基于目标边缘标注误差约束的隧道裂缝视觉检测方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Visual detection method for tunnel cracks based on target edge annotation error constraints

　　

• •
  提出了一种新的隧道裂缝检测模型，用于解决因裂缝边缘标注错误导致的性能下降问题。
• •
  采用高斯混合模型生成概率真值图，以此约束裂缝边缘特征的学习过程。
• •
  设计了目标边缘特征生成框架，能够在边缘概率图的约束下有效融合多层特征。
• •
  采用双任务检测框架，将边缘特征图嵌入解码过程，以提高边缘区域的分割精度。

引言

在众多的隧道结构缺陷中，由不良荷载条件引发的隧道裂缝会降低衬砌结构抵御水压和土压的能力。而裂缝的扩展还会引发诸如渗水和剥落等次生缺陷，进而危及行车安全。因此，裂缝检测、识别以及裂缝宽度测量是评估隧道结构安全性能的关键任务（Duan等人，2025b）。

据统计，对一公里长的隧道进行检测可产生超过200GB的图像数据（Huang等人，2017）。为了从海量图像数据中快速检测裂缝缺陷，早期的研究主要采用传统的图像处理方法，如边缘检测（Li等人，2019）和阈值分割（Hoang，2018），但这些方法在管道和施工接缝等复杂背景中容易产生误报。稀疏表示也被用于裂缝检测（Wang等人，2022）。相比之下，基于深度学习的视觉分析技术凭借其强大的多级特征提取能力，在裂缝检测与识别方面取得了良好效果。目前，基于深度学习的裂缝检测方法主要分为两类：物体边界框检测和像素级分割。

在物体边界框检测方法中（Deng等人，2020），研究人员提出了多种改进措施来提升裂缝检测性能，包括骨干网络优化（Zhou等人，2023）、多尺度卷积（Zhou等人，2022）、细节特征感知模块设计（Duan等人，2024）、多网络串联检测策略（Tang等人，2025）、扩张卷积（Xu等人，2023）以及动态蛇形卷积（Yang等人，2024）。然而，作为典型的细长目标，裂缝在矩形边界框内的信噪比较低，且裂缝边界框样本的多样性较高，这些因素都导致这类方法的裂缝检测与识别性能不佳，无法满足隧道结构安全评估的需求。

为确保不会遗漏任何可疑像素，一些研究人员提出使用像素级分割网络来进行裂缝检测与识别。Wang等人（Wang等人，2022）在Unet++网络中引入了扩张卷积模块，Gu等人（Gu等人，2023）则在基于CNN的网络中嵌入了空洞空间金字塔池化模块和混合注意力模块，这两种方法均提升了裂缝目标的分割精度。Tong等人（Tong等人，2023）提出将YOLO与PSPNet相结合，以提升裂缝缺陷的检测与识别性能。Wu Zhishen等人（Wu等人，2024）建立了多尺度裂缝检测与分割模型，并通过实验验证了其有效性。Duan等人（Duan等人，2025a）提出将动态蛇形卷积特征提取与YOLO-seg模型相结合，提高了复杂场景下的裂缝识别精度。尽管上述研究提出了多种网络改进策略，但这些策略本质上仍是视觉分析领域的传统方法。对于渗水（Wang等人，2024）和腐蚀等块状缺陷，这些方法的改进效果尚可。与块状缺陷相比，裂缝是一种典型的表面缺陷，具有条带状形态、低信噪比以及极其微弱的视觉特征（如图1所示）。在深度学习分割网络的训练过程中，它们面临的一个关键挑战就是样本边缘标注误差的干扰。

众所周知，深度学习分割网络的性能依赖于一定数量的高质量标注样本。但在手动标注样本的过程中，目标与背景的交界区域往往会出现标注错误。如图1所示，与渗水等块状缺陷相比，裂缝的边界像素数占总目标区域像素数的比例更高（超过20%），因此裂缝的手动标注错误率必然远高于渗水。目前的裂缝分割方法通常采用“0或1”的硬标签进行监督训练。这种机制迫使网络对那些模糊不清的区域赋予绝对确定的标签，从而导致网络训练过程中出现严重的梯度更新冲突。梯度的频繁波动使得损失函数无法收敛，最终导致裂缝分割人工智能网络的识别性能远远低于块状缺陷分割网络（如图1中的曲线对比所示）。此外，还需注意的是，由于传统的裂缝分割网络无法准确识别边缘区域的像素属性，现有方法无法有效获取裂缝宽度参数，这显然无法满足后续基于裂缝宽度参数的隧道结构安全评估需求。

为了解决硬标签学习导致的模型训练效果不佳以及裂缝宽度参数估计不准确的问题，本文提出了一种概率软标签学习方法，并基于边缘标注误差约束构建了双任务协同学习裂缝检测框架，如图2所示。该框架主要包括三个部分：

• 1)
  裂缝边缘标注误差建模：通过拟合边缘标注误差的高斯混合分布，并反向生成裂缝边缘概率真值图（CEPD-Map），从而量化裂缝边缘标注的不确定性，再将CEPD-Map作为辅助监督信号，引导整个人工智能模型关注那些不确定的边缘区域。
• 2)
  裂缝边缘特征生成网络设计：以EfficientNet-B5作为骨干网络，构建边缘特征生成网络，该网络整合了多尺度串行/并行卷积以及双向特征融合模块，用以弥补骨干网络中多次下采样操作带来的边缘信息损失，进而生成细节丰富的裂缝边缘特征图（EF-Map）。
• 3)
  基于双任务学习的裂缝检测网络训练：设计了一种CEPD-Map与EF-Map之间的距离损失函数，并通过跳过连接将EF-Map嵌入到骨干分割网络的解码层中。同时，结合交叉熵损失和交并比损失实现双分支协同训练，从而提升裂缝主区域分割的完整性以及边缘像素识别的精度，进而提高裂缝宽度测量的准确性。

章节节选

裂缝边缘标注误差分布的建模

为减轻裂缝边缘较大标注误差对模型训练的负面影响，本文在数据处理层面提出了一种统计建模方法，用于估算真实裂缝边缘的概率分布，该方法被称为裂缝边缘概率分布模型（CEPD-Model）。如图3所示，该方法以传统手动标注的裂缝边缘点为参考，利用从真实裂缝二值图中检测到的边缘点（通过融合

隧道图像数据的采集

本文采用了由汉宁轨道交通科技有限公司制造的专用隧道检测设备来采集隧道衬砌表面的图像数据。图像采集的工作场景及该设备如图12所示。该设备主要由八台区域扫描相机、八个可见光光源、一个电池模块、一个计算与存储系统以及一个轮子编码器组成。

在轮子编码器发出的触发信号控制下，这八台相机开始拍摄

研究成果的讨论

对裂缝目标进行精确的像素级标注对于确保裂缝语义分割模型的有效训练至关重要。在标注裂缝目标区域的过程中，裂缝边缘附近存在一些像素集合，其目标属性难以确定（如图24中蓝色标记区域所示）。

对于这类像素集合，现有的研究通常采用随机方法来确定这些像素的目标属性（1表示裂缝，0表示背景）。

结论

本文提出了一种基于裂缝边缘标注误差约束的新型隧道裂缝检测模型。该模型主要包括三个方面：

以手动标注的裂缝边缘为参考，采用高斯混合模型来描述裂缝边缘标注的概率可信区间。通过对近一万组裂缝边缘采样点进行统计分析，发现手动标注误差并非随机分布，而是呈现出

CRediT作者贡献声明

Baoxian Wang：撰写——审稿与编辑，撰写——初稿，验证，方法论，概念构思。Zhankui Huo：撰写——审稿与编辑，验证，方法论，概念构思。Jiewen Yang：形式分析，数据整理。Yanliang Du：监督，项目管理，资金筹集。Zhao Tan：监督，方法论。Weigang Zhao：监督，概念构思。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本文得到了中国国家重点研发计划（2022YFB2603300）、国家自然科学基金（52178293）、河北省自然科学基金（E2025210166，E2025210179）、河北省高等学校科学研究计划（CXZX2026014）、城市轨道交通数字化建造与评价技术国家工程研究中心开放课题基金（2024-ERC-022）以及河北省科学院科技计划的支持

Baoxian Wang|Zhankui Huo|Jiewen Yang|Yanliang Du|Zhao Tan|Weigang Zhao