公路隧道視頻預(yù)處理和病害識(shí)別算法

胡珉，周顯威，高新聞

(1. 上海大學(xué) 悉尼工商學(xué)院，上海 201800；2. 上海大學(xué) 上海城建集團(tuán)建筑產(chǎn)業(yè)化研究中心，上海 200072；3. 上海大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，上海 200444)

目前，公路隧道的病害檢測主要依賴人工巡檢，這種檢測方式耗時(shí)、耗力、低效，而且惡劣的巡檢環(huán)境增加巡檢難度[1-2]，存在遺漏病害的情況[3-11].用自動(dòng)化的巡檢設(shè)備代替人工采集病害，結(jié)合圖像處理方法識(shí)別病害是目前的主要研究方向[12-23],但基于圖像的檢測需要對(duì)圖像進(jìn)行合適的預(yù)處理.在基于圖像處理的病害檢測方法中，目前效果最好的是基于深度神經(jīng)網(wǎng)絡(luò)的方法，為了能夠精確計(jì)算病害嚴(yán)重程度，主要使用全卷積網(wǎng)絡(luò)(FCN)[24]對(duì)圖像進(jìn)行語義分割[23].FCN能夠?qū)γ總€(gè)像素點(diǎn)進(jìn)行分類.在病害檢測研究中，F(xiàn)CN存在兩個(gè)問題：1) 結(jié)果不夠精細(xì)[25]，處理結(jié)果過于模糊，對(duì)細(xì)節(jié)不敏感；2) 沒有考慮像素之間的關(guān)系，忽略了空間規(guī)整的步驟[26].問題1)主要通過多重上采樣解決[24]，問題2)可以結(jié)合隨機(jī)場改善[25-26].

針對(duì)上述問題，本文設(shè)計(jì)合理的圖像預(yù)處理方法，建立基于FCN的病害識(shí)別模型.結(jié)合FCN模型與馬爾可夫隨機(jī)場(MRF)，完善FCN的空間規(guī)整的步驟.

1 基于MRF-FCN的病害檢測方法

1.1 病害檢測流程

圖1 病害檢測流程Fig.1 Defect detection procedure

隧道病害檢測主要是從圖像中獲取特征，再通過模式識(shí)別的方法判斷是否存在病害.在病害檢測的方法中，深度神經(jīng)網(wǎng)絡(luò)能夠全面提取圖像特征，又能夠快速進(jìn)行模式識(shí)別，因此，使用深度學(xué)習(xí)方法作為病害檢測的主要模型.考慮到在數(shù)據(jù)采集的過程中，數(shù)據(jù)的采集方式、采樣頻率及噪聲干擾會(huì)影響數(shù)據(jù)質(zhì)量，需要在病害檢測之前先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理.

病害檢測的整體流程，如圖1所示.深度學(xué)習(xí)病害檢測模型的設(shè)計(jì)考慮到模型需要進(jìn)行訓(xùn)練，因此，應(yīng)用的過程可以分為模型訓(xùn)練和模型應(yīng)用.由于數(shù)據(jù)采集過程中存在問題，首先，需要根據(jù)采集數(shù)據(jù)的特點(diǎn)，對(duì)圖像進(jìn)行一系列數(shù)據(jù)預(yù)處理，構(gòu)建隧道病害數(shù)據(jù)并進(jìn)行標(biāo)記；然后，再訓(xùn)練病害檢測模型.由于初始采集的病害數(shù)量較少，故使用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充數(shù)據(jù)集，獲得足夠的數(shù)據(jù)用于模型訓(xùn)練.模型應(yīng)用處理日常巡檢中產(chǎn)生的數(shù)據(jù)，完成數(shù)據(jù)預(yù)處理，接下來直接進(jìn)行病害檢測.由于無需對(duì)模型參數(shù)進(jìn)行優(yōu)化，沒有數(shù)據(jù)增強(qiáng)的步驟.

圖2 數(shù)據(jù)預(yù)處理流程Fig.2 Data preprocess procedure

在數(shù)據(jù)預(yù)處理過程中，由于所采集的視頻圖像存在數(shù)據(jù)冗余、鏡頭畸變、噪聲等問題，需要進(jìn)行適當(dāng)?shù)念A(yù)處理后才能應(yīng)用.考慮到冗余數(shù)據(jù)的存在，若先進(jìn)行畸變矯正則會(huì)導(dǎo)致預(yù)處理時(shí)間增加.而先截取關(guān)鍵幀不僅能夠大幅提高預(yù)處理效率，還能在截取關(guān)鍵幀的步驟同時(shí)先消除噪聲，防止噪聲對(duì)后續(xù)步驟的影響.因此，將視頻數(shù)據(jù)的預(yù)處理分為4個(gè)步驟：采集數(shù)據(jù)、關(guān)鍵幀截取、畸變校正和數(shù)據(jù)增強(qiáng).數(shù)據(jù)預(yù)處理流程，如圖2所示.圖2中：數(shù)據(jù)增強(qiáng)步驟僅用于訓(xùn)練數(shù)據(jù)集的擴(kuò)充，而在模型的實(shí)際使用中不存在此步驟.

1.2 數(shù)據(jù)預(yù)處理

1.2.1 采集數(shù)據(jù) 借助自主研發(fā)的巡檢機(jī)器采集的視頻數(shù)據(jù)來自上海市大連路隧道，適用于自動(dòng)化的采集模式，在數(shù)據(jù)采集的過程中，為了獲取完整的圖像信息，往往采用視頻錄制的方式.另外，從數(shù)據(jù)特征的角度，視頻相當(dāng)于圖像數(shù)據(jù)的特征增加了時(shí)間步長，獲取時(shí)間維度的數(shù)據(jù)可以更好地應(yīng)用于離線定位，更加符合工業(yè)應(yīng)用的需要.

視頻的錄制是以視頻幀的方式記錄信息，視頻的錄制幀率一般是24幀·s-1，有巨大信息冗余.為了提高檢測效率，避免重復(fù)的數(shù)據(jù)處理，需要從視頻中截取特定位置的圖像，將其作為檢測模型的輸入圖像，也就是關(guān)鍵幀.關(guān)鍵幀并非指含有病害的幀，而是從視頻中挑選特定位置的幀，關(guān)鍵幀之間應(yīng)當(dāng)在地理上近似等距，這樣既減少了不必要的數(shù)據(jù)處理，又利于確定病害的空間位置，其作為病害的定位依據(jù)，滿足了工程需求.

1.2.2 關(guān)鍵幀截取 視頻關(guān)鍵幀截取是為了從視頻中提取重要信息，排除冗余數(shù)據(jù).目前廣泛使用的關(guān)鍵幀提取算法主要是基于信息熵[27]和圖像熵[28]分類方法，這些方法將關(guān)鍵幀視為異常，計(jì)算不同鏡頭的信息熵，結(jié)合靜態(tài)的局部處理，以異常檢測的方式區(qū)分冗余幀和關(guān)鍵幀.基于復(fù)雜特征和信息熵的方法需要進(jìn)行大量的圖像比對(duì)和特征距離計(jì)算，處理效率不高，因而在實(shí)際應(yīng)用中，需要結(jié)合應(yīng)用場景，選擇顯著的、高效的特征提取方法和特征距離計(jì)算方法.

由于隧道由環(huán)組成，環(huán)面在視頻中寬度一致，排列有序，因此,每個(gè)環(huán)面是最合適的關(guān)鍵幀，可以將環(huán)面邊緣作為識(shí)別的特征，通過對(duì)比不同圖像中的邊緣特征，計(jì)算特征距離以判斷是否存在病害.由于Canny算子在邊緣檢測中檢測效率高、效果好且應(yīng)用廣泛[29]，因此，文中使用Canny算子作為環(huán)面邊緣特征提取的模板.該方法僅適用于邊緣特征明顯的關(guān)鍵幀截取，但處理效率和效果較好，對(duì)于應(yīng)用場景是最合適的方法.關(guān)鍵幀截取有以下3個(gè)步驟.

步驟1選擇標(biāo)準(zhǔn)圖作為關(guān)鍵幀的模板，將標(biāo)準(zhǔn)圖中的環(huán)面邊緣特征作為匹配關(guān)鍵幀的依據(jù)，因此,需要從視頻幀中選擇一組包含完整且不重復(fù)環(huán)面的圖像作為標(biāo)準(zhǔn)圖.標(biāo)準(zhǔn)圖符合以下特點(diǎn)：1) 同一環(huán)的4個(gè)邊緣線均完整地顯示在圖像中；2) 環(huán)面邊緣的中心位于或者鄰近圖像的中心點(diǎn)；3) 邊緣線沒有病害和干擾物，環(huán)面幾乎沒有病害和干擾物.

步驟2提取特征點(diǎn)集.灰度化標(biāo)準(zhǔn)圖后使用Canny濾波提取環(huán)面特征點(diǎn)集P，用T表示特征點(diǎn)總數(shù).將特征點(diǎn)的灰度值Gn，n∈[1,T]按位置順序排列，形成新的特征點(diǎn)集P′，并記錄每個(gè)點(diǎn)的位置坐標(biāo)Ln=(Xn,Yn)，n∈[1,T].

(1)

1.2.3 畸變矯正 通過相機(jī)拍攝所采集的數(shù)據(jù)會(huì)產(chǎn)生光學(xué)畸變，廣角鏡頭的畸變尤其嚴(yán)重，但許多研究中往往會(huì)忽略畸變問題的處理.鏡頭畸變一般分為徑向畸變和棱鏡畸變，針對(duì)所使用相機(jī)的特點(diǎn)，采用實(shí)際應(yīng)用廣泛的多項(xiàng)式法.鏡頭畸變校正使用了r=0處的泰勒展開的前幾項(xiàng)描述徑向畸變，由于研究中需要校正的圖片分辨率較大，因而采用了更為完整的多項(xiàng)式，對(duì)徑向畸變進(jìn)行詳細(xì)描述，即

(3)

式(3)中:xdis和ydis是徑向畸變點(diǎn)在原圖上的位置坐標(biāo)；xc和yc是該畸變點(diǎn)經(jīng)過校正后坐標(biāo)位置;k1～k6為徑向畸變系數(shù)；r為透鏡半徑.切向畸變?yōu)?/p>

(4)

畸變參數(shù)模型需要考慮徑向畸變和切向畸變，結(jié)合相機(jī)的小孔成像模型，以反向投影的角度反向思考，從畸變后的坐標(biāo)點(diǎn)反推出未發(fā)生畸變的坐標(biāo)點(diǎn)，畸變校正的模型描述為

(5)

式(5)中：k1～k6為徑向畸變參數(shù)；p1，p2為切向畸變參數(shù)；xdis和ydis是畸變點(diǎn)在原圖上的位置坐標(biāo)(世界坐標(biāo)系)；x,y為相機(jī)坐標(biāo)系的坐標(biāo)；z為拍攝距離；R為旋轉(zhuǎn)矩陣；xc和yc是該畸變點(diǎn)經(jīng)過校正后的實(shí)際坐標(biāo)位置(圖像坐標(biāo)系)；u,v分別像素點(diǎn)在像素坐標(biāo)系下的坐標(biāo)；u0,v0為圖像的原點(diǎn)坐標(biāo)；f為相機(jī)焦距；dx,dy為每個(gè)像素在圖像坐標(biāo)系橫、縱方向的尺寸.

將標(biāo)準(zhǔn)標(biāo)定模板(棋盤格)作為參照物，使用需要標(biāo)定的相機(jī)拍攝模板.通過Harris角點(diǎn)識(shí)別獲取拍攝前后圖像的網(wǎng)格角點(diǎn)，計(jì)算網(wǎng)格點(diǎn)的坐標(biāo)差，選擇特定的控制點(diǎn)，解出式(5)中的畸變參數(shù)，就可以明確畸變的變化關(guān)系.

標(biāo)準(zhǔn)的圖像中某一點(diǎn)坐標(biāo)(X,Y)，且X,Y均為整數(shù)，但畸變后，在畸變圖像上的位置基本上不是整數(shù)，所以需要用雙線性內(nèi)插法進(jìn)行插值處理.設(shè)點(diǎn)p(i+u,j+v)為畸變前圖像中落在畸變圖像上的點(diǎn)，且該點(diǎn)不在畸變圖坐標(biāo)上，使用相鄰4個(gè)畸變坐標(biāo)點(diǎn)P(i,j),P(i+1,j),P(i,j+1),P(i+1,j+1)進(jìn)行雙線性內(nèi)插值法計(jì)算，即

1.2.4 數(shù)據(jù)增強(qiáng) 對(duì)于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)而言，數(shù)據(jù)量不足、類別不均衡會(huì)導(dǎo)致訓(xùn)練不夠充分，容易產(chǎn)生過擬合現(xiàn)象.而在隧道病害識(shí)別的研究領(lǐng)域，深度學(xué)習(xí)的應(yīng)用處于起步階段，沒有合適的數(shù)據(jù)集可用于訓(xùn)練和測試，因此,在數(shù)據(jù)預(yù)處理之后，使用數(shù)據(jù)增強(qiáng)方法增加數(shù)據(jù)量.

一般來說，常用的用于增大圖像數(shù)據(jù)集的方法有保留標(biāo)記變換圖像，變換包括以下5個(gè)方式：

1) 改變圖像亮度、飽和度、對(duì)比度；

2) 隨機(jī)重構(gòu)目標(biāo)大小；

3) 隨機(jī)裁剪、拉伸、切片；

4) 旋轉(zhuǎn)、翻折、仿射變換；

5) 隨機(jī)噪聲、模糊和扭曲.

通過兩步變換操作實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，首先，將畸變矯正后的圖像添加隨機(jī)的像素點(diǎn)擾動(dòng)，其次，將原本1 920 px×1 080 px的圖像隨機(jī)裁剪成224 px×224 px大小，隨機(jī)翻折圖像(上下、左右或鏡像翻折隨機(jī)進(jìn)行)，隨機(jī)組合，形成新的1 920 px×1 080 px的圖像.通過監(jiān)督，隨機(jī)生成原始數(shù)據(jù)量19倍的新圖像，總數(shù)據(jù)量擴(kuò)充為原來的20倍.

至此，數(shù)據(jù)預(yù)處理及數(shù)據(jù)集的構(gòu)建完成.由于深度學(xué)習(xí)模型依賴訓(xùn)練樣本的數(shù)量，所以僅對(duì)常見的裂縫、滲漏水和破損3種病害進(jìn)行目標(biāo)檢測.排除其他病害，不同病害類別以3∶1隨機(jī)抽取，構(gòu)建模型的訓(xùn)練集和驗(yàn)證集.

1.3 MRF-FCN模型的構(gòu)建

1.3.1 基礎(chǔ)模型 對(duì)于隧道病害檢測而言，從圖像級(jí)別的分類細(xì)化到像素級(jí)別的分類，使病害危險(xiǎn)程度可以定量計(jì)算和評(píng)估.若使用目標(biāo)檢測的神經(jīng)網(wǎng)絡(luò)模型，僅能夠判斷病害的位置，無法進(jìn)一步計(jì)算其嚴(yán)重程度(面積、寬度等).在現(xiàn)有的病害檢測研究中，薛亞東等[30]改進(jìn)了GoogLeNet，并用于隧道內(nèi)滲漏水、裂縫、拼縫、管線圖片的分類，相對(duì)于一般目標(biāo)檢測模型效果更好.目標(biāo)檢測的方法能夠找到病害，判斷病害類別，但是在實(shí)際應(yīng)用中，還需要計(jì)算病害的嚴(yán)重程度，例如，裂縫的長度、寬度、滲漏水和破損的面積等，所以需要將檢測的精度細(xì)化到像素級(jí)別，從而進(jìn)行圖像語義分割.

在現(xiàn)有的語義分割模型中，F(xiàn)CN應(yīng)用于諸多領(lǐng)域中，并取得了顯著的研究成果.FCN是卷積神經(jīng)網(wǎng)絡(luò)中的一種，能夠?qū)γ總€(gè)像素點(diǎn)都進(jìn)行預(yù)測，可以實(shí)現(xiàn)圖像像素點(diǎn)對(duì)點(diǎn)的分類[24].因此，選用FCN作為基礎(chǔ)模型.全卷積網(wǎng)絡(luò)架構(gòu)圖，如圖3所示.

全卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行語義分割，需要對(duì)圖像上的各個(gè)像素進(jìn)行分類，上采樣過程是將最后輸出的熱力圖上采樣到原圖.上采樣類似卷積，在卷積之前，將輸入特征插值到更大的特征圖，然后，進(jìn)行卷積.一般采用雙線性插值填充特征圖，這一操作丟失部分信息.根據(jù)FCN模型結(jié)構(gòu)計(jì)算，經(jīng)過5次卷積和池化，圖像的分辨率依次縮小了2，4，8，16和32倍.因此，32倍上采樣丟失了大量細(xì)節(jié)信息.Long等[24]將第4次和第3次卷積分別進(jìn)行16倍和8倍上采樣，可以保留更多細(xì)節(jié)信息.將底層結(jié)果進(jìn)行2倍上采樣,結(jié)果與第4層結(jié)果相加并進(jìn)行預(yù)測，得到FCN-16s，以此類推，得到更加精細(xì)的FCN-8s.

圖3 全卷積網(wǎng)絡(luò)架構(gòu)圖Fig.3 Structure of FCN network

1.3.2 MRF增強(qiáng)空間一致性 FCN模型存在著空間不一致的問題，端對(duì)端的計(jì)算方式忽視了像素點(diǎn)之間的關(guān)聯(lián).由于隧道病害和干擾物均具有連通性，其像素點(diǎn)之間可以通過領(lǐng)域相關(guān)算法構(gòu)建關(guān)聯(lián).將像素點(diǎn)視作節(jié)點(diǎn)，引入MRF概念可以更好地反映像素點(diǎn)之間的鄰域關(guān)系.對(duì)于病害檢測而言，裂縫、滲漏水和破損3種常見病害均具有連通性，結(jié)合MRF的圖像分割，對(duì)病害區(qū)域中的個(gè)別錯(cuò)誤分類有抑制的作用.

MRF也被稱為馬爾科夫網(wǎng)絡(luò)或者無向圖模型，在圖像處理中，往往使用MRF表示圖像像素之間的關(guān)聯(lián)，將圖像中的每個(gè)像素作為馬爾可夫隨機(jī)場的節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)之間都存在相互的連接(Edges)，而且這種連接是無向的.特別地，對(duì)于馬爾可夫隨機(jī)場而言，每個(gè)像素的分類結(jié)果僅與相鄰像素的類別相關(guān)，而與圖像中的其他像素的分類是條件獨(dú)立的.MRF通過勢函數(shù)反映節(jié)點(diǎn)之間的關(guān)系，也就是研究中需要使用的損失函數(shù)，即

(7)

一元?jiǎng)莺瘮?shù)僅僅反映了單個(gè)像素的分類概率，在實(shí)際應(yīng)用中，病害具有連通性，因此，可以看作是連通區(qū)域內(nèi)的其他像素影響某一像素分類的結(jié)果.在勢函數(shù)中需要添加二元?jiǎng)莺瘮?shù),即

(8)

用來反映該像素點(diǎn)與連通區(qū)域內(nèi)其他像素之間的連接關(guān)系.

二元?jiǎng)莺瘮?shù)示意圖.如圖4所示.圖4中：K為圖像中所有連通區(qū)域的集合，且連通區(qū)域內(nèi)所有像素分類均不是背景；μk(i,u,j,v)表示第k個(gè)連通區(qū)域內(nèi)，像素i被分為病害類別u，同時(shí)，像素j被分為病害類別v的聯(lián)合概率；d(i,j)表示像素i與j之間的幾何距離.二元?jiǎng)莺瘮?shù)通過連通區(qū)域內(nèi)像素點(diǎn)的連接關(guān)系(分類的聯(lián)合概率和像素的幾何距離)，表現(xiàn)像素之間的關(guān)聯(lián)性.

一元?jiǎng)莺瘮?shù)和二元?jiǎng)莺瘮?shù)組成了MRF方法，而MRF勢函數(shù)包含了FCN模型的損失函數(shù)，作為單個(gè)像素的分類結(jié)果，另外還增加了二元?jiǎng)莺瘮?shù)反映像素之間的關(guān)聯(lián).所以使用MRF方法和FCN模型結(jié)合的方式就是擴(kuò)展FCN模型的損失函數(shù).增加二元?jiǎng)莺瘮?shù)損失LPai作為額外的優(yōu)化目標(biāo)，形成聯(lián)合損失函數(shù)Ltotal，即

Ltotal=LFCN+LPai.

(9)

MRF優(yōu)化流程，如圖5所示.

圖4 二元?jiǎng)莺瘮?shù)示意圖 圖5 MRF優(yōu)化流程 Fig.4 Schematic diagram of binary energy function Fig.5 Process of MRF optimization

2 結(jié)果與應(yīng)用

2.1 數(shù)據(jù)獲取與模型訓(xùn)練

圖6 MRF-FCN模型迭代損失圖Fig.6 Loss of MRF-FCN model iterations

用于訓(xùn)練模型的病害圖像來自于上海市大連路隧道，使用自主研發(fā)的自動(dòng)巡檢設(shè)備機(jī)器人采集視頻數(shù)據(jù).研究所使用的計(jì)算機(jī)配置為：Inter core i7-8750H @2.2 GHz，內(nèi)存8 GB×2，顯卡為GeForce GTX1070 8 GB.由于自動(dòng)巡檢設(shè)備分別對(duì)環(huán)面、頂部和側(cè)墻3個(gè)方向同時(shí)采集視頻數(shù)據(jù)，且每個(gè)方向的信息無重疊、背景不一樣，主要干擾物也不同，但病害特征基本一致.因此,所使用的實(shí)驗(yàn)數(shù)據(jù)將分為3個(gè)數(shù)據(jù)集.模型訓(xùn)練的過程中，將從3個(gè)數(shù)據(jù)集等比例隨機(jī)抽取圖像訓(xùn)練，防止模型過擬合.對(duì)3個(gè)數(shù)據(jù)集進(jìn)行模型驗(yàn)證，并且將驗(yàn)證的結(jié)果與常見檢測算法進(jìn)行對(duì)比.

通過采集共獲取3個(gè)采集方向等比例的4 200余張圖像，通過數(shù)據(jù)增強(qiáng)使得數(shù)據(jù)集擴(kuò)大到20倍.因此，數(shù)據(jù)集共有約84 000張的圖像可用于訓(xùn)練.實(shí)驗(yàn)將從增強(qiáng)數(shù)據(jù)中隨機(jī)抽取67 200張圖像進(jìn)行訓(xùn)練，抽取16 800張圖像用于測試.MRF-FCN模型迭代損失圖，如圖6所示.圖6中：n為迭代次數(shù).由圖6可知：經(jīng)過了3 000次迭代訓(xùn)練，損失函數(shù)趨于收斂，結(jié)束模型的訓(xùn)練.

2.2 結(jié)果分析

為了檢驗(yàn)所提出算法的魯棒性，將處理后的結(jié)果與其他算法的結(jié)果進(jìn)行對(duì)比.準(zhǔn)確率(P)常常作為目標(biāo)識(shí)別算法的評(píng)價(jià)指標(biāo)，可以有效直觀地反映出檢測算法的準(zhǔn)確性，即

(10)

表1 實(shí)驗(yàn)結(jié)果Tab.1 Experiment results (%)

由表1可知：文中方法的平均準(zhǔn)確率略高于FCN模型，比傳統(tǒng)方法(大律分割法和區(qū)域增長法)要高出許多，且更為穩(wěn)定，相比較而言，對(duì)于不同背景的數(shù)據(jù)集傳統(tǒng)方法穩(wěn)定性不佳.

不同病害檢測算法的語義分割結(jié)果，如表2所示.

表2 不同病害檢測算法的語義分割結(jié)果Tab.2 Semantic segmentation results of different defect detection algorithms

續(xù)表Continue table

由表2可知：FCN模型在未經(jīng)過MRF的優(yōu)化時(shí)，對(duì)于病害的錯(cuò)誤分類較多，存在較多離散的病害像素，而MRF-FCN則較好地優(yōu)化了檢測結(jié)果，對(duì)于同一病害連通區(qū)域內(nèi)的點(diǎn)進(jìn)行了分類結(jié)果的優(yōu)化，減少了連通區(qū)域內(nèi)的誤分類，同時(shí)，去除了背景區(qū)域中的離散點(diǎn)，MRF-FCN的檢測準(zhǔn)確度顯著提升；大律分割法和分水嶺法兩種方法對(duì)于圖像中的反光部分過于敏感，導(dǎo)致算法忽視了病害的信息，其中，大律法能有效獲取細(xì)微的病害邊緣信息，適用于細(xì)小病害以及零散病害的檢測，但邊緣信息粗糙，零散的誤診點(diǎn)也較多.分水嶺法對(duì)于較大的病害識(shí)別更加精細(xì)，對(duì)于病害邊緣預(yù)測更加平滑，但會(huì)忽視較小的病害信息.

2.3 實(shí)際應(yīng)用

文中方法已經(jīng)在上海市虹梅南路隧道中進(jìn)行應(yīng)用，共執(zhí)行18次巡檢任務(wù).根據(jù)實(shí)際需求開發(fā)隧道運(yùn)維系統(tǒng)界面，如圖7所示.使用文中方法從視頻中獲取病害信息，并對(duì)檢測結(jié)果進(jìn)行匯總與分析，判斷每個(gè)病害的嚴(yán)重程度，以及結(jié)構(gòu)段(50 m)的病害健康狀況，以報(bào)告的形式為隧道運(yùn)維和維修提供科學(xué)的建議.

圖7 隧道運(yùn)維系統(tǒng)界面Fig.7 Interface of tunnel operation and maintenance system

通過應(yīng)用文中方法，隧道病害檢測的效率和準(zhǔn)確率具有明顯的提升，日常巡檢的耗時(shí)從約2 h(2 km)降低至1.5 h(2 km)，定期巡檢頻率也從一個(gè)月1次變?yōu)橐恢?次.另外，與人工檢測相比，應(yīng)用文中方法大幅度減少了病害的漏檢率，達(dá)到0.1% .病害識(shí)別的準(zhǔn)確度約為92.0%，非常接近人工判斷的準(zhǔn)確率.另外，在檢測中發(fā)現(xiàn)了兩處尚未修理的嚴(yán)重病害，及時(shí)提醒運(yùn)維公司進(jìn)行維修，防止進(jìn)一步惡化.檢測結(jié)果均通過人工復(fù)檢的方式加以驗(yàn)證，并用復(fù)檢結(jié)果再次訓(xùn)練檢測模型，不斷提高檢測準(zhǔn)確度.經(jīng)過多次再訓(xùn)練和應(yīng)用，漏檢率為0.05%，錯(cuò)檢率為4.50%.

3 結(jié)論

在隧道內(nèi)部環(huán)面上采集視頻數(shù)據(jù)，首先，從視頻數(shù)據(jù)中截取信息完全且不重復(fù)的環(huán)面圖像，然后，對(duì)每個(gè)截取出來的圖像去除廣角畸變.對(duì)每張圖像進(jìn)行隨機(jī)小幅修改，以實(shí)現(xiàn)數(shù)據(jù)增強(qiáng).通過處理好的圖像進(jìn)行標(biāo)記工作，構(gòu)建了病害圖像數(shù)據(jù)集.使用多種上采樣結(jié)合推理的跳級(jí)策略，引入馬爾科夫隨機(jī)場彌補(bǔ)了FCN模型空間一致性的缺失，構(gòu)建了MRF-FCN病害識(shí)別模型.使用預(yù)先準(zhǔn)備好的數(shù)據(jù)集訓(xùn)練改進(jìn)的MRF-FCN模型，并取得部分?jǐn)?shù)據(jù)測試模型的性能，模型的平均準(zhǔn)確率為92.8%.

文中方法在上海市虹梅南路隧道中進(jìn)行了應(yīng)用，結(jié)果通過隧道運(yùn)維公司的復(fù)檢進(jìn)行驗(yàn)證，開展了維修工作并給予反饋，最后，反向更新數(shù)據(jù)集，形成了完整的閉環(huán)管理.

但是基于機(jī)器學(xué)習(xí)的隧道病害檢測還處于實(shí)驗(yàn)階段，鮮有能夠適用于實(shí)際應(yīng)用.主要困難在于：1) 可供用于訓(xùn)練的病害圖像數(shù)量較少且類別不均衡；2) 訓(xùn)練出的模型有特殊性，難以應(yīng)用于結(jié)構(gòu)有差異的隧道；3) 干擾物數(shù)目較多且會(huì)與病害交疊共存.針對(duì)以上問題還需要進(jìn)一步研究，才能使基于機(jī)器學(xué)習(xí)的方法在實(shí)際隧道運(yùn)維中真正進(jìn)行應(yīng)用.