基于深度学习的隧道突水灾害智能检测方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Intelligent detection method for tunnel water inrush disasters based on deep learning

智能识别算法YOLOv8-WI通过构建隧道涌水灾害数据集TWI（含4414标注图像），结合轻量化PP-LCNet骨干网络、多融合注意力机制及MPDIoU损失函数，显著提升检测准确率（+3.90%）、计算效率（+2.28%）和部署简化（-2.07%），有效解决复杂地质环境下的实时监测难题。

　　

宋伟浩|程帅|子继权|金浩|姜新波|王江豪

山东大学齐鲁交通学院，济南250002，中国

摘要

为了解决现有隧道监测方法中监测范围有限、实时性能差、数据直观性不足以及难以准确识别水浸灾害的问题，本文提出了一种基于机器视觉的隧道水浸灾害智能识别算法。首先，通过多个隧道工程项目的现场数据收集和模型仿真测试，构建了一个隧道水浸灾害数据集（TWI）。该数据集整合了真实的隧道场景和模拟环境，包含4,414张标注图像，涵盖了各种典型的隧道工作条件，从而为算法训练和验证提供了坚实的基础。其次，提出了一种名为YOLOv8-WI的隧道水浸智能识别算法。该算法在You Only Look Once版本8（YOLOv8）框架的基础上，集成了轻量级骨干网络、多融合注意力机制和MPDIoU损失函数。这些改进显著提高了水浸检测的准确性和效率。消融实验表明，与原始YOLOv8算法相比，YOLOv8-WI在TWI数据集上实现了多维度的性能提升，包括检测准确率提高了3.90%、计算效率提高了2.28%、部署复杂性降低了2.07%。此外，对比实验验证了YOLOv8-WI模型在检测准确性、轻量级设计和实时性能方面的优越性。这为隧道水浸灾害的智能识别提供了一种高效可靠的解决方案，特别是在复杂的施工环境中。

引言

目前，大量的深长隧道项目正在向高原地区和喀斯特发育区延伸，这些地区的地质条件极其复杂。施工过程中经常发生水浸灾害，且具有高度不可预测性，常常导致项目延误、人员伤亡甚至被迫改变路线（Sun等人，2026年；Xiao等人，2024年；Zhang等人，2020年）。因此，建立高效的水浸灾害监测和预防系统已成为确保重大项目安全并及时完成的关键保障，直接影响隧道建设的成败。

多年来，学者们一直非常关注水浸灾害的监测和预警方法（Chen等人，2025年；Ding等人，2013年；Hao等人，2023年；Xiao等人，2025a）。从理论上讲，抗爆岩体的安全厚度对风险评估至关重要。学者们对其计算和标准进行了深入研究（Xiao等人，2025b；Lyu等人，2025年），为源头预防提供了支持。传统的监测方法主要包括地质调查（Liu等人，2022年）、高级钻探（Hiratsuka等人，2023年；Ji等人，2020年；Zingg和Anagnostou，2018年）、水文观测（Ou等人，2024年）、基于传感器的监测（Cheng等人，2018年；Wang等人，2021年）以及人工检查。然而，这些方法在及时性和覆盖范围方面存在显著局限性：地质和地球物理调查需要较长的周期，使得实时监测变得困难；钻探和观测的覆盖范围有限；人工检查具有高度的主观性和安全风险。因此，开发具有实时感知和早期识别能力的新监测技术对于克服现有的预警瓶颈至关重要。

作为一种远程、实时且人员配备最少的监测方法，机器视觉技术能够实时捕获和分析施工现场的图像和视频数据，有效识别施工过程中的潜在灾害（Chen等人，2020年；Chi和Caldas，2011年；Fang等人，2018年；Gong等人，2011年；Park和Brilakis，2012年；Shrestha等人，2015年；Wu等人，2019年）。这为监测隧道水浸灾害提供了一种新的解决方案。隧道水浸灾害的监测可以被视为一个目标检测问题。当前主流的目标检测算法可以根据是否直接预测目标类别和位置，分为两阶段检测模型和单阶段检测模型。典型的两阶段检测算法包括SPP-Net（He等人，2015年）、Faster R-CNN（Ren等人，2016年）和Mask R-CNN（Lin等人，2020年），它们首先生成候选区域，然后进行细粒度分类以实现高精度检测。尽管两阶段检测算法的准确性很高，但其训练计算量较大，难以满足实时要求。相比之下，单阶段检测算法（如SSD（Liu等人，2016年；Zhai等人，2020年）、RT-DETR（Chen等人，2024年；Zhao等人，2024年）和YOLO系列（Chen等人，2021b；Du和Jiao，2022年；Hussain，2023年；Liu等人，2018年；Zhao等人，2023年）能够以更高的速度实现端到端的目标检测，更适合具有高实时要求和有限计算资源的隧道监测场景。

基于这一基础，全球学者们对将机器视觉技术应用于隧道场景进行了广泛研究。例如，Chen等人（2021a）使用基于ResNet的分类模型来识别岩体流动失效区域，并利用DeepLabv3 + 分割模型实现渗流区域的动态识别和精确量化。同样，Ai等人（2020）通过优化U-Net跳过连接架构并结合交叉熵和Dice损失函数的组合损失函数，有效解决了小样本和类别不平衡问题，实现了岩裂开始的像素级提取。Zeng等人（2021）通过多尺度特征融合和数据增强策略实现了实时检测。通过将灰狼优化与极端学习机相结合，他们能够在施工现场的长距离监控视频中识别多尺度和小目标。尽管有这些进步，现有的深度学习算法在实际隧道应用中仍面临若干挑战，特别是在水浸环境中。从计算复杂性的角度来看，模型性能的提高通常伴随着推理时间和参数数量的增加，导致资源受限设备（如移动设备或嵌入式系统）的处理速度变慢，难以满足实时要求。在环境适应性方面，隧道存在独特的挑战，包括灰尘干扰、变化的相机角度以及水浸事件的动态和不可预测性。这些因素可能导致漏检和误报，尤其是在隧道水浸中的小目标。这些挑战显著限制了现有识别算法的特征提取能力。为了解决这些问题，本文提出了一种改进的YOLOv8-WI模型，用于隧道水浸识别，基于YOLOv8框架。本工作的主要贡献如下：

• 1. 构建水浸灾害数据集：利用模型测试和现场水浸视频，开发了一个全面的水浸灾害视频数据集，涵盖了多种隧道施工场景。
• 2. 轻量级设计：采用轻量级的PP-LCNet骨干网络，减少模型参数数量和计算复杂性，提高模型在计算资源受限环境中的可部署性和实时性能。
• 3. 注意力机制的优化：引入了轻量级的多融合注意力机制（LMFA），以增强复杂场景中的多尺度特征提取，有效应对具有挑战性的隧道环境造成的模糊问题。
• 4. 改进的损失函数：使用MPDIoU损失函数优化边界框的回归精度，有效缓解隧道水浸中小目标的漏检和误报问题。

这些改进共同提高了模型的性能、适应性和实时能力，使其更适合隧道水浸监测的复杂条件。

部分摘录

隧道水浸灾害的现场数据收集

为了构建具有足够样本多样性的隧道水浸图像数据集，本研究使用摄像机和移动设备从隧道现场收集了水浸图像数据。数据收集地点包括丰屯隧道、石子山隧道、重庆云雾山隧道、大岗山隧道以及滇中调水工程的杜西山轨道交通隧道。收集的水浸视频经过帧提取处理，共得到932张原始图像

YOLOv8目标识别算法

作为YOLO系列的一个流行版本，YOLOv8不仅继承了前一代模型的优点，还通过多项改进进一步提升了其性能，使其在处理复杂场景中的目标检测任务时更加出色和准确。

YOLOv8的网络结构分为四个部分：输入层（Input）、骨干网络（Backbone）、特征增强网络（Neck）和检测头（Head）。

实验环境设置

在本研究中，提出的YOLOv8-WI模型使用PyTorch深度学习框架和Python编程语言实现。为了确保训练和推理期间的计算效率，所有实验都在配备Intel Core i9-12900 K CPU和NVIDIA RTX 3090 GPU的高性能工作站上进行。实验环境的详细硬件和软件配置列在表1中。实验数据集包含4,414张图像。

工程应用

在隧道水浸灾害的发展过程中，有效识别前兆信息在早期灾害预警中起着关键作用。先前的研究（Pan等人，2018年）基于现场案例分析和数值模拟表明，由于施工干扰和渗流压力的增加，喀斯特管道与隧道之间的连通性显著增强，导致水浸风险增加。

结论

本研究通过开发先进的计算机视觉系统并提出全面的隧道水浸监测解决方案，解决了复杂的地下施工环境问题。它在三个关键领域为隧道安全监测和灾害预防做出了重要贡献。

首先，构建了一个包含4,414张标注图像的高质量隧道水浸检测数据集。该数据集整合了多个隧道的现场数据和仿真实验结果。

CRediT作者贡献声明

宋伟浩：撰写——原始草稿、方法论、形式分析、概念化。程帅：监督、项目管理、资金获取、概念化。子继权：撰写——审稿与编辑、方法论、形式分析。金浩：数据管理、概念化。姜新波：验证、资源协调。王江豪：形式分析。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国国家重点研发计划（2025YFF0519200，2025YFF0519201）；国家自然科学基金（U24B2040）；山东省高校青年教师科技创新团队项目（2023KJ013）的支持。特别感谢本文的编辑委员会和审稿人。