摘要：

由于水工隧洞環(huán)境復(fù)雜、缺陷類型多，數(shù)字圖像處理技術(shù)在隧洞巡檢中的應(yīng)用存在缺陷識別精度低、魯棒性差等問題。為此，提出了基于多任務(wù)約束深度學(xué)習(xí)的水工隧洞缺陷自動(dòng)檢測方法。該方法在Faster R-CNN深度學(xué)習(xí)原理的基礎(chǔ)上，結(jié)合原始目標(biāo)檢測的定位約束、類別約束，增加特征到影像恢復(fù)的約束，可以較完整地保留圖像以及缺陷特征信息，從而解決部分水工隧洞缺陷樣本不全而引起的特征提取不魯棒的問題。測試結(jié)果表明：多任務(wù)約束的Faster R-CNN深度學(xué)習(xí)方法能夠較好地識別裂縫、滲水、掉塊等多種病害缺陷，有效提高了識別精度，為水工隧洞工程缺陷檢測提供了可靠方法。

關(guān)鍵詞：

隧洞缺陷檢測； 多任務(wù)約束深度學(xué)習(xí)； Faster R-CNN； 隧洞缺陷特征表達(dá)

中圖法分類號：TV698.1

文獻(xiàn)標(biāo)志碼：A

DOI：10.15974/j.cnki.slsdkb.2024.07.011

文章編號：1006-0081（2024）07-0064-06

0 引 言

具有輸（引）水、泄水等功能的水工隧洞是水利水電樞紐工程的重要建筑物型式之一，特別是地質(zhì)條件惡劣、水力條件復(fù)雜的長距離水工隧洞，如南水北調(diào)穿黃工程（穿黃隧洞全長4.25 km）、滇中引水工程（線路總長664 km，世界最長隧洞輸水工程）、引江補(bǔ)漢工程（輸水隧洞長194.3 km）；雙江口水電站溢洪洞（全長1.818 km，世界最大斷面泄水隧洞）。水工隧洞在保障水利水電樞紐工程安全運(yùn)行、綜合利用效益充分發(fā)揮上具有重要的作用［1］。但是，長期運(yùn)行后隧洞襯砌結(jié)構(gòu)受復(fù)雜環(huán)境條件影響，易產(chǎn)生裂縫、沖蝕、剝落等病害缺陷，如不及時(shí)檢測發(fā)現(xiàn)并加以修補(bǔ)，會(huì)造成隧洞破損垮塌、滲漏嚴(yán)重等事故，威脅工程的安全穩(wěn)定運(yùn)行。因此，迫切需要研究長距離水工隧洞缺陷檢測及修補(bǔ)加固等安全保障技術(shù)。

傳統(tǒng)的水工隧洞缺陷檢測以人工巡檢結(jié)合儀器測量方式為主。此類方法雖然直觀，但檢測工作量大、耗時(shí)長，效率低，難以滿足長距離隧洞短窗口期快速巡檢要求［2］；檢測成果對人的經(jīng)驗(yàn)依賴度高［3］，且存在視野盲區(qū)導(dǎo)致檢測不全面，難以保證檢測成果的完整性和精確度的問題；深埋長距離輸、泄水隧洞環(huán)境黑暗，檢測環(huán)境惡劣，人員進(jìn)洞作業(yè)安全風(fēng)險(xiǎn)高。

隨著無人裝備以及遙感攝影測量技術(shù)的發(fā)展，隧洞檢測數(shù)字圖像處理技術(shù)日益成熟。通過無人裝備自動(dòng)獲取光學(xué)、激光雷達(dá)、紅外等影像數(shù)據(jù)，利用數(shù)字圖像處理對采集影像數(shù)據(jù)進(jìn)行信息提取，實(shí)現(xiàn)缺陷自動(dòng)檢測識別［3-4］，已成為隧洞巡檢的重要技術(shù)手段。

國外針對基于經(jīng)典數(shù)字圖像處理方法的裂縫檢測技術(shù)研究起步較早，如快速哈爾變換（FHT）檢測算法［5］、基于Canny算子的混凝土裂縫檢測方法［6］，基于圖像預(yù)處理的路面裂縫檢測算法［7-8］、CrackForest算法［9］。國內(nèi)針對經(jīng)典數(shù)字圖像處理方法的裂縫檢測技術(shù)也開展了大量研究工作，如混凝土路面裂縫的自動(dòng)檢測等［10-12］?；诮?jīng)典數(shù)字圖像處理方法的裂縫檢測技術(shù)依賴于人工設(shè)計(jì)的分類算法，對于可人工定義和設(shè)計(jì)的特定場景檢測任務(wù)識別精度較高，但具有泛化性弱、魯棒性差、調(diào)參過程復(fù)雜等缺陷，在實(shí)際應(yīng)用時(shí)識別準(zhǔn)確度和精度不高。

基于人工智能算法的裂縫檢測技術(shù)無需人工進(jìn)行特征提取就能自動(dòng)根據(jù)原始圖像特征進(jìn)行抽象表達(dá)和分析，如YOLO［13］，CenterNet［14］，R-CNN和Faster R-CNN［15］等算法，識別精度和效率得到大幅提高，為混凝土裂縫檢測提供了新方向［16-17］。如Lei等［18］提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)檢測手段；Cha等［19］基于經(jīng)典Fast R-CNN網(wǎng)絡(luò)進(jìn)行修改、訓(xùn)練、驗(yàn)證和測試，檢測效率明顯提高；李良福等［20］基于滑動(dòng)窗口算法引入CNN的DBCC分類模型，提高了檢測效率和泛化能力。張世瑤等［21］通過卷積神經(jīng)網(wǎng)絡(luò)對原始圖像進(jìn)行分割，實(shí)現(xiàn)了像素級混凝土道路表面裂縫檢測。

與經(jīng)典數(shù)字圖像處理方法相比，基于深度學(xué)習(xí)等人工智能算法的混凝土裂縫檢測技術(shù)可以通過數(shù)據(jù)學(xué)習(xí)獲得極為豐富的圖像特征和更高的檢測準(zhǔn)確率，同時(shí)，遷移能力和泛化能力更強(qiáng)。但是，就目前而言，基于深度學(xué)習(xí)的裂縫檢測方法在大型水工隧洞工程實(shí)際場景中的應(yīng)用仍存在不足，如存在需要大量測試數(shù)據(jù)，模型訓(xùn)練時(shí)間長、難度大，檢測效率低等問題［22］。

為解決上述問題，本文利用Faster R-CNN基本原理，提出了基于多任務(wù)約束深度學(xué)習(xí)的隧洞缺陷檢測方法，克服現(xiàn)有數(shù)字圖像處理裂縫檢測技術(shù)檢測效率和精度的不足，進(jìn)一步提高了隧洞襯砌裂縫、滲水、掉塊等典型缺陷檢測的魯棒性和識別精度。

1 多任務(wù)約束的缺陷檢測方法

1.1 Faster R-CNN基本原理

Faster R-CNN融合了特征金字塔網(wǎng)絡(luò)（FPN），如圖1所示。模型主要包括特征金字塔網(wǎng)絡(luò)、區(qū)域提議網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)3個(gè)部分。

（1） 特征金字塔網(wǎng)絡(luò)。特征提取模塊將ResNet50和特征金字塔網(wǎng)絡(luò)FPN結(jié)合，輸出含有定位信息和語義信息的特征圖集合。對于輸入的圖像，使用ResNet50 提取出特征圖，送入特征金字塔網(wǎng)絡(luò)。特征金字塔模塊包括自下而上的路線生成不同尺度的初始金字塔、自上而下的路線生成融合中間量的中間金字塔和橫向連接路線生成特征圖3個(gè)部分。

（2） 候選區(qū)域提議網(wǎng)絡(luò)（Region Proposal Network，RPN）。將 Faster R-CNN 中的候選區(qū)域提議網(wǎng)絡(luò)融合至 FPN 中，在特征金字塔生成的多尺度特征層上提取一系列包含前景潛在目標(biāo)且排名靠前的候選錨框。

（3） 頭部網(wǎng)絡(luò)。網(wǎng)絡(luò)的頭部主要可以分為感興趣區(qū)域?qū)R（Region of Interest Align，RoI Align）和分類、回歸分支兩個(gè)部分。RoI Align 使用雙線性插值，改善了 RoI Pooling 兩次取整帶來的不夠精準(zhǔn)的問題。從特征圖中提取出固定長度的特征向量，在被傳輸?shù)饺B接層序列后，輸出兩個(gè)分支，其一是分類分支，使用 softmax 函數(shù)求解相對于不同類別的概率，由此判定目標(biāo)類別；其二是回歸分支，用于回歸 K類目標(biāo)的包圍框位置。由于遙感圖像的特殊性，本文的算法設(shè)計(jì)使用旋轉(zhuǎn)的矩形框進(jìn)行回歸，以更好地檢測任意角度的物體。

1.2 多任務(wù)約束Faster R-CNN算法

由于隧洞缺陷影像較少，自建數(shù)據(jù)集不全面，數(shù)據(jù)多樣性不足，模型訓(xùn)練時(shí)將導(dǎo)致模型學(xué)習(xí)到裂縫出現(xiàn)的位置、與其他目標(biāo)的關(guān)系等裂縫無關(guān)的“片面信息”，最終導(dǎo)致模型泛化性不高，即直接用于其他大壩圖像的裂縫檢測精度不高。針對該問題，本文引入圖像恢復(fù)或圖像信息重建約束，即迫使網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)集的“全面信息”，避免由于數(shù)據(jù)集不全面而僅學(xué)習(xí)裂縫的片面知識，提升裂縫檢測精度。

多任務(wù)約束的特征提取模型如圖2所示，與經(jīng)典Faster R-CNN的特征金字塔網(wǎng)絡(luò)相比，多任務(wù)約束的特征金字塔多了一個(gè)分支，即圖像復(fù)原分支，最終的損失函數(shù)也增加了編解碼恢復(fù)總損失：

L=Lrbbox+Lclass+Lde（1）

Lde=I－I′22（2）

式中：Lrbbox為目標(biāo)定位損失，Lclass為目標(biāo)分類損失，Lde為多圖像復(fù)原損失。I為原始輸入圖像，I′為圖像復(fù)原分支輸出的結(jié)果圖，I－I′22為I與I′之間的均方差。圖像復(fù)原的原理在于利用Faster-R CNN主干網(wǎng)絡(luò)提取的深度特征，進(jìn)行原始數(shù)據(jù)的恢復(fù)，通過構(gòu)建Lde損失函數(shù)項(xiàng)，迫使Faster-R CNN主干網(wǎng)絡(luò)學(xué)習(xí)圖像I中全部信息，否則無法恢復(fù)得到I′。Lde損失項(xiàng)越小，說明Faster-R CNN主干網(wǎng)絡(luò)學(xué)習(xí)圖像I的信息越全面。引入圖像恢復(fù)損失能夠較好的迫使網(wǎng)絡(luò)學(xué)習(xí)圖像的所有深度特征，避免目標(biāo)檢測任務(wù)由于特定目標(biāo)稀缺造成的泛化能力差的缺點(diǎn)。

1.3 基于多任務(wù)約束深度學(xué)習(xí)的缺陷檢測方法

針對水工隧洞的實(shí)際特點(diǎn)，構(gòu)建基于多任務(wù)約束深度學(xué)習(xí)的缺陷檢測方法如下。

通過無人機(jī)、無人車等無人裝備攜帶照明設(shè)備及高清圖像采集設(shè)備獲取隧洞襯砌混凝土結(jié)構(gòu)缺陷數(shù)據(jù)集。利用通用圖像處理軟件對混凝土結(jié)構(gòu)缺陷數(shù)據(jù)集進(jìn)行像素級標(biāo)注，包括裂縫、掉塊、滲水等缺陷，并按比例將缺陷數(shù)據(jù)集劃分為訓(xùn)練集、測試集。構(gòu)建多任務(wù)約束的Faster R-CNN模型，該模型通過在目標(biāo)檢測的定位、分類約束基礎(chǔ)上，在Faster R-CNN中增加深度特征編解碼約束來實(shí)現(xiàn)。其中，深度特征編解碼約束由4個(gè)反池化層、4個(gè)卷積層組成，作用是將Faster R-CNN提取的多尺度特征還原恢復(fù)為原始輸入圖像。在訓(xùn)練集上迭代訓(xùn)練多任務(wù)約束的Faster R-CNN模型，并通過計(jì)算損失函數(shù)來調(diào)整模型參數(shù)，利用測試集進(jìn)行測試得到識別準(zhǔn)確率達(dá)到預(yù)設(shè)值的缺陷檢測模型。進(jìn)而對無人裝備巡檢獲取的大量圖像數(shù)據(jù)進(jìn)行識別分析，得到缺陷檢測結(jié)果。

本文在經(jīng)典Faster R-CNN模型的技術(shù)上增加多任務(wù)約束的特征金字塔網(wǎng)絡(luò)，在目標(biāo)檢測的定位、分類約束基礎(chǔ)上，增加特征到影像恢復(fù)的約束，從而解決了現(xiàn)有算法因混凝土結(jié)構(gòu)缺陷樣本稀少而引起的特征提取不魯棒的問題。

2 數(shù)據(jù)結(jié)果處理與分析

2.1 實(shí)驗(yàn)設(shè)置

（1） 數(shù)據(jù)集。本文在 Pythorch 深度學(xué)習(xí)框架下構(gòu)建了多任務(wù)約束的Faster R-CNN（即本文方法）、經(jīng)典Faster R-CNN、YOLOv5以及CenterNet等模型，用于對采集的混凝土裂縫等病害圖像進(jìn)行目標(biāo)檢測。深度學(xué)習(xí)模型的訓(xùn)練需要一定數(shù)量的數(shù)據(jù)集支撐，因此首先需要制作合適的數(shù)據(jù)集并對圖像根據(jù)需求進(jìn)行標(biāo)注，標(biāo)注示例如圖3～4所示。

裂縫實(shí)驗(yàn)數(shù)據(jù)集來源于無人機(jī)拍攝的中國西部某水利水電工程泄水隧洞襯砌結(jié)構(gòu)混凝土表面影像，利用Labelme對裂縫信息進(jìn)行標(biāo)注，分為兩個(gè)數(shù)據(jù)集，其中訓(xùn)練集為100張影像，測試集為100張影像。大壩影像數(shù)據(jù)集標(biāo)注主要分為以下步驟：首先，創(chuàng)建dataset.yaml文件，文件需包含下載地址、訓(xùn)練圖片路徑、驗(yàn)證圖片路徑、類的個(gè)數(shù)以及類名。其次，創(chuàng)建標(biāo)簽文集，文件格式為一張圖片一個(gè)TXT文件，一行一個(gè)目標(biāo)，每行均為class x_center、y_center、width、height的格式，即目標(biāo)的X軸中心點(diǎn)、Y軸中心點(diǎn)以及寬和高。

（2） 實(shí)驗(yàn)環(huán)境。實(shí)驗(yàn)使用個(gè)人筆記本電腦，機(jī)型為華碩飛行堡壘，系統(tǒng)配置為Tytorch1.7.0和python3.8.0，系統(tǒng)配置為GeForce RTX1050Ti，12G顯存GPU，CPU Intel i7，操作系統(tǒng)Windows10。

（3） 實(shí)驗(yàn)過程。在目標(biāo)檢測的定位、分類約束基礎(chǔ)上，對經(jīng)典Faster R-CNN增加深度特征編解碼約束，構(gòu)建多任務(wù)約束的Faster R-CNN訓(xùn)練模型，具體模型結(jié)構(gòu)如圖5所示，增加了由4個(gè)反池化層、4個(gè)卷積層組成的圖像還原網(wǎng)絡(luò)模塊，作用是將Faster R-CNN提取的多尺度特征還原恢復(fù)為原始輸入圖像。通過訓(xùn)練集迭代訓(xùn)練及測試集測試，得到適用于該工程的缺陷檢測模型。將該模型用于原始數(shù)據(jù)集的圖像進(jìn)行檢測識別，得到缺陷檢測結(jié)果。

2.2 實(shí)驗(yàn)結(jié)果

裂縫數(shù)據(jù)集上的結(jié)果如圖6所示，該方法檢測結(jié)果間接而且全面，能夠較好地適應(yīng)裂縫缺陷特征。表1，2給出了該方法與傳統(tǒng)方法的精度定量評價(jià)結(jié)果對比。其中，運(yùn)行時(shí)間表示每張512 px×512 px圖像的檢測耗時(shí)，Recall為召回率；Precision為精確率；平均精度均值（Mean Average Precision，mAP）是目標(biāo)檢測算法中最重要的評價(jià)指標(biāo)之一，其數(shù)值越大，表明目標(biāo)檢測結(jié)果整體越優(yōu)。該方法在不顯著增加運(yùn)行時(shí)間的前提下（與經(jīng)典Faster R-CNN相比），大幅提高了mAP精度。同時(shí)，可以看出該方法在保證較高召回率的同時(shí)，檢測準(zhǔn)確率最高，致使最終平均精度較高。實(shí)驗(yàn)結(jié)果表明，該多任務(wù)約束特征金字塔能夠較好的提取混凝土缺陷特征，從而實(shí)現(xiàn)具有較高mAP精度的水工隧洞缺陷檢測。需要注意的是，在本文目標(biāo)檢測方法中，裂縫屬于線性目標(biāo)，其主要識別特征為長度；掉塊和滲水屬于面域目標(biāo)，主要通過缺陷部位與混凝土本體存在的明顯色差來識別，其主要識別特征為面積，因此表2中將其歸為一類進(jìn)行目標(biāo)檢測精度對比；后續(xù)可通過缺陷部位顏色差別對掉塊和滲水進(jìn)一步區(qū)分。

3 結(jié) 語

本文聚焦水利水電工程中長距離輸、泄水隧洞工程的運(yùn)行管護(hù)任務(wù)，提出了基于多任務(wù)約束深度學(xué)習(xí)數(shù)字圖像處理的隧洞缺陷自動(dòng)檢測方法。該方法基于經(jīng)典深度學(xué)習(xí)Faster R-CNN構(gòu)建了多任務(wù)約束深度學(xué)習(xí)模型，增加了多任務(wù)約束的特征金字塔網(wǎng)絡(luò)模塊，在目標(biāo)檢測的定位、分類約束基礎(chǔ)上，增加特征到影像恢復(fù)的約束，從而保證特征較完整的保留圖像以及缺陷信息，可準(zhǔn)確提取隧洞裂縫、滲水、掉塊等缺陷的語義特征，最終實(shí)現(xiàn)較高魯棒性的隧洞缺陷特征表達(dá)。

雖然本文方法取得較好的結(jié)果，但仍存在缺陷定位精度不足、誤檢范圍偏大的問題，后續(xù)工作可進(jìn)一步通過圖像分割、實(shí)例分割等方法來進(jìn)行缺陷的精確分割與定位。

參考文獻(xiàn)：

［1］ 張柏楠，韓勃，李寧博，等.長距離水工隧洞運(yùn)營期無人檢測技術(shù)及病害識別方法研究進(jìn)展［J］.應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2021，29（5）：1245-1264.

［2］ 楊偉，施富強(qiáng)，張銥瑩，等.三維激光點(diǎn)云在隧洞病害缺陷檢測中的應(yīng)用研究［J］.大壩與安全，2021（5）：46-51.

［3］ 曹國金，蘇超，王文君.基于深度學(xué)習(xí)的水工混凝土結(jié)構(gòu)表面缺陷檢測［J］.水電能源科學(xué)，2023，41（6）：137-141.

［4］ 楊文，李正江.夾巖水利樞紐工程運(yùn)行管理中主要結(jié)構(gòu)物巡檢系統(tǒng)的構(gòu)建［J］.水利水電快報(bào)，2019，40（6）：4-6.

［5］ ABDEL-QADER I，ABUDAYYED O，KELLY M E.Analysis of edge-detection techniques for crack identification in bridges［J］.Journal of Computing in Civil Engineering，2003，17（4）：255-263.

［6］ ZHU Z，GERMAN S，BRILAKIS I.Visual retrieval of concrete crack properties for automated post-earthquake structural safety evaluation［J］.Automation in Construction，2011，20（7）：874-883.

［7］ FUJITA Y，HAMAMOTO Y.A robust automatic crack detection method from noisy concrete surfaces［J］.Machine Vision and Applications，2011，22（2）：245-254.

［8］ ZHANG Y.The design of glass crack detection system based on image preprocessing technology［C］∥2014 IEEE 7th Joint International Information Technology and Artificial Intelligence Conference.Beijing：IEEE，2014：39-42.

［9］ SHI Y，CUI L，QI Z，et al.Automatic road crack detection using Random Structured Forests［J］. IEEE Transactions on Intelligent Transportation Systems，2016，17（12）：3434-3445.

［10］ 張娟，沙愛民，高懷鋼，等.基于數(shù)字圖像處理的路面裂縫自動(dòng)識別與評價(jià)系統(tǒng)［J］.長安大學(xué)學(xué)報(bào)（自然科學(xué)版），2004（2）：18-22.

［11］ 郭全民，張海先.基于圖像處理技術(shù)的混凝土路面裂縫檢測方法［J］.傳感器與微系統(tǒng)，2013，32（4）：61-64.

［12］ 徐康，馬榮貴.基于改進(jìn)Faster-RCNN的瀝青路面裂縫檢測［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（7）：341-348.

［13］ 邵延華，張鐸，楚紅雨，等.基于深度學(xué)習(xí)的YOLO目標(biāo)檢測綜述［J］.電子與信息學(xué)報(bào)，2022，44（10）：3697-3708.

［14］ 趙民，葛云露，丁寧.基于CenterNet算法的復(fù)雜環(huán)境目標(biāo)檢測技術(shù)［J］.中國電子科學(xué)研究院學(xué)報(bào)，2021，16（7）：654-660.

［15］ 周曉彥，王珂，李凌燕.基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述［J］.電子測量技術(shù)，2017，40（11）：89-93.

［16］ 張偉光，鐘靖濤，于建新，等.基于機(jī)器學(xué)習(xí)和圖像處理的路面裂縫檢測技術(shù)研究［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，52（7）：2402-2415.

［17］ 王浩，金銀龍，劉全，等.基于深度學(xué)習(xí)和單目攝影測量的混凝土表面裂縫測算方法［J］.水利水電快報(bào)，2022，43（9）：58-67.

［18］ LEI Z，YANG F，ZHANG D，et al.Road crack detection using deep convolutional neural network［C］∥2016 IEEE International Conference on Image Processing.Danvers：IEEE，2016.

［19］ CHA Y J，CHOI W，SUH G，et al.Autonomous structural visual inspection using Region-Based Deep Learning for detecting multiple damage types［J］．Computer-Aided Civil and Infrastructure Engineering，2018，33（9）：731-747.

［20］ 李良福，馬衛(wèi)飛，李麗，等.基于深度學(xué)習(xí)的橋梁裂縫檢測算法研究［J］.自動(dòng)化學(xué)報(bào)，2019，45（9）：1727-1742.

［21］ 張世瑤，賀玉彬，周新志.基于深度學(xué)習(xí)的道路表面裂縫檢測方法［J］.科學(xué)技術(shù)與工程，2021，21（15）：6380-6385.

［22］ 姜韶華，蔣希晗.基于計(jì)算機(jī)視覺的混凝土缺陷檢測研究綜述［J］.土木建筑工程信息技術(shù)，2023，15（4）：14-21.

（編輯：李 晗）

Research on hydraulic tunnel defect detection method based on deep learning model with multi-task constraint

DENG Xufang1，XU Yi2，3，AYIHULAN Ashan4，CHEN Zhenghu1，CAI Wei1

（1.China Yangtze Power Co.，Ltd.，Wuhan 430014，China； 2.Changjiang Survey，Planning，Design and Research Co.，Ltd.，Wuhan 430010，China； 3.National Dam Safety Engineering Research Center，Wuhan 430010，China； 4.School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430072，China）

Abstract：

Digital image processing technology faces problems such as low recognition accuracy and poor robustness，due to the complex environment of hydraulic tunnels and many types of defects. Therefore，this article proposed an automatic tunnel defect detection method based on multi-task constraint deep learning. Based on the Faster R-CNN deep learning principle，combined with the localization and category constraints of original object detection，image self-coding recovery constraints were introduced to solve the problem of feature extraction been not robust due to the scarcity of some tunnel defect samples，and to fully preserve image and defect feature information. Tests had shown that Faster R-CNN with multi-task constraints can effectively identify defects such as cracks，water seepage，and falling blocks，providing a reliable detection method for practical tunnel engineering defects.

Key words：

tunnel defect detection； deep learning model with multi-task constraint； Faster R-CNN； feature detection of tunnel defect