随着我国铁路、公路、市政等领域投入运营的隧道里程与数量的增加,隧道衬砌结构的健康服役与长寿命运行的重要性日渐突出。在隧道运营期内,衬砌常出现裂缝、孔洞、渗漏水、掉块等多种病害,这些病害的存在严重影响了隧道工程的使用寿命与安全。开展基于计算机视觉的隧道衬砌病害实时检测系统研究对保障隧道安全运营,实现隧道衬砌的科学养护具有重要的科学意义与工程价值。计算机视觉作为人工智能方法中的重要分支具有非常独特的优越性与高效性,通过通用图像处理技术与智能算法使计算机拥有类似人类的视觉感知系统,对外界输入的图像、视频信息做出理解、分析与判断,从而实现针对特定目标物的识别与检测。为迅速、高效、准确地识别与检测隧道衬砌病害,计算机视觉技术在隧道工程领域的应用逐渐成为趋势。本文采用基于人工智能的计算机视觉技术,在隧道衬砌病害识别与检测的实验装置研发、软件系统开发及实验应用研究等方面开展了研究工作,取得的主要成果如下:(1)针对隧道衬砌病害识别与检测研究中的隧道衬砌检测模拟环境,自主设计研制了一台基于计算机视觉的隧道衬砌缺陷智能检测模拟实验装置。该装置可满足隧道衬砌病害检测过程中检测设备与隧道衬砌的连续相对运动关系的同时,尽可能的缩小了实验所需空间,为在实验室内开展的初期探究实验提供了便利。(2)基于Python编程语言,运用Tensorflow深度学习框架开发了基于计算机视觉的可实现隧道衬砌病害实时检测的软件系统。该软件功能包括深度学习图片集的标记与构建,深度学习所需文件的生成,深度学习模型的选取与训练,以及运用深度学习训练结果进行静态图片、视频文件以及基于摄像头的实时特征目标物的识别与检测。(3)使用自主设计研制的模拟实验装置与自主开发的软件系统,基于配制的病害模拟试样与含病害衬砌图片,开展了识别与检测效果的研究工作,完成了软硬件系统的调试。同时,开展了干扰图像处理效果的光照与观测角度因素的实验研究。提出了“照度偏移”与“观测角偏移”概念,发现运用深度学习方法的隧道衬砌病害识别与检测的检出率、识别精确率与“照度偏移”以及“观测角偏移”呈负相关关系,而识别效率始终保持恒定。本论文共有32幅插图,8张表格,99篇参考文献。