基于地铁隧道高分辨率图像的裂缝信息提取

随着运营年限的增长,地铁隧道会逐渐产生各类病害,裂缝是一种典型的病害现象。由于大部分裂缝的特征不突出,且受到地铁隧道内部电缆设备、划痕、蜘蛛网等线状干扰物的影响,现有裂缝检测方法在高分辨率图像下效果不佳。本文以衬砌裂缝为研究对象,基于自主研发的隧道相机系统,实现对隧道表面信息的无损数据采集,获取4096×2168像素的高分辨率图像数据;明确裂缝识别的干扰因素,基于病害特性构建干扰数据集及真实纹理数据集;以掩码-区域卷积神经网络(Mask R-CNN)模型为基准框架,采用K-means和遗传算法对区域建议网络(RPN)网络进行参数优化;利用对比试验和消融试验说明本文算法的检测效果和表现性能。结果表明,本文算法能实现高分辨率图像下隧道裂缝的识别和长度测量,漏检和误检概率更低,对细长、特征不太明显的裂缝具有较好的检测性能,裂缝测量值可为地铁的运营维护提供参考。