薛亞東 高健 李宜城 黃宏偉

摘 ? 要：地鐵盾構(gòu)隧道襯砌病害檢測(cè)面臨的最主要問題是如何獲取高質(zhì)量的病害圖片以及如何快速、準(zhǔn)確實(shí)現(xiàn)病害檢測(cè). 基于CCD線陣相機(jī)設(shè)計(jì)制造了地鐵隧道病害檢測(cè)車，并針對(duì)上海運(yùn)營(yíng)地鐵1、2、4、7、8、10、12等線路采集了大量的襯砌圖像，通過手工標(biāo)注建立高質(zhì)量隧道病害樣本庫. 基于卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN（Faster Region-based Convolutional Neural Network），構(gòu)建了病害自動(dòng)檢測(cè)深度學(xué)習(xí)框架. 考慮到裂縫及滲漏水病害的特殊性，采用數(shù)據(jù)統(tǒng)計(jì)分析及K-means聚類算法分析其幾何特征，結(jié)合病害特征優(yōu)化VGG-16網(wǎng)絡(luò)模型中的anchor box相關(guān)參數(shù). 結(jié)果表明，修正后的模型病害檢測(cè)準(zhǔn)確度有明顯的提升（約7%），同時(shí)模型的訓(xùn)練時(shí)間減少. 經(jīng)驗(yàn)證，上述方法同樣可提高裂縫或滲漏水單一病害識(shí)別模型的準(zhǔn)確度.

關(guān)鍵詞：地鐵盾構(gòu)隧道;裂縫 ;滲漏水;深度學(xué)習(xí);病害檢測(cè)

中圖分類號(hào)：U456.3 ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A

Abstract：The main problems in the detection of shield tunnel lining defects are how to obtain high quality images of different defects and how to quickly and accurately detect the defects. A device for mobile tunnel inspection （MTI-100） was designed and manufactured based on CCD line array cameras. Using MTI-100， Shanghai Metro Lines 1， 2， 4， 7， 8， 10 and 12 were tested and a large number of lining images were obtained. These images were manually labeled to form a high quality database of lining defects samples. Based on the Faster R-CNN （Faster Region-based Convolutional Neural Network）， a deep learning framework for automatic disease detection was established. Inspired by the existing model VGG16， the CNN detection model of tunnel lining defects was established. Considering the particularity of cracks and leakage defects， statistical analysis and K-means clustering algorithm were used to analyze the geometric features， so as to optimize the related parameters of anchor box in the VGG-16 network model. The results show that the accuracy of the optimizeation is greatly improved（about 7%），and the training time is reduced. It is verified that the method can also improve the accuracy of the defect detection model of crack or leakage singly.

Key words：subway shield tunnel;crack;leakage;deep learning;defect detection

城市軌道交通是解決城市交通擁堵問題的有效方式. 截至2018年末，中國(guó)內(nèi)地共有35個(gè)城市開通城市軌道交通，總運(yùn)營(yíng)里程達(dá)5 766.6 km，排世界首位. 城市軌道交通多采用地下隧道建設(shè)方式. 由于建設(shè)條件、運(yùn)營(yíng)環(huán)境等復(fù)雜因素影響，隧道結(jié)構(gòu)，特別是管片襯砌結(jié)構(gòu)，不可避免在運(yùn)營(yíng)期間會(huì)出現(xiàn)多種病害，如：滲漏水、裂縫、掉塊、管片錯(cuò)臺(tái)、接縫張開、縱向不均勻沉降、管徑環(huán)向收斂變形等[1-2]. 其中，較為常見的兩種病害為裂縫和滲漏水. 為確保隧道結(jié)構(gòu)安全并保障地鐵正常運(yùn)營(yíng)，傳統(tǒng)隧道病害檢測(cè)方法以人工為主，主要通過人眼或簡(jiǎn)單儀器檢測(cè)[3]，雖然技術(shù)要求低，但檢測(cè)效果依賴于檢測(cè)人員的經(jīng)驗(yàn)與主觀判斷，檢測(cè)效率與可靠性均無法滿足現(xiàn)代地鐵交通發(fā)展的需求[4]. 基于相機(jī)拍攝或三維激光掃描的隧道病害檢測(cè)是發(fā)展的技術(shù)方向[5]，目前已有國(guó)內(nèi)外廠家研制出用于隧道病害檢測(cè)的專用設(shè)備，可以獲取隧道病害的圖像. 如何快速處理數(shù)量龐大的圖像數(shù)據(jù)成為亟需解決的新問題.

傳統(tǒng)的圖像處理算法，如canny算子、Otsu算法，以及專門針對(duì)裂縫病害檢測(cè)的算法[6-7]等，由于在實(shí)際應(yīng)用中多依賴于手工調(diào)節(jié)參數(shù)，因此往往效率低，周期長(zhǎng)，魯棒性差，且病害檢測(cè)準(zhǔn)確率難以滿足需要. 鑒于此，國(guó)內(nèi)外許多學(xué)者將深度學(xué)習(xí)方法應(yīng)用于病害檢測(cè). 深度學(xué)習(xí)（Deep Learning）是機(jī)器學(xué)習(xí)的一種方式，2013 年被麻省理工學(xué)院評(píng)為十大突破技術(shù)之一. 深度學(xué)習(xí)模型在隧道結(jié)構(gòu)病害檢測(cè)任務(wù)上表現(xiàn)出優(yōu)良的泛化能力和魯棒性.

2017年加拿大Cha 等[8]采用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)混凝土裂縫的識(shí)別進(jìn)行了研究，在檢測(cè)中結(jié)合滑動(dòng)窗口可以檢測(cè)任意大小的圖像，并與Canny、Sobel 兩種邊緣檢測(cè)算子進(jìn)行比較，驗(yàn)證了深度學(xué)習(xí)在混凝土裂縫識(shí)別上的優(yōu)勢(shì). 2017年黃宏偉等[9]基于全卷積網(wǎng)絡(luò)進(jìn)行盾構(gòu)隧道滲漏水病害圖像識(shí)別，可有效消除干擾物的影響. 2018年薛亞東等[10]建立隧道襯砌特征圖像分類系統(tǒng)，在現(xiàn)有的CNN模型GoogLeNet基礎(chǔ)上，改進(jìn)其inception模塊與網(wǎng)絡(luò)結(jié)構(gòu)，獲得了準(zhǔn)確率超過95%的網(wǎng)絡(luò)模型，且對(duì)背景復(fù)雜條件下的圖像處理更具魯棒性.

已有研究成果表明，采用深度學(xué)習(xí)方法實(shí)現(xiàn)隧道病害檢測(cè)相比傳統(tǒng)圖像處理方法高效且穩(wěn)定，是未來發(fā)展的方向. 但現(xiàn)有研究所采用的病害檢測(cè)模型，均未結(jié)合隧道病害的特性. 隧道結(jié)構(gòu)病害具有其顯著特征，如滲漏水有滲流效果，在重力作用下，常常會(huì)向下發(fā)展，而裂縫由于受力原因，多沿管片結(jié)構(gòu)邊緣發(fā)展. 本文基于自主研制的快速移動(dòng)式隧道掃描檢測(cè)系統(tǒng)，采集了上海地鐵1、2、4、7、8、10、12等線路區(qū)間的大量襯砌圖像，建立了裂縫及滲漏水病害樣本庫，并利用K-means聚類方法，從統(tǒng)計(jì)學(xué)上分析裂縫及滲漏水特征，基于定量分析結(jié)果對(duì)病害檢測(cè)模型及參數(shù)進(jìn)行優(yōu)化.

1 ? 病害特征

1.1 ? 樣本庫的建立

深度學(xué)習(xí)模型訓(xùn)練過程，需從特定樣本庫中提取數(shù)據(jù)信息供網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí). 深度學(xué)習(xí)中常用的幾類數(shù)據(jù)集，如Microsoft COCO、PASCAL VOC、ImageNet、SUN Database等，這些數(shù)據(jù)集均由復(fù)雜的生活場(chǎng)景中獲取，種類多，數(shù)量大，具有代表性. 然而，在隧道病害檢測(cè)領(lǐng)域，裂縫和滲漏水有其獨(dú)特的特征，且目前這一研究領(lǐng)域還未建立成熟的專屬于裂縫和滲漏水的病害數(shù)據(jù)集.

通過自主研發(fā)的基于CCD線陣相機(jī)的快速移動(dòng)式地鐵隧道結(jié)構(gòu)病害檢測(cè)系統(tǒng)（MTI），進(jìn)行隧道襯砌表面病害圖像采集. MTI系統(tǒng)如圖1所示，由6臺(tái)CCD線陣相機(jī)和12個(gè)LED光源組成，其環(huán)向掃描長(zhǎng)度可達(dá)13 m，可實(shí)現(xiàn)高精度襯砌表觀圖像連續(xù)、快速掃描. 目前為止，已針對(duì)上海市地鐵1、2、4、7、8、10、12號(hào)線等進(jìn)行了多次檢測(cè)，采集了大量的隧道襯砌灰度圖像. 采集后的圖像經(jīng)過人工裁切、標(biāo)注等一系列處理工作，構(gòu)成了深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)集.

目前整理的數(shù)據(jù)集包含4 139張圖像，每張圖像大小為3 000像素×3 724像素. 病害檢測(cè)任務(wù)中，需對(duì)樣本庫中每張圖片進(jìn)行標(biāo)注，標(biāo)注信息包括兩部分：病害類別（裂縫、滲漏水）和位置信息. 位置信息的標(biāo)定采用一個(gè)長(zhǎng)方形框（邊界框，bounding box），長(zhǎng)方形框要求完整地包含整個(gè)病害，同時(shí)要求非病害區(qū)域盡可能小. 病害邊界框采用左上角和右下角的兩個(gè)坐標(biāo)進(jìn)行標(biāo)定.

用LabelImg工具完成病害圖像標(biāo)注. 在數(shù)據(jù)集中，一張圖像可能包含多個(gè)病害的標(biāo)簽圖（ground truth）. 圖2展示了此類標(biāo)簽的部分示例. 共得到5 496組裂縫和滲漏水病害的ground truth信息，其中裂縫2 946組、滲漏水2 550組. 據(jù)經(jīng)驗(yàn)，樣本庫中的4 139張圖片，3 000張用于訓(xùn)練樣本，其余的1 139張作為測(cè)試樣本.

1.2 ? 樣本庫特征分析

隧道襯砌裂縫和滲漏水與其它類型目標(biāo)相比有其特定特征. 為分析病害特征，首先針對(duì)樣本庫中的所有圖片做定性分析，并基于病害標(biāo)記得到的ground truth信息對(duì)病害進(jìn)行定量分析. 圖3為采集的部分裂縫及滲漏水病害示例圖.

首先對(duì)裂縫及滲漏水病害的尺度特征進(jìn)行分析. 經(jīng)統(tǒng)計(jì)，裂縫及滲漏水標(biāo)記的ground truth面積（像素）分布結(jié)果見表1. 其中，83.0%的病害面積處于（0，1 × 106）區(qū)間內(nèi). 裂縫和滲漏水面積在區(qū)間（0，1 × 106）上的分布如圖4所示，大致呈對(duì)數(shù)正態(tài)分布. 病害面積處于區(qū)間（0，4 × 105）的約占（0，1 × 106）區(qū)間的67%.

裂縫和滲漏水分別統(tǒng)計(jì)：2 946個(gè)裂縫面積全部處于（0，4 × 106）區(qū)間內(nèi)，其中約90%的裂縫處于（0，3 × 105）區(qū)間內(nèi)（表2）; 2 550個(gè)滲漏水面積處于（0，8 × 106）區(qū)間內(nèi)，其分布直方圖見圖5. 滲漏水面積主要分布于（0，3 × 106）區(qū)間內(nèi)，其中區(qū)間（0，1 × 106）內(nèi)滲漏水占64.2%，（1 × 106，2 × 106）區(qū)間內(nèi)滲漏水占22.0%.

高寬比同樣是裂縫及滲漏水的重要特征之一. 對(duì)樣本集中裂縫及滲漏水的高寬比進(jìn)行統(tǒng)計(jì)，處于（0，1）區(qū)間內(nèi)的病害居多，大于10的病害占比較?。▓D6）. 圖7為（0，1）區(qū)間內(nèi)病害分布直方圖，可知整個(gè)區(qū)間內(nèi)病害高寬比分布較均勻，區(qū)間兩端的病害占比較小. 由此可以得出，隧道襯砌病害相比生活中的常見物體，其幾何表現(xiàn)相對(duì)細(xì)長(zhǎng)，后續(xù)分析中將考慮病害的幾何特征與分布規(guī)律.

2 ? 模型構(gòu)成

2.1 Faster R-CNN模型

在病害檢測(cè)任務(wù)上，輸入圖像為完整的大尺度圖像，文中采用的圖片大小為3 000 × 3 724像素. R-CNN[11]系列算法核心思想是基于建議區(qū)域在整張圖片上檢測(cè)，選擇可能為病害區(qū)域的候選框，進(jìn)而通過卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對(duì)每個(gè)區(qū)域提取特征，并利用分類器預(yù)測(cè)此區(qū)域中包含感興趣對(duì)象的置信度，將問題轉(zhuǎn)化為圖像分類問題.

Faster R-CNN[12]模型可分為兩部分. 一部分為骨干結(jié)構(gòu)（backbone architecture），另一部分為頭結(jié)構(gòu)（head architecture）. 骨干結(jié)構(gòu)負(fù)責(zé)對(duì)整張圖像進(jìn)行處理，獲得其特征圖像（feature maps）;頭結(jié)構(gòu)處理特征圖像，獲得候選區(qū)域并進(jìn)行分類和定位.

5.2 ? 訓(xùn)練方法

本文所用的模型采用兩條計(jì)算路線，骨干結(jié)構(gòu)卷積層內(nèi)的卷積核在不同的計(jì)算路線上可能存在不同損失函數(shù)梯度方向，導(dǎo)致無法共享網(wǎng)絡(luò)權(quán)重. 在模型的訓(xùn)練中，采用交替訓(xùn)練方法，即先訓(xùn)練區(qū)域建議網(wǎng)絡(luò)，而后用區(qū)域建議網(wǎng)絡(luò)得到的候選區(qū)域訓(xùn)練病害檢測(cè)方法，并交替訓(xùn)練，不斷迭代.

在病害檢測(cè)模型訓(xùn)練中，使用已訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)骨干結(jié)構(gòu)進(jìn)行權(quán)重初始化. 模型迭代訓(xùn)練過程中采用動(dòng)態(tài)學(xué)習(xí)率策略. 優(yōu)化采用隨機(jī)梯度下降算法.

5.3 ? 模型評(píng)價(jià)標(biāo)準(zhǔn)

5.3.1 ? 檢測(cè)結(jié)果的評(píng)價(jià)

檢測(cè)率（detection rate）：表示測(cè)試集中檢測(cè)得到的正確結(jié)果數(shù)量和實(shí)際的結(jié)果數(shù)量的比值. 在最終的結(jié)果檢測(cè)中，設(shè)定0.8作為閾值，當(dāng)檢測(cè)結(jié)果得分超過閾值則輸出該檢測(cè)結(jié)果.

檢測(cè)準(zhǔn)確度（detection accuracy）：表示病害檢測(cè)結(jié)果得分的平均值. 檢測(cè)準(zhǔn)確度反應(yīng)了該方法的識(shí)別能力.

5.3.2 ? 檢測(cè)效率的評(píng)價(jià)

訓(xùn)練時(shí)間（training time）：表示檢測(cè)模型整個(gè)訓(xùn)練過程所用的時(shí)間.

檢測(cè)效率（detection efficiency）：指檢測(cè)每張圖像需要花費(fèi)的時(shí)間.

5.4 ? 模型檢測(cè)結(jié)果

模型訓(xùn)練完成后，對(duì)測(cè)試數(shù)據(jù)集上含有裂縫和滲漏水的目標(biāo)進(jìn)行檢測(cè). 測(cè)試集包含1 139幅圖像，其中病害目標(biāo)共有1 867個(gè). ?表5是Model1～Model6各模型的訓(xùn)練測(cè)試過程中各指標(biāo)的結(jié)果對(duì)比.

圖16展示了部分病害檢測(cè)結(jié)果（矩形框）.

由Model1&2檢測(cè)結(jié)果對(duì)比可知，優(yōu)化后的VGG16網(wǎng)絡(luò)在同一數(shù)據(jù)集上的準(zhǔn)確率為80.91%，高于優(yōu)化前的VGG16（75.81%），提升了6.73%. 此外，訓(xùn)練時(shí)間縮短了10 min，平均單張圖片測(cè)試時(shí)間也有略微縮短，一定程度上加快了檢測(cè)效率.

由Model2&4&6檢測(cè)結(jié)果對(duì)比可知，優(yōu)化后的裂縫檢測(cè)模型對(duì)裂縫平均檢測(cè)率為77.28%，優(yōu)化后的滲漏水檢測(cè)模型對(duì)滲漏水平均檢測(cè)率為85.25%，與同時(shí)進(jìn)行裂縫和滲漏水檢測(cè)的模型（分別為71.8%，84.28%）相比較均有提升.

Model1&5、Model2&6的檢測(cè)結(jié)果對(duì)比，滲漏水和裂縫單一檢測(cè)模型較兩種病害同時(shí)檢測(cè)的模型檢測(cè)率更高，效果更佳. 因此如果工程對(duì)檢測(cè)準(zhǔn)確度要求很高時(shí)，可以考慮對(duì)裂縫和滲漏水分別獨(dú)立檢測(cè). 這一方案的不足之處在于需要訓(xùn)練兩個(gè)模型，會(huì)增加一定時(shí)間成本.

5.5 ? 模型魯棒性檢驗(yàn)

魯棒性和適應(yīng)性代表了模型的泛化能力. 為了驗(yàn)證本文模型的泛化能力，對(duì)襯砌圖像做出如下處理：病害位置的變化、病害尺度的變化、病害圖像的高斯模糊以及病害的不規(guī)則變形.

在圖17所示的圖像中，圖像大小均為3 000 ×3 724像素，包含了兩條裂縫，通過提取不同裂縫病害位置的圖像進(jìn)行驗(yàn)證. 結(jié)果表明，無論病害位置如何移動(dòng)，本方法均可正確檢測(cè).

在圖18所示的圖像中，圖像大小經(jīng)過了不同尺度的圖像變換，圖像大小從左到右分別為3 000 ×3 724像素、1 700 × 2 000像素、1 200 × 1 450像素，每張圖像含有一處相同的滲漏水病害. 檢測(cè)結(jié)果表明，在不同尺度的圖像中，本方法均可正確檢測(cè)，同時(shí)其檢測(cè)率均較高.

在圖19所示的圖像中，對(duì)圖像進(jìn)行高斯模糊處理，圖像從左到右模糊半徑分別為0、5、8. 可以發(fā)現(xiàn)，每張圖像都包括了兩條裂縫，一條裂縫寬度較寬，相對(duì)明顯，另一條裂縫寬度較窄，相對(duì)模糊. 經(jīng)過模糊半徑為5的高斯模糊后，窄裂縫幾乎肉眼難以分辨，本方法仍然可以將其檢測(cè)出來，而經(jīng)過模糊半徑為8的高斯模糊后，本方法僅檢測(cè)出一條裂縫. 檢測(cè)結(jié)果表明，在相對(duì)模糊圖像中，本方法具有良好的適應(yīng)性.

在圖20所示的圖像中，圖像從左到右分別為原始圖像，縱向拉伸圖像和橫向拉伸圖像，從視覺效果上看，經(jīng)過變形的病害特征圖像具備了不同的形態(tài)特征，對(duì)于本方法，均可正確檢測(cè). 檢測(cè)結(jié)果表明，對(duì)于不規(guī)則變形的圖像，本方法具有良好的適應(yīng)性.

5 ? 結(jié) ? 論

本文利用快速檢測(cè)盾構(gòu)隧道襯砌病害的深度學(xué)習(xí)方法，在現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)物體檢測(cè)模型VGG-16基礎(chǔ)上對(duì)模型進(jìn)行修正，根據(jù)手動(dòng)建立的裂縫、滲漏水病害數(shù)據(jù)集，并設(shè)計(jì)了6種不同試驗(yàn)條件下的Faster R-CNN檢測(cè)模型，分別進(jìn)行病害檢測(cè)計(jì)算，以此驗(yàn)證模型參數(shù)修正的正確性與必要性，并對(duì)模型的魯棒性進(jìn)行驗(yàn)證. 得出結(jié)論如下：

1）在現(xiàn)有Faster R-CNN檢測(cè)模型基礎(chǔ)上進(jìn)行修正，并對(duì)修正后模型的有效性、準(zhǔn)確性和訓(xùn)練難易程度進(jìn)行了評(píng)估;通過控制變量法，對(duì)3組參數(shù)修正前后的模型檢測(cè)結(jié)果進(jìn)行比較. 結(jié)果表明參數(shù)修正后的模型檢測(cè)準(zhǔn)確度有明顯提升.

2）通過對(duì)不同檢測(cè)模型計(jì)算結(jié)果對(duì)比分析得出，裂縫和滲漏水的單一檢測(cè)模型比同時(shí)檢測(cè)兩種病害的模型準(zhǔn)確度更高，但會(huì)增加一定時(shí)間成本.

3）此外，本文計(jì)算所采用的數(shù)據(jù)集僅有4 139張圖片，圖片數(shù)量略少，參數(shù)修正后對(duì)隧道襯砌病害的檢測(cè)效果仍不能真正達(dá)到高準(zhǔn)確度，僅有80.91%. 可以考慮擴(kuò)充病害數(shù)據(jù)庫，增加模型的魯棒性及準(zhǔn)確度.

參考文獻(xiàn)

[1] ? ?葉耀東，朱合華，王如路. 軟土地鐵運(yùn)營(yíng)隧道病害現(xiàn)狀及成因分析[J]. 地下空間與工程學(xué)報(bào)，2007，3（1）：157—160，166.

YE Y D，ZHU H H，WANG R L. Analysis on the current status of metro operating tunnel damage in soft ground and its causes[J]. Chinese Journal of Underground Space and Engineering，2007，3（1）：157—160，166. （In Chinese）

[2] ? ?張明海，張乃涓. 盾構(gòu)隧道常見病害及其影響分析[J]. 城市道橋與防洪，2009（9）：182—187.

ZHANG M H，ZHANG N J. Analysis on common disease and its influence on shield tunnel[J]. Urban Roads Bridges & Flood Control，2009（9）：182—187. （In Chinese）

[3] ? ?楊玲芝，方恩權(quán). 軌道交通隧道結(jié)構(gòu)病害檢測(cè)技術(shù)綜述與發(fā)展趨勢(shì)[J]. 都市快軌交通，2017，30（1）：20—25，76.

YANG L Z，F(xiàn)ANG E Q. Review and developing trend on technology for detecting metro tunnel structure diseases[J]. Urban Rapid Rail Transit，2017，30（1）：20—25，76. （In Chinese）

[4] ? ?YUAN Y，JIANG X，LIU X. Predictive maintenance of shield tunnels[J]. Tunnelling & Underground Space Technology Incorporating Trenchless Technology Research，2013，38（3）：69—86.

[5] ? ?LEE S Y，SANG H L，DONG I S，et al. Development of an inspection system for cracks in a concrete tunnel lining[J]. Canadian Journal of Civil Engineering，2007，34（8）：966—975.

[6] ? ?劉曉瑞，謝雄耀. 基于圖像處理的隧道表面裂縫快速檢測(cè)技術(shù)研究[J]. 地下空間與工程學(xué)報(bào)，2009，5（S2）：1624—1628.

LIU X R，XIE X Y. Rapid crack inspection of tunnel surface based on image processing[J]. Chinese Journal of Underground Space and Engineering，2009，5（S2）：1624—1628. （In Chinese）

[7] ? ?王平讓，黃宏偉，薛亞東. 基于圖像局部網(wǎng)格特征的隧道襯砌裂縫自動(dòng)識(shí)別[J]. 巖石力學(xué)與工程學(xué)報(bào)，2012，31（5）：991—999.

WANG P R，HUANG H W，XUE Y D. Automatic recognition of cracks in tunnel lining based on characteristics of local grids in images[J]. Chinese Journal of Rock Mechanics and Engineering，2012，31（5）：991—999. （In Chinese）

[8] ? ?CHA Y J，CHOI W，B？譈Y？譈K？魻ZT？譈RK O. Deep learning based crack damage detection using convolutional neural networks[J]. Computer Aided Civil & Infrastructure Engineering，2017，32（5）：361—378.

[9] ? ?黃宏偉，李慶桐. 基于深度學(xué)習(xí)的盾構(gòu)隧道滲漏水病害圖像識(shí)別[J]. 巖石力學(xué)與工程學(xué)報(bào)，2017，36（12）：2861—2871.

HUANG H W，LI Q T. Image recognition for water leakage in shield tunnel based on deep learning[J]. Chinese Journal of Rock Mechanics and Engineering，2017，36（12）：2861—2871. （In Chinese）

[10] ?薛亞東，李宜城.基于深度學(xué)習(xí)的盾構(gòu)隧道襯砌病害識(shí)別方法[J]. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，45（3）：100—109.

XUE Y D，LI Y C. A method of disease recognition for shield tunnel lining based on deep learning[J]. Journal of Hunan University （Natural Sciences），2018，45（03）：100—109. （In Chinese）

[11] ?GIRSHICK R，DONAHUE J，DARRELL T，et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]// IEEE Conference on Computer Vision and Pattern Recognition. Washington DC：IEEE Computer Society，2014：580—587.

[12] ?REN S Q，HE K M，GIRSHICK R，et al. Faster R-CNN：towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. Massachusetts：MIT Press，2015：91—99.

[13] ?王菲菲. K-means聚類算法的改進(jìn)研究及應(yīng)用[D]. 蘭州：蘭州交通大學(xué)，數(shù)理學(xué)院，2017.

WANG F F. Research and application of the improved K-Means clustering algorithm[D]. Lanzhou：School of Mathematics and Physics，Lanzhou Jiaotong University，2017. （In Chinese）

[14] ?王建仁，馬鑫，段剛龍. 改進(jìn)的K-means聚類k值選擇算法[J]. 計(jì)算機(jī)工程與應(yīng)用，2019，55（8）：27—33.

WANG J R，MA X，DUAN G L. Improved K-Means clustering K-Value selection algorithm[J]. Computer Engineering and Application，2019，55（8）：27—33. （In Chinese）

[15] ?JIA Y，SHELHAMER E，DONAHUE J，et al. Caffe：Convolutional architecture for fast feature embedding[C]// ACM International Conference on Multimedia. Orlando：ACM，2014：675—678.