Page 197 - 道路及桥梁工程检测技术管理

第四章 隧道检测理论研究

能力，能够进行简单的图像识别等任务。然而采用全连接的人工神经网络处理数
据会出现严重的过拟合现象。因此学者们提出了卷积神经网络，基础的卷积神经
网络包括卷积层、池化层和全连接层，包含了一系列卷积计算、池化操作等。

3. 目标检测
目标检测主要分为一阶段检测（one-stage）和二阶段检测（two-stage）两
种。二阶段检测主要分两个阶段，先对目标的位置检测再对目标进行识别分类。
最具代表性的是 Girshick 等人提出的 FastR-CNN 目标检测算法。首先对整张图

像进行卷积操作，并在最后一层卷积层和全连接层之间添加池化层，并提出了多
任务损失函数，最终能够快速训练并检测。FastR-CNN 是属于完全由卷积神经网
络构成的检测网络。为了提高目标检测算法的实用性，具有代表性的一阶段检测
的 YOLO 目标检测算法应运而生。区别于二阶段检测，整个检测框架只包含三

个部分，包括缩放、卷积以及非极大值抑制算法。2020 年，AlexeyAB 等提出了
YOLOv4 模型，YOLO 目标检测算法经过不断完善发展如今已经迭代了 4 代，在
算法的速度和准确度方面都有巨大的提升。通过神经网络算法构建的目标检测技
术为隧道衬砌裂缝的检测提供了技术支撑，不需要作业人员利用人力来逐个检测。

4. 常时微动检测技术
基于摄影测量的无损检测技术只能测得衬砌表面的质量状况，其内部质量信
息无法获取。隧道衬砌厚度不足、混凝土内部质量缺陷（蜂窝、孔洞、裂隙及夹
层、强度不足）、衬砌背后空洞或回填不密实等内部缺陷导致隧道结构承载力降

低，从而导致衬砌开裂、混凝土脱落或者渗漏水等众多问题，严重影响着隧道的
正常使用，威胁过往车辆的安全行驶。根据振动力学理论，由于受到外界环境扰
动的影响，任何物体在任何时间都在以微小振幅不停振动，这种不停的微小振动
被称为常时微动，物体的微动特性受到其本身结构和约束条件的影响。目前，测

量结果主要应用于地基土划分、震害预测、建筑物健康检测、边坡防护等方面，
该方法基于被检测对象常时微动的特点进行健康检测，不需要提供额外震源，具
有适用性更强的特点。将常时微动技术应用于判断隧道衬砌中存在的开裂、空洞
等问题，在隧道衬砌质量完整性好的部位采集常时微动数据，将该数据转换处理

后作为基准数据，在需要进行衬砌检测部位采集常时微动数据，将此数据处理后
与基准数据进行对比，通过分析对比结果中异常信息进行衬砌完整性判定。目前
主要通过在衬砌表面安装微动传感器来测量其微动特性，该测量技术具有小型化、

·189·