针对目前隧道衬砌裂缝检测方法适应性不好且检测精度不高等问题，提出了以图像处理和深度学习相结合的衬砌裂缝检测方法。首先，以隧道衬砌图像采集车载设备为研究对象，对获取的图像利用改进Mask匀光算法去除图像中的阴影，利用拼接缝去除方法去除拼接缝。其次，构建改进的VGG19网络模型，通过深度学习方法实现了衬砌裂缝的高效分割，提出基于虚拟标尺的裂缝长度和宽度测量方法，实现了衬砌裂缝的高效准确检测。该方法的裂缝类型识别率高，裂缝长度的最大偏差为2.92mm，裂缝宽度的最大偏差为0.28mm。

针对现有隧道衬砌裂缝检测方法由于检测平台振动使衬砌裂缝图像识别准确率不高、检测数据可靠性差的问题，提出基于图像补偿的隧道衬砌裂缝检测方法。开发了车载式隧道衬砌裂缝检测系统，提出图像帧间自适应运动估计方法，对采用环境光增强处理得到的图像进行基于特征点匹配的自适应运动估计，建立图像帧间的运动关系，用卡尔曼滤波算法对运动参数进行滤波，去除采集平台的无规则振动，经过双三次插值实现图像补偿。提出了基于自适应分块综合滤波和形态学方法的衬砌图像裂缝分割方法，有效完成裂缝提取和裂缝参数计算。所提出的方法能够较好地补偿采集平台的振动误差，能够准确地提取裂缝信息，实现隧道衬砌裂缝的高精度检测。

  瞄准交通运输行业对隧道运行状况高效检测的迫切需求，围绕特种车辆的开发，结合光机电图像技术，进行隧道检测特种车辆关键技术研究。研究内容包括：隧道检测特种车辆设计及系统性能优化技术；隧道检测特种车辆隧道衬砌图像采集照明系统设计及检测平台误差补偿技术；多相机图像数据同步触发采集压缩存储技术及多源数据融合和图像快速拼接技术；隧道检测特种车辆隧道线形测量技术与隧道病害定位技术。取得了多项技术成果并开发了多功能道路检测车。