隧道衬砌空洞是威胁运营安全的主要病害之一,传统探地雷达(Ground Penetrating Radar, GPR)检测方法依赖人工经验,存在效率低、主观性强的问题。为实现智能识别,本研究提出一种改进YOLOv3(You Only Look Once v3)深度学习框架的探地雷...隧道衬砌空洞是威胁运营安全的主要病害之一,传统探地雷达(Ground Penetrating Radar, GPR)检测方法依赖人工经验,存在效率低、主观性强的问题。为实现智能识别,本研究提出一种改进YOLOv3(You Only Look Once v3)深度学习框架的探地雷达图像解译方法。通过系统梳理缺陷类型,建立了包含钢筋背后空洞(Void Behind Reinforcement, VR)、素混凝土三角脱空(Triangular Void in Plain Concrete, VC)和其它素混凝土空洞(Other Void in Plain Concrete, VT)的标准化数据集。针对复杂GPR图像特征,在网络中增加了5条残差连接以增强特征提取与梯度流动能力。实验结果表明,改进后模型训练收敛速度提升约30%,平均检测精度(mean Average Precision, m AP)达95.05%,较原YOLOv3模型提升8.12个百分点。各类别的平均精度(Average Precision, AP)分别为:VC 96.47%、VR 95.62%、VT 93.07%。在实际铁路隧道1600m检测段中,系统自动识别出20处空洞,经人工开孔验证准确率为95%。该方法显著提升了隧道衬砌空洞检测的自动化水平和可靠性,为工程结构隐蔽病害的智能化诊断提供了有效工具。展开更多
文摘隧道衬砌空洞是威胁运营安全的主要病害之一,传统探地雷达(Ground Penetrating Radar, GPR)检测方法依赖人工经验,存在效率低、主观性强的问题。为实现智能识别,本研究提出一种改进YOLOv3(You Only Look Once v3)深度学习框架的探地雷达图像解译方法。通过系统梳理缺陷类型,建立了包含钢筋背后空洞(Void Behind Reinforcement, VR)、素混凝土三角脱空(Triangular Void in Plain Concrete, VC)和其它素混凝土空洞(Other Void in Plain Concrete, VT)的标准化数据集。针对复杂GPR图像特征,在网络中增加了5条残差连接以增强特征提取与梯度流动能力。实验结果表明,改进后模型训练收敛速度提升约30%,平均检测精度(mean Average Precision, m AP)达95.05%,较原YOLOv3模型提升8.12个百分点。各类别的平均精度(Average Precision, AP)分别为:VC 96.47%、VR 95.62%、VT 93.07%。在实际铁路隧道1600m检测段中,系统自动识别出20处空洞,经人工开孔验证准确率为95%。该方法显著提升了隧道衬砌空洞检测的自动化水平和可靠性,为工程结构隐蔽病害的智能化诊断提供了有效工具。
