基于Tunnel-KNet算法的隧道复杂场景渗漏水检测
简介：隧道复杂场景下的渗漏水图像智能检测需求不断增加,传统卷积神经网络对全局上下文理解具有局限性,而仅依赖Transformer模型可能导致局部细节信息丢失,针对这一问题,提出了一种基于卷积核动态更新策略的隧道环境语义分割网络Tunnel-KNet.首先,通过构建的隧道多目标像素级图像样本库进一步搭建简单场景和复杂场景测试集.然后,采用基于滑动窗口和多头注意力机制的Swin Transformer编码器对隧道多目标进行高效特征提取,搭配UperNet解码器捕捉不同尺度上下文信息并融合特征.此外,核动态更新解码头Kernel Update Head使卷积核在网络训练过程中动态更新并专注于隧道目标关键特征,从而显著提升复杂场景下各目标的检测精度.最后,引用多任务协同辅助解码头Aux_FCN为主解码器提供先验知识,增强了模型的泛化性能.研究结果表明:所提出的隧道多目标分割模型能够有效提升复杂隧道场景下的渗漏水等多目标的识别精确度,在渗漏病害分割任务中达到96.48%的准确率、84.19%平均交并比、91.04%的平均Dice系数和90.89%的平均精确率.相较于基于Swin Transformer编码器和UperNet解码器的基准模型,各个指标分别提高了3.16%、13.2%、7.88%和17.9%,且模型性能显著优于PSPNet、DeepLabv3+等传统卷积模型和典型Transformer模型.研究结果表明Tunnel-Knet在复杂场景下的渗漏水等多目标分割方面表现优异,为增强隧道安全智能监测能力提供了新的途径.展开
关键词：图像采集深度学习语义分割隧道渗漏水复杂病害
资助基金：中央高校基本科研业务费专项;北京市自然科学基金-丰台轨道交通前沿研究联合基金资助项目
在线出版日期：2026-03-24 （网站首发日期）
