基于全景图像的隧道渗漏水病害识别方法.pdf

第45卷第8 期2023年8 月铁道学报JOURNALOFTHECHINARAILWAY SOCIETYVol.45No.8August2023文章编号：1 0 0 1-8 36 0(2 0 2 3)0 8-0 1 8 4-0 9基于全景图像的隧道渗漏水病害识别方法许敏娟，陈莹莹2 3，刘浩4.5（1.昆明地铁运营有限公司，云南昆明6 50 0 2 1；2.上海同岩土木工程科技股份有限公司，上海2 0 0 0 9 2；3.上海地下基础设施安全检测与养护装备工程技术研究中心，上海2 0 0 0 9 2；4.济南轨道交通集团有限公司，山东济南2 50 0 0 0；5.北京交通大学交通运输学院，北京1 0 0 0 44）摘要：针对隧道衬砌结构渗漏水形态复杂，光照与背景干扰强，样本不平衡导致的误识别与漏识别问题，为提高渗漏水自动识别准确率和效率，提出基于全景图像的渗漏水病害快速检测方法。首先，依据自主研发的隧道检测车采集结构表观全景图像，构建专属的渗漏水定位检测及分割样本库；然后，针对渗漏水这类形态非刚性目标，改进了DeepLabV3+分割网络，引人可变形卷积以提高感受野尺度变化自适应能力，同时融合逐像素交叉熵损失函数与Focal Loss损失函数；最后,提出方向区域搜索算法，解决因窗口滑动预测方式而造成分割断裂的问题。研究结果表明：与UNet、D e e p L a b V 3+相比，提出的改进算法分割精度平均交并比为9 1.0 2%，提高了3.3%；同时平均每张2 56 0 2 0 48 像素图片识别耗时0.30 s，降低了2 3%。方法已集成于同济曙光病害自动识别软件，并已用于隧道检测工程作业中，取得良好的应用效果。关键词：隧道检测；渗漏水；深度学习；目标检测；精细分割中图分类号：U457.2Identification Method of Tunnel Water Leakage Based on文献标志码：APanoramic ImageXU Minjuan,CHEN Yingying,LIU Hao*4,5doi:10.3969/j.issn.1001-8360.2023.08.020(1.Kunming Metro Operation Co.,Ltd.,Kunming 650021,China;2.Shanghai Tongyan Civil Engineering Technology Co.,Ltd.,Shanghai 200092,China;3.Shanghai Engineering Research Center of Detecting Equipment for Underground Infrastructure,Shanghai 200092,China;4.Jinan Rail Transit Group Co.,Ltd.,Jinan 250000,China;5.School of Traffic and Transportation,Beijing Jiaotong University,Beijing 100044,China)Abstract:Aiming at false and missing identification caused by complex water leakage form in tunnel lining structure,strong illumination and background interference and unbalanced samples,a fast detection method of water leakage basedon panoramic image was proposed to improve the accuracy and efficiency of automatic recognition of leakage water.Firstof all,based on the apparent panoramic images of the tunnel structure collected by the independently-developed tunnelinspection vehicle,an exclusive sample database was constructed for water leakage detection and segmentation.Then,for non-rigid targets with complex shapes such as water leakage,the DeepLab V3+segmentation network was improved,to introduce deformable convolution to improve the adaptive ability of the receptive field scale change,and the pixel-by-pixel cross-entropy loss function and the Focal Loss loss function were combined.Finally,a direction region search algo-rithm was proposed to solve the problem of segmentation fracture caused by window sliding prediction.The results showthat,compared with UNet and DeepLab V3+,the segmentation accuracy of the proposed improved algorithm is 91.02%on MIoU,an increase of 3.3%.At the same time,the average recognition time of each 2 560 x2 048 pixel picture is0.30s,down 23%.The method,integrated into Tongji Shuguang automatic identification software,and used in tunneldetection engineering,achieved good application results.收稿日期：2 0 2 1-0 8-31；修回日期：2 0 2 1-1 1-1 9基金项目：山东省重点研发计划（2 0 1 9 JZZY010428）；国家重点研发计划（2 0 1 8 YFB2101004）第二作者：许敏娟（1 9 7 9 一），女，浙江温岭人，高级工程师，硕士。E-mail:通信作者：陈莹莹（1 9 9 0），女，河南南阳人，工程师，硕士。E-mail:第8 期Key words:tunnel detection;water leakage;deep learning;target detection;fine segmentation渗漏水是常见的隧道病害之一 1-2，如不及时进行处理，会导致隧道内部的钢筋、螺栓金属腐蚀，严重的引起隧道管片开裂、变形，对隧道的安全运营构成威胁 3。O传统人工检测效率低、主观因素影响大、成本高，且对交通运营产生干扰，已无法满足病害检测的需求。近些年基于机器视觉的自动化检测技术获得快速发展，主要包括激光扫描技术及摄影测量技术 4。国内外厂家通过研制隧道病害快速检测专用装备，对隧道衬砌表观图像进行采集，如何实现基于图像的病害自动、准确识别成为解决问题的关键。黄永杰等 5基于数字图像算法完成盾构隧道渗漏水自动检测。彭斌等 基于图像分割相关处理技术，通过图像灰度转换、选择分割阈值、二值图像的开闭运算等对全景图像的渗水区域进行识别与修正。Protopapadakis等 7-8 通过对图像提取嫡、纹理、灰度、边缘等多种低级特征，再输入卷积神经网络以获取高级特征，最后通过多层感知机对隧道病害进行识别，但是构建的深度学习网络框架较简陋。黄宏伟等 9 提出一种基于全卷积网络的盾构隧道渗漏水检测算法，消除干扰物带来的影响。薛亚东等 1 0 改进CNN模型的inception模块以及网络结构，构建了隧道衬砌特征图像的分类系统。薛亚东等 I通过数据统计和聚类算法K-means对衬砌病害几何特征分析，优化VGG-16网络模型，基于卷积神经网络FasterR-CNN进行病害自动检测。汤一平等 1 2 对获取的全景图像展开,基于图像预处理和二值化分割处理等对疑似病害区域提取，使用卷积神经网络自动检测病害。上述成果表明，利用深度学习方法进行隧道渗漏水病害自动识别已成为新的发展趋势 1 3-1 4，但现有研究大多基于单张局部原始图像，难以体现渗漏水完整的形态，基于隧道全景图像，可展示出渗漏水完整的形态，使深度网络可充分获取渗漏水特征，同时也便于获取工程中所需的病害面积等几何特征。隧道背景中存在螺栓、衬砌修补、污痕、管线等干扰，若隧道光照不均匀易导致采集的图像明暗不均匀，都可造成渗漏水病害的误识别；渗漏水形态复杂多样，样本不平衡可导致漏识别。为解决以上问题，提出基于全景图像的隧道渗漏水病害识别方法。基于采集的全景图像构建渗漏水样本库，使用RetinaNet目标检测网络实现渗漏水区域初步定位，改进DeepLabV3+网络提高分割精度，并提出方向区域搜索算法实现邻近断开渗漏水区域的连接，算法能快速精准检测、分割渗许敏娟等：基于全景图像的隧道渗漏水病害识别方法1样本库建立深度学习网络模型的训练需要大量数据样本 1 5首先，基于二维伽马自适应校正算法调整全景图像亮度，以解决图像光照不均匀问题，效果见图1，调整后的亮度均匀性明显提高。然后，对处理后的全景图像进行人工筛选、标注、裁剪等操作，构建样本库，见图2。(a)原图图1 图像预处理(a)暗黑色区域(b)白色结晶物区域图2 渗漏水示例渗漏水病害的灰度多样性体现为：既存在喷射、涌流造成的暗黑色区域，见图2（a）；又存在滴漏、浸渗结构腐蚀造成的白色结晶物区域，见图2（b）。共分2 个类别进行标注，标签命名为“S1”“S2”,标注区域需大于50 50 像素。样本标注步骤为：Step1采用labelme软件进行全景图像分割标注，见图3（a）；对标注获得的分割标签图扩充区域进行原图裁剪，见图3（b）。裁剪区域扩充为W。H。像素，裁剪区域左上角坐标为x。=x,-(W。-W,)/2y。=y,-(H。-H,)/2185漏水区域。(b)亮度调整(1)186式中：裁剪区域宽、高分别为W。=2 56 0 像素、H。=2048像素，（x，y）为渗漏水轮廓最小外接矩形左上角坐标点；W，为矩形的宽度;H，为矩形的高度。Step2选用Labellmg软件进行渗漏水区域定位检测标注，见图4。铁道学报征进行融合，最后将特征送到分类和边界回归子网络中,见图6。工W(a)分割标注(b)原图裁剪图3标注与裁剪示意第45卷分类和定位分类和定位+分类和定位特征金字塔网络卷积层图6 RetinaNet结构RetinaNet网络采用新型损失函数FocalLoss，通过调制因子，使得网络能专注于渗漏水区域，模型训练过程中,增大困难样本渗漏水区域的权重，减小简单样本背景区域的权重，实现渗漏水区域定位，检测效果见图7。图4定位检测标注示例共构建6 6 552 张2 56 0 2 0 48 像素渗漏水定位检测数据集和6 6 552 张2 56 0 2 0 48 像素分割数据集，其中，类别S1共39 9 31 张，类别S2共2 6 6 2 1,两个类别样本比例未达1:1，即白色结晶物区域渗漏水样本图7 渗漏水区域定位不平衡，易造成漏识别。2.2渗漏水分割2渗漏水识别方法基于构建的样本库进行渗漏水识别，主要步骤包括：区域定位检测；渗漏水分割；邻近断开区域连接以解决因窗口滑动预测方式而造成渗漏水分割断裂的情况，实现渗漏水的精准识别，流程见图5。渗漏水区域定位图5渗漏水识别方法流程2.1渗漏水区域定位隧道背景中存在螺栓、修补、污痕、管线等干扰，易造成误识别，通过搭建RetinaNet网络，实现渗漏水区域的定位检测,降低误识别，以便后续基于准确检测到的渗漏水区域进行分割处理。RetinaNet网络由骨干网络、分类和边界回归子网络构成，用于特征提取的骨干网络可选择VGG、残差网络ResNet、密集连接卷积神经网络DenseNetl16，本文采用ResNet50。通过骨干网络对高层语义特征进行提取映射，使用FPN提取相同维度的多种尺度的特DeepLab17系列网络是图像分割领域成熟且主流的网络，选择DeepLabV3+进行渗漏水分割。但渗漏水是形态复杂多样的非刚性目标,DeepLab V3+存在一定的不足，网络误识别及漏识别较高，且不能满足工程自动识别速率要求。对此，改进DeepLabV3+网络，在保证分割准确率的同时，对模型进行压缩，加快运行邻近断开推理速度，网络结构见图8。渗漏水分割区域连接编码结构MobileNet上采1卷积拼接Bx3卷积-上采样解码结构图8 改进的DeepLabV3+网络结构图从骨干网络、可变形金字塔、损失函数三大部分改进网络，并进行改进效果对比测试。可变形一区1 卷积金字塔第8 期2.2.1骨干网络骨干网络选用轻量化网络MobileNetV2，基于逐点卷积PW和深度卷积DW进行特征的提取。DW卷积上层输入通道的数量决定了输出通道的数量，自身无法改变通道的数量。若上层输人通道数较少，DW仅可以提取较低维度的特征，对此MobileNet V2在DW卷积前构建了一个升维系数是6 的PW,以便提取高维特征。确保不管输人的通道数多大，DW都能够基于逐点卷积在更高的维度提取特征。2.2.2可变形金字塔原始ASPP模块使用的标准卷积核基于规则格点采样,其感受野在同一层中不同位置的大小完全相同，无法依据检测目标的尺度进行调整。渗漏水这类形态复杂的非刚性目标在图中不同位置，对应的尺度和形态也不同，标准卷积核不能很好地适应渗漏水特征变化。为使模型能够适应物体的各种形状,DeepLabV3+使用数据增强处理，通过数据集使网络适应目标的形态变化比较耗时，且对网络的结构设计有很高的要求。对此，引人可变形卷积核，将DeepLabV3+中ASPP模块采用的标准卷积核进行替换，可得Y(po)=ZW(pn)X(po+pn+Apn)（2)PneR式中：Y为输出特征图；W为权重；X为输人特征图；Po为特征图Y上的某一点；P，为标准采样点；p为需要增加的位置偏移;R为感受野的尺寸,R=（-1，-1），(-1,0),:,(0,1),(1,1)/。二维图像中，每个像素点在x和两个维度上均有9 个偏置方向。基于单个通道数为1 8 的卷积层获取位置偏移，并将该偏移量加人输人层固定的采样区域，进而使原始卷积窗口发生了不同位置的平移。原始特征图上没有与新位置对应的像素，因此采用双线性插值算法生成新的特征图，且保证分辨率不变。DeepLabV3+加人可变形卷积，使感受野能够自适应渗漏水尺度的变化，对信息的融合更加灵活，提高分割网络对渗漏水形态变化的学习能力。2.2.3损失函数渗漏水样本不平衡以致漏识别，为此引入FocalLoss损失函数，并结合逐像素交叉损失函数，通过对样本类别占比与判定阈值比较，自适应选择损失函数训练模型。Focal Loss损失函数FL(p.)为FL(p.)=-(1-p.)ln(p.)式中：和为2 个超参数,控制难易检测不平衡的样本权重；p,为模型预测的概率；(1-p）为调制因子。许敏娟等：基于全景图像的隧道渗漏水病害识别方法2.2.4改进效果随机选取图像进行对比测试：原始ASPP与引人可变形卷积效果对比见图9；原始损失函数与融合FocalLoss损失函数效果对比见图1 0。(a)原图图9 原始ASPP与引入可变形卷积效果对比(a)原图(b)原始损失函数(c)融合Focal Loss损失函数图1 0 融合FocalLoss损失函数效果对比图9(a)中原图存在形状、尺度大小不一的两处渗漏水,基于原始ASPP模块的标准卷积核，感受野未依据渗漏水的尺度进行调整，仅检测到红色框中渗漏水区域，造成黄色框内渗漏水区域漏识别，引人可变形卷积后，能够准确检测到两处渗漏水，降低漏检数；图1 0（a)中原图存在白色结晶物渗漏水区域，数据集中此类渗漏水样本比例不平衡，基于原始损失函数训练的检测模型难以检测，造成漏识别,引人Focal Loss损失函数,增大样本的训练权重，使模型能够精准检测到此处渗漏水区域，以降低漏检数。(3)改进后的网络最终分割效果见图1 1。图1 1(a)为一张背景复杂的渗漏水图像，包含线缆、交通锥、铝窗、衬砌修补等干扰，图1 1（b）为Deeplabv3+分割效果，187基于调制因子获取不同的损失，简单样本的P,较大则减小相应权重，困难不平衡样本的P，较小则增大相应权重，使模型集中在困难不平衡样本上进行训练。逐像素交叉熵损失函数Leg为一1Log=71-s(c,x,y)log1-sprd(c,x,y)1(4)式中：n为类别的总数；h、w 为图像的长度和宽度；s(c,x,y）为像素（x,y）是否属于类别c;sprd(c,x,y)为像素（,y）预测属于类别c的概率；Lseg为每个像素的预测spred（c,x,y）与标注s（c,x,y）误差损失和的平均值。当训练样本类别S1:S2不满足1:1 时，使用FocalLoss损失函数，当类别S1和S2样本比例平衡时，使用逐像素交叉损失函数。(b)原始ASPP(c)可变形卷积188铁道学报第45卷上左一一右图1 2 四方向区域搜索示意图(a)原图(b)Deeplab v3+分割(c)改进后分割图1 1 渗漏水区域效果比较网络将交通锥误识别为渗漏水区域，进行分割；改进后分割效果见图1 1（c），算法不仅能避免复杂背景造成的干扰,正确识别出渗漏水区域,且对滴漏、浸渗结构腐蚀造成的白色结晶物区域这类不平衡样本，也能够完整且精准分割出渗漏水区域。2.3邻近断开区域连接实际工程中检测图像为分辨率超过30 0 0 40 0 0的隧道全景图，而网络输人尺寸为51 351 3，若对原始全景图进行检测，图像会被压缩，丢失大量信息，因此在全景图上进行窗口滑动预测，但此方法会造成完整相连的渗漏水区域被切断，导致分割结果不完整。对此，提出方向区域搜索算法实现渗漏水邻近断开区域的连接。算法步骤如下：Step1当前渗漏水轮廓区域A查找最小外接矩形R，矩形R左上角坐标点为R.（x u,y u）、右下角坐标点为R(xa,ya)。Step2对渗漏水轮廓区域A，进行上下左右四方向区域搜索，以向下搜索渗漏水区域A,为例，见图1 2，限定向下搜索距离为T像素，依据经验值设T为2 5，分割图I的宽、高分别记为WH。：Step2.1行坐标遍历范围为ys,y,列坐标遍历范围为。，x。，设记录搜索到的左边列坐标最小值，x，记录右边列坐标最大值。Step2.2对分割图I从上至下逐行遍历，当前行y，从左至右搜索非0 像素，一旦搜索到，记录左边坐标为（x,y），同时从右至左搜索非0 像素，一旦搜索到，记录右边坐标为（x，y），当满足条件，x，时，若xx,则x,=。Step2.3继续遍历yt+1行，重复Step2.2中操作，直至遍历完所有行。若最终未搜索到，则跳转Step2.3,进行其他方向搜索。Step2.4基于分割图I.截取限定区域A2,A,左上角坐标（x,y.），宽度为Wa,=1x-x|,高度为Has=y。-y 丨,截取限定区域A,A左上角坐标为（xu，2ya-y）,宽度为W=|xa-x,l,高度为HA=ly。-y,l。Step2.5提取限定区域A，和Al最左边指定宽度范围D,=10像素区域内边缘像素坐标点，考虑分割边缘存在毛刺拐点的情况，如图1 3（b）红色框放大区域所示，使用RANSAC18算法进行多项式曲线拟合，以剔除毛刺拐点带来的干扰，使拟合的曲线更贴近渗漏水轮廓形态，如图1 3（d)蓝色框放大区域所示，连接A，和A，断开区域左边部分，右边部分做同样处理，连接渗漏水邻近断开轮廓。Step3其余方向搜索操作处理同Step2。为使连接的轮廓更平滑，进行形态学闭运算处理，最终效果见图1 3。(a)原图(c)区域连接图1 3邻近断开区域连接3试验与分析通过上海同岩土木工程科技股份有限公司自主研(b)分割图(d)效果图第8 期制的隧道智能检测车进行隧道衬砌表观病害图像的快速采集，采集了海量衬砌表观病害图像。基于VisualStudio2015开发环境、OPENCV图像库、Tensorflow深度学习网络框架，在配置有GTX1660GPU的PC上对采集的图像进行样本标注、模型训练及结果分析。3.1渗漏水定位检测对构建的6 6 552 张定位检测数据集，以8：2 的比例随机选取图像作为训练数据和验证数据，初始学习率为0.0 0 1，批量大小为8，图像训练轮次50 0 次。通过C+编程语言实现Retinanet模型的调用，置信度设为0.5,对输人的图像进行渗漏水区域定位检测，部分结果见图1 4。对6 552 张裁剪小图进行渗漏水定位批量检测，以验证模型定位效果。图像共有6 8 2 5处渗漏水，正确检测到6 37 6 处，定位准确率可达9 3.42%，仅449处检测错误，误检率为6.58%，模型定位效果可靠。图1 4渗漏水定位检测3.2目标区域分割同理，对构建的6 6 552 张分割数据集，以8:2 的比例随机选取训练数据和验证数据，初始学习率为0.001,批量大小为1 6，共进行30 0 0 0 次送代训练。前期定位检测到渗漏水区域之后，将检测到的区域送人改进的DeepLabV3+网络进行分割，部分分割结果见图1 5。选取Unet、D e e p la b V 3+算法与本文算法进行对比分析，不同算法渗漏水分割效果见图1 6,图1 6（b）为人工标注的渗漏水标签图，作为各个算法分割效果对比的标准。图1 6（a)中图的两处渗漏水位置较接近,Un-et19-20、D e e p l a b V3+算法将其作为一个整体,进行分割，本文算法能将两个渗漏水区域独立分割出来；对于图,Unet、D e e p l a b V3+算法存在过分割以及分割不完整的情况；对于图,Unet算法对渗漏水区域过度许敏娟等：基于全景图像的隧道渗漏水病害识别方法口UnetMIoU/%83.54时间/s0.11由表1 可知,Unet和DeeplabV3+算法的平均交并比分别为8 3.54%、8 7.7 2%，本文算法引进可变形卷积以及自适应选择多类别损失函数，将分割指标提高3.3%，可更好地适应渗漏水形态变化；“时间”指平均处理一张2 56 0 2 0 48 像素图像的时间，Unet和DeeplabV3+算法的检测时间分别为0.1 1、0.39 s,本文算法基于DeeplabV3+进行改进，网络结构相对Unet较为复杂，处理时间也略高于Unet,但使用轻量化网络MobileNetV2，在保证分割精度的同时，处理时间比DeeplabV3+低。3.3邻近断开区域连接处理实际工程应用中，检测图像大小为8 0 0 0 550 0像素的隧道全景图像，为了保证渗漏水检测识别的效果以及满足定位检测、分割网络图像输入尺寸的要求，189图1 5渗漏水区域分割分割,且第二处较小渗漏水区域漏分割,Deeplab V3+算法对两处渗漏水均分割不完整；对于图，Unet算法存在过度分割问题，DeeplabV3+算法能较好的分割；对于图，本文算法均能较好的分割，且与标签图对比，分割结果更精准；图相较其他算法，本文分割效果仍是最好的，因此类为多处局部散点渗漏水，无详实的渗漏水边界，导致存在分割不完整的情况；图中的渗漏水,所有算法均未检测到，此类是衬砌修补过后的几处局部点渗漏水，在衬砌修补的痕迹上，渗漏水的特征表现不明显，以至难以检测。为了更客观的对各种算法进行评价，分别从分割精度以及处理速度两个方面对比分析，使用分割指标平均交并比（MIoU)21-2进行评估，见表1。表1 不同算法性能对比算法指标Deeplab V3+87.720.39本文算法91.020.30190铁道学报第45卷(a)原图基于全景图采用窗口滑动预测方式识别渗漏水，滑窗大小设置为2 56 0 2 0 48 像素，水平和垂直方向滑动步长设置为1 0 0 0 像素，示意见图1 7。(b)标签8000(c)Unet图1 6 算法分割效果对比效果见图1 8。(d)DeeplabV3+(e)本文算法00S52.560图1 7窗口滑动示意图（单位：像素）图1 7 中,完整的渗漏水区域会因窗口滑动预测方式，被切割为上下、左右多个部分进行检测，部分被割裂的渗漏水区域易被误识别为背景进而被剔除，造成渗漏水分割不完整，产生断裂的情况，基于本文提出的方向区域搜索算法，实现渗漏水邻近断开轮廓的连接，(a)原图图1 8邻近断开轮廓后处理经过滑窗检测的分割方式，获得图1 8（b）轮廓断开的分割图；对于原图，经过向上区域搜索，实现断开轮廓的连接；原图、，分别使用向左、向右区域搜索算法，连接邻近区域；邻近断开轮廓连接之后，再经(b)分割图(c)断开轮廊连接第8 期过形态学闭运算处理平滑边缘，最终效果见图1 8（c）。本算法已集成于同济曙光病害自动识别软件中，并进行了大量工程应用，部分隧道全景图像渗漏水检测效果见图1 9。(a)全景图1(b)全景图2图1 9 隧道全景图像检测效果图1 9 基于提出的隧道渗漏水自动识别算法，能够精准定位到渗漏水区域，并完成精细分割，满足实际工程应用需求。4结论基于深度学习算法实现隧道渗漏水自动识别，构建渗漏水样本库，重点分析并改进DeepLabV3+分割网络，并提出了方向区域搜索算法，实现邻近断开渗漏水区域的自动连接。研究结果表明：（1）改进DeepLabV3+分割网络，引人可变形卷积，使感受野自适应渗漏水复杂形态的尺度变化，并将逐像素交叉熵损失函数与FocalLoss损失函数结合，基于类别占比自主选择损失函数，可解决背景复杂、样本不平衡带来的误识别及漏识别问题。（2）与分割网络UNet、D e e p L a b V 3+进行对比，实验结果表明本文算法在渗漏水分割的准确度上有更好的表现，结合提出的方向区域搜索算法，实现渗漏水邻近断开区域的连接。（3）研究成果可应用于隧道渗漏水自动化检测，检测效果更精准、更高效，已进行了工程应用。后续工作需要对渗漏水类别进一步细分，进行研究。许敏娟等：基于全景图像的隧道渗漏水病害识别方法(10):1553-1562.3邵华，黄宏伟，张东明，等.突发堆载引起软土地铁盾构隧道大变形整治研究J.岩土工程学报，2 0 1 6，38（6）：1036-1043.SHAO Hua,HUANG Hongwei,ZHANG Dongming,et al.CaseStudy on Repair Work for Excessively Deformed Shield Tunnelunder Accidental Surface Surcharge in Soft ClayJ.ChineseJournal of Geotechnical Engineering,2016,38(6):1036-1043.4 HUANG H W,SUN Y,XUE Y D,et al.Inspection EquipmentStudy for Subway Tunnel Defects by Grey-scale Image Process-ing J.Advanced Engineering Informatics,2017,32:188-201.5黄永杰，柳献,袁勇，等.盾构隧道渗漏水的自动检测技术J.上海交通大学学报，2 0 1 2,46（1）：7 3-7 8.HUANG Yongjie,LIU Xian,YUAN Yong,et al.Auto InspectionTechnology for Detecting Leakage in a Shield Tunnel J.Journal of Shanghai Jiao Tong University,2012,46(1):73-78.6彭斌，祝志恒，阳军生，等.基于全景展开图像的隧道衬砌渗漏水数字化识别方法研究J.现代隧道技术，2 0 1 9，56(3):31-37,44.PENG Bin,ZHU Zhiheng,YANG Junsheng,et al.On Digital I-dentification of Water Leakage at Tunnel Lining Based on thePanoramic Developed ImageJ.M o d e r n T u n n e l l i n gTechnology,2019,56(3):31-37,44.7 MAKANTASIS K,PROTOPAPADAKIS E,DOULAMIS A,etal.Deep Convolutional Neural Networks for Efficient VisionBased Tunnel Inspection C/2015 IEEE International Con-ference on Intelligent Computer Communication and Processing(ICCP).NewYork:IEEE,2015:335-342.8 PROTOPAPADAKISE，D O U L A M ISN.Im a g e Ba s e dApproaches for TunnelsDefects Recognition via Robotic In-spectors C/Advances in Visual Computing.Cham:SpringerInternational Publishing,2015:706-716.9黄宏伟，李庆桐.基于深度学习的盾构隧道渗漏水病害图像识别J】.岩石力学与工程学报，2 0 1 7,36（1 2）：2 8 6 1-2 8 7 1.HUANG Hongwei,LI Qingtong.Image Recognition for WaterLeakage in Shield Tunnel Based on Deep Learning JJ.Chinese191参考文献：【1 杨俊,刘笑娣,刘新根，等.公路隧道结构快速检测车综述J.华东交通大学学报，2 0 1 8,35（4）：30-38.YANG Jun,LIU Xiaodi,LIU Xingen,et al.Review of RapidTest Vehicles for Highway Tunnel Structure J.Journal of EastChina Jiaotong University,2018,35(4):30-38.2】马伟斌，柴金飞.运营铁路隧道病害检测、监测、评估及整治技术发展现状J.隧道建设（中英文），2 0 1 9,39（1 0）：1553-1562.MA Weibin,CHAI Jinfei.Development Status of Disease Detec-tion,Monitoring,Evaluation and Treatment Technology of Rail-way Tunnels in Operation JJ.Tunnel Construction,2019,39192Journal of Rock Mechanics and Engineering,2017,36(12):2861-2871.10薛亚东，李宜城.基于深度学习的盾构隧道衬砌病害识别方法J.湖南大学学报（自然科学版），2 0 1 8，45（3）：100-109.XUE Yadong,LI Yicheng.A Method of Disease Recognitionfor Shield Tunnel Lining Based on Deep Learning J.Journalof Hunan University（Na t u r a l Sc i e n c e s）,2 0 1 8,45（3):100-109.11】薛亚东，高健，李宜城，等.基于深度学习的地铁隧道衬砌病害检测模型优化J.湖南大学学报（自然科学版），2020,47(7):137-146.XUE Yadong,GAO Jian,LI Yicheng,et al.Optimization ofShield Tunnel Lining Defect Detection Model Based on DeepLearning J.Journal of Hunan University（Na t u r a lSciences),2020,47(7):137-146.12汤一平，胡克钢，袁公萍.基于全景图像CNN的隧道病害自动识别方法J.计算机科学，2 0 1 7，44（S2）：2 0 7-211,250.TANG Yiping,HU Kegang,YUAN Gongping.Automatic Rec-ognition Method of Tunnel Disease Based on ConvolutionalNeural Network for Panoramic ImagesJ.Computer Science,2017,44(S2):207-211,250.13侯博文，杨晓，高亮，等.基于深度残差网络的轨道结构病害识别 J.铁道学报，2 0 2 0,42（8）：1 0 0-1 0 6.HOU Bowen,YANG Xiao,GAO Liang,et al.Identification ofTrack Structure Diseases Based on Deep Residual NetworkJ.Journal of the China Railway Society,2020,42(8:100-106.14姚宗伟，杨宏飞，胡际勇，等.基于机器视觉和卷积神经网络的轨道表面缺陷检测方法J.铁道学报，2 0 2 1,43（4）：101-107.YAO Zongwei,YANG Hongfei,HU Jiyong,et al.Track SurfaceDefect Detection Method Based on Machine Vision and Conv-olutional Neural Network J.Journal of the China RailwaySociety,2021,43(4):101-107.15 REICHSTEIN M,CAMPS-VALLS G,STEVENS B,et al.DeepLearning and Process Understanding for Data-driven EarthSystem ScienceJ.Nature,2019,566(7743):195-204.16马美荣，李东喜.基于RetinaNet的手机主板缺陷检测研究铁道学报J.计算机工程与科学，2 0 2 0,42（4）：6 7 3-6 8 2.MA Meirong,LI Dongxi.Defect Detection of Mobile PhoneMotherboard Based on RetinaNet J.Computer Engineering&Science,2020,42(4):673-682.1 7】司海飞，史震，胡兴柳，等.基于DeepLabV3模型的图像语义分割速度优化研究 J.计算机工程与应用，2 0 2 0,56(24):137-143.SI Haifei,SHI Zhen,HU Xingliu,et al.Research on SpeedOptimization of Im