朔黃鐵路隧道襯砌表觀病害檢測技術

王敬 王寧 李健超 段培勇

1.國能朔黃鐵路發展有限責任公司，河北肅寧 062350；2.中國鐵道科學研究院集團有限公司鐵道建筑研究所，北京 100081

朔黃鐵路西起山西省朔州站，東至河北省黃驊港口，全長近598 km，是國家Ⅰ級雙線電氣化重載鐵路，是中國重要煤炭運輸專線神黃鐵路的重要組成部分。全線隧道里程66 km，全部為單洞雙線隧道。為了提高朔黃鐵路隧道結構的安全防護等級和長期穩定性，需要對朔黃鐵路全線隧道進行快速檢測和病害智能識別，從而指導檢修，保障運營安全，提升朔黃鐵路全線智能化運維水平。

1 隧道檢測現狀

針對鐵路隧道結構病害的自動檢測，國內外均開展了相關研究，并研發了一些自動化巡檢系統。法國HGH紅外系統公司研制的多傳感器隧道病害自動檢測系統ATLAS 70，可對隧道裂縫、滲水等病害進行全方位檢測，圖像分辨率為5 mm［1］。德國SPACETEC公司研發的SPACETEC TS3隧道掃描儀，在檢測隧道過程中可以生成視覺影像、熱影像和輪廓記錄，最大檢測速度為5 km/h，可識別寬度2 mm的裂縫［2］。瑞士AMBERG技術公司開發的GRP5000移動式掃描測量系統，搭載二維激光掃描儀對隧道結構進行全方位檢測，可對其整體狀態進行分析，在檢測速度不大于6 km/h時可識別寬度1.5 mm的裂縫［3］。日本MIMM公司研制的公路隧道病害安全快速智能檢測系統，以30~80 km/h的速度對隧道動態連續檢測時，可識別隧道內壁裂縫病害，數據采集精度2 mm［4］。

北京銘博瑞爾鐵路技術檢測有限公司研制的隧道快速檢測車，可檢測襯砌表面裂縫、滲漏水和隧道限界，以30 km/h的速度檢測時可識別1.0 mm寬度裂縫，檢測系統對隧道圖像數據和隧道表面缺陷的分析主要采用人工識別［5］。武漢武大卓越科技有限責任公司研制的國內首臺公路隧道快速檢測車搭載線陣相機、GPS（Global Positioning System）、激光掃描儀、紅外熱成像儀等設備，可檢測襯砌表面裂縫、滲漏水以及內輪廓變形等，以0~80 km/h的速度連續動態檢測時可識別寬度0.2 mm裂縫，數據采集精度1 mm。

隨著深度學習和機器學習技術的發展，語義分割、卷積神經網絡逐漸應用于混凝土裂縫的識別。瞿中等［6］提出基于融合特征圖的全U型網絡裂縫檢測算法，與U-net檢測算法相比精確率提升了1.48%。王紀武等［7］提出了利用改進Faster R-CNN+ZF模型對鐵路橋梁裂縫自動分類的方法，在Faster R-CNN網絡模型前添加一層Prewitt算子銳化卷積層，提升了模型特征提取能力。馬躍坤等［8］提出基于NSCT變換（Nonsubsampled Contourlet Transform）的多尺度積閾值紅外圖像增強算法和相位一致性原理，利用形態學處理算法、k-means聚類算法提取紅外圖像中的裂縫區域。

同圖像數據相比，激光點云數據具有稀疏性與無序性的特點。采用激光點云數據進行目標檢測是近五年發展起來的技術。Fu等［9］提出了基于點云數據的3D全卷積神經網絡的車輛檢測方法。Qi等［10］在2017年國際計算機視覺與模式識別會議上提出利用Point Net網絡直接處理點云數據，獲取點云的全局特征，最后對每個點進行分類預測，平均檢測精度在90%以上。

通過深入調研國內外隧道襯砌表觀病害檢測裝備及實際應用情況，綜合考慮目前計算機軟硬件、人工智能技術在隧道圖像檢測中的應用，項目組針對朔黃重載鐵路隧道的斷面尺寸、襯砌狀態和內部環境進行優化設計，提出隧道襯砌表觀病害智能檢測系統。該系統可安裝在朔黃鐵路軌道作業車、接觸網檢修作業車以及專用檢測車上。

2 隧道襯砌表觀病害智能檢測系統車載硬件子系統設計

該檢測系統采用機器視覺技術和激光掃描技術，實現對襯砌表觀狀態和空間尺寸的快速檢測，獲取高清晰度的襯砌表觀圖像和三維點云數據。

車載硬件子系統包括高清圖像采集模塊、限界檢測模塊、車體運動補償模塊、紅外相機模塊、道床狀態檢測模塊、數據采集及存儲模塊、里程及同步模塊等。

高清圖像采集模塊由多個線陣相機、工業鏡頭和激光照明組件構成。線陣相機具有動態變化范圍大，圖像畸變小、高速圖像采集不易拖尾等優點，因此在連續圖像采集領域中得到廣泛應用。根據朔黃鐵路全線隧道斷面尺寸及結構特點，通過合理設置相機的角度、鏡頭焦距，提出系統的相機布置方案。

為了檢測隧道的全幅斷面，采用多個相機交叉布局的方式，如圖1所示。工作距離在1.5~4.2 m，相機視野為30°~70°，相機視野搭接范圍約20 cm，圖像分辨率為亞毫米級。

圖1 相機布局

因隧道斷面尺寸大，進出隧道口光照變化大，采用激光掃描技術對隧道斷面進行測量。根據車輛尺寸和結構，采用兩套激光掃描傳感器分體式安裝（圖2），可對隧道斷面一次全幅檢測，得到掃描面內不同角度反射點的距離值。

圖2 激光掃描傳感器分體式安裝

3 隧道襯砌表觀病害智能識別算法設計

檢測系統通過人工智能及數字圖像處理技術自動識別襯砌開裂、剝落掉塊、滲漏水、結冰等病害。

重載鐵路隧道基礎設施復雜，襯砌表面信息豐富多樣，背景噪聲復雜。對于一些光照條件較差區域，單純利用圖像識別，準確率會受到影響。而激光點云識別可直接獲取物體三維坐標信息且不易受光照等條件的影響，作為圖像識別方法的有益補充。

在既有隧道襯砌表觀病害樣本庫的基礎上，增加了重載鐵路隧道病害樣本類型及數量。針對生成的圖像特征圖和點云特征圖，設計了基于多層網絡結構的高清圖像和激光點云融合算法。

采用該算法對隧道襯砌表觀病害進行智能識別，主要包括以下三步。

1）數據集建立

為了解決隧道襯砌表觀病害的分割識別問題，需要建立樣本庫。利用標注工具label-image-CARS對每張圖像進行像素級的語義分割標注，使用不同顏色標注病害數據，構成隧道病害數據集crack-v3。其主要包括滲漏水、裂縫、剝落掉塊等病害，見圖3。

圖3 隧道病害數據集

2）特征提取

對輸入的高清圖像數據，使用殘差網絡（Residual Network，ResNet）50提取其特征。ResNet 50是用于圖像識別的，需對其微調再用于圖像特征提取。舍去ResNet 50的兩個池化層和全連接層。ResNet 50中除第一層外其余每一層都是殘差網絡結構。第1個卷積層包含64個7×7卷積核，第2個—第5個卷積層分別包含3、4、6、3個殘差模塊，見表1。

表1 ResNet50結構

利用體素特征學習層和特征提取器提取點云特征。首先采用投影、直接卷積以及柵格化處理的方式對點云數據進行預處理；然后統計每個柵格內各個點的坐標信息，利用神經網絡學習柵格內每個點的特征信息聚合得到點對點的特征；最后基于3D卷積與2D卷積的特征提取器，完成點云特征的提取。

3）病害識別

對于同一時刻的點云特征圖和圖像特征圖，首先根據數據采集系統中圖像與點云坐標系之間的關系，以及兩者特征圖的下采樣倍數，得到兩種數據間的空間變換關系矩陣。再利用該矩陣將圖像特征圖映射到點云特征俯視圖上，得到含有圖像和點云信息的融合特征圖，實現二者數據在不同層次的深度融合，見圖4。將融合特征圖輸入到候選區域網絡得到可能存在目標的候選框，最后采用金字塔場景分析網絡（Pyramid Scene Parsing Network，PSPNet）對全局語義信息進行分割解析，實現對裂縫、剝落掉塊、滲漏水、結冰等襯砌表觀病害的特征提取和自動識別。

圖4 融合網絡模型

4 試驗驗證

為了評估該算法對隧道病害的識別效果，利用樣本庫進行了測試驗證，網絡訓練環境為ubuntu16.04系統和Pytorch框架，顯卡為GeForce GTX Titan X。試驗分成兩組。第一組采用高清圖像數據，采用ResNet50作為特征提取網絡生成特征圖，輸入PSPNet進行解析識別；第二組將融合特征圖輸入到候選區域網絡和PSPNet進行解析識別。

隨著鐵路隧道現場檢測里程的增加，樣本庫的數據不斷擴增，目前構建了14 646個樣本庫。隨機分割80%和20%的數據進行訓練，并且使用單獨提供的2 000個樣本作為測試集進行評估，手動標注真值。網絡訓練參數：學習率為0.000 1，batchsize設置為8，迭代次數為10 000次。使用Adam梯度下降算法優化訓練參數。

分別采用ResNet 50-PSPNet（僅采用高清圖像數據）、融合算法進行病害識別，測試結果見表2。可見：與僅采用高清圖像數據識別病害相比，利用融合算法識別病害，無論是精確率還是召回率均有所提高，融合算法經過優化訓練在測試集中精確率可達90.7%。

表2 不同算法的病害識別精度對比

5 結語

根據朔黃全線隧道斷面尺寸、結構特點以及現場需求，提出了重載鐵路隧道襯砌表觀病害智能檢測系統。采用線陣相機、工業鏡頭和激光照明組件構成圖像采集一體化成像模塊，通過交叉布局方式實現了高分辨率圖像的快速采集；利用激光掃描技術對隧道斷面進行測量，獲取激光點云數據。

在既有隧道襯砌表觀病害樣本庫的基礎上，增加了重載鐵路隧道病害樣本類型及數量。研發了融合高清圖像和激光點云數據的重載鐵路隧道結構病害識別算法。首先引入圖像特征提取網絡和基于體素特征學習層的點云特征提取網絡，并利用空間變換融合算法得到融合特征圖，然后利用候選區域網絡和PSPNet對融合特征圖進行檢測識別，實現了對隧道襯砌表觀病害的特征提取和自動識別。采用該算法不僅提高了病害識別精度，而且有效提升了重載鐵路隧道運維的智能化程度和綜合檢測水平。