基于深度学习的盾构隧道衬砌表观病害检测模型研究

摘要：

为了实现盾构隧道衬砌表面渗水、裂缝、掉块、漏泥砂等病害的快速准确识别,提出一种基于深度学习模块化设计的盾构隧道衬砌多类表观病害检测模型.该模型分为数据加载、网络结构、损失函数与后处理、训练与评估4个模块,结合SSD(Single Shot MultiBox Detector)与YOLOv4(You Only Look Once)的检测原理和数据集特点,提出采用适应度和最大可能召回率两个指标来综合评估模型先验框与数据集的匹配度.根据数据集病害标注框分布,采用K-means方法聚类得到匹配度最高的一组先验框,并考虑YOLOv4模型结构特点对SSD模型结构进行优化.结果表明,优化后的模型检测准确度达到0.623,相较于原SSD模型的0.373提高了近70%,检测速度由40 FPS提升至50 FPS,充分证明了优化模型的合理性.

关键词：盾构隧道、表观病害、深度学习、目标检测、模型优化

所属期刊栏目：60

分类号：U451+.4(隧道工程)

资助基金：中国电力工程顾问集团有限公司科研项目GSKJ2-G03-2021

在线出版日期：2023-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：67-75