基于对比边界学习的盾构隧道管节组装自动化质量检测方法

《AUTOMATION IN CONSTRUCTION》：Contrastive boundary learning for automated quality inspection of shield tunnel segment assembly

　　

• •
  提出了一种自动化方法，用于在不展开点云的情况下量化四个部分的装配质量指标。
• •
  提出了一种细粒度的语义分割网络，以提高对相邻环和部分边界的区分能力。
• •
  开发了一种3D几何检测算法，用于量化部分错位和接头宽度。
• •
  通过武汉轨道交通兴港线的实际案例研究验证了所提方法的有效性。

引言

由于盾构隧道施工具有高效性、安全性以及对周围环境的影响小[1,2]，因此被广泛应用于地下工程。在隧道施工过程中，部分装配的质量直接影响结构的安全性和长期使用性能[3]。因此，准确检测部分装配的质量至关重要。然而，当前的检测仍主要依赖于人工检查和使用简单工具[4,5]，这使得难以高效实现对结构状态的全面和客观评估[6,7]。

随着智能检测方法的进步，3D激光扫描已成为隧道检测的重要工具，因为它能够高效捕获密集的几何信息[8,9]。例如，开发了一种基于图的深度学习框架，用于从LiDAR点云中分割衬砌裂缝[10]；将因果推理应用于隧道点云分割[11]；并从激光扫描数据中检测和量化泄漏区域[12]；点云分析也被用于评估砌体剥落的严重程度[13]。尽管取得了这些进展，但部分装配质量的检测仍需要更精细的结构表示，以便明确区分各个环、部分及其接头。因此，在几何检测之前，对隧道点云进行语义分割是一个关键步骤[14]。

现有的隧道部分点云分割研究仍存在局限性。具体来说，基于规则的方法依赖于手工设置的阈值和几何假设，这使得它们容易受到复杂现场条件的影响[15]。深度学习方法提高了隧道点云分割的总体准确性[16,17]。然而，大多数研究要么将分割视为最终任务，要么主要利用分割结果来提取衬砌的整体变形情况[18]。因此，相邻环和部分之间的边界相对较少受到关注，尽管其准确性直接影响接头定位以及在局部装配检测中错位和接头宽度的测量。

另一个挑战在于检测阶段。为了降低计算成本，许多研究通过圆柱投影或展开映射将3D点云转换为2D图像[19]。虽然这简化了处理过程，但可能会改变真实的几何形状，并降低错位和接头宽度测量的准确性[20]。直接的3D方法避免了这种转换，但通常依赖于手工设计的几何规则和针对特定任务的阈值来进行组件识别[21]，这导致它们容易受到复杂现场条件的影响。此外，这些方法通常是为单个检测指标设计的。因此，本研究直接从3D点云中对环和部分进行细粒度分割，并结合语义标签来测量多个装配指标。

鉴于此，我们的研究旨在解决以下问题：如何在复杂的隧道环境中，从3D点云自动且准确地检测盾构隧道部分装配的质量？为了解决这个问题，我们提出了一种集成检测工作流程，该流程直接处理隧道点云，而无需展开点云或将其转换为图像。Seg-EdgeFormer执行分层环级和部分级分割，改善了局部几何表示、全局上下文一致性以及相邻部分之间的边界区分能力。所得的语义标签随后用于量化环内错位、环间错位、纵向接头宽度和周向接头宽度。现场实验表明，该算法的分割性能可靠，自动化结果与现场参考测量值之间的差异在毫米级别。

本文的其余部分组织如下：第2节回顾了隧道分割和检测的相关工作；第3节详细介绍了所提出的方法论，包括Seg-EdgeFormer架构和3D几何检测算法；第4节展示了实验结果和性能评估；第5节进行了关键讨论；最后，第6节总结了研究并展望了未来的研究方向。

章节摘要

相关工作

本节回顾了关于盾构隧道部分语义分割和部分装配质量检测的先前研究。

研究方法

本研究旨在基于3D点云数据开发一种隧道部分装配质量检测的集成方法。如图1所示，实施所提方法的步骤如下：（1）数据采集和处理；（2）基于Seg-EdgeFormer的部分语义分割；（3）环内和环间部分的几何质量检测。

现场测试

为了评估所提方法的性能，进行了现场测试，包括对比研究和消融研究。这些评估使用了自收集的数据集和具有代表性的盾构隧道数据集[43]（称为Seg2Tunnel）。此外，为了验证部分装配质量检测的精度，将自动化结果与人工检测进行了基准测试。

讨论

实验结果表明，所提方法在盾构隧道部分分割和装配质量检测方面是有效的。本节讨论了其方法论意义、实际意义、局限性以及未来的研究方向。

结论

本文探索了一种高精度的自动化检测方法，用于隧道部分装配质量的检测，特别针对在复杂施工环境中分割精度低和缺乏全面3D几何量化方法的关键问题。本文提出了一种增强边界的点云语义分割网络Seg-EdgeFormer，通过GFA、AS等手段有效减轻了语义歧义和特征丢失。

CRediT作者贡献声明

Keyu Chen:概念化、数据整理、调查、方法论、监督、可视化、原始起草。Yeting Zhu:概念化、调查、方法论。Yifan Lu:数据整理、形式分析、方法论、监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

作者感谢国家重点研发计划（编号2024YFC3809400）和上海SASAC企业创新发展和能力提升项目（2022020）的财政支持。

Keyu Chen|Yeting Zhu|Yifan Lu