基于U-Net网络的隧道排水孔堵塞检测方法.pdf

基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGY第60卷第4期(总第411期),2023年8月出版Vol.60,No.4(Total No.411),Aug.2023文章编号：1009-6582（2023）04-0076-10DOI:10.13807/ki.mtt.2023.04.009收稿日期：2023-04-28修回日期：2023-06-14基金项目：甘肃省重点研发计划-工业类（21YF1GA381）.作者简介：王耀东（1997-），男，硕士研究生，主要从事隧道方面的研究工作，E-mail:.通讯作者：杜耀辉（1981-），男，博士，副教授，主要从事岩土与隧道工程方面的教学与研究工作，E-mail:.引文格式：王耀东，杜耀辉，高 岳.基于U-Net+网络的隧道排水孔堵塞检测方法J.现代隧道技术,2023,60(4):76-85.WANG Yaodong,DU Yaohui,GAO Yue.Detection Method for Blockage of Tunnel Drainage Holes Based on U-Net+NetworkJ.Modern Tunnelling Technology,2023,60(4):76-85.1引 言近年来，隧道排水系统施工及运营阶段的结晶、淤泥堵塞问题日益普遍1，在我国岩溶区排水系统淤堵病害更甚2。隧道排水孔结晶淤堵检测仍需依赖人工进行定量、定性分析，效率不高且评估标准不一致。因此，亟需基于人工智能的方法提高排水孔淤堵病害检测效率。典型的人工智能网络模型为卷积神经网络（CNN）深度学习模型3，通过多个卷积层、池化层实现图像特征提取与降维，再通过全连接层将图像特征映射到输出层进行分类或回归。刘兵4建立直链式CNN深度学习模型，准确快速甄别钢桥疲劳开裂及钢桥裂纹，识别精度达93.5%，具有实际工程应用前景。Yin等5将基于CNN的对象检测器（即YOLOv3网络）应用于市政排水系统，准确识别六种缺陷类型和一种结构特征，模型平均精度为85.37%。折昌美6利用改进的AlexNet深度卷积网络设计了一种目标检测算法，能快速准确区分裂缝图像与非裂缝图像，训练准确率高达98.6%，测试准确率高达97.8%，优于传统算法。然而，AlexNet深度卷积网络未考虑像素间关系，且计算量较大，需要较多的计算资源和时间，不适用于像素级别的图像分割任务。上述应用均表明，CNN深度学习模型在图像分类任务中表现优异，但对于隧道排水孔堵塞检测任务需对管道内部图像进行分析，判断正常管道与堵塞物质部分。这就需要像素级别图像分割，将像素点分为不同类别，如正常管道、污垢、树根等。传统CNN模型采用固定大小卷积核与池化操作，无法接受变长输入输出，这在像素级别图像分割任务中是限制因素。同时，传统CNN模型在全连接层中压缩特征图维度，导致细节信息丢失，对于像素级别图像分割任务而言，这些细节信息至关重要。Narazaki等7采用像素级分类FCN模型，提出次序配置法对复杂场景图像中隧道和桥梁的各构件进行像素级分类，取得了进展性成果。Andrushia等8提出了基于U-Net架构的自动裂缝检测方法，能够准确检测暴露于火灾时混凝土结构上形成的热裂缝，效果强于其他方法。U-Net原始像素级分割网基于U-Net+网络的隧道排水孔堵塞检测方法王耀东 杜耀辉 高 岳（兰州交通大学土木工程学院，兰州 730070）摘要：为提高传统基于图像检测的隧道排水孔堵塞识别效率，利用U-Net+神经网络模型的人工智能语义分割方法对隧道排水孔堵塞图像进行处理，并引入淤堵程度评估指标，对不同淤堵程度的排水孔进行准确分类。结果表明，所提方法的损失曲线显示出较好的收敛趋势，同时训练集和验证集上的准确率均呈现出稳定提升的趋势，在准确率、召回率和F1分数等指标上优于其他常用图像分割方法，分别达到96%、95%和95%。模型在IoU和Dice系数方面同样表现优异，分别达到了91%和95%。此外，模型对光照变化以及不同噪声环境都具有一定的适应能力，在不同场景下依然表现出较好的性能。所提出的基于U-Net+神经网络的智能识别方法在准确性、鲁棒性和适应性方面均表现出较高的水平，为隧道排水孔堵塞检测任务提供了一种有效的解决方案。关键词：隧道排水孔堵塞；图像识别；卷积神经网络；语义分割；U-Net+网络模型中图分类号：U456文献标识码：A76基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGYVol.60,No.4(Total No.411),Aug.2023第60卷第4期(总第411期),2023年8月出版络模型9是一种表现显著的卷积神经网络，结构灵感来自编码器-解码器架构，可以实现精确的像素级分割，U-Net在基础编码器-解码器之上引入跳跃连接机制，捕获多尺度信息。然而，U-Net模型在处理多尺度信息和类别不平衡问题上表现较弱10，并对大规模数据集的需求较高。针对隧道排水孔堵塞检测任务，使用具有跳跃连接、反卷积等结构的U-Net+网络模型11更为适宜。U-Net+能更好处理细节性分割任务、支持多尺度分割和类别不平衡问题，具有优越的性能表现。U-Net+模型可解释性强、可视化结果清晰，有助于进一步分析和解释检测结果。因此，本文尝试构建像素级分类U-Net+模型以评估复杂场景图像中隧道排水孔的堵塞程度。2像素级分类U-Net+网络模型搭建2.1图像数据的预处理与图像增强在深度学习领域，图像预处理是至关重要的环节，其主要目的在于通过降噪、尺寸归一化和对比度增强等方法提升图像质量和可用性，从而促使算法更有效地学习和识别特征。此外，数据增强技术可用于扩展数据集，提高模型泛化能力和鲁棒性。预处理还可降低计算量，提高算法效率，因为它能将图像数据转化为易处理形式，有助于加速模型训练和推理过程。本文采用Keras中的“ImageDataGenerator”对训练图像进行缩放、裁剪、旋转和翻转等操作，生成更多训练数据，增加数据多样性，提升模型性能和泛化能力12，如图1所示。图1 图像增强示意Fig.1 Schematic diagram of image enhancement为了更精确地识别隧道排水孔堵塞状况，将训练集图像像素划分为：“孔壁”“结淤”和“背景”，使用“labelme”标注工具对待训练图像进行标注，然后加载图像文件和标注文件至U-Net+模型进行训练。2.2 U-Net+网络模型的搭建U-Net+模型的整体结构由编码器和解码器组成，编码器负责从输入图像中提取特征，而解码器则将这些特征映射回原始图像空间，实现像素级别的分割。编码器通过一系列的卷积操作和激活函数进行特征提取，并借助最大池化层逐步减小空间尺寸。编码器具有多层级结构，每一级卷积层输出通道数逐渐增加，实现了逐层抽象和渐进的图像信息提取。解码器部分通过上采样操作将特征图的尺寸扩大，并使用卷积操作和激活函数进一步处理特征。解码器的通道数逐渐减少，与编码器的逐层抽象相对应，逐步恢复原始图像的空间信息。这些采用了嵌套结构的解码器通过堆叠多个解码器实现不同深度特征图的信息共享，捕获多尺度信息，提高模型对不同大小和形状目标的适应能力。并利用密集连接策略直接连接不同深度的特征图，提高特征的复用性，缓解梯度消失问题，并减少模型参数，降低过拟合风险。在最终层，通过逐像素分类和softmax激活函数，对每个像素点进行类别预测。某隧道排水孔结晶图像使用 U-Net+模型的训练过程如图 2 所示。此外，通过改进的损失函数，将Dice损失与Focal损失结合为混合损失函数13，使模型更加关注难分割的目标类别，提升在具有挑战性分割任务中的性能。具体实现如下：Dice损失（DL）：Dice损失函数是一种基于集合相似度的度量方法，适用于处理不平衡类别的问题。其定义如下：DL(ytrue,ypred)=1-2i=1nytrueiypredi+i=1nytruei+i=1nypredi+（1）式中：yture表示真实标签；ypred表示预测标签；n为样本数量；为平滑因子，用于避免除零错误。Focal损失（FL）：Focal损失函数主要针对类别不平衡问题，通过降低简单样本的损失权重，使得模型更关注难以分类的样本。定义如下：FL(ytrue,ypred)=-i=1nytruei(1-ypredi)log(ypredi)（2）式中：为平衡因子；为调节因子，用于控制损失函数对简单样本和困难样本的关注程度。组合损失函数（CL）14：为了综合利用Dice损失和Focal损失的优势，现将这两种损失函数线性组合，定义如下：77基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGY第60卷第4期(总第411期),2023年8月出版Vol.60,No.4(Total No.411),Aug.2023CL(ytrue,ypred)=DL(ytrue,ypred)+FL(ytrue,ypred)（3）式中，和分别为Dice损失和Focal损失的权重系数。该U-Net+网络模型引入了跳跃连接机制，将编码器和解码器在相应层级的特征图上进行逐像素的拼接，以保留局部特征并更好地保持原始图像的细节信息。这种嵌套跳跃连接的设计有助于更好地捕获图像的多尺度信息，针对传统U-Net模型在特征提取、融合及样本不平衡问题上的局限，对模型进行了有针对性的优化，提高细节恢复与分割精度，并进一步提升隧道排水孔堵塞图像分割的准确性和鲁棒性，使U-Net+在隧道排水孔堵塞检测图像分割任务中具有优越性能，如图3所示。图2 U-Net+网络模型结构示意Fig.2 Schematic diagram of U-Net+network model structure图3 U-Net+模型的优势Fig.3 Advantages of U-Net+model为了实现高效且稳定的网络训练，选用Adam优化器15。相较于传统的随机梯度下降（SGD）方法，Adam优化器在训练过程中可以自适应调整学习率，使其在不同参数的更新过程中具有独立的动态学习率。这一特性使得Adam优化器在训练深度学习模型时具有更快的收敛速度和更优的性能。其具体公式如下：mt=1mt-1+(1-1)gt（4）vt=2vt-1+(1-2)gt2（5）m t=mt1-1t（6）vt=vt1-2t（7）t=t-1-vt+m t（8）式中：mt表示当前时刻的一阶矩估计（梯度的平均值）；vt表示当前时刻的二阶矩估计（梯度平方的平均值）；m t和vt分别是对mt和vt的偏差修正；为学习率；为平滑因子，防止出现除以零的情况；t为当前时刻的参数值；gt为当前时刻的梯度；1和2为衰减率，一般取值为0.9和0.999。3U-Net+网络模型的训练与对比分析3.1数据集描述岩溶地区通常含有大量金属离子，极易发生各种化学反应，生成结晶、水垢、铁锈等，从而堵塞排水系统。采集甘肃省陇南市康略高速项目400张包括正常排水孔与堵塞排水孔的图像，从中随机选取70%作为训练集，再随机选取15%作为验证集，最后将剩下的15%作为测试集，进行数据增强后共有78基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGYVol.60,No.4(Total No.411),Aug.2023第60卷第4期(总第411期),2023年8月出版3 600张图像作为数据集开始本次模型训练试验。3.2试验设置与评价指标本次训练使用 12th Gen Intel(R)Core(TM)i5-12400F 2.50 GHz CPU、32 GB内存的个人计算机进行训练试验。采用较小的初始学习率（110-5），以减小梯度更新时引入的噪声，有利于网络在损失函数优化过程中更精细地探索参数空间，有望获得更优的局部最优解，从而提高模型在训练过程中的稳定性。在训练过程中，设定批量大小为8，以平衡计算资源的利用和训练速度。此外，设置训练轮数为50轮，以便模型充分学习数据集中的特征。评价指标方面，用途最为广泛的图像识别模型评价指标包括准确率、精确率、召回率和F1值16，计算公式如下：A=TP+TNTP+TN+FP+FN（9）P=TPTP+FP（10）R=TPTP+FP（11）F1=2 P RP+R（12）式中：A为准确率(Accuracy)；P为精确率(Precision)；R为召回率(Recall)；F1表示分数；TP为真正例数；TN为真负例数；FP为假正例数；FN为假负例数。而在本次任务中，背景像素占比较大，而管道和堵塞部分的像素数量较少，全局指标如准确度、精确度和召回率可能掩盖了不同类别之间的性能差异17。相比之下，像素级指标如IoU和Dice系数能更好地评估模型在各类别间的性能差异，提供细致的性能分析，有助于判断模型对各类别像素标记的准确性。因此，在本文中，IoU和Dice系数相较于准确度、精确度和召回率更具有效性和客观性18。具体公式如下：Dice=2TP2TP+FP+FN（13）IoU=TPTP+FP+FN=Dice2-Dice（14）3.3训练过程分析图4记录了在50个训练周期（Epoch）内，每个训练周期的训练损失、验证损失、训练准确率、验证准确率、训练召回率、验证召回率、训练F1分数、验证F1分数、训练IoU、验证IoU、训练Dice系数和验证Dice系数等多个指标的变化情况。观察图4中训练损失和验证损失两项指标的变化，随着训练轮次的增加，这两项指标都呈下降趋势。图4 训练集和验证集在训练过程中的参数变化Fig.4 Parameter changes in training and validation sets duringtraining process从第5轮到第50轮，训练损失从85%降至11%，验证损失从81%降至11%。损失的降低说明模型在学习过程中逐渐拟合数据，避免了过拟合和欠拟合的问题。准确率和召回率方面，试验结果显示，训练准确率和验证准确率均得到了显著提升，从最初的76%和78%都增长至96%。这意味着模型在预测隧道排水孔堵塞问题上具有较高的准确性。同时，训练召回率和验证召回率从74%和75%提升为95%，召回率的稳定提升表明模型能够较好地检测到实际存在的堵塞情况。F1分数作为综合准确率和召回率的评价指标，本试验中训练F1分数和验证F1分数均显示出稳定的增长，从第5轮到第50轮，训练集和验证集从75%和76%增长到了95%。较高的F1分数表明模型在平衡误报和漏报方面取得了较好的效果。IoU和Dice系数在训练过程中呈现出相似的增长趋势，训练结束时分别达到了91%和95%，这些结果进一步证实了所提出的基于U-Net+神经网络79基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGY第60卷第4期(总第411期),2023年8月出版Vol.60,No.4(Total No.411),Aug.2023的隧道排水孔堵塞检测方法在各项性能指标上的优异表现。部分预测结果如图5所示。图5 部分预测结果与原图对比Fig.5 Comparison between some predicted results and originalimages试验结果表明，基于U-Net+神经网络的隧道排水孔堵塞检测方法具有较高的准确性和可靠性，能够有效地应对隧道排水孔堵塞问题。这一方法不仅在准确率和召回率方面取得了较高的水平，而且在F1分数、IoU和Dice系数等评价指标上也表现出较高的成绩。这些结果为隧道排水孔堵塞检测提供了一种有效的解决方案，有助于提高隧道排水系统的可靠性和安全性。3.4鲁棒性分析在隧道工程的图像识别任务中，鲁棒性分析至关重要，原因在于隧道环境本身的复杂性和多变性19。由于隧道工程涉及到多种不同的光照条件、噪声水平和遮挡情况等因素，这些因素可能会对图像识别任务产生负面影响。在实际应用中，图像识别算法需要具备较高的鲁棒性，以便在各种复杂环境下保持稳定的性能，从而提高隧道排水系统淤堵检测的可靠性和安全性。因此，在隧道工程的图像识别任务中，重视鲁棒性分析是提高系统性能和效率的关键因素。本节对所提出的模型进行了详细的鲁棒性分析，以评估其在各种具有挑战性的条件下的性能。鲁棒性分析涵盖了低噪声、高噪声、低光照、高光照和遮挡等情况，如图6所示。图6 鲁棒性分析Fig.6 Robustness analysis本次鲁棒性试验采用准确率、召回率、F1分数等评价指标来量化模型在这些挑战条件下的性能。表1展示了基于U-Net+神经网络的隧道排水孔堵塞检测方法在各种情况下的性能表现。原始数据下，准确率达到96%，召回率为95%，F1分数为95%，证明模型在无干扰条件下具备优秀性能。低噪声环境中，准确率为93%，召回率为92%，F1分数为92%。尽管环境噪声对模型性能产生影响，模型仍能保持较高性能表现。然而，在高噪声条80基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGYVol.60,No.4(Total No.411),Aug.2023第60卷第4期(总第411期),2023年8月出版表1 鲁棒性分析Table 1 Robustness analysis情况原始数据低噪声高噪声低光照高光照遮挡准确率/（%）969388929085召回率/（%）959287908983F1分数/（%）959287918984件下，准确率降至 88%，召回率为 87%，F1 分数为87%。尽管性能略有下降，但模型在高噪声环境下仍具备堵塞检测能力。在隧道工程中，光照条件对图像质量的影响不可忽视。低光照环境下，准确率、召回率和F1分数分别为92%、90%和91%，表明模型在暗光环境中依然具备良好性能。高光照条件下，模型的准确率为90%，召回率为89%，F1分数为89%，结果表明模型在亮光环境中仍能有效检测隧道排水孔堵塞。在遮挡情况中，模型准确率为85%，召回率为83%，F1分数为84%。遮挡对模型性能产生一定影响，但模型在识别隧道排水孔堵塞方面仍具有一定程度的识别能力。综合考虑各种情况下的试验结果，基于U-Net+神经网络的隧道排水孔堵塞检测方法在不同环境条件下均表现出较高的准确率、召回率和F1分数，具有较好的鲁棒性。综合考虑以上试验结果，虽然模型在各种场景下均表现出较高的性能，但在高噪声与遮挡情况下的性能仍有待提升。未来研究方向可以着重针对这些特定场景，探索改进模型结构或引入更为强大的噪声抑制和遮挡处理策略，进一步提高模型在复杂环境下的鲁棒性。3.5U-Net+网络模型与其他模型的对比为了全面评估U-Net+网络模型在隧道排水孔堵塞检测与分析任务中的性能，选择原始U-Net、SegNet20和Deeplab21等典型图像分割算法作为对照基准进行对比试验。所有模型在相同的数据集和试验条件下进行堵塞检测，并通过准确率、召回率、F1分数、IoU和Dice系数等多个评价指标对模型性能进行定量分析，具体数据如表2所示。根据试验数据可以明显看出相较于其他模型，U-Net+模型在所有评价指标上均取得了显著的性能优势，U-Net+模型在IoU指标中领先表现最差的SegNet模型8个百分点，这一优势首先归因于U-Net+网络结构的创新性设计。U-Net+模型采用了嵌套连接和跳跃连接策略，从而使得模型在捕捉和融合多尺度信息方面更具效率。这一优化设计使得模型能够更好地应对隧道环境中的复杂性和多样性，从而在隧道排水孔堵塞检测任务中表现出高精度、高准确性和良好的分割质量。如图7所示，最终的预测结果中，U-Net+在细节部分的处理要明显强于其余常见模型。可以发现U-Net+网络模型在各个层次的特征表2 不同模型试验结果对比Table 2Comparison of test results of different models模型U-Net+原始U-NetSegNetDeeplab准确率/（%）96939194召回率/（%）95918992F1分数/（%）95929093IoU/（%）91878388Dice系数/（%）95928993训练时间/h5.54.86.37.2学习和融合方面具有明显优势，对于具有不同纹理、形状和尺寸的隧道排水孔堵塞现象表现出较强的识别能力，这意味着该模型在实际应用中能够更好地适应各种复杂情况。同时，这种特征整合策略有助于模型克服梯度消失问题，从而提高隧道排水孔堵塞检测的准确性和可靠性。在模型训练时间方面，U-Net+模型在性能优势与训练时间之间实现了良好的平衡。尽管 U-Net+的训练时间（5.5 h）相较于原始 U-Net 模型（4.8 h）有所增长，这部分额外的训练时间投入是因为其改进了网络结构，可以显著提升图像分割的精度。相对而言，尽管SegNet和DeepLab模型因为其计算需求和模型复杂性的提高，导致训练时间增长至6.3 h和7.2 h，但其性能提升并不能总是与增加的计算成本相匹配，这使得U-Net+在时间效率和性能之间的权衡具有显著优势。3.6排水孔堵塞程度的判定标准为了量化排水孔的堵塞程度，引入一种面积占81基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGY第60卷第4期(总第411期),2023年8月出版Vol.60,No.4(Total No.411),Aug.2023比的计算方法。通过基于 Python 的“OpenCV”和“NumPy”图像处理库读入经过语义分割的图像，统计“孔壁”和“结淤”各自的像素数量，将被标记为“结淤”的像素数量定义为结淤像素数量（Ns），被标记为“孔壁”的像素数量定义为孔壁像素数量（Nw），从而计算出面积占比（Ar），如式（15）所示。Ar=NsNs+Nw 100%（15）根据堵塞区域面积占比，将堵塞程度划分为三个级别：轻度堵塞、中度堵塞和重度堵塞，如表3所示。此阈值设定的原则是在确保系统性能和安全的前提下，为中度堵塞留出了足够的空间，使得维护人员有更充足的时间进行预防和维修工作，以避免系统直接陷入重度堵塞状态。同时，这个设定也能够较早地发现可能的轻度堵塞问题，这对于提早进行干预和修复是非常重要的。表3 排水孔堵塞程度的判定标准Table 3 Criteria for determining blockage degree of drainage holes淤堵程度轻度堵塞中度堵塞重度堵塞面积占比 70%描述排水孔功能尚未受到严重影响，仅存在局部阻塞排水孔功能受到一定程度的限制，可能引起局部积水和排水不畅排水孔功能严重受阻，导致严重的积水和排水障碍以本次试验所选取的60张测试集图像为例，按照上述计算方法和判定标准，对每张图像进行淤堵程度的评估，共14张图像被判断为重度堵塞、28张图像判断被为中度堵塞以及18张图像被判断为轻度堵塞，具体结果如图8所示。图7 U-Net+网络模型与其他模型预测结果对比Fig.7 Comparison of prediction results of U-Net+network model and other models82基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGYVol.60,No.4(Total No.411),Aug.2023第60卷第4期(总第411期),2023年8月出版图8 堵塞程度判定结果散点图Fig.8 Scatter diagram of determination results of blockagedegree用同样计算方法计算出现场实际原图标签图像的堵塞面积占比后，与预测结果进行对比得出误差分析散点图，如图9所示。图9 堵塞程度误差分析散点图Fig.9 Scatter diagram of error analysis of blockage degree图9中对角线代表误差为0，而对角线以下的散点偏多，意味着与现场实际情况相比，模型更倾向于低估淤堵程度，其中轻度堵塞判定误差最小，重度堵塞判定误差相对较大。这种判定标准结合了U-Net+网络模型的语义分割结果与面积比例的量化分析，为排水孔淤堵程度的评估提供了客观而可靠的依据。这将有助于进一步分析和比较不同淤堵程度下模型的性能表现，并为隧道排水孔的维护和管理提供重要的参考依据。4结 论本文针对隧道排水孔堵塞检测任务，采用一种基于U-Net+网络模型的方法，并通过试验证明该方法在实际应用中的可行性，并与其他模型进行对比分析，试验结果如下：（1）U-Net+模型在IoU和Dice系数方面表现出优异的性能，分别达到了91%和95%。模型的训练损失和验证损失从较高的初始值降低至11%，同时训练集和验证集上的准确率也从约78%提升至96%，体现了模型对排水孔堵塞检测任务的识别能力的提高。模型在不同的环境条件下均展现出了良好的鲁棒性，准确率在90%以上，召回率和F1分数也在89%以上。在处理遮挡场景时，模型表现略有下降，但整体指标仍在84%以上。（2）U-Net+在准确率、召回率和F1分数方面均优于其他常用的图像分割方法，如原始U-Net、SegNet和Deeplab，这些指标在U-Net+模型上均在95%以上。尽管U-Net+的训练时间稍长，但是通过优化网络结构，显著提升了图像分割精度，这部分训练时间的延长是值得的，与SegNet和DeepLab相比，U-Net+更有效地平衡了训练时间和性能，提供了更高的时间效率。（3）引入面积占比计算方法和堵塞程度判定标准，对测试集图像进行了堵塞程度的评估。实际应用结果与现场实际对比验证表明，尽管模型倾向于低估堵塞程度，但还是能够实现对轻度堵塞、中度堵塞和重度堵塞的准确识别，其中轻度堵塞判定的误差最小。这不仅验证了模型的有效性，也展示了它在实际工作中的应用价值。综上，基于U-Net+网络模型的隧道排水孔堵塞检测与分析方法在本次研究中取得了显著的效果，并能够依据模型对堵塞图像的分割结果和预设的阈值进行判断，从而为不同淤堵程度的排水孔提供准确的分类，为隧道排水孔堵塞检测提供了一种有效的解决方案。然而，需要指出的是，U-Net+在一些特定场景（例如高噪声和遮挡环境）中的性能仍有提升空间，存在一定局限性，特别是它对于堵塞程度的低估倾向。未来的研究需要针对这些局限性进行改进，从而进一步提升模型的性能，为隧道安全与维护提供更为高效且可靠的技术支持。83基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGY第60卷第4期(总第411期),2023年8月出版Vol.60,No.4(Total No.411),Aug.2023参考文献References1 卢冠楠,王 鹏,杨 蕴,等.岩溶区隧道排水系统地下水渗流结晶堵塞机理及阻垢技术研究综述J.现代隧道技术,2021,58(6):11-20.LU Guannan,WANG Peng,YANG Yun,et al.Review of Researches on Groundwater Seepage Induced Crystallization and BlockageMechanism and Scale Inhibition Technology in the Tunnel Drainage System in Karst AreasJ.Modern Tunnelling Technology,2021,58(6):11-20.2 周 卓.岩溶地区地下水渗流结晶堵塞隧道排水管机理研究及处治建议D.西安:长安大学,2015.ZHOU Zhuo.Study on the Plug of the Tunnel Drainage Pipe Mechanism Caused by Groundwater Seepage Crystallization in Karst Area and the Proposal of TreatmentD.Xian:Changan University,2015.3 周飞燕,金林鹏,董 军.卷积神经网络研究综述J.计算机学报,2017,40(6):1229-1251.ZHOU Feiyan,JIN Linpeng,DONG Jun.Review of Convolutional Neural NetworkJ.Chinese Journal of Computers,2017,40(6):1229-1251.4 刘 兵.基于卷积神经网络的钢桥裂纹智能识别方法研究C/2021年全国工程建设行业施工技术交流会论文集(下册).北京:施工技术编辑部,2021:440-448.LIU Bing.Research on Intelligent Method for Detection Crack of Steel Bridge Based on Convolutional Neural NetworkC/Proceedingsof the 2021 National Exchange Conference on Construction Technology in Engineering Construction Industry(Volume 2).Beijing:Construction Technology Editing Department,2021:440-448.5 YIN Xianfei,CHEN Yuan,BOUFERGUENE A,et al.A Deep Learning-based Framework for an Automated Defect Detection System for Sewer PipesJ.Automation in Construction,2020,109:102967.6 折昌美.地铁隧道复杂裂缝病害的图像识别算法研究D.北京:北京交通大学,2019.ZHE Changmei.Research on Image Recognition Algorithm for Complex Crack Diseases in Subway TunnelsD.Beijing:Beijing Jiaotong University,2019.7 NARAZAKI Y,HOSKERE V,HOANG T A,et al.Vision-based Automated Bridge Component Recognition with High-level SceneConsistencyJ.Computer-Aided Civil and Infrastructure Engineering,2020,35(5):465-482.8 DIANA ANDRUSHIA A,ANAND N,LUBLOY E,et al.Deep Learning Based Thermal Crack Detection on Structural Concrete Exposed to Elevated TemperatureJ.Advances in Structural Engineering,2021,24(9):1896-1909.9 王 斌,陈占龙,吴 亮,等.兼顾连通性的U-Net网络高分辨率遥感影像道路提取J.遥感学报,2020,24(12):1488-1499.WANG Bin,CHEN Zhanlong,WU Liang,et al.Road Extraction of High-resolution Satellite Remote Sensing Images in U-Net Network with Consideration of ConnectivityJ.Journal of Remote Sensing,2020,24(12):1488-1499.10 张永洪,席梦丹.带洞型U-Net+网络在遥感影像中建筑物的提取方法J.测绘地理信息,2021,46(增1):82-86.ZHANG Yonghong,XI Mengdan.A Method for Extracting Buildings from Remote Sensing Images with Hole U-Net+NetworkJ.Journal of Geomatics,2021,46(S1):82-86.11 胡宏宇,左记祥,吕 颖,等.面向自动驾驶的遥感影像路网检测方法J.中国公路学报,2022,35(11):310-317.HU Hongyu,ZUO Jixiang,LV Ying,et al.Road Network Detection of Remote Sensing Images for Autonomous DrivingJ.ChinaJournal of Highway and Transport,2022,35(11):310-317.12 ABDOLLAHI A,PRADHAN B,SHUKLA N.Road Extraction from High-resolution Orthophoto Images Using Convolutional Neural NetworkJ.Journal of the Indian Society of Remote Sensing,2021,49(3):569-583.13 杨晋生,陈洪鹏,关 欣,等.一种多尺度轻量级脑胶质瘤图像分割网络J.华南理工大学学报(自然科学版),2022,50(12):132-141.YANG Jinsheng,CHEN Hongpeng,GUAN Xin,et al.A Multi-scale Lightweight Brain Glioma Image Segmentation NetworkJ.Journal of South China University of Technology(Natural Science Edition),2022,50(12):132-141.14 宋 益,赵宁雨,颜 畅,等.隧道衬砌裂缝实时分割的Mobile-PSPNet方法J.铁道科学与工程学报,2022,19(12):3746-3757.SONG Yi,ZHAO Ningyu,YAN Chang,et al.The Mobile-PSPNet Method for Real-time Segmentation of Tunnel Lining CracksJ.Journal of Railway Science and Engineering,2022,19(12):3746-3757.15 杨观赐,杨 静,李少波,等.基于Dopout与ADAM优化器的改进CNN算法J.华中科技大学学报(自然科学版),2018,46(7):122-127.YANG Guanci,YANG Jing,LI Shaobo,et al.Modified CNN Algorithm Based on Dropout and ADAM OptimizerJ.Journal of Huazhong University of Science and Technology(Natural Science Edition),2018,46(7):122-127.84基于U-Net+网络的隧道排水孔堵塞检测方法现 代 隧 道 技 术MODERN TUNNELLING TECHNOLOGYVol.60,No.4(Total No.411),Aug.2023第60卷第4期(总第411期),2023年8月出版16 HOORALI F,KHOSRAVI H,MORADI B.Automatic Bacillus Anthracis Bacteri