Page 99 - 无损检测2024年第六期

蒋志超，等
基于 Mask R-CNN 模型的铁路隧道衬砌机制砂混凝土裂缝视觉检测

水剂的缓凝等问题 。若追求现场喷射混凝土的流
[2]
动性与和易性，易导致速凝剂的速凝相互抑制。这
些问题易导致混凝土施工过程中产生裂纹，故对隧
道衬砌混凝土裂缝进行视觉检测，有利于对桥梁健
康状况进行检测和预警。
王保宪等 提出基于特征增强学习的视觉检测
[3]
方法，采用K-means聚类算法，对检测图像进行了局
部拉伸，消除了部分不均匀噪声带来的误差，分辨率
适应能力更高，求解的准确性较高，具有一定的应用 图 1 分段线性变换函数示意
[4]
价值。许霄煜等 提出基于目标提取与SVM（支持
向量机）的视觉检测方法，利用改进的双边滤波方法， （3）
对双边滤波因子进行了计算，取得了较好效果。
式中： h 为选定阈值参数；g 为频率矩形中心的距离；
文章基于掩膜区域卷积神经网络（Mask R-
l 为二值化图像像素参数；k 为像素个数；j 为灰度
CNN）模型，提出一种铁路隧道衬砌机制砂混凝土
像素频率。
裂缝视觉检测方法，在分段线性变换结果与裂缝宽
在得到滤波器幅频特性参数的基础上，对最大
度判断结果的基础上，以Mask R-CNN模型扩展裂
类间方差进行计算 ，即
[7]
缝边界特征点，以累加像素点为二次约束条件，固定
a
对应的跟踪方向和边界跟踪参数，以此来保证视觉 K = s ++q × w （4）
检测效果。 m ×d
式中：s 为目标最大类间方差；a 为背景方差；q 为
1 视觉检测方法设计 裂缝二值参数；m 为信噪比参数；d 为像素点的最

1.1 混凝土裂缝图像分段线性变换 大数值。
得到最大类间方差数值后，再对图像进行变换，
为了有效地对铁路隧道衬砌机制砂混凝土裂缝
分段线性变换结果可表示为
进行视觉检测，对裂缝图像进行分段线性变换。在
t
卷积神经网络结构中，结合阈值分割法对图像进行 e = ∑ r +×y × K （5）
分割，计算经验阈值灰度，即 ∑ u +i
式中：r 为退化函数；t 为噪声项参数；y 为滤波幅

（1） 值参数；u 为幅值判断参数；i 为像素点值参数。
得到分段线性变换后的裂缝图像参数后，可以
式中：U为经验阈值灰度； Y 为像素点数；G 为总像
调整图像的对比度和亮度，并突出裂缝区域的特征，
素点数；E 为阈值类间方差参数；R 为灰度变换矢
使得裂缝在图像中更加明显且易于观察和分析。
量参数；T 为任一点的坐标；z 为高斯函数标准差 。 1.2 基于Mask R-CNN模型的裂缝边缘求解
[5]
在此基础上，通过卷积过程求解，对图像进行滤
针对分段线性变换后的砂混凝土裂缝图像，为
波去噪，即
了有效地定位和量化裂缝的尺寸、形态和分布等信
息，分析裂缝边缘强度，提出以下公式，即
（2） ∑ n
1
Z = ∑ ( 1 + )+ （6）
式中：o为去噪结果； b 为掩膜内中心点的坐标；n 为 X C M
卷积核模块；c 为卷积系数；v 为图像的对比参数。 式中：Z 为裂缝边缘强度；X 为梯度算子参数；C 为
构建分段线性变换函数，对存在灰度级范围较 有向算子参数；M 为输入图像线性层数；n 为边缘
小的图像进行增强，聚焦图像的对比度，对图像进行 梯度幅值。
灰度变换 ，分段线性变换函数如图1所示。图1中， 但是依靠强度值，只能标记边缘线条，无法实现
[6]
裂缝的形态和照明条件对分段线性变换效果有很大影 对裂缝边缘的像素级别分割，所以，为了同时检测裂
响，为了使图像的灰度分布更加一致，根据分段线性 缝区域的位置和标记像素级的边缘掩膜，笔者构建
变换函数，对滤波器幅频特性进行计算，即 Mask R-CNN模型 ，模型结构如图2所示。
[8]
61
2024 年 第 46 卷 第 6 期
无损检测