朔黄铁路隧道衬砌表观病害检测技术

王敬 王宁 李健超 段培勇

1.国能朔黄铁路发展有限责任公司，河北肃宁 062350；2.中国铁道科学研究院集团有限公司铁道建筑研究所，北京 100081

朔黄铁路西起山西省朔州站，东至河北省黄骅港口，全长近598 km，是国家Ⅰ级双线电气化重载铁路，是中国重要煤炭运输专线神黄铁路的重要组成部分。全线隧道里程66 km，全部为单洞双线隧道。为了提高朔黄铁路隧道结构的安全防护等级和长期稳定性，需要对朔黄铁路全线隧道进行快速检测和病害智能识别，从而指导检修，保障运营安全，提升朔黄铁路全线智能化运维水平。

1 隧道检测现状

针对铁路隧道结构病害的自动检测，国内外均开展了相关研究，并研发了一些自动化巡检系统。法国HGH红外系统公司研制的多传感器隧道病害自动检测系统ATLAS 70，可对隧道裂缝、渗水等病害进行全方位检测，图像分辨率为5 mm［1］。德国SPACETEC公司研发的SPACETEC TS3隧道扫描仪，在检测隧道过程中可以生成视觉影像、热影像和轮廓记录，最大检测速度为5 km/h，可识别宽度2 mm的裂缝［2］。瑞士AMBERG技术公司开发的GRP5000移动式扫描测量系统，搭载二维激光扫描仪对隧道结构进行全方位检测，可对其整体状态进行分析，在检测速度不大于6 km/h时可识别宽度1.5 mm的裂缝［3］。日本MIMM公司研制的公路隧道病害安全快速智能检测系统，以30~80 km/h的速度对隧道动态连续检测时，可识别隧道内壁裂缝病害，数据采集精度2 mm［4］。

北京铭博瑞尔铁路技术检测有限公司研制的隧道快速检测车，可检测衬砌表面裂缝、渗漏水和隧道限界，以30 km/h的速度检测时可识别1.0 mm宽度裂缝，检测系统对隧道图像数据和隧道表面缺陷的分析主要采用人工识别［5］。武汉武大卓越科技有限责任公司研制的国内首台公路隧道快速检测车搭载线阵相机、GPS（Global Positioning System）、激光扫描仪、红外热成像仪等设备，可检测衬砌表面裂缝、渗漏水以及内轮廓变形等，以0~80 km/h的速度连续动态检测时可识别宽度0.2 mm裂缝，数据采集精度1 mm。

随着深度学习和机器学习技术的发展，语义分割、卷积神经网络逐渐应用于混凝土裂缝的识别。瞿中等［6］提出基于融合特征图的全U型网络裂缝检测算法，与U-net检测算法相比精确率提升了1.48%。王纪武等［7］提出了利用改进Faster R-CNN+ZF模型对铁路桥梁裂缝自动分类的方法，在Faster R-CNN网络模型前添加一层Prewitt算子锐化卷积层，提升了模型特征提取能力。马跃坤等［8］提出基于NSCT变换（Nonsubsampled Contourlet Transform）的多尺度积阈值红外图像增强算法和相位一致性原理，利用形态学处理算法、k-means聚类算法提取红外图像中的裂缝区域。

同图像数据相比，激光点云数据具有稀疏性与无序性的特点。采用激光点云数据进行目标检测是近五年发展起来的技术。Fu等［9］提出了基于点云数据的3D全卷积神经网络的车辆检测方法。Qi等［10］在2017年国际计算机视觉与模式识别会议上提出利用Point Net网络直接处理点云数据，获取点云的全局特征，最后对每个点进行分类预测，平均检测精度在90%以上。

通过深入调研国内外隧道衬砌表观病害检测装备及实际应用情况，综合考虑目前计算机软硬件、人工智能技术在隧道图像检测中的应用，项目组针对朔黄重载铁路隧道的断面尺寸、衬砌状态和内部环境进行优化设计，提出隧道衬砌表观病害智能检测系统。该系统可安装在朔黄铁路轨道作业车、接触网检修作业车以及专用检测车上。

2 隧道衬砌表观病害智能检测系统车载硬件子系统设计

该检测系统采用机器视觉技术和激光扫描技术，实现对衬砌表观状态和空间尺寸的快速检测，获取高清晰度的衬砌表观图像和三维点云数据。

车载硬件子系统包括高清图像采集模块、限界检测模块、车体运动补偿模块、红外相机模块、道床状态检测模块、数据采集及存储模块、里程及同步模块等。

高清图像采集模块由多个线阵相机、工业镜头和激光照明组件构成。线阵相机具有动态变化范围大，图像畸变小、高速图像采集不易拖尾等优点，因此在连续图像采集领域中得到广泛应用。根据朔黄铁路全线隧道断面尺寸及结构特点，通过合理设置相机的角度、镜头焦距，提出系统的相机布置方案。

为了检测隧道的全幅断面，采用多个相机交叉布局的方式，如图1所示。工作距离在1.5~4.2 m，相机视野为30°~70°，相机视野搭接范围约20 cm，图像分辨率为亚毫米级。

图1 相机布局

因隧道断面尺寸大，进出隧道口光照变化大，采用激光扫描技术对隧道断面进行测量。根据车辆尺寸和结构，采用两套激光扫描传感器分体式安装（图2），可对隧道断面一次全幅检测，得到扫描面内不同角度反射点的距离值。

图2 激光扫描传感器分体式安装

3 隧道衬砌表观病害智能识别算法设计

检测系统通过人工智能及数字图像处理技术自动识别衬砌开裂、剥落掉块、渗漏水、结冰等病害。

重载铁路隧道基础设施复杂，衬砌表面信息丰富多样，背景噪声复杂。对于一些光照条件较差区域，单纯利用图像识别，准确率会受到影响。而激光点云识别可直接获取物体三维坐标信息且不易受光照等条件的影响，作为图像识别方法的有益补充。

在既有隧道衬砌表观病害样本库的基础上，增加了重载铁路隧道病害样本类型及数量。针对生成的图像特征图和点云特征图，设计了基于多层网络结构的高清图像和激光点云融合算法。

采用该算法对隧道衬砌表观病害进行智能识别，主要包括以下三步。

1）数据集建立

为了解决隧道衬砌表观病害的分割识别问题，需要建立样本库。利用标注工具label-image-CARS对每张图像进行像素级的语义分割标注，使用不同颜色标注病害数据，构成隧道病害数据集crack-v3。其主要包括渗漏水、裂缝、剥落掉块等病害，见图3。

图3 隧道病害数据集

2）特征提取

对输入的高清图像数据，使用残差网络（Residual Network，ResNet）50提取其特征。ResNet 50是用于图像识别的，需对其微调再用于图像特征提取。舍去ResNet 50的两个池化层和全连接层。ResNet 50中除第一层外其余每一层都是残差网络结构。第1个卷积层包含64个7×7卷积核，第2个—第5个卷积层分别包含3、4、6、3个残差模块，见表1。

表1 ResNet50结构

利用体素特征学习层和特征提取器提取点云特征。首先采用投影、直接卷积以及栅格化处理的方式对点云数据进行预处理；然后统计每个栅格内各个点的坐标信息，利用神经网络学习栅格内每个点的特征信息聚合得到点对点的特征；最后基于3D卷积与2D卷积的特征提取器，完成点云特征的提取。

3）病害识别

对于同一时刻的点云特征图和图像特征图，首先根据数据采集系统中图像与点云坐标系之间的关系，以及两者特征图的下采样倍数，得到两种数据间的空间变换关系矩阵。再利用该矩阵将图像特征图映射到点云特征俯视图上，得到含有图像和点云信息的融合特征图，实现二者数据在不同层次的深度融合，见图4。将融合特征图输入到候选区域网络得到可能存在目标的候选框，最后采用金字塔场景分析网络（Pyramid Scene Parsing Network，PSPNet）对全局语义信息进行分割解析，实现对裂缝、剥落掉块、渗漏水、结冰等衬砌表观病害的特征提取和自动识别。

图4 融合网络模型

4 试验验证

为了评估该算法对隧道病害的识别效果，利用样本库进行了测试验证，网络训练环境为ubuntu16.04系统和Pytorch框架，显卡为GeForce GTX Titan X。试验分成两组。第一组采用高清图像数据，采用ResNet50作为特征提取网络生成特征图，输入PSPNet进行解析识别；第二组将融合特征图输入到候选区域网络和PSPNet进行解析识别。

随着铁路隧道现场检测里程的增加，样本库的数据不断扩增，目前构建了14 646个样本库。随机分割80%和20%的数据进行训练，并且使用单独提供的2 000个样本作为测试集进行评估，手动标注真值。网络训练参数：学习率为0.000 1，batchsize设置为8，迭代次数为10 000次。使用Adam梯度下降算法优化训练参数。

分别采用ResNet 50-PSPNet（仅采用高清图像数据）、融合算法进行病害识别，测试结果见表2。可见：与仅采用高清图像数据识别病害相比，利用融合算法识别病害，无论是精确率还是召回率均有所提高，融合算法经过优化训练在测试集中精确率可达90.7%。

表2 不同算法的病害识别精度对比

5 结语

根据朔黄全线隧道断面尺寸、结构特点以及现场需求，提出了重载铁路隧道衬砌表观病害智能检测系统。采用线阵相机、工业镜头和激光照明组件构成图像采集一体化成像模块，通过交叉布局方式实现了高分辨率图像的快速采集；利用激光扫描技术对隧道断面进行测量，获取激光点云数据。

在既有隧道衬砌表观病害样本库的基础上，增加了重载铁路隧道病害样本类型及数量。研发了融合高清图像和激光点云数据的重载铁路隧道结构病害识别算法。首先引入图像特征提取网络和基于体素特征学习层的点云特征提取网络，并利用空间变换融合算法得到融合特征图，然后利用候选区域网络和PSPNet对融合特征图进行检测识别，实现了对隧道衬砌表观病害的特征提取和自动识别。采用该算法不仅提高了病害识别精度，而且有效提升了重载铁路隧道运维的智能化程度和综合检测水平。