基于冲击回波声频法和迁移学习的铁路隧道衬砌质量检测自动判识技术

张应迁 姜勇 冯源 吴佳晔，4

（1.四川轻化工大学土木工程学院，四川自贡 643000；2.四川升拓检测技术股份有限公司，成都 610045；3.中国国家铁路集团有限公司工程质量监督管理局，北京 100844；4.西南石油大学机电工程学院，成都 610500）

铁路隧道衬砌的缺陷和劣化严重影响行车。目前，铁路隧道衬砌检测主要采用地质雷达法。冲击回波声频（Impact Acoustic Echo，IAE）法综合弹性波冲击回波法和敲击法的优点，是一种基于音频的非接触移动式工程无损检测方法。IAE法在检测灵敏度、可靠度、辨识度等方面较地质雷达法明显提升[1]，但所得图片仍须人工判识，不仅效率不高，而且依赖于分析人员专业素质，进而降低了判识结果的客观性。因此，须将人工智能、机器学习引入铁路隧道衬砌分析，以提高解析效率和结果的客观性，降低分析人员的工作量，最终实现全自动远程分析。

为了减少机器学习的训练成本，引入了迁移学习。本文将IAE法和迁移学习结合起来进行隧道衬砌无损检测和识别，并通过实例验证其可行性。

1 IAE法检测原理

IAE法在结构的测试部分激发空气振动从而产生声音，通过宽频域和高指向拾取装置拾取声音信号，通过差分处理计算空气柱加速度。由于空气柱加速度与被测结构表面的加速度密切相关[2]，通过对加速度信号的分析，可以快速准确地了解被测结构内部情况，避免接触试验带来的误差，提高了测试精度和效率。采用四川升拓检测技术股份有限公司研制的STL‐IAES‐B型冲击回波声频检测仪（图1）。

图1 冲击回波声频检测仪

隧道衬砌常见质量缺陷分为欠厚（qh）、超厚或强度不足（ch）、不密实（bms）、脱空（tk）4大类。脱空又分为表（浅）层脱空和深层脱空。衬砌常见质量缺陷IAE解析图见图2。欠厚时锚固板底部弹性波反射信号前移，但变化较缓慢、连续。超厚或强度不足时板底部反射信号后移，但变化较缓慢、连续。不密实时局部锚固板底部反射信号延迟、杂乱不连续。表（浅）层脱空时锚固板顶部位置有极弱反射信号，底部反射信号延迟严重。深层脱空时锚固板底部反射信号前移，但变化较为剧烈。目前，需要有经验的工程师人工对缺陷的有无、类型和位置进行判识。

图2 衬砌常见质量缺陷IAE解析图

2 迁移学习

为了提高IAE法的分析效率和客观性，采用人工智能中的迁移学习来解决IAE解析图中缺陷的类型及位置问题。

传统深度学习要想获得理想的学习效果，一般需要成千上万的训练样本，但可靠的、具有典型意义的样本比较难以获取。同时，数据标注费时费力，这给深度学习的模型训练和更新带来了挑战。迁移学习能很好地解决这一问题。迁移学习可借用已经训练好的深度学习模型（如神经网络模型），利用新标记数据对最后的分类层进行模型训练，进而得到新模型，亦即实现了模型的迁移[3]，故名迁移学习。

本文采用基于Tiny‐YOLO v2模型的迁移学习，先删除源模型的分类器，添加新分类器，然后在自定义数据集上微调新分类器。

3 结合IAE法和迁移学习进行铁路隧道衬砌缺陷识别

结合赣深高速铁路8标段数据，采用IAE法和迁移学习对铁路隧道衬砌缺陷进行识别。主要流程如下：

1）源模型的选取

考虑到需要识别图片信息，故采用卷积神经网络[4-6]。YOLO（You Only Look Once）目标检测方法就是其典型代表。YOLO是一种实时目标检测方法，不仅检测快速而且准确率较高[7]。其将目标区域预测和类别预测整合于单个神经网络模型中，非常适合于IAE法检测结果的分析。

为了进一步提高训练速度，使用Tiny‐YOLO v2模型进行自定义数据集的迁移。与Tiny‐YOLO v3相比，该模型精度略有降低但训练速度大大提高。

2）自定义数据集及标注

将前期整理的240张赣深高速铁路8标段隧道衬砌IAE缺陷图片作为训练样本和测试样本，进行模型训练和十折交叉验证。

将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，最后再求其平均值，作为对其算法准确性的估计[8]。采用精灵标注助手完成隧道衬砌缺陷的识别，最后输出和图片对应的xml文件。其中xml文件内容包含缺陷的类型以及对应位置。

3）预定义参数

预定义参数：①Tiny‐YOLO v2模型的尺寸w（宽度）×h（高度）=416像素×416像素；②模型为彩色，因此图像的通道数设置为3；③Tiny‐YOLO v2模型将图像宽度和高度各分割为13等份；④结构缺陷种类设置为4；⑤训练迭代次数为600。

4）训练算法

训练算法采用非极大值抑制法（Non‐Maximum Suppression，NMS）。该算法可避免出现同一区域被多次重复识别的问题。模型训练中未采用与采用NMS算法铁路隧道衬砌缺陷识别效果对比见图3。其中，conf为置信度。可以看出，未采用NMS算法时标识框出现较多重叠。

图3 未采用与采用NMS算法铁路隧道衬砌缺陷识别效果对比

5）模型精度分析

根据十折交叉验证的结果，迁移学习所得的训练模型缺陷识别准确率总体超过了95%。但是因受样本分布不均、迭代次数等影响仍然存在一定误差。

①样本分布不均

由于超厚或强度不足样本超过样本总数的1/4，导致样本不均衡，使得判断结果更偏向于该类缺陷。最终训练结果也证实了这一点。

迭代次数与各类缺陷准确率见表1。可以看出：当迭代次数从600增至1 000时由于超厚或强度不足缺陷训练样本较多，该缺陷的准确率高达100%，而其他3类缺陷由于训练样本不足，准确率仅从最低的94%增至98%。绝大多数的误判都是其他类型缺陷，特别是深层脱空被误判成超厚或强度不足。

表1 迭代次数与各类缺陷准确率

②迭代次数

欠厚缺陷准确率、漏判率、置信度随迭代次数变化曲线见图4。可以看出：增加模型训练的迭代次数对提高漏判率有明显效果。当迭代次数从600增至1 000时准确率从95%增加到99%，漏判率从38%减少到3%，最小置信度从0.75增至0.78，最大置信度保持在0.99。

图4 欠厚缺陷准确率、漏判率、置信度随迭代次数变化曲线

6）缺陷类型及范围的自动标识

为了在IAE检测图形上自动标识缺陷类型及范围，采用Intel公司开发的开源平台OpenCV[9]，将不同缺陷以不同的颜色矩形框进行标注。超厚/强度不足用蓝色标识，不密实用绿色标识，欠厚用品红标识，脱空用洋红标识，并且将不同缺陷的置信度在图中标识，见图5。

图5 典型隧道衬砌IAE缺陷识别图

4 工程现场验证

使用冲击回波声频检测仪对赣深高速铁路8标段一隧道拱顶进行了检测，对所得IAE图片通过迁移学习识别，并对部分位置开孔验证。DK400+025.5—DK400+037.5区段检测结果及验证情况见图6。IAE和迁移学习识别结果为不密实缺陷，置信度为0.98。经开孔验证，该处确实存在不密实缺陷。

图6 DK400+025.5—DK400+037.5区段检测结果及验证情况

DK400+037.5—DK400+049.5区段检测结果见图7。可知：IAE法和迁移学习识别结果为脱空，置信度为0.89，说明该处为脱空缺陷的概率较高。由于各种原因未进行开孔验证，但通过冲击回波法、探地雷达等方法相互佐证，该处确实存在脱空。初步判定缺陷距衬砌拱顶表面44～47 cm。

图7 DK400+037.5—DK400+049.5区段检测结果

5 结语

通过将IAE法和迁移学习相结合，采用开源平台OpenCV，结合非极大值抑制法，在IAE分析图像上将不同缺陷以不同的颜色自动标注，极大提高了铁路隧道衬砌质量判别能力。

通过2个实例验证，采用迁移学习在训练样本极为有限的情况下依然可以达到良好的训练效果，预测精度可达98%。识别的缺陷类型、位置均非常准确，模型的泛化能力也得到检验。因此，基于IAE法和迁移学习的铁路隧道衬砌质量检测自动判识技术不失为一种高效的混凝土无损检测技术。

此次样本的收集整理以及模型的训练均还有较大提升空间。随着数据的不断积累，模型的预测精度和泛化能力会不断提高。