结合SAHI技术的ECA增强YOLO算法，用于隧道衬砌的多缺陷检测

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：ECA-enhanced YOLO integrated with SAHI for multi-defect inspection of tunnel linings

基于ECA增强的YOLOv11与SAHI策略的隧道多缺陷实例分割研究，通过构建多项目隧道数据集并采用AI辅助标注，实现裂缝、渗漏等缺陷与接缝、螺栓孔等结构部件的同步高精度分割，验证其在复杂地质场景下的鲁棒性。

　　

梁浩远|沈水龙|周安安

中国广东省汕头大学工程学院沿海城市基础设施智能建造与维护工程研究中心，汕头市，广东515063

摘要

传统的隧道缺陷人工检测方法在自动化检测的需求面前效率低下。本研究提出了一种自动化缺陷检测框架，该框架结合了高效通道注意力（ECA）增强的YOLOv11模型和切片辅助超推理（SAHI）策略（ECA-YOLO-SAHI）。该框架能够直接从无人机（UAV）获取的大量现场隧道图像中准确分割出多种缺陷类型和结构部件。通过多个实地隧道项目构建了一个新的缺陷数据集，并使用人工智能（AI）对数据集中的每张图像进行高效精确的标注。该框架实现了对缺陷（裂缝、渗漏、损坏）和结构部件（节段接头、螺栓孔）的双重关注分割，从而能够分析缺陷与结构之间的空间关系。在三个代表性隧道段上的评估显示了可靠的性能，所有缺陷类型的交并比（IoU）达到了0.7333，Dice系数为0.8303，实例级精度为0.9016，召回率为0.8786。这些结果证实了所提出框架的稳健性，为自动化隧道缺陷诊断提供了一种实用的解决方案。

引言

随着城市化的加速，城市地下空间（UUS）的开发已成为缓解交通拥堵的关键策略（Broere, 2016; Cui et al., 2021）。盾构隧道施工技术因其高效性和对地表干扰小而被广泛采用。然而，预制节段衬砌结合复杂的地质条件，给结构完整性维护带来了挑战（Huang et al., 2018b; Xu et al., 2019; Zhao et al., 2020）。此外，在长期列车荷载、运营应力和维护不足的情况下，盾构隧道容易出现裂缝、渗漏等缺陷，这威胁到结构性能和安全性（Dang et al., 2022; Liu et al., 2020; Yang et al., 2018）。因此，定期检查隧道衬砌至关重要。传统的检测方法依赖于人工观察，这需要大量的人力，效率低下，且结果往往不一致（Attard et al., 2018）。此外，由于许多盾构隧道是几十年前建造的，这些系统的老化以及日益增加的维护需求凸显了需要更高效和精确的检测方法（Montero et al., 2015）。为了解决这些挑战，人们越来越多地探索先进的检测方法。基于计算机视觉的方法应运而生，其核心思想是获取隧道衬砌的图像并利用深度学习技术自动识别表面缺陷。

例如，一些研究专注于盾构隧道中渗漏的检测与分割。Xiong et al.（2015）收集了地铁隧道的表面图像，并使用全卷积网络（FCN）分割了渗漏区域。在实例分割的基础上，Zhao et al.（2020）和Xue et al.（2022）采用了基于掩码区域的卷积神经网络（Mask R-CNN）来识别盾构隧道衬砌中的渗漏区域。同样，Tan et al.（2023）设计了一个轻量级的分割网络（LSNet）用于地铁盾构隧道的渗漏检测，显著减少了推理时间。Feng et al.（2023）采用了U-Net及其高级变体（U-Net++）来实现隧道渗漏区域的高精度分割。隧道衬砌裂缝是另一种被广泛研究的主要缺陷类型。Huang et al.（2022）结合形态学闭合操作使用Mask R-CNN来连接不连续的裂缝，提高了分割的连续性。Zhao et al.（2021）引入了一种基于PANet的方法，可以分割和测量隧道裂缝的几何尺寸（长度和宽度）。为了进一步提高精度，Zhao et al.（2023）提出了基于U-Net的混合位置通道网络（PCNet），在裂缝分割方面优于几种基线模型。在对象检测方面，Liu et al.（2023）利用SSD（单次检测多框检测器）实现了高精度的裂缝检测。Zhou et al.（2023）开发了一个基于YOLOv4的轻量级隧道裂缝检测模型，以提高检测效率，并结合数据增强策略来缓解样本稀缺问题。

除了单一类型缺陷的分析外，最近的研究还扩展到了多种缺陷类型的检测。Xue和Li（2018）以及Huang et al.（2018a）都构建了隧道图像数据集，并使用FCN网络检测盾构隧道中的渗漏和裂缝。Man et al.（2022）训练了一个基于迁移学习的ResNet模型，同时检测裂缝和渗漏。Xu et al.（2021）实现了一个训练有素的Mask R-CNN模型，能够准确分割隧道表面图像中的渗漏和剥落现象。一些研究还涵盖了其他类型的缺陷。Gao et al.（2019）提出了一种改进的FCN-RCNN混合模型，用于目标检测裂缝、渗漏和壳体剥落。Zhou et al.（2022）通过将ECA增强到YOLOv4中，检测隧道衬砌中的渗漏、裂缝和钢筋裸露。Feng et al.（2024）开发了一个基于YOLOv7的框架，能够在地铁隧道中高精度地检测渗漏、裂缝和剥落现象。

尽管隧道缺陷检测取得了近期进展，现有方法仍存在一些局限性。大多数现有研究仅关注单一类型的缺陷，而只有少数研究尝试多缺陷检测，且往往无法在类别间实现精确的实例分割。结构部件如节段接头和螺栓孔经常被忽略，从而限制了缺陷与结构元素之间关系的分析。其次，许多模型基于相对较小且同质的数据集，这些数据集通常来自特定的隧道段，从而削弱了它们对多样化场景的泛化能力。此外，大多数现有研究依赖于仅覆盖衬砌小部分的近距离或局部隧道图像。虽然这提高了对细小缺陷的识别能力，但需要大量的图像采集和较长的检测时间，限制了对大面积缺陷（如渗漏）的可靠检测，并且无法提供足够的空间背景来直接评估其结构影响。现有方法在处理多尺度目标时存在困难，缺乏在复杂隧道环境中平衡效率和准确性的框架，限制了它们的实际应用性。

本研究的目的是提出一个自动化的隧道衬砌检测框架。该框架包括以下三个层次：（1）隧道图像采集，（2）模型设计和训练，以及（3）预测和后处理分析。本研究的关键创新如下：

• (1)
  该框架通过结合数据加权和数据增强的YOLOv11（Ultralytics, 2025）与高效通道注意力（ECA）模块（Wang et al., 2020）和切片辅助超推理（SAHI）策略（Akyon et al., 2022）来实现实例级分割。
• (2)
  从多个隧道项目中收集的无人机和手持检测图像构建了一个稳健的数据集。AI辅助的标注确保了高标注精度和效率。
• (3)
  不仅对表面损伤进行实例级分割，还对结构部件（即接头和螺栓孔）进行分割。这种双重关注的方法减少了误报，并能够进行缺陷间和缺陷与结构之间的空间分析，为隧道维护提供了可操作的信息。
• (4)
  在涵盖多样化隧道环境的多源数据上的广泛实验验证了该框架的有效性。

章节片段

模型架构

该框架分为三个层次。在第一层（1）隧道图像采集中，使用高效的采集平台（如无人机（UAV）收集大规模的隧道衬砌图像。在第二层（2）模型设计和训练中，采用YOLOv11（Ultralytics, 2025）作为主要模型，并将ECA模块（Wang et al., 2020）集成到YOLO网络中，以增强重要特征通道并抑制背景噪声

项目背景

主要案例研究聚焦于广佛环城际铁路的一个盾构隧道段，具体来说是志汇城站和龙洞站之间的段落。该段落穿过地质复杂的区域，这些区域地下水丰富且地层变化较大。图6展示了从志汇城站到龙洞站的隧道段的平面视图和地质状况。如图6所示，线路穿过中等地层

模型训练

根据第2.4节的内容，模型训练在基于云的Google Colab平台上进行，使用了配备第三代Tensor Cores的NVIDIA A100 GPU，该GPU针对深度学习工作负载进行了优化，并配备了40 GB的内存，提供了比消费级GPU更强大的计算能力。迁移学习基于Ultralytics预训练的YOLOv11m-seg模型进行，该模型针对分割任务进行了微调。为了进一步提高模型性能，还加入了ECA模块

缺陷预测

根据验证结果，尽管ECA-YOLO取得了良好的整体性能，但在宽视野隧道场景中仍无法检测到某些目标。为了克服这一限制，ECA-YOLO进一步与SAHI集成以实现精确的缺陷检测。SAHI参数一致设置为1024 × 1024的切片大小（与训练图像大小对齐）和0.2的重叠比率。为了评估ECA和SAHI的影响，比较了不同情况下的分割结果

优势与比较研究

大多数现有的基于深度学习的盾构隧道缺陷检测研究存在若干局限性。许多研究仅关注单一类型的缺陷，例如渗漏（Tan et al., 2023, Xiong et al., 2020, Zhao et al., 2020）或裂缝（Huang et al., 2022, Liu et al., 2023, Zhao et al., 2023, Zhou et al., 2023），并且一些研究依赖于来自有限隧道段的数据集，这些数据集的多样性不足，这引发了关于模型泛化能力的担忧。此外，大多数研究

结论

本研究提出了一种隧道缺陷检测框架，该框架结合了ECA增强的YOLOv11模型和SAHI策略以及定制的后处理流程。该框架能够在宽视野隧道场景中高效地分割多种缺陷类型和结构部件。本研究的主要发现如下：

(1)

通过在YOLOv11的颈部输出（P3-P5）插入ECA模块，重新校准通道重要性以抑制噪声并增强

CRediT作者贡献声明

梁浩远：撰写——原始草案、方法论、数据整理。沈水龙：撰写——审阅与编辑、监督、方法论、资金获取、概念构思。周安安：撰写——审阅与编辑、监督、调查。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究工作得到了“珠江人才招聘计划”（Grant No. 2019CX01G338）的资助。