摘要
随着我国经济的发展和城市化进程的加快，地铁建设规模与发展速度都取得了长足的进步。然而随着隧道运营时间的增加，隧道病害愈加显著，常见的隧道衬砌病害有渗漏水，管片裂缝等，病害的发生不仅会降低混凝土的强度，对隧道衬砌造成损伤，影响结构安全，还可能降低隧道服役寿命，对城市轨道交通的运营造成巨大的安全隐患。为了隧道结构的养护并对病害治理提供依据，有必要对隧道病害进行检测。 由此，论文针对盾构隧道衬砌病害的识别方法进行了研究。在人工智能高速发展的背景下，对计算机科学领域中最先进的深度学习方法进行了探索。首先，采集、整理并建立了适用于深度学习的隧道病害样本库；而后，针对适用于隧道衬砌特征图像分类的卷积神经网络模型进行了研究；最后，基于样本和已建立模型实现了隧道病害的快速智能检测。本论文主要研究内容及成果如下： (1)针对数据库的获取和建立问题，通过移动式地铁隧道结构病害检测系统(MTI-100)在上海市地铁隧道部分区间进行了检测取样，人工挑选出包含衬砌裂缝和衬砌渗漏水病害的图像，并进行整理。获取图像中包含了多种裂缝和多种渗漏水病害，基本涵盖了城市地铁盾构隧道衬砌裂缝和渗漏水的种类。在获取图像基础上，开展了样本标签的标注，建立了针对隧道病害识别的两个样本库(隧道衬砌表观特征图像分类样本库和隧道衬砌病害检测定位样本库)。 (2)基于卷积神经网络，在既有模型VGG16和GoogLeNet的基础上，建立了隧道衬砌特征图像分类模型，该模型由卷积层、池化层、inception模块等结构组成。在深度学习框架Caffe的基础上进行了训练，应用该模型进行了隧道特征图像的分类任务，取得了95.84%检测率和48ms/张的检测速度。与已有深度学习模型进行对比，本文中模型识别精度高，分类速度快，同时参数少，训练简单，更有利于工程应用。同时，本文对数据的对比度增强算法进行了实验对比，结果表明，针对深度学习方法，对比度增强算法并不适用。 (3)针对病害的识别和定位，采用卷积神经网络模型作为骨干结构，基于深度学习中R-FCN方法，联合区域建议网络和位置敏感性感兴趣区域池化实现了隧道病害的快速智能检测。测试集上获得了94.4%的检测率，85.6%的检测准确率，3.67s/m的检测效率以及精确的边界框回归参数。同时，和传统方法HOG+SVM以及深度学习方法FasterR-CNN进行对比，结果表明，深度学习方法在各指标上完胜于传统手段，而本文方法相对于FasterR-CNN，检测效率提升33%左右，在病害定位的准确度上，本论文方法也更加精准；除此之外，考虑病害位置的变化、病害尺度的变化、病害图像的高斯模糊以及病害的不规则变形探索了方法的泛化能力。实验过程中，本方法始终能够保持较高的检测效果，适应性和鲁棒性。
NETL