基于探地雷達(dá)的隧道襯砌空洞檢測(cè)方法

張永恒 徐海澤 王耀東 朱力強(qiáng) 曹源 蘇廣思

1.中南大學(xué) 交通運(yùn)輸工程學(xué)院， 長(zhǎng)沙 410083； 2.北京交通大學(xué) 載運(yùn)工具先進(jìn)制造與測(cè)控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100044；3.中國(guó)鐵路鄭州局集團(tuán)有限公司， 鄭州 450052； 4.中國(guó)神華能源股份有限公司， 北京 100011

隧道工程是我國(guó)基礎(chǔ)工程中重要的組成部分。隨著時(shí)間推移，既有隧道襯砌結(jié)構(gòu)會(huì)出現(xiàn)諸多病害。為保證工程安全，需要定期檢測(cè)［1］。

傳統(tǒng)隧道襯砌病害檢測(cè)方法是先通過(guò)探地雷達(dá)采集圖像，再由專(zhuān)業(yè)檢測(cè)人員對(duì)圖像進(jìn)行人工解譯。隨著我國(guó)隧道數(shù)量的快速增加，隧道襯砌病害檢測(cè)工作量也大幅增加。隨著機(jī)器視覺(jué)技術(shù)和圖像處理技術(shù)的發(fā)展，隧道襯砌病害檢測(cè)方法也在不斷拓展。

早期的隧道襯砌病害檢測(cè)、分析多采用數(shù)字信號(hào)處理方法。廖紅建等［2］基于有限差分法對(duì)高速鐵路無(wú)砟軌道不同填充模型進(jìn)行正演模擬。蔡一超等［3］在云南某高速公路隧道工程中采用地質(zhì)雷達(dá)進(jìn)行襯砌質(zhì)量檢測(cè)。朱兆榮等［4］采用模型、現(xiàn)場(chǎng)試驗(yàn)相結(jié)合的方法，對(duì)探地雷達(dá)檢測(cè)隧道襯砌空洞效果進(jìn)行對(duì)比。

隨著深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，圖像識(shí)別技術(shù)也有所提升。方濤濤等［5］利用YOLOv8n作為基礎(chǔ)檢測(cè)網(wǎng)絡(luò)，在傳統(tǒng)目標(biāo)檢測(cè)任務(wù)的基礎(chǔ)上添加定位任務(wù)，以此來(lái)實(shí)現(xiàn)識(shí)別、定位管線(xiàn)的功能。王建鋒等［6］提出將圖像處理和深度學(xué)習(xí)相結(jié)合的襯砌裂縫檢測(cè)方法。Kaur等［7］提出一種用于自動(dòng)檢測(cè)鋼筋的算法，集成圖像梯度特征和鋼筋雙曲線(xiàn)特征，通過(guò)擬合曲線(xiàn)來(lái)實(shí)現(xiàn)檢測(cè)功能。馬王鵬等［8］在TensorFlow框架下利用YOLO神經(jīng)網(wǎng)絡(luò)模型，對(duì)雷達(dá)圖像中的異常目標(biāo)進(jìn)行識(shí)別、解釋。馮德山等［9］將深度學(xué)習(xí)中Faster R-CNN、YOLOv3兩種目標(biāo)檢測(cè)算法運(yùn)用到探地雷達(dá)圖像識(shí)別中，分析兩種算法在實(shí)測(cè)數(shù)據(jù)集上的表現(xiàn)。Liu等［10］提出一種基于深度學(xué)習(xí)和遷移的自動(dòng)檢測(cè)定位方法，通過(guò)目標(biāo)算法來(lái)判斷鋼筋具體位置。張東昊等［11］利用Mask R-CNN深度學(xué)習(xí)框架和ResNet101卷積神經(jīng)網(wǎng)絡(luò)提取雷達(dá)圖像特征，檢測(cè)隧道襯砌中的鋼拱架和脫空。傳統(tǒng)的雷達(dá)檢測(cè)方法只能依靠人工解釋雷達(dá)圖像，耗時(shí)長(zhǎng)且效率低。深度學(xué)習(xí)算法比傳統(tǒng)方法好、智能化程度高。

本文將深度學(xué)習(xí)和探地雷達(dá)相結(jié)合，提出一種隧道襯砌空洞檢測(cè)方法。將雷達(dá)圖像進(jìn)行處理，提取可描述的部分建立仿真雷達(dá)圖像數(shù)據(jù)集，再基于YOLOv5目標(biāo)檢測(cè)模型對(duì)病害進(jìn)行智能識(shí)別和檢測(cè)。

1 圖像處理與深度學(xué)習(xí)

1.1 隧道襯砌病害識(shí)別流程

通過(guò)探地雷達(dá)對(duì)隧道襯砌進(jìn)行采樣，經(jīng)過(guò)信號(hào)處理后形成直觀(guān)的雷達(dá)圖像。結(jié)合雷達(dá)圖像和GPRMax軟件的仿真圖像，建立隧道襯砌圖像數(shù)據(jù)集。設(shè)計(jì)圖像目標(biāo)檢測(cè)算法，利用深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)圖像進(jìn)行智能檢測(cè)。通過(guò)圖像智能檢測(cè)算法和網(wǎng)絡(luò)性能評(píng)估，驗(yàn)證算法和網(wǎng)絡(luò)結(jié)構(gòu)的有效性。隧道襯砌病害識(shí)別流程如圖1所示。

圖1 隧道襯砌病害識(shí)別流程

1.2 深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)

因?yàn)樗淼酪r砌雷達(dá)圖像中不同目標(biāo)形狀差異較大，圖像識(shí)別時(shí)需要較高感受野來(lái)獲得目標(biāo)的全部特征。采用YOLOv5目標(biāo)檢測(cè)模型，針對(duì)襯砌圖像的目標(biāo)特征建立數(shù)據(jù)集，選取特征提取器并引入特征融合模塊，對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。

1）特征提取器：采用CSPDarknet53結(jié)構(gòu)作為隧道襯砌雷達(dá)圖像的特征提取器，通過(guò)3 × 3的卷積核來(lái)實(shí)現(xiàn)采樣。在保證檢測(cè)精度的基礎(chǔ)上，通過(guò)提升卷積神經(jīng)網(wǎng)絡(luò)提取特征的能力來(lái)提高檢測(cè)速度。

2）特征融合模塊：不同圖像尺寸容易導(dǎo)致特征失真，采用spp BottleNeck模塊將特征提取器提取的圖像全局特征和局部特征進(jìn)行融合。借鑒空間金字塔思想，將特征圖分別進(jìn)行5 × 5、9 × 9、13 × 13分塊，提取每一個(gè)子圖里最大的原始特征值，再將這些特征值融合以增大網(wǎng)絡(luò)感受野。

2 建立數(shù)據(jù)集和病害識(shí)別測(cè)試

2.1 襯砌病害仿真模擬

由于探地雷達(dá)采集的襯砌病害圖像不全，通過(guò)GPRMax仿真軟件對(duì)襯砌病害進(jìn)行二維正演模擬［12］。

模型尺寸為3.0 m（寬） × 1.8 m（高），網(wǎng)格尺寸為5 mm。鋼筋的直徑、間距、保護(hù)層厚度分別為2.2、25.0、10.0 cm。在混凝土內(nèi)部設(shè)置空洞，最下層設(shè)置圍巖。混凝土、空洞內(nèi)的空氣、圍巖仿真參數(shù)見(jiàn)表1。

表1 仿真參數(shù)

正演模擬時(shí)，采用中心頻率為900 MHz的雷克子波作為激勵(lì)波。發(fā)射、接收天線(xiàn)間隔為5 cm，步長(zhǎng)0.01 m，計(jì)算步長(zhǎng)280，計(jì)算時(shí)長(zhǎng)6 ns，接收時(shí)窗30 ns。

通過(guò)軟件建立的襯砌空洞模型見(jiàn)圖2（a），正演處理結(jié)果見(jiàn)圖2（b）?？芍捎玫睦卓俗硬ú粌H可以很好地識(shí)別出鋼筋，還可以識(shí)別出空洞。

為了豐富圖像數(shù)據(jù)集，對(duì)襯砌浸水、含水空洞模型也進(jìn)行了模擬。水、濕混凝土的介電常數(shù)分別為81、20 F/m。模型及正演結(jié)果見(jiàn)圖3。

圖3 襯砌浸水、含水空洞模型和正演結(jié)果

2.2 數(shù)據(jù)集建立和病害識(shí)別

在得到正演結(jié)果后，將結(jié)果進(jìn)行分類(lèi)并利用Labelimg軟件進(jìn)行標(biāo)注，標(biāo)簽分為kongdong（空洞）、gang jin（鋼筋）兩種。

為了便于標(biāo)注和提高標(biāo)注精度，將圖像分辨率設(shè)為560 × 420。數(shù)據(jù)集樣本總數(shù)為2 500張，按照7∶3的比例分成訓(xùn)練集和測(cè)試集，分別用于網(wǎng)絡(luò)訓(xùn)練、測(cè)試。

2.3 測(cè)試結(jié)果

部分測(cè)試結(jié)果見(jiàn)圖4。可知，網(wǎng)絡(luò)模型沒(méi)有檢測(cè)出具有連續(xù)小雙曲線(xiàn)特征的gang jin目標(biāo)，并且部分kongdong目標(biāo)也沒(méi)有被檢測(cè)出來(lái)。

圖4 部分測(cè)試結(jié)果

對(duì)數(shù)據(jù)集中人工標(biāo)注框的鋼筋尺寸、數(shù)量分析，發(fā)現(xiàn)鋼筋長(zhǎng)寬比例超過(guò)了預(yù)設(shè)Anchor（預(yù)測(cè)目標(biāo)檢測(cè)時(shí)的參考框）長(zhǎng)寬比例，導(dǎo)致檢測(cè)精度不高。為了解決這一問(wèn)題，利用K-means聚類(lèi)算法［13］聚類(lèi)出適合隧道襯砌雷達(dá)圖像數(shù)據(jù)集的Anchor尺寸并再次進(jìn)行網(wǎng)絡(luò)訓(xùn)練。

調(diào)整參數(shù)后的測(cè)試結(jié)果見(jiàn)圖5。可知，網(wǎng)絡(luò)對(duì)鋼筋識(shí)別的置信度達(dá)到80%以上，還可以檢測(cè)出一些并不明顯的空洞。

圖5 調(diào)整參數(shù)后的測(cè)試結(jié)果

3 檢測(cè)方法的應(yīng)用

為了驗(yàn)證本文方法的可靠性，在南方某地鐵隧道區(qū)間進(jìn)行檢測(cè)。

采集了1 km的襯砌雷達(dá)圖像，將圖像進(jìn)行零點(diǎn)校正、降噪等預(yù)處理后，先由技術(shù)人員辨認(rèn)出含有空洞的雷達(dá)圖像并用紅色方框標(biāo)記，見(jiàn)圖6。

圖6 技術(shù)人員識(shí)別的空洞

采用本文檢測(cè)方法對(duì)圖像進(jìn)行智能識(shí)別，對(duì)應(yīng)的結(jié)果見(jiàn)圖7。經(jīng)對(duì)比發(fā)現(xiàn)，采用本文檢測(cè)方法檢測(cè)出的空洞區(qū)域與技術(shù)人員辨認(rèn)的基本一致，網(wǎng)絡(luò)檢測(cè)準(zhǔn)確率達(dá)到了97.7%，精確率和召回率的調(diào)和平均值達(dá)到了0.783?？梢?jiàn)，本文的檢測(cè)方法能夠準(zhǔn)確識(shí)別襯砌空洞。

圖7 采用本文檢測(cè)方法識(shí)別的空洞

4 結(jié)語(yǔ)

本文提出一種將深度學(xué)習(xí)和探地雷達(dá)相結(jié)合的隧道襯砌空洞智能檢測(cè)方法。通過(guò)雷達(dá)探測(cè)和仿真模擬，對(duì)隧道襯砌空洞以及滲漏水狀況進(jìn)行仿真，并建立隧道襯砌圖像數(shù)據(jù)集。利用K-means聚類(lèi)算法確?？斩礄z測(cè)的精度。

通過(guò)現(xiàn)場(chǎng)檢測(cè)并將檢測(cè)結(jié)果與人工辨別結(jié)果進(jìn)行對(duì)比，證明本文檢測(cè)方法可靠。下一步，對(duì)隧道襯砌的其他病害進(jìn)行智能識(shí)別，豐富數(shù)據(jù)集，以獲得更好的應(yīng)用效果。