基于无人机图像与深度学习的高原地区隧道洞门墙病害检测方法

作     者：车博文 包卫星 郭强 潘振华 卢汉青 尹严 

作者机构：新疆交通建设管理局 长安大学公路学院 

出 版 物：《土木与环境工程学报(中英文)》 (Journal of Civil and Environmental Engineering)

年 卷 期：2024年

学科分类：12[管理学] 081406[工学-桥梁与隧道工程] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 082301[工学-道路与铁道工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：新疆重大科技专项(2020A03003-7) 陕西省自然科学基础研究计划(2021JM-180) 中央高校基本科研业务费(领军人才计划)(300102211302) 

主　　题：隧道洞门墙病害 深度学习 语义分割 无人机 高原地区 

摘      要：针对修建在高原恶劣环境下的隧道洞门墙病害频发及传统人工病害检测方法效率低下、危险性高等问题，提出基于无人机图像与深度学习的高原区隧道洞门墙病害检测方法。首先使用无人机航拍采集新疆某高原地区隧道洞门墙病害图像，建立多病害语义分割数据集；随后以语义分割模型DeeplabV3+为基础，提出以MobileNetV2作为主干特征提取网络的改进模型TPDeeplabV3+，以减少模型参数；采用FocalLoss作为损失函数，以解决病害图像中的类别不平衡问题；添加CA注意力机制，以提升模型分割性能；最后提出病害量化方法。结果表明，TPDeeplabV3+在测试集上可以达到88.37%和94.93%的mIoU和mPA，模型体量压缩了88.83%；提出的病害量化方法对于病害覆盖率的绝对误差不超过0.3%，相对误差维持在7.31%以下。相比传统方法，该方法安全、准确地实现了高原恶劣环境下的隧道洞门墙智能化检测。