地铁隧道表面病害视觉检测技术应用研究

地铁隧道表面病害视觉检测技术应用研
究
摘要：对于地铁隧道表面病害的检测和判断的具体要求，需要从硬件构成、软件架构、识别算法三个方面对地铁隧道表面病害视觉检测实际进行分析。

先针对隧道病害视觉检测技术中采用的硬件参数进行分析，然后制定符合地铁隧道病害巡检要求的线阵相机+线激光源的框架，接着就是隧道衬砌图像的采集，数据与位移保持同步、图像增强与拼接处理都是促进地铁隧道表面病害视觉检测技术应用以及样本数据生成的基础。

算法识别的性能上，对比图像信号处理以及浅层模式识别技术，深度学习网络算法能够更好的提高地铁隧道表面病害视觉检测技术的效果。

本文在针对该检测技术的应用进行分析的基础上，也对技术发展中面临的困难进行分析，对未来的发展方向提出了一定的想法。

关键词：地铁隧道；隧道表面病害视觉检测技术；应用效果
地铁隧道都是建设在复杂的地下，长期运营下极易产生渗水、裂缝等问题。

如果监测和修复不够及时，那么就会影响隧道结构的整体稳定性。

地铁检查工作以人工检查为主，人工检查方法工作效率低、主观性较强，因此为了弥补人工检查的不足就要积极研发高效的隧道表面病害检测和识别技术。

在光学、计算机视觉技术的基础上，国内外研究人员研发了地铁隧道表面病害视觉检测技术，有专家在人工检测不足的基础上，对比分析无人机、巡检车等设备的特点，指出了智能化是未来隧道表面病害检查的主要发展趋势；也有专家提出了集成视觉检测技术的智能检测与识别是隧道病害研究的未来发展趋势。

总的来说，当年国内外对隧道病害视觉检测系统实施了大量的研究，不过也有一定的不足。

一、硬件的构成
相比传统的人工检查方式，衬砌表面图像自动化采集的硬件是隧道表面病害
视觉检测技术的重要组成之一，具有图像采集精准度高、工作效率高的特点。

TCRACK与MEI-100这两种隧道病害视觉检测装置的现场图见图1。

图1 典型地铁隧道表面病害视觉检测装置
（一）相机采集
由于隧道属于曲面结构，需要几个相机分区拍摄以免发生曲面效应。

比如
5.4m内径的盾构隧道，需要将相机环向扫描隧道的长度设计为13米，相机对隧
道圆周的扫描范围在240°以上。

比如图2中，采用了14个相机对隧道开展扫描，若是每个相机的工作物理距离为1800mm、扫描张角为31.3°，单个相机的可扫
描的隧道圆周长有982.82mm，因此可以保证14个相机机组中的相机之间有公共
区域，方便后期进行横向数据的整合。

目前工业相机包括面阵和线阵两个方面：
第一，面阵相机的采集。

分辨率为1080P的面阵相机分析。

（1）相机的成像精
准度为0.91mm/pixel。

（2）图像采集中有相同区域被同时采集的可能，造成了
数据储存和传输的浪费。

（3）补光要求较高，若是补光较差就会出现光照不均
匀的情况。

由此可知，面阵相机的应用有一定的局限性。

第二，线阵相机采集。

针对分辨率为4K的线阵相机进行分析。

（1）线阵相机的成像精准度为
0.24mm/pixel，精准度明显高于1080P的面阵相机。

（2）在车轮上安装编码器，随着车轮的运动形成的脉冲可以触发相机采集功能，不会造成数据储存和储存的
浪费。

（3）线阵相机属于条带扫描，仅需光源照亮少量拍照区域，因此能够为
光源照明设计奠定基础。

图2 多相机图像采集示意图
（二）光源照明
为了适应地铁昏暗的环境，隧道检测车需要利用光源辅助照明技术。

当前线阵相机的光源包括LED光源和激光光源。

如果采用LED光源，需要2个相机配备1个LED光源，以此来保证拍摄区域可以被照亮。

每个LED光源的功率为100W，承载超过12相机的小车就需要600W以上的光源，功耗非常高。

图3中显示的是线阵相机与线激光光源组合一体机，光源功率为20W，功耗较低[1]。

不过需要注意的是，激光光源与线阵相机要保持距离不变，保证光源可以照亮图像采集的区域。

图3 激光光源与线阵相机合成一体机
（三）同步图像采集控制
图4中显示，为了保证车不动相机不采集的要求，需要在车轮上安装编码器，随着车轮转动形成触发脉冲，然后将编码器的输出脉冲通过多路同步驱动器的同
时转发给多个相机，以此来保证所有的相机都可以同步采集数据并且进行储存。

图4 同步图像采集模板
二、软件框架
隧道属于长线状的结构，图像采集装置获取的数据为离散的图片，直接从原
始图片实施病害检测面临的难点为：第一，病害区域可能存在多张图片，仅有1
张图片有漏检的可能。

第二，隧道环境比较阴暗，图像质量较差会影响病害识别
的精准度。

对于这些问题，在开展隧道病害识别工作之前，需要完成病害图像数
据的预处理以及增强分析。

（一）数据-里程同步分析
数据与里程的同步是对重要区域病害检测与识别的关键措施。

如图5，将编
码器放置在车轮上，与车轴一起同步转动。

比如车轮的直径为R，转动一周形成
的里程为πR，编码器转动一周后输出N个脉冲并且通过多路同步驱动器转发到
所有线阵相机上，每个线阵相机在同步脉冲信号下完成了对N行图像的采集。

如
果线阵相机每满N行为一帧然后进行储存，系统储存K帧图像序列，代表车轮转
动了K圈，L=Kl=KπR[2]。

图5 隧道衬砌采集图像拼接流程
（二）图像增强
因为隧道内图像的对比度较差，因此很容易造成病害的漏检，因此要做好图像增强处理。

图像增强的常用方法为直方图均衡、同态滤波。

直方图均衡是图像空域运算的一种方法，核心在于把原始图像的灰度直方图进行非线性拉伸，然后重新进行像素灰度值的分配。

见图6。

直方图更换后，图像的一些灰度级会发生空缺，导致增强后的隧道对比度明显提高，反而会影响后期病害的检测。

相对来说，同态滤波就是将像元灰度值作为照度和反射率的呈现方式，然后处理照度和反射率参数，达到对图像的增强处理。

图6 衬砌表面图像增强处理
三、病害识别算法
病害图像数据的识别也是隧道表面病害视觉检测技术的核心，存在着算法复杂度与算法实时性存在矛盾的问题。

因此要从识别算法复杂度、算法研究关注时期的轴线入手，整理相关文献。

分别根据图像信号处理、浅层模式识别、深度学习这三个方面对识别算法开展分析。

（一）图像信号处理
由于隧道表面病害与背景像素在亮度上有一定的差异，因此在阈值分割、边缘检测基础上的病害检测算法被提出来。

根据图8显示，采用大阈值、区域生长的方法开展隧道内渗水问题的检测，结果分析发现，虽然图像信号处理的计算方法不太复杂、对硬件要求也不高，但是光照不均、噪音问题无法得到解决。

（二）浅层模式识别
为了解决图像信号处理类方法容易受到不均匀光照、噪音等问题，则采用了图像不重叠分块，利用局部图像分类方法开展对病害的检测。

为了提高检测的精准度，有专家采用了局部二值特征的方法来计算方块图像纹理的特点，构建了支持向量机的病害检测模式。

浅层模式识别的检测技术，具有分块图像特点赫尔鲁棒模式分类方法，因此具有良好的检测效果[3]。

（三）深度学习
深度学习的隧道表面检测技术目前得到广泛的关注，通过专家的研究，虽然能够准确的确定裂缝块状区域，但是无法获取裂缝区域中的像素面积。

为了解决这一问题则采用超像素分割来确定裂缝候选区域，然后采用残差深度分割网络提取隧道裂缝病害像素区域。

对隧道表面渗水病害检测和识别，有专家构建了在FasterR-CNN的渗水检测框架，由于标记样本数量不足，导致框架对渗水区的检测精准度较差。

因此则采用了全卷积网络的隧道病害检测模型，提高了对渗水病害问题的检测准确度。

四、展望
国内外对隧道表面病害视觉检测和识别技术大量研究，硬件采集方面，要解决因为相机工作物理距离的变化而造成的图像采集异常的问题，这也是隧道表面病害视觉检测技术未来发展需要解决的主要问题。

软件方面，要尝试追踪每个相机的物理距离变化，将变化参数反馈到图像数据拼接中，是解决在移动过程中产生病害图像拼接问题的有效方法。

参考文献：
[1]洪江华.地铁隧道表面病害视觉检测技术应用综述[J].铁道勘
察,2023,49(01):18-22+32.
[2]刘涛.基于机器视觉的地铁隧道管片病害检测技术研究[J].山西电子技术,2019(03):80-83.
[3]鲍海洋. 基于机器视觉的铁路隧道拱顶病害检测系统设计与研究[D].陕西师范大学,2017.。