2023年8月，中國地質(zhì)大學（武漢）機械與電子信息學院周峰副教授團隊在深度學習探地雷達隧道檢測方面取得突破性進展，相應(yīng)的成果《A deep learning framework based on improved self-supervised learning for ground penetrating radar tunnel lining inspection》（一種基于改進自監(jiān)督學習的深度學習構(gòu)架及其在探地雷達隧道襯砌檢測應(yīng)用）的論文在線發(fā)表在國際著名期刊《Computer-Aided Civil and Infrastructure Engineering》。

論文第一作者為中國地質(zhì)大學（武漢）2020級電子信息專業(yè)碩士研究生黃健，周峰副教授為通信作者。其他合作作者分別來自中鐵西南研究院、俄羅斯鮑曼科技大學、挪威巖土工程研究所、英國阿伯丁大學和荷蘭代爾夫特理工大學。

該研究針對工程檢測領(lǐng)域中難以獲得大量標簽驗證數(shù)據(jù)來訓練深度學習網(wǎng)絡(luò)的普遍性難題，以探地雷達隧道襯砌檢測為例，開展基于少標簽樣本的深度學習方法研究，以解決標簽數(shù)據(jù)稀缺導致的深度學習模型識別精度低的問題。該研究基于探地雷達道間波形的空間相關(guān)性特征，提出一種基于改進的自監(jiān)督學習算法（即Self-attention for dense contrast learning，簡稱SA-DenseCL）的深度學習自動檢測框架。該框架通過在自監(jiān)督學習算法的編碼器中新增相關(guān)投影頭模塊，來捕獲探地雷達數(shù)據(jù)中特有的相關(guān)性信息，從而提升整個模型對探地雷達數(shù)據(jù)的特征學習能力。該檢測流程利用無標簽數(shù)據(jù)對骨干網(wǎng)絡(luò)進行預(yù)訓練，并結(jié)合少量有標簽數(shù)據(jù)對目標檢測網(wǎng)絡(luò)進行微調(diào)，實現(xiàn)對隧道襯砌中的鋼筋、空洞位置及二次襯砌厚度的自動快速識別。實驗結(jié)果表明，即使在只有少量標簽數(shù)據(jù)的情況下，依然可以實現(xiàn)對鋼筋、空洞位置及二次襯砌厚度的高精度檢測，對比研究發(fā)現(xiàn)，在標簽數(shù)據(jù)相近的情況下，該方法的性能上優(yōu)于基于監(jiān)督學習預(yù)訓練的檢測方法。所提出的這種新的深度學習框架能大幅度減小目標檢測網(wǎng)絡(luò)對標簽數(shù)據(jù)的依賴性，有望促進深度學習方法在工程檢測領(lǐng)域中的廣泛應(yīng)用和落地。目前，該算法及軟件代碼已經(jīng)在云南某隧道中開始投入使用。