基于YOLOv8的铁路隧道渗漏水智能检测

铁路隧道渗漏水会影响隧道的结构稳定性和运营安全,渗漏水病害的自动化检测亟待解决。传统的人工巡检方法自动化程度较低,检测效率低下,容易出现错检漏检,无法满足大规模隧道的快速检测需求。针对这一问题,提出了一种基于YOLOv8网络的铁路隧道渗漏水智能检测方法,并在自建的铁路隧道渗漏水数据集中进行模型训练和参数调优。实验结果表明,在不同版本的模型实验中,YOLOv8-n网络的综合性能最好。在不同模型对比实验中,YOLOv8模型的F_(1)分数、AP值分别为81.28%,81.38%,相比于YOLOv7、YOLOv5、SSD模型。分别提高了6.85%,6.89%,9.40%、8.19%,12.19%、10.57%。综合分析可得,YOLOv8模型综合性能最优秀,适用于铁路隧道工程的渗漏水检测任务。

基于YOLOX-G算法的隧道裂缝实时检测

裂缝是隧道衬砌最常见的病害之一,影响隧道的结构耐久性和运营安全性。由于现役隧道日常检修任务艰巨,因此对隧道裂缝的高效智能化检测至关重要。针对隧道衬砌裂缝传统检测方法检测精度低、检测速度慢等问题,基于YOLOX算法提出一种新的YOLOX-G隧道衬砌裂缝图像检测算法。采用Ghostnet替换YOLOX的CSPDarknet主干网络,在加强特征提取网络中利用Ghost卷积代替原卷积块,用GIOU损失函数代替IOU损失函数。将YOLOX-G算法与YOLOX,YOLOv5,YOLOv3,SSD和Faster RCNN 5种算法在构建的隧道裂缝图像数据集上进行实验对比,结果显示:YOLOX-G算法的F1分数为85.29%,相较于其他5种算法分别提高了4.26%,6.49%,7.29%,17.23%和4.53%;AP值为90.14%,相较于其他5种算法分别提高了7.28%,10.93%,11.53%,17.65%和10.38%。此外,YOLOX-G算法模型数据大小为38.1 M,相对于YOLOX算法模型压缩了81.59%;检测单张图片的时间为15.12 ms,FPS为66.14帧/s,相较于其他5种算法分别提高了18.89帧/s,13.92帧/s,21.41帧/s,25.72帧/s和49.69帧/s。因此,提出的YOLOX-G算法满足移动设备对模型大小的要求及对帧率的需求,可以实现对隧道衬砌裂缝高速度、高精度、实时动态性检测。

基于深度学习的公路隧道表观病害智能识别研究现状与展望

公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,相较于传统方法而言在实际隧道工程中具有更好的应用前景。利用深度学习可以学习隧道病害的特征信息,有利于未来隧道病害识别智能化的发展。简述深度学习在隧道表观病害识别中的应用原理,从人工拍照方法、数字图像采集和激光扫描技术三方面介绍病害图像的采集,从标注软件和数据增强方法总结数据集的构建和扩充方法,在图像分类、目标检测、语义分割三方面总结深度学习算法在隧道病害检测的应用现状,归纳当前应用的不足之处,最后分析与展望深度学习在隧道表观病害智能化识别方向广泛应用需要研究的问题与方向。