劉健解全一呂成順趙致遠

(1.山東大學齊魯交通學院，山東 濟南 250002；2.山東省工業(yè)技術(shù)研究院，山東 濟南 250101)

0 引言

“十三五”時期，我國公路交通發(fā)展迅速，公路總里程接近520 萬km，高速公路通車里程達到16.1 萬km，二級及以上公路通達97.6%的縣域，已基本形成覆蓋廣泛、互聯(lián)成網(wǎng)、質(zhì)量優(yōu)良、運行良好的公路網(wǎng)絡[1]。 公路運輸在中國貨物運輸業(yè)中仍占據(jù)主導地位，而公路隧道作為提升運輸效率與服務水平的重要基礎(chǔ)設(shè)施，也得到了長足的發(fā)展[2]。 2011—2020 年，我國公路隧道數(shù)量增加了12 794座，里程增加了1 574.59 萬延米，分別增長了1.5 倍和2.52 倍。 公路隧道建設(shè)已呈現(xiàn)出規(guī)模大、隧道長、埋深大的趨勢[3－5]。

公路隧道作為巖土介質(zhì)中的地下工程，在長期的運營過程中，一直承受著圍巖壓力、活荷載、鄰近工程擾動、溫度效應、地下水及化學侵蝕等多場耦合作用，隧道襯砌表面難免會出現(xiàn)各種類型的襯砌表觀病害，常見的有裂縫、滲漏水、露筋、襯砌脫落等[6]。 據(jù)統(tǒng)計，目前我國約30%的公路隧道處于亞健康狀態(tài)[7]，已嚴重威脅隧道結(jié)構(gòu)耐久性及使用壽命，因此我國公路隧道整體面臨著長期而又繁重的檢測和維護任務。

隨著機器視覺和人工智能技術(shù)的發(fā)展，國內(nèi)外開發(fā)了多款移動式隧道檢測車及病害數(shù)據(jù)智能處理系統(tǒng)。 公路隧道病害檢測車主要聚焦于采用數(shù)字照相、激光掃描等機器視覺技術(shù)采集襯砌裂縫、滲漏水、形變等病害信息[8]。 山東大學[9]、同濟大學[10]、武漢光谷卓越科技股份有限公司[11]、西南交通大學[12]、日本鐵道綜合技術(shù)研究院[13]、韓國漢陽大學[14]等開發(fā)了相機、激光等多傳感器的移動觸發(fā)方法，建立了基于圖像的隧道病害移動式檢測技術(shù)，集成了移動測量平臺。

通過移動式隧道檢測車開展隧道表觀病害信息采集具有速度快、成本低的優(yōu)勢。 但是，公路隧道表觀缺損圖像采集精度要求高，一般要求能夠清晰辨識0.2 mm 及以上寬度的裂縫，導致圖像畫幅偏小，致使單隧道將獲取數(shù)萬張圖像數(shù)據(jù)。 因此，借助人工智能技術(shù)，構(gòu)建隧道裂縫智能辨識算法已成為公路隧道檢測行業(yè)亟需解決的關(guān)鍵難題。 近年來，由于卷積神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡、生成對抗網(wǎng)絡等算法具有圖像識別速度快、準確率高的特點，已大范圍應用于圖像裂縫辨識任務中，并提出了CrackNet[15]、CrackUnet[16]、DeepCrack[17]、U-HDN[18]、ConnCrack[19]等裂縫識別算法，極大地提升了隧道裂縫的檢測效率。 但是，在實際隧道檢測過程中，由于隧道襯砌裂縫尺度小、灰塵覆蓋、涂料反射等影響，導致獲取的圖像檢測數(shù)據(jù)質(zhì)量不高，在智能辨識算法實際應用過程中誤判率較高。 因此，亟需結(jié)合實際檢測車獲取的圖像數(shù)據(jù)，研究適用于隧道檢測的圖像質(zhì)量提升方法。 文章以圖像質(zhì)量及裂縫目標位置為切入點，分別提出了基于均衡化理論的圖像質(zhì)量增強方法以及適用于圖像邊緣裂縫的邊框增強方法，并采用主流的目標檢測算法對文章所提算法開展了試驗。

1 數(shù)據(jù)集構(gòu)建

1.1 公路隧道表觀數(shù)據(jù)采集

對于深度神經(jīng)網(wǎng)絡這一數(shù)據(jù)驅(qū)動方法，使用足夠的數(shù)據(jù)訓練網(wǎng)絡模型是保證算法有效性的關(guān)鍵點。 基于神經(jīng)網(wǎng)絡的裂縫識別相關(guān)技術(shù)研究的前提是獲取足夠多的公路隧道襯砌表觀數(shù)據(jù)。 為了獲取這些數(shù)據(jù)，課題組研發(fā)了一種輕量化公路隧道檢測裝備，如圖1 所示，主要包括圖像采集單元、激光雷達與定位單元、控制存儲服務器與配套的車輛。 圖像采集單元包括兩臺工業(yè)相機、旋轉(zhuǎn)云臺和補光燈，激光雷達與定位單元包括激光雷達、慣導定位模塊和車輪編碼器，控制存儲服務器包括設(shè)備同步觸發(fā)模塊和3 臺存儲服務器。 圖像采集單元和激光雷達與定位單元通過支架固定在車輛頂部，而控制存儲服務器放在車輛后備箱內(nèi)，三者通過集成數(shù)據(jù)線連接。

圖1 公路隧道輕量化檢測裝備圖

文章使用該公路隧道輕量化綜合檢測裝備在多條兩車道、三車道公路隧道開展了襯砌表觀圖像數(shù)據(jù)采集；在部分四車道的大斷面公路隧道，包括開元隧道、老虎洞山隧道、港溝隧道、黃龍山隧道、花山大道隧道、龍洞隧道、樵嶺前隧道等，也進行了表觀數(shù)據(jù)的采集試驗。

1.2 公路隧道裂縫數(shù)據(jù)集構(gòu)建

在研究公路隧道裂縫識別算法之前，需要給出公路隧道襯砌表觀裂縫數(shù)據(jù)集。 通過對裝備采集的公路隧道表觀圖像進行人工逐張篩選，判斷采集的圖像中是否存在裂縫。 在此基礎(chǔ)上，使用標注工具Labelme 人工注釋1 744 張包含裂縫的公路隧道表觀圖像，如圖2 所示。 裂縫數(shù)據(jù)集可以隨機分成作為訓練集用于裂縫識別網(wǎng)絡模型訓練的1 494 張圖片和作為驗證集用于評估訓練準確性的250 張圖片兩組。 為了提高網(wǎng)絡訓練速度并加速網(wǎng)絡收斂，圖像分辨率均可歸一化為640 pixel × 640 pixel。Labelme 標注工具輸出的是JSON 格式的標注，而文章所用目標檢測算法需要TXT 格式的標注進行訓練。 因此，訓練前需要在JSON 和TXT 格式之間轉(zhuǎn)換，之后再分開存儲TXT 格式的標注信息和圖像。

圖2 公路隧道裂縫圖像標注圖

2 圖像質(zhì)量增強方法

2.1 直方圖均衡化方法

對于應用神經(jīng)網(wǎng)絡的裂縫識別，除了網(wǎng)絡模型本身的性能差異，訓練數(shù)據(jù)質(zhì)量也是影響檢測結(jié)果的關(guān)鍵因素。 圖像數(shù)據(jù)增強通過改善現(xiàn)有的數(shù)據(jù)提高分類的準確性和穩(wěn)定性。 圖像直方圖可以顯示圖像顏色值的頻率分布，而通過重新分布圖像直方圖的分布，可以改變圖像對比度。 直方圖均衡化實際上是對原始圖像灰度級的映射變換，而擴大像素灰度值的動態(tài)范圍會使圖像特征表現(xiàn)得更明顯。 直方圖均衡化是該思想的基礎(chǔ)實現(xiàn)方法，其算法步驟如下:

(1) 計算圖像的直方圖H，并將直方圖的灰度值歸一化為[0，255] 。

(2) 積分計算出歸一化后對應灰度值i的直方圖分布，式中H′i代表灰度值為i的點對應的映射關(guān)系。

(3) 使用H′作為查找表計算均衡化圖像equx，y＝H′(srcx，y) ，式中H′代表原始圖像直方圖變換時的映射矩陣；srcx，y為原始圖像中坐標為(x，y) 的點灰度值；equx，y為均衡化圖像中坐標為(x，y) 的點灰度值。

現(xiàn)階段常用的圖像均衡化算法主要有灰度直方圖均衡(Histogram Equalization，HE)方法和限制對比度的自適應直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)方法。 HE方法可以有效地歸一化亮度并增加圖像對比度，但是也存在一些缺陷，如圖像部分區(qū)域由于對比度增強過大而成為噪點，一些區(qū)域調(diào)整后變得更暗或更亮，容易缺失信息細節(jié)。 CLAHE 方法通過對圖像數(shù)據(jù)分區(qū)域處理來改善這些缺陷，其主要步驟如下:(1)將圖像切分為固定大小的矩形塊；(2)設(shè)定直方圖閾值，對于每個矩形塊子圖，分別計算其灰度直方圖和對應的變換函數(shù)，并通過設(shè)定閾值可以把占比超過閾值的部分均勻分布到其他灰度上，降低圖像的對比度；(3)使用線性插值進行像素值重構(gòu)解決矩形塊之間的差異，其中針對角落區(qū)域的像素使用原始變換函數(shù)計算灰度值，對邊緣區(qū)域的像素使用周圍兩塊子圖的變換函數(shù)進行線性插值計算灰度值，其余區(qū)域使用周圍四塊子圖的變換函數(shù)進行雙線性插值計算灰度值。 但是，CLAHE 方法尚不能解決裂縫圖像質(zhì)量差的問題。

2.2 改進的隧道圖像增強算法

文章提出的算法基本思想是通過增強圖像的對比度來提升裂縫區(qū)域的顯著程度，同時使圖像的背景部分趨于一致。 文章通過融合HE 方法和CLAHE 方法，提出了一種改進的直方圖均衡化算法以提高背景的相似性與裂縫的顯著性。

(1) 使用CLAHE 方法，其中算法使用默認閾值(顏色對比度閾值cliplimit ＝40，均衡化網(wǎng)格大小gridsize ＝(8，8))。

(2) 對第一步均衡化的結(jié)果使用直方圖均衡化，將圖像灰度圖拉伸，強化裂縫區(qū)域與暗色背景區(qū)域的差別，輔助神經(jīng)網(wǎng)絡提取特征。

圖3 是文章提出的增強算法與其他增強算法的效果圖。 原始圖像中裂縫不夠明顯，直方圖分布也較為集中。 HE 算法對直方圖進行簡單的拉伸和插值，使圖像直方圖分布趨于一致，但是簡單拉伸灰度分布導致圖像明暗更不均勻，噪聲點更多。 CLAHE算法與文章提出的增強算法在圖像層面基本一致，但從直方圖來看，所提增強算法使直方圖的分布更加均勻，可以明顯看出圖像部分區(qū)域的灰度特征表觀得到了強化。

圖3 裂縫圖像的直方圖均衡化方法效果圖

2.3 裂縫邊緣圖像邊框增強方法

與其他目標檢測任務相比，裂縫常呈現(xiàn)細長的特征。 為了滿足公路隧道裂縫檢測的高精度要求，檢測裝備的拍攝范圍通常較小，因此在采集的公路隧道表觀圖像中，一條裂縫通常連續(xù)覆蓋多張圖像。對大多數(shù)包含裂縫的公路隧道表觀圖像，其裂縫貫穿整張圖像。 在實際使用裂縫識別網(wǎng)絡的過程中，發(fā)現(xiàn)網(wǎng)絡預測框很少能夠覆蓋圖像邊緣的裂縫目標，目標相對位置越接近圖像中心，檢測結(jié)果的置信度就越高，如圖4 所示。

圖4 貫穿圖像的裂縫的識別效果圖

針對圖像邊緣區(qū)域的裂縫識別問題，為了提高裂縫識別的精度，通過改變裂縫區(qū)域在圖像中的相對位置，使裂縫更集中在圖像中心，從而突出目標信息的特征。 因此，文章提出了一種為圖像添加邊框的公路隧道圖像增強方法。 圖像邊框增強方法的步驟如下:(1) 將公路隧道襯砌裂縫數(shù)據(jù)集中的圖像轉(zhuǎn)換為灰度圖，并獲取每個灰度圖像的尺寸信息；(2) 根據(jù)灰度圖像的尺寸信息，設(shè)定需要添加的邊框尺寸；(3)利用相對位置關(guān)系，重新生成裂縫標注信息；(4) 使用灰度值0(黑色)或255(白色)進行邊框填充。

3 裂縫識別算法試驗

3.1 算法試驗基礎(chǔ)

3.1.1 YOLOv5 網(wǎng)絡

YOLOv5 是2020 年提出的目標檢測系列算法(You Only Look Once，YOLO)的最新版本，旨在進一步優(yōu)化基于YOLOv4 的物體檢測的速度和準確性。為了適應不同的場景，發(fā)布了YOLOv5 的4 個預訓練模型分別為YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x。 其中，YOLOv5s 預訓練模型包含1 001個卷積核和12 個殘差分量，參數(shù)量僅有14.4 M，其寬度系數(shù)和深度系數(shù)分別為0.5 和0.33。

3.1.2 YOLOv3－MobileNet 網(wǎng)絡

YOLOv3－MobileNet 提出于2018 年，是YOLO單階段目標檢測算法的第三個大版本。 作為單階段檢測模型，YOLOv3 可以直接計算目標位置信息和類別信息。 同時，YOLOv3 借鑒了傳統(tǒng)圖像算法特征金字塔概念，在3 個不同尺度分別檢測并輸出特征圖，因此對小尺寸目標也有較好的檢測效果。

3.1.3 Faster R－CNN 網(wǎng)絡

Faster R－CNN 是2015 年提出的一種廣泛使用的兩階段目標檢測模型，可以使用多種特征提取網(wǎng)絡作為模型的主干。 輸入經(jīng)過卷積主干生成特征圖，通過區(qū)域建議網(wǎng)絡(Region Proposal Network，RPN)進行特征判斷并生成檢測框。 RPN 會給出檢測框可能的位置提案，并對檢測框進行回歸以更接近目標實際位置。 從RPN 中生成的提案與特征圖相結(jié)合以獲得提案特征圖。 提案特征圖在感興趣池化(Region of Interest，ROI)中并調(diào)整位置大小后送入全連接層完成最終分類和檢測框回歸，得到最終預測結(jié)果。

3.2 評估指標

文章采用COCO 數(shù)據(jù)集的檢測評估指標測試模型。 COCO 評估指標作為最主流的目標檢測評估指標之一，共包含12 個用于評價目標檢測算法性能的指標。 由于該文的數(shù)據(jù)集僅包含裂縫這一類目標。因此，選擇使用其中有關(guān)精確率的評價指標mAP50、mAP75、mAP 和平均召回率AR 評估裂縫識別的效果。

精確率(Precision)和召回率(Recall)已廣泛用于評估分類模型。 精確率代表預測為正類的正樣本數(shù)量占預測為正類的樣本數(shù)量的比例，召回率代表預測為正類的正樣本數(shù)量占全部正類樣本數(shù)量的比例。 精確率、召回率分別由式(1)和(2)表示為

式中TP為預測為正類的正樣本數(shù)量；FP為預測為正類的負樣本數(shù)量；FN為預測為負類的正樣本數(shù)量。

在此基礎(chǔ)上，目標檢測任務引入了交并比(IoU)以擴充評估指標。 IoU 是檢測評估指標中一個非常關(guān)鍵的概念。 交并比示意圖如圖5 所示，標注范圍框和預測范圍框為兩個區(qū)域，IoU 表示的是兩個區(qū)域的重疊程度，由式(3)表示為

圖5 交并比示意圖

式中Ap為預測范圍框的區(qū)域；Agt為標注范圍框的區(qū)域。

通過設(shè)定不同的IoU 閾值(從0.5~0.95，每0.05一檔)，可以對預測結(jié)果得出不同的評估結(jié)果。mAP50、mAP75 分別為IoU 為0.5 和0.75 時的精確率，mAP(亦作mAP＠50∶95)是所有設(shè)定IoU 閾值下精確率的平均值。

3.3 算法試驗方案

利用YOLOv5、YOLOv3－MobileNet 和Faster RCNN 等3 種網(wǎng)絡分別針對文章提出的圖像質(zhì)量增強方法開展算法試驗。 針對直方圖均衡化方法，采用上述3 種算法，分別使用公路隧道原始圖像、CLAHE 算法增強圖像和文章增強方法增強圖像進行裂縫識別網(wǎng)絡的訓練，評估不同增強方法對裂縫識別造成的影響。

針對邊緣裂縫圖像邊框增強方法，為了探討添加的邊框?qū)挾群瓦吙蛱畛漕伾珜α芽p識別的影響，在原始數(shù)據(jù)集上添加了不同寬度的邊框。 邊框大小為原始圖像長與寬的1/10、1/9、1/8 和1/7，邊框填充顏色為黑色和白色。 根據(jù)邊框?qū)挾群瓦吙蝾伾慕M合，設(shè)計8 組工況，分別為(1/10，黑色)、(1/10，白色)、(1/9，黑色)、(1/9，白色)、(1/8，黑色)、(1/8，白色)、(1/7，黑色) 和(1/7，白色)，采用YOLOv5 算法對該方法開展算法試驗。

訓練周期設(shè)置為60、批訓練大小設(shè)置為4。 考慮到圖像邊框增強方法會影響圖像的尺寸，訓練和驗證時輸入圖像的尺寸均自動調(diào)整為640 pixel×640 pixel并關(guān)閉馬賽克增廣方法，其余訓練參數(shù)保持為默認值。 訓練數(shù)據(jù)集為1.2 節(jié)中構(gòu)建的裂縫數(shù)據(jù)集。 訓練電腦硬件配置為處理器Intel i7－11700、顯卡Nvidia Tesla T4 16 G、內(nèi)存32 G；開發(fā)環(huán)境為CUDA 11.1、Python 3.7.9 和PyTorch 1.8.2。

4 均衡化圖像質(zhì)量增強方法試驗結(jié)果

4.1 均衡化圖像質(zhì)量增強方法效果

文章所提出的均衡化質(zhì)量增強圖像的目標檢測算法試驗的9 組結(jié)果見表1，部分典型裂縫識別結(jié)果對比如圖6 所示。 對于YOLOv5 網(wǎng)絡模型的檢測評估指標，經(jīng)過提出的增強方法處理的圖像得到了最好的評估指標。 相比未經(jīng)處理的原始圖像數(shù)據(jù)，mAP、mAP50、mAP75、AR 分別提高了13.5%、10.1%、20.0%和6.0%，其增幅都比較大；相比于CLAHE 增強方法，在mAP 和mAP50 處的增幅取得小幅領(lǐng)先，均提高了約1.4%，但是在mAP75 處的增幅更加明顯，提升了7.3%，說明該算法在高IoU 條件下的準確性較好，識別得到的包圍框與真實情況更相符。

圖6 部分典型裂縫識別結(jié)果對比

對于Faster R－CNN 網(wǎng)絡模型的試驗結(jié)果，所提的圖像增強方法相對于原始圖像數(shù)據(jù)仍有較好的提升效果，mAP、mAP50、mAP75、AR 分別提高了5.6%、2.8%、10.1%和2.7%。 同樣，對比CLAHE 增強方法也有提高，其中mAP75 更是提高了4.9%，說明在對裂縫檢測包圍框精度要求更高的場景下所研算法會有更好的表現(xiàn)。 整體評估結(jié)果證明該算法可以用于改善基于Faster R－CNN 網(wǎng)絡的公路隧道裂縫識別網(wǎng)絡模型。 YOLOv3－MobileNet 的試驗結(jié)果與Faster R－CNN 網(wǎng)絡類似，從數(shù)值上看，文章提出的算法相較兩組對比數(shù)據(jù)均有較大提升，并且是3 個網(wǎng)絡模型中提升幅度最大的，mAP 分別提高了22.2%和6.3%，mAP75 甚至提高到了45.7%和23.5%。

從上述分析可以得出，文章所提算法可以有效提升裂縫識別神經(jīng)網(wǎng)絡的準確性，并且此方法具有良好的適用性，在試驗中使用的3 個網(wǎng)絡模型中均具有良好的表現(xiàn)。 同時，所提算法比CLAHE 算法更好，在4 項評估指標上基本都是最好的，尤其在mAP75 上的較大領(lǐng)先表明能夠滿足較高精度的裂縫檢測場景。 AR 方面，在與原始圖像對比中，提高的百分比約等于AP 提升度的一半，說明基于灰度均衡化的增強方法在提高召回率上的作用相對有限。

4.2 均衡化圖像質(zhì)量增強目標檢測算法訓練曲線

均衡化質(zhì)量增強圖像目標檢測算法訓練曲線如圖7 所示，原始數(shù)據(jù)的訓練曲線有劇烈的波動，說明訓練數(shù)據(jù)與驗證數(shù)據(jù)差別較大，訓練質(zhì)量不高，而采用所提均衡化質(zhì)量增強方法可以平滑訓練曲線，且使訓練結(jié)果適用范圍更廣。 由此可以看出，對于YOLOv5 模型，提出的增強方法可以顯著改善道路裂縫圖像數(shù)據(jù)與隧道裂縫圖像數(shù)據(jù)在訓練中的差異，提高模型預測能力。

圖7 均衡化質(zhì)量增強圖像目標檢測算法訓練曲線

4.3 裂縫邊緣圖像邊框增強方法分析

通過均衡化圖像質(zhì)量增強方法試驗可以看出，YOLOv5 的試驗結(jié)果相較于其他兩種算法表現(xiàn)優(yōu)異，更適用于隧道襯砌裂縫的識別，因此在圖像邊框增強方法試驗中僅選取了YOLOv5 算法進行訓練。

表2 為使用不同圖像邊框增強圖像采用YOLOv5 訓練的裂縫識別結(jié)果。 可以看出，所有使用了邊框增強方法的裂縫識別結(jié)果在mAP50 和mAP 兩個指標上均有提高，并且兩個指標提升幅度最大的均是工況4，mAP50 提高了2.7%，而mAP 提高了3.4%。 從邊框?qū)挾确矫鎭砜矗?/9 的邊框?qū)挾热〉昧俗詈玫脑u估指標，之后隨著邊框越來越寬評估指標開始降低，但是仍然優(yōu)于不添加邊框的工況1。 在原始圖像上添加邊框會導致圖像分辨率變大，而網(wǎng)絡輸入尺寸始終保持為640 pixel ×640 pixel，添加邊框的裂縫圖像的實際裂縫范圍經(jīng)過縮放會比原始圖像更小，并且邊框越寬實際裂縫范圍越小，由縮放產(chǎn)生的圖像精度損失會更大，因此在邊框?qū)挾瘸^一定的范圍時裂縫識別的精確率開始降低。

表2 不同工況圖像邊框增強方法試驗結(jié)果表

從邊框顏色方面來看，1/10 寬度的工況條件下白色邊框的評估指標優(yōu)于黑色邊框，但是二者差距較小。 其余寬度條件下黑色邊框的評估指標均優(yōu)于白色邊框，其中mAP50 的提高幅度較小，但是mAP的提高幅度較大一些，說明在精度要求較高的場景下黑色邊框會有更加明顯的裂縫識別增強效果。 考慮到公路隧道光照條件較差，采集的公路隧道表觀圖像通?；叶戎递^低，相比于白色，其更接近于黑色，因此可以認為針對公路隧道襯砌表觀灰度圖像的裂縫識別任務，添加黑色邊框會優(yōu)于白色邊框。結(jié)合邊框?qū)挾群瓦吙蝾伾珒煞矫娴姆治?，圖像邊框增強方法可以有效提高公路隧道裂縫識別的精確率，并且在640 pixel×640 pixel 的輸入尺寸下為裂縫圖像添加寬度為1/9 的黑色邊框可以獲得最好的裂縫識別效果。

4.4 裂縫邊緣圖像目標檢測算法訓練曲線

裂縫識別模型在工況1、4 和5 的訓練損失和驗證損失曲線變化趨勢如圖8 所示，在開始訓練之初，工況4 的損失曲線迅速下降，工況1 的損失曲線下降最慢。 訓練結(jié)束時，工況1 具有最高的損失值。通常，越低的損失值表示越好的訓練指標。

圖8 裂縫圖像邊框增強圖像目標檢測算法損失曲線

在訓練前期驗證損失曲線震蕩較大，主要是因為在“預訓練－微調(diào)”模式下迭代次數(shù)較少時，權(quán)重的參數(shù)矩陣進行前向推理預測的裂縫錨框與實際裂縫錨框相差較大造成的，此時的訓練權(quán)重不能夠很好地進行裂縫識別這一任務。 隨著迭代次數(shù)的增加，裂縫識別模型的損失曲線震蕩現(xiàn)象逐漸變小且趨向于穩(wěn)定，工況4 率先達到收斂狀態(tài)。 由于驗證集也被定義為測試集，因此在評估不同的模型預測性能時，與訓練損失相比，驗證損失更為可靠。

5 結(jié)論

針對現(xiàn)階段采用移動測量技術(shù)獲取隧道裂縫圖像信噪比低、對比度低，圖像質(zhì)量差的問題，分別提出了基于均衡化理論的圖像質(zhì)量增強方法和適用于邊緣裂縫的圖像邊框質(zhì)量增強方法，采用主流目標檢測算法開展了算法試驗，分析了圖像質(zhì)量增強效果，得到的主要結(jié)論如下:

(1) 所提的均衡化圖像質(zhì)量增強方法通過均衡直方圖的方法使裂縫圖像直方圖的分布更加均衡，強化了部分區(qū)域的灰度特征表現(xiàn)，使不同場景下的高噪聲裂縫呈現(xiàn)出類似的視覺效果，可以輔助提升裂縫識別效果。

(2) 所提的圖像數(shù)據(jù)增強算法可以有效提升裂縫識別的準確性，YOLOv5 模型、Faster R－CNN 模型、YOLOv3－MobileNet 模型分別可以使AP 提升13.5%、5.6%、22.2%。 在均衡化圖像裂縫檢測試驗中，YOLOv5 模型具有最好的評估指標，輕量化模型YOLOv3 可以應用于快速化裂縫檢測任務，F(xiàn)asterRCNN 模型在精細目標識別方面有一定的優(yōu)勢。

(3) 為公路隧道襯砌表觀灰度圖像添加邊框的圖像邊框增強方法可以有效提高公路隧道裂縫識別的準確率，并且該方法在添加寬度為1/9 的黑色邊框時可以獲得最好的裂縫識別效果，同時可以加快模型的收斂速度。