常 惠，饶志强，李益晨，赵玉林

(1.北京联合大学北京市信息服务工程重点实验室，北京 100101；2.北京联合大学城市轨道交通与物流学院，北京 100101)

0 引言

我国铁路隧道在运营期间因为各种原因产生不同程度的病害，衬砌裂缝是最常见的一种，裂缝会影响隧道的稳定性，对于铁路隧道安全运行是个极大的隐患，久而久之会对列车的运行造成负面影响，因此对隧道裂缝进行及时有效的识别与处理是一项非常重要的工作.目前，我国铁路隧道裂缝的检测大多使用人工检查的方法，该方法难以满足铁路安全检测快速发展的要求.目前利用计算机视觉和数字图像处理来检测裂缝已引起越来越多学者的关注，常用的方法如Gabor滤波[1]、随机森林[2]、稀疏表示方法[3]、支持向量机(SVM)[4-5]和Hough变换与SVM相结合[6]等方法.虽然这些方法取得了较好的检测效果，但是它们对输入图像的质量要求较高，而铁路隧道图像包含复杂的自然特征，例如油漆、水渍和结构缝等，加之隧道内光线不均匀和噪声的干扰，使得裂缝检测受到极大的影响.

近年来，深度学习取得了飞速的发展，并且在结构健康监测领域也得到了很大的应用，越来越多的研究者使用深度学习的方法对裂缝进行检测.文献[7]提出了一种8层CNN来扫描小块的高分辨率裂缝图像，并引入基于相位的视觉流模型来考虑时间因素进行裂缝的分类；文献[8]将基于CNN的裂缝检测方法与6个常见边缘检测器的性能进行了比较，结果表明CNN架构优于其他方法；……