常 惠，饶志强，赵玉林，李益晨

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

裂缝是铁路隧道施工和使用过程中不可避免的问题，对隧道的结构稳定和列车的安全运行有着重要的影响。目前，国内铁路隧道裂缝的检测主要依靠人工检测，难以满足铁路安全检测快速发展的要求。利用数字图像处理和计算机视觉技术来检测裂缝逐渐成为主流方法，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（Support Vector Machine，SVM）[4-5]等，但是隧道图像存在水渍、划痕、光照不均匀、噪声大等复杂情况，影响传统图像处理方法的发展，因此应该采取更有效的方法及时检测隧道裂缝。

近年来，深度学习在结构健康监测领域得到了很大的应用，裂缝检测也不例外。文献[6]和文献[7]利用深度神经网络检测隧道裂缝，检测精度和速度都得到了有效提高。文献[8]在U-Net 网络结构上引入了一种基于距离变换的新代价函数对裂缝进行像素级的分割。文献[9]采用改进的U-Net网络实现了像素级、小样本的桥梁裂缝图像的检测。文献[10]在U-Net网络体系结构上对裂缝进行分割，利用预训练的ResNet34 作为预编码器来改进网络的性能。文献[11]在U-Net的基础上使用预训练的ResNet34 作为编码器，并添加注意力机制模块进一步提高了混凝土裂缝检测的精度。文献[12]采用U-Net 方法检测混凝土裂缝，与全卷积网络（Fully Convolutional Networks，FCN）相比，该方法显示出高效率、良好的鲁棒性和更好的准确性，但目前方法仍存在边缘平滑、细节丢失和误检的问题。……