摘要
输水隧洞在长期运行中易受到各种因素影响而出现裂缝等缺陷，裂缝的存在降低了衬砌的整体性和牢固度，大大缩短了隧洞的使用寿命，如不及时进行检测和维修极易造成重大事故。目前输水隧洞缺陷常见的检测方法是人工检测，首先将输水隧洞断水，把洞内水排空，工作人员进入隧洞使用超声波探测、红外成像技术、三维激光扫描技术等手段进行裂缝的检测。人工检测需要较长的检测周期，长期断水对经济造成很大负担，且检测精度不可控，亟需一种新型检测方式，在输水隧洞不断水情况下实现高效检测。随着信息化的不断发展，基于计算机视觉的缺陷检测方法相较于人工检测方法具有准确性高、实时性强、效率高、检测全面、成本低的优点，被现代工业广泛研究和应用。其中深度学习可以有效解决输水隧洞裂缝图像特征不明显、目标位置区域随机等问题，同时也可以解决人工检测的局限性。因此，开展基于深度学习的输水隧洞裂缝检测研究，开发高效、快速、准确全面的输水隧洞裂缝检测方法具有重要的学术研究与工程应用意义。 本文从目标检测和语义分割两个方面展开研究，主要做了如下工作： 针对输水隧洞水下裂缝图像数据缺少的问题，本文分析了输水隧洞水下裂缝图像特点之后决定采用CycleGAN网络进行风格迁移，从网上公开数据集挑选路面裂缝、墙壁裂缝等作为待转换图像，以实际拍摄输水隧洞水下环境图像作为风格图像，将陆地混凝土裂缝转换为输水隧洞水下环境裂缝。 针对输水隧洞水下裂缝图像光照不均，中间亮四周暗的特点，开展图像增强研究。本文通过分析传统Mask匀光算法存在的问题，提出了一种基于改进Mask匀光算法的输水隧洞水下裂缝图像增强方法。首先根据每幅图像光照强度不同，对滤波器做自适应调整，解决了传统Mask算法需要反复调试获取，自适应能力差的缺点；然后对背景图像进行动态压缩处理，解决传统Mask图像相减运算后细节丢失的问题；最后进行拉伸处理来提高图像的总体反差，增大图像局部细节信息。通过实验对比证明所提方法具有较好的去光增强效果。 为了满足输水隧洞水下裂缝实时性检测要求，本文基于YOLOv4目标检测算法进行改进。使用轻量化网络MobileNetv2替换YOLOv4中的主干网络CSPDarknet53，然后将深层网络中的部分卷积块替换为深度可分离卷积，通过以上方法使网络轻量化，降低网络计算量和参数量；网络轻量化会导致特征提取能力不足，所以在PANet模块中的五次卷积块后加入SENet来提高网络的特征提取能力。通过实验对比分析可得，本文改进的YOLOv4网络在轻量化的同时具备高检测准确率的特点。 为了避免细小裂缝的误检和漏检问题，提高裂缝分割精度以获取更细致的特征信息，本文在UNet的基础上进行改进。使用SE-Res2Net模块作为编码器的主干网络，加深网络深度，增强特征提取能力，降低梯度消散问题；在编解码器中间加入上下文增强模块增大感受野，减少信息丢失，保留更多的浅层特征信息；使用自适应特征融合操作替代跳跃连接操作，增强网络对特征图像上下文的获取，使浅层特征和深层特征更好的融合，提高分割精度。提出裂缝长度、宽度和面积计算方法并通过python编写程序实现，以对分割出来的图像进行裂缝量化分析。通过仿真实验对比以及水池实验证明本文改进UNet网络在输水隧洞水下裂缝分割任务中具有较好的分割性能。
NETL