Diante da baixa eficiência dos métodos tradicionais de detecção de vazamentos em túneis e da utilização insuficiente das características texturais por modelos atuais de aprendizado profundo, este artigo propõe um método de segmentação de imagens de vazamentos baseado em convolução de textura longitudinal e mecanismo de atenção canal adaptável e aprendível. Primeiramente, considerando a característica de extensão longitudinal da área de vazamento, foi projetada uma convolução de textura longitudinal composta por três diferentes núcleos de convolução assimétricos em sequência, que, por meio de campos receptivos multiescala, aprimorar a capacidade de extração das características texturais longitudinais. Em segundo lugar, foi introduzida uma matriz de parâmetros aprendível no mecanismo de atenção canal para otimizar dinamicamente os pesos dos canais de características, focando em áreas-chave. Por fim, com base na estrutura codificador-decodificador do SegNet, combinada com o pré-processamento do operador Sobel e a técnica de upsampling por índice de pooling, foi construída uma rede de segmentação leve. Os experimentos foram realizados em um conjunto de dados público contendo 4.555 imagens de vazamentos, e os resultados mostram que, em comparação com modelos como U-Net e DeepLabv3+, este método melhora o índice de interseção sobre união (IoU) em 0,72% a 2,82%, alcançando 80,64%; a precisão e o valor F1 aumentaram para 94,68% e 89,30%, respectivamente. Experimentos de ablação confirmaram ainda a eficácia dos módulos LTC e LCA, cuja combinação elevou o IoU em 3,96%. Este método, ao fundir características texturais longitudinais multiescala com um mecanismo adaptativo de ponderação de canais, melhora significativamente a precisão da segmentação das áreas de vazamento, oferecendo uma solução eficaz para o monitoramento da segurança da infraestrutura.

Detecção de vazamentos em túneis; convolução de textura longitudinal; atenção de canal; campo receptivo multiescala