Frente a la baja eficiencia de los métodos tradicionales para la detección de fugas en túneles y la insuficiente utilización de las características de textura por parte de los modelos actuales de aprendizaje profundo, este artículo propone un método de segmentación de imágenes de fugas basado en convolución de textura longitudinal y un mecanismo de atención canalable aprendible. Primero, considerando la característica de extensión longitudinal de la zona de fuga, se diseña una convolución de textura longitudinal formada por tres núcleos convolucionales asimétricos diferentes en serie, mejorando la capacidad de extracción de características de textura longitudinal mediante campos receptivos multiescala. En segundo lugar, se introduce una matriz de parámetros aprendible en el mecanismo de atención canal para optimizar dinámicamente los pesos de los canales de características y enfocar las áreas clave. Finalmente, basado en la estructura codificador-decodificador de SegNet, combinado con el preprocesamiento del operador Sobel y la técnica de sobremuestreo por índice de agrupamiento, se construye una red de segmentación ligera. Los experimentos se realizaron en un conjunto de datos público con 4,555 imágenes de fugas, y los resultados muestran que, en comparación con modelos como U-Net y DeepLabv3+, este método mejora el índice de intersección sobre unión (IoU) en un 0.72% a 2.82%, alcanzando un 80.64%; la precisión y el valor F1 aumentan a 94.68% y 89.30%, respectivamente. Los experimentos de ablación verifican además la efectividad de los módulos LTC y LCA, cuya combinación mejora el IoU en un 3.96%. Este método, al fusionar características de textura longitudinal multiescala y un mecanismo adaptativo de ponderación de canales, mejora significativamente la precisión de segmentación de las áreas de fuga, proporcionando una solución eficiente para la monitorización de la seguridad de infraestructuras.

Detección de fugas en túneles; convolución de textura longitudinal; atención de canal; campo receptivo multiescala