，給隧道病害識別帶來不利因素。針對此問題，嘗試跟蹤每個相機(jī)的工作物距變化，并將變化參數(shù)反饋于多相機(jī)的圖像數(shù)據(jù)拼接中，是未來有望解決移動場景中隧道表面病害圖像拼接問題的一個思路。

圖10 隧道襯砌圖像拼接異常示例

5.3 識別算法方面

目前一系列基于深度學(xué)習(xí)的隧道病害檢測與識別網(wǎng)絡(luò)被相繼提出[19-24]，這極大地推動了該技術(shù)在隧道巡檢領(lǐng)域的發(fā)展。但深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練需要大量的標(biāo)記數(shù)據(jù)，由于隧道巡檢技術(shù)尚未成熟應(yīng)用，導(dǎo)致有效的標(biāo)記數(shù)據(jù)數(shù)量有限。據(jù)已有研究，1 km的隧道巡檢將產(chǎn)生超過200GB的圖像數(shù)據(jù)，其需要專業(yè)人員去標(biāo)記這些大量的隧道圖像數(shù)據(jù)，費(fèi)時耗力。此外，由于部分病害具有特殊的邊界滲流特性(如滲水)或具有極低的信噪比(如裂紋)，也導(dǎo)致獲取大量有效的標(biāo)記數(shù)據(jù)極為困難。綜上，隧道巡檢面臨著先“人工”、再“智能”的數(shù)據(jù)瓶頸，而開展小樣本監(jiān)督學(xué)習(xí)或半監(jiān)督學(xué)習(xí)，是未來解決數(shù)據(jù)瓶頸難題的一個可能方向。

6 結(jié)論

隧道襯砌表面病害檢測與識別已成為地鐵巡檢中的一項(xiàng)重要內(nèi)容，針對隧道表面病害視覺檢測技術(shù)發(fā)展趨勢，分別從硬件組成、軟件架構(gòu)與識別算法等方面進(jìn)行綜述，并形成以下結(jié)論：①以線陣相機(jī)+線激光源的硬件組成框架，具有高精度、高效率、低功耗等優(yōu)勢，符合未來地鐵隧道快速巡檢需求；②在數(shù)據(jù)與位移準(zhǔn)確同步基礎(chǔ)上，圖像增強(qiáng)與拼接處理可為后期隧道病害識別提供必要的數(shù)據(jù)基礎(chǔ)；③相較于其他類方法，深度學(xué)習(xí)方法可取得更好的病害檢測與識別效果。最后，總結(jié)分析了目前該技術(shù)在硬件、軟件及算法等方面待解決的難題和可能的研究方向，為該技術(shù)的進(jìn)一步研究提供參考。