基于數(shù)字圖像的砌體涵洞病害識(shí)別與工程應(yīng)用

蔣買勇，莊澤麟，譚文波，李金友

（1. 湖南水利水電職業(yè)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410131； 2. 武漢大學(xué)水利水電學(xué)院，湖北 武漢 430072）

0 引 言

涵洞作為大壩、堤防、灌區(qū)等水利工程的重要輸水建筑物，一般采用混凝土或砌體結(jié)構(gòu)，具有灌溉、供水、導(dǎo)流等功能。隨著長(zhǎng)時(shí)間的運(yùn)行服役，涵洞易引發(fā)滲漏造成潰口事故［1］，對(duì)于以磚砌結(jié)構(gòu)為主體的涵洞，裂紋、下沉塌腰、風(fēng)化剝落、裂損變形等方面的病害尤為突出，嚴(yán)重影響涵洞的正常運(yùn)行，危及工程安全［2，3］。

涵洞的病害定位與識(shí)別，是涵洞安全評(píng)價(jià)工作的基礎(chǔ)。長(zhǎng)期以來一直采用人工統(tǒng)計(jì)，配合無損檢測(cè)、鉆孔取芯等方法進(jìn)行驗(yàn)證；另外，長(zhǎng)距離的水工涵洞檢測(cè)受到現(xiàn)場(chǎng)光照條件惡劣、檢測(cè)窗口期短、洞長(zhǎng)較長(zhǎng)且高低起伏劇烈等因素影響，傳統(tǒng)方式檢測(cè)較為困難［4］。

隨著計(jì)算機(jī)視覺技術(shù)和深度學(xué)習(xí)理論的發(fā)展，在隧涵洞數(shù)字影像的基礎(chǔ)上進(jìn)行快速、無損化的病害識(shí)別成為一種新的技術(shù)方案。Krizhevsky 等［5］提出深度卷積神經(jīng)網(wǎng)絡(luò) （Deep Convolutional Neural Networks， DCNN），解決了過擬合問題對(duì)訓(xùn)練的影響。自深度卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)提出后，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法迅速發(fā)展。目前主流的兩類檢測(cè)方法，一類為先進(jìn)行目標(biāo)檢測(cè)候選框的預(yù)測(cè)，再對(duì)候選框的類別及位置進(jìn)行預(yù)測(cè)的兩階段目標(biāo)檢測(cè)法，最具代表性的有R-CNN（Region Convolutional Neural Networks）［6］、Fast R-CNN（Fast Region-Based Convolutional Neural Networks）［7］以及Faster R-CNN（Faster Region-Based Convolutional Neural Networks）［8］等；另一類為將候選框的預(yù)測(cè)與類別及位置的預(yù)測(cè)置為同一CNN 網(wǎng)絡(luò)中的一階段目標(biāo)檢測(cè)法，最具代表性的有YOLO（You Only Look Once）［9］、SDD（Single Shot MultiBox Detector）［10］等。

然而，砌體結(jié)構(gòu)涵洞存在砌塊不規(guī)則變形、個(gè)別砌塊突起等大量干擾因素。針對(duì)上述特點(diǎn)，本文提出了一種基于YOLOv5 算法識(shí)別砌縫擴(kuò)張的方法，通過將目標(biāo)檢測(cè)的識(shí)別結(jié)果利用優(yōu)化算法進(jìn)行優(yōu)化，從而達(dá)到對(duì)目標(biāo)的精確識(shí)別。該方法具有占存小、速度快以及精度高等優(yōu)點(diǎn)，能夠快速準(zhǔn)確識(shí)別目標(biāo)區(qū)域。

1 工程背景

合東水庫位于湘江水系漣水支流巖江上游，總庫容2 501萬m3，是一座以灌溉為主，結(jié)合防洪、養(yǎng)殖等綜合效益的中型水利工程。該水庫建成于1976年，為黏土心墻壩，最大壩高39 m，壩頂寬6 m，壩頂軸長(zhǎng)146 m，壩內(nèi)輸水涵洞采用城門洞型砌體結(jié)構(gòu)，總長(zhǎng)約210 m，如圖1 所示。由于工程施工質(zhì)量差、運(yùn)行久，輸水涵洞滲漏嚴(yán)重，經(jīng)安全鑒定為三類壩病險(xiǎn)水庫［11］。對(duì)水庫輸水涵洞進(jìn)行病險(xiǎn)精準(zhǔn)識(shí)別時(shí)，受現(xiàn)場(chǎng)光照條件較差、檢測(cè)窗口期短等影響，傳統(tǒng)檢測(cè)方式精準(zhǔn)度較低，統(tǒng)計(jì)難度大。

圖1 輸水涵洞位置航拍圖及洞口照片F(xiàn)ig.1 Aerial photo of hydraulic culvert location and portal photo

2 基于YOLOv5 網(wǎng)絡(luò)框架的砌體圖像識(shí)別方法

2.1 水工砌體涵洞圖像特征分析

砌體拱涵結(jié)構(gòu)中最普遍的病害是結(jié)構(gòu)砌縫的張開，涵洞主要由砌塊及膠凝材料連接而成，經(jīng)過長(zhǎng)時(shí)間的水流沖刷及風(fēng)化等作用，極易出現(xiàn)砌縫開裂、張開的情況，當(dāng)水流進(jìn)入砌縫時(shí)，會(huì)加速結(jié)構(gòu)的損害，影響整體結(jié)構(gòu)，嚴(yán)重時(shí)會(huì)危及結(jié)構(gòu)的安全。砌體拱涵結(jié)構(gòu)滲水極易發(fā)生在拱頂及拱腰處，主要原因是砌體之間因開裂而形成縫隙，在水壓作用下，水流會(huì)從結(jié)構(gòu)的一側(cè)流至另一側(cè)，從而形成滲漏的通道，在水流的持續(xù)沖刷作用下甚至?xí)霈F(xiàn)磚砌脫落的情況，縫隙不斷擴(kuò)展，直至嚴(yán)重危及磚砌體涵洞結(jié)構(gòu)安全。結(jié)合實(shí)際工程，磚砌體涵洞中砌縫擴(kuò)張相比較其他病害而言是危及結(jié)構(gòu)安全的重要因素，在進(jìn)行評(píng)價(jià)時(shí)，主要關(guān)注其形狀及顏色特征。

在形狀上，正常砌縫［圖2（a）］主要表現(xiàn)為規(guī)則的長(zhǎng)條狀，寬度一般為7.5～12.5 mm，脫空的砌縫［圖2（b）］主要表現(xiàn)為規(guī)則的長(zhǎng)條狀，整體寬度大小一致，無明顯變化，張開的砌縫主要表現(xiàn)為規(guī)則的長(zhǎng)條狀［圖2（c）］或不規(guī)則的長(zhǎng)條狀［圖2（d）］，整體寬度不同，一般呈線性變化；在顏色上，正常砌縫表現(xiàn)為與背景顏色相近的顏色，脫空砌縫與張開砌縫表現(xiàn)為具有一定寬度的深色。

2.2 YOLOv5網(wǎng)絡(luò)框架構(gòu)建

采用YOLOv5 算法的YOLOv5m 版本作為砌縫擴(kuò)張檢測(cè)與分類的模型，其體積較小，權(quán)重大小僅為42.5M。算法框架如圖3所示。

圖3 YOLOv5m模型結(jié)構(gòu)Fig.3 YOLOv5m model structure

輸入端：將輸入的圖片縮放至網(wǎng)格的輸入大小，并進(jìn)行歸一化操作，在訓(xùn)練時(shí)使用由CutMix 改進(jìn)而來的Mosaic 數(shù)據(jù)增強(qiáng)操作提高模型訓(xùn)練的速度與精度，以及采用自適應(yīng)錨框計(jì)算與自適應(yīng)圖片縮放方法自動(dòng)計(jì)算最佳錨框值。

基準(zhǔn)網(wǎng)絡(luò)（Backbone）：用以提取通用特征。YOLOv5m 采用Focus 模塊、CBL 層、跨階段局部網(wǎng)絡(luò)（CSP）層及空間池化金字塔（SPP）層，由4 個(gè)CBL 層、3 個(gè)CSP 層、1 個(gè)Focus 層和1 個(gè)SPP層組成，其中Focus 模塊主要是通過slice 操作對(duì)輸入的圖片進(jìn)行裁剪操作，CBL 層是卷積層、批量歸一化層于Leaky ReLU 激活函數(shù)的串聯(lián)結(jié)構(gòu)。

Neck 網(wǎng)絡(luò)：進(jìn)一步提升特征的多樣性及魯棒性，采用了改進(jìn)的FPN+PAN 結(jié)構(gòu)，加強(qiáng)了網(wǎng)絡(luò)的特征融合能力。Neck 部分由4個(gè)CBL層、4個(gè)Concat（對(duì)特征張量的堆疊）層、5個(gè)CSP層及2次上采樣組成。

Head 輸出端：輸出目標(biāo)檢測(cè)的結(jié)果，采用3 個(gè)卷積層組成，共有3 個(gè)輸出。輸出層利用GIOU_Loss 函數(shù)提升算法的檢測(cè)精度，公式如下。

式中：A為神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)框；B為真實(shí)框；C為能將A、B包含在內(nèi)的最小外接矩形。

2.3 算法及結(jié)果優(yōu)化

砌體結(jié)構(gòu)水工涵洞內(nèi)部砌縫擴(kuò)張是最主要的病害問題，由于涵洞內(nèi)部砌縫擴(kuò)張?zhí)幟黠@，且無其余干擾因素，因此選用將候選框的預(yù)測(cè)與類別及位置的預(yù)測(cè)置為同一CNN 網(wǎng)絡(luò)中的一階段目標(biāo)檢測(cè)法能夠快速、精確識(shí)別砌縫擴(kuò)張。在一階段目標(biāo)檢測(cè)法中，YOLOv5不僅權(quán)重、體積小，且識(shí)別迅速，適用于磚砌式水工涵洞的病害識(shí)別。

在YOLOv5m 網(wǎng)絡(luò)結(jié)果中加入目標(biāo)裁剪算法，將測(cè)試圖片的預(yù)測(cè)框進(jìn)行裁剪，并把預(yù)測(cè)結(jié)果進(jìn)行二值化，以最小外接矩形包圍目標(biāo)區(qū)域進(jìn)行再次裁剪，最終的優(yōu)化結(jié)果與原圖進(jìn)行模板匹配，得出最終檢測(cè)結(jié)果，其算法流程如圖4所示。

圖4 算法流程Fig.4 Algorithm flow

3 圖像數(shù)據(jù)采集及及前處理實(shí)驗(yàn)

3.1 數(shù)據(jù)采集及增強(qiáng)

（1）圖像采集。在涵洞內(nèi)無明顯積水的情況下，工作人員進(jìn)入合東水庫壩內(nèi)涵洞，初步檢查洞內(nèi)病害狀況，并手持?jǐn)?shù)碼相機(jī)（佳能EOS80D）拍攝襯砌表面，并保證所有表面均被覆蓋至少1次，作為YOLOv5目標(biāo)檢測(cè)數(shù)據(jù)集。該數(shù)據(jù)集包含115張RGB 圖像，每張圖片的分辨率大小為6 000×4 000，每張圖片按608×608 隨機(jī)裁剪，生成有病害圖像2 140 張，無病害圖像1 174 張，共3 314 張圖像，將裁剪后的圖像數(shù)據(jù)集按4∶1 的比例分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

labelImg 是一款圖形圖像注釋的工具，其采用Python 編寫，應(yīng)用第三方庫Qt 進(jìn)行圖形界面編輯。采用labelImg 工具對(duì)數(shù)據(jù)集中的砌縫擴(kuò)張部分進(jìn)行標(biāo)注，數(shù)據(jù)集生成標(biāo)注信息文件為txt格式的YOLO數(shù)據(jù)集。

（2）圖像標(biāo)注與數(shù)據(jù)增強(qiáng)。為擴(kuò)充數(shù)據(jù)集，在圖像預(yù)處理階段，在原圖的基礎(chǔ)上進(jìn)行鏡像、旋轉(zhuǎn)、轉(zhuǎn)置和Mosaic 數(shù)據(jù)增強(qiáng)處理，Mosaic 數(shù)據(jù)增強(qiáng)處理是在數(shù)據(jù)集中隨機(jī)抽取四張圖片，經(jīng)過隨機(jī)縮放、隨機(jī)排布隨機(jī)剪裁等方式進(jìn)行拼接［12］，使得原圖的表現(xiàn)形式集尺度各不相同，不僅避免過擬合現(xiàn)象的出現(xiàn)，還提高了檢測(cè)的準(zhǔn)確率和速度。

3.2 YOLOv5m網(wǎng)絡(luò)訓(xùn)練

該模型采用YOLOv5m 網(wǎng)絡(luò)訓(xùn)練，運(yùn)行環(huán)境采用Intel（R）Core（TM） i7-10700F 處理器，NVIDIA Quadro P620 顯卡，Windows 10 Pro 64 bit 操作系統(tǒng)，基于PyTorch 框架及CUDA11.0。主要參數(shù)設(shè)置：學(xué)習(xí)率0.008 56，余弦退火參數(shù)0.192，學(xué)習(xí)率動(dòng)量0.98，權(quán)重衰減系數(shù)0.000 57，批次大小設(shè)置為4，共運(yùn)行1 000輪。

損失函數(shù)可以很好地反映模型與實(shí)際數(shù)據(jù)之間的差異，選取損失函數(shù)作為評(píng)定模型的指標(biāo)，其結(jié)果如圖5所示，為模型訓(xùn)練及驗(yàn)證的損失曲線。損失曲線在迭代開始時(shí)損失較大，隨著迭代次數(shù)的增加而迅速降低，直至趨于穩(wěn)定，最終驗(yàn)證損失曲線損失值穩(wěn)定于0.07 左右，訓(xùn)練損失曲線損失值穩(wěn)定于0.055左右。

圖5 訓(xùn)練、驗(yàn)證損失函數(shù)曲線Fig.5 Training and verification of loss function curve

4 圖像處理對(duì)比實(shí)驗(yàn)設(shè)計(jì)

為驗(yàn)證方案的可行性，分別進(jìn)行Mosaic 數(shù)據(jù)增強(qiáng)、多尺度訓(xùn)練以及采用Adam 優(yōu)化器代替SGD 優(yōu)化器3 組實(shí)驗(yàn)作為對(duì)比，其中Mosaic 數(shù)據(jù)增強(qiáng)（如圖6 所示）步驟主要為在數(shù)據(jù)集中隨機(jī)抽取四張圖片，經(jīng)過隨機(jī)縮放、隨機(jī)排布隨機(jī)剪裁等方式進(jìn)行拼接。多尺度訓(xùn)練通過對(duì)輸入圖片的尺寸進(jìn)行放大或縮小等操作生成更多尺寸的圖片進(jìn)行訓(xùn)練，可以在一定程度上提高模型的精度，提高模型對(duì)不同大小檢測(cè)目標(biāo)的魯棒性。Adam優(yōu)化器結(jié)合AdaGrad 以及RMSProp 兩種法算的優(yōu)點(diǎn)，通過對(duì)梯度的一階矩估計(jì)（梯度均值）和二階矩估計(jì)（梯度未中心化的方差）綜合考慮，計(jì)算出步長(zhǎng)。SGD（隨機(jī)梯度優(yōu)化）：從樣本中隨機(jī)抽取一組進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后按梯度進(jìn)行更新，不斷重復(fù)直至結(jié)束，每次迭代時(shí)樣本需隨機(jī)打亂。

為分析不同模型效果，選取F1-Score 平衡F 分?jǐn)?shù)（F1-Score）作為衡量指標(biāo)，結(jié)果如表1 所示。F1-Score 是精準(zhǔn)度/查準(zhǔn)率（Precision）及召回率/查全率（Recall）的調(diào)和平均數(shù)，公式如下：

表1 測(cè)試結(jié)果對(duì)比Tab.1 Comparison of test results

其中精準(zhǔn)度/查準(zhǔn)率指模型預(yù)測(cè)正例中正樣本的比例，公式如下：

召回率/查全率指模型預(yù)測(cè)中正例占總正樣本的比例，公式如下：

式中：TP（True Positive）為將正樣本預(yù)測(cè)正確的個(gè)數(shù)；FP（False Positive）為將負(fù)樣本預(yù)測(cè)為正樣本的個(gè)數(shù)；FN（False Negative）為將負(fù)樣本預(yù)測(cè)為正樣本的個(gè)數(shù)。

由表1可知，通過采取Mosaic數(shù)據(jù)增強(qiáng)、多尺度訓(xùn)練和采用Adam 優(yōu)化器方式可以明顯提高F1-Score 指標(biāo)取值，采用Mosaic 數(shù)據(jù)增強(qiáng)，F(xiàn)1-Score 指標(biāo)的最大取值由不進(jìn)行模型改進(jìn)的0.458提升至0.521，提高了13.76%。進(jìn)行多尺度訓(xùn)練，F(xiàn)1-Score指標(biāo)的最大取值由不進(jìn)行模型改進(jìn)的0.458 提升至0.635，提高了38.65%。采用Adam 優(yōu)化器代替SGD 優(yōu)化器，F(xiàn)1-Score 指標(biāo)的最大取值由不進(jìn)行模型改進(jìn)的0.458 提升至0.46，提高了0.44%。

隨后對(duì)Mosaic 數(shù)據(jù)增強(qiáng)、多尺度訓(xùn)練和采用Adam 優(yōu)化器進(jìn)行隨機(jī)組合測(cè)試，選取SGD 作為優(yōu)化器的對(duì)照試驗(yàn)，仍選取F1-Score作為衡量指標(biāo)，結(jié)果如表2所示。

表2 組合測(cè)試結(jié)果對(duì)比Tab.2 Comparison of combined test results

由表2 可知，通過采取Mosaic 數(shù)據(jù)增強(qiáng)、多尺度訓(xùn)練、采用Adam 優(yōu)化器或SGD 優(yōu)化器組合方式相較于單一改進(jìn)F1-Score指標(biāo)取值可以進(jìn)一步提高，采用Mosaic 數(shù)據(jù)增強(qiáng)和Adam 優(yōu)化器對(duì)F1-Score 指標(biāo)的取值提升最為明顯，可達(dá)0.652，相較于基本模型提高了42.36%。

5 砌體涵洞病害識(shí)別測(cè)試

對(duì)砌體涵洞進(jìn)行實(shí)體數(shù)字圖像識(shí)別測(cè)試，分為脫空砌縫、張開砌縫識(shí)別，不同灰度直方圖像素值變化的擴(kuò)張識(shí)別效果，測(cè)試結(jié)果如下。

圖7 所示為脫空砌縫和張開砌縫的測(cè)試結(jié)果，由測(cè)試可以看出，在不同條件下模型均能檢測(cè)到砌體結(jié)構(gòu)的病害，且識(shí)別效果較好。無論是對(duì)脫空砌縫的檢測(cè)和張開砌縫的檢測(cè)，檢測(cè)目標(biāo)的置信度均能達(dá)到較高值，證明算法具有較強(qiáng)的魯棒性。

圖7 脫空、張開砌縫測(cè)試結(jié)果Fig.7 Test results of void and open masonry joints

圖8為灰度直方圖像素值偏低且成雙峰分布圖例的砌縫擴(kuò)張識(shí)別結(jié)果，其中圖8（a）為涵洞中像素值偏低圖像的灰度直方圖，砌縫擴(kuò)張?zhí)幍南袼刂蹬c背景區(qū)域差別較小，容易被歸于背景區(qū)域，識(shí)別難度較高，圖8（b）為最終目標(biāo)識(shí)別結(jié)果圖，目標(biāo)檢測(cè)框基本為砌縫擴(kuò)張區(qū)域的最小外包圍框，且砌縫擴(kuò)張區(qū)域基本全部識(shí)別，識(shí)別結(jié)果滿足要求。

圖8 像素值偏低圖例識(shí)別結(jié)果Fig.8 Legend recognition result of low pixel value

圖9為灰度直方圖像素值均勻且成雙峰分布圖例的砌縫擴(kuò)張識(shí)別結(jié)果，其中9（a）為涵洞中像素值分布較均勻圖像的灰度直方圖，像素值較低處極易出現(xiàn)誤判情況，但最終結(jié)果依然能夠很好識(shí)別出砌縫擴(kuò)張區(qū)域，且識(shí)別結(jié)果能夠較好的滿足要求，證明算法具有較強(qiáng)的魯棒性。

圖10 為灰度直方圖像素值偏高且成單峰分布圖例的識(shí)別結(jié)果，其中圖10（a）為涵洞中像素值偏高圖像的灰度直方圖，干燥部分的砌縫擴(kuò)張區(qū)域與滲水區(qū)域像素值接近，極易出現(xiàn)誤判情況，但最終結(jié)果依然能夠很好地識(shí)別砌縫擴(kuò)張區(qū)域，證明算法具有較強(qiáng)的魯棒性。

圖10 像素值偏高圖例識(shí)別結(jié)果Fig.10 Legend recognition result of high pixel value

經(jīng)過測(cè)試，在像素值偏低、均勻、偏高的情況，YOLOv5目標(biāo)檢測(cè)均能表現(xiàn)出優(yōu)異的識(shí)別結(jié)果。同時(shí)，本文所提出的算法流程在識(shí)別精度及效率上均比傳統(tǒng)計(jì)算機(jī)視覺算法具有明顯優(yōu)勢(shì)，相較于其他目標(biāo)檢測(cè)算法，本文所采用的YOLOv5算法為一階段檢測(cè)算法，雖然精度略低于其他二階段檢測(cè)算法，但在識(shí)別速度上可達(dá)0.016 張/s，遠(yuǎn)遠(yuǎn)低于其他目標(biāo)檢測(cè)算法。因此，該算法更加適用于涵洞安全隱患的快速檢測(cè)。

6 砌體涵洞病害識(shí)別工程應(yīng)用

應(yīng)用基于YOLOv5 網(wǎng)絡(luò)框架的砌體圖像識(shí)別方法，對(duì)合東水庫輸水涵洞樁號(hào)K0+222.4～K0+258.6 進(jìn)行現(xiàn)場(chǎng)檢測(cè)，共劃分為24 區(qū)段進(jìn)行檢測(cè)，以涵洞右水平方向?yàn)? 角度，沿逆時(shí)針方向每次遞增30 度角對(duì)涵洞進(jìn)行病害識(shí)別，每段共劃分0°～30°、30°～60°、60°～90°、90°～120°、120°～150°、150°～180°六個(gè)部分，K0+222.4～K0+258.6涵洞各區(qū)段病害檢測(cè)結(jié)果如表3所示。

表3 K0+222.4～K0+258.6區(qū)段涵洞病害結(jié)果（處）Tab.3 Culvert disease results in K0+222.4～K0+258.6 section

圖像采集完成后，根據(jù)涵洞設(shè)計(jì)參數(shù)采用隧道襯砌展開影像生成器軟件對(duì)所拍攝的圖像進(jìn)行處理，得到涵洞內(nèi)壁的全景展開圖。將設(shè)計(jì)參數(shù)與展開圖尺寸進(jìn)行比較，以每像素（pixel）相對(duì)實(shí)際單位（mm）為尺度，得到展開圖與實(shí)際尺寸之間的轉(zhuǎn)換參數(shù)α（mm/pixel）。

式中：w′i為涵洞某段第i塊實(shí)際磚砌體寬度，mm；wi為涵洞某段第i塊實(shí)際磚砌體對(duì)應(yīng)展開圖磚砌體寬度（pixel）。

計(jì)算全景展開圖上結(jié)果檢測(cè)框所占像素個(gè)數(shù)，乘以轉(zhuǎn)換參數(shù)得到砌縫擴(kuò)張實(shí)際寬度。涵洞各段病害檢測(cè)結(jié)果如圖11 所示。病害嚴(yán)重程度由大至小以不同顏色表示，其中深紅色區(qū)域?yàn)楹创嬖谖ｋU(xiǎn)隱患的安全性評(píng)估區(qū)域，淺紅色區(qū)域?yàn)楹窗踩栽u(píng)估較差的區(qū)域，淡綠色區(qū)域?yàn)楹窗踩暂^好的區(qū)域。

圖11 K0+222.4～K0+258.6段涵洞檢測(cè)結(jié)果Fig.11 Test results of culvert at K0+222.4～K0+258.6 section

砌體涵洞中砌縫擴(kuò)張相比較其他病害而言是危及結(jié)構(gòu)安全的重要因素，故選取砌縫擴(kuò)張程度作為安全評(píng)估等級(jí)劃分的主要依據(jù)。本工程中磚砌結(jié)構(gòu)正常砌縫寬度均值為7.5 mm，在此基礎(chǔ)上結(jié)合砌體結(jié)構(gòu)裂縫指標(biāo)，劃分病害等級(jí)如表4所示。

表4 病害級(jí)別劃分Tab.4 Disease classification

對(duì)涵洞K0+222.4～K0+258.6段的病害類別、角度、區(qū)域進(jìn)行統(tǒng)計(jì)分析，結(jié)果見圖12，其中輕微病害共26 處，占總病害數(shù)8.07%；一般病害共40 處，占總病害數(shù)12.42%；嚴(yán)重病害共93處，占總病害數(shù)28.88%；重大病害共163 處，占總病害數(shù)50.62%。0～30°內(nèi)病害共29處，占總病害數(shù)9.01%；30°～60°內(nèi)病害共28 處，占總病害數(shù)8.70%；60°～90°內(nèi)病害共60 處，占總病害數(shù)18.63%；90°～120°內(nèi)病害共81 處，占總病害數(shù)25.16%；120°～150°內(nèi)病害共70 處，占總病害數(shù)21.74%；150°～180°內(nèi)病害共54 處，占總病害數(shù)16.77%。涵洞安全性較好的區(qū)域共122處，占總數(shù)的84.72%，涵洞安全性評(píng)估較差的區(qū)域11 處，占總數(shù)的7.64%，涵洞存在危險(xiǎn)隱患的區(qū)域11處，占總數(shù)的7.64%。

圖12 K0+222.4～K0+258.6段安全性評(píng)估結(jié)果Fig.12 Safety assessment results of K0+222.4～K0+258.6 section

輕微病害區(qū)域可按正常巡檢周期進(jìn)行檢測(cè)；一般病害區(qū)域建議立刻采取加固措施，如用麻絮浸透瀝青等修復(fù)材料填入砌縫，然后采用水泥砂漿將砌縫抹平，以免出現(xiàn)滲水及更加嚴(yán)重病害；嚴(yán)重及重大病害區(qū)域建議立刻開展研究，在一般病害區(qū)域措施的基礎(chǔ)上制定詳細(xì)加固方案。

7 結(jié) 論

（1）本文提出了一種高效率、高精確的基于數(shù)字圖像的砌體涵洞識(shí)別評(píng)估方法，運(yùn)用YOLOv5 網(wǎng)絡(luò)在涵洞數(shù)據(jù)集上進(jìn)行模型訓(xùn)練，并將識(shí)別結(jié)果以最小外包矩形的形式輸入至分類算法中進(jìn)行砌體水工涵洞病害分級(jí)，可將繁瑣的人工病害統(tǒng)計(jì)轉(zhuǎn)變?yōu)榭焖贉?zhǔn)確的數(shù)字圖像處理方法。

（2）在網(wǎng)絡(luò)訓(xùn)練中采用Mosaic 數(shù)據(jù)增強(qiáng)、多尺度訓(xùn)練以及Adam 優(yōu)化器均有利于提升病害圖像目標(biāo)識(shí)別精度。同時(shí)將以上方法運(yùn)用到網(wǎng)絡(luò)訓(xùn)練中，可得到更加適用于砌體水工涵洞檢測(cè)的YOLOv5m模型。

（3）基于像素值偏低、均勻、偏高的情況，YOLOv5目標(biāo)檢測(cè)均可克服砌體水工涵洞的干擾因素，識(shí)別效果較好。

（4）通過對(duì)案例工程輸水涵洞樁號(hào)K0+222.4～K0+258.6 進(jìn)行現(xiàn)場(chǎng)檢測(cè)，結(jié)合砌體結(jié)構(gòu)裂縫指標(biāo)，對(duì)病害類別、角度、區(qū)域進(jìn)行了統(tǒng)計(jì)分析。研究結(jié)果表明，其病害識(shí)別精度與實(shí)際情況相符，可以準(zhǔn)確獲取水工涵洞病害等級(jí)，在砌體水工涵洞病害檢測(cè)領(lǐng)域具有廣泛的應(yīng)用前景。