1.1　方法流程

本文方法具体流程如图1所示。首先，因为隧道呈横向圆柱形，渗水表现出垂直扩散的特性。考虑到渗水的多尺度几何特征，设计了可重构上下文信息融合模块。此外，盾构隧道环境恶劣，渗水病害的背景信息往往复杂，对此设计了难例挖掘损失函数对边界框进行针对性移动。最后，考虑到模型的轻量化需求，对YOLOv8检测头进行了优化以提高模型效率。实验证明，模型在各种渗水检测任务的精度和实时需求方面具有卓越能力，这对于盾构隧道的安全运行具有重要意义。

图1全屏查看

渗水检测研究流程图

1.2　改进的模型结构

图2中展示了模型的总体框架。输入图像经过最初几层基础卷积层和浅层的特征处理后进入模型的特征融合部分，在特征融合部分中使用了可重构上下文信息融合模块(Reconfigurable Contextual-information Expansion Module, RCEM)加强对多尺度渗水特征的提取并对其进行特征融合，并在特征融合网络不同深度的输出端选取3个不同尺度的特征由轻量化检测头(Efficient Detect Head, EDHN)结构实现了有效的渗水检测，训练过程中损失函数的更新受到难例挖掘损失函数(Hard Negative Mining Loss)的控制，以加强对难以识别目标的关注，从而进一步提升渗水检测精度。

图2全屏查看

改进后的渗水检测模型结构图

1.3　可重构上下文信息融合模块

多分支拓扑结构可以有效提升网络表征能力，适合应用于渗水检测任务中，以提高网络对多尺度特征的聚合，有利于模型判别渗水与隧道背景，进而提高网络精度^[14-15]。但是，复杂的分组会带来计算负担，延迟网络推理速度。因此，本文设计的模块如图3所示，首先获取输入张量的形状信息，并将其通道数平均分为2个部分：经济通道和分支通道，以此降低计算负担并保留上级信息：

(1)

其中，代表输入张量在通道维度上平均分为2等份；分别代表经济通道和分支通道。

图3全屏查看

可重构上下文信息融合模块结构图

随后，将分支通道分为多组对每个分组通道进行多尺度卷积，每个分支都专注于不同感受野大小的特征提取，通过并行处理获得不同语境范围的渗水信息并有效提高对渗水的识别性能，值得注意的是这一操作中的分组数和每组中的卷积核大小是可变的，再通过合适的特征融合策略就能获得更全面丰富的特征表示，然后将经济通道和多尺度特征沿通道所有维度合并，得到输入形状的特征图，这样的设计使模型更加敏感于不同尺度下的渗水特征，从而提高渗水检测的精度。

(2)

(3)

其中，代表第1步分组卷积堆叠后的结果；是上述和拼接处理后的特征层；表示特征拼接；代表1×1的卷积；表示包含多个卷积操作的列表；表示计算列表的数量；表示遍历这个数量的索引，通过遍历这个范围对每个卷积操作进行处理。

接着，对该特征进行池化操作并分组，同时构建一个多层注意力模块对池化结果进行诱导，得到渗水的概率分布，降低计算成本的同时实现下采样功能。这使网络能够更有效地捕捉输入数据中的关键信息，最小化不必要的信息损失，从而提高渗水检测的准确性。强调多尺度的渗水区域，同时削弱不重要的区域影响，输入张量的传播过程可简要概括为下式：

(4)

(5)

其中，指输入特征通过注意力模块输出的权重层；指代激活函数；是模块最终输出的张量；代表卷积核为3、步长为2的分组下采样操作；表示逐元素相乘。

1.4　自适应难例挖掘损失函数

识别渗水区域是一项具有挑战性的目标检测任务，特别是隧道环境往往与渗水区域的颜色、纹理等特征相似。而在传统边界框损失函数中往往是针对预测框和真实框的几何特性进行约束，并不涉及困难样本的深度挖掘^[16]。为了应对这一挑战，设计了自适应难例挖掘损失函数，旨在有效处理难以识别的渗水区域从而提高对模型较有挑战的目标的检测能力。算法的核心思想在于动态调整损失函数的权重，以便更好地处理渗水区域，如式(6)所示。该算法通过自适应地调整损失函数中的阈值，并根据渗水区域的难易程度来调整损失的权重，即为困难样本分配较高的权重，如式(7)。最终的损失函数表达式如式(8)所示：

(6)

(7)

(8)

式中：和分别表示更新后和更新前的IoU阈值；表示由更新次数计算的衰减函数；指当前自动计算的IoU阈值；i是常数，代表选定的目标阈值；表示赋权的分段函数；是常数，代表对难例赋予的权重；原边界框损失函数值是，经过调整后的损失函数值是。

难例挖掘损失函数的伪代码如表1所示，在模型训练过程中通过自动计算IoU阈值来动态调整损失权重来应对困难样本，以确保阈值能够适应渗水的特征变化。首先，根据预测结果与真实标签之间的IoU，算法将样本分为3个不同的置信度区间：低置信度、中置信度和高置信度。然后，计算衰减率达到在训练中调整阈值的目的。其次，根据不同的IoU区间采用Sigmoid与常数的组合分段函数调整损失权重。这一机制确保了损失函数能够及时地适应数据的变化，从而更好地处理难以识别的渗水区域。最后，算法根据选择方法的不同，对损失值进行汇总处理，最大程度地提高模型在训练数据上的表现。算法能够在训练过程中动态调整损失函数，以更好地适应不同置信度区间的样本分布，从而提高模型的性能和鲁棒性。

1.5　轻量化检测头

本文还改进了模型的检测头以提高检测效率和性能，改进前后的检测头结构如图4所示。改进的原因在于，具有大量卷积层的目标检测头增加了模型的参数数量和计算工作量。这一改进提高了模型适应不规则形状和复杂场景的能力^[17]。本文提出的轻量化检测头是一种针对渗水目标检测的模型头部结构，采用了一系列的轻量化技术和设计策略，使用了分组卷积来进行特征提取，将输入通道分成多个组，并对每个组应用独立的卷积操作，这样可以降低了计算量，从而提高了模型的效率，使其在资源受限的环境下也能够高效运行。虽然是轻量级模型，但这样的设计使它仍能够保持良好的目标检测性能，在渗水检测任务中拥有超过其他目标检测模型的性能水平。

图4全屏查看

改进前后的检测头结构对比

3.1　实验环境与评价指标

使用Labelimg软件手工标注了数据集中的渗水，实验在带有Windows 10操作系统的本地主机上进行，该主机配备了NVIDIA GeForce RTX 3090 GPU(24GB内存)和CPU(处理器AMD Ryzen 5 5600X 5-Core Processor 内存32GB)，配套安装python(3.8.13), pytorch(1.8.0)，cuda(11.1.74)超参数设置如表4。

召回率R(Recall)指的是所有正确样本被检测出的概率。精确率P(Precise)指的是预测正确的样本占所有正确样本的比值。AP(Average Precision)指所有预测正确样本数占样本总数的比例。FLOPs指标用于衡量模型计算量、FPS指标用于衡量模型预测速度：

(10)

(11)

(12)

其中，表示将正确类别预测为正类别的个数； 表示将正确类别预测为负类别的个数；表示将负类别预测为正类别的个数；的值是在曲线上进行积分的结果。

3.2　渗水检测消融实验

为进一步验证所提方法对渗水检测的有效性，设计了消融实验，分别对特征融合部分改进的可重构上下文信息融合模块、难例挖掘损失函数和轻量化目标检测头进行消融验证实验结果，如表5所示。因为模型早期层中包含更多需要处理的特征且这些层中通道数量较小，如果在此时使用改进模块会导致模型的训练和推理时间增加，同时影响模型性能。经研究发现将改进后的模块放在网络特征融合部分非常有效，因为这样可以更好地利用高级语义信息且充分利用模型深层的大量通道。与原模型相比，改进后的方法能够在明显减小模型计算量的前提下实现精度的提升，在计算量降低了47.15%的情况下，对渗水目标的检测更加精确，达到93.59%。同时在损失消融部分，损失函数的调整也在几乎不增加计算压力的情况下明显提升了模型性能。对识别存在较大挑战的部分样本进行加强关注，从而有效地降低了异常样本和背景噪声等对损失函数的影响，使模型鲁棒性更强。为高精度检测难以识别的样本提供了帮助，使检测精度增加了1.1%。在检测头消融实验中，实验结果表明，与之前的方法相比，改进后的方法在几乎不影响精度的情况下降低了模型36.79%的计算量。精确度P略有下降，可能是因为本文模型设计更注重提高召回率R，并在大幅减少模型计算量的同时，不可避免地导致了信息丢失。然而，值得注意的是，尽管计算量大幅降低，但召回率R和平均精度AP却显著提升，并且精确度P仍然明显高于Baseline，这是完全可以接受的结果。

3.3　渗水检测对比实验

为了进一步验证改进后的模型在渗水目标检测方面的优越性，分别采用YOLOv5^[18]、YO‐LOv8^[19]、Faster RCNN^[20]、RetinaNet^[21]、Center‐Net^[22]与所提方法进行对比实验，比较结果如表6所示。

最后一行代表了本文提出的方法。与其他5种方法相比，本研究中的方法在所有指标上都取得了相当显著的效果，其中AP比其他方法高了3.69%～16.98%，P、R的值也明显优于其他对比方法。改进后的模型仅仅没有达到最快的预测速度，但相比于YOLO以外的其他方法而言预测速度依然具有明显优势，且在精度和计算量方面具有显著优势的情况下，这种预测速度的损失是可以接受的。如图6所示，本文的方法具有较强的鲁棒性，可以检测出大量其他主流方法难以处理的不同尺度以及大量被附属物遮挡的渗水目标，同时也避免了很多其他方法一物多框的错误检测。此外，为了进一步验证所提方法对多尺度目标检测的有效性设计了多尺度对比实验，将测试集中渗水目标进行统计，渗水目标共计344例，细分为细小渗水75例、中等尺度渗水214例和宏观的大片渗水55例，将不同方法的训练结果进行统计分析。如表7所示，本文方法在面对不同尺度目标时都具有最好的渗水检测性能。

图6全屏查看

测试集中渗水病害检测对比效果