基于深度學(xué)習(xí)的地鐵隧道襯砌病害檢測模型優(yōu)化

薛亞東 ，高健 ，李宜城 ，黃宏偉

（1.同濟大學(xué)地下建筑與工程系，上海200092；2.同濟大學(xué)巖土及地下工程教育部重點實驗室，上海200092；3.中建絲路建設(shè)投資有限公司，陜西西安710000）

城市軌道交通是解決城市交通擁堵問題的有效方式.截至2018 年末，中國內(nèi)地共有35 個城市開通城市軌道交通，總運營里程達5 766.6 km，排世界首位.城市軌道交通多采用地下隧道建設(shè)方式.由于建設(shè)條件、運營環(huán)境等復(fù)雜因素影響，隧道結(jié)構(gòu)，特別是管片襯砌結(jié)構(gòu)，不可避免在運營期間會出現(xiàn)多種病害，如：滲漏水、裂縫、掉塊、管片錯臺、接縫張開、縱向不均勻沉降、管徑環(huán)向收斂變形等[1-2].其中，較為常見的兩種病害為裂縫和滲漏水.為確保隧道結(jié)構(gòu)安全并保障地鐵正常運營，傳統(tǒng)隧道病害檢測方法以人工為主，主要通過人眼或簡單儀器檢測[3]，雖然技術(shù)要求低，但檢測效果依賴于檢測人員的經(jīng)驗與主觀判斷，檢測效率與可靠性均無法滿足現(xiàn)代地鐵交通發(fā)展的需求[4].基于相機拍攝或三維激光掃描的隧道病害檢測是發(fā)展的技術(shù)方向[5]，目前已有國內(nèi)外廠家研制出用于隧道病害檢測的專用設(shè)備，可以獲取隧道病害的圖像.如何快速處理數(shù)量龐大的圖像數(shù)據(jù)成為亟需解決的新問題.

傳統(tǒng)的圖像處理算法，如canny 算子、Otsu 算法，以及專門針對裂縫病害檢測的算法[6-7]等，由于在實際應(yīng)用中多依賴于手工調(diào)節(jié)參數(shù)，因此往往效率低，周期長，魯棒性差，且病害檢測準(zhǔn)確率難以滿足需要.鑒于此，國內(nèi)外許多學(xué)者將深度學(xué)習(xí)方法應(yīng)用于病害檢測.深度學(xué)習(xí)（Deep Learning）是機器學(xué)習(xí)的一種方式，2013 年被麻省理工學(xué)院評為十大突破技術(shù)之一.深度學(xué)習(xí)模型在隧道結(jié)構(gòu)病害檢測任務(wù)上表現(xiàn)出優(yōu)良的泛化能力和魯棒性.

2017 年加拿大Cha 等[8]采用深度卷積神經(jīng)網(wǎng)絡(luò)對混凝土裂縫的識別進行了研究，在檢測中結(jié)合滑動窗口可以檢測任意大小的圖像，并與Canny、Sobel兩種邊緣檢測算子進行比較，驗證了深度學(xué)習(xí)在混凝土裂縫識別上的優(yōu)勢.2017 年黃宏偉等[9]基于全卷積網(wǎng)絡(luò)進行盾構(gòu)隧道滲漏水病害圖像識別，可有效消除干擾物的影響.2018 年薛亞東等[10]建立隧道襯砌特征圖像分類系統(tǒng)，在現(xiàn)有的CNN 模型GoogLeNet 基礎(chǔ)上，改進其inception 模塊與網(wǎng)絡(luò)結(jié)構(gòu)，獲得了準(zhǔn)確率超過95%的網(wǎng)絡(luò)模型，且對背景復(fù)雜條件下的圖像處理更具魯棒性.

已有研究成果表明，采用深度學(xué)習(xí)方法實現(xiàn)隧道病害檢測相比傳統(tǒng)圖像處理方法高效且穩(wěn)定，是未來發(fā)展的方向.但現(xiàn)有研究所采用的病害檢測模型，均未結(jié)合隧道病害的特性.隧道結(jié)構(gòu)病害具有其顯著特征，如滲漏水有滲流效果，在重力作用下，常常會向下發(fā)展，而裂縫由于受力原因，多沿管片結(jié)構(gòu)邊緣發(fā)展.本文基于自主研制的快速移動式隧道掃描檢測系統(tǒng)，采集了上海地鐵 1、2、4、7、8、10、12 等線路區(qū)間的大量襯砌圖像，建立了裂縫及滲漏水病害樣本庫，并利用K-means 聚類方法，從統(tǒng)計學(xué)上分析裂縫及滲漏水特征，基于定量分析結(jié)果對病害檢測模型及參數(shù)進行優(yōu)化.

1 病害特征

1.1 樣本庫的建立

深度學(xué)習(xí)模型訓(xùn)練過程，需從特定樣本庫中提取數(shù)據(jù)信息供網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí).深度學(xué)習(xí)中常用的幾類數(shù)據(jù)集，如 Microsoft COCO、PASCAL VOC、ImageNet、SUN Database 等，這些數(shù)據(jù)集均由復(fù)雜的生活場景中獲取，種類多，數(shù)量大，具有代表性.然而，在隧道病害檢測領(lǐng)域，裂縫和滲漏水有其獨特的特征，且目前這一研究領(lǐng)域還未建立成熟的專屬于裂縫和滲漏水的病害數(shù)據(jù)集.

通過自主研發(fā)的基于CCD 線陣相機的快速移動式地鐵隧道結(jié)構(gòu)病害檢測系統(tǒng)（MTI），進行隧道襯砌表面病害圖像采集.MTI 系統(tǒng)如圖1 所示，由6 臺CCD 線陣相機和12 個LED 光源組成，其環(huán)向掃描長度可達13 m，可實現(xiàn)高精度襯砌表觀圖像連續(xù)、快速掃描.目前為止，已針對上海市地鐵 1、2、4、7、8、10、12 號線等進行了多次檢測，采集了大量的隧道襯砌灰度圖像.采集后的圖像經(jīng)過人工裁切、標(biāo)注等一系列處理工作，構(gòu)成了深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)集.

圖1 MTI 檢測系統(tǒng)Fig.1 Tunnel inspection system

目前整理的數(shù)據(jù)集包含4 139 張圖像，每張圖像大小為3 000 像素×3 724 像素.病害檢測任務(wù)中，需對樣本庫中每張圖片進行標(biāo)注，標(biāo)注信息包括兩部分：病害類別（裂縫、滲漏水）和位置信息.位置信息的標(biāo)定采用一個長方形框（邊界框，bounding box），長方形框要求完整地包含整個病害，同時要求非病害區(qū)域盡可能小.病害邊界框采用左上角和右下角的兩個坐標(biāo)進行標(biāo)定.

用LabelImg 工具完成病害圖像標(biāo)注.在數(shù)據(jù)集中，一張圖像可能包含多個病害的標(biāo)簽圖（ground truth）.圖2 展示了此類標(biāo)簽的部分示例.共得到5 496 組裂縫和滲漏水病害的ground truth 信息，其中裂縫2 946 組、滲漏水2 550 組.據(jù)經(jīng)驗，樣本庫中的4 139 張圖片，3 000 張用于訓(xùn)練樣本，其余的1 139 張作為測試樣本.

圖2 樣本標(biāo)柱示例Fig.2 Labeled defects samples

1.2 樣本庫特征分析

隧道襯砌裂縫和滲漏水與其它類型目標(biāo)相比有其特定特征.為分析病害特征，首先針對樣本庫中的所有圖片做定性分析，并基于病害標(biāo)記得到的ground truth 信息對病害進行定量分析.圖3 為采集的部分裂縫及滲漏水病害示例圖.

首先對裂縫及滲漏水病害的尺度特征進行分析.經(jīng)統(tǒng)計，裂縫及滲漏水標(biāo)記的ground truth 面積（像素）分布結(jié)果見表1.其中，83.0%的病害面積處于（0，1× 106）區(qū)間內(nèi).裂縫和滲漏水面積在區(qū)間（0，1×106）上的分布如圖4 所示，大致呈對數(shù)正態(tài)分布.病害面積處于區(qū)間（0，4× 105）的約占（0，1× 106）區(qū)間的67%.

圖3 病害樣本示例Fig.3 Samples of defects

表1 裂縫與滲漏水面積統(tǒng)計分布Tab.1 Statistical of area of cracks and seepage

圖4 （0，1×106）區(qū)間裂縫與滲漏水面積分布圖Fig.4 （0，1 × 106）area distribution of cracks and water leakage

裂縫和滲漏水分別統(tǒng)計：2 946 個裂縫面積全部處于（0，4×106）區(qū)間內(nèi)，其中約90%的裂縫處于（0，3× 105）區(qū)間內(nèi)（表2）；2 550 個滲漏水面積處于（0，8×106）區(qū)間內(nèi)，其分布直方圖見圖5.滲漏水面積主要分布于（0，3 × 106）區(qū)間內(nèi)，其中區(qū)間（0，1 ×106）內(nèi)滲漏水占 64.2%，（1 × 106，2 × 106）區(qū)間內(nèi)滲漏水占22.0%.

表2 裂縫面積統(tǒng)計Tab.2 Statistical of area of cracks

圖5 滲漏水面積分布直方圖Fig.5 Histogram of the area distribution of water leakage

高寬比同樣是裂縫及滲漏水的重要特征之一.對樣本集中裂縫及滲漏水的高寬比進行統(tǒng)計，處于（0，1）區(qū)間內(nèi)的病害居多，大于10 的病害占比較?。▓D6）.圖7 為（0，1）區(qū)間內(nèi)病害分布直方圖，可知整個區(qū)間內(nèi)病害高寬比分布較均勻，區(qū)間兩端的病害占比較小.由此可以得出，隧道襯砌病害相比生活中的常見物體，其幾何表現(xiàn)相對細長，后續(xù)分析中將考慮病害的幾何特征與分布規(guī)律.

圖6 裂縫與滲漏水高寬比分布直方圖Fig.6 Histogram of defects aspect ratio distribution

圖7 （0，1）區(qū)間內(nèi)裂縫與滲漏水高寬比分布直方圖Fig.7 Histogram of defects aspect ratio distribution with in（0，1）

2 模型構(gòu)成

2.1 Faster R-CNN 模型

在病害檢測任務(wù)上，輸入圖像為完整的大尺度圖像，文中采用的圖片大小為3 000×3 724 像素.RCNN[11]系列算法核心思想是基于建議區(qū)域在整張圖片上檢測，選擇可能為病害區(qū)域的候選框，進而通過卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對每個區(qū)域提取特征，并利用分類器預(yù)測此區(qū)域中包含感興趣對象的置信度，將問題轉(zhuǎn)化為圖像分類問題.

Faster R-CNN[12]模型可分為兩部分.一部分為骨干結(jié)構(gòu)（backbone architecture），另一部分為頭結(jié)構(gòu)（head architecture）.骨干結(jié)構(gòu)負責(zé)對整張圖像進行處理，獲得其特征圖像（feature maps）；頭結(jié)構(gòu)處理特征圖像，獲得候選區(qū)域并進行分類和定位.

如圖8 所示，首先將整張圖片送入CNN，進行特征提取，在最后一層卷積層生成卷積特征圖，在此之后增加兩個額外的卷積層，構(gòu)造區(qū)域建議網(wǎng)絡(luò)（RPN，Region Proposal Network）；RPN 網(wǎng)絡(luò)可直接預(yù)測出候選區(qū)域建議框，候選框數(shù)量限定為300 個.Faster R-CNN 是 RPN 和 Fast R-CNN 相結(jié)合的結(jié)構(gòu)，同時共享了RPN 和Fast R-CNN 卷積層的參數(shù)，支持端到端的訓(xùn)練.

圖8 Faster-R-CNN 模型結(jié)構(gòu)示意圖Fig.8 Flow chart of the Faster-R-CNN model

2.2 區(qū)域建議網(wǎng)絡(luò)及Anchor Box

區(qū)域建議網(wǎng)絡(luò)是預(yù)測目標(biāo)建議區(qū)域候選框的一種方法，它可以接受任意大小的圖像作為輸入，輸出一系列的矩形候選框，每一個候選框都附帶一個目標(biāo)得分（object score），目標(biāo)得分的大小反映了每個矩形候選框中涵蓋的內(nèi)容屬于檢測目標(biāo)的概率.通過設(shè)定某一目標(biāo)得分閾值，可獲得一定數(shù)量的矩形候選框.

要處理的圖像首先經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)骨干結(jié)構(gòu)，運算得到卷積特征圖像，其大小和維度為p×q×n，其中p、q 分別為卷積特征圖像的高和寬，n 為卷積特征圖像的維度，如圖9 所示.

圖9 深度卷積特征的提取Fig.9 Deep convolution feature extraction

在提取的卷積特征圖像上，采用一個矩形圖框（anchor box，圖10）進行滑動完成目標(biāo)檢測.anchor box 包含兩個屬性，高寬比和尺度，它們決定了anchor box 的個數(shù).對于n 維的卷積特征圖像，k 個不同的anchor box，每一次滑動都會產(chǎn)生k 個n 維的低維向量（圖10）.

He 等[12]在Faster R-CNN 物體檢測模型中給出了建議的9 類anchor box.其中，包含3 類不同大小的尺度（1282，2562，5122），和 3 類不同的高寬比（1 ∶1，1 ∶2，2 ∶1）.anchor box 參數(shù)設(shè)置受檢測目標(biāo)特征影響，并對后續(xù)的分類和回歸兩個過程的計算精度及速度均有一定影響.本文的處理對象主要針對隧道襯砌表面病害，即裂縫和滲漏水.由前文分析結(jié)果可知，病害樣本庫中病害的形態(tài)與尺寸具有統(tǒng)計特征，可以據(jù)此改進模型以提升效果.

圖10 區(qū)域建議網(wǎng)絡(luò)的anchor boxFig.10 anchor box of RPN

3 模型改進

3.1 區(qū)域建議網(wǎng)絡(luò)與anchor box

區(qū)域建議網(wǎng)絡(luò)的任務(wù)包含兩部分，前景或背景的分類以及邊界框的回歸.如圖11 所示，虛線矩形框代表一個前景目標(biāo)的anchor box，實線矩形框代表目標(biāo)的真實值，邊界框回歸處理即是尋找一種映射關(guān)系，使得anchor box 與真實窗口盡量接近.

圖11 前景目標(biāo)的anchor box 和真實值Fig.11 Ground truth and anchor box

用 A =（xa，ya，wa，ha）表示 anchor box，其中的 x，y，w 和h 分別表示矩形框中心點坐標(biāo)與框的寬和高.用 G=（x*，y*，w*，h*）表示前景目標(biāo)的真實值，則映射為f（xa，ya，wa，ha）=（x*，y*，w*，h*）.將anchor box 的窗口變換為目標(biāo)的真實窗口，其變換方式為平移和縮放.

將anchor box 的中心點平移至目標(biāo)真實窗口的中心點，其變換公式見式（1）和式（2），其中dx（A）和dy（A）為橫縱坐標(biāo)相應(yīng)的平移變換.

將anchor box 的寬和高進行縮放，使其與真實值相同，其變換公式見式（3）和式（4），其中dw（A）和dh（A）分別為寬和高相應(yīng)的縮放變換.

由公式（1）～（4）可知，邊界框回歸的過程中，需要學(xué)習(xí)的是dx（A），dy（A），dw（A），dh（A）4 個變換.當(dāng)anchor box 和目標(biāo)的真實值相差較小時，可以認(rèn)為是一種線性變換.通過上述公式，可以獲得邊界框回歸的平移量 tx、ty和尺度因子 tw、th，其計算公式見式（5）至式（8）.

上述平移量和尺度因子作為區(qū)域建議網(wǎng)絡(luò)中邊界框回歸損失函數(shù)的參數(shù).

對于邊界框的回歸，其損失函數(shù)如式（9）所示.

其中 x，y，w，h 分別為矩形區(qū)域中心的橫縱坐標(biāo)、寬及高.變量x，xa，x*分別指網(wǎng)絡(luò)預(yù)測的邊界框、anchor box 的邊界框、目標(biāo)的真實邊界框（y，w，h 類同）的 x 坐標(biāo).

若anchor box 的邊界框與目標(biāo)的真實邊界框越接近，即 wa、ha與 w*、h*的值相差越小，由公式（7）（8）可知，尺度因子tw、th趨近于0，損失函數(shù)會更小，說明擬合程度也越好.

3.2 anchor box 尺度參數(shù)修正

根據(jù)前文對裂縫、滲漏水樣本庫的定量分析可知，裂縫及滲漏水病害面積分布基本可由三個區(qū)間覆蓋，分別為（0，4×105）、（4×105，1×106）、（1×106，8×106）.由此，可以得到病害面積所處量級的主要分布區(qū)間.

通常圖像檢測所用數(shù)據(jù)集的圖片比病害數(shù)據(jù)庫中圖片（像素）要小得多，如PASCAL VOC 數(shù)據(jù)集中，圖片的像素尺寸大小不一，尺寸大約在512×512，像素偏差不超過100.因此，在做病害檢測前，需根據(jù)病害數(shù)據(jù)庫中的圖片信息，對圖像檢測模型中的anchor box 尺度這一參數(shù)作出修正，由原先的（1282，2562，5122）修正為（5122，1 0242，2 0482），分別與前文所述的三個區(qū)間相對應(yīng).為驗證參數(shù)修正的準(zhǔn)確性及有效性，下文通過控制變量的試驗方法進行模型試驗.

3.3 anchor box 比例值修正

采用K-means 聚類算法，基于裂縫及滲漏水病害的高寬比數(shù)據(jù)庫進行聚類分析，以聚類結(jié)果為基礎(chǔ)對病害檢測模型中的anchor box 比例值進行修正.

K-means 算法[13]屬于硬聚類算法，它是根據(jù)數(shù)據(jù)類別中心的目標(biāo)函數(shù)進行聚類，其中，目標(biāo)函數(shù)是數(shù)據(jù)點到類別中心廣義距離和的優(yōu)化函數(shù).

對于給定的一個包含n 個d 維數(shù)據(jù)點的數(shù)據(jù)集X = {x1，x2，…，xi，…，xn}，其中 xi∈Rd，假定聚類數(shù)目為K，需將所有數(shù)據(jù)對象劃分為K 個獨立子集C={ck}，k=1，2，…，K.每個子集 ck有一個類別中心 μk.通常情況下，選取歐氏距離作為相似性和距離判斷準(zhǔn)則，計算類內(nèi)各點到 μk的距離平方和 J（ck）：

聚類目標(biāo)是各類總的距離平方和J（C）最小.

裂縫與滲漏水病害高寬比的聚類分析中，關(guān)注病害的高、寬兩個維度，聚類結(jié)果與anchor box 框的大小無關(guān)，而與滑動窗口的對應(yīng)區(qū)域和前景目標(biāo)真實值的圖形交并比（Intersection-over-Union，IoU）有關(guān)，不能簡單采用歐氏距離作為聚類分析相似性和距離判斷準(zhǔn)則.

IoU 為兩個圖像的交集和并集之間的比例，即IoU=A∩B/A∪B，如圖12 所示.

圖12 圖形的交并比Fig.12 Intersection-over-Union

在模型訓(xùn)練過程中，區(qū)域建議網(wǎng)絡(luò)根據(jù)IoU，將anchor box 獲得的樣本分為三類：當(dāng)圖IoU 大于0.7時，標(biāo)記為正樣本；小于0.3 時，標(biāo)記為負樣本；介于兩者之間時，標(biāo)記為無效樣本.在訓(xùn)練過程中正樣本和負樣本均參與訓(xùn)練，無效樣本不參與訓(xùn)練.

為選取具有高IoU 得分的目標(biāo)框，采用如下距離度量：

為合理確定K-means 聚類的K 值，提出使用簇內(nèi)誤方差（sum of the squared errors，SSE）[14]作為聚類分析的目標(biāo)函數(shù)，其計算公式見式（14）.

其中：Ci表示第 i 個簇；p 是 Ci中的樣本點；mi是 Ci的質(zhì)心（Ci中所有樣本的均值）；SSE 是所有樣本的聚類誤差，代表了聚類效果的好壞.隨著聚類數(shù)K 的增大，樣本劃分會更加精細，每個簇的聚合程度會逐漸提高，誤差平方和SSE 逐漸變小.

對裂縫與滲漏水病害高寬比數(shù)據(jù)集進行聚類分析，以 SSE 作為聚類分析的目標(biāo)函數(shù)，K 值?。?，9），得到SSE 和K 的關(guān)系圖見圖13.由圖13 可知，轉(zhuǎn)折點對應(yīng)的K 值為3，即K=3 時更接近真實聚類數(shù).因此，聚類分析時取K=3，從統(tǒng)計學(xué)上得到3 種更接近病害目標(biāo)真實值的高寬比：ha/wa.

圖13 病害高寬比數(shù)據(jù)集SSE-K 曲線圖Fig.13 Curve of SSE vs K

距離度量采用式（13），則各點到聚類中心的距離平方和具有如下關(guān)系：

聚類目標(biāo)是使各類總的距離平方和J（C）最小，K-means 聚類算法如圖14 所示.

圖14 K-means 聚類算法Fig.14 K-means clustering algorithm

基于標(biāo)記得到2 946 組裂縫和2 550 組滲漏水病害的ground truth 信息，采用K-means 聚類算法進行聚類分析.

采用兩種聚類方案.一種是對訓(xùn)練樣本中的裂縫和滲漏水?dāng)?shù)據(jù)分別聚類分析，另一種是對訓(xùn)練樣本中的裂縫和滲漏水同時進行聚類，即由5 496 組裂縫及滲漏水?dāng)?shù)據(jù)聚類分析得到接近兩種病害目標(biāo)真實值的anchor box.聚類分析結(jié)果見表3.

表3 聚類分析結(jié)果Tab.3 Cluster results

4 深度學(xué)習(xí)軟硬件配置

4.1 深度學(xué)習(xí)硬件配置

本研究的深度學(xué)習(xí)硬件配置為：

核心處理器：Intel Core i7-5820K CPU；

圖形處理器：三塊GeForce GTX 1080，每塊顯卡的顯存8 GB，總共24 GB；內(nèi)存：64 GB.

4.2 深度學(xué)習(xí)軟件配置

深度學(xué)習(xí)的軟件環(huán)境配置為：編程語言python2.7.12、并行計算架構(gòu) CUDA8.0、基于 GPU 的加速庫cuDNN5.0 和深度學(xué)習(xí)框架Caffe[15].

5 病害檢測實驗設(shè)計與模型訓(xùn)練

5.1 實驗設(shè)計

實驗設(shè)計主要考慮兩個方面：一是評價利用K means 聚類算法對anchor box 參數(shù)的修正對檢測效果的影響；一是考慮裂縫與滲漏水幾何形態(tài)特征差別較大，將裂縫和滲漏水分別獨立建立樣本庫，比較分析混合訓(xùn)練與獨立訓(xùn)練的利弊.共設(shè)計了6 類不同的檢測模型方案，（見表4）.

表4 檢測模型方案Tab.4 Test models

5.2 訓(xùn)練方法

本文所用的模型采用兩條計算路線，骨干結(jié)構(gòu)卷積層內(nèi)的卷積核在不同的計算路線上可能存在不同損失函數(shù)梯度方向，導(dǎo)致無法共享網(wǎng)絡(luò)權(quán)重.在模型的訓(xùn)練中，采用交替訓(xùn)練方法，即先訓(xùn)練區(qū)域建議網(wǎng)絡(luò)，而后用區(qū)域建議網(wǎng)絡(luò)得到的候選區(qū)域訓(xùn)練病害檢測方法，并交替訓(xùn)練，不斷迭代.

在病害檢測模型訓(xùn)練中，使用已訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型對骨干結(jié)構(gòu)進行權(quán)重初始化.模型迭代訓(xùn)練過程中采用動態(tài)學(xué)習(xí)率策略.優(yōu)化采用隨機梯度下降算法.

5.3 模型評價標(biāo)準(zhǔn)

5.3.1 檢測結(jié)果的評價

檢測率（detection rate）：表示測試集中檢測得到的正確結(jié)果數(shù)量和實際的結(jié)果數(shù)量的比值.在最終的結(jié)果檢測中，設(shè)定0.8 作為閾值，當(dāng)檢測結(jié)果得分超過閾值則輸出該檢測結(jié)果.

檢測準(zhǔn)確度（detection accuracy）：表示病害檢測結(jié)果得分的平均值.檢測準(zhǔn)確度反應(yīng)了該方法的識別能力.

5.3.2 檢測效率的評價

訓(xùn)練時間（training time）：表示檢測模型整個訓(xùn)練過程所用的時間.

檢測效率（detection efficiency）：指檢測每張圖像需要花費的時間.

5.4 模型檢測結(jié)果

模型訓(xùn)練完成后，對測試數(shù)據(jù)集上含有裂縫和滲漏水的目標(biāo)進行檢測.測試集包含1 139 幅圖像，其中病害目標(biāo)共有1 867 個.表5 是Model1～Model6各模型的訓(xùn)練測試過程中各指標(biāo)的結(jié)果對比.

圖16 展示了部分病害檢測結(jié)果（矩形框）.

由Model1&2 檢測結(jié)果對比可知，優(yōu)化后的VGG16 網(wǎng)絡(luò)在同一數(shù)據(jù)集上的準(zhǔn)確率為80.91%，高于優(yōu)化前的VGG16（75.81%），提升了6.73%.此外，訓(xùn)練時間縮短了10 min，平均單張圖片測試時間也有略微縮短，一定程度上加快了檢測效率.

由Model2&4&6 檢測結(jié)果對比可知，優(yōu)化后的裂縫檢測模型對裂縫平均檢測率為77.28%，優(yōu)化后的滲漏水檢測模型對滲漏水平均檢測率為85.25%，與同時進行裂縫和滲漏水檢測的模型（分別為71.8%，84.28%）相比較均有提升.

Model1&5、Model2&6 的檢測結(jié)果對比，滲漏水和裂縫單一檢測模型較兩種病害同時檢測的模型檢測率更高，效果更佳.因此如果工程對檢測準(zhǔn)確度要求很高時，可以考慮對裂縫和滲漏水分別獨立檢測.這一方案的不足之處在于需要訓(xùn)練兩個模型，會增加一定時間成本.

表5 各模型訓(xùn)練測試結(jié)果Tab.5 Model training and test results

圖16 檢測結(jié)果示意圖Fig.16 Examples of defects detection

5.5 模型魯棒性檢驗

魯棒性和適應(yīng)性代表了模型的泛化能力.為了驗證本文模型的泛化能力，對襯砌圖像做出如下處理：病害位置的變化、病害尺度的變化、病害圖像的高斯模糊以及病害的不規(guī)則變形.

在圖17 所示的圖像中，圖像大小均為3 000 ×3 724 像素，包含了兩條裂縫，通過提取不同裂縫病害位置的圖像進行驗證.結(jié)果表明，無論病害位置如何移動，本方法均可正確檢測.

圖17 不同位置病害檢測結(jié)果Fig.17 Detection results with different defects location

在圖18 所示的圖像中，圖像大小經(jīng)過了不同尺度的圖像變換，圖像大小從左到右分別為3 000 ×3 724 像素、1 700 × 2 000 像素、1 200 × 1 450 像素，每張圖像含有一處相同的滲漏水病害.檢測結(jié)果表明，在不同尺度的圖像中，本方法均可正確檢測，同時其檢測率均較高.

圖18 不同尺度病害檢測結(jié)果Fig.18 Detection results with different defects size

在圖19 所示的圖像中，對圖像進行高斯模糊處理，圖像從左到右模糊半徑分別為0、5、8.可以發(fā)現(xiàn)，每張圖像都包括了兩條裂縫，一條裂縫寬度較寬，相對明顯，另一條裂縫寬度較窄，相對模糊.經(jīng)過模糊半徑為5 的高斯模糊后，窄裂縫幾乎肉眼難以分辨，本方法仍然可以將其檢測出來，而經(jīng)過模糊半徑為8 的高斯模糊后，本方法僅檢測出一條裂縫.檢測結(jié)果表明，在相對模糊圖像中，本方法具有良好的適應(yīng)性.

圖19 高斯模糊圖像的病害檢測結(jié)果Fig.19 Detection results of Gaussian Blur images

在圖20 所示的圖像中，圖像從左到右分別為原始圖像，縱向拉伸圖像和橫向拉伸圖像，從視覺效果上看，經(jīng)過變形的病害特征圖像具備了不同的形態(tài)特征，對于本方法，均可正確檢測.檢測結(jié)果表明，對于不規(guī)則變形的圖像，本方法具有良好的適應(yīng)性.

圖20 橫縱向變形圖像的病害檢測結(jié)果Fig.20 Detection results with different aspect ratio

5 結(jié) 論

本文利用快速檢測盾構(gòu)隧道襯砌病害的深度學(xué)習(xí)方法，在現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)物體檢測模型VGG-16 基礎(chǔ)上對模型進行修正，根據(jù)手動建立的裂縫、滲漏水病害數(shù)據(jù)集，并設(shè)計了6 種不同試驗條件下的Faster R-CNN 檢測模型，分別進行病害檢測計算，以此驗證模型參數(shù)修正的正確性與必要性，并對模型的魯棒性進行驗證.得出結(jié)論如下：

1）在現(xiàn)有Faster R-CNN 檢測模型基礎(chǔ)上進行修正，并對修正后模型的有效性、準(zhǔn)確性和訓(xùn)練難易程度進行了評估；通過控制變量法，對3 組參數(shù)修正前后的模型檢測結(jié)果進行比較.結(jié)果表明參數(shù)修正后的模型檢測準(zhǔn)確度有明顯提升.

2）通過對不同檢測模型計算結(jié)果對比分析得出，裂縫和滲漏水的單一檢測模型比同時檢測兩種病害的模型準(zhǔn)確度更高，但會增加一定時間成本.

3）此外，本文計算所采用的數(shù)據(jù)集僅有4 139 張圖片，圖片數(shù)量略少，參數(shù)修正后對隧道襯砌病害的檢測效果仍不能真正達到高準(zhǔn)確度，僅有80.91%.可以考慮擴充病害數(shù)據(jù)庫，增加模型的魯棒性及準(zhǔn)確度.