隧道掌子面裂隙智能识别的多尺度特征融合(Multi-Scale Feature Fusion for Intelligent Recognition of Tunnel Face Fractures)

《Applied Sciences》：Multi-Scale Feature Fusion for Intelligent Recognition of Tunnel Face Fractures

　　

准确识别隧道掌子面(tunnel face)上的裂隙(fracture)是评估围岩完整性及保障开挖安全的关键，但受限于裂隙痕迹纤细、不规则、不连续且易被复杂岩石纹理与光照变化遮挡，该任务仍具挑战性。研究人员提出MF-DeepLabv3+——一种基于DeepLabv3+增强的语义分割框架，用于隧道掌子面裂隙识别与几何表征。不同于现有基于注意力的DeepLab变体主要增强全局特征表示，MF-DeepLabv3+专为细薄且不连续隧道掌子面裂隙分割设计，集成了用于多感受野特征交互的多尺度交叉注意力(Multi-Scale Cross Attention, MSCA)模块、用于抑制噪声并增强裂隙连续性的特征平滑(Feature Smoothing)模块，以及轻量化的MobileNetV2骨干网络以提升计算效率。研究人员建立了由青岛胶州湾第二海底隧道与烟台城市快速路隧道采集的2153张标注图像数据集进行训练与评估。鉴于裂隙与背景像素严重的类别不平衡，准确率(Accuracy)仅作为辅助指标报告，重点强调mAP、mIoU、各类别IoU及裂隙专属精确率(Precision)、召回率(Recall)和F1分数以更可靠评估分割性能。对比与消融实验表明，MF-DeepLabv3+取得82.56% mAP与62.99% mIoU，辅助Accuracy为92.47%；相比原始DeepLabv3+基线，所提模型mAP显著提升、mIoU适度改善，表明裂隙识别能力增强及区域重叠度略有提升，并以适中增加的计算成本换取了分割性能改善。研究人员进一步利用边缘检测、霍夫变换(Hough Transform)、连通域分析(connected-component analysis)及拟合线几何进行裂隙分组与后处理，估算裂隙长度与宽度。因此，所提方法可实现更可靠的隧道掌子面裂隙识别，并为工程评估与地质解译提供定量几何信息。

论文解读：隧道掌子面裂隙智能识别的多尺度特征融合——基于MF-DeepLabv3+的语义分割与几何表征

该论文发表于《Applied Sciences》。

一、研究背景与意义

隧道掌子面(tunnel face)揭露的裂隙(fracture/joint)是评价岩体完整性、结构不连续性及开挖期潜在失稳的直接标志，其产状、迹长(persistence)、间距、开度(aperture)与连通性是围岩分类与支护设计的重要依据。传统基于手工图像处理的裂隙提取方法（阈值分割、Canny边缘检测、形态学滤波等）依赖人工设计特征与经验参数，在隧道现场复杂背景下（不均照明、岩粉、渗水、异质岩石纹理）鲁棒性差。现有基于卷积神经网络(CNN)的目标检测与分割方法虽有进展，但对隧道掌子面裂隙"细、低对比度、边界模糊、尺度与走向多变、易中断"的特性仍不敏感，存在细裂隙漏检、边界恢复不足及现场部署计算负担过重等问题。Transformer类模型需大规模数据与算力，轻量化模型则在特征压缩时常丢失细部。为此，研究人员以DeepLabv3+为基础架构，针对隧道掌子面裂隙特点引入多尺度交叉注意力(Multi-Scale Cross Attention, MSCA)模块与特征平滑(Feature Smoothing Module, FSM)，采用MobileNetV2作骨干网，构建MF-DeepLabv3+框架实现像素级裂隙分割并后处理提取定量几何参数，服务于工程地质编录与围岩评估。

二、主要关键技术方法概述

研究人员自建隧道掌子面裂隙数据集，图像采自青岛胶州湾第二海底隧道与烟台城市快速路隧道钻爆法施工工作面，使用Nikon D7000配双32W LED补光，于出渣排险后立架前拍摄，共2153张由地质工程师监督用LabelMe逐像素标注裂隙与背景（Cohen's κ=0.73）。原始RGB(4928×3264)转为灰度再双线性插值至512×512，按7∶2∶1划分为训练/验证/测试集。以DeepLabv3+为基线，编码器换为MobileNetV2(深度可分离卷积depthwise separable convolution+倒残差inverted residual)；解码器前端加入MSCA模块（并行空洞卷积atrous convolution孔洞率dilation rate=1,3,5提取多感受野特征并跨尺度注意力融合）；其后接入FSM模块（深度可分离卷积+1×1逐点卷积+BatchNorm+ReLU+残差连接+Dropout p=0.1）抑制噪声保连续。训练采用交叉熵损失、batch=8、lr=0.001、300 epoch、随机种子42，数据增广含水平翻转/旋转/缩放/裁剪/亮度对比度调整，以mIoU(mean Intersection over Union)、mAP(mean Average Precision，像素级)、裂隙类Precision/Recall/F1及参数量/GFLOPs为主要评价指标。分割结果经Canny边缘检测→Hough直线检测与最小二乘拟合→按走向分组(30°分箱作玫瑰图)→连通域分析(connected-component analysis)→轮廓点向拟合线投影求迹长、垂距统计求宽。

三、研究结果

3.1 模型改进(Model Modification)

在DeepLabv3+编码器—解码器结构中嵌入MSCA与FSM并以MobileNetV2为骨干构成MF-DeepLabv3+。MSCA通过孔洞率1/3/5的三路并行空洞卷积捕获局部细节—中尺度结构—较广上下文，跨尺度注意力动态加权融合，强化对不同宽度/走向/断续程度裂隙的表达；选用1/3/5而非更大孔洞率是为避免引入过多岩石背景纹理干扰细裂隙边界。FSM借助深度可分离卷积降参并保留表达能力，残差连接保底层的连续线状结构不被平滑掉，Dropout 0.1抑制过拟合与伪响应而不破坏细裂隙连续性。MobileNetV2倒残差结构减少参数量与计算量，兼顾现场嵌入式或移动GPU部署需求。

3.2 数据集构建(Dataset Construction)

现场采集窗口选在出渣排险完毕至上台阶立架前，双侧6 m处布LED补光消除阴影。2153张图像由地质工程师指导逐像素勾画裂隙轮廓，背景自动赋值；标注一致性检验κ=0.73，争议区由专家仲裁。确认裂隙像素占比极低→严重类别不平衡→弃用Accuracy作主判据，采用mIoU、mAP及裂隙类Precision/Recall/F1。比较RGB/灰度/直方图均衡输入，灰度输入取得最优(92.47% Acc, 82.56% mAP, 62.99% mIoU)，故定为标准预处理。

3.3 实验结果对比与分析(Comparison and Analysis of Experimental Results)

3.3.1 实验设置、训练过程与评价指标(Experimental Setup, Training Procedure, and Evaluation Metrics)

数据集1507张训练/431张验证/215张独立测试。训练300 epoch无早停，同环境同随机种子保证公平比较。记录训练/验证loss曲线与mIoU随epoch变化，约150 epoch后趋稳。

3.3.2 消融实验(Ablation Study)

对照原DeepLabv3+(MobileNetV2)：①仅加MSCA→mAP由79.48%升至80.71%，mIoU由62.20%升至63.80%，证明多感受野特征交互提升细/断续裂隙敏感性；②仅加FSM→mAP略升(80.81%)但mIoU降至57.09%，说明单独平滑会弱化低对比断续裂隙致欠检；③MSCA+FSM(MF-DeepLabv3+)→Accuracy 92.47%、mAP 82.56%(最高)、mIoU 62.99%(高于基线)，表明MSCA先强化多尺度裂隙特征表达，FSM再抑制背景噪点与伪响应，二者互补取得识别精度(mAP)与区域重叠(mIoU)的最佳平衡。MSCA与FSM引入额外GFLOPs与参数，属可接受折衷。MSCA孔洞率敏感性分析确认(1,3,5)组合效果最优。

3.3.3 对比实验(Comparative Experiments)

与U-Net、Channel-UNet、PSPNet、SegNet、DeepLabv3(MobileNetV2)比较，MF-DeepLabv3+获最高mAP(82.56%)与次高mIoU(62.99%，仅次于MSCA单模块变体但伴随更高mAP)，参数量与GFLOPs显著低于U-Net/PSPNet，优于仅通道注意力的Channel-UNet，证实多尺度特征融合策略对隧道掌子面裂隙分割更有效。裂隙类IoU、Precision、Recall均高于基线DeepLabv3，说明对细薄不连续裂隙敏感性提升且背景分割稳定。

3.3.4 实验可重复性与显著性局限(Limitations of Experimental Repeatability and Statistical Significance)

当前结果基于单次固定划分与随机种子，未做多种子重复与置信区间分析，较小指标差异(如mIoU 62.20%→62.99%)的统计显著性待后续大样本多轮验证确认。

3.4 裂隙后处理(Fracture Post-Processing)

3.4.1 裂隙分组(Fracture Grouping)

策略一：Canny边缘检测→Hough变换检测线段→最小二乘拟合→依线段倾角按30°分箱分组并绘制玫瑰图，识别优势裂隙组。策略二：高斯滤波→自适应阈值二值化→膨胀连接断续响应→连通域分析标记各区域并统计面积/外接矩形，定位主裂隙区辅助几何边界提取。以策略一为主作构造分组解译。

3.4.2 裂隙长度与宽度计算(Fracture Length and Width Calculation)

cv2.fitLine拟合裂隙轮廓点得方向向量与参考点，轮廓点向拟合线方向投影，最大最小投影差值为像素单位迹长，经比例尺换算为米(近似参考)。各轮廓点到拟合线垂直距离取最大值作最大开度、均值作平均开度，同比例换算。研究者指出此基于局部线性假设，弯曲/分支/雁列式裂隙仅为近似，需实地标定验证。

四、讨论与结论（译述）

研究人员得出结论：所提MF-DeepLabv3+框架通过在DeepLabv3+中集成多尺度交叉注意力(MSCA)模块与特征平滑(Feature Smoothing)模块并以MobileNetV2为骨干，强化了多感受野裂隙特征提取及不连续细薄裂隙的连续性保持与噪声抑制。基于两座隧道2153张标注图像的试验表明，MF-DeepLabv3+达Accuracy 92.47%、mAP 82.56%、mIoU 62.99%，相较原始DeepLabv3+明显提升裂隙识别能力(mAP)并适度改善区域交并比(mIoU)，对细裂隙识别与结构连续性保持具优势。结合Canny边缘检测、Hough变换、连通域分析及线拟合等后处理，可提取裂隙走向分组、迹长、最大宽度与平均宽度等定量参数，为隧道工程评估与地质解译提供除像素分割外的可操作几何信息。该方法目前验证于山东沿海两钻爆法隧道，跨岩性/工法(如TBM)/环境泛化性尚待多源数据拓展；未来将探索CNN-Transformer混合架构、不确定性量化、扩大跨地区跨工法数据集及模型压缩加速以支持现场近实时部署。裂隙宽度估算基于线性假设与拟合线垂距，弯曲及分支裂隙适用受限，后续拟采用骨架提取(skeletonization)、距离变换(distance transform)及分段中心线拟合改进。