基于图像处理与深度学习的隧道衬砌裂缝检测

2022-02-03王建锋刘文豪潘清云

北京交通大学学报 2022年5期

王建锋，刘文豪，潘清云

（1.长安大学道路交通智能检测实验室，西安 710064；2.陕西省道路交通智能检测与装备工程技术研究中心，西安 710064）

公路隧道是国家互联互通大战略和经济社会发展的基础，随着国内公路隧道保有量的不断增加，公路隧道的安全运营评估与科学养护越来越重要.隧道衬砌裂缝是隧道的一种主要病害，及时发现裂缝的发展趋势，进而制定合理的养护方案是隧道管理部门的重要职责［1］.隧道衬砌裂缝的传统人工检测方法受工作人员的主观因素影响大且检测速度慢，检测精度与检测效率难以满足要求，因此进行公路隧道衬砌裂缝的自动化快速检测具有重要的意义［2］.

数字图像处理技术在公路隧道病害的自动化检测方面得到了广泛应用，很多学者利用图像预处理、图像增强、边缘检测以及形态学操作等方法对隧道衬砌图像处理从而分割裂缝信息.石帅等［3］对比分析了Otsu 方法、迭代方法、最小误差方法和最大熵阈值分割方法在裂缝图像分割中的效果及特点.王睿等［4］以隧道衬砌单裂缝为研究对象，提出了一种裂缝骨架拐点识别方法，采用改进的八方向Freeman 链码技术，在对可疑拐点进行初步识别后，进行伪拐点剔除，得到真实拐点信息.试验结果表明，该方法针对不同形态的裂缝图像具有良好的适应性，能够对同一裂缝进行精确定位.李庆桐等［5］以地铁盾构隧道衬砌裂缝图像为研究对象，利用图像处理方法从欧氏几何学和分形几何学2 方面计算裂缝病害的量化参数，建立了裂缝病害样本空间，通过聚类算法、偏最小二乘回归方法提出了隧道裂缝诊断指标，实现了对裂缝病害严重程度的评定.唐钱龙等［6］针对采集到的隧道衬砌图像曝光不足、光照不均、噪声严重的问题，采用双边滤波去噪处理，基于图像自适应分块结合阈值和边缘信息的分割算法，得到完整裂缝的二值化图像.通过相机尺寸标定参数，利用裂缝的像素尺寸计算出真实长度、宽度等指标.通过试验验证了该算法的有效性.贾争满［7］进行地铁隧道裂缝的识别，将灰度图像进行Mask 匀光和灰度拉伸处理，利用基于区域差值的自适应中值滤波方法和Canny 边缘检测和Otsu 阈值分割，得到裂缝的二值图像.再利用裂缝连通域和投影特征进行裂缝分类及像素长度和宽度计算.YU 等［8］通过提取、匹配、模型识别、图像扩展和拼接处理方法，获得隧道衬砌全景扩展图像.从图像增强预处理、图像边缘检测、裂纹特征区域干涉点去除、裂纹连接和特征统计等方面对该算法进行了分析，通过连通区域标记法确定裂纹的边界位置、缺陷在图像中的空间位置和角度方向.利用裂缝像素距离关系计算裂缝长度，实现了隧道衬砌裂缝的检测.近年来，随着机器学习等人工智能技术的快速发展，基于深度学习的隧道衬砌裂缝检测方法也得到了广泛应用［9］.刘新根等［1］针对隧道内环境较为复杂、隧道衬砌裂缝形态多样且在图像中占比较小的特点，提出一种基于特征提取、区域分类与区域分割的三级联网络结构，试验证明所建立模型的分割效果优于FCN 和UNet 网络结构.张琨等［10］提出了一种基于监督学习的铁路隧道结构裂缝边缘识别方法.对获取的裂缝图像进行Canny边缘检测，构造边缘目标的几何特征矢量，进而以几何特征数据进行裂缝边缘识别，通过试验验证了所提方法的有效性.HAN 等［11］针对图像中小比例裂缝会导致类不平衡的问题，提出一种基于三元分类器的隧道衬砌裂纹检测方法，所提出的方法显著降低了假阳性率.杨郁康［12］以Faster R-CNN 为基础网络研究隧道衬砌裂缝检测，通过对基础网络进行改进，采用高分辨率图像为实验数据，实现了端对端的训练.该框架充分利用卷积神经网络对图像特征提取，并对目标特征进行学习，取得了较好的检测效果.YAN 等［13］提出了一种基于深度学习的隧道衬砌裂缝快速检测与处理方法.采用基于Caffe 框架的AlexNet 卷积神经网络对裂缝进行识别，通过试验验证了所建立模型的识别效果.

尽管目前基于图像处理和深度学习的隧道衬砌裂缝检测研究已经取得了较大发展，但仍然存在一些问题.1）基于深度学习的隧道衬砌裂缝检测方法，需要大量的训练样本，同时训练好的模型对不同拍摄质量图像的识别结果会出现较大的差异，其泛化能力较差.由于隧道内环境复杂，光照环境差别大，拍摄的隧道衬砌图像容易由于光照不同而产生阴影或使图像过曝等，因此完全依靠深度学习方法检测隧道衬砌裂缝的可靠性和泛化性较差.基于图像处理的隧道衬砌裂缝检测方法，其算法针对性较强，如果拍摄环境或光照改变都会影响算法的有效性，算法通用性较差.2）在隧道衬砌裂缝定量计算方面，通常采用在某种条件下，利用相机标定方法获得图像像素坐标与实际空间坐标之间的映射关系，利用拍摄的图像和该映射关系计算裂缝长度、宽度等指标.但实际检测过程中检测平台的姿态以及相机与隧道衬砌面之间的距离都在实时改变，利用事先标定的映射关系计算得到裂缝定量指标必然会有较大的误差.

针对上述问题，本文作者利用图像处理与深度学习相结合的隧道衬砌裂缝检测方法，对采集到的隧道衬砌图像进行预处理，去除图像阴影和拼接缝，提高图像质量，建立改进的VGG19 模型，利用语义分割方法实现裂缝信息与衬砌背景的准确分离，提出衬砌裂缝的分类和基于虚拟光尺的裂缝长度和宽度测量方法，实现隧道衬砌裂缝的高效准确检测.

1 研究方法

本文隧道衬砌裂缝检测的流程如图1 所示，主要包括隧道衬砌图像采集，衬砌图像预处理，裂缝分割和裂缝分类及长度宽度计算等4 部分.

图1 隧道衬砌裂缝检测流程Fig.1 Process of tunnel lining crack detection

隧道衬砌图像采集系统主要包括电源系统、车辆里程定位系统、辅助照明系统、图像拍摄系统和图像采集存储系统.图像采集流程为：通过由编码器及分频器组成的车辆里程定位系统，按照车辆行进距离，同步触发频闪照明系统和相机进行隧道衬砌图像的同步拍摄，工控机完成采集系统的控制和图像存储.

图像预处理主要包括对采集到的衬砌图像进行滤波处理、去阴影处理、隧道衬砌拼接缝去除和图像对比度增强等预处理，提升所拍摄衬砌图像的质量，为深度学习网络训练提供基础.

衬砌裂缝分割主要采用改进的语义分割网络，构建样本数据集，对样本进行训练，利用训练后的网络实现衬砌裂缝的分割.为了提高处理的速度，本文对原始隧道衬砌图像在网络训练前进行采样裁剪，统一尺寸为224 像素×224 像素.

裂缝分类及长度宽度计算是以改进语义分割网络分割出的裂缝图像为基础，研究裂缝的分类方法、长度、宽度的计算方法，利用基于虚拟标尺的裂缝物理参数计算方法，实现裂缝物理长度和宽度的计算.

2 图像预处理

2.1 基于改进Mask 匀光算法的衬砌图像去阴影

由于隧道内光照环境复杂、采集系统照明不均匀，从而使拍摄的衬砌图像产生阴影，本文采用改进后的Mask 匀光算法去除图像阴影，其处理流程如图2 所示［14］.

图2 改进Mask 匀化去阴影算法流程Fig.2 Algorithm flow of improved mask uniform light

首先对原始图像进行中值滤波和均衡化处理，提高图像的信噪比.改进的Mask 匀光算法通过图像信噪比与最优化原则自适应确定高斯低通滤波器参数，通过低通滤波得到输入图像的背景图，将原始图与背景图相减进而实现匀光去阴影.图像信噪比定义为［15］

式中：Pave为输入图像灰度的均值；Psd为图像灰度的标准差.

若用整幅图像的灰度信息来调整滤波器参数，由于输入图像各部位的灰度信息不一致，会导致高斯低通滤波器获取到的背景噪声不够真实准确，因此本文算法将衬砌图像均匀分为16 块［16］，通过式（1）分别求取16 个子块的信噪比，然后选取每一子块中信噪比的最大值作为高斯低通滤波器的参数δ，即

式中：i为子块的编号.

利用参数δ进行低通滤波处理得到背景图像.如果用输入图像与背景图像相减，其输出结果可能出现灰度截断导致灰度值溢出0～255 范围，所以在图像相减前压缩其灰度动态范围，使输出结果位于0～255 范围之内，其方法为

式中：Pcbk与Pbk分别为背景动态范围压缩后和压缩前的背景图像；a为动态压缩系数，决定背景动态范围的大小，取值为0～1，a值的计算公式为

式中：aL为下限压缩系数；aH为上限压缩系数.

式中：Pin、Pout分别为输入和输出图像；min(Pout)、max(Pout)分别为匀光算法背景减除后得到的最小值和最大值.

将原始图像与动态范围压缩后的背景图像相减后，会产生图像整体的对比度降低，细节信息丢失.为了防止相减运算后出现灰度截断现象并在背景减除后增大对比度，对输入图像进行拉伸处理.对光照条件较好灰度值较大的部分减小拉伸的幅度，对输入图像较暗的部分适当增大拉伸幅度提高对比度.

本文采用线性拉伸方式，针对不同的光照区域，其拉伸参数根据图像相减的结果自适应调整，具体方法为

式中：Peout(x，y)为拉伸操作后图像亮度的平均值；Pout(x，y)为背景减除后的结果；b为拉伸系数，其取值范围为1～2，计算公式为

通过改进Mask 匀光去阴影算法对采集到的隧道衬砌图像进行处理，其结果如图3 所示，其中给出了6 种代表性衬砌图像的处理结果.

从图3 可以看出，本文采用的改进Mask 匀光去阴影算法，能显著将图像的细节信息展现出来，图像灰度值变化较平缓，匀光效果较好.

图3 衬砌图像去阴影结果Fig.3 Shadow removal results of tunnel lining image

2.2 隧道衬砌拼接缝去除

隧道衬砌结构中的拼接缝一般与隧道纵轴线呈水平或垂直分布，并且与衬砌裂缝灰度相似［17］.为了防止深度学习网络将拼接缝误判为裂缝，提高深度学习网络的分割精度，通过图像处理方法去除拼接缝.在参考文献［17-18］方法的基础上，提出一种高效的隧道衬砌图像中拼接缝的去除方法.

本文去除拼接缝的方法如图4 所示：首先对均衡匀光处理后的图像利用Canny 边缘检测算子检测衬砌图像中拼接缝像素点处的灰度阶跃，根据拼接缝的直线特征利用Hough 直线变换检测可能存在的拼接缝；然后对可能的拼接缝进行重叠部分合并；最后利用拼接缝与隧道纵轴线之间存在的角度关系，排除可能被误认为拼接缝的衬砌裂缝.

图4 去除拼接缝方法Fig.4 Method of removing seams

拼接缝重叠线段的合并方法如图4（c）所示，具体方法为：以一条线段l1为基础，选择包含该线段的一个宽度为2δ的矩形邻域，如果线段l2在该邻域内则认为是重叠线段进行合并；如果线段l2与邻域边界相交或者在邻域外时，计算线段l2的2 个端点到基础线段l1的距离，如果2 个距离满足h1+h2≤2δ则认为重叠，进行合并，否则以下一条线段为基础线段重复进行以上步骤，最终完成整幅图像拼接缝的合并.

拼接缝合并后，可能会将一部分真实隧道裂缝误识别为衬砌拼接缝，为了解决该问题并提高识别精度，采用拼接缝在长度特征、角度特征与真实裂缝之间的差异特点排除误识别.具体方法为：设置长度阈值ls和角度阈值αs，如果合并后的拼接缝直线段的长度小于ls并且αs∉[165°，195°]或αs∉[75°，105°]时认为不是拼接缝，否则为拼接缝.

角度阈值选择的依据为：拼接缝一般与隧道纵轴线呈水平或垂直分布，在实际检测过程中，检测车沿着隧道纵轴方向运行，相机沿着与隧道纵轴垂直的方向拍摄隧道衬砌图像.当检测车运行轨迹与隧道纵轴平行时，相机拍摄的拼接缝在图像中或者沿垂直方向或者沿水平方向.但实际运行中检测车运行轨迹必然与隧道纵轴不平行，存在误差，通过测试得到这种偏差在拍摄的图像中体现出的偏转不超过±15°，因此可以判断对于与隧道纵轴平行的拼接缝在图像中的角度αs∈[165°，195°]，以及与隧道纵轴垂直的拼接缝在图像中的角度αs∈[75°，105°].采用角度阈值已经能够区分拼接缝，为了再次提高拼接缝识别的准确率，再增加长度阈值，通过测试，将长度阈值设置为100 像素.

利用该方法进行拼接缝检测的结果如图4（d）所示，实现了拼接缝的提取，排除后续对语义分割网络模型裂缝分割的干扰.

3 VGG19 网络模型的衬砌裂缝分割

3.1 改进的VGG19 网络模型

VGG19 网络模型是基于AlexNet 发展而来的卷积神经网络模型.VGG19 模型相较于AlexNet采用连续多个3×3 的卷积核代替AlexNet 中较大的卷积核，其特点在于可以在保持感受野不变的条件下加深网络的深度，且模型结构的每一层都经过单独训练，每一层所提取的图像特征均不同，使其能学习到的特征更丰富，且VGG 模型具有较小的池化核，更加容易捕捉图像的变化，能更好地描述边缘纹理.但由于VGG19 模型中存在3 个全连接层，其参数量较大，需要占用更大的内存，耗费更多的计算资源［19-20］.因此，本文对原始VGG19网络模型进行改进，突出VGG19 网络模型的优点，减少其缺点.具体改进为：将原始VGG19 网络模型中经过第5 次卷积后的池化层改为最大池化方式，原始VGG19 网络中的3 个全连接层被替换成3 个有相同功能的卷积层，并采用上采样的方式将图像逐渐恢复到原始大小，上采样部分通过添加卷积层与反卷积层的特定层实现将衬砌图像中的整体信息与局部信息融合，即通过前几个卷积层检测是否存在裂缝对象，然后通过反卷积层确定裂缝位置，实现裂缝分割.改进后的VGG19 网络结构如图5 所示.

图5 改进后的VGG19 网络模型Fig.5 Improved VGG19 network model

从图5 可以看出，本文结构下采样部分与原始VGG19网络基本一致，将第5部分卷积之后的池化层改为最大池化方式，第1组至第4组卷积之后的池化层仍为平均池化方式，此时经第5 组池化后的特征图尺寸变为原图的1/32，原始模型中的全连接层被替换成卷积层6、卷积层7、与卷积层8，这时输出的热图与经池化层5输出的特征图相比虽然特征数量改变了但图像尺寸没有改变，仍然为原图的1/32.若经卷积层8输出的图像直接进行32 倍上采样将图像恢复到原始尺寸，实现基本的语义分割，但获得的衬砌裂缝位置信息比较粗糙，所以需要对全卷积网络跳跃结构进行设计［21-22］，本文采用的全卷积网络跳跃结构如图6所示.

图6 网络跳级结构Fig.6 Network skip structure

从图6 可以看出，跳级结构采用32 倍上采样，直接将热图还原成与输入图像相同大小，但得到的图像中裂缝位置信息比较粗糙，不能精准还原图像特征，需要进行进一步迭代.采用16 倍上采样还原图像时，由于经卷积层5 和池化层5 后生成的热图尺寸为原图的1/32，因此首先对其进行2 倍上采样，得到图像尺寸为原图的1/16，而经卷积层4 和池化层4 后生成的裂缝特征图尺寸也为输入裂缝图像尺寸的1/16，因此可将特征图与热图利用矩阵求和的方式进行融合，融合后进行16 倍上采样可使图像恢复到与输入裂缝图像的尺寸相同.与直接对热图进行32 倍上采样相比，这种方式裂缝的位置信息变得更加准确，但仍达不到较好的分割识别效果.在采用8 倍上采样时，由于之前特征图与热图的融合而生成的新热图尺寸为输入图像的1/16，对其进行2 倍上采样后，尺寸变为原图的1/8，而经卷积层3 与池化3 层后得到的特征图尺寸也为输入图的1/8，将经2 倍上采样后的图像与经池化层3 后的图像进行融合，然后采用8 倍上采样方式将其尺寸恢复到与输入裂缝图像的大小相同.本文的跳级结构通过把不同池化层的输出结果上采样到相同尺寸后进行融合，然后再统一采用8 倍上采样得到与输入裂缝图像尺寸相同且识别精度较高的裂缝分割图像.

3.2 模型训练及裂缝分割结果分析

本文选取隧道衬砌裂缝原始图像750 张，经数据集扩增后得到8 000 张图像.训练、测试、验证的图像比例为0.8∶0.1∶0.1.对改进的VGG19 网络模型进行训练，训练环境为：在一台配备GeForce GTX 1080 Ti GPU（Core i7-8700）和一体水冷风扇的高性能工作站上进行训练，内存24 G，开发框架为Tensorflow 1.4，开发环境Python 3.6.

利用像素精度（Pixel Accuracy，PA）与平均交并比（Mean Intersection Over Union，MIOU）两大评价指标对比分析Momentum 优化器、RMSProp 优化器和Adam 优化器对改进模型的影响.设置初始化学习率为0.000 1，在相同学习率下，PA 和MIOU具体的评价指标值如表1 所示，评价曲线如图7 所示，对裂缝图像的分割结果如图8 所示.

表1 改进模型评价指标Tab.1 Evaluation index of improved model

从图7、图8 和表1 可以看出，使用Momentum优化器收敛速度较快但平均交并比与像素精度值较低，使用RMSProp 优化器和Adam 优化器收敛速度较慢但评价指标数值更大，其中Adam 优化器与RMSProp 优化器相比像素精度数值相差不大但平均交并比值更大.Adam 优化器能更准确地分割出衬砌裂缝的形态特征且裂缝的定位精度更高.通过对比试验结果，本文选择Adam 优化器且初始学习效率为0.000 1 进行隧道衬砌裂缝自动分割.

图7 改进模型的评价曲线Fig.7 Evaluation curve of improved model

图8 改进模型裂缝分割效果Fig.8 Crack segmentation effect of improved model

4 隧道裂缝的分类与测量方法

通过改进VGG19 网络分割出了衬砌裂缝，为了提高裂缝分类和参数测量的精度，在网络模型分割出的裂缝图像基础上判定裂缝种类、计算裂缝的长度和宽度.先提取裂缝的骨架，再由裂缝图像和裂缝骨架进行分类和长度与宽度计算.裂缝图像的骨架提取是细化裂缝仅保留裂缝中轴线，通过迭代一个区域的边界点，删除多余边界点，使裂缝宽度由细化前的多个像素变为只有一个像素的宽度.细化算法在删除边界点时不能删除端点、不能产生过度腐蚀、不能破坏裂缝图像的连贯性，本文采用Zhang-Suen 细化算法提取骨架［23］.

4.1 衬砌裂缝的分类方法

目前还没有关于隧道衬砌裂缝分类的相关标准，但是裂缝的不同走向对隧道的安全运营会产生不同的影响.因此，本文按照实际工程的应用需求，按照衬砌裂缝走向与隧道纵轴线的相互关系，将隧道衬砌裂缝分为纵向裂缝、横向裂缝和斜向裂缝3 种.其中，裂缝走向与隧道纵轴线夹角在α∈[0°，30°)之间的裂缝定义为横向裂缝，夹角在α∈[30°，45°)之间的裂缝定义为斜向裂缝，夹角在(45°，90°]之间的裂缝定义为纵向裂缝.

分类的具体计算方法如图9 所示.计算骨架图像的横向增量Δx和纵向增量Δy，当α=30°时，Δy/Δx=1.73，当α=45° 时，Δy/Δx=1.因此，Δy/Δx∈[1，1.73]判定为斜向裂缝，Δy/Δx∈[0，1)判定为横向裂缝，Δy/Δx∈(1，∞)判定为纵向裂缝.

图9 裂缝类别判定方法Fig.9 Determination method of crack category

4.2 像素域内裂缝长度与宽度计算

隧道裂缝长度与宽度的计算方法如图10 所示，设s1、s2、s0分别为改进VGG19 网络模型分割出的裂缝图像的两个边缘和骨架曲线.

图10 裂缝长度与宽度计算方法Fig.10 Calculation method of crack length and width

裂缝的长度定义为骨架曲线的长度，设骨架曲线上共有m个像素点，相邻像素点pk和pk+1在图像坐标系中的坐标分别为(xk，yk)和(xk+1，yk+1)，则两点间的像素距离为

则裂缝的总长度为

裂缝宽度计算时需要找出裂缝骨架的垂线与裂缝边缘相交的两点之间的距离，具体方法为：以骨架上的像素点pk为基础，找到与pk相邻的2 个像素点pk+1和pk-1，利用这3 个点的坐标求出经过这三个点的二次曲线方程sk；然后求sk在pk点处的切线ln，过pk做ln的垂线la，la分别与裂缝边缘s1和s2交于A、B两点.则在像素点pk处裂缝的宽度为直线la在A、B两点的线段长度，记为wk.

遍历整个骨架曲线，求出整条裂缝的最大宽度和平均宽度分别为

4.3 基于虚拟标尺的裂缝物理长度与宽度计算

通过以上方法计算得到的裂缝宽度和长度为像素域内的值，实际应用中，需要得到裂缝长度和宽度的物理值，因此需要明确物理值与像素值之间的对应关系.为了精确测量裂缝的长度与宽度值，通常是通过相机标定求解相机内外参数，并排除相机畸变的干扰，实现由物理坐标系到相机坐标系到图像坐标系再到像素坐标系的转换.该方法主要存在的问题是在相机与物体之间距离变化较大或拍摄角度发生改变时，利用静态情况下的标定结果计算得到的裂缝长度和宽度必然会出现较大的误差，甚至出现结果不可信.

为了解决该问题，提高本文隧道衬砌裂缝检测系统的适用性，本文提出基于激光虚拟标尺的裂缝物理长度与宽度计算方法.该方法不需要进行相机标定，就可以直接建立物理坐标与像素坐标之间的实时对应关系，具体方法如图11 所示.

图11 基于激光虚拟标尺的裂缝物理长度与宽度计算方法Fig.11 Calculation method of crack physical length and width based on laser virtual ruler

在相机镜头平面上安装2 个准直激光器，这2 个准直激光器间的距离D为已知值.因此，在拍摄到的衬砌图像中会出现2 个光斑.由于发射的是准直激光束，因此当拍摄角度或物像之间的距离变化时，可以认为图像中2 个光斑之间的物理距离都是D，这样就相当于在每幅图像上都有一个已知物理长度的标尺，利用该标尺就可以实现像素坐标与物理坐标之间的转换.

在图像中通过提取两个激光点的重心，可以计算出两个激光点对应的像素距离n，而实际中这两个点的物理距离为D，即可得到图像中每个像素在真实世界中的实际尺寸d=D/n，也就是图像中的虚拟标尺，根据图像中裂缝所占像素点的个数按照虚拟标尺计算出裂缝的真实长度与宽度.本文所开发的系统中D=20.0 cm.

采用该方法的主要原因是：在隧道检测过程中检测车可能运行在不同的车道上，相机与隧道衬砌之间的垂直距离变化较大，如果仍然采用静态标定的参数计算裂缝长度和宽度，必然会产生较大误差，甚至数据不可信，所以本文采用该方法实现隧道衬砌裂缝参数的精确计算.

5 实验结果对比与分析

为了验证本文提出的基于图像处理与深度学习的隧道裂缝检测方法的有效性及检测精度，利用如图12 所示的隧道衬砌图像采集系统进行实际隧道裂缝检测试验.在检测车上搭载多组工业相机、LED 辅助照明装置以及点激光器实现对隧道衬砌裂缝图像的采集，通过检测车上的旋转编码器实现采集图像与隧道的定位，利用车载工控机控制采集过程并进行图像的存储与处理.

图12 衬砌裂缝检测试验系统Fig.12 Lining crack detection test system

对采集到的隧道衬砌图像进行预处理提升所采集图像质量、利用语义分割网络模型实现对裂缝信息与背景信息的分割，最后利用图像处理算法实现裂缝骨架提取、裂缝类型判定以及长度与宽度的测量.图像预处理和图像语义分割的部分图像如图13所示.从图13 可以看出，利用本文方法能有效地将裂缝从衬砌背景图像中分割出来，且泛化能力较好.

图13 实车采集图像分割结果Fig.13 Image segmentation results of real vehicle acquisition

为了对比裂缝类别、宽度和长度的测量精度，从图像中挑选具有典型裂缝的10 处进行对比试验.利用采集图像与实际桩号之间的对应关系，找到相应的隧道位置，通过现场人工测量值与本文方法计算值进行对比.裂缝类别的识别结果对比如表2 所示，裂缝长度和宽度测量结果的对比如表3 所示.

表2 裂缝类别结果对比Tab.2 Comparison results of crack category

表3 裂缝长度宽度结果对比Tab.3 Comparison results of crack length and width mm

表2 和表3 中桩号的XZ 代表路段名称缩写，加号前面数字为路段千米数，加号后面数字为路段百米数.从表2 和表3 可以看出，在选择的10 处典型裂缝对比中，本文方法都能正确识别裂缝的类型.在裂缝定量测量方面，长度测量值与人工测量值的最大偏差为2.92 mm，宽度测量值与人工测量值的最大偏差为0.28 mm.