地铁是现代城市交通的重要组成部分,盾构地铁隧道由于各种原因会出现裂缝和渗漏水等表面病害,有效地检测隧道表面病害对于地铁运营安全至关重要。随着我国地铁运营里程的迅速增长,传统的人工目视巡检等方式已经难以满足检测需求,急需一种高效率、智能化的检测方式,能够实现地铁隧道定期巡检和病害标记的功能。基于此,本文提出了一种基于机器视觉和图像处理技术的隧道表面图像采集系统和病害智能识别算法。论文首先设计了隧道表面图像采集系统的整体方案,阐述了系统的工作原理。图像采集系统能够根据20km/h～50km/h的搭载车运行速度自动调整触发频率,以满足0.2mm/pixel的采集精度。整个系统分为图像采集模块、同步触发控制模块、数据交互与存储模块、机柜与配线模块,对各项硬件设备进行参数计算选型和设计制作。在实验室环境完成可行性试验后,将采集系统搭建在隧道综合检测车上,完成了系统的整体调试和采集参数设置,能够拍摄符合精度要求的高质量图像。对于隧道病害智能识别问题,论文研究了基于语义分割方法的病害智能识别算法。首先根据采集的图像建立了隧道多目标语义分割数据集,使用现有语义分割算法进行实验,在FCN网络框架下,使用了Alex Net和VGG16两种骨干网络;在Deep Lab V3+网络框架下,使用了Mobile Net、Xception和Res Net-101三种骨干网络,对相同网络框架下使用复杂度不同骨干网络的实验结果分别进行了对比分析。然后根据隧道特定场景和病害特征的特殊性,提出了基于改进Deep Lab V3+网络的病害分割算法。算法分别从DCNN骨干网络、空洞卷积空间金字塔模块、多尺度特征融合三个方面对网络结构进行改进。改进后网络与原Deep Lab V3+网络进行对比实验,根据实验结果的准确度和交并比数据的提升,以及测试集的分割结果图像展示,都说明了本文提出病害分割算法的有效性以及更好的分割性能。为了实现病害的特征识别和参数计算,论文设计了语义分割图像后处理算法。首先基于语义分割图像的标签值将裂缝图像二值化,设定像素八连通域判据,利用加权和映射查表法,完成裂缝的骨架提取。然后根据分割图像中病害像素标签的实际情况,设定了裂缝长度和渗漏水面积的参数计算方法,再与病害语义分割算法结合,完成了整体隧道表面病害智能识别算法的设计。最后,论文所设计的隧道表面图像采集系统,在地铁隧道正线,按照不同运行速度进行多次实验,采集了符合设计精度的大量高质量图像,证实了系统的可行性和可靠性。论文提出的病害智能识别算法,对采集图像进行离线处理,可以达到85.26%的平均准确度和73.62%的平均交并比,并且可以输出语义分割图像以及病害参数,具有一定的工程实际运用价值,同时也为隧道表面病害识别算法设计提供了新的研究思路和理论支持。