基于沖擊回波聲頻法和遷移學習的鐵路隧道襯砌質量檢測自動判識技術

張應遷 姜勇 馮源 吳佳曄，4

（1.四川輕化工大學土木工程學院，四川自貢 643000；2.四川升拓檢測技術股份有限公司，成都 610045；3.中國國家鐵路集團有限公司工程質量監督管理局，北京 100844；4.西南石油大學機電工程學院，成都 610500）

鐵路隧道襯砌的缺陷和劣化嚴重影響行車。目前，鐵路隧道襯砌檢測主要采用地質雷達法。沖擊回波聲頻（Impact Acoustic Echo，IAE）法綜合彈性波沖擊回波法和敲擊法的優點，是一種基于音頻的非接觸移動式工程無損檢測方法。IAE法在檢測靈敏度、可靠度、辨識度等方面較地質雷達法明顯提升[1]，但所得圖片仍須人工判識，不僅效率不高，而且依賴于分析人員專業素質，進而降低了判識結果的客觀性。因此，須將人工智能、機器學習引入鐵路隧道襯砌分析，以提高解析效率和結果的客觀性，降低分析人員的工作量，最終實現全自動遠程分析。

為了減少機器學習的訓練成本，引入了遷移學習。本文將IAE法和遷移學習結合起來進行隧道襯砌無損檢測和識別，并通過實例驗證其可行性。

1 IAE法檢測原理

IAE法在結構的測試部分激發空氣振動從而產生聲音，通過寬頻域和高指向拾取裝置拾取聲音信號，通過差分處理計算空氣柱加速度。由于空氣柱加速度與被測結構表面的加速度密切相關[2]，通過對加速度信號的分析，可以快速準確地了解被測結構內部情況，避免接觸試驗帶來的誤差，提高了測試精度和效率。采用四川升拓檢測技術股份有限公司研制的STL‐IAES‐B型沖擊回波聲頻檢測儀（圖1）。

圖1 沖擊回波聲頻檢測儀

隧道襯砌常見質量缺陷分為欠厚（qh）、超厚或強度不足（ch）、不密實（bms）、脫空（tk）4大類。脫空又分為表（淺）層脫空和深層脫空。襯砌常見質量缺陷IAE解析圖見圖2。欠厚時錨固板底部彈性波反射信號前移，但變化較緩慢、連續。超厚或強度不足時板底部反射信號后移，但變化較緩慢、連續。不密實時局部錨固板底部反射信號延遲、雜亂不連續。表（淺）層脫空時錨固板頂部位置有極弱反射信號，底部反射信號延遲嚴重。深層脫空時錨固板底部反射信號前移，但變化較為劇烈。目前，需要有經驗的工程師人工對缺陷的有無、類型和位置進行判識。

圖2 襯砌常見質量缺陷IAE解析圖

2 遷移學習

為了提高IAE法的分析效率和客觀性，采用人工智能中的遷移學習來解決IAE解析圖中缺陷的類型及位置問題。

傳統深度學習要想獲得理想的學習效果，一般需要成千上萬的訓練樣本，但可靠的、具有典型意義的樣本比較難以獲取。同時，數據標注費時費力，這給深度學習的模型訓練和更新帶來了挑戰。遷移學習能很好地解決這一問題。遷移學習可借用已經訓練好的深度學習模型（如神經網絡模型），利用新標記數據對最后的分類層進行模型訓練，進而得到新模型，亦即實現了模型的遷移[3]，故名遷移學習。

本文采用基于Tiny‐YOLO v2模型的遷移學習，先刪除源模型的分類器，添加新分類器，然后在自定義數據集上微調新分類器。

3 結合IAE法和遷移學習進行鐵路隧道襯砌缺陷識別

結合贛深高速鐵路8標段數據，采用IAE法和遷移學習對鐵路隧道襯砌缺陷進行識別。主要流程如下：

1）源模型的選取

考慮到需要識別圖片信息，故采用卷積神經網絡[4-6]。YOLO（You Only Look Once）目標檢測方法就是其典型代表。YOLO是一種實時目標檢測方法，不僅檢測快速而且準確率較高[7]。其將目標區域預測和類別預測整合于單個神經網絡模型中，非常適合于IAE法檢測結果的分析。

為了進一步提高訓練速度，使用Tiny‐YOLO v2模型進行自定義數據集的遷移。與Tiny‐YOLO v3相比，該模型精度略有降低但訓練速度大大提高。

2）自定義數據集及標注

將前期整理的240張贛深高速鐵路8標段隧道襯砌IAE缺陷圖片作為訓練樣本和測試樣本，進行模型訓練和十折交叉驗證。

將數據集分成10份，輪流將其中9份作為訓練數據，1份作為測試數據，進行試驗，最后再求其平均值，作為對其算法準確性的估計[8]。采用精靈標注助手完成隧道襯砌缺陷的識別，最后輸出和圖片對應的xml文件。其中xml文件內容包含缺陷的類型以及對應位置。

3）預定義參數

預定義參數：①Tiny‐YOLO v2模型的尺寸w（寬度）×h（高度）=416像素×416像素；②模型為彩色，因此圖像的通道數設置為3；③Tiny‐YOLO v2模型將圖像寬度和高度各分割為13等份；④結構缺陷種類設置為4；⑤訓練迭代次數為600。

4）訓練算法

訓練算法采用非極大值抑制法（Non‐Maximum Suppression，NMS）。該算法可避免出現同一區域被多次重復識別的問題。模型訓練中未采用與采用NMS算法鐵路隧道襯砌缺陷識別效果對比見圖3。其中，conf為置信度?？梢钥闯?，未采用NMS算法時標識框出現較多重疊。

圖3 未采用與采用NMS算法鐵路隧道襯砌缺陷識別效果對比

5）模型精度分析

根據十折交叉驗證的結果，遷移學習所得的訓練模型缺陷識別準確率總體超過了95%。但是因受樣本分布不均、迭代次數等影響仍然存在一定誤差。

①樣本分布不均

由于超厚或強度不足樣本超過樣本總數的1/4，導致樣本不均衡，使得判斷結果更偏向于該類缺陷。最終訓練結果也證實了這一點。

迭代次數與各類缺陷準確率見表1。可以看出：當迭代次數從600增至1 000時由于超厚或強度不足缺陷訓練樣本較多，該缺陷的準確率高達100%，而其他3類缺陷由于訓練樣本不足，準確率僅從最低的94%增至98%。絕大多數的誤判都是其他類型缺陷，特別是深層脫空被誤判成超厚或強度不足。

表1 迭代次數與各類缺陷準確率

②迭代次數

欠厚缺陷準確率、漏判率、置信度隨迭代次數變化曲線見圖4。可以看出：增加模型訓練的迭代次數對提高漏判率有明顯效果。當迭代次數從600增至1 000時準確率從95%增加到99%，漏判率從38%減少到3%，最小置信度從0.75增至0.78，最大置信度保持在0.99。

圖4 欠厚缺陷準確率、漏判率、置信度隨迭代次數變化曲線

6）缺陷類型及范圍的自動標識

為了在IAE檢測圖形上自動標識缺陷類型及范圍，采用Intel公司開發的開源平臺OpenCV[9]，將不同缺陷以不同的顏色矩形框進行標注。超厚/強度不足用藍色標識，不密實用綠色標識，欠厚用品紅標識，脫空用洋紅標識，并且將不同缺陷的置信度在圖中標識，見圖5。

圖5 典型隧道襯砌IAE缺陷識別圖

4 工程現場驗證

使用沖擊回波聲頻檢測儀對贛深高速鐵路8標段一隧道拱頂進行了檢測，對所得IAE圖片通過遷移學習識別，并對部分位置開孔驗證。DK400+025.5—DK400+037.5區段檢測結果及驗證情況見圖6。IAE和遷移學習識別結果為不密實缺陷，置信度為0.98。經開孔驗證，該處確實存在不密實缺陷。

圖6 DK400+025.5—DK400+037.5區段檢測結果及驗證情況

DK400+037.5—DK400+049.5區段檢測結果見圖7。可知：IAE法和遷移學習識別結果為脫空，置信度為0.89，說明該處為脫空缺陷的概率較高。由于各種原因未進行開孔驗證，但通過沖擊回波法、探地雷達等方法相互佐證，該處確實存在脫空。初步判定缺陷距襯砌拱頂表面44～47 cm。

圖7 DK400+037.5—DK400+049.5區段檢測結果

5 結語

通過將IAE法和遷移學習相結合，采用開源平臺OpenCV，結合非極大值抑制法，在IAE分析圖像上將不同缺陷以不同的顏色自動標注，極大提高了鐵路隧道襯砌質量判別能力。

通過2個實例驗證，采用遷移學習在訓練樣本極為有限的情況下依然可以達到良好的訓練效果，預測精度可達98%。識別的缺陷類型、位置均非常準確，模型的泛化能力也得到檢驗。因此，基于IAE法和遷移學習的鐵路隧道襯砌質量檢測自動判識技術不失為一種高效的混凝土無損檢測技術。

此次樣本的收集整理以及模型的訓練均還有較大提升空間。隨著數據的不斷積累，模型的預測精度和泛化能力會不斷提高。