摘要
近些年来，随着我国西部山区交通建设的快速发展，我国交通隧道在建规模及运营里程均居于世界首位。与此同时，隧道发展已从以建设为主向建设与养护并重的方向迈进，加之在建及运营隧道的质量缺陷与病害较为突出，使得隧道质量检测和养护工作日益繁重。地质雷达法是隧道衬砌质量检测的重要手段，现有的地质雷达图像解译多依靠人工经验来判定识别，识别工作量大、效率低且受检测人员经验影响大。通过引入深度学习智能算法，结合地质雷达法开展隧道质量缺陷的智能识别技术研究，对提高隧道检测效率，节省人力和时间成本具有重大工程实际意义和应用价值。目前，隧道智能检测研究大多是集中在隧道衬砌表观病害或模拟雷达图像的识别方面，将深度学习应用于实测地质雷达图像解译方面的研究少。为此，本文基于地质雷达检测理论和深度学习的目标检测算法，开展衬砌典型质量缺陷的雷达特征图谱及智能识别研究。主要研究工作及结论如下： （1）详细阐述了地质雷达检测的基本原理及地质雷达图像的滤波方法和流程。介绍了基于卷积神经网络模型的深度学习理论框架，结合模型迁移方法，分析了基于深度学习模型进行地质雷达图像识别的可行性。 （2）制作了Ⅲ级、Ⅳ级和Ⅴ级三种典型围岩条件下的隧道衬砌足尺检测模型。衬砌检测模型分为完整无缺陷衬砌模型和含衬砌厚度不足及衬砌背后空洞、衬砌脱空、二衬钢筋数量不足等典型质量缺陷衬砌模型。基于地质雷达检测数据分析，建立了衬砌典型质量缺陷的雷达检测标准图谱，确定了典型质量缺陷的雷达图像特征，以此验证并辅助检测数据样本的建立。 （3）基于大量隧道工程的地质雷达实际检测数据，完成了地质雷达数据的增益、去均值化和归一化等预处理过程，建立基于真实雷达图像的隧道衬砌典型质量缺陷的数据样本集。 （4）结合地质雷达图像数据集和迁移学习思想，建立了基于SSD模型和YOLOv4模型的隧道衬砌质量缺陷的智能识别方法。首先对数据集进行标注处理，并划分训练集和测试集；然后利用VOC数据完成权重预训练，进而确定初始权重参数及模型。在此基础上，开展了两类深度学习模型的训练和识别效果评价，并对比分析了两类算法在衬砌质量检测识别的适用性。结果表明： 1）深度学习算法在隧道缺陷识别方面具有显著效果，在空洞缺陷方面，SSD算法的准确率为86.58%，YOLOv4算法的准确率为86.05%；在钢筋缺陷方面，SSD算法的准确率达到97.7%，YOLOv4算法的准确率达到98.18%。表明基于深度学习模型的隧道质量缺陷检测有着很强的可实践性。 2）在综合性能方面，SSD算法的mAP值为92.14%，YOLOv4算法的mAP值为92.12%，二者相差无几，均具有很强的泛化性能。在训练所需时长以及检测速度方面YOLOv4算法优胜于SSD算法。表明基于YOLOv4算法在衬砌质量缺陷检测应用中具备更好的适用性和应用潜力。
NETL