基于轻量级多模态大型语言模型（LLM）的双智能体协作系统，用于隧道基础设施中可靠的缺陷检测与维护建议

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Lightweight Multimodal LLM-empowered Dual-Agent Collaboration for Reliable Defect Detection and Maintenance Recommendation in Tunnel Infrastructure

准确识别隧道缺陷并制定符合标准的维护建议对城市地下空间可持续发展至关重要。本文提出轻量级多模态LLM双代理协作框架，通过模块化分离视觉检测（Qwen2.5-VL-7B）与合规推理（LightRAG增强代理），结合4位量化训练和消费级GPU部署，在8,928张上海隧道图像测试中，ROUGE-1达0.8342，语义相似度0.9830，较基线模型提升显著，同时将LLM幻象风险降低75%。

　　随着全球城市化进程的加快，地下基础设施在现代社会中扮演着越来越重要的角色。城市地下空间的开发不仅关乎交通网络的完善，还直接关系到城市的可持续发展。然而，随着城市人口密度的增加和环境不确定性因素的上升，地下基础设施面临着日益严峻的运行挑战。因此，提升隧道等地下设施的韧性，确保其在各种外部扰动下的稳定性和适应性，已成为现代城市建设中的一项重要课题。

隧道韧性通常被定义为系统在面对物理或功能性干扰时，能够承受、适应并恢复的能力。这一概念不仅体现了基础设施在运行阶段的可靠性，还强调了其在长期使用中的可持续性。当前，许多研究聚焦于如何提高隧道结构的稳定性和使用寿命，但这些研究往往局限于对隧道缺陷的识别和评估，缺乏对维护决策的系统化支持。尤其是在实际应用中，如何将缺陷识别结果转化为符合国家或行业标准的维护建议，仍然是一个亟待解决的问题。

传统的隧道检测方法主要依赖于人工视觉评估和传感器测量，这些方法虽然在一定程度上能够提供隧道结构状态的信息，但存在诸多局限性。首先，人工检测过程需要大量人力投入，耗时且容易受到主观因素的影响，导致评估结果的不一致。其次，地下环境本身具有一定的危险性，部分区域难以进入，加之光照条件的不确定性，进一步增加了人工检测的难度和风险。此外，传统的检测手段通常缺乏对复杂环境的适应能力，难以应对不同类型的隧道结构和不断变化的维护标准。

为了解决上述问题，近年来，研究人员开始探索将人工智能技术应用于隧道检测与维护决策中。特别是随着机器学习和概率工具（如贝叶斯网络、强化学习）的发展，AI在隧道缺陷识别和可靠性分析中的应用逐渐增多。然而，尽管AI技术在提高检测效率方面取得了一定进展，现有的轻量级模型和嵌入式系统仍然存在显著的不足。这些不足主要体现在三个方面：首先，当前的模型在语义理解方面较为有限，难以对隧道缺陷进行深层次的分析；其次，模型的可解释性较差，使得其在实际应用中缺乏透明度和可信度；第三，模型在生成符合标准的维护建议方面存在困难，无法有效支持实际工程中的决策过程。

为应对这些挑战，本文提出了一种基于多模态大语言模型（LLM）的双智能体协作框架，用于隧道基础设施的维护。该框架具有三个核心创新点，旨在弥补现有研究的不足。第一，检测与推理的模块化解耦。我们明确地将视觉缺陷识别（通过一个微调后的Qwen2.5-VL-7B视觉语言模型）与符合法规的维护推理（通过一个增强的LightRAG智能体）分离，解决了端到端系统在可解释性和可追溯性方面的局限。第二，高效训练与轻量级部署。通过采用4位量化（Unsloth框架）和LoRA技术，我们实现了对7B参数模型的低成本微调，每轮训练成本仅为约5美元（使用Google Colab Pro+）。此外，该框架能够在消费级GPU（如NVIDIA RTX 4050）上实现实时运行，避免了对高端专用硬件的依赖。第三，基于LightRAG的标准合规推理。维护智能体整合了基于条款的知识图谱和混合向量-图检索机制，确保生成的维护建议严格遵循国家或地区标准（如JT/T 790-2023），并有效降低了大语言模型的幻觉风险。

该双智能体设计不仅提升了隧道的运行韧性，还实现了可解释、可扩展和合规驱动的维护模式。通过在上海市的8,928张隧道图像上进行实验验证，该框架在多个评估指标上均优于基线模型，包括ROUGE-1（0.8342）、ROUGE-2（0.7389）、BLEU（0.68）和语义相似度（0.9830）等指标。这些结果表明，该框架在提高隧道缺陷识别精度和生成符合标准的维护建议方面具有显著优势。

在实际应用中，隧道维护决策不仅需要准确识别结构缺陷，还需要结合相关法规和标准，确保建议的合法性和可行性。然而，目前许多基于AI的检测系统在生成维护建议时，往往缺乏对法规条款的深入理解，导致建议的合规性不足。此外，由于模型训练和部署成本较高，许多先进的AI系统难以在实际工程中广泛应用。为了解决这些问题，本文提出的双智能体框架通过模块化设计和轻量级部署策略，使得AI技术能够在实际工程中发挥更大的作用。

本文的研究框架主要由两个智能体组成：检测智能体（Inspector）和维护智能体（Maintainer）。检测智能体负责处理隧道检测图像，生成结构化的缺陷评估报告。这些报告详细记录了每个检测到的缺陷类型、描述性特征和定量信息，为后续的维护决策提供了坚实的数据基础。维护智能体则基于LightRAG模块，结合条款级知识图谱和混合向量-图检索机制，确保生成的维护建议严格遵循国家或地区标准。这种设计不仅提高了模型的可解释性，还增强了其在实际工程中的应用价值。

此外，本文提出的框架在训练和部署成本方面也具有显著优势。通过采用4位量化和LoRA技术，模型的训练成本大幅降低，使得AI技术能够被更多资源有限的工程团队所采用。同时，该框架能够在消费级GPU上实现实时运行，避免了对高端服务器的依赖，提高了系统的可访问性和可扩展性。这种低成本、高效率的部署方式，使得AI技术能够更广泛地应用于隧道维护决策中。

本文的研究不仅关注技术层面的创新，还深入探讨了该框架在实际工程中的应用价值和工程意义。通过实验验证，该框架在多个评估指标上均表现出色，证明了其在隧道缺陷识别和维护建议生成方面的有效性。同时，该框架在提高隧道运行韧性、确保其可持续发展方面也具有重要意义。通过将检测与推理模块分离，该框架实现了对不同隧道环境和维护标准的灵活适应，为未来隧道基础设施的智能化管理提供了新的思路和方法。

在未来的研究中，如何进一步提升模型的语义理解能力和可解释性，将是推动隧道维护智能化的重要方向。此外，如何将该框架应用于更广泛的基础设施领域，如桥梁、地铁等，也将是值得探索的问题。通过不断优化模型的结构和功能，以及改进知识图谱的构建方式，有望实现更高效、更智能的基础设施维护决策系统。这不仅有助于提高基础设施的安全性和可靠性，还能够为城市可持续发展提供有力支持。

总之，本文提出的双智能体协作框架，为隧道基础设施的智能化管理提供了一种新的解决方案。通过模块化设计、轻量级部署和标准合规推理，该框架在提高隧道运行韧性、确保其可持续发展方面具有显著优势。实验结果表明，该框架在多个评估指标上均优于基线模型，证明了其在实际应用中的有效性。未来，随着AI技术的不断发展和应用，该框架有望在更多领域发挥重要作用，为基础设施的智能化管理提供更加全面的支持。