综述：基于深度学习的计算机视觉方法在盾构隧道缺陷识别中的应用

《AUTOMATION IN CONSTRUCTION》：Deep learning-based computer vision methods for shield tunnel defect recognition

系统综述了基于深度学习的盾构隧道缺陷识别方法，涵盖数据集建立、模型开发及实践应用三个阶段，分析了现有挑战并提出未来研究方向，以促进智能化维护。

　　

薛雅东|贾飞|罗伟|张东梅|刘杰|郭永发

中国上海同济大学岩土工程系

摘要

随着大规模盾构隧道工程的快速扩展，深度学习在自动化缺陷识别方面的研究日益深入。本文全面回顾了基于深度学习的隧道缺陷识别方法的最新研究成果，这些研究主要分为三个关键阶段：数据集构建、模型开发以及实际应用。首先详细介绍了从各种检测设备获取的隧道衬砌图像的采集与预处理过程，随后建立了缺陷数据集。接着系统总结了常用的深度学习模型在缺陷识别中的应用，重点探讨了缺陷检测、语义理解和实例分割三个领域的主要创新点。基于此分析，本文指出了当前存在的问题，并提出了每个阶段未来的研究方向。本文旨在推动深度学习在隧道工程中的实际应用，为盾构隧道的预测性维护和智能化管理提供支持。

引言

作为城市轨道交通系统的重要组成部分，大量地铁隧道已经建成或正在建设中，以满足公共交通需求。随着已建成隧道运营时间的延长，由于复杂的环境因素，可能会出现各种缺陷（如裂缝、变形等），从而导致隧道使用性能下降[1]。因此，隧道结构维护逐渐成为保障运营安全和设计寿命的重要课题，其工作流程主要包含四个部分（见图1）。目前，这一流程通常依据相关标准进行，并依赖于人工维护[2]。随着土木工程健康管理理念的发展，提出了预测性维护方法，通过同时分析隧道结构的当前和未来健康状况来实现最优化的维护管理[3]。因此，隧道初期检测对于获取全面的信息至关重要，为后续工作奠定了基础。

隧道表面缺陷是反映结构健康状况的最直观指标之一，及时准确的缺陷识别对隧道维护至关重要。在当前大规模运营的隧道环境中，传统的人工检测难以满足实际工程需求[4]。近年来，受深度学习（尤其是卷积神经网络CNN）在计算机视觉任务中出色表现的启发，研究人员将动态检测过程转化为静态图像处理任务，应用于自动化缺陷识别。在土木工程领域，已有大量研究探讨了深度学习在不同影响因素（如缺陷类型、应用场景、任务类型等）下的缺陷识别能力。例如，Ai等人[5]根据建筑材料（沥青、混凝土、金属等）将不同类型的基础设施进行分类，并对基于计算机视觉的裂缝检测方法进行了全面梳理，总结了现有方法的优点与不足，并提出了未来发展方向。Zhuang等人[6]系统总结了用于裂缝检测的深度学习技术，包括数据集、算法、应用场景及面临的挑战（如隧道、道路、桥梁、水工结构等）。在地下工程应用方面，Sj?lander等人[7]介绍了常见的隧道混凝土衬砌缺陷（如裂缝、渗水问题），并基于移动测绘系统收集的数据评估了隧道检测方法。Su等人[8]探讨了深度学习在隧道工程中的应用，包括城市地铁隧道中的裂缝和渗漏检测、海底隧道的结构稳定性评估等任务。通过分析人工检测和图像处理技术的局限性，Zhou等人[9]总结了基于CNN的多种隧道表面缺陷检测方法，包括分类、目标检测和语义分割等。总体而言，这些研究从不同角度展示了深度学习技术的优势与应用潜力。然而，如表1所示，现有研究覆盖的范围较广，但在实施细节上缺乏统一的技术路径；此外，不同应用场景的特性使得难以深入、统一地分析具体问题。因此，开展针对盾构隧道缺陷识别的系统化研究，对于推动深度学习在隧道结构维护中的实际应用具有重要意义。

基于现有的基于深度学习的盾构隧道缺陷识别研究，研究工作流程如图2所示，主要包括三个阶段：数据集构建、模型开发和实际应用。本文内容安排如下：第2节详细介绍了不同缺陷识别任务的数据集构建流程；第3节系统总结了常用的深度学习模型及优化方法；第4节回顾了深度学习在各种盾构隧道缺陷识别任务中的应用与实现情况；第5节讨论了深度学习在实际隧道工程中的应用问题及未来研究方向；第6节对本文进行了总结。

章节摘要

隧道缺陷数据集的收集、处理与构建

在基于深度学习的隧道缺陷识别任务中，数据集是指包含标签的图像集合。通过将图像作为输入，深度学习模型可以通过最小化预测结果与标签之间的差异来实现自动化缺陷识别。因此，数据集对模型性能具有重要影响，本节将详细阐述数据集的构建过程。

用于隧道缺陷识别的深度学习模型概述

随着深度学习技术的快速发展以及各领域对智能化的需求增加，许多深度学习项目被开源平台（如GitHub、Gitee）托管，以便将最先进的模型（SOTA）轻松应用于其他领域。表8列出了几种用于不同识别任务的SOTA模型，后续还有大量基于这些模型的改进版本被开发出来。

基于深度学习的盾构隧道缺陷识别应用

基于构建的数据集和开发的模型，相关研究通过实验验证了“改进模型”在复杂隧道环境中实现准确、快速缺陷识别的优势。这部分内容包括模型训练曲线、消融实验、评估指标比较、识别结果可视化等。

存在的问题

根据统一的技术路径，相关研究内容分为三个部分进行回顾与分析。除了相对统一的数据集构建过程（第2节）和模型开发方法（第3节）外，第4节总结了不同研究中实施细节的关键创新点。深度学习在盾构隧道缺陷识别应用中存在的问题主要包括：

(1)

研究范围广泛且定义模糊的问题

结论

隧道检测是盾构隧道结构维护的关键步骤，深度学习已成为自动化表面缺陷识别的关键技术。针对复杂的盾构隧道环境和多种缺陷类型，已有大量研究探讨了不同深度学习模型的适用性和性能。本文对基于深度学习的盾构隧道缺陷识别技术进行了全面系统的综述。

作者贡献声明

薛雅东：验证、概念构思。贾飞：撰写初稿、方法设计。罗伟：审稿与编辑。张东梅：指导研究。刘杰：数据收集。郭永发：资源协调。

利益冲突声明

作者声明不存在可能影响本文研究的财务利益冲突或个人关系。

致谢

作者感谢国家自然科学基金（项目编号：52478412）和云南省重点领域科学技术项目（项目编号：202403AA080010）的资助。