近日，我校水利水电学院包腾飞教授团队在水下隐患病害智能检测领域取得了新进展，提出了一种适用于水工隧洞水下缺陷的实时智能检测方法。

水工隧洞的水下结构缺陷病害隐蔽性高，传统检测手段难以准确识别、量化这些潜在的工程隐患。水下机器人可携带光学传感器，获取水下结构缺陷的相关影像，其特点是非接触式完成结构缺陷空间信息编码，具有空间分辨率高、形象直观等显著优势。但水下机器人携带的光学传感器会产生海量检测数据，目前主要靠人工解译，存在效率低、劳动强度大、识别精度较低等问题，易出现错检、漏检现象。此外，水下病害图像还普遍存在浊度高、光照不均匀、运动模糊等问题。针对上述问题，结合计算机视觉和人工智能手段，提出了一种基于目标检测和自适应特征融合的隧洞结构缺陷实时高性能检测模型（如图1所示），利用模型的稀疏性和剪枝来改变批处理层中的样本分布并去除冗余参数。在此基础上，利用模型微调并结合知识蒸馏技术恢复剪枝导致的精度下降。该方法在隧洞水下多类别缺陷识别中取得了较好效果（如图2所示）。此成果针对性解决现有数字图像处理方法存在的低效、泛化能力弱的不足，实现了适用于水工隧洞的机器视觉缺陷检测模型构建，显著提高了隧洞日常巡检效率并降低潜在风险，对隧洞长期服役性态的安全评估具有重要作用。该方法还可推广应用于其他类型水工建筑物的智慧运维和安全管理中，大幅降低人工检测成本，节省作业时间并提高检测精度。

最新研究成果发表在土木工程顶级期刊《Computer-Aided Civil and Infrastructure Engineering》，论文题为《A robust real‐time method for identifying hydraulic tunnel structural defects using deep learning and computer vision》，包腾飞教授为该论文的通信作者，博士生李扬涛为第一作者。

论文信息：

DOI: https://doi.org/10.1111/mice.12949

                                                        图2 隧洞水下多类别缺陷识别结果