基于OpenCV和YOLO 11的铁路隧道结构裂缝识别研究技术
张金权1,2，魏荣华1,2，张志强1,2
（1. 西南交通大学极端环境岩土与隧道工程智能建养全国重点实验室，成都 610031；
2. 西南交通大学土木工程学院，成都 610031）
摘要：裂缝是铁路隧道结构健康状态评估的重要因素之一，为解决传统人工巡检耗时耗力且容易产生遗漏的问题，本次研究依托YOLO深度学习模型与OpenCV计算机视觉库提出了一种裂缝识别解决方案。该方案通过OpenCV计算机视觉库中的Gaussian Blur、Candy、Adaptive等算法对图像进行去噪处理、边缘特征检测以及图像特征增强，并采用X-Anylabeling工具对图片进行标注工作形成YOLO深度学习模型能够识别的标签文件，最后选用YOLO 11模型进行监督学习。为进一步分析YOLO深度学习模型和OpenCV计算机视觉库相结合取得的显著成果，本次研究采用两种数据集类型分别为经过OpenCV预处理得到的数据集Ⅰ和未经处得到的数据集Ⅱ，通过这两种数据集分别对目标检测模型和实例分割模型进行裂缝识别训练，明确影响训练模型质量的因素。研究结果表明采用数据集Ⅰ训练出来的实例分割模型和目标检测模型，其Map50(IOU=50时的模型性能评估指标)分别为0.863和0.661，Map（50-95）（不同IOU下Map的均值）分别为0.572和0.475；采用数据集Ⅱ训练出来的实例分割模型和目标检测模型，其Map50分别为0.110和0.066，Map（50-95）分别为0.032和0.021。经过分析对比得到，采用OpenCV预处理的数据集Ⅰ能显著增强训练模型的质量，同时还发现实例分割模型相较于目标检测模型在裂缝识别方面的表现更为优异。
关键词：铁路隧道；裂缝识别；深度学习算法；计算机视觉库；Map(50-95)
中图分类号: U25 文献标识码: A DOI: 10.13238/j.issn.1004-2954.202601030002