トンネル漏水検出における従来手法の効率低下と、既存の深層学習モデルがテクスチャ特徴を十分に活用できていない問題に対処するため、本論文では縦方向テクスチャ畳み込みおよび学習可能なチャネルアテンション機構に基づく漏水画像分割手法を提案する。まず、漏水領域の縦方向に伸長する特性に着目し、3つの異なる非対称畳み込みカーネルを直列に構成した縦方向テクスチャ畳み込みを設計し、多尺度受容野により縦方向テクスチャ特徴の抽出能力を強化した。次に、チャネルアテンション機構に学習可能なパラメータ行列を導入し、特徴チャネルの重みを動的に最適化して重要領域に注目させた。最後に、SegNetのエンコーダ-デコーダ構造を基に、Sobel演算子前処理とプーリングインデックスアップサンプリング技術を組み合わせ、軽量なセグメンテーションネットワークを構築した。公開データセットの4,555枚の漏水画像で実験を行い、その結果、本手法はU-NetやDeepLabv3+などのモデルと比較して、IoU指標を0.72%〜2.82%向上させ80.64%を達成し、精度とF1値はそれぞれ94.68%と89.30%に向上した。アブレーション実験によりLTCおよびLCAモジュールの有効性をさらに検証し、両者の組み合わせによりIoUは3.96%向上した。本手法は多尺度縦方向テクスチャ特徴と適応型チャネル重み付け機構の融合により、漏水領域の分割精度を大幅に向上させ、インフラの安全監視に効率的なソリューションを提供する。

トンネル漏水検出; 縦方向テクスチャ畳み込み; チャネルアテンション; 多尺度受容野