第20卷第3期2023年3月铁道科学与工程学报JournalofRailwayScienceandEngineeringVolume20Number3March2023基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法朱家松1，郑澳2，雷占占1，练敏青3，杨军伍3，李林超1(1.深圳大学土木与交通工程学院，广东深圳518000；2.深圳大学建筑与城市规划学院，广东深圳518000；3.深圳市地铁集团有限公司，广东深圳518026)摘要：随着地铁隧道服役时间增长，隧道衬砌在多因素影响下病害频发，对隧道结构及临近附属设施造成不良影响，严重危及到行车安全。因此，亟需精确高效的地铁隧道病害及设施检测技术。然而，地铁隧道存在内部环境复杂，附属设施与衬砌病害纹理及灰度相似、目标尺度不一等检测难点，传统的人工巡检及数字图像处理方法均存在局限。针对上述问题，提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型。针对设施及病害的位置特征引入坐标注意力(Coordinateattention)引导模型对目标区域赋予更高权重，抑制背景噪声；采用BiFPN(Bi-directionalFeaturePyramidNetwork)特征融合网络提升小目标病害检测效果；并利用GhostBottleneck替代部分卷积减少模型参数，提高检测效率。为验证改进后模型检测性能，进行现场实验，构建样本数量为843的地铁隧道衬砌图像数据集。并采用随机裁剪、镜像翻转等数据增强方法，将样本量扩充至4072。数据集上的实验结果表明，改进模型的平均精度均值(mAP)可达89.2%，较原模型提高了3.7%，有效提升了隧道环境中小目标病害的检测效果。且模型参数减少了12%，更有利边缘端部署。相比于其他隧道检测模型，改进后的模型在综合性能上更具优势，可为地铁隧道衬砌病害实时检测和附属设施数字化提供技术支持。关键词：地铁隧道；衬砌检测；深度学习；目标检测中图分类号：TP391文献标志码：A开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）03-1008-12MetrotunnelaccessorialfacilitiesandliningdiseasesdetectionmethodbasedonimprovedYolov5ZHUJiasong1,ZHENGAo2,LEIZhanzhan1,LIANMinqing3,YANGJunwu3,LILinchao1(1.CollegeofCivilandTransportationEngineering,ShenzhenUniversity,Shenzhen518000,China;2.SchoolofArchitecture&UrbanPlanning,ShenzhenUniversity,Shenzhen518000,China;3.ShenzhenMetroGroupCo.,Ltd.,Shenzhen518026,China)Abstract:Withtheincreaseofservicetimeofsubwaytunnel,tunnelliningdiseasesoccurfrequentlyunderthe收稿...
