В ответ на низкую эффективность традиционных методов обнаружения протечек в туннелях и недостаточное использование текстурных признаков в существующих моделях глубокого обучения, в данной работе предлагается метод сегментации изображений протечек на основе вертикальных текстурных свёрток и обучаемого канального механизма внимания. Во-первых, учитывая продольные характеристики области протечки, разработана вертикальная текстурная свёртка, состоящая из трёх разных асимметричных ядер свёртки, которые последовательно связаны, что благодаря мульмасштабному рецептивному полю усиливает способность извлечения вертикальных текстурных признаков. Во-вторых, в механизм канального внимания введена обучаемая параметрическая матрица для динамической оптимизации весов каналов признаков с целью фокусировки на ключевых областях. Наконец, на основе структуры кодировщика-декодировщика SegNet, в сочетании с предварительной обработкой оператором Собеля и техникой апсемплинга с использованием индексов пулинга, построена облегчённая сеть сегментации. Эксперименты проведены на публичном наборе данных, содержащем 4555 изображений протечек. Результаты показывают, что по сравнению с моделями U-Net, DeepLabv3+ и другими данный метод улучшает показатель пересечения по объединению (IoU) на 0,72%–2,82%, достигая 80,64%; точность и значение F1 повышаются до 94,68% и 89,30% соответственно. Абляционные эксперименты дополнительно подтверждают эффективность модулей LTC и LCA, совместное использование которых повышает IoU на 3,96%. Предлагаемый метод за счёт интеграции мульмасштабных вертикальных текстурных признаков и адаптивного канального механизма взвешивания значительно повышает точность сегментации областей протечек, предлагая эффективное решение для мониторинга безопасности инфраструктуры.

Обнаружение протечек в туннелях; вертикальная текстурная свёртка; канальное внимание; мульмасштабное рецептивное поле