基于深度学习的盾构隧道渗漏水病害混合样本集构建与精细分割

作者：薛亚东; 贾非; 郭春生; 郭永发; 刘劼

来源：应用基础与工程科学学报, 2023, 31(04): 1032-1042.

DOI：10.16058/j.issn.1005-0930.2023.04.018

• 盾构隧道
• 渗漏水
• 深度学习
• 卷积神经网络
• 实例分割模型
• 条件卷积
• 病害检测

渗漏水病害是盾构隧道运营期间最为常见的一种表观病害，对隧道结构安全与周边地层稳定具有不利影响.基于深度学习的图像病害识别方法，构建了包含检测装置与人工巡检两种方式采集图像的混合样本集.以平均准确度为评估指标，训练得到Mask R-CNN深度学习模型的分割准确度达到0.447,优于原样本集(0.386)与扩容样本集(0.403).考虑隧道渗漏水病害形态复杂的特点以及不同病害间较大的特征差异，进一步采用条件卷积动态生成的分割模型参数代替Mask R-CNN模型中静态的模型参数，提高了模型的分割速度与精度.以每秒运算图像数量(Frames Per Second, FPS)为评估指标，模型分割速度由7FPS提升至10FPS,且分割结果与病害真实轮廓更为接近，从而有利于对渗漏水病害的严重程度进行量化分析.

• 单位
  中国铁路昆明局集团有限公司; 中铁二院昆明勘察设计研究院有限责任公司; 土木工程学院; 岩土及地下工程教育部重点实验室; 同济大学