隧道长时间处在复杂运营环境中（循环荷载、渗漏水、外部扰动等），衬砌表面会出现裂缝病害，如果没有及时进行治理，可能会造成隧道坍塌、涌水等危害，严重影响整个隧道的运营安全[1]。目前，隧道衬砌裂缝的检测方法为人工检测，该方法存在效率低、主观性大的缺陷[2]。因此，实现隧道衬砌裂缝的智能识别对于保障隧道工程的安全和可靠性具有重要意义。随着计算机技术的快速发展，图像处理算法逐渐被应用于裂缝的智能识别中[3]，例如阈值算法[4]、边缘算法[5]、区域算法[6]、匹配算法[7]等。这些算法可以自动提取出裂缝的特征，通过计算得到裂缝的位置，具有计算速度快、自动化程度高的优点，但是识别精度受图像质量和算法参数的影响较大[8]，因此上述方法难以被应用至具有环境复杂、光线多变等特点的实际隧道检测过程。近年来，深度学习算法凭借其较强的数据挖掘能力、抗干扰能力被广泛应用至图像识别、自然语言处理和数据预测等领域，并取得了大量的成果。本文以Faster-RCNN深度学习算法为基础，通过图像采集与标注、模型训练、对比测试的方式，提出了一种基于深度学习的隧道衬砌裂缝智能检测方法，并验证了该方法的有效性，为隧道检测智能化发展提供技术支持。1Faster-RCNN算法概述Faster-RCNN是一种基于深度学习的图像检测算法[9]。Faster-RCNN图像识别过程如图1所示。10.19301/j.cnki.zncs.2024.03.004.F001图1Faster-RCNN图像识别过程区域提取：裂缝图像输入至由多个卷积神经网络构成的特征提取网络进行特征提取，得到包含丰富裂缝语义信息的特征层。特征层将被输入至区域生成网络（RPN）以生成候选框。在RPN中，对图像的不同区域进行密集采样，生成一系列锚框，每个锚框定义了一个候选区域。锚框通常被设计为不同的宽高比和尺度，以覆盖不同形状和尺寸的物体，从而实现对不同大小裂缝的识别。RPN网络接收来自候选区域层的特征图和所有锚框，并对每个锚框进行分数计算，用于衡量该锚框是否包含物体。对于每个锚框，RPN将预测一个边界框偏移量，以更准确地定位物体位置。RPN通过非极大值抑制来抑制重叠的候选框，得到最终的裂缝候选框。目标分类和定位：得到裂缝候选框后，利用区域池化层对候选区域进行裁剪和缩放，使所有的候选区域调整至统一尺寸，将其输入至一个全连接网络中进行目标分类和定位，得到裂缝的分类和位置信息。2隧道衬砌裂缝智能识别方法本文提出的隧道衬砌裂缝智能识别方法主要包括图像采集与标注、模型训练、对比测试3个阶段。隧道衬砌裂缝智能识别流程如图2所示。10.19301/j.cnki.zncs.2024.03.004.F002图2隧道衬砌裂缝智能识别流程实验环境如表1所示。10.19301/j.cnki.zncs.2024.03.004.T001表1实验环境实验环境型号操作系统Window 10CPUi5-9700GPUNVIDIA GeForce RTX 3060运行内存16 GB编译平台Pycharm编程语言Python2.1图像采集与标注本文所采集的324张隧道衬砌裂缝图像均通过智能手机在运营隧道现场拍照获得，分辨率范围在500~2 000 dpi之间，深度学习模型基于较强的数据依赖性，需要数量充足的裂缝图像进行训练才能充分发挥其性能。本文采用旋转、翻转、亮度调整、裁剪等数据增强方式对裂缝图像数量进行扩充，扩充后的裂缝图像共500张，按照6∶2∶2的比例将裂缝图像划分为训练集、验证集和测试集。训练集用于对Faster-RCNN网络进行训练获得隧道衬砌裂缝智能识别模型，验证集用于判断训练过程中网络是否收敛，测试集用于评估模型的综合性能。采用开源的图形化图像标注工具LableImg，分别对训练集、验证集和测试集中的裂缝图像进行标注。裂缝标注方法如图3所示。10.19301/j.cnki.zncs.2024.03.004.F003图3裂缝标注方法采用鼠标在图像中绘制裂缝目标的边界框，通过调整大小和位置，使其与裂缝目标精确匹配，并输入该边界框对应病害类型的名称，形成包含病害位置、标签名称等信息的XML文件，XML文件与原始图像共同构成数据，用于后续训练和测试实验。2.2模型训练采用PyTorch深度学习模块搭建Faster-RCNN网络，采用训练集对网络进行训练，每一次训练后采用验证集对模型进行验证，判断模型是否已经收敛或出现过拟合的现象。训练次数设置为100次，批量大小设置为12，初始学习率设置为0.001，训练过程中采用余弦衰减法对学习率进行持续衰减，以提升模型的训练质量。损失曲线如图4所示。10.19301/j.cnki.zncs.2024.03.004.F004图4损失曲线由图4可知，随着训练的进行，训练和验证损失逐渐减小，最终趋于稳定，且没有出现过拟合的现象，表明训练后网络已经收敛，保存验证损失值最小时的权重参数作为隧道衬砌裂缝检测模型的权重参数，用于后续的模型对比测试。2.3模型测试本文选用平均准确度AP、精确率和召回率的加权调和平均值F1作为模型的性能评价指标，其计算公式为：P=TPTP+FP （1）R=TPTP+FN （2）F1=2P⋅RP+R （3）式中：P——精确率；R——召回率；TP——被正确检测出的裂缝数量；FP——被错误检测为裂缝的数量；FN——未被检测出的裂缝数量。以P为纵坐标、R为横坐标绘制得到的曲线在坐标轴中所包含区域的面积即为AP的大小。AP是评估模型精度的重要指标，AP值越高，表明模型的裂缝检测精度越高。为了验证本文方法相较于其他主流深度学习算法的优势，选取YOLOv4和SSD两种深度学习模型进行对比，两种模型的训练过程与本文模型一致。采用测试集分别对各模型的性能进行测试。模拟性能评价指标结果如表2所示。10.19301/j.cnki.zncs.2024.03.004.T002表2模拟性能评价指标结果模型名称F1AP本文模型89.6392.65YOLOv485.6589.01SSD81.9885.53%本文模型的AP值为92.65%，相较于YOLOv4和SSD，分别提高3.64%和7.12%；本文模型的F1分数为89.63%，相较于YOLOv4和SSD，分别提高3.98%和7.65%。此外，为了直观地展现提出方法的裂缝识别效果，本文展示了部分裂缝识别图片。裂缝识别结果如图5所示。10.19301/j.cnki.zncs.2024.03.004.F005图5裂缝识别结果由图5可知，本文提出的方法能够准确定位裂缝在图像中的位置，并采用合适的矩形框大小将裂缝区域标记出来，而YOLOv4和SSD两种对比模型则出现了不同程度的错误和遗漏识别的现象。上述结果表明，相较于YOLOv4和SSD，本文方法具有更高的裂缝识别精度，能够准确地定位图像中裂缝位置，适用于实际隧道工程裂缝的检测任务。3结语本文以Faster-RCNN深度学习算法为基础，提出了一种基于深度学习的隧道衬砌裂缝智能检测方法，并通过现场采集的隧道衬砌裂缝图像数据集开展模型训练与测试。本文提出方法的裂缝识别平均准确度为92.65%，相较于YOLOv4和SSD对比模型分别提升了3.64%和7.12%，表明本文方法具有更好的隧道衬砌裂缝识别精度。本文提出方法能够准确地定位裂缝在图像中位置，并采用合适的矩形框将其标记出来，较少出现错误和遗漏识别的现象，适用于实际隧道工程的衬砌裂缝检测任务。将本文提出的隧道衬砌裂缝智能识别方法与无人机、隧道检测车等移动设备相结合，可以实现隧道衬砌裂缝的自动化检测，从而大幅减少检测人员的工作量，有效提升隧道病害的检测效率。