基于改進(jìn)YOLOv4的隧道襯砌裂縫檢測(cè)算法

周 中，張俊杰，魯四平

(中南大學(xué) 土木工程學(xué)院，湖南 長(zhǎng)沙 410075)

近年來(lái),隨著隧道工程數(shù)量的不斷增多,隧道襯砌病害的治理問(wèn)題逐漸成為了社會(huì)關(guān)注的熱點(diǎn),由于大多數(shù)隧道的設(shè)計(jì)使用年限較長(zhǎng),受到長(zhǎng)期循環(huán)荷載、地下水等多種外界作用的影響,隧道在運(yùn)營(yíng)期間難以避免的會(huì)出現(xiàn)各類(lèi)襯砌病害[1]。其中,裂縫是隧道襯砌表面中最為常見(jiàn)的病害[2],裂縫一旦形成不僅會(huì)使得襯砌的承載力下降,還會(huì)成為地下水的通道,進(jìn)而引發(fā)隧道結(jié)構(gòu)的滲漏水問(wèn)題[3],對(duì)于隧道的安全施工以及運(yùn)營(yíng)極為不利,因此有必要定期對(duì)隧道內(nèi)的襯砌裂縫進(jìn)行檢測(cè),掌握裂縫的數(shù)量和具體位置,并采取相應(yīng)的措施進(jìn)行治理。

目前國(guó)內(nèi)隧道對(duì)于裂縫的檢測(cè)大多還停留在人為巡檢的方式[4],檢測(cè)人員沿著隧道線行走,并對(duì)沿途襯砌出現(xiàn)的裂縫進(jìn)行記錄,但是隧道中光線比較暗,對(duì)于拱頂、拱腰這些較高的位置,僅僅憑借肉眼難以準(zhǔn)確的判別是否存在裂縫,經(jīng)常出現(xiàn)漏檢、錯(cuò)檢的現(xiàn)象,不僅耗費(fèi)大量時(shí)間,檢測(cè)的準(zhǔn)確率也不高。近年來(lái),隨著計(jì)算機(jī)的快速發(fā)展,圖像處理算法憑借其高精度、自動(dòng)化、遠(yuǎn)距離等優(yōu)勢(shì)逐漸被應(yīng)用于裂縫的檢測(cè)當(dāng)中,圖像處理算法主要分為數(shù)學(xué)圖像處理算法[5-7]和深度學(xué)習(xí)目標(biāo)檢測(cè)算法[8-10]兩類(lèi)。其中,數(shù)學(xué)圖像算法雖然能夠快速識(shí)別裂縫,但是其識(shí)別精度受到光線明暗的嚴(yán)重干擾[11],對(duì)于隧道裂縫的識(shí)別準(zhǔn)確度仍有待提高。而深度學(xué)習(xí)目標(biāo)檢測(cè)算法相對(duì)來(lái)說(shuō)具有更好的泛用性,更加適合隧道襯砌裂縫的檢測(cè)。目前被廣泛應(yīng)用于各個(gè)領(lǐng)域的目標(biāo)檢測(cè)算法主要有以SSD[12]、YOLO系列[13-15]為代表的單階段神經(jīng)網(wǎng)絡(luò)以及以RCNN[16]、Fast-RCNN[17]、Faster-RCNN[18]為代表的雙階段神經(jīng)網(wǎng)絡(luò)。單階段網(wǎng)絡(luò)相比雙階段網(wǎng)絡(luò)結(jié)構(gòu)更加簡(jiǎn)單,因此在運(yùn)算速度上具有較為明顯的優(yōu)勢(shì),但是其算法的目標(biāo)識(shí)別精度一般不如雙階段網(wǎng)絡(luò)。

隧道襯砌裂縫的自動(dòng)化識(shí)別是隧道裂縫檢測(cè)的發(fā)展趨勢(shì),采用無(wú)人機(jī)或者檢測(cè)臺(tái)車(chē)沿隧道線路進(jìn)行實(shí)時(shí)的裂縫目標(biāo)檢測(cè)對(duì)算法的檢測(cè)速度有較高的要求,如果采用雙階段網(wǎng)絡(luò)結(jié)構(gòu)不可避免地會(huì)存在一定的延遲。因此運(yùn)算速度以及檢測(cè)精度方面綜合表現(xiàn)較為優(yōu)秀的YOLOv4單階段神經(jīng)網(wǎng)絡(luò)更加適用于隧道襯砌裂縫的檢測(cè)任務(wù)。但是在實(shí)際的應(yīng)用中,該網(wǎng)絡(luò)仍然存在以下不足:模型參數(shù)量較大,難以嵌入到計(jì)算能力較差的移動(dòng)設(shè)備當(dāng)中;對(duì)不同的光照以及復(fù)雜背景條件下的襯砌裂縫的識(shí)別效果不理想?；诖?本文對(duì)YOLOv4算法進(jìn)行改進(jìn),提出一種用于隧道襯砌裂縫檢測(cè)的改進(jìn)YOLOv4算法,并與Faster-RCNN、SSD、YOLOv3、YOLOv4四種算法進(jìn)行對(duì)比分析,驗(yàn)證了本文提出的改進(jìn)算法的可靠性。

1 隧道襯砌裂縫檢測(cè)算法

1.1 YOLOv4隧道襯砌裂縫檢測(cè)算法

YOLOv4隧道襯砌裂縫檢測(cè)算法原理如圖1所示,其主要由四個(gè)模塊組成,分別是輸入模塊(Inputs)、特征提取模塊(CSPDarknet53)、空間金字塔池化(SPP)和路徑聚合網(wǎng)絡(luò)(PANet)共同組成的加強(qiáng)特征提取網(wǎng)絡(luò)(Neck)模塊以及預(yù)測(cè)模塊(Yolo head)。

圖2 不同大小先驗(yàn)框示意

1.2 改進(jìn)YOLOv4隧道襯砌裂縫檢測(cè)算法

本文提出的改進(jìn)YOLOv4算法將從三個(gè)方面進(jìn)行優(yōu)化:在輸入模塊中采用Mosaic數(shù)據(jù)增強(qiáng)技術(shù)對(duì)圖片進(jìn)行預(yù)處理;采用輕量級(jí)網(wǎng)絡(luò)MobilenetV3取代CSPDarknet53作為YOLOv4神經(jīng)網(wǎng)絡(luò)的主干特征提取網(wǎng)絡(luò);采用深度可分離卷積替換YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)中的卷積核大小為3×3的標(biāo)準(zhǔn)卷積。

1.2.1 Mosaic數(shù)據(jù)增強(qiáng)

Mosaic數(shù)據(jù)增強(qiáng)就是在圖片輸入至主干特征提取網(wǎng)絡(luò)之前,從數(shù)據(jù)集每一個(gè)batch-size的圖片中隨機(jī)選取4張,通過(guò)對(duì)4張圖片進(jìn)行隨機(jī)的裁剪、縮放、拼接獲得一張新的圖片,再將該圖片輸入至網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。Mosaic數(shù)據(jù)增強(qiáng)過(guò)程見(jiàn)圖3。采用Mosaic數(shù)據(jù)增強(qiáng)技術(shù)能夠有效地豐富檢測(cè)背景,解決數(shù)據(jù)集中目標(biāo)尺度單一的問(wèn)題,并且由于一張新圖片中實(shí)際上包含了4張圖片的數(shù)據(jù),因此訓(xùn)練過(guò)程中的batch-size不用設(shè)置得很大,單GPU也能實(shí)現(xiàn)較好的訓(xùn)練效果。

圖3 Mosaic數(shù)據(jù)增強(qiáng)

1.2.2 Mobilenetv3主干特征提取網(wǎng)絡(luò)

采用Mobilenetv3代替CSPDarknet53作為YOLOv4主干特征提取網(wǎng)絡(luò),Mobilenetv3是2019年谷歌提出的一種輕量化網(wǎng)絡(luò)[20],該網(wǎng)絡(luò)繼承了Mobilenetv1[21]的深度可分離卷積和Mobilenetv2[22]的逆殘差結(jié)構(gòu),不僅能夠有效地降低主干提取網(wǎng)絡(luò)的參數(shù)量,還能夠使得特征提取的過(guò)程在高維度上進(jìn)行,從而獲取更多有效的特征信息。此外,Mobilenetv3還引入了SE注意力模塊[23]。該模塊會(huì)得到一個(gè)與特征通道數(shù)量相同的一維向量,此向量與特征通道相乘會(huì)使得有效的特征通道的權(quán)重增大,而無(wú)效或者效果很小的特征通道權(quán)重減小,有助于模型在目標(biāo)檢測(cè)過(guò)程中更好地區(qū)分出目標(biāo)與背景,從而解決復(fù)雜背景條件下隧道襯砌裂縫的特征難以提取的問(wèn)題。

1.2.3 深度可分離卷積

CSPDarknet53網(wǎng)絡(luò)的參數(shù)量占YOLOv4網(wǎng)絡(luò)的參數(shù)總量的比例不足50%,僅僅對(duì)主干特征提取網(wǎng)絡(luò)進(jìn)行輕量化是不夠的?；诖?將YOLOv4網(wǎng)絡(luò)中卷積核大小為3×3的標(biāo)準(zhǔn)卷積替換為深度可分離卷積,兩種卷積過(guò)程見(jiàn)圖4。

圖4 標(biāo)準(zhǔn)卷積與深度可分離卷積對(duì)比圖

由圖4(a)可知,標(biāo)準(zhǔn)卷積操作就是將輸入的特征通道經(jīng)過(guò)3×3的卷積核的卷積運(yùn)算后輸出新的特征通道,卷積部分的參數(shù)量qstd為

qstd=3×3×C1×C2

(1)

式中:C1、C2分別為輸入特征通道數(shù)、輸出特征通道數(shù)。

深度可分離卷積則是將標(biāo)準(zhǔn)卷積結(jié)構(gòu)中的一步卷積拆分為卷積核大小為3×3的深度卷積和卷積核大小為1×1的逐點(diǎn)卷積,深度卷積對(duì)每個(gè)輸入通道進(jìn)行卷積運(yùn)算,然后逐點(diǎn)卷積在深度方向上對(duì)生成的特征層進(jìn)行加權(quán)和組合,從而創(chuàng)建新的特征層。卷積部分的參數(shù)量qdpt為

qdpt=3×3×C1+1×1×C1×C2

(2)

標(biāo)準(zhǔn)卷積與深度可分離卷積的卷積部分參數(shù)量比值為

(3)

由式(3)可知,采用深度可分離卷積的計(jì)算量遠(yuǎn)遠(yuǎn)小于標(biāo)準(zhǔn)卷積,該方法能夠有效減少YOLOv4網(wǎng)絡(luò)的參數(shù)量,從而大幅度提高裂縫目標(biāo)的檢測(cè)效率。

1.3 總損失函數(shù)

YOLOv4的總損失函數(shù)Loss一共由三部分組成,分別是目標(biāo)位置誤差Lloc、分類(lèi)誤差Lcls、置信誤差Lconf,總損失函數(shù)的計(jì)算式為

Loss=Lloc+Lcls+Lconf

(4)

其中目標(biāo)位置誤差Lloc采用CIOU損失函數(shù)進(jìn)行計(jì)算,計(jì)算過(guò)程為

(5)

(6)

(7)

(8)

式中:P為預(yù)測(cè)框;R為真實(shí)框;Pctr、Rctr分別為預(yù)測(cè)框、真實(shí)框的中心點(diǎn)位置;ρ2(Pctr,Rctr)為預(yù)測(cè)框與真實(shí)框的中心點(diǎn)位置的歐式距離;c為能夠同時(shí)完全包含預(yù)測(cè)框和真實(shí)框的最小封閉矩形區(qū)域的對(duì)角線距離;IoU為預(yù)測(cè)框和實(shí)際框的交集區(qū)域和并集區(qū)域面積的比值;wgt、hgt為真實(shí)框的寬和高;w、h分別為預(yù)測(cè)框的寬、高。

分類(lèi)誤差Lcls計(jì)算公式為

(9)

置信誤差Lconf計(jì)算式為

(10)

2 隧道襯砌裂縫數(shù)據(jù)集構(gòu)建

2.1 數(shù)據(jù)集處理

本文通過(guò)對(duì)近十年課題組在多個(gè)隧道進(jìn)行病害檢測(cè)過(guò)程中拍照收集的隧道襯砌裂縫圖像進(jìn)行匯總,構(gòu)建了包含650張裂縫圖像的初始數(shù)據(jù)集,裂縫圖像的分辨率范圍為800～3 000,部分裂縫圖像見(jiàn)圖5。由圖5可知,本文構(gòu)建的的裂縫數(shù)據(jù)集光照條件多變、背景豐富、裂縫的形狀多樣,能夠較好地反映出實(shí)際隧道襯砌裂縫所處的環(huán)境以及裂縫的形狀特征。為了進(jìn)一步擴(kuò)充數(shù)據(jù)集并豐富背景,在初始數(shù)據(jù)集的基礎(chǔ)上,本文采用旋轉(zhuǎn)、水平及垂直翻轉(zhuǎn)、光照、模糊等多種方式對(duì)裂縫圖像進(jìn)行處理,處理過(guò)程及部分方法見(jiàn)圖6。最終構(gòu)建的數(shù)據(jù)集一共含有1 000張隧道襯砌裂縫圖片,并按照8∶1∶1的比例劃分得到訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用于對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,驗(yàn)證集用于判斷訓(xùn)練過(guò)程中網(wǎng)絡(luò)是否收斂,測(cè)試集用來(lái)判斷訓(xùn)練后模型的各項(xiàng)性能的優(yōu)劣,各數(shù)據(jù)集隧道襯砌裂縫圖像數(shù)量見(jiàn)表1。

表1 各類(lèi)型襯砌病害圖像數(shù)量

圖5 部分隧道襯砌裂縫圖像展示

圖6 數(shù)據(jù)集擴(kuò)充方法

2.2 數(shù)據(jù)集標(biāo)注

采用Labelimg標(biāo)注軟件對(duì)圖片進(jìn)行標(biāo)注,將數(shù)據(jù)集轉(zhuǎn)變成VOC格式。由于裂縫的形狀和方向不同,采用兩種不同的標(biāo)注策略對(duì)裂縫進(jìn)行標(biāo)注。其中,對(duì)于圖片中形狀較為規(guī)則的橫向和豎向裂縫,使用單個(gè)矩形框?qū)ζ溥M(jìn)行標(biāo)注,標(biāo)注方法見(jiàn)圖7(a)。而對(duì)于斜向裂縫以及形狀不規(guī)則的裂縫,為了保證標(biāo)注的矩形框內(nèi),裂縫盡可能占據(jù)更大的標(biāo)注區(qū)域從而減少背景的干擾,使用多個(gè)小矩形框?qū)α芽p進(jìn)行標(biāo)注,標(biāo)注方法見(jiàn)圖7(b)。

圖7 隧道裂縫標(biāo)注過(guò)程

3 網(wǎng)絡(luò)參數(shù)選取與優(yōu)化

3.1 超參數(shù)選取

本文基于Pycharm開(kāi)發(fā)平臺(tái),采用Python 3.9計(jì)算機(jī)編程語(yǔ)言,使用Pytorch 1.8.0模塊進(jìn)行基于改進(jìn)YOLOv4算法的隧道襯砌裂縫檢測(cè)模型的構(gòu)建,使用NVIDIA GeForce RTX 2080Ti GPU對(duì)模型進(jìn)行訓(xùn)練。訓(xùn)練epochs設(shè)置為100次,前50個(gè)epochs凍結(jié)主干特征提取網(wǎng)絡(luò)模塊權(quán)重,只對(duì)改進(jìn)YOLOv4算法框架中其余模塊進(jìn)行訓(xùn)練,設(shè)置bacth-size為12,初始學(xué)習(xí)率為0.001。經(jīng)過(guò)50個(gè)epochs訓(xùn)練后進(jìn)行解凍,對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,設(shè)置bacth-size為8,初始學(xué)習(xí)率為0.000 1,并采用一維線性差值方法更新不同epochs的學(xué)習(xí)率。此外,為了對(duì)比驗(yàn)證本文模型的有效性,采用相同數(shù)據(jù)集對(duì)Faster-RCNN、SSD、YOLOv3、YOLOv4四種網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并在訓(xùn)練之前對(duì)各網(wǎng)絡(luò)參數(shù)進(jìn)行反復(fù)調(diào)試,從而盡可能確保各網(wǎng)絡(luò)在訓(xùn)練后能夠達(dá)到最優(yōu)性能。

由于先驗(yàn)框的尺寸大小對(duì)于模型的檢測(cè)性能有著較為明顯的影響[25],而原始的YOLOv4算法的先驗(yàn)框是作者根據(jù)COCO數(shù)據(jù)集K-means聚類(lèi)方法獲得的,因此尺寸大小并不適用于本文的隧道襯砌裂縫的目標(biāo)。為了提高模型的檢測(cè)性能,采用K-means算法對(duì)本文構(gòu)建的隧道襯砌裂縫數(shù)據(jù)集進(jìn)行聚類(lèi)操作。最終確定9個(gè)先驗(yàn)框大小分別為(14,26)、(24,61)、(43,102)、(51,55)、(77,191)、(109,97)、(144,279)、(264,183)、(368,381)。

3.2 評(píng)價(jià)指標(biāo)

本文選取精確率Pr、召回率Rc、精確率和召回率的加權(quán)調(diào)和平均值F1、PR曲線、平均準(zhǔn)確度AP、模型大小MS、平均檢測(cè)時(shí)間AT、每秒傳輸幀數(shù)FPS作為模型衡量的指標(biāo)參數(shù)。設(shè)置IoU的取值為0.5,即當(dāng)模型輸出的預(yù)測(cè)框與真實(shí)標(biāo)注的裂縫矩形框的重疊區(qū)域大于0.5時(shí),認(rèn)為預(yù)測(cè)框中存在裂縫目標(biāo),反之,預(yù)測(cè)框中的識(shí)別對(duì)象為背景。基于該設(shè)置,Pr、Rc兩項(xiàng)指標(biāo)分別為

(11)

(12)

式中:TP為裂縫被正確檢測(cè)的數(shù)量;FP為將背景錯(cuò)誤檢測(cè)為裂縫的數(shù)量;FN為裂縫未被檢測(cè)出的數(shù)量。

根據(jù)上述計(jì)算所得Pr、Rc,F1越大表明模型綜合性能越好,得F1計(jì)算式為

(13)

以Pr為縱坐標(biāo)、Rc為橫坐標(biāo)繪制得到PR曲線,PR曲線在坐標(biāo)軸中所包含區(qū)域的面積即為AP,AP為評(píng)估模型性能的檢測(cè)精度指標(biāo),計(jì)算所得的AP越高,表明模型的檢測(cè)精度越好。此外,由于本文的目標(biāo)是能夠建立實(shí)時(shí)檢測(cè)隧道襯砌裂縫檢測(cè)的模型,因此平均檢測(cè)時(shí)間AT和每秒傳輸幀數(shù)FPS同樣也是判定模型優(yōu)劣的重要參數(shù)之一,AT和FPS計(jì)算式分別為

(14)

(15)

式中:Ttotol為圖片檢測(cè)的總時(shí)間;Npicture為被檢測(cè)圖片的總數(shù)量。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 訓(xùn)練結(jié)果

根據(jù)式(4)～式(10)計(jì)算可以得到本文改進(jìn)YOLOv4模型訓(xùn)練過(guò)程的Loss變化曲線,見(jiàn)圖8。

圖8 損失函數(shù)變化曲線

由圖8可知,訓(xùn)練集和驗(yàn)證集的Loss變化規(guī)律基本一致,在凍結(jié)部分權(quán)重訓(xùn)練階段初期Loss迅速下降,經(jīng)過(guò)大約10次迭代之后,損失變化梯度逐漸減小并趨于收斂。由于在迭代50次后對(duì)部分凍結(jié)權(quán)重進(jìn)行了解凍,整個(gè)網(wǎng)絡(luò)模型均參與訓(xùn)練過(guò)程,因此總損失Loss在第51次迭代訓(xùn)練時(shí)出現(xiàn)了小幅度的上升,隨后繼續(xù)減小。在迭代70次后,Loss趨于穩(wěn)定,表明此時(shí)網(wǎng)絡(luò)已經(jīng)基本收斂,保存訓(xùn)練過(guò)程中驗(yàn)證集誤差最小的epoch所對(duì)應(yīng)的網(wǎng)絡(luò)權(quán)重參數(shù)作為本文的裂縫襯砌裂縫模型的網(wǎng)絡(luò)權(quán)重。

4.2 不同模型測(cè)試結(jié)果對(duì)比

采用測(cè)試集分別對(duì)Faster-RCNN、SSD、YOLOv3、YOLOv4以及本文提出的改進(jìn)YOLOv4算法模型進(jìn)行對(duì)比驗(yàn)證分析,各項(xiàng)評(píng)估指標(biāo)結(jié)果見(jiàn)圖9、表2、表3。

表2 不同算法檢測(cè)性能評(píng)價(jià)指標(biāo) %

表3 不同模型大小及檢測(cè)效率指標(biāo)

圖9 PR曲線

由表2可知,本文提出的改進(jìn)YOLOv4算法模型在進(jìn)行隧道襯砌裂縫檢測(cè)時(shí)指標(biāo)Pr、Rc、F1在五中算法中表現(xiàn)均為最優(yōu),其中反映模型綜合性能的F1相對(duì)Faster-RCNN、SSD、YOLOv3、YOLOv4算法分別增加了3.21%、42.04%、20.89%、6.09%。此外,對(duì)比分析圖9中的PR曲線和表2中的AP可以發(fā)現(xiàn),本文提出算法在裂縫檢測(cè)精度方面同樣表現(xiàn)最優(yōu),其AP比Faster-RCNN的增加了2.74%,比SSD增加了26.71%,比YOLOv3的增加了13.19%,比YOLOv4的增加了1.82%。以上結(jié)果表明,采用含有注意力機(jī)制的Mobilenetv3代替CSPDarknet53作為YOLOv4的主干特征提取網(wǎng)絡(luò)能夠更有效地提取背景條件較為復(fù)雜的裂縫特征,從而提高模型對(duì)隧道襯砌裂縫的檢測(cè)精度。

由表3可知,本文提出的算法模型的大小僅為55.1 MB,相對(duì)于原始YOLOv4算法模型減小了78.0%,比SSD的減小了46.3%,比YOLOv3的減小了77.3%,比Faster-RCNN的減小了89.6%。在檢測(cè)速度方面,本文算法的單張圖片的檢測(cè)時(shí)間為23.75 ms,FPS為42.1幀/s,同樣優(yōu)于其他四種模型。綜合上述數(shù)據(jù)可以看出,本文提出的改進(jìn)YOLOv4算法具有更小的模型量以及更快的檢測(cè)速度,且很好地滿足了隧道襯砌裂縫進(jìn)行實(shí)時(shí)檢測(cè)移動(dòng)設(shè)備對(duì)幀率的要求。

4.3 光照和背景對(duì)于模型性能的影響研究

為了探究光照和背景對(duì)于本文提出的隧道襯砌裂縫檢測(cè)模型的影響,首先按照光線條件將測(cè)試集分為光線明亮和光線昏暗兩組,分別對(duì)模型進(jìn)行測(cè)試,測(cè)試結(jié)果見(jiàn)表4。然后再按照背景條件將測(cè)試集分為背景單一和背景存在各類(lèi)噪聲兩組,分別對(duì)模型進(jìn)行測(cè)試,測(cè)試結(jié)果見(jiàn)表5。

表4 不同光照條件下模型測(cè)試結(jié)果 %

表5 不同背景條件下模型測(cè)試結(jié)果 %

由表4和表5的結(jié)果可知,光線明亮組的F1、AP僅比光線昏暗組的增加了0.63%、0.75%,背景單一組的F1、AP僅比光線昏暗組的增加了1.85%、1.98%,對(duì)比可以看出,不同的光照和背景條件下,本文提出的改進(jìn)YOLOv4模型依舊可以保持較高的精度,表明本文模型具有較好的泛化能力和抗干擾能力。

為進(jìn)一步直觀地展現(xiàn)改進(jìn)YOLOv4模型在不同光照和背景條件下對(duì)于隧道襯砌裂縫的識(shí)別效果,本文列舉了部分隧道襯砌裂縫檢測(cè)圖像,見(jiàn)圖10。隧道光線明亮且背景單一時(shí)隧道襯砌裂縫的檢測(cè)結(jié)果見(jiàn)圖10(a),隧道光線較暗時(shí)隧道襯砌裂縫的檢測(cè)結(jié)果見(jiàn)圖10(b),背景存在坑洼、麻點(diǎn)等噪聲時(shí)襯砌裂縫的檢測(cè)結(jié)果見(jiàn)圖10(c)。

圖10 隧道襯砌裂縫檢測(cè)圖像

圖10中檢測(cè)框上的數(shù)字為裂縫的預(yù)測(cè)置信度,置信度越高,表明模型認(rèn)為該目標(biāo)為襯砌裂縫的概率越高,并且圖片中只對(duì)置信度為0.5以上的檢測(cè)框進(jìn)行顯示,避免檢測(cè)框過(guò)多影響顯示效果。此外,當(dāng)預(yù)測(cè)置信度大于等于0.8時(shí),檢測(cè)框顯示為紅色;當(dāng)預(yù)測(cè)置信度小于0.8大于等于0.7時(shí),檢測(cè)框顯示為藍(lán)色;當(dāng)預(yù)測(cè)置信度小于0.7大于等于0.5時(shí),檢測(cè)框顯示為綠色。

由圖10(a)和圖10(b)可知,本文模型對(duì)于不同的隧道光照條件具有較好的適用性,即使光線較暗時(shí)也能夠正確的識(shí)別出襯砌裂縫目標(biāo)所在的位置。由圖10(c)可知,該模型具有一定的抗干擾能力,當(dāng)背景中出現(xiàn)泛白、麻面、坑洼等各類(lèi)干擾時(shí),依舊能保持較好的識(shí)別效果。

5 隧道襯砌裂縫檢測(cè)平臺(tái)

基于本文提出的改進(jìn)YOLOv4算法,本文通過(guò)Python 3.9計(jì)算機(jī)編程語(yǔ)言,使用PYQT5模塊開(kāi)發(fā)了隧道襯砌裂縫檢測(cè)平臺(tái),見(jiàn)圖11。該平臺(tái)的功能主要包括圖片檢測(cè)、視頻檢測(cè)、攝像頭實(shí)時(shí)檢測(cè),用戶根據(jù)自身需求點(diǎn)擊相應(yīng)的功能按鍵即可進(jìn)行檢測(cè),檢測(cè)的結(jié)果會(huì)顯示在界面下方的文本框中。值得說(shuō)明的是,為了不影響檢測(cè)的精度,進(jìn)行檢測(cè)的的裂縫圖片和視頻的最低分辨率應(yīng)不小于416×416。

圖11 隧道襯砌裂縫檢測(cè)平臺(tái)

基于該平臺(tái)的攝像頭實(shí)時(shí)檢測(cè)功能,本文設(shè)計(jì)了一套完整的隧道襯砌裂縫實(shí)時(shí)檢測(cè)流程,見(jiàn)圖12,首先將高清攝像頭搭載在隧道檢測(cè)車(chē)上,檢測(cè)車(chē)在預(yù)定路線前進(jìn)的過(guò)程中不斷的對(duì)隧道襯砌圖像進(jìn)行收集,收集的視頻文件將被實(shí)時(shí)傳輸至本文開(kāi)發(fā)的平臺(tái)進(jìn)行裂縫病害檢測(cè)并輸出檢測(cè)結(jié)果。在該檢測(cè)流程的基礎(chǔ)上,對(duì)寧波某高速公路隧道進(jìn)行了裂縫病害的實(shí)時(shí)檢測(cè)應(yīng)用測(cè)試,測(cè)試結(jié)果表明,包擴(kuò)收集、傳輸、識(shí)別在內(nèi)的整個(gè)檢測(cè)過(guò)程的平均檢測(cè)速度FPS為29.12幀/s,達(dá)到了實(shí)時(shí)檢測(cè)的要求,且裂縫病害檢測(cè)結(jié)果與人工巡檢的結(jié)果重合率超過(guò)了75%,表明本文提出的改進(jìn)YOLOv4算法能夠較好的應(yīng)用至實(shí)際隧道工程中的襯砌裂縫的實(shí)時(shí)檢測(cè)中。

圖12 隧道襯砌裂縫實(shí)時(shí)檢測(cè)流程

6 結(jié)論

本文通過(guò)Mosaic數(shù)據(jù)增強(qiáng)、Mobilenetv3替代CSPDarknet53作為主干特征提取網(wǎng)絡(luò)以及深度可分離卷積的方式對(duì)YOLOv4算法進(jìn)行優(yōu)化,提出一種用于隧道襯砌裂縫檢測(cè)的改進(jìn)YOLOv4算法,實(shí)現(xiàn)了對(duì)隧道襯砌裂縫的準(zhǔn)確、快速、智能化識(shí)別,主要結(jié)論如下:

(1)在檢測(cè)性能方面,本文模型的F1、AP分別為84.44%、78.05%,相較于Faster-RCNN、SSD、YOLOv3、YOLOv4均有提升,表明該模型有效的提高了裂縫的檢測(cè)精度。在模型大小方面,本文模型的大小僅為55.1 MB,相對(duì)于原始YOLOv4模型減小了78.0%,且遠(yuǎn)小于Faster-RCNN、SSD、YOLOv3模型。在檢測(cè)效率方面,本文模型同樣表現(xiàn)最優(yōu),單張圖片的檢測(cè)時(shí)間AT為23.75 ms,FPS為42.1幀/s,很好地滿足了隧道襯砌裂縫進(jìn)行實(shí)時(shí)檢測(cè)移動(dòng)設(shè)備對(duì)幀率的要求。

(2)本文模型具有良好的抗干擾能力,對(duì)于不同光照、復(fù)雜背景條件下襯砌裂縫均能保持較好的識(shí)別效果,準(zhǔn)確地定位出裂縫所在的位置,并使用合適大小的矩形框進(jìn)行標(biāo)記

(3)基于本文提出改進(jìn)YOLOv4算法和PYQT5模塊開(kāi)發(fā)了隧道襯砌裂縫檢測(cè)平臺(tái)并設(shè)計(jì)了隧道襯砌裂縫實(shí)時(shí)檢測(cè)流程,利用該檢測(cè)流程實(shí)現(xiàn)了對(duì)實(shí)際隧道工程的裂縫檢測(cè)。