基于人工智能的隧道设施检测设备与技术综述

赵勇智; 张佩琦; 赵晓晋; 孙立周; 王庆; 石振明

doi:10.12404/j.issn.1671-1815.2601199

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (30) :12882-12901 DOI: 10.12404/j.issn.1671-1815.2601199

综述：交通运输

基于人工智能的隧道设施检测设备与技术综述

赵勇智 ¹ ,
张佩琦 ² ,
赵晓晋 ³ ,
孙立周 ³ ,
王庆 ² ,
石振明 ²^,^*

作者信息 +

Review of AI-based Equipment and Technologies for Tunnel Facility Inspection

Author information +

文章历史 +

摘要

隧道附属设施定期检测,已成为隧道运营与维护工作中的一项重要环节。人工巡检方式效率低、风险高、主观性强;而基于人工智能的隧道检测可提升效率和精度,为隧道精细化管理提供支撑。鉴于目前对隧道智能检测设备和算法的认识尚未系统化,在综述相关研究的基础上,分别从检测设备、目标检测算法、缺损检测算法三方面,对当前研究进展进行了系统梳理。在检测设备方面,系统介绍了移动检测设备平台架构,深入剖析了高分辨率可见光成像与激光扫描两种主流数据采集技术的优势与局限,并进一步探讨了多传感器融合技术及隧道内定位技术。在目标检测算法方面,结合典型案例,总结了隧道特殊环境下的图像处理技术及数据扩充方法,并重点对比了两阶段和单阶段检测算法在隧道附属设施目标检测中的性能。在缺损检测算法方面,综述了当前常见的缺损检测方法,探讨了语义分割与实例分割技术在设施缺损精细化评估中的应用。最后,总结了当前智能设备与技术在高速动态巡检需求难以满足、标准化数据集缺少、模型泛化能力不足等方面的核心挑战。针对这些挑战,研究展望聚焦于三个方向:研发面向高速动态场景的一体化智能检测设备,探索生成式AI进行数据扩充,增强模型的泛化能力以及在复杂隧道环境下的鲁棒性。

Abstract

Regular inspection of tunnel ancillary facilities has become a cornerstone of sustainable tunnel operation and maintenance. Conventional manual inspections, however, are often plagued by low efficiency, elevated safety risks, and inherent subjectivity. In contrast, AI-driven diagnostic frameworks offer a transformative approach to enhancing detection precision and operational efficiency, providing a robust foundation for granular tunnel management. Given that current understanding of tunnel intelligent detection equipment and algorithms has not yet been systematized, a systematic review of recent research progress was conducted, based on a synthesis of relevant literature, from three perspectives: detection equipment, object detection algorithms, and defect detection algorithms. Regarding detection equipment, the architectural frameworks of mobile detection platforms were systematically introduced, and the advantages and limitations of two mainstream data acquisition techniques (high-resolution visible-light imaging and laser scanning) were thoroughly analyzed. Multi-sensor fusion technologies and tunnel positioning techniques were further explored. Concerning object detection algorithms, image processing techniques tailored to the special tunnel environment and data augmentation methods were summarized with typical case studies, and the performance of two-stage versus single-stage detection algorithms for tunnel ancillary facility target detection was compared, with emphasis placed on this comparison. With respect to defect detection algorithms, commonly adopted defect detection methods were reviewed, and the application of semantic segmentation and instance segmentation techniques to the refined assessment of facility defects was discussed. Finally, the core challenges confronting current intelligent equipment and technologies were summarized, including the difficulty of satisfying high-speed dynamic inspection requirements, the lack of standardized datasets, and insufficient model generalization capability. In response to these challenges, the outlook for future research was directed toward three major avenues: the development of integrated intelligent detection equipment tailored to high-speed dynamic scenarios, the exploration of generative AI for data augmentation, and the enhancement of model generalization ability and robustness under complex tunnel environmental conditions.

Graphical abstract

关键词

隧道检测 / 检测设备 / 人工智能 / 附属设施 / 图像识别

Key words

tunnel inspection / inspection equipment / artificial intelligence / ancillary facilities / image recognition

引用本文

引用格式 ▾

赵勇智, 张佩琦, 赵晓晋, 孙立周, 王庆, 石振明. 基于人工智能的隧道设施检测设备与技术综述[J]. 科学技术与工程, 2026, 26(30): 12882-12901 DOI:10.12404/j.issn.1671-1815.2601199

ZHAO Yong-zhi, ZHANG Pei-qi, ZHAO Xiao-jin, SUN Li-zhou, WANG Qing, SHI Zhen-ming. Review of AI-based Equipment and Technologies for Tunnel Facility Inspection[J]. Science Technology and Engineering, 2026, 26(30): 12882-12901 DOI:10.12404/j.issn.1671-1815.2601199

登录浏览全文

4963

注册一个新账户忘记密码

截至2024年底,中国隧道已达28 724座,里程32 596.6 km^[1],隧道可视资产普查及设备缺损检测问题日益突出。近年来,国家相继出台若干推进道路基础设施精细化治理和交通风险管理政策。《交通运输领域新型基础设施建设行动方案(2021—2025年)》^[2]提出要提升公路基础设施全要素、全周期数字化水平;《交通领域科技创新中长期发展规划纲要(2021—2035年)》^[3]提出突破基础设施全寿命周期健康智能监测、风险自主预警等技术,开展基础设施智能化检测、快速化处置技术与装备研发。智能传感、人工智能(artificial intelligence, AI)等信息化技术的快速发展,为隧道要素精细化治理和智能化管理创新发展带来了新的动力。通过数字化及智能化技术,实现隧道精细化治理和智能化管理,是当前亟须破解的时代难题,也是中国由交通大国迈向交通强国的必然要求。

隧道附属设施是指隧道工程中为确保运营安全、提升服务效能而配置的辅助性设施,具有交通辅助、环境调控、安全防护、信息交互等功能^[4]。交通辅助设施包括交通信号灯、车道指示牌等,环境调控设施主要指照明系统、通风系统,安全防护设施主要含消防设施、火灾报警设施,而信息交互设施主要指监控系统和通信系统。作为保证隧道正常运营和行车安全的重要结构以及隧道资产的重要组成部分,隧道附属设施有必要在正常运行期间定时检测。当前研究多集中于隧道表观病害的识别与治理^[5-9],针对隧道附属设施检测的相关研究较少。

为此,综述隧道附属设施智能检测设备与技术,梳理当前隧道检测的主要挑战,从而为相关工程实践和研究提供参考。

1 隧道智能检测设备研究

隧道附属设施智能检测的首要环节是高效、精确地获取现场原始数据,往往需借助智能检测设备。该类设备多基于搭载传感器的移动平台,获取隧道内壁高清影像,实时处理与识别图像或视频信息,从而实现隧道附属设施状态的自动化检测。典型的隧道检测设备的系统组成如图1所示。与传统设备相比,智能检测设备凭借其智能化、多功能性和高效率的优势,在隧道运维领域日益受到重视并得到推广应用。

1.1 移动检测平台

现代隧道检测设备通常将传感器集成在移动平台上,以实现对长距离路面或隧道内壁的快速扫描。根据自动化程度和应用场景不同,主要分为车载移动测量系统和机器人平台两大类。

车载移动测量系统是目前最常见的方案,其将传感器阵列安装在汽车、平板车等驾驶载具上。此系统核心优势在于能以接近正常交通速度采集数据,从而最大限度避免干扰交通^[11]。而机器人平台则针对更为精细的检测任务或人员难以进入的危险区域,通常配备板载电池等能源供应系统,以保证在无外部能源输入的隧道或狭小空间中长时间作业。此外,机器人平台的设计往往强调模块化和适应性,可便捷更换传感器,适应作业的实际空间约束,这也是机器人平台的核心优势,但与车载测量系统相比,其采集速度较慢。目前,中外公路隧道检测车发展迅速,集成的功能越发强大,但主要针对隧道表观病害检测^[12-15],对隧道内部设施的检测研究较少。

1.2 传感器系统

智能检测设备中的传感器系统多采用高分辨率可见光成像(光电成像)或激光扫描两种方法获取隧道表观形貌。

高分辨率可见光成像技术是指利用高清工业相机并辅以补光设备,对隧道进行拍摄,将图像数据传输至处理模块,进行滤波去噪等预处理,提高图像质量、增强图像特征,进行目标检测及缺损检测。典型的利用可见光成像技术进行隧道表观病害检测的工作场景^[16],如图2所示。

由于隧道为连续曲面结构,需设置多台相机进行分区拍摄,避免曲面效应,按照传感器像素的排列方式,目前工业相机主要有线阵和面阵两类^[17]。线阵相机的结构特点是传感器像素呈单行排列,通过与被测物相对运动逐行扫描成像;面阵相机的结构特点是传感器像素呈二维矩阵排列,单次曝光捕获整幅图像。两种相机的适用范围如表1所示,针对隧道附属设施检测中的线性长距离、高检测精度、高检测速度、弱光等场景及需求,线阵相机的适用性较强。

目前主流线阵相机可分为电荷耦合器件(charge coupled device, CCD)相机和互补金属氧化物半导体(complementary metal oxide semiconductor, CMOS)相机^[18]。其中,CCD相机灵敏度高、噪声影响低,可适应隧道内的变光环境,获得隧道表观的细微特征。但其耗电量较高、实时性差、生产工艺较为烦琐,制造成本高昂^[19],因此在对图像质量要求高的场景中应用较多。而CMOS相机更适合随车动态检测,在车速达到50 km/h以上时,其运动模糊现象较少,且CMOS相机可集成AI芯片,实现随车边缘实时处理,结果实时显示并存储,无需等待云端回传,适用于隧道内的弱网甚至无网环境。因此,在对实时性要求较高的隧道内部设施检测中,CMOS相机是最为实用的选择。

上述技术已得到广泛应用与验证。Yu等^[20]开发了一套移动机器人检测系统,该系统通过CCD相机采集结构表面图像,并利用图像分析和处理技术检测混凝土结构裂缝。王建锋等^[21]提出一种基于激光位移传感器和陀螺仪的路面三维检测方法,实现了路面的快速检测。Stent等^[22]研发了一套低成本的自动化视觉系统,其采用多台线阵CCD相机和光源装置,能够识别宽度大于0.3 mm的裂缝,最大移动采集速度为2.5 km/h。Huang等^[16]研制的MTI-100检测系统利用多个线阵CCD相机和补光系统,在5 km/h的设计速度下能够采集到高清晰的隧道表面图像,裂缝分辨精度可达0.3 mm。后续Huang等^[23]将CCD相机升级为CMOS线阵传感器相机,可捕捉更细微的缺陷痕迹,检测精度上限显著提高。Li等^[24]研发了地铁隧道表面自动监测系统,如图3所示,该系统搭载了8台线阵相机、4张图像采集卡和9个线性光源,实现了地铁隧道表观病害的全覆盖扫描,检测精度可达0.2 mm。光学成像的缺点是易受到隧道内行车扰流、光照突变等环境因素的干扰,致使成像产生过曝、阴影、噪点多、动态模糊、畸变、被遮挡等不良情况,不利于后续检测。

激光扫描通过非接触式测量获取隧道内部表观三维点云数据^[11,25],如图4所示,包含空间坐标与反射强度等多维属性。原始点云数据需通过点云配准、去噪、特征处理等步骤进行预处理^[26],剔除明显远离隧道结构的失真点。基于此建立隧道的三维几何模型,具有高精度、全覆盖、效率高等优势。相较于传统固定式激光扫描设备,车载激光扫描仪可实现随车快速扫描,更适合长大隧道的快速扫描与检测。刘永峰等^[27]基于三维激光扫描系统研发了移动式轨检小车,对武汉地铁隧道进行椭圆度检测。李勇兵等^[28]采用三维激光扫描技术进行隧道变形监测,并基于色谱分析法对整体变形进行了定性分析。蒋宇静等^[29]采用非可视化高速摄影检测技术对隧道衬砌表面进行病害检测,裂缝检测精度可达0.2 mm,最大采集速度高达100 km/h。卢晨等^[30]提出一种基于三维激光扫描技术的隧道断面变形分析方法,有效提升了隧道断面变形分析效率。激光扫描技术的缺点是成本较高,易受隧道内部粉尘、水渍等因素的干扰,致使点云数据缺失或出现噪声,此外隧道内移动式激光扫描需确保设备匀速移动,隧道内的复杂地形可能影响数据连贯性。

由于光学影像成像与激光扫描技术存在各自的优点与不足,部分研究者将二者结合,以提升数据采集的准确性和完整性。其关键技术为多传感器融合,即通过算法将不同传感器数据进行融合,获得比单一数据源更为可靠、准确的数据。多传感器融合技术包含:①光学影像成像(相机),负责捕捉色彩、纹理等视觉信息,对于识别隧道设施类型和颜色缺损(如锈蚀)至关重要;②激光扫描技术,对环境光照变化不敏感,是构建高精度三维模型、测量隧道结构几何尺寸和形变的基础^[31];③惯性测量单元(inertial measurement unit, IMU),以极高频率测量加速度和角速度,提供平台运动轨迹,在全球卫星导航系统(global navigation satellite system, GNSS)信号缺失的隧道环境中,IMU尤为重要;④数据融合算法,如卡尔曼滤波被广泛用于融合高频但随时间漂移的IMU数据和低频但更为精确的相机或激光扫描数据,从而补偿单传感器弱点。

基于上述多传感器融合理念,研究人员开发了多种移动式检测系统,如Menendez等^[32]开发的隧道智能巡检机器人系统(robotic system with intelligent control for cave-type infrastructures and tunnels inspection, ROBO-SPECT),由车辆、起重机、机械臂、半监督计算机视觉系统及超声波传感器等组成,能实现半自动化检测裂缝宽度和深度。Ai等^[33]基于CCD相机和激光扫描技术开发了地铁隧道结构检测装置,移动采集速度可达5 km/h。Nakamura等^[34]研发的隧道衬砌混凝土检测车,配备机器视觉和锤击检测设备,可检测隧道衬砌表面裂缝及内部损伤,最大运行速度为10 m/min,可识别宽度≥0.5 mm的裂缝。Yasuda等^[35]开发的MIMM-R隧道检测车集成了空气耦合式雷达、多台线阵CCD相机及激光扫描装置,如图5^[36]所示,能对衬砌厚度、空洞、裂缝等进行检测,速度可达70 km/h。黄希等^[37]集成激光扫描仪、惯性测量单元、里程传感器等多种技术,研发了轨道移动激光测量与检测系统(图6),可对铁路、地铁等不同轨道交通限界进行检测。石波等^[25]将线阵相机与激光扫描技术结合,将二者坐标基准统一,并外触发使传感器采集频率与车速匹配,对轨交隧道病害进行检测定位。

综上所述,可见光成像与激光扫描技术在隧道表观影像采集中各有优势,为更直观地对比两类技术及其融合方案在实际工程中的关键性能指标,根据现有文献与典型装备案例,汇总如表2所示。由表可知,可见光成像技术检测速度更快,而激光扫描技术则在三维几何测量方面优势明显。因此,将二者结合的多传感器融合技术能够实现速度、精度与信息完整性的统一,成为当下隧道内表观检测的主流方案。

1.3 隧道检测定位模块

在隧道检测中,需同时获得隧道影像及其对应的精确空间位置;而隧道是典型的卫星信号屏蔽环境,这给检测设备的精确定位带来了巨大挑战。无GNSS信号时,系统失去绝对定位,只能依靠内部传感器进行航位推算获得相对定位。然而,传感器测量误差会随时间累积,导致计算轨迹与真实轨迹偏差逐渐增大^[41]。隧道环境的特殊性(长直、缺少独特坐标)使得算法很难找到特征点校正自身位置^[42],导致偏差问题尤为突出,为隧道资产评估带来不利影响。

即时定位与地图构建(simultaneous localization and mapping, SLAM)是解决此问题的关键技术之一。SLAM系统可在未知环境中仅依靠自身传感器,实时构建环境地图并同步估计自身在地图中的所处位置^[43]。当前主流方案包括激光雷达(laser detection and ranging, LiDAR)与IMU融合的LIO-SLAM^[44]以及视觉与IMU融合的视觉惯性里程计(visual-inertial odometry, VIO)^[45]。其中,采用紧耦合策略的方法,即在统一的优化框架内联合处理多源传感器数据,通常被认为比松耦合(独立处理后再融合)方法具有更高的定位精度和系统鲁棒性^[46]。

此外,解决定位漂移的方案也引入了运营与经济层面的权衡。纯算法优化的SLAM系统在特征稀疏的隧道环境中性能受限,而最稳定可靠的解决方案(如布设辅助测距传感器)则需要对隧道基础设施进行改造或前期投入^[47]。这意味着“扫描即走”式移动检测流程,将转变为需预先准备的工作模式。因此,必须在便捷性与定位精度之间做出取舍,对于需精确定位的变形监测或重大隧道资产审查,设置地面控制点或辅助定位设施,而对于一般性审查,则可直接采用SLAM系统定位。

2 隧道设施目标检测算法研究

隧道内的各类基础设施既是重要的公共资产,也对交通安全起着至关重要的作用,因此必须进行有效的监测和维护^[48]。与传统的人工检测方法相比,智能化识别技术可大大减少图像特征信息提取过程中的主观单一性,更具便捷性和高效性。

2.1 隧道图像预处理与质量提升

由于隧道的特殊环境,图像采集往往面临照度低、高速运动模糊等问题。检测设备采集的原始图像数据质量不佳,充满噪声和伪影,若直接分析会导致模型性能及识别效果严重下降,因此须在软硬件层面协同提升,确保输入数据质量和鲁棒性。

针对隧道内光线昏暗问题,现代检测系统普遍采用主动间隔照明^[10],但由于隧道断面大、表面材质反光不均等因素,所获图像存在“斑马纹”、亮度不足、对比度低和噪声明显等问题。为此,研究人员提出多种低光照图像增强技术,如直方图均衡化方法和基于视网膜皮层理论(Retinex)^[49]的方法等。直方图均衡化虽能提升整体对比度,但极易过度放大噪声,使隧道壁粗糙纹理被误判为病害;而基于Retinex理论的方法在处理光照突变区域时,常出现色彩失真或光晕现象^[50]。随着深度学习的发展,基于神经网络的增强模型显示出更为优越的性能,能够在提升亮度的同时抑制噪声和恢复细节,逐渐成为低光照图像增强的主流方法^[51]。当前研究热点逐渐侧重于无监督学习或自监督学习机制,如基于生成对抗网络(generative adversarial networks, GAN)的模型,其采用非配对学习机制,在低照度区域有效强化细节,同时对灯具直射产生的高光区域有效抑制,解决噪声或色彩失真的问题。Wang等^[52]提出N形低光增强非生成对抗网络(N-shape low-light enhancement generative adversarial networks, N-LoLiGAN)方法,对隧道复杂光照场景下的图片进行增强。处理灯具与隧道壁阴影交界处这类存在强烈光照突变的区域时,N-LoLiGAN在提升暗部细节的同时有效抑制了高光溢出。

对于车载式高速数据采集平台,相机与隧道壁之间的高速运动易导致图像运动模糊,使得裂缝等微小目标边界模糊不清。图像运动模糊还原方法^[53-58]分类如表3所示,传统方法主要基于反卷积思想,如维纳滤波、R-L迭代还原算法(Richardson-Lucy algorithm)、基于正则化等,但这些方法通常假设模糊核是均匀的,在隧道检测场景下,常会因车辆震动、设备抖动等因素出现非均匀模糊,致使传统方法难以准确建模。深度学习方法通过端到端训练,能够学习从模糊图像到清晰图像的复杂映射,直接从模糊图像中恢复清晰纹理。特别是引入注意力机制的模型,其能够在去除运动拖影的同时,避免传统反卷积方法产生的振铃效应和伪影,显著提升采集数据的质量^[59]。Ma等^[60]基于隧道采集模糊图像的多尺度特征,采用尺度循环去模糊网络(scale-recurrent network for deep image deblurring, SRN-DeblurNet)方法进行去模糊化处理(图7),并基于改进的YOLOv8模型进行了隧道渗漏识别。

针对隧道采集中不同的运动模糊场景,所选用的去模糊方法应有所侧重。对于由车辆匀速运动引起的、近似均匀的线性模糊,传统的非盲去模糊方法在已知或可估计模糊核的情况下,计算稳定高效,适用于路况良好、采集平台稳定的场景。若隧道路面不平整,致使车辆颠簸、设备抖动产生复杂、非均匀模糊,传统方法效果受限,基于深度学习的端到端方法是处理此类问题的首选,但其依赖于大量配对数据训练,可解释性较差。因此若对算法可解释性有较高要求,可考虑基于深度学习的模糊核估计(两阶段方法),其能够提供一定的中间分析结果。

此外,隧道内采集的图像还受传感器噪声、壁面污渍及不均匀光照产生的阴影干扰,这些阴影在计算机视觉上与某些衬砌病害相似,易导致误检,需采用各种滤波算法或基于深度学习的去噪网络对图像进行净化处理,以提高信噪比。图像预处理通过保留设施的几何边缘并降低伪影干扰,为后续目标检测与缺损识别提供高质量、高信噪比的特征输入,可显著提升模型在复杂隧道背景下的鲁棒性,进而提高模型检测准确率。

2.2 目标检测算法

当前,隧道附属设施识别的算法集中在计算机视觉领域,尤其是基于卷积神经网络的目标检测算法^[61]。目标检测算法可对路标等进行识别,在有较多训练样本的情况下,目标检测算法的检测精准度较高。目前应用于交通领域的主流目标检测算法如表4所示,根据是否有显式的区域建议,可将目标检测算法分为单阶段目标检测算法和两阶段目标检测算法^[61-62],二者的框架如图8所示。

为深入理解两类算法在性能上的本质差异,对二者的优化目标(损失函数)进行分析。更快速区域卷积神经网络(faster region-based convolutional neural network, Faster R-CNN)作为两阶段算法的代表,其核心在于引入了区域建议网络(region proposal network,RPN),将检测过程建模为多任务学习问题,其损失函数L由分类损失L_cls和边界框回归损失L_reg共同组成,通过超参数λ平衡二者权重,其数学表达式为

(1)$\begin{array}{l}\mathrm{L}\left(\right\{{\mathit{p}}_{\mathit{i}}\},\{{\mathit{t}}_{\mathit{i}}\left\}\right)=\frac{1}{{\mathit{N}}_{\mathrm{c}\mathrm{l}\mathrm{s}}}\stackrel{{\mathit{N}}_{\mathrm{a}\mathrm{n}\mathrm{c}\mathrm{h}\mathrm{o}\mathrm{r}}}{\sum _{\mathit{i}=1}}{\mathit{L}}_{\mathrm{c}\mathrm{l}\mathrm{s}}({\mathit{p}}_{\mathit{i}},{\mathit{p}}_{\mathit{i}}^{\mathrm{*}})+\\ \mathit{\lambda }\frac{1}{{\mathit{N}}_{\mathrm{r}\mathrm{e}\mathrm{g}}}\stackrel{{\mathit{N}}_{\mathrm{a}\mathrm{n}\mathrm{c}\mathrm{h}\mathrm{o}\mathrm{r}}}{\sum _{\mathit{i}=1}}{\mathit{p}}_{\mathit{i}}^{\mathrm{*}}{\mathit{L}}_{\mathrm{r}\mathrm{e}\mathrm{g}}({\mathit{t}}_{\mathit{i}},{\mathit{t}}_{\mathit{i}}^{\mathrm{*}})\end{array}$

式(1)中:i为锚框索引;$\mathit{i}\in \{\mathrm{1,2},\dots,{\mathit{N}}_{\mathrm{a}\mathrm{n}\mathrm{c}\mathrm{h}\mathrm{o}\mathrm{r}}\},$其中N_anchor为当前批次特征图上生成的锚框总数量;p_i为预测该锚框为目标的概率;t_i为预测的边界框坐标偏移量;p_i^*为真实标注标签(1为前景,0为背景);t_i^*为真实边界框偏移量;N_cls为分类损失归一化系数;N_reg为回归损失归一化系数。

值得注意的是,回归损失项p_i^*L_reg仅在锚框被判定为前景(即p_i^*=1)时才被激活。这种“先筛选、后精修”的机制确保了模型专注于高质量候选区域的特征学习,从而在隧道微小裂缝等高精度检测任务中表现优异。

相比之下,单阶段算法中端到端实时目标检测算法(you only look once, YOLO)系列将目标检测重构为单一回归问题,其将输入图像划分为S×S的网格,通过统一的损失函数同时对边界框坐标、置信度及类别概率进行端到端的优化。以YOLO算法通用的损失函数(L_YOLO)架构为例,其定义为

(2)$\begin{array}{l}{\mathit{L}}_{\mathrm{Y}\mathrm{O}\mathrm{L}\mathrm{O}}={\mathit{\lambda }}_{\mathrm{c}\mathrm{o}\mathrm{o}\mathrm{r}\mathrm{d}}\stackrel{{\mathit{S}}^{2}}{\sum _{\mathit{i}=1}}\stackrel{\mathit{B}}{\sum _{\mathit{j}=1}}{\mathit{I}}_{\mathit{i}\mathit{j}}^{\mathrm{o}\mathrm{b}\mathrm{j}}\left[\right({\mathit{x}}_{\mathit{i}\mathit{j}}-{\dot{\mathit{x}}}_{\mathit{i}\mathit{j}}{)}^{2}+({\mathit{y}}_{\mathit{i}\mathit{j}}-{\dot{\mathit{y}}}_{\mathit{i}\mathit{j}}{)}^{2}+\\ {(\sqrt{{\mathit{w}}_{\mathit{i}\mathit{j}}}-\sqrt{{\dot{\mathit{w}}}_{\mathit{i}\mathit{j}}})}^{2}+{(\sqrt{{\mathit{h}}_{\mathit{i}\mathit{j}}}-\sqrt{{\hat{\mathit{h}}}_{\mathit{i}\mathit{j}}})}^{2}]+\\ \stackrel{{\mathit{S}}^{2}}{\sum _{\mathit{i}=1}}\stackrel{\mathit{B}}{\sum _{\mathit{j}=1}}{\mathit{I}}_{\mathit{i}\mathit{j}}^{\mathrm{o}\mathrm{b}\mathrm{j}}({\mathit{C}}_{\mathit{i}\mathit{j}}-{\hat{\mathit{C}}}_{\mathit{i}\mathit{j}}{)}^{2}+\\ {\mathit{\lambda }}_{\mathrm{n}\mathrm{o}\mathrm{o}\mathrm{b}\mathrm{j}}\stackrel{{\mathit{S}}^{2}}{\sum _{\mathit{i}=1}}\stackrel{\mathit{B}}{\sum _{\mathit{j}=1}}{\mathit{I}}_{\mathit{i}\mathit{j}}^{\mathrm{n}\mathrm{o}\mathrm{o}\mathrm{b}\mathrm{j}}({\mathit{C}}_{\mathit{i}\mathit{j}}-{\hat{\mathit{C}}}_{\mathit{i}\mathit{j}}{)}^{2}+\\ \stackrel{{\mathit{S}}^{2}}{\sum _{\mathit{i}=1}}{\mathit{I}}_{\mathit{i}}^{\mathrm{o}\mathrm{b}\mathrm{j}}\sum _{\mathit{c}\in \mathrm{c}\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{s}\mathrm{e}\mathrm{s}}\left[{\mathit{p}}_{\mathit{i}}\right(\mathit{c})-{\dot{\mathit{p}}}_{\mathit{i}}{\left(\mathit{c}\right)]}^{2}\end{array}$

式(2)中:第一部分为定位误差,惩罚预测框中心(x,y)与宽(w,h)的偏差;λ_coord为边界框坐标损失权重系数;S为输入图像在每个方向上的网格划分数;B为每个网格单元预测的边界框数量;I_ij^obj为负责框指示函数,取值为0或1;x_ij、y_ij与${\dot{\mathit{x}}}_{\mathit{i}\mathit{j}}\mathit{、}{\dot{\mathit{y}}}_{\mathit{i}\mathit{j}}$分别为真实、预测边界框中心点相对于所在网格单元的归一化坐标;w_ij、h_ij与${\dot{\mathit{w}}}_{\mathit{i}\mathit{j}}\mathit{、}{\hat{\mathit{h}}}_{\mathit{i}\mathit{j}}$分别为真实边界框和预测边界框相对于整张图像的归一化宽度和高度;第二部分为置信度误差,C_ij为边界框置信度的真实标签;${\hat{\mathit{C}}}_{\mathit{i}\mathit{j}}$为模型预测的置信度值;I_ij^obj为框级无目标指示函数,当第i个网格的第j个边界框不属于任何目标的负责框时取1,否则取0,约束背景区域的预测置信度趋近于0;λ_noobj为无目标置信度权重系数,用于抑制背景负样本,解决单阶段算法中正负样本极度不平衡的问题;第三部分为分类误差,I_i^obj为网格级有目标指示函数,当目标中心点落入第i个网格时取1,否则取0;p_i(c)为类别c的真实概率标签;${\dot{\mathit{p}}}_{\mathit{i}}\left(\mathit{c}\right)$为模型预测的类别条件概率;classes为检测任务的目标类别集合。

这种一体化的优化策略消除了候选区域生成的计算瓶颈,使得YOLO模型在保证一定精度的前提下,推理速度大幅提升,更适用于随车检测的高速巡检要求。

两阶段目标检测算法基于候选区域进行特征提取及分类回归,精度较高但速度较慢、实时性差,典型的两阶段目标检测算法有区域卷积神经网络(region-based convolutional neural network, R-CNN)、空间金字塔池化网络(spatial pyramid pooling in deep convolutional networks for visual recognition, SPP-Net)、快速区域卷积神经网络(Fast R-CNN)、更快速区域卷积神经网络(Faster R-CNN)以及掩膜卷积神经网络(Mask R-CNN)。Girshick等^[63]将深度学习引入物体检测领域,采用R-CNN算法提取图像中每个候选区域的深度特征,并通过线性分类器将候选区分为物体和背景两类,平均检测准确率达53.7%。Ren等^[64]提出了Faster R-CNN算法,使用区域建议网络生成目标候选框,显著减少了生成时间。Deng等^[65]基于Faster R-CNN利用5 009张含桥梁裂缝的图像数据集进行训练和测试,实现了对裂缝的高精度自动定位及识别。Li等^[24]基于Faster R-CNN提出一种多层特征融合网络,实现了隧道表观病害的高精度自动检测。Han等^[66]提出基于Faster R-CNN的改进框架,结合候选区域生成网络(region proposal network, RPN)和光照自适应模块,实现桥梁设施的实时检测,通过迁移学习解决了小样本问题,提升了复杂光照条件下的检测精度。汪西晨等^[67]基于Faster R-CNN算法,针对红外图像特点,引入频域注意力机制,改进多尺度融合策略,引入图像增强模块,增强弱纹理区域的特征提取能力,提升了飞机目标检测性能。崔广炎等^[68]针对隧道衬砌离散实体目标检测精度与时效性问题,构建了自定义雷达数据集,提出了改进的Faster R-CNN算法,设计了轻量化特征提取网络并优化特征金字塔,提升了多尺寸目标的识别能力,在保证召回率的同时,检测精确率和速度均优于主流模型。

而单阶段目标检测算法不生成候选区域,直接对整图分类回归,精度低但速度快,适用于实时检测。其中,YOLO算法简化了网络结构,将检测速度提升至Faster R-CNN的10倍左右,广泛应用于交通目标检测领域。自2016年Redmon等^[69]提出YOLO算法以来,随着网络架构更新,YOLO算法的特征提取能力不断加强,目前已迭代到v13版本^[70-81]。YOLO系列算法发展如图9所示。针对道路损坏检测算法中存在计算复杂、耗时长等问题,Wan等^[82]基于YOLOv5s算法提出了一种用于道路损坏识别的轻量级模型,通过在重组通道网络(shuffle network version 2, ShuffleNetV2)中添加高效通道注意力机制(efficient channel attention, ECA)模块,提出了新的骨干网络Shuffle-ECANet,在减小模型尺寸的同时,提高了模型的检测速度和精度。Song等^[83]针对交通标识识别易受光照强度、天气及距离等的影响,提出了基于YOLOv4-tiny的中文交通标志检测算法,引入改进的轻量级高效通道注意力机制(better efficient channel attention, BECA)注意力机制模块和密集SPP网络模块,使用K均值聚类(K-means clustering algorithm)获得更适合交通标志检测的锚框,提高了复杂场景下交通标志识别的准确率,可以满足智能车辆对交通标志识别任务的实时性要求。彭红星等^[84]针对隧道内光线昏暗、远距离目标检测困难等问题,结合高斯混合聚类、内容感知重组特征、坐标注意力机制等方法,提出了一种改进YOLOv5模型,实现了高速公路隧道车辆和人员检测,平均检测精度达95.7%。方力涵等^[85]提出一种基于改进YOLOv5的隧道衬砌病害检测模型,用以解决衬砌内部病害边界模糊导致的识别不准等问题。鲁冠宏等^[86]针对传统裂缝检测方法泛化能力差等问题,提出了一种改进YOLOv5模型,引入Transformer模块改善检测效果,集成卷积注意力机制CBAM(convolutional block attention module)以提高对重要裂缝特征的关注,进而实现了隧道衬砌裂缝的实时检测。

图像目标检测中,小目标检测是始终存在的难题,其根本挑战源于尺寸小、分辨率低、位置准确性差、环境干扰大等特点。黄继鹏等^[87]针对小目标检测提出了多尺度Faster R-CNN检测算法,对原有的Faster R-CNN算法进行了改进,使其能够同时有效检测大尺度和小尺度的目标。Cai等^[88]基于R-CNN提出级联区域卷积神经网络(cascade region-based convolutional neural networks, Cascade R-CNN),通过多阶段边界框优化提升了检测精度,结合多尺度特征表示解决尺度不变性问题,适用于小目标识别。田鹏等^[89]提出了一种基于YOLOv8改进的道路交通标志目标检测算法,利用双层路由注意力机制(bi-level routing attention, BRA)提升对小目标的感知能力,利用可形变卷积模块(deformable convolution version 3, DCNv3)提升对遮挡重叠目标的检测能力,有效实现了在复杂道路场景下交通标志的检测。雷帮军等^[90]提出了一种基于改进YOLOv8s的小目标检测算法,通过重新设计特征提取与融合网络,引入了部分卷积、多种注意力机制以及智慧交并比损失函数(wise intersection over union, WIoU),在降低模型参数与计算量的同时,显著增强了复杂背景下小目标特征捕获能力。付锦燚等^[91]提出了一种改进小目标检测算法CA-YOLOv8,提升算法对多尺度细节特征的获取能力,强化了算法对深层特征的细节感知能力,实验结果表明其检测性能得到了显著提升。

对比不同目标检测算法在隧道及交通设施检测中的表现(表5)可知,单阶段算法(如YOLO系列)在检测速度上具有显著优势,每秒帧数(frames per second, FPS)普遍较高,部分改进模型甚至达到86 FPS,完全满足隧道检测车以正常行车速度(60~80 km/h)完成实时检测任务。然而在面对复杂背景下的微小目标时,其特征提取能力不及两阶段算法。相比之下,两阶段算法虽然检测精度较高,尤其是在定位准确性方面表现优异,但其推理速度普遍较慢,限制了其在高速巡检中的应用,更适用于海量数据的离线精细化处理。而两阶段算法中的Mask R-CNN具有实例分割功能,可实现对检测目标的像素级分割,在精细化识别方面优势显著,但其计算成本高,难以在低功耗的嵌入式设备上大规模部署。

2.3 训练数据的限制与突破

深度学习模型的性能根基在于训练数据质量与规模。大数据驱动可实现有效表征学习,但训练样本不足会导致模型出现过拟合等问题。隧道附属设施识别的核心挑战是缺乏大规模、高质量、公开标注的隧道可视化设施数据集。目前公开的大部分相关数据集,主要针对隧道衬砌病害(如裂缝、渗漏水),以及源于自动驾驶领域的大型通用场景数据集(如KITTI、Waymo)^[95]。后者虽然规模庞大,但其标注的类别和场景不能完全覆盖隧道内特有设施类型。为在标注数据有限的情况下取得理想的模型性能,小样本学习非常必要,以下是常用的两种小样本学习方法。

(1)迁移学习:迁移学习是数据稀缺问题的重要解决方案^[96],其通过利用在ImageNet等大规模数据集上预训练的成熟卷积神经网络模型,获得丰富的底层与中层视觉特征提取能力,例如边缘、纹理、形状等通用知识。在此基础上,研究者仅需使用小规模、有针对性的隧道设施数据集对模型的顶层或部分层级进行微调,即可使模型快速适应隧道场景下的特定识别任务。这种方法不仅能显著降低模型训练对大规模标注数据的依赖性,缩短研发周期,还能有效提升模型在复杂隧道场景下的泛化能力和识别准确率。

(2)数据增强:数据增强技术可在不增加采集成本的情况下,人为地扩充训练数据集的规模和多样性,提升模型的泛化能力。其通过对已有的标注图像进行一系列几何和色彩变换来生成新的训练样本。数据增强包括3种方式:一是通过随机旋转、缩放、裁剪、调整亮度、对比度和饱和度、混合、遮挡等操作来生成新的训练样本^[97],这种方式是小样本学习中最常用的增强方法;二是通过训练生成式模型来创造新的样本,进而将其补充到小样本类别中。其中由Goodfellow等^[98]提出的生成对抗网络是目前生成模型中常用的一种方法,

图10展示了生成对抗网络的网络结构示意图,其由生成器和判别器两个关键部分组成,生成器G用于生成逼真的伪造数据,而判别器D则用于辨别伪造数据和真实数据,通过相互对抗竞争,实现无监督学习下全新数据的生成,增加训练样本的多样性。从数学角度来看,在数据生成任务中,其核心目标是优化式(3)极小化极大目标函数。Zhang等^[99]提出了一种基于生成对抗网络的缺损合成技术,其通过模仿破坏和恢复过程来生成缺损样本,可进一步提升缺损检测网络的性能;三是通过函数变换^[100],跨类别地组合现有样本或其特征模式,以构建出更具挑战性的学习任务,其目的在于迫使模型学习一个更为鲁棒和通用的度量空间,从而提升模型对新类别的泛化能力。

(3)$\underset{\mathit{G}}{\mathrm{m}\mathrm{i}\mathrm{n}}\underset{\mathit{D}}{\mathrm{m}\mathrm{a}\mathrm{x}}$V(D,G)=E_{x∼p_data(x)}[lnD(x)]+E_{z∼p_z(z)}(ln{1-D[G(z)]})

式(3)中:V(D,G)为对抗目标函数;E(·)为数学期望算子;x为真实的隧道样本,服从真实数据分布p_data(x);z为输入的随机噪声,服从先验噪声分布p_z(z);判别器D旨在最大化识别真实图像与生成图像的能力;而生成器G致力于生成逼真的缺损样本。

3 隧道设施缺损检测算法研究

在完成对隧道附属设施的识别与定位后,智能检测的核心任务转为评估这些设施的完整程度,即检测其是否缺损或异常^[101]。借助智能检测算法,实现在隧道环境下精准评估设施状态、发展面向实时检测的轻量化模型与边缘计算技术,成为现有研究的重点方向。

3.1 用于缺损检测的计算机视觉技术

2.2节所述的目标检测框架可直接迁移应用于缺损检测,此时算法的识别类别由“消防栓”等设施名称转变为“破损灯具” “缺失标志牌”等缺损类型。由于隧道附属设施的缺损样本数量较少、缺损类型和程度具有不确定性,相对于一般的目标检测任务,缺损检测更具有挑战性。

当前有关隧道附属设施缺损检测的研究较少,大多集中于隧道衬砌病害及交通标志检测,由于隧道附属设施缺损检测和路面、隧道病害检测以及工业缺损检测有一定相似性,因此本部分参考了机器视觉缺损检测领域的一些研究工作。在路面缺损检测方面,Zhao等^[102]提出了各向异性聚类算法,解决了相邻图像分离问题,建立了全局凸分割模型,适用于路面裂缝的精确测量。Cha等^[103]将Faster R-CNN应用于自动路面缺损检测,平均精度达到了94.7%。Maeda等^[104]则使用基于轻量化神经网络和自适应卷积神经网络(inception network version 2, InceptionV2)检测不同类型路面损伤,实现了损伤类型的自动识别。针对传统隧道衬砌缺损检测方法存在检测精度低、抗干扰能力差、检测速度慢等问题,Xue等^[105]提出了一种用于隧道衬砌缺损的两步解决方案,首先使用全卷积神经网络模型(fully convolutional network, FCN)对隧道衬砌图像进行快速分类,对于含有缺损的图像,使用区域全卷积神经网络模型(region-based fully convolutional network, R-FCN)对缺损进行检测和定位,结果表明两步法的精度高于传统方法。Zhou等^[93]提出一种融合EfficientNet骨干网络与DSC的YOLOv4-ED模型,有效提升了模型在复杂隧道背景与多变光照条件下的识别精度,引入DSC模块压缩模型存储空间,提升了检测效率,其进一步构建了隧道衬砌缺损检测平台,可完成多类型衬砌缺损的高精度自动识别,如图11所示。在输电线路关键部件缺损检测方面,程汪刘等^[106]提出了一种改进的Cascade R-CNN网络模型,用于高压输电线路中的防振锤缺损检测。刘晓磊等^[107]提出一种改进的YOLOv5模型用于煤矿钢丝绳外部小缺损检测,提升了钢丝绳缺损检测的准确率和速度。针对交通标志缺损数据严重不足的问题,邱军富^[108]提出了一种基于阈值分割的交通标志缺损检测方案,其不必依赖于大量训练数据,且相较于传统算法有一定的实用性和优越性。Acikgoz等^[109]提出了一种多尺度残差卷积网络模型用于铁路轨道缺损检测,其对不同的轨道缺损分类准确度可达99%。苟军年等^[110]提出了一种轻量级CenterNet-GhostNet的目标检测网络,实现了复杂环境下的输电线路绝缘子的自爆缺损检测,并可满足无人机搭载下的移动设备部署需求。文献[111]开发了TJCFA1车载隧道设施智能巡检设备,提出了一种改进的YOLO模型并部署于275TOPS算力的边缘计算终端,实现了隧道附属设施实时智能检测,巡检速度达80 km/h,8类隧道基础设施(灯、指示牌、灭火器、防火涂层等)综合准确率大于95%,隧道内无GPS定位精度小于5 m。其技术框架如图12所示。

当前缺损检测的计算机视觉技术已由传统的图像处理方法转向以深度学习为核心的智能识别范式,研究主要集中在两个方面:一是通过优化网络结构提升检测精度与速度;二是通过模型轻量化设计满足移动端和边缘计算的部署要求。由于隧道环境的复杂性以及附属设施的多样性,构建能够覆盖多种设施、适应复杂环境、并能有效处理小样本问题的缺损检测模型,是当前研究亟待解决的问题。不同的算法在隧道设施缺损检测方面的表现与适应性存在系统差异。以YOLO系列为代表的单阶段检测器因其“端到端”的特性,在速度上具有显著优势,但在处理极小目标或严重遮挡的缺损时,其精度可能受限。而以Faster R-CNN为代表的两阶段检测器通过区域提议机制可实现更高的定位与识别精度,在处理形状不规则、背景复杂的缺损时更具优势,但其计算成本较高,更适合实时性要求不高的后期详查阶段。但是无论单阶段算法还是两阶段算法,其输出均为边界框,仅能提供缺损的位置与类别,无法获取其具体形状与尺寸等量化信息。因此对于需要精确量化分析的缺损检测任务,像素级的分割技术成为必要手段。

3.2 图像分割技术

图像分割的目标是为图像中的每一个像素分配一个类别标签,从而实现对缺损轮廓的精确划分^[11],如图13所示。目前广泛使用的是语义分割算法,如全卷积网络(FCN)^[113]、U形网络(U-network, UNet)^[114]、深度卷积网络(deep convolution network, DeepLab)^[115]、分割网络(segmentation network, SegNet)^[116]等。语义分割模型普遍采用编码器-解码器架构,编码器通常基于成熟的卷积神经网络,通过逐层下采样来捕获由浅入深的多尺度层级化语义特征,但此过程会牺牲空间分辨率。而解码器则负责将编码器输出的低分辨率、强语义的特征图,通过上采样操作逐步恢复空间维度。

得益于像素级缺损轮廓划分能力,语义分割算法被广泛应用于工程缺损检测。Haltakov等^[117]针对交通信号灯检测,利用语义分割算法生成候选区域,结合几何和颜色分类,实现了白天和夜晚信号灯检测。Lee等^[118]基于改进的SegNet模型对裂缝进行检测,在此基础上对裂缝宽度进行了预测,借助其提出的形状敏感核函数,预测精度比传统语义分割模型精确1或2个像素。针对裂缝检测算法实现复杂、泛化能力弱、像素精度低等问题,Zhang等^[119]基于UNet模型进行改进,用于自动像素级裂纹检测,研究了数据集大小和模型深度对训练时间、检测精度和速度的影响,提高了检测算法的鲁棒性和泛化能力。Chen等^[120]引入轻量级语义分割模型高效残差分解网络(efficient residual factorized network, ERFNet)和注意力机制,有效解决了车道线检测中正负样本不平衡的问题,实现了恶劣环境下道路标志和车道线的精准检测。针对混凝土桥梁病害图像语义分割时存在的精度不足、移动端设备计算能力不足等问题,黄彩萍等^[121]通过构建多种语义分割模型对混凝土桥梁病害图像进行分割,并引入不同注意力机制进行多角度对比,找到了不同需求下的最佳模型。郭强等^[122]基于高分辨率网络模型(high-resolution net version 2, HRNetV2),结合迁移学习及坐标注意力机制提出了一种高寒区隧道衬砌冻害检测方法,平均交并比可达89.25%。

实例分割相比语义分割更进一步,其核心目标是在像素级别同时完成物体的检测、分割与区分,即不仅识别像素类别,还需区分同一缺损类别的不同实例。Mask R-CNN是目前实例分割中的主流模型,如廖延娜等^[123]针对桥面道路裂缝检测问题提出了改进的Mask R-CNN算法,通过加入语义增强模块并对裂缝形态进行分类,提高了道路裂缝病害检测的精确度。针对传统夜间车辆检测存在的检测精度低、实时性差等问题,柳杰等^[94]提出Mask R-CNN-NVD算法,通过添加注意力机制模块、分组卷积、使用双向融合FPN网络等方法,提升了夜间车辆检测精度。王步云等^[124]提出了融合点云与全景影像的路侧多目标识别方法,采用Mask R-CNN网络对全景影像进行实例分割,充分利用了点云数据中的空间几何信息和全景影像中的语义信息,有效提升了车辆、垃圾桶和杆状交通设施等目标识别准确率。王健等^[125]将激光点云数据和改进Mask R-CNN相结合,实现了盾构隧道渗漏水病害的快速检测。

综合来看,缺损分割技术通过提供像素级的精细轮廓,极大提升了缺损量化精度,为缺损评估奠定了基础。对比语义分割与实例分割的特点可以发现,语义分割更适用于大面积、连通的缺损区域,例如评估隧道衬砌表面渗水的总面积。而实例分割则适用于多个独立、离散缺损的个体识别、计数和跟踪,如隧道缺损灯具的严重程度。但分割技术需要高质量像素级数据,标注成本高、计算量大、效率较低,将其全面应用于隧道附属设施缺损检测仍面临严峻挑战。

4 隧道智能检测的挑战与发展方向

目前,隧道附属设施智能检测的相关技术已取得长足进步,但实现完全可靠、高效的智能化检测仍面临诸多技术挑战,仍存在研究空白和探索可能。

4.1 挑战与应用难点

当前隧道附属设施的智能检测设备及技术主要存在以下缺点和不足。

(1)现有中外检测设备及技术主要聚焦于低速条件下隧道衬砌病害识别或道路交通设施识别,难以应对隧道内行车速度下的高速动态巡检需求。高速行驶引发的光照快速变化、图像运动模糊等动态伪影,导致现有识别模型精度骤降。因此,针对高速行车工况,研发集高质量数据采集、高速数据传输与边缘智能处理能力于一体的车载隧道智能检测设备,构建隧道附属设施的目标识别模型、缺损检测模型,是当前亟待突破的难点之一。

(2)当前掣肘隧道附属设施识别研究的主要原因之一是标准化公共数据集的缺乏。目前交通领域的公共数据集大多针对自动驾驶或隧道衬砌病害研究,与隧道附属设施识别研究并不适配,这限制了模型的训练效果。因此,构建一个包含多样化隧道场景、设施类型、缺损形态的标准化数据集是推动隧道附属设施智能检测研究的重要手段。

(3)深度学习模型在隧道场景应用中仍面临挑战。首先,在真实的缺损数据集中,缺损样本的数量远少于正常样本,严重的类别不平衡问题对模型训练造成干扰,致使模型倾向于将所有区域都预测为正常。其次,不同隧道在光照条件、设施型号等方面存在差异,当将训练好的模型部署到新隧道时,其识别性能往往出现显著下降,反映出模型的跨场景泛化能力亟待提升。

4.2 未来发展方向

针对上述挑战,未来隧道设施智能检测技术研究不应仅停留在模型精度提升,而应聚焦于以下具体技术路径,以解决实际工程应用中的鲁棒性、泛化性与实用性问题。

(1)研发面向高速动态场景的一体化智能检测设备,实现隧道附属设施自动化识别与评估。在硬件层面,采用具备高动态范围的高帧率全局快门相机,配合高速同步的脉冲式发光二极管阵列,抑制光照不均及运动模糊;集成高频率激光雷达,用于提供对动态模糊不敏感的三维空间信息,进而与视觉信息在数据层面形成互补和冗余;同时硬件需满足车载振动、隧道粉尘与电磁干扰等工程可靠性标准。在算法层面,构建隧道附属设施的目标识别及缺损检测模型,使用高速工况下的真实-合成数据训练模型,增强其对运动模糊、光照不均的鲁棒性。在计算层面,在车载平台部署异构边缘计算单元,实现对多传感器数据的实时同步融合、SLAM定位及轻量化模型推理,实现“扫描-识别-定位”的自动化识别全流程。

(2)基于生成式AI进行数据扩充,构建能够从有限信息中进行高效推理和泛化的深度学习模型,探索更为先进的数据融合技术。在数据生成方面,重点探索基于扩散模型的高保真缺损样本生成技术,通过文本引导生成不同光照、不同纹理背景下的设施缺损样本,实现大规模、高质量的数据扩充,降低数据采集与标注成本,解决样本稀缺导致的模型过拟合和漏检问题。在模型训练方面,结合元学习中的原型网络,使模型能够仅通过少量样本即可快速适应新隧道环境下的设施识别任务,解决小样本条件下的冷启动问题。针对现有多传感器数据融合时多停留在结果层的“后融合”、难以充分利用不同模态互补性的特点,发展特征级融合架构,如构建双流神经网络,分别输入可见光图像与激光雷达的点云深度图,在网络中间层通过跨模态注意力模块进行特征交互与增强,从而在特征层面统一理解设施的纹理与三维几何信息,形成对周围环境和缺损更为鲁棒、全面的感知,提升巡检准确率和可靠性。

(3)深化深度学习算法研究,解决样本不均衡与场景迁移问题。针对缺损样本稀缺导致的误检问题,可引入代价敏感学习,通过重构损失函数加大对稀有缺损类别的惩罚权重。此外,重点探索基于异常检测的重建机制,利用正常样本训练自编码器,通过度量重构残差来识别未知设施的缺损,从而绕过类别不平衡的干扰。针对场景迁移问题,深入研究无监督领域自适应技术,利用对抗学习及最大均值差异最小化等策略,在特征提取层对齐源域和目标域的数据分布,通过最小化域间差异,迫使模型学习隧道设施的本质结构特征,而忽略背景纹理等非本质差异,使得训练好的模型能够以最小性能损失应用于不同条件下的隧道,降低模型在新环境下的再训练成本。

5 结论

随着智能传感、人工智能等信息化技术的快速发展,依托人工智能技术开展隧道附属设施检测成为隧道资产评估的有效手段。旨在系统梳理隧道附属设施智能检测的技术体系,从检测设备、目标检测方法、缺损检测算法3个方面综述了研究现状,剖析了当前技术在高速动态巡检、标准化数据构建及模型泛化等方面的不足,并展望了后续研究方向,得出如下结论。

(1)现代隧道检测系统主要分为车载移动测量系统和机器人平台两大类,其采用高分辨率可见光成像或激光扫描方法获取隧道表观形貌,进而进行隧道附属设施的检测,多传感器融合成为研发智能化隧道检测设备的重要技术。

(2)采用深度学习算法可有效处理与增强隧道采集图像,进而为后续目标检测和缺损识别提供高质量、高信噪比的输入数据。当前隧道附属设施自动识别的主流方法是基于卷积神经网络的目标检测算法:两阶段目标检测算法精度较高但速度较慢、实时性差,而单阶段检测算法虽然精度较低但速度较快,适用于实时检测领域。目前针对隧道附属设施的识别研究仍较为稀缺,可采用迁移学习及数据增强技术应对数据缺乏问题。

(3)当前隧道附属设施缺损识别研究极为稀缺,现有相关研究主要集中在隧道衬砌病害、路面裂缝、交通标识缺损等方向。对于需要精确定量评估的缺损,可采用语义分割算法、实例分割算法等图像分割技术实现缺损轮廓的像素级分割,以获取其形态、尺寸等具体特征。

(4)隧道附属设施智能检测设备及技术主要存在以下挑战:现有设备难以应对隧道内行车速度下的高速动态巡检需求,对于隧道附属设施的识别研究较为稀缺;缺乏标准化公共数据集;现有模型鲁棒性与泛化能力不足。未来发展方向包含:研发面向高速动态场景的一体化智能检测设备,实现隧道附属设施自动化识别与评估;基于生成式AI进行数据扩充,构建能够从有限信息中进行高效推理和泛化的深度学习模型,探索更为先进的数据融合技术;深化深度学习算法研究,解决样本不均衡与场景迁移问题。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	交通运输部. 2024年交通运输行业发展统计公报[EB/OL]. (2025-06-12)[2026-02-10]. https://xxgk.mot.gov.cn/2020/jigou/zhghs/202506/t20250610_4170228.html.

[2]	Ministry of Transport of the People’s Republic of China. 2024 statistical communiqué on the development of the transport industry[EB/OL]. (2025-06-12)[2026-02-10]. https://xxgk.mot.gov.cn/2020/jigou/zhghs/202506/t20250610_4170228.html.

[3]	交通运输部. 交通运输部关于印发《交通运输领域新型基础设施建设行动方案(2021-2025年)》的通知:交规划发〔2021〕82号[EB/OL]. (2021-09-23)[2026-02-10]. https://xxgk.mot.gov.cn/2020/jigou/zhghs/202109/t20210923_3619709.html.

[4]	Ministry of Transport of the People’s Republic of China. Notice on issuing the action plan for new infrastructure construction in the transport sector (2021-2025): Jiao Gui Hua Fa〔2021〕 No. 82[EB/OL]. (2021-09-23)[2026-02-10]. https://xxgk.mot.gov.cn/2020/jigou/zhghs/202109/t20210923_3619709.html.

[5]	交通运输部, 科学技术部. 交通运输部科学技术部关于印发《交通领域科技创新中长期发展规划纲要(2021-2035年)》的通知:交科技发〔2022〕11号[EB/OL]. (2022-01-24)[2026-02-10]. https://www.gov.cn/zhengce/zhengceku/2022-04/06/content_5683595.htm.

[6]

Ministry of Transport of the People’s Republic of China, Ministry of Science and Technology of the People’s Republic of China. Notice on issuing the medium-and long-term development plan for science and technology innovation in the transport sector (2021-2035): Jiao Ke Ji Fa〔2022〕 No.11[EB/OL]. (2022-01-24)[2026-02-10]. https://www.gov.cn/zhengce/zhengceku/2022-04/06/content_5683595.htm.

[7]	冯励凡, 姜文婷, 单浩然. 城市道路隧道附属设施(地下设备用房)布置研究[J]. 隧道建设(中英文), 2019, 39(S2): 242-252.

[8]	Feng Lifan, Jiang Wenting, Shan Haoran. Study on layout of urban road tunnel facilities (underground equipment room)[J]. Tunnel Construction, 2019, 39(S2): 242-252.

[9]	薛亚东, 高健, 李宜城, 等. 基于深度学习的地铁隧道衬砌病害检测模型优化[J]. 湖南大学学报(自然科学版), 2020, 47(7): 137-146.

[10]	Xue Yadong, Gao Jian, Li Yicheng, et al. Optimization of shield tunnel lining defect detection model based on deep learning[J]. Journal of Hunan University (Natural Sciences Edition), 2020, 47(7): 137-146.

[11]	刘德军, 仲飞, 黄宏伟, 等. 运营隧道衬砌病害诊治的现状与发展[J]. 中国公路学报, 2021, 34(11): 178-199.

[12]	Liu Dejun, Zhong Fei, Huang Hongwei, et al. Present status and development trend of diagnosis and treatment of tunnel lining diseases[J]. China Journal of Highway and Transport, 2021, 34(11): 178-199.

[13]	任松, 朱倩雯, 涂歆玥, 等. 基于深度学习的公路隧道衬砌病害识别方法[J]. 浙江大学学报(工学版), 2022, 56(1): 92-99.

[14]	Ren Song, Zhu Qianwen, Tu Xinyue, et al. Lining disease identification of highway tunnel based on deep learning[J]. Journal of Zhejiang University (Engineering Science Edition), 2022, 56(1): 92-99.

[15]	Wang B, He N, Xu F, et al. Visual detection method of tunnel water leakage diseases based on feature enhancement learning[J]. Tunnelling and Underground Space Technology, 2024, 153:106009.

[16]	Xu H, Wang M, Liu C, et al. Automatic detection of tunnel lining crack based on mobile image acquisition system and deep learning ensemble model[J]. Tunnelling and Underground Space Technology, 2024, 154: 106124.

[17]	尹冠生, 高建国, 史明辉, 等. 图像分块下的隧道裂缝识别方法[J]. 交通运输工程学报, 2022, 22(2): 148-159.

[18]	Yin Guansheng, Gao Jianguo, Shi Minghui, et al. Tunnel crack recognition method under image block[J]. Journal of Traffic and Transportation Engineering, 2022, 22(2): 148-159.

[19]	谭远鑫, 呙润华, 施鹏程. 基于车载式激光雷达的隧道变形动态巡检技术研究[J]. 城市轨道交通研究, 2024, 27(6): 276-280, 285.

[20]	Tan Yuanxin, Guo Runhua, Shi Pengcheng. Dynamic inspection technology of tunnel deformation based on onboard LIDAR[J]. Urban Mass Transit, 2024, 27(6): 276-280, 285.

[21]	初秀民, 严新平, 郝静. 多功能高等级公路路况数据自动采集车设计[J]. 武汉理工大学学报(交通科学与工程版), 2007(3): 438-441.

[22]	Chu Xiumin, Yan Xinping, Hao Jing. Design of multi-functional automatic data acquisition vehicle for high-grade highway conditions[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering Edition), 2007(3): 438-441.

[23]	张智, 王銮学. 多功能道路综合检测车的应用[J]. 施工技术, 2011, 40(S1): 204-207.

[24]	Zhang Zhi, Wang Luanxue. Application of multifunctional comprehensive traffic inspection car[J]. Construction Technology, 2011, 40(S1): 204-207.

[25]	胡忠林, 齐英杰, 白璐. 国外公路路面、隧道检测车发展概况[J]. 林业机械与木工设备, 2016, 44(5): 4-7.

[26]	Hu Zhonglin, Qi Yingjie, Bai Lu. Development survey of highway pavement and tunnel inspection vehicles in foreign countries[J]. Forestry Machinery & Woodworking Equipment, 2016, 44(5): 4-7.

[27]	朱洁, 李莉, 雷谦荣, 等. 路面三维检测技术及设备综述[J]. 公路交通科技(应用技术版), 2019, 15(11): 30-33.

[28]	Zhu Jie, Li Li, Lei Qianrong, et al. A review of 3D pavement inspection technology and equipment[J]. Journal of Highway and Transportation Research and Development(Application Technology Edition), 2019, 15(11): 30-33.

[29]	Huang H, Sun Y, Xue Y, et al. Inspection equipment study forsubway tunnel defects by grey-scale image processing[J]. Advanced Engineering Informatics, 2017, 32: 188-201.

[30]	王国珲, 钱克矛. 线阵相机标定方法综述[J]. 光学学报, 2020, 40(1): 181-193.

[31]	Wang Guohui, Qian Kemao. Review of line-scan camera calibration methods[J]. Acta Optica Sinica, 2020, 40(1): 181-193.

[32]	付春双. 基于机器视觉的地铁隧道表面裂缝及渗水检测系统研究[D]. 成都: 西南交通大学, 2023.

[33]	Fu Chunshuang. Research on the surface crack and leakage detection system of subway tunnel based on machine vision[D]. Chengdu: Southwest Jiaotong University, 2023.

[34]	向阳. 基于迁移融合学习的公路隧道衬砌裂缝图像识别轻量化算法[D]. 重庆: 重庆交通大学, 2024.

[35]	Xiang Yang. A lightweight algorithm based on migration fusion learning for image recognition of road tunnel lining cracks[D]. Chongqing: Chongqing Jiaotong University, 2024.

[36]	Yu S N, Jang J H, Han C S. Auto inspection system using amobile robot for detecting concrete cracks in a tunnel[J]. Automation in Construction, 2007, 16(3): 255-261.

[37]	王建锋, 马建, 马荣贵, 等. 路面三维检测技术研究[J]. 武汉理工大学学报(交通科学与工程版), 2010, 34(6): 1202-1205.

[38]	Wang Jianfeng, Ma Jian, Ma Ronggui, et al. Research on 3D pavement inspection technology[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering Edition), 2010, 34(6): 1202-1205.

[39]	Stent S, Gherardi R, Stenger B, et al. Visual change detection on tunnel linings[J]. Machine Vision and Applications, 2014, 27(3): 319-330.

[40]	Huang H, Li Q, Zhang D. Deep learning based image recognition for crack and leakage defects of metro shield tunnel[J]. Tunnelling and Underground Space Technology, 2018, 77: 166-176.

[41]	Li D, Xie Q, Gong X, et al. Automatic defect detection of metro tunnel surfaces using a vision-based inspection system[J]. Advanced Engineering Informatics, 2021, 47: 101206.

[42]	石波, 王慧超, 杨晓磊, 等. 基于线阵相机/扫描仪的轨交隧道病害检测系统设计实现[J]. 电子测量与仪器学报, 2024, 38(6): 181-194.

[43]	Shi Bo, Wang Huichao, Yang Xiaolei, et al. Design and implementation of rail crossing tunnel disease detection system combined with linear array camera/scanner[J]. Journal of Electronic Mea-surement and Instrumentation, 2024, 38(6): 181-194.

[44]	史玉峰, 张俊, 张迎亚. 基于地面三维激光扫描技术的隧道安全监测[J]. 东南大学学报(自然科学版), 2013, 43(S2): 246-249.

[45]	Shi Yufeng, Zhang Jun, Zhang Yingya. Tunnel safety monitoring based on terrestrial laser scanning technology[J]. Journal of Southeast University (Natural Science Edition), 2013, 43(S2): 246-249.

[46]	刘永锋, 李翅, 黄兵杰, 等. 移动三维激光扫描轨检小车在地铁盾构隧道椭圆度检测中的应用[J]. 城市勘测, 2020(6): 119-122.

[47]	Liu Yongfeng, Li Chi, Huang Bingjie, et al. Application of mobile 3D laser scanning rail inspection vehicle in ellipticity detection of metro shield tunnels[J]. Urban Geotechnical Investigation & Surveying, 2020(6): 119-122.

[48]	李勇兵, 高成明, 马盈盈, 等. 三维激光扫描技术在隧道变形监测及检测中的应用[J]. 科学技术与工程, 2021, 21(12): 5111-5117.

[49]	Li Yongbing, Gao Chengming, Ma Yingying, et al. Application of 3D laser scanning technology in deformation monitoring and detection of tunnel[J]. Science Technology and Engineering, 2021, 21(12): 5111-5117.

[50]	蒋宇静, 张学朋. 隧道衬砌自动化检测及健康评价技术研究[J]. 隧道建设(中英文), 2021, 41(3): 341-348.

[51]	Jiang Yujing, Zhang Xuepeng. Research on automatic detection and health assessment of tunnel lining[J]. Tunnel Construction, 2021, 41(3): 341-348.

[52]	卢晨, 汪魁, 石一超, 等. 基于三维激光扫描技术的隧道断面变形检测[J]. 科学技术与工程, 2025, 25(24): 10459-10467.

[53]	Lu Chen, Wang Kui, Shi Yichao, et al. Tunnel cross-section deformation detection based on 3D laser scanning technology[J]. Science Technology and Engineering, 2025, 25(24): 10459-10467.

[54]	Jeong S, Kim M G, Kim S T, et al. Crack inspection in tunnel structures by fusing information from a 3D light detection and ranging and pantilt-zoom camera system[J]. Structures, 2023, 58: 105420.

[55]	Menendez E, Victores J G, Montero R, et al. Tunnel structural inspection and assessment using an autonomous robotic system[J]. Automation in Construction, 2018, 87: 117-126.

[56]	Ai Q, Yuan Y. Rapid acquisition and identification of structural defects of metro tunnel[J]. Sensors, 2019, 19(19): 4278.

[57]	Nakamura S, Yamashita A, Inoue F, et al. Inspection test of a tunnel with an inspection vehicle for tunnel lining concrete[J]. Journal of Robotics and Mechatronics, 2019, 31(6): 762-771.

[58]	Yasuda T, Yamamoto H, Enomoto M, et al. Smart tunnel inspection and assessment using mobile inspection vehicle, non-contact radar and AI[C]// 37th International Symposium on Automation and Robotics in Construction. Kitakyushu: IAARC Publications, 2020: 1373-1379.

[59]	Fujino Y, Siringoringo D M. Recent research and development programs for infrastructuresmaintenance, renovation and management in Japan[J]. Structure and Infrastructure Engineering, 2020, 16(1): 3-25.

[60]	黄希, 姚连璧, 杨璐璟. 基于移动激光扫描的轨道交通建筑限界一体化检测[J]. 测绘通报, 2023(3): 84-88.

[61]	Huang Xi, Yao Lianbi, Yang Lujing. Integrated detection of rail transit building limit based on mobile laser scanning[J]. Bulletin of Surveying and Mapping, 2023(3): 84-88.

[62]	Liao J, Yue Y, Zhang D, et al. Automatic tunnel crack inspection using an efficient mobile imaging module and a lightweight CNN[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(9): 15190-15203.

[63]	Sun H, Liu S, Zhong R, et al. Cross-section deformation analysis and visualization of shield tunnel based on mobile tunnel monitoring system[J]. Sensors, 2020, 20(4): 1006.

[64]	Sjölander A, Belloni V, Ravanelli R, et al. TACK-an autonomous inspection system for tunnels[C]// Proceedings of the 47th ITA-AITES World Tunnel Congress. Copenhagen: ITA-AITES, 2022: 1-9.

[65]	Shao W, Vijayarangan S, Li C, et al. Stereo visual inertial LiDAR simultaneous localization and mapping[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Macau: IEEE, 2019: 370-377.

[66]	Filip I, Pyo J, Lee M, et al. Lidar SLAM comparison in a featureless tunnel environment[C]// IEEE Conference on Control, Automation and Systems (ICCAS). Busan: IEEE, 2022: 1648-1653.

[67]	权美香, 朴松昊, 李国. 视觉SLAM综述[J]. 智能系统学报, 2016, 11(6): 768-776.

[68]	Quan Meixiang, Piao Songhao, Li Guo. An overview of visual SLAM[J]. CAAI Transactions on Intelligent Systems, 2016, 11(6): 768-776.

[69]	Duan X, Hu Q, Ai M, et al. STATIC-LIO: a sliding window and terrain-assisted dynamic points removal LiDAR inertial odometry[J]. Information Fusion, 2025, 121: 103132.

[70]	Solodar D, Klein I. VIO-DualProNet: visual-inertial odometry with learning based process noise covariance[J]. Engineering Applications of Artificial Intelligence, 2024, 133: 108466.

[71]	Huang G. Visual-inertial navigation: a concise review[C]// IEEE Conference on Robotics and Automation (ICRA). Mont-real: IEEE, 2019: 9572-9582.

[72]	Lin H Y, Yeh M C. Drift-free visual SLAM for mobile robot localization by integrating UWB technology[J]. IEEE Access, 2022, 10: 93636-93645.

[73]	王石磊, 高岩, 齐法琳, 等. 铁路运营隧道检测技术综述[J]. 交通运输工程学报, 2020, 20(5): 41-57.

[74]	Wang Shilei, Gao Yan, Qi Falin, et al. Review on inspection technology of railway operation tunnels[J]. Journal of Traffic and Transportation Engineering, 2020, 20(5): 41-57.

[75]	Land E H, McCann J J. Lightness and retinex theory[J]. Journal of the Optical Society of America, 1971, 61(1): 1-11.

[76]	王浩, 张叶, 沈宏海, 等. 图像增强算法综述[J]. 中国光学, 2017, 10(4): 438-448.

[77]	Wang Hao, Zhang Ye, Shen Honghai, et al. Review of image enhancement algorithms[J]. Chinese Optics, 2017, 10(4): 438-448.

[78]	马龙, 马腾宇, 刘日升. 低光照图像增强算法综述[J]. 中国图象图形学报, 2022, 27(5): 1392-1409.

[79]	Ma Long, Ma Tengyu, Liu Risheng. The review of low-light image enhancement[J]. Journal of Image and Graphics, 2022, 27(5): 1392-1409.

[80]	Wang J, Tan W, Mu X, et al. RDGAN: retinex decomposition based adversarial learning for low-light enhancement[C]// IEEE International Conference on Multimedia and Expo (ICME). Shanghai: IEEE, 2019: 1186-1191.

[81]	Sun J, Cao W F, Xu Z B, et al. Learning a convolutional neural network for non-uniform motion blur removal[C]// IEEE Confe-rence on Computer Vision and Pattern Recognition (CVPR). Boston: IEEE, 2015: 769-777.

[82]	Nah S, Kim T H, Lee K M. Deep multi-scale convolutional neural network for dynamic scene deblurring[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE, 2017: 257-265.

[83]	Kupyn O, Budzan V, Mykhailych M, et al. DeblurGAN: blind motion deblurring using conditional adversarial networks[C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 8183-8192.

[84]	黄正源, 谢维成, 黄化入, 等. 图像运动模糊还原技术综述[J]. 计算机工程与应用, 2020, 56(24): 28-34.

[85]	Huang Zhengyuan, Xie Weicheng, Huang Huaru, et al. Overview of motion deblurring techniques for images[J]. Computer Engineering and Applications, 2020, 56(24): 28-34.

[86]	Zamir S W, Arora A, Khan S, et al. Restormer: efficient transformer for high-resolution image restoration[C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans: IEEE, 2022: 5718-5729.

[87]	Abdulkhaleq A H, El Abbadi N K, Al Hassani S A. A survey on blind de-blurring of digital image[J]. Iraqi Journal of Science, 2022: 338-352.

[88]	Cho S J, Ji S W, Hong J P, et al. Rethinking coarse-to-fine approach in single image deblurring[C]// IEEE/CVF International Conference on Computer Vision (ICCV). Montreal: IEEE, 2021: 4621-4630.

[89]	Ma Y, Kong F, Lu D, et al. An intelligent method for apparent water leakage segmentation of tunnel lining images considering motion blurs[J]. Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards, 2025, 19(4): 907-923.

[90]	李柯泉, 陈燕, 刘佳晨, 等. 基于深度学习的目标检测算法综述[J]. 计算机工程, 2022, 48(7): 1-12.

[91]	Li Kequan, Chen Yan, Liu Jiachen, et al. Survey of deep learning-based object detection algorithms[J]. Computer Engineering, 2022, 48(7): 1-12.

[92]	包晓敏, 王思琪. 基于深度学习的目标检测算法综述[J]. 传感器与微系统, 2022, 41(4): 5-9.

[93]	Bao Xiaomin, Wang Siqi. Survey of object detection algorithm based on deep learning[J]. Transducer and Microsystem Techno-logies, 2022, 41(4): 5-9.

[94]	Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Columbus: IEEE, 2014: 580-587.

[95]	Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.

[96]	Deng J, Lu Y, Lee V C S. Concrete crack detection with handwriting script interferences using faster region-based convolutional neural network[J]. Computer-Aided Civil and Infrastructure Engineering, 2020, 35(4): 373-388.

[97]	Han P, Yang X. Deep learning-enabled automatic detection of bridges for promoting transportation surveillance under different imaging conditions[J]. Journal of Advanced Transportation, 2022, 2022(1): 6932040.

[98]	汪西晨, 彭富伦, 李业勋, 等. 基于改进Faster R-CNN的红外目标检测算法[J]. 应用光学, 2024, 45(2): 346-353.

[99]	Wang Xichen, Peng Fulun, Li Yexun, et al. Infrared target detection algorithm based on improved Faster R-CNN[J]. Journal of Applied Optics, 2024, 45(2): 346-353.

[100]

崔广炎, 王艳辉, 徐杰, 等. 基于改进Faster R-CNN的隧道衬砌中离散实体目标自动检测研究[J]. 铁道学报, 2024, 46(2): 171-180.

[101]

Cui Guangyan, Wang Yanhui, Xu Jie, et al. Automatic detection of discrete entity objects in tunnel lining based on improved Faster R-CNN[J]. Journal of the China Railway Society, 2024, 46(2): 171-180.

[102]

Redmon J, Divvala S, Girshick R, et al. You only look once: unified, real-time object detection[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 779-788.

[103]

Redmon J, Farhadi A. YOLO9000: better, faster, stronger[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE, 2017: 6517-6525.

[104]

Redmon J, Farhadi A. YOLOv3:an incremental improvement[EB/OL]. (2018-04-08)[2026-02-10]. https://arxiv.org/abs/1804.02767.

[105]

Bochkovskiy A, Wang C Y, Liao H Y M. YOLOv4:optimal speed and accuracy of object detection[EB/OL]. (2020-04-23)[2026-02-10]. https://arxiv.org/abs/2004.10934.

[106]

Li C, Li L, Jiang H, et al. YOLOv6:a single-stage object detection framework for industrial applications[EB/OL]. (2022-09-07)[2026-02-10]. https://arxiv.org/abs/2209.02976.

[107]

Wang C Y, Bochkovskiy A, Liao H Y M. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Vancouver: IEEE, 2023: 7464-7475.

[108]

Hussain M. YOLO-v1 to YOLO-v8, the rise of YOLO and its complementary nature toward digital manufacturing and industrial defect detection[J]. Machines, 2023, 11(7): 677.

[109]

Wang C Y, Yeh I H, Liao H Y M. YOLOv9:learning what you want to learn using programmable gradient information[EB/OL]. (2024-02-29)[2026-02-10]. https://arxiv.org/abs/2402.13616.

[110]

Wang A, Chen H, Liu L, et al. YOLOv10:real-time end-to-end object detection[EB/OL]. (2024-05-23)[2026-02-10]. https://arxiv.org/abs/2405.14458.

[111]

Khanam R, Hussain M. YOLOv11:an overview of the key architectural enhancements[EB/OL]. (2024-10-23)[2026-02-10]. https://arxiv.org/abs/2410.17725.

[112]

Kotthapalli M, Ravipati D, Bhatia R. YOLOv1 to YOLOv11:a comprehensive survey of real-time object detection innovations and challenges[EB/OL]. (2025-08-04)[2026-02-10]. https://arxiv.org/abs/2508.02067.

[113]

Tian Y, Ye Q, Doermann D. YOLOv12:attention-centric real-time object detectors[EB/OL]. (2025-02-18)[2026-02-10]. https://arxiv.org/abs/2502.12524.

[114]

Lei M, Li S, Wu Y, et al. YOLOv13:real-time object detection with hypergraph-enhanced adaptive visual perception[EB/OL]. (2025-06-21)[2026-02-10]. https://arxiv.org/abs/2506.17733.

[115]

Wan F, Sun C, He H, et al. YOLO-LRDD: a lightweight method for road damage detection based on improved YOLOv5s[J]. EURASIP Journal on Advances in Signal Processing, 2022(1): 98.

[116]

Song W, Suandi S A. TSR-YOLO: a Chinese traffic sign recognition algorithm for intelligent vehicles in complex scenes[J]. Sensors, 2023, 23(2): 749.

[117]

彭红星, 袁畅, 柯威曳, 等. 基于改进YOLOv5的高速公路隧道车辆和人员检测[J]. 科学技术与工程, 2024, 24(6): 2453-2461.

[118]

Peng Hongxing, Yuan Chang, Ke Weiye, et al. Vehicle and personnel detection in highway tunnels based on improved YOLOv5[J]. Science Technology and Engineering, 2024, 24(6): 2453-2461.

[119]

方力涵, 张庆文, 李卫国, 等. 基于改进YOLOv5的隧道衬砌病害精确检测方法[J]. 科学技术与工程, 2025, 25(16): 6812-6820.

[120]

Fang Lihan, Zhang Qingwen, Li Weiguo, et al. Tunnel lining defects precision detection method based on improved YOLOv5[J]. Science Technology and Engineering, 2025, 25(16): 6812-6820.

[121]

鲁冠宏, 吕成顺, 田隽, 等. 改进YOLOv5的公路隧道衬砌裂缝检测[J]. 科学技术与工程, 2025, 25(7): 2997-3006.

[122]

Lu Guanhong, Lü Chengshun, Tian Juan, et al. Highway tunnel lining crack detection based on improved YOLOv5[J]. Science Technology and Engineering, 2025, 25(7): 2997-3006.

[123]

黄继鹏, 史颖欢, 高阳. 面向小目标的多尺度Faster-RCNN检测算法[J]. 计算机研究与发展, 2019, 56(2): 319-327.

[124]

Huang Jipeng, Shi Yinghuan, Gao Yang. Multi-scale Faster-RCNN algorithm for small object detection[J]. Journal of Compu-ter Research and Development, 2019, 56(2): 319-327.

[125]

Cai Z, Vasconcelos N. Cascade R-CNN: high quality object detection and instance segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 43(5): 1483-1498.

[126]

田鹏, 毛力. 改进YOLOv8的道路交通标志目标检测算法[J]. 计算机工程与应用, 2024, 60(8): 202-212.

[127]

Tian Peng, Mao Li. Improved YOLOv8 object detection algorithm for traffic sign target[J]. Computer Engineering and Applications, 2024, 60(8): 202-212.

[128]

雷帮军, 余翱, 余快. 基于YOLOv8s改进的小目标检测算法[J]. 无线电工程, 2024, 54(4): 857-870.

[129]

Lei Bangjun, Yu Ao, Yu Kuai. Small object detection algorithm based on improved YOLOv8s[J]. Radio Engineering, 2024, 54(4): 857-870.

[130]

付锦燚, 张自嘉, 孙伟, 等. 改进YOLOv8的航拍图像小目标检测算法[J]. 计算机工程与应用, 2024, 60(6): 100-109.

[131]

Fu Jinyi, Zhang Zijia, Sun Wei, et al. Improved YOLOv8 small target detection algorithm in aerial images[J]. Computer Engineering and Applications, 2024, 60(6): 100-109.

[132]

Chen J, Xu X, Jeon G, et al. WLR-net: an improved YOLO-V7 with edge constraints and attention mechanism for water leakage recognition in the tunnel[J]. IEEE Transactions on Emerging Topics in Computational Intelligence, 2024, 8(4): 3105-3116.

[133]

Zhou Z, Zhang J, Gong C. Automatic detection method of tunnel lining multi-defects via an enhanced you only look once network[J]. Computer-Aided Civil and Infrastructure Engineering, 2022, 37(6): 762-780.

[134]

柳杰, 金积德, 郑庆祥. 基于改进Mask RCNN的夜间车辆检测方法[J]. 交通信息与安全, 2023, 41(2): 59-66.

[135]

Liu Jie, Jin Jide, Zheng Qingxiang. Night vehicle detection method based on improving Mask RCNN[J]. Journal of Transport Information and Safety, 2023, 41(2): 59-66.

[136]

王云鹏, 吴琼, 宋德王, 等. 自动驾驶数据集及3D目标感知方法综述[J]. 人工智能, 2023(5): 31-47.

[137]

Wang Yunpeng, Wu Qiong, Song Dewang, et al. A survey of autonomous driving datasets and 3D object perception methods[J]. Artificial Intelligence, 2023(5): 31-47.

[138]

庄福振, 罗平, 何清, 等. 迁移学习研究进展[J]. 软件学报, 2015, 26(1): 26-39.

[139]

Zhuang Fuzhen, Luo Ping, He Qing, et al. Survey on transfer learning research[J]. Journal of Software, 2015, 26(1): 26-39.

[140]

Santoro A, Bartunov S, Botvinick M, et al. Meta-learning with memory-augmented neural networks[C]// IEEE Conference on Machine Learning. New York: PMLR, 2016: 1842-1850.

[141]

Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]// Advances in Neural Information Processing Systems 27. Montreal: Curran Associates, Inc., 2014: 2672-2680.

[142]

Zhang G, Cui K, Hung T Y, et al. Defect-GAN: high-fidelity defect synthesis for automated defect inspection[C]// IEEE Winter Conference on Applications of Computer Vision (WACV). Waikoloa: IEEE, 2021: 2523-2533.

[143]

刘颖, 雷研博, 范九伦, 等. 基于小样本学习的图像分类技术综述[J]. 自动化学报, 2021, 47(2): 297-315.

[144]

Liu Ying, Lei Yanbo, Fan Jiulun, et al. Survey on image classification technology based on small sample learning[J]. Acta Automatica Sinica, 2021, 47(2): 297-315.

[145]

周中, 闫龙宾, 张俊杰, 等. 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[J]. 土木工程学报, 2022, 55(S2): 38-48.

[146]

Zhou Zhong, Yan Longbin, Zhang Junjie, et al. Review and prospect of intelligent identification of apparent diseases in highway tunnels based on deep learning[J]. China Civil Engineering Journal, 2022, 55(S2): 38-48.

[147]

Zhao G, Wang T, Ye J. Anisotropic clustering on surfaces for crack extraction[J]. Machine Vision and Applications, 2015, 26(5): 675-688.

[148]

Cha Y, Choi W, Suh G, et al. Autonomous structural visual inspection using region-based deep learning for detecting multiple damage types[J]. Computer-Aided Civil and Infrastructure Engineering, 2018, 33(9): 731-747.

[149]

Maeda H, Sekimoto Y, Seto T, et al. Road damage detection and classification using deep neural networks with smartphone images[J]. Computer-Aided Civil and Infrastructure Engineering, 2018, 33(12): 1127-1141.

[150]

Xue Y, Li Y. A fast detection method via region-based fully convolutional neural networks for shield tunnel lining defects[J]. Computer-Aided Civil and Infrastructure Engineering, 2018, 33(8): 638-654.

[151]

程汪刘, 任仰勋, 倪修峰, 等. 基于改进Cascade R-CNN网络模型的防振锤缺陷识别[J]. 安徽大学学报(自然科学版), 2022, 46(5): 64-70.

[152]

Cheng Wangliu, Ren Yangxun, Ni Xiufeng, et al. Defect recognition of vibration dampers based on improved Cascade R-CNN network model[J]. Journal of Anhui University (Natural Science Edition), 2022, 46(5): 64-70.

[153]

刘晓磊, 吴国群, 阚哲. 基于深度学习的煤矿钢丝绳缺损检测方法研究[J]. 煤炭工程, 2023, 55(11): 148-153.

[154]

Liu Xiaolei, Wu Guoqun, Kan Zhe. Research on defect detection method of coal mine wire rope based on deep learning[J]. Coal Engineering, 2023, 55(11): 148-153.

[155]

邱军富. 道路交通标识的缺损检测算法研究[D]. 南京: 东南大学, 2023.

[156]

Qiu Junfu. Research on defect detection algorithm of road traffic sign[D]. Nanjing: Southeast University, 2023.

[157]

Acikgoz H, Korkmaz D. MSRConvNet: classification of railway track defects using multi-scale residual convolutional neural network[J]. Engineering Applications of Artificial Intelligence, 2023, 121: 105965.

[158]

苟军年, 杜愫愫, 王世铎, 等. 轻量化特征融合的CenterNet输电线路绝缘子自爆缺陷检测[J]. 北京航空航天大学学报, 2024, 50(7): 2161-2171.

[159]

Gou Junnian, Du Susu, Wang Shiduo, et al. Insulator self-explosion detection in transmission line based on CenterNet fusing lightweight features[J]. Journal of Beijing University of Aeronautics and Astronautics, 2024, 50(7): 2161-2171.

[160]

山西省智慧交通实验室有限公司,同济大学. 一种隧道可视化设施识别系统及其存储介质: 202510440388.5[P]. 2025-07-25.

[161]

Shanxi Intelligent Transportation Laboratory Co., Ltd., Tongji University. A tunnel visual facility identification system and its storage medium: 202510440388.5[P]. 2025-07-25.

[162]

Yun H, Park D. Efficient object detection based on masking semantic segmentation region for lightweight embedded processors[J]. Sensors, 2022, 22(22): 8890.

[163]

Long J, Shelhamer E, Darrell T, et al. Fully convolutional networks for semantic segmentation[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston: IEEE, 2015: 3431-3440.

[164]

Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation[M]// Navab N, Hornegger J, Wells W M, et al. Medical Image Computingand Computer-assisted Intervention. Cham: Springer International Publishing, 2015.

[165]

Chen L C, Papandreou G, Kokkinos I, et al. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834-848.

[166]

Badrinarayanan V, Kendall A, Cipolla R. SegNet: a deep convo-lutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495.

[167]

Haltakov V, Mayr J, Unger C, et al. Semantic segmentation based traffic light detection at day and at night[M]// Gall J, Gehler P, Leibe B. Pattern Recognition: Vol. 9358. Cham:Springer International Publishing, 2015.

[168]

Lee J S, Hwang S H, Choi I Y, et al. Estimation of crack width based on shape-sensitive kernels and semantic segmentation[J]. Structural Control and Health Monitoring, 2020, 27: e2504.

[169]

Zhang L, Shen J, Zhu B. A research on an improved unet-based concrete crack detection algorithm[J]. Structural Health Monitoring, 2021, 20(4): 1864-1879.

[170]

Chen T, Chen A. Road sign recognition method based on segmentation and attention mechanism[J]. Mobile Information Systems, 2022, 2022: 1-11.

[171]

黄彩萍, 余子行, 李辉. 融合注意力机制的混凝土桥梁多类病害语义分割[J]. 公路, 2024, 69(12): 414-424.

[172]

Huang Caiping, Yu Zihang, Li Hui. Semantic segmentation of concrete bridge multiple defects combined with attention mechanism[J]. Highway, 2024, 69(12): 414-424.

[173]

郭强, 车博文, 包卫星, 等. 基于改进HRNetV2的高寒区隧道衬砌冻害检测方法[J]. 科学技术与工程, 2024, 24(25): 10956-10963.

[174]

Guo Qiang, Che Bowen, Bao Weixing, et al. Freezing damage detection method of tunnel lining in cold regions based on improved HRNetV2[J]. Science Technology and Engineering, 2024, 24(25): 10956-10963.

[175]

廖延娜, 豆丹阳. 基于Mask RCNN的桥梁裂缝检测方法设计及研究[J]. 应用光学, 2022, 43(1): 100-105, 118.

[176]

Liao Yanna, Dou Danyang. Design and research of bridge cracks detection method based on Mask RCNN[J]. Journal of Applied Optics, 2022, 43(1): 100-105, 118.

[177]

王步云, 李宏伟, 赵姗. 融合点云与全景影像的路侧多目标识别[J]. 测绘通报, 2023(10): 40-46.

[178]

Wang Buyun, Li Hongwei, Zhao Shan. Road side multi-object recognition by integrating point cloud and panoramic image[J]. Bulletin of Surveying and Mapping, 2023(10): 40-46.

[179]

王健, 郑理科, 吴斌杰, 等. 改进Mask RCNN的盾构隧道渗漏水检测方法[J]. 测绘通报, 2024(2): 170-177.

[180]

Wang Jian, Zheng Like, Wu Binjie, et al. Improved Mask RCNN method for shield tunnel leakage detection[J]. Bulletin of Surveying and Mapping, 2024(2): 170-177.

基金资助

山西省智慧交通实验室重点课题(2024-ITLOP-TJ-03)

山西省科技重大专项计划“揭榜挂帅”项目(202201150401020)

山西交通控股集团有限公司科技项目(23-JKKJ-21)

PDF (20222KB)

访问

被引

详细

导航

Received	Published	Revised
2026-03-09	2026-10-28	2026-07-21
Online Date
2026-11-10

摘要