李 琛，駱漢賓，劉文黎，柳 洋

(華中科技大學(xué)土木與水利工程學(xué)院，湖北 武漢 430074)

0 引言

隨著我國軌道交通的發(fā)展，中國已是世界上隧道及地下工程規(guī)模最大、數(shù)量最多、地質(zhì)條件和結(jié)構(gòu)形式最復(fù)雜、修建技術(shù)發(fā)展速度最快的國家[1]。土壓平衡盾構(gòu)因其施工速度快、對周圍環(huán)境影響小、自動化程度高等特點，已成為城市地鐵隧道施工的主要方法[2]。土壓平衡盾構(gòu)施工的核心在于實現(xiàn)土艙內(nèi)外的壓力平衡和土艙內(nèi)出入土量的平衡。在地質(zhì)條件和盾構(gòu)等多方面因素中，渣土性質(zhì)和盾構(gòu)機(jī)型對機(jī)艙內(nèi)壓力平衡和出土量平衡有較大影響[3]。在施工過程中，盾構(gòu)穿越的地層往往復(fù)雜多變，盾構(gòu)過程開始后很難更改其硬件裝置，需要通過渣土改良方法使渣土呈塑性流動狀態(tài)，實現(xiàn)盾構(gòu)機(jī)艙的穩(wěn)定“出入土”和“保壓”，進(jìn)而減少掘進(jìn)過程中每環(huán)總推力和總轉(zhuǎn)矩的變化幅度，提高盾構(gòu)穩(wěn)定性[4]。如果渣土改良不當(dāng)，則會造成“結(jié)泥餅”和“噴涌”等現(xiàn)象，嚴(yán)重影響施工效率[5]。

渣土改良的質(zhì)量可通過坍落度試驗、流動度試驗、稠度試驗和攪拌試驗等室內(nèi)試驗方式進(jìn)行評價[5]。受地層變化和試驗效率的影響，通過室內(nèi)試驗方式指導(dǎo)渣土改良參數(shù)存在一定的滯后性，提高渣土流塑性的檢測效率和準(zhǔn)確性對盾構(gòu)參數(shù)的穩(wěn)定控制十分關(guān)鍵。目前，渣土流塑性一般采用人工旁站檢測或輔以攝像頭在渣土控制艙進(jìn)行人工檢測，需要專人進(jìn)行，費(fèi)時費(fèi)力，受工人技術(shù)水平和主觀工作狀態(tài)的影響較大。若不能及時反饋渣土情況，將導(dǎo)致盾構(gòu)施工安全和質(zhì)量問題，亟需一種能對渣土流塑性自動、準(zhǔn)確、高效的檢測方式。

基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)，已廣泛應(yīng)用于各類土木工程場景。在安全監(jiān)測方面：Li等[6]將卷積神經(jīng)網(wǎng)絡(luò)用于施工現(xiàn)場，采用SSD-MobileNet算法檢測施工現(xiàn)場施工人員安全帽佩戴情況；Wei等[7]通過采用改進(jìn)的深度學(xué)習(xí)算法，實現(xiàn)了建筑工地不安全行為的自動識別；高寒等[8]將目標(biāo)檢測算法應(yīng)用于施工過程安全管理中，實現(xiàn)了實時監(jiān)控工人侵入危險區(qū)域的目的。在質(zhì)量檢測方面：Wang等[9]提出了一種基于深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的大跨度結(jié)構(gòu)天花板損傷檢測與定位方法；Meijer等[10]通過采用CNN方法，實現(xiàn)了下水管道常見12種管道缺陷的自動分類；Dung等[11]通過采用一種基于深度全卷積網(wǎng)絡(luò)(FCN)的裂縫檢測方法，檢測了循環(huán)荷載下的混凝土裂紋，并準(zhǔn)確評估了裂紋密度；Ji等[12]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)DeepLabv3+的裂紋檢測集成方法，將裂紋長度、平均寬度、最大寬度、面積和比率5個指標(biāo)通過量化算法實現(xiàn)了裂紋的檢測和量化。以上研究針對不同場景下的目標(biāo)檢測，實現(xiàn)了目標(biāo)的特征識別和特征的定量計算。

目前，針對盾構(gòu)渣土性質(zhì)的目標(biāo)檢測領(lǐng)域研究不多，研究智能化渣土識別和控制技術(shù)對指導(dǎo)盾構(gòu)實現(xiàn)安全穩(wěn)定施工具有重要意義。本文針對土壓平衡盾構(gòu)掘進(jìn)過程中的渣土改良，提出一種基于圖像的改良渣土流塑性檢測方法CSD(conditioned soil detection)net，通過圖像預(yù)處理和構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)檢測模型自動識別出渣口改良渣土的流塑性，從而實現(xiàn)改良渣土的智能化檢測。

1 CSD net

為區(qū)分不同塑性流動狀態(tài)的改良渣土圖像，提出一種基于改進(jìn)Faster R-CNN的CSD net改良渣土流塑性檢測方法。通過視頻采集圖像，對圖像進(jìn)行特征增強(qiáng)的預(yù)處理，根據(jù)圖像中渣土的形態(tài)進(jìn)行流塑性劃分，在Matlab中建立數(shù)據(jù)集，之后通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集進(jìn)行訓(xùn)練和測試得到識別結(jié)果，最后根據(jù)識別結(jié)果對渣土改良提供實時反饋指導(dǎo)。渣土流塑性的檢測流程如圖1所示。

圖1 渣土流塑性的檢測流程圖

1.1 Faster R-CNN

雖然Fast R-CNN在速度和精度上有了顯著的提升，但還需要通過事先使用外部算法來提取目標(biāo)候選框。Faster R-CNN將提取目標(biāo)候選框的步驟整合到深度網(wǎng)絡(luò)中，速度大幅提升，被廣泛應(yīng)用到目標(biāo)檢測中。同時，F(xiàn)aster R-CNN是第1個真正意義上的端到端的深度學(xué)習(xí)目標(biāo)檢測算法，也是第1個準(zhǔn)實時的深度學(xué)習(xí)目標(biāo)檢測算法。Faster R-CNN由區(qū)域提議網(wǎng)絡(luò)和Fast R-CNN組成，且由RPN和Fast R-CNN共享一部分卷積層，有助于實現(xiàn)更快的檢測速度。Faster R-CNN網(wǎng)絡(luò)如圖2所示。

圖2 Faster R-CNN網(wǎng)絡(luò)圖

1.2 基于改進(jìn)Faster R-CNN的CSD net

1.2.1 位置注意模塊

深層網(wǎng)絡(luò)一般通過網(wǎng)絡(luò)層數(shù)來提高對樣本特征的提取能力。試驗證明：隨著網(wǎng)絡(luò)層數(shù)的提升，模型的精確性會有所提升，但達(dá)到飽和后，模型的精確性會因為非過擬合原因迅速下降。本研究采用ResNet50作為基礎(chǔ)網(wǎng)絡(luò)，網(wǎng)絡(luò)層數(shù)為50，卷積核為3×3。ResNet網(wǎng)絡(luò)在網(wǎng)絡(luò)深度增加的同時不會影響誤差，其特征通過殘差單元跳層連接，使梯度能夠直接到達(dá)輸入層，可以有效解決深度網(wǎng)絡(luò)模型退化問題，在圖像分類研究中有優(yōu)異的性能。

ResNet網(wǎng)絡(luò)并不總是表現(xiàn)良好，有時可能會忽略一些重要的圖像特征。特別地，當(dāng)ResNet作為目標(biāo)檢測網(wǎng)絡(luò)的基礎(chǔ)網(wǎng)絡(luò)時，會出現(xiàn)平移不變性現(xiàn)象；同時，ResNet作為一種全卷積網(wǎng)絡(luò)(fully convolutional network, FCN)，其局部特征會導(dǎo)致對目標(biāo)和內(nèi)容的錯誤分類[13]。為了在局部特征上建立良好的上下文連接，本研究引入了位置注意模塊，將更廣泛的上下文信息編碼到局部特征中[14]。改進(jìn)位置注意模塊如圖3所示。

圖3 改進(jìn)位置注意模塊示意圖

將特征映射S∈Rc×h×w輸入到3個具有相同濾波器大小的卷積層，產(chǎn)生了3個新的特征映射A、B、C(A、B、C∈Rc×h×w)。然后，對A、B、C進(jìn)行重塑，再對A進(jìn)行轉(zhuǎn)置，從而產(chǎn)生特征映射D、E、F(D、E、F∈Rc×n,n=h×w)。隨后，通過softmax層對D和E進(jìn)行矩陣乘法運(yùn)算，如式(1)所示，得到位置注意映射G∈Rn×n。

(1)

式中：gij為第j像素對第i像素的影響，2個位置的特征越相似，它們之間的相關(guān)性就越大；Aj、Bi分別為特征映射A、B中不同位置像素點。

隨后，對G和F進(jìn)行矩陣乘法運(yùn)算，同時對S進(jìn)行求和運(yùn)算，得到最后輸出的特征映射S′∈Rc′×h′×w′，如式(2)所示。

(2)

1.2.2 感興趣區(qū)域連接模塊

為了獲得不同ROIs 的不同特征細(xì)節(jié)粒度，通過結(jié)合淺層和深層來改進(jìn) ROI 池化層多個卷積層中的級別特征；對它們進(jìn)行 ROI 池化和 L2 歸一化；將生成的特征連接在一起并重新調(diào)整形狀以適應(yīng)特征的原始尺度；使用大小為 1×1 的卷積濾波器匹配原始網(wǎng)絡(luò)的通道數(shù)?？傮w而言，一些中間結(jié)果和組合 RPN 中的最終特征圖以產(chǎn)生最終的 ROI 池化特征物體檢測。改進(jìn)感興趣區(qū)域連接模塊如圖4所示。

圖4 改進(jìn)感興趣區(qū)域連接模塊

2 數(shù)據(jù)集

2.1 圖像獲取

圖像采集設(shè)備固定安裝在武漢地鐵19號線盾構(gòu)左螺旋機(jī)出渣口，攝像機(jī)與出渣口距離固定，光照情況基本相同。攝像頭型號為Hikvision DS-2SC3Q120MY-T/GLT，內(nèi)存為32 G，像素為400萬。

2.2 圖像預(yù)處理

2.2.1 圖像裁剪

通過觀察發(fā)現(xiàn)，初始采集到的圖像中，所要研究的目標(biāo)主體即傳送機(jī)皮帶上渣土部分只占圖像中很小的一部分。為了減少后期處理中的數(shù)據(jù)量從而提高處理效率以及盡量排除非主體部分造成的干擾，在圖像預(yù)處理環(huán)節(jié)中，通過圖像裁剪的方式只保留皮帶傳送機(jī)上渣土部分十分必要。通過圖像裁剪將其分辨率從1 280×720更改為300×320，保留了原始圖像特征，大大減少了計算量。

2.2.2 圖像復(fù)原

在攝像頭捕捉圖像的過程中，會不可避免地受到各種噪聲和運(yùn)動模糊的干擾，使所捕捉到的圖像具有噪聲復(fù)雜、模糊、對比度低、細(xì)節(jié)紋理不清等特點，讓圖像質(zhì)量大大下降。需對捕捉的原圖像進(jìn)行恢復(fù)，去除圖像退化現(xiàn)象，提高圖像質(zhì)量，保留圖像細(xì)節(jié)信息。

(3)

假設(shè)噪聲和圖像不相關(guān)，其中一個原始圖像或恢復(fù)圖像有零均值，且估計中的灰度級是退化圖像中灰度級的線性函數(shù)的條件下，均方誤差函數(shù)的最小值在頻率域內(nèi)如式(4)所示。

(4)

2.2.3 圖像增強(qiáng)

圖像信息采集通常容易受到光照、振動等因素的影響，存在偏暗或偏亮等問題，產(chǎn)生對比度較低的圖像。復(fù)原后的圖像需要解決出渣口影像中存在的光照不足和噪聲干擾等問題，否則將會嚴(yán)重影響后期特征提取的機(jī)器處理結(jié)果。

直方圖均衡化通過改變圖像的直方圖來改變圖像中各像素的灰度，主要用于增強(qiáng)動態(tài)范圍偏小的圖像的對比度。采用直方圖均衡化將原始圖像的直方圖變換為均勻分布的形式，如式(5)和(6)所示。通過變換函數(shù)T(r)可以控制圖像灰度級的概率密度函數(shù)ps(s)，從而改善圖像的灰度層次，這樣就增加了像素之間灰度值差別的動態(tài)范圍，達(dá)到增強(qiáng)圖像整體對比度的效果。

(5)

(6)

式(5)和式(6)中：r和s分別為歸一化的原圖像灰度和經(jīng)直方圖均衡化后的圖像灰度；T(r)為r到s的變換函數(shù)；pr(r)為隨機(jī)變量r的概率密度；ps(s)為隨機(jī)變量s的概率密度；Fs(s)為假定隨機(jī)變量s的分布函數(shù)。圖像預(yù)處理過程如圖5所示。

(a)干土

3 渣土流塑性檢測

基于實地調(diào)研武漢地鐵16號線、19號線等10余個土壓平衡盾構(gòu)施工在建項目，目前盾構(gòu)操控手大多數(shù)依據(jù)監(jiān)控影像中渣土物理形態(tài)是否適合盾構(gòu)掘進(jìn)要求，根據(jù)主觀經(jīng)驗判斷流塑性，未根據(jù)渣土流塑性進(jìn)行性質(zhì)劃分[5]，且現(xiàn)有規(guī)范未具體劃分改良渣土流塑性。

結(jié)合文獻(xiàn)資料及實際調(diào)研，本文綜合出渣口渣土累積狀況及噴涌情況、機(jī)帶渣土形態(tài)、單個土塊相對體積大小等要素綜合劃分渣土形態(tài)，將改良渣土分為偏干土、合適土和偏濕土3類。改良渣土特征劃分如表1所示。根據(jù)出渣口的視頻信息，請多位具有一定工作經(jīng)驗的工程師交叉標(biāo)注，構(gòu)建改良渣土的土性標(biāo)注圖庫，從中篩選7 200張渣土圖片，其中偏干土、合適土和偏濕土的照片各2 400張，采用留出法，每類土包含2 100張訓(xùn)練集和300張測試集。

表1 改良渣土特征劃分[15-16]

3.1 實施細(xì)節(jié)

試驗硬件環(huán)境如表2所示，軟件環(huán)境如表3所示。

表2 硬件環(huán)境

表3 軟件環(huán)境

3.2 訓(xùn)練參數(shù)

通過反復(fù)測試確定最優(yōu)試驗參數(shù)，將初始學(xué)習(xí)率設(shè)置為0.001，動量為0.9，權(quán)重衰減系數(shù)為0.000 1，批處理大小為18，最大訓(xùn)練迭代次數(shù)為30。

3.3 試驗與分析

3.3.1 試驗驗證

為驗證所提出模型的準(zhǔn)確性，需對測試集圖像進(jìn)行測試。一般地，對于單目標(biāo)的檢測問題一共有4種結(jié)果，分別為TP(true positive)、FN(false negative)、TN(true negative)、FP(false positive)[17]。針對本試驗中的渣土流塑性檢測，TP表示圖像為一種特定類型改良渣土，且被正確檢測為特定類型改良渣土的圖像數(shù)量；FN表示圖像為一種特定類型改良渣土，但被誤檢測為其他類型改良渣土的圖像數(shù)量；TN表示圖像為其他類型改良渣土，且被正確檢測為其他類型改良渣土的圖像數(shù)量；FP表示圖像為其他類型改良渣土，但被錯誤檢測為特定類型改良渣土的圖像數(shù)量。

本試驗采用正確率、精確率和召回率評價檢測結(jié)果。其中，正確率為正確檢測樣本數(shù)與總樣本數(shù)之比，即正確率

(7)

精確率為檢測到的正確目標(biāo)樣本數(shù)與檢測到的所用目標(biāo)樣本數(shù)之比，即精確率

(8)

召回率為檢測到的正確目標(biāo)樣本數(shù)與應(yīng)被檢測到的目標(biāo)樣本數(shù)之比，即召回率

(9)

為減少因主觀因素造成的測試結(jié)果誤差，本試驗測試集經(jīng)工程師交叉驗證，得到原始Faster R-CNN網(wǎng)絡(luò)和CSD net的渣土形態(tài)檢測結(jié)果。改良渣土流塑性檢測結(jié)果如表4所示。

表4 改良渣土流塑性檢測結(jié)果

3.3.2 結(jié)果分析

由表4可知，CSD net相比原始Faster R-CNN網(wǎng)絡(luò)在檢測偏干土和偏濕土?xí)r的正確率和精確率更高，而在檢測合適土?xí)r性能差別不明顯，且合適土相比偏干土和偏濕土的識別精確率較低，這是由于合適土相比偏干土和偏濕土的特征相對不明顯。

為驗證所提出CSD net的有效性，本試驗將CSD net與其他前沿方法進(jìn)行了比較，試驗采用控制變量法，均在前文篩選的數(shù)據(jù)集上進(jìn)行訓(xùn)練對比。CSD net與前沿目標(biāo)檢測方法的檢測效果比較如表5所示。

表5 網(wǎng)絡(luò)檢測效果比較

由表5可知：1)單階段與兩階段檢測方法的側(cè)重點不同。一方面，相對于兩階段代表網(wǎng)絡(luò)Faster R-CNN，作為單階段代表網(wǎng)絡(luò)的YOLO和SSD的檢測速度較為出色，雖然檢測速度為評價網(wǎng)絡(luò)性能的重要指標(biāo)之一，但本模型更注重在檢測速度和精度找到平衡點；另一方面，作為單階段檢測網(wǎng)絡(luò)的代表，SSD與YOLO模型結(jié)構(gòu)較大，在后期維護(hù)網(wǎng)絡(luò)時十分不便。2)CSD net相比原始Faster R-CNN網(wǎng)絡(luò)和前沿目標(biāo)檢測方法有更好的效果和適用性，檢測結(jié)果與視頻實景下的改良渣土類型較為匹配，3類土的檢測情況較好。3類改良渣土檢測結(jié)果如圖6所示。

(a)偏干土

4 結(jié)論與討論

1)將CSD net模型運(yùn)用在地鐵其他線路中均有較好檢測效果，模型有較好可靠性，基本滿足渣土改良的實際需求，具有一定的工程應(yīng)用價值。

2)相較于傳統(tǒng)的人工檢測方法，改進(jìn)的Faster R-CNN法提高了渣土改良的工作效率，一定程度上減少了由于環(huán)境因素給工人帶來的身心影響，避免了由于主觀性造成的不利影響，具有效率較高、實用性強(qiáng)等優(yōu)勢，有助于實現(xiàn)土壓平衡盾構(gòu)掘進(jìn)過程中改良渣土的智能化檢測。

3)改進(jìn)的Faster R-CNN法，檢測3類改良渣土的平均正確率達(dá)91.55%，平均精確率達(dá)86.83%，平均召回率達(dá)87.42%，檢測效果較好。

本文僅通過出渣口視頻將改良渣土定性分為偏干土、合適土和偏濕土，未進(jìn)一步布設(shè)其他傳感器獲取改良渣土的其他參數(shù)，后續(xù)研究中可根據(jù)改良渣土性質(zhì)進(jìn)一步劃分改良渣土類型，通過布置各類傳感器實現(xiàn)渣土的定量檢測分析，同時利用深度學(xué)習(xí)技術(shù)提高圖像復(fù)原精度，并改進(jìn)相關(guān)算法提高改良渣土自動檢測的準(zhǔn)確性。