基于YOLO v5深度网络的隧道衬砌质量评估.pdfVIP

第５０卷第１７期山西建筑Ｖｏｌ．５０Ｎｏ．１７

·６·２０２４年９月Ｓｅｐ．２０２４

ＳＨＡＮＸＩＡＲＣＨＩＴＥＣＴＵＲＥ

１０．１３７１９／ｊ．ｃｎｋｉ．１００９－６８２５．２０２４．１７．００２

ＤＯＩ：

基于ＹＯＬＯｖ５深度网络的隧道衬砌质量评估★

１１１２

杨绪祥，耿元玲，左融，王涵予

（１．云南省公路科学技术研究院，云南昆明６５００５１；２．昆明理工大学民航与航空学院，云南昆明６５０５００）

摘要：雷达无损检测技术已成为隧道衬砌状态评估特别是在复杂地质条件下非可视区域结构安全性检测方面的重要手段，

而当前隧道衬砌检测面临人工分析效率低、精度受限及人力成本高昂等难题。针对此问题引入深度学习技术，通过构建针对

性的深度学习框架，实现自动化处理雷达无损检测数据，克服传统检测手段瓶颈，提升检测速度与准确性，减少人为因素影

响。采用真实隧道检测数据集进行深度学习模型训练，实验结果表明，深度学习驱动的模型能高效识别各类衬砌缺陷，从微

小裂纹到严重结构损伤，同时显著降低误报与漏检率，体现了相较于传统技术的明显优势。该成果为隧道结构安全评估提供

了更为精确和高效的工具。

关键词：雷达无损检测；深度学习；隧道衬砌；缺陷识别；地质缺陷

中图分类号：ＴＵ９９７，Ｕ４５５．９１文献标识码：Ａ１００９－６８２５（２０２４）１７－０００６－０６

文章编号：

０引言其强大的模式识别和泛化能力，使得自动缺陷识别和分

类成为可能，而如何从海量的雷达数据中高效、准确地识

在现代化交通体系中，隧道作为关键的交通基础设

别出衬砌缺陷，成为亟待解决的关键技术问题。

施，其安全稳定直接关系到人民的生命财产安全及社会

本文探索一种结合雷达无损检测与深度学习的智能

经济的正常运行。隧道衬砌作为保护隧道结构的第一道

化隧道缺陷检测系统，实现对隧道衬砌缺陷的快速、准确

防线，承担着抵御外部荷载、保障隧道内行车安全的重要

识别与评估。杨必胜等提出一种车载探地雷达城市道路

职责。然而，隧道施工中难以避免存在质量缺陷，如衬砌

地下多目标实时探测方法，并通过城市道路ＧＰＲ数据验

背后空洞、衬砌厚度不足（不均）、衬砌混凝土疏松等。

证了方法的检测能力，证实通过ＧＰＲ数据深度学习手段

隧道质量缺陷的存在是导致隧道衬砌开裂、渗漏水等病

害出现的重要原因，且缺陷本身也是影响隧道稳定性和进行地下多目标检测的可行性，并详细介绍了地面穿透

结构安全的主要因素，给隧道正常运营带来很大的安全雷达（ＧｒｏｕｎｄＰｅｎｅｔｒａｔｉｎｇＲａｄａｒ，ＧＰＲ）在隧道衬砌检测中

［４］

隐患。上述缺陷若未被及时发现并处理，将严重影响隧的原理及优势。邓桂萍等利用ＧｐｒＭａｘ２Ｄ软件建立典

道的安全性能，甚至导致重大安全事故。因此，发展高型路基病害模型，并正演模拟获取ＧＰＲＢ－ｓｃａｎ图像数

效、准确的隧道衬砌检测技术显得尤为迫切。