Angesichts der geringen Effizienz traditioneller Methoden zur Tunnelleckageerkennung und der unzureichenden Nutzung von Texturmerkmalen durch bestehende Deep-Learning-Modelle schlägt dieser Artikel eine Methode zur Segmentierung von Leckbildern basierend auf vertikaler Texturkonvolution und lernbarem Kanalaufmerksamkeitsmechanismus vor. Zunächst wurde unter Berücksichtigung der vertikalen Ausdehnung der Leckagebereiche eine vertikale Texturkonvolution entworfen, die aus drei unterschiedlichen asymmetrischen Faltungskernen in Reihe besteht und durch multiskalige Rezeptivfelder die Extraktionsfähigkeit vertikaler Texturmerkmale verbessert. Zweitens wurde im Kanalaufmerksamkeitsmechanismus eine lernbare Parameter-Matrix eingeführt, um die Gewichtung der Merkmalskanäle dynamisch zu optimieren und sich auf Schlüsselbereiche zu fokussieren. Schließlich wurde basierend auf der Encoder-Decoder-Struktur von SegNet in Kombination mit einer Sobel-Operator-Vorverarbeitung und Pooling-Index-Upsampling-Technik ein leichtgewichtiges Segmentierungsnetzwerk aufgebaut. Experimente wurden an einem öffentlichen Datensatz mit 4555 Leckbildern durchgeführt. Die Ergebnisse zeigen, dass diese Methode im Vergleich zu Modellen wie U-Net und DeepLabv3+ die Intersection-over-Union (IoU) um 0,72 % bis 2,82 % verbessert und 80,64 % erreicht; die Genauigkeit und der F1-Wert steigen auf 94,68 % bzw. 89,30 %. Ablationsstudien bestätigen zudem die Wirksamkeit der LTC- und LCA-Module, deren Kombination die IoU um 3,96 % steigert. Durch die Fusion multiskaliger vertikaler Texturmerkmale mit einem adaptiven Kanalgewichtungsmechanismus verbessert diese Methode signifikant die Segmentierungsgenauigkeit der Leckbereichs und bietet eine effiziente Lösung für die Sicherheitsüberwachung von Infrastrukturen.

Tunnelleckageerkennung; vertikale Texturkonvolution; Kanalaufmerksamkeit; multiskaliges Rezeptivfeld