基于三维激光扫描及深度学习算法检测隧道表观病害研究

张雨青 周斌 奉建军 王新宇 

中铁西南科学研究院有限公司 四川成都 611731

摘要：为实现隧道表观病害智能检测，保障隧道结构安全稳定，本研究结合移动激光扫描技术与深度学习算法开展相关研究。梳理国内外的研究应用现状，明确国内该技术在高铁隧道巡检及衬砌裂缝检测方面的研究空间。设计MAJ-UNet算法，通过改进U-net网络、添加残差块强化特征提取能力，经图像缩放、特征提取融合、逐像素识别及可视化输出完成裂缝自动识别。实验验证表明，该网络可有效提取裂缝特征，精准识别隧道衬砌表观裂缝，后续可进一步计算裂缝宽度与长度，为隧道病害检测提供技术支撑。

关键词：三维激光、深度学习、表观病害识别、隧道

1 前言

C Mair等^[1]最早开始将数字摄影的方法应用到隧道的变形监测中，并且建立的系统可以完成1:20的隧道的横断面的成像分析后来随着激光扫描技术的快速发展。2020年，Behzad V. Farahani^[2]提出了一种基于隧道几何形状的铁路隧道检查和监测的新方法。2020年，Huang Hongwei等^[3]提出了一种利用移动激光扫描隧道衬砌点云数据进行渗漏检测的集成深度学习方法。2021年，Zhou Mingliang^[4]通过激光的移动扫描（MLS）建立了缺陷数据库，这个数据库包括隧道衬砌的强度以及深度的图像的在铁路上的隧道的剥落缺陷的数据库，名为RTSD，并且还提出了一个新的净化网络的模型（SIDNet），其主要是用于可以对混凝土在剥落过程中的对应特征。而在我国的三维激光研究中却明显落后于国外，2012年，李健^[5]通过实际应用研究天津地铁的一号线的点云数据，利用其法向量的差异使用分割算法进行了过滤简化，进而构建了地铁隧道的模型。2019年，李元达^[6]在研究激光原理的基础上，详细阐述扫描仪在进行地面采集时应该采取的详细的流程，并且还论述了对应的点云数据在采集及处理过程中会用到的关键的技术，以及获得了高质量点云的手段。2020年，刘菂^[7]则是开发了一款高速的车载系统，其用于检测隧道的三维净空情况以及对应的形变。2020年，华中科技大学曹桂萍^[8]设计了一款分割算法其是基于密度聚类的，从而其成功的完成对采集的点云数据进行切割分离。2021年，西南交通大学李平平^[9]以京张铁路八达岭隧道长城地下车站为例，利用三维激光扫描技术，分析了隧道超欠挖的分布及初期支护的截面积。

国外的三维激光扫描在隧道工程领域中的研究较早，且近年来三维激光扫描在隧道中的应用逐渐趋于成熟，在隧道的表观病害快速检测中使用三维激光扫描技术已经很常见，国内的三维激光扫描在隧道工程领域中的研究较晚，近来却发展迅速，但是其整体的发展不如国外完善，特别是在高速铁路隧道巡检中，运用三维激光扫描的还比较少，并且并没有引入深度学习的算法来降低因主观性的误差和提升识别的效率，对于隧道表观裂缝衬砌的检测也需要不断完善和发展，在这些方面均存在进一步研究的空间。

2 基于深度学习的隧道裂缝病害识别

2.1隧道表观裂缝自动识别算法流程

• 输入一张（或一批）待测（或待训练）图片，不失真地将其最短边resize为512；

（2） 对U-net网络进行改进，使得网络有在主干特征提取网络与加强特征提取网络之间添加了三个残差块，加强了网络的特征提取能力；

（3） 将带有裂缝的图片输入到改进的主干特征提取网络中获得对应的公共特征层；

（4） 将图像进行上采样处理并且增大特征提取的网格进而完成对图像的特征的提取和融合的操作。

（5）操作过程中需要将图像重置为512*512大小，并利用算法对所有像素点进行逐步的识别，进而来判断是裂缝还是背景。

（6）将分类的结果经过解码操作映射到原图上并进行可视化输出，得到最终的裂缝的识别结果。主要识别过程如下图所示。

(a)MAJ-UNet网络流程图             (b)残差块结构

上述裂缝识别算法MAJ-UNet算法，该算法的逻辑为图像的输入-特征提取的主干网格-网格加强-输出内容进行设计：

第一部分是图像的输入部分，并且需要将输入的图像进行重置resize为512*512。

第二部分是对主干的特征进行提取的部分，我们的目的是通过主干获得一个又一个的特征层，MAJ-UNet在进行主干特征提取时采用的也是卷积和的最大池化堆叠。那利用提取到的特征我们会拿到六个特征层，接下来我们需要对拿到的特征层进行有效的特征融合。

第三部分是对特征提取网络1进行加强，我们的操作为对6个初特征上采样及特征融合，那么我们就获得了一个具有所有特征的有效融合层。

第四部分是继续加强第二部分的特征提取网络，我们可以继续对得到的特征有效层上采样，通过特征的融合拿到最终的特征的融合层。

第五部分就是进行预测的部分，我们会利用最终获得的最后一个有效特征层对每一个特征点进行分类，相当于对每一个像素点进行分类，判断该像素点到底是属于裂缝还是背景。

这样经过主干特征提取网络和加强特征提取网络就实现了从原始图像输入到判识结果输出的全过程，最终得到语义分割的结果。

可将MAJ-UNet目标检测过程分为三个主要步骤：（1）利用主干特征提取网络进行主干特征的提取；（2）对加强的特征提取网络进行上采样操作及对特征进行融合；（3）对最终的输出结果逐像素点进行识别，预测得到语义分割结果。

2.2 隧道衬砌表观裂缝病害预测

采用上述训练好的模型权重对裂缝图像进行预测，得到预测结果，将裂缝绘制在原始的隧道表观图像上，得到裂缝的预测结果图，部分预测结果如下图所示。  

由上可知，本研究对于隧道衬砌表观裂缝病害图谱特征进行了识别，结果表明，取得了较好的模型表达效果。

3.结论

本研究采用移动激光扫描技术及深度学习算法开展了隧道表观病害智能检测研究，检测隧道表观变形及裂缝等缺陷，确保隧道结构安全稳定。得到如下结论：

对训练结果进行分析与讨论，分别使用验证集进行预测，结果表明，MAJ-UNet网络有效提取了隧道表观裂缝图谱的裂缝特征。通过图像处理手段获得了裂缝的轮廓后续可通过计算得到裂缝的宽度和长度。

参考文献：

• Mair C, Fararooy S. Practice and potential of computer vision for railways[J]. IEEE Condition Monitoring for Rail Transport Systems, 1998(10):101-103.

[2] Behzad V. Farahani,Francisco Barros,Pedro J. Sousa,Pedro P. Cacciari,Paulo J. Tavares,Marcos M. Futai,Pedro Moreira. A coupled 3D laser scanning and digital image correlation system for geometry acquisition and deformation monitoring of a railway tunnel[J]. Tunnelling and Underground Space Technology incorporating Trenchless Technology Research,2019,91:

[3] Huang Hongwei,Cheng Wen,Zhou Mingliang,Chen Jiayao,Zhao Shuai. Towards Automated 3D Inspection of Water Leakages in Shield Tunnel Linings Using Mobile Laser Scanning Data.[J]. Sensors (Basel, Switzerland),2020,20(22):

[4] Zhou Mingliang,Cheng Wen,Huang Hongwei,Chen Jiayao. A Novel Approach to Automated 3D Spalling Defects Inspection in Railway Tunnel Linings Using Laser Intensity and Depth Information.[J]. Sensors (Basel, Switzerland),2021,21(17):

[5] 李健,万幼川,江梦华,高贤君.基于地面激光技术的隧道变形监测技术[J].地理空间信息,2012,10(01):14-17+1.

[6] 李元达.地铁隧道点云数据采集与预处理[J].北京测绘,2019,33(09):1047-1050.

[7] 刘菂. 基于SLAM算法的隧道三维建模与形变检测系统研究[D].北京交通大学,2020.

[8] 曹桂萍,刘行思,刘念,杨克成,夏珉.基于激光三维点云分割地铁隧道壁表面物体[J].光学学报,2020,40(21):38-46.

[9] Pinpin Li,Wenge Qiu,Yunjian Cheng,Feng Lu,Cheng Wen-Chieh. Application of 3D Laser Scanning in Underground Station Cavity Clusters[J]. Advances in Civil Engineering,2021,2021:

...