刘新根，陈莹莹，王雨萱，刘树亚

(1.上海同岩土木工程科技股份有限公司， 上海 200092；2.上海地下基础设施安全检测与养护装备工程技术研究中心， 上海 200092；3.深圳市地铁集团有限公司，广东 深圳 518026)

裂缝是一种最主要的隧道衬砌病害类型[1]，根据交通运输部数据统计，截至2019年底，全国公路隧道19 067座、18 967 km，铁路隧道16 084座、18 041 km。为确保隧道安全运营，每条隧道都需定期检修、维护，且随着隧道运营数量和里程的快速增长，检测任务日渐繁重，但人工检测效率和准确率低、人员专业性要求较高。为提高隧道检测效率，图像检测技术得到广泛应用，其中裂缝的准确高效识别是该技术有效实施的关键。

许多学者针对这一需求，在裂缝自动识别领域进行了大量研究。文献[2]针对地铁隧道提出连通域分析获取裂缝区域；文献[3]基于模板、Hough变换以及支持向量机(SVM)的近似裂缝结构分析法，通过裂缝特征获取隧道衬砌裂缝；文献[4]提出基于裂缝几何特征、区域块状特征的裂缝自动分类算法，实现裂缝类别的自动区分。但隧道裂缝识别中存在裂缝特征不明显、隧道内干扰物过多、图像采集不清晰等问题，传统算法不能实现较好的识别效果。

目前卷积神经网络发展迅速，裂缝自动检测中也开始逐步应用这一技术。文献[5] 利用深度学习算法对无人机获取的混凝土桥梁图像进行结构表面裂缝识别；文献[6]提出一种用于磁光图像中裂缝检测的人工神经网络方法，利用旋转偏振光检测裂缝引起的磁场，实现裂缝识别；……