地鐵隧道表面病害視覺檢測技術應用綜述

洪江華

(中國鐵路設計集團有限公司，天津 300308)

1 引言

地鐵隧道建設于環境復雜的地下巖土中，在長期運營后，易出現滲水、裂縫等多種表面病害。若檢測與修復不及時，這些病害將影響隧道結構穩定性和耐久性。目前地鐵檢查工作仍以人工為主，該方式存在效率低、主觀性強、易漏檢等缺點，亟需發展新型高效的隧道表面病害檢測與識別技術。目前，基于光學、計算機視覺等方法，國內外人員研發了大量的地鐵隧道表面病害視覺檢測技術。陳湘生等針對目前隧道人工檢測弊端，對比分析了無人機、巡檢車等系統裝備特點，并指出智能化是未來隧道巡檢技術的發展趨勢[1]；劉德軍等也提出集成視覺檢測技術的隧道智能檢測與識別已成為隧道病害檢測研究的主流趨勢[2]；王劍宏等在分析日本隧道運維現狀基礎上，提出雖然人工智能在隧道檢測領域已取得一些應用發展，但其系統研究仍處于初期階段[3]；李軍等在總結相關隧道檢測系統的基礎上，提出一種基于面陣相機采集的隧道病害視覺檢測與識別平臺，但其依賴于良好的補光以及數據同步處理[4]；基于隧道檢測車的圖像采集系統，何國華等在分析隧道病害圖像特征的基礎上，提出改進的測度算法可有效減弱背景干擾影響[5]；薛亞東等提出基于線陣相機的圖像采集方案以及利用卷積網絡提高病害檢測與識別精度，在一定程度上推動了隧道病害視覺檢測技術的進一步發展[6]。

綜上所述，雖然目前國內外針對隧道病害視覺檢測系統已開展了大量研究，但是既有研究的系統性不足。為了更系統地梳理該項技術的組成架構，參照計算機體系結構[7]，分別從硬件組成、軟件框架與病害識別算法等三方面進行綜述，并探討該項技術仍面臨的瓶頸問題與發展方向。

2 硬件組成

相較于傳統人工巡檢，襯砌表面圖像自動化采集硬件是隧道表面病害視覺檢測技術的重要部分，其圖像采集精度與效率是影響該技術整體性能與推廣應用的重要因素。TCRACK與MTI-100這2種典型隧道表面病害視覺檢測裝置的工作場景見圖1。硬件功能框圖見圖2，本小節從相機采集、光源、圖像采集控制等方面進行分析討論。

圖1 典型地鐵隧道表面病害視覺檢測裝置

圖2 地鐵隧道表面病害視覺檢測功能框圖

2.1 相機采集分析

由于隧道為曲面結構，需多個相機進行分區拍攝來避免曲面效應。以5.4 m內徑的盾構隧道為例，將相機環向掃描隧道的長度設計為13 m，則相機對隧道圓周的掃描角度大于240°。如圖3所示，采用14臺相機對隧道進行掃描，假設單個相機的工作物距為1 800 mm、掃描張角為31.3°，則單個相機可掃描的隧道圓周長為982.82 mm，由此可確保14個相機組內相連相機之間存在公共掃描區域，方便后續進行橫向數據拼接。目前工業相機主要有面陣與線陣兩類，下面分別對這2類相機的適用性進行計算分析。

圖3 多相機圖像采集示意

(1)面陣相機采集

對分辨率1 080 p的面陣相機進行分析：①該相機的成像精度僅有0.91 mm/pixel；②圖像采集中會存在相同區域被同時采集的可能性，在一定程度上浪費數據存儲和傳輸帶寬；③對補光要求較高，若補光不足，易出現光照不均勻問題。綜上，面陣相機在隧道病害移動檢測中存在一定的局限性。

(2)線陣相機采集

對分辨率4K的線陣相機進行分析：①該相機的成像精度為0.24 mm/pixel，高于1 080 p面陣相機；②可在車輪上安裝編碼器，隨同車輪運動產生脈沖并觸發相機進行采集，基本不會浪費數據存儲和傳輸帶寬；③線陣相機為條帶掃描，僅需光源照亮少量拍照區域，有利于光源照明設計。綜上，線陣相機在隧道病害移動檢測中的適用性較高。

2.2 光源照明分析

為了適應地鐵昏暗環境，隧道檢測車需采用光源輔助照明技術，以下對圖像采集中的光源照明技術進行討論分析。目前線陣相機的光源主要有2種：LED光源和激光光源。若使用LED光源，至少每2個相機配1個LED光源，才能保證其拍攝區域均被光源照亮。設單LED光源的功率100 W，對于搭載超過12個相機的移動小車，至少需要600 W的光源，功耗較高。圖4展示了線陣相機和線激光光源組合的一體機，其使用的光源功率僅20 W，功耗較低；但需注意，激光光源與線陣相機要保持相對距離不變，由此保證光源有效照亮圖像采集區域。

圖4 激光光源與線陣相機集成

2.3 同步圖像采集控制

如圖5所示，為了實現車不動相機不采集功能，在車輪上安裝編碼器，隨同車輪轉動產生觸發脈沖；進一步將編碼器的輸出脈沖通過多路同步驅動器同時轉發給多個相機，由此保證所有相機同步進行數據采集與存儲。

圖5 同步圖像采集模塊

3 軟件框架

隧道為長線狀結構，利用圖像采集裝置獲取的數據為一張張離散的圖片，而直接從原始圖片進行病害檢測將面臨2個難點問題：①病害區域可能存在于多張圖片中，僅處理1張圖片存在漏檢可能；②隧道環境陰暗，圖像質量較差，影響病害識別精度。針對上述問題，在開展隧道病害識別工作前，需完成病害圖像數據預處理與增強分析工作。以下從數據-位移同步、圖像拼接處理、圖像增強等3部分進行綜述。

3.1 數據-里程同步分析

數據與里程同步，是后期開展關鍵區域(如歷史病害點)病害檢測與識別的關鍵。如圖6所示，將編碼器安裝于車輪，同車軸同步轉動。假定車輪直徑為R，轉動一周產生的里程l為πR；而編碼器轉動一周輸出N個脈沖并經多路同步驅動器轉發給所有線陣相機，每個線陣相機在同步脈沖信號下完成N行圖像的采集。若線陣相機每滿N行為1幀進行存儲，則系統存儲了K幀圖像序列，則代表車輪轉動了K圈，對應的總里程L為

圖6 隧道襯砌采集圖像拼接流程

L=Kl=KπR

(1)

由上可知，可將圖像幀數賦以里程信息，方便后期快速進行隧道關鍵區域的病害檢測與識別。

3.2 圖像增強處理

由于隧道圖像對比度低，易導致后期病害檢測出現漏檢，因此需對隧道圖像進行增強。目前的圖像增強主要有直方圖均衡和同態濾波兩種方法[9]。直方圖均衡是圖像空域運算的一種方法，其核心思想是把原始圖像的灰度直方圖進行非線性拉伸，并重新分配像素灰度值。如圖7(b)所示，在經過直方圖變換后，由于圖像的某些灰度級會空缺，使得增強后隧道圖像的對比度過于增強，反而不利于后期病害檢測。相比而言，同態濾波是將像元灰度值看作是照度和反射率的反映，并分別處理照度和反射率參數，以達到對圖像增強效果，具體結果如圖7(c)所示。

圖7 襯砌表面圖像增強處理結果

4 病害識別算法

病害圖像數據識別是地鐵隧道表面病害視覺檢測技術的核心，面臨著算法復雜度與算法實時性的矛盾問題?；诖?，從識別算法復雜度、算法研究關注時期2個軸線入手，整理并分析了目前混凝土結構表面病害視覺檢測與識別的研究文獻。如圖8所示，分別按圖像信號處理類、淺層模式識別類和深度學習類等3個方面對隧道表面病害識別算法進行綜述分析。

圖8 隧道襯砌表面病害圖像識別算法發展

4.1 圖像信號處理類

考慮隧道表面病害與背景像素在亮度上存在差異或相鄰像素灰度值存在梯度變化，一系列基于閾值分割或邊緣檢測的病害檢測算法被提出。DAWOOD等[10]在異性擴散與形態學分析基礎上，提出了基于Canny邊緣檢測的病害識別方法。王睿等提出一種基于Prewitt算子與大津閾值分割的表面病害檢測方法。針對襯砌表面噪點多問題[11]；王耀東等提出通過計算局部區域紋理特征，提高隧道病害檢測精度[12]；彭斌等利用直方圖閾值分析與形態學濾波方法分割隧道滲漏水病害[13]。圖9展示了利用大津閾值、區域生長等方法對隧道滲水的檢測效果[14]。從實驗結果來看，雖然圖像信號處理類方法的計算復雜度低、硬件計算需求也不高，但難以克服隧道表面光照不均、背景噪聲等干擾。

圖9 基于圖像信號處理類的隧道滲漏水檢測結果

4.2 淺層模式識別類

為了解決圖像信號處理類方法易受不均勻光照以及陰影噪聲影響，有學者提出將圖像不重疊分塊，并采用局部圖像分類方法進行病害檢測[15]?？紤]到裂縫邊線特性，徐志剛等提取方塊圖像的局部形狀特征(如長寬、面積等)進行裂縫識別[16]。為了提高檢測精度，CHEN等采用局部二值特征(Local Binary Patterns，LBP)方法計算方塊圖像紋理特征，并構建了基于支持向量機的病害檢測模型[17]；考慮裂縫線狀特征，WANG等提出通過DCT計算方塊圖像變化特征，并應用L2稀疏分類方法實現了裂縫快速檢測[18]。以上基于淺層模式識別類的病害檢測方法，需要同時擁有良好的分塊圖像特征與魯棒的模式分類方法，才能取得較好的病害檢測效果，在復雜背景中的適用性無法有效保證。

4.3 深度學習類

近年來，基于深度學習的隧道表面病害檢測方法開始被廣泛關注。CHA等出利用一種8 層卷積網絡提取表面裂縫的語義特征，實現了準確率達98%的裂縫檢測效果[19]；XU等建立了3層受限波爾茲曼機網絡提取方塊圖像語義特征，并探討了方塊圖像的尺寸參數對于裂縫檢測性能的影響[20]。上述2種方法雖然可以較好地確定裂縫塊狀區域，但是無法獲取裂縫區域精準的像素面積。為了解決該問題，柴雪松等利用超像素分割確定裂縫候選區域，并進一步應用殘差深度分割網絡提取隧道裂縫病害像素區域[21]。針對隧道復雜環境干擾問題，苗曉坤提出在Unet像素分割網絡的基礎上，融合隧道病害的低層特征和高層特征，來提高對隧道裂縫病害的檢測精度[22]。

針對隧道表面滲漏水病害檢測與識別問題，薛亞東等提出了基于Faster R-CNN的滲漏水檢測框架，但由于有效標記樣本的數量不足，導致該框架對滲水區域的檢測精度僅有80.91%[6]；LI等也提出使用Faster R-CNN檢測滲漏水病害，其通過優化特征融合方式在一定程度上提高了病害檢測精度[23]。上述2種方法僅停留對滲漏水區域的檢測上，均無法有效地提取滲漏水區域像素面積。針對此問題，黃宏偉等提出了一種基于全卷積網絡的隧道病害檢測模型，實現了對滲漏水病害的像素級檢測[14]。趙帥等提出將Mask R-CNN網絡用于滲漏水病害檢測，并驗證了該模型在復雜背景下可實現滲漏水病害的精準定位與像素分割[24]。

5 現狀分析與展望

近年來，針對隧道表面病害視覺檢測與識別技術，國內外研究人員已進行了大量的研究。本小節將從硬件、軟件以及算法等3方面梳理該技術仍面臨的挑戰問題，并指出相關探索研究方向。

5.1 硬件采集方面

14臺相機均以隧道截面中心為圓心，同時掃描襯砌關鍵區域的表面病害，其中所有相機到隧道襯砌的工作物距是相同的。但考慮檢測車在隧道行駛中，車輛振動、線路轉彎等多方面因素，均可能導致相機的物距發生變化。當相機物距變化范圍超過該相機景深值時，其采集的圖像數據會出現模糊。此外，相機標定一般是根據直徑5.4 m的標準盾構隧道進行的，而針對地鐵線路中直徑6 m的大隧道，應用根據標準隧道尺寸標定好的相機，基本無法正常地進行數據采集。如何解決由于相機工作物距變化而出現的圖像數據采集失效問題，是未來隧道表面病害視覺檢測技術中硬件方面亟待解決的一大問題。

5.2 軟件處理方面

在圖像采集中，每個相機對隧道襯砌表面的圖像采集分辨率必須是相同的，這對于圖像拼接至關重要。但在實際應用中，相機安裝誤差、車輛載重下沉、行駛振動等因素，均可能導致相機的工作物距出現差異性變化，進而使得每個相機在橫向與縱向上對襯砌表面病害尺度的感知出現差異。如圖10所示，相機1的藍色部分拼接較好，相機2紅色部分顯示在縱向采集分辨率中出現變化，導致圖像拼接結果中部分區域出現錯位現象，給隧道病害識別帶來不利因素。針對此問題，嘗試跟蹤每個相機的工作物距變化，并將變化參數反饋于多相機的圖像數據拼接中，是未來有望解決移動場景中隧道表面病害圖像拼接問題的一個思路。

圖10 隧道襯砌圖像拼接異常示例

5.3 識別算法方面

目前一系列基于深度學習的隧道病害檢測與識別網絡被相繼提出[19-24]，這極大地推動了該技術在隧道巡檢領域的發展。但深度學習網絡的訓練需要大量的標記數據，由于隧道巡檢技術尚未成熟應用，導致有效的標記數據數量有限。據已有研究，1 km的隧道巡檢將產生超過200GB的圖像數據，其需要專業人員去標記這些大量的隧道圖像數據，費時耗力。此外，由于部分病害具有特殊的邊界滲流特性(如滲水)或具有極低的信噪比(如裂紋)，也導致獲取大量有效的標記數據極為困難。綜上，隧道巡檢面臨著先“人工”、再“智能”的數據瓶頸，而開展小樣本監督學習或半監督學習，是未來解決數據瓶頸難題的一個可能方向。

6 結論

隧道襯砌表面病害檢測與識別已成為地鐵巡檢中的一項重要內容，針對隧道表面病害視覺檢測技術發展趨勢，分別從硬件組成、軟件架構與識別算法等方面進行綜述，并形成以下結論：①以線陣相機+線激光源的硬件組成框架，具有高精度、高效率、低功耗等優勢，符合未來地鐵隧道快速巡檢需求；②在數據與位移準確同步基礎上，圖像增強與拼接處理可為后期隧道病害識別提供必要的數據基礎；③相較于其他類方法，深度學習方法可取得更好的病害檢測與識別效果。最后，總結分析了目前該技術在硬件、軟件及算法等方面待解決的難題和可能的研究方向，為該技術的進一步研究提供參考。