下载文档原格式
地铁隧道表面病害视觉检测技术应用研究摘要：对于地铁隧道表面病害的检测和判断的具体要求，需要从硬件构成、软件架构、识别算法三个方面对地铁隧道表面病害视觉检测实际进行分析。
先针对隧道病害视觉检测技术中采用的硬件参数进行分析，然后制定符合地铁隧道病害巡检要求的线阵相机+线激光源的框架，接着就是隧道衬砌图像的采集，数据与位移保持同步、图像增强与拼接处理都是促进地铁隧道表面病害视觉检测技术应用以及样本数据生成的基础。
算法识别的性能上，对比图像信号处理以及浅层模式识别技术，深度学习网络算法能够更好的提高地铁隧道表面病害视觉检测技术的效果。
本文在针对该检测技术的应用进行分析的基础上，也对技术发展中面临的困难进行分析，对未来的发展方向提出了一定的想法。
关键词：地铁隧道；隧道表面病害视觉检测技术；应用效果地铁隧道都是建设在复杂的地下，长期运营下极易产生渗水、裂缝等问题。
如果监测和修复不够及时，那么就会影响隧道结构的整体稳定性。
地铁检查工作以人工检查为主，人工检查方法工作效率低、主观性较强，因此为了弥补人工检查的不足就要积极研发高效的隧道表面病害检测和识别技术。
在光学、计算机视觉技术的基础上，国内外研究人员研发了地铁隧道表面病害视觉检测技术，有专家在人工检测不足的基础上，对比分析无人机、巡检车等设备的特点，指出了智能化是未来隧道表面病害检查的主要发展趋势；也有专家提出了集成视觉检测技术的智能检测与识别是隧道病害研究的未来发展趋势。
总的来说，当年国内外对隧道病害视觉检测系统实施了大量的研究，不过也有一定的不足。
一、硬件的构成相比传统的人工检查方式，衬砌表面图像自动化采集的硬件是隧道表面病害视觉检测技术的重要组成之一，具有图像采集精准度高、工作效率高的特点。
TCRACK与MEI-100这两种隧道病害视觉检测装置的现场图见图1。
图1 典型地铁隧道表面病害视觉检测装置（一）相机采集由于隧道属于曲面结构，需要几个相机分区拍摄以免发生曲面效应。
智城实践NO.03 202412智能城市 INTELLIGENT CITY基于深度学习的隧道衬砌裂缝智能识别朱洪琛1 刘育初2（1.济南城建集团有限公司，山东 济南 250031；2.中国铁路广州局集团有限公司，广东 广州 510000）摘要：隧道衬砌裂缝会降低结构的稳定性，影响整个隧道在运营期间的安全，因此需要定期对隧道衬砌裂缝进行检测、治理。
针对隧道裂缝人工检测方法中存在精度低、效率不足的问题，文章以Faster-RCNN目标检测算法为基础，提出了一种基于深度学习的隧道衬砌裂缝智能检测方法，并利用构建的裂缝数据集进行模型训练和测试。
结果表明，提出方法的评价指标F 1分数为89.63%，AP 为92.65%，相较于YOLOv4和SSD两种对比算法，其具有更高的裂缝识别精度，适用于实际隧道工程的衬砌裂缝检测任务。
关键词：隧道工程；结构裂缝；目标检测；神经网络中图分类号：TP18 文献标识码：A 文章编号：2096-1936（2024）03-0012-03DOI ：10.19301/ki.zncs.2024.03.004隧道长时间处在复杂运营环境中（循环荷载、渗漏水、外部扰动等），衬砌表面会出现裂缝病害，如果没有及时进行治理，可能会造成隧道坍塌、涌水等危害，严重影响整个隧道的运营安全[1]。
目前，隧道衬砌裂缝的检测方法为人工检测，该方法存在效率低、主观性大的缺陷[2]。
因此，实现隧道衬砌裂缝的智能识别对于保障隧道工程的安全和可靠性具有重要意义。
随着计算机技术的快速发展，图像处理算法逐渐被应用于裂缝的智能识别中[3]，例如阈值算法[4]、边缘算法[5]、区域算法[6]、匹配算法[7]等。
这些算法可以自动提取出裂缝的特征，通过计算得到裂缝的位置，具有计算速度快、自动化程度高的优点，但是识别精度受图像质量和算法参数的影响较大[8]，因此上述方法难以被应用至具有环境复杂、光线多变等特点的实际隧道检测过程。
人工智能——轨道梁裂缝检测技术的过程轨道梁裂纹检测系统搭载在工程巡检车上，采用高速线阵相机对轨道梁进行高分辨率成像，结合图像算法对轨道梁进行裂纹识别和检测。
系统集成有多种位置传感器，实现对裂纹的精确定位。
随着我国经济的高速发展以及城市的快速扩张,城市轨道交通已经成为我国城市交通发展的主流,其健康安全状况是保证整个系统安全运行的关键之一。
PC梁作为跨座式单轨梁桥系统的重要组成部分,其表面出现裂纹及其它缺陷,对单轨交通的安全运营造成了隐患,目前的人工巡检方式存在效率低下、耗人力、费用高等问题。
因此,开展跨座式单轨交通PC轨道梁面裂纹缺陷检测技术的研究,设计有效的检测设备和自动检测算法是当前亟待解决的热点、难点问题。
针对自动检测算法中存在的一些难题,从梁面图像的去噪、增强、裂纹提取分割以及裂纹病害的分类、度量等多个方面进行了研究。
本文首先给出了PC轨道梁裂纹病害检测的系统框架,采用数据采集系统和离线处理系统两部分组成。
数据采集系统从线阵相机、数据采集和保存、照明以及精确定位等几个方面详细讨论了硬件特点以及需要注意的问题,并构建了适用于梁面数据采集的硬件系统。
离线处理系统简要介绍了裂纹病害检测模块的各个主要工作流程,设计了基于图像分析的梁面裂纹病害检测策略。
针对梁面图像噪声严重、裂纹边缘模糊及信噪比低等问题,本文提出了基于核各向异性扩散的裂纹图像去噪方法。
在各向异性扩散的基础上,增加一个边缘增强算子,用于增强微弱的裂纹边缘信息,并且根据噪声均匀分布在多维空间的特点,把低维数据推广到高维空间,结合核方法的优点,在核空间中实现去噪,同时采用平均绝对差值的自动扩散终止规则也提高了核各向异性扩散的效率。
实验结果表明,该方法对于PC轨道面线性裂纹图像的去噪有较好的效果,具有较高的信噪比,为后期进行梁面裂纹检测并精确的评价梁面质量打下了坚实基础。
梁面图像中的裂纹信息往往较为弱小,与背景的对比度很低,难以直接检测到。
隧道检测中的人工智能技术及应用摘要：本文旨在探讨隧道检测中的人工智能技术及应用。
隧道检测是一项重要的安全监测工作，对于保障隧道交通和建筑结构的安全至关重要。
目前，人工智能技术在隧道检测中的应用已经取得了显著的进展，包括计算机视觉技术、深度学习技术以及传感器技术与数据融合等。
本文详细介绍了这些技术在隧道检测中的应用，并探讨了人工智能技术在隧道检测中的优势和挑战。
关键词：隧道检测、人工智能、计算机视觉、传感器技术、数据融合1.隧道检测概述1.1隧道检测的定义和目标隧道检测是指对隧道结构进行监测和评估，以确保其安全运行和结构完整性的过程。
其主要目标是实时监测隧道内部和外部的各种参数和情况，包括结构变形、渗水、裂缝、破损等，以便及时发现潜在的问题，并采取相应的维修和保养措施，以确保隧道的安全运行[1]。
1.2隧道检测的挑战和问题隧道检测面临着一些挑战和问题。
首先，隧道通常位于地下或水下环境，工作空间狭小，人工操作困难，对人员安全带来风险。
其次，传统的隧道检测方法通常需要大量人力和时间，效率较低。
此外，隧道环境中存在多种复杂的因素，如地质条件、水文条件等，使得隧道结构的监测和评估变得复杂。
因此，如何实现高效、准确和安全的隧道检测成为一个重要的挑战。
1.3目前隧道检测的方法与局限性目前隧道检测采用的方法包括传统的人工巡检、物理测量和仪器监测，以及基于传感器和数据采集系统的自动化监测。
传统的人工巡检方法虽然具有一定的可靠性，但耗时耗力且容易受到人为因素的影响。
物理测量和仪器监测可以提供更为精确的数据，但需要在特定时期进行，并且无法实现连续和实时监测。
近年来，随着人工智能技术的发展，其在隧道检测中的应用逐渐成为研究的热点。
计算机视觉技术可以通过图像处理、目标检测和跟踪、图像识别与分类等方法，实现对隧道结构和异常情况的自动监测。
深度学习技术利用卷积神经网络、循环神经网络和生成对抗网络等模型，对大量数据进行学习和分析，提高了隧道检测的准确性和效率。
建筑技术开发Building Technology Development道路桥梁第47卷第15期Roads and Bridges2020年8月运营地铁隧道外观智能检测与大数据龚海科(陕西海喋工程科技(集团)股份有限公司,西安710077)［摘要］随着中国轨道交通行业的迅猛发展，越来越多的地铁投入运营，城市地铁隧道结构健康维护变得尤为重要，隧道 病害检测必不可少，新型智能检测与大数据结合的病害监测、检测方式有高速无损、数据完整、高精度、高准确性等优点，介绍了运营地铁外观的常见危害及检测手段，分析新型智能检测系统的优势，为隧道维护治理提供依据。
［关键词］隧道病害；智能检测；大数据［中图分类号］TU984［文献标志码］A［文章编号］1001-523X(2020)15-0119-02Intelligent Detection and big Data for Appearance ofOperating Subway TunnelsGong Hai-ke［Abstract］With the rapid development of China's rail transportation industry,more and more subways are put into operation, and the health maintenance of urban subway tunnel structures becomes particularly important.Tunnel disease detection is essential.New intelligent detection and big data combined disease monitoring and detection methods are the advantages of high-speed non-destructive, complete data,high precision,high accuracy,etc.,introduced the common hazards and detection methods of the appearance of operating subways,and analyzed the advantages of the new intelligent detection system,which can provide a better basis for tunnel maintenance and management.［Keywords］tunnel disease；intelligent detection；big data中国城市轨道交通协会获悉，截至2017年末，中国内地34个城市开通城市轨道交通并投入运营。
基于CMOS线阵相机地铁隧道裂缝快速检测系统
吴晓军;白韶红;啜丙强;陈荣昌;江瀑
【期刊名称】《路基工程》
【年(卷),期】2015(000)003
【摘要】使用CMOS线阵相机系统如何快速检测地铁隧道裂缝,以北京地铁1号线大望站—南礼士路站和其它相关站区,对CMOS线阵相机检测系统进行试验研究.结果表明:采用CMOS线阵相机及图像处理系统,将相机及光源系统安装在检测车尾外部,不间断电源、计算机服务器和发电机等配套设备安装在检测车内部,由铁路轨道车作为牵引动力,在采取一系列操作程序和改进措施后,能够实现隧道病害裂缝的快速检测.
【总页数】6页(P185-190)
【作者】吴晓军;白韶红;啜丙强;陈荣昌;江瀑
【作者单位】北京中盛恒信工程检测科技有限公司,北京100081;北京中盛恒信工程检测科技有限公司,北京100081;北京中盛恒信工程检测科技有限公司,北京100081;北京中盛恒信工程检测科技有限公司,北京100081;北京中盛恒信工程检测科技有限公司,北京100081
【正文语种】中文
【中图分类】U231+.94
【相关文献】
1.基于高速CMOS传感器的智能线阵相机设计 [J], 何涛焘;田陆;万乐仪;熊闲峰
2.基于FPGA的拼接式CMOS线阵相机系统设计 [J], 夏湖培;苏新彦;刘培珍;刘宾
3.基于线阵相机图像识别技术的带钢焊缝检测系统 [J], 张殷;姚宾;梁锦堂;王春辉;曲晓伟
4.基于CCD线阵相机的高速烟支外观在线检测系统 [J], 周明; 孙浩; 卢洪林; 王朝富
5.基于CMOS线阵相机的弹丸图像信息提取研究 [J], 张迎;江剑;路卓;王杰兵因版权原因，仅展示原文概要，查看原文内容请购买。
基于局部图像纹理计算的隧道裂缝视觉检测技术王耀东;朱力强;史红梅;方恩权;杨玲芝【期刊名称】《铁道学报》【年(卷),期】2018(040)002【摘要】地铁隧道裂缝病害的自动检测技术是一个重要研究方向.针对地铁隧道复杂场景和弱光环境下,全局图像检测精度低的问题,提出分块图像局部纹理处理算法,将大视场裂缝图像进行网格化处理,在分块区域内完成预处理与纹理提取,基于图像细化与骨架提取算法,提出裂缝和虚假裂缝纹理的差异性计算模型,可有效提高真实裂缝图像的检测精度,滤除虚假裂缝的干扰.针对硬件系统,提出多目高速线阵相机的图像采集方案,研制裂缝图像采集系统样机,可安装于轨道小车上进行图像连续采集.利用研制的图像采集处理设备,可以自动采集和检测隧道裂缝图像,对于纹理简单的普通裂缝图像样本,裂缝的识别率达到0.96;对于地铁隧道裂缝图像样本,裂缝的识别率达到0.84,验证了硬件系统和软件算法的有效性与可行性.【总页数】9页(P82-90)【作者】王耀东;朱力强;史红梅;方恩权;杨玲芝【作者单位】北京交通大学机械与电子控制工程学院,北京 100044;北京交通大学载运工具先进制造与测控技术教育部重点实验室,北京 100044;北京交通大学机械与电子控制工程学院,北京 100044;北京交通大学载运工具先进制造与测控技术教育部重点实验室,北京 100044;北京交通大学机械与电子控制工程学院,北京100044;北京交通大学载运工具先进制造与测控技术教育部重点实验室,北京100044;广州地铁集团有限公司工程技术研发中心,广东广州 510335;广州地铁集团有限公司工程技术研发中心,广东广州 510335【正文语种】中文【中图分类】TP391【相关文献】1.基于双目视觉的桥面裂缝检测技术研究 [J], 刘建威;钟泽湘2.基于机器视觉的隧道衬砌表观病害检测技术研究进展 [J], 刘渭宁;李文锋;李科;丁浩;袁聪3.基于机器视觉的路桥裂缝病害自动检测技术 [J], 洪卫星;吴羡;陈贵海;郭丹桂;毛明洁4.基于机器视觉的路桥裂缝病害自动检测技术 [J], 洪卫星;吴羡;陈贵海;郭丹桂;毛明洁5.基于视觉的隧道裂缝检测技术研究 [J], 龙学军;张杰;谭志国因版权原因，仅展示原文概要，查看原文内容请购买。
基于地铁隧道高分辨率图像的裂缝信息提取
魏向辉;孙亮;赵烁阳
【期刊名称】《测绘通报》
【年(卷),期】2024()4
【摘要】随着运营年限的增长,地铁隧道会逐渐产生各类病害,裂缝是一种典型的病害现象。
由于大部分裂缝的特征不突出,且受到地铁隧道内部电缆设备、划痕、蜘蛛网等线状干扰物的影响,现有裂缝检测方法在高分辨率图像下效果不佳。
本文以衬砌裂缝为研究对象,基于自主研发的隧道相机系统,实现对隧道表面信息的无损数据采集,获取4096×2168像素的高分辨率图像数据;明确裂缝识别的干扰因素,基于病害特性构建干扰数据集及真实纹理数据集;以掩码-区域卷积神经网络(Mask R-CNN)模型为基准框架,采用K-means和遗传算法对区域建议网络(RPN)网络进行参数优化;利用对比试验和消融试验说明本文算法的检测效果和表现性能。
结果表明,本文算法能实现高分辨率图像下隧道裂缝的识别和长度测量,漏检和误检概率更低,对细长、特征不太明显的裂缝具有较好的检测性能,裂缝测量值可为地铁的运营维护提供参考。
【总页数】6页(P90-95)
【作者】魏向辉;孙亮;赵烁阳
【作者单位】石家庄铁路职业技术学院;石家庄铁道大学
【正文语种】中文
【中图分类】P258
【相关文献】
1.基于样本知识挖掘的高分辨率遥感图像水稻种植信息提取方法
2.基于自适应均值的地铁隧道裂缝图像滤波算法
3.基于特征分析的图像式地铁隧道裂缝检测方法研究
4.基于特征分析的图像式地铁隧道裂缝检测方法研究
5.基于图像处理的地铁隧道裂缝识别算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
第16卷第4期铁道科学与工程学报Volume 16Number 4 2019年4月Journal of Railway Science and Engineering April 2019 DOI: 10.19713/ki.43−1423/u.2019.04.031地铁隧道表面裂缝智能视觉采集系统方恩权1，王耀东2，袁敏正1，朱力强2，周伟3(1. 广州地铁集团有限公司国家工程实验室，广东广州510335；2. 北京交通大学机械与电子控制工程学院，北京100044；3. 中南大学交通运输工程学院，湖南长沙410075)摘要：基于我国隧道裂缝检测主要依靠人工检测来实现，检测方式工作效率低、占用线路时间长，无法满足现代城市轨道交通检测的需求。
提出一种基于车载式多目高速线阵相机的地铁隧道表面图像采集系统，阐述其系统工作原理，并对系统内部各项硬件设备进行选型，在实验室内完成组装和调试，基本实现线阵相机图像采集的功能，并为后续的隧道表面图像处理提供支持。
关键词：裂缝检测；图像采集；图像处理；线阵相机中图分类号：TP-391 文献标志码：A 文章编号：1672−7029(2019)04−1074−07Intelligent vision acquisition system of subway tunnel surface crack image FANG Enquan1, W ANG Yaodong2, YUAN Minzheng1, ZHU Liqiang2, ZHOU Wei3(1. Guangzhou Metro Group Co., Ltd, National Engineering Laboratory, Guangzhou 510335, China;2. School of Mechanical, Electronic and Control Engineering, Beijing Jiaotong University, Beijing 100044, China;3. School of Traffic and Transportation Engineering, Central South University, Changsha 410075, China)Abstract: Tunnel crack detection mainly depends on manual detection in our country. The detection method has low efficiency and long line time. It can not meet the demand of modern urban rail transit detection. This paper proposes a subway tunnel image acquisition system based on vehicle-mounted multicast high-speed linear array camera, expounds the working principle of the system, and conducts the selection of the system hardware. Finally, Hardware system and software system are completed assembly and debugged in the laboratory, which can support the following subway tunnel surface crack image processing.Key words: crack detection; image acquisition; image processing; linear array camera随着国内地铁路线的快速发展，早期建设的地铁隧道基础设施已经进入养护维修期，而新建成的地铁隧道，也会诱发洞体形变并出现裂缝，影响隧道的正常使用，威胁行车安全。
如果对地铁隧道洞体出现的裂缝不及时预警与维护，会使隧道基础设施进一步被破坏，一旦发生事故，给生命财产带来巨大损失[1]。
同时，表面裂缝可发展成具有破坏性的贯穿裂缝和深层裂缝，破坏结构的整体性，从而带来无法估量的危险。
所以进行定期的裂缝检测，并观察重点裂缝的变化变得尤其重要。
目前，我国收稿日期：2018−05−30基金项目：科技部国家重点研发计划资助项目(2016YFB1200402)；中国铁路总公司科技研究开发计划课题资助项目(2017T001-B)通信作者：方恩权(1980−)，男，河南正阳人，教授级高级工程师，博士，从事轨道交通土建工程技术研究与项目管理工作；E−mail：fangenquan@第4期方恩权，等：地铁隧道表面裂缝智能视觉采集系统1075隧道裂缝检测主要依靠人工检测来实现，技术人员在隧道内缓慢移动，用肉眼观察裂缝，利用卡尺级裂缝宽度测量仪进行测量，凭借人工经验判断裂缝的危害性，效率低下，而且检测结果不客观，人的主观因素影响较大。
这种以人工为主的检测方式工作效率低、占用线路时间长，无法满足现代城市轨道交通检测的需求。
目前国内外对于裂缝检测已取得了一定的研究成果。
日本、韩国、欧洲等国家较早的展开了机器视觉技术的研究。
日本计测检测株式会社推出了MIS & MMS隧道裂缝检测系统[2]，其中MIS(Mobile Imaging Technology System)检测系统由CCD相机、LED照明设备组成，检测精度为0.2 mm；该设备功耗大、成本较高，只适用于公路隧道。
韩国汉阳大学开发出了针对混凝土裂缝的移动式检测系统[3]，采用线阵CCD相机、光源、减震器及编码器等，检测速度为5 km/h，可识别0. 3 mm以上宽度的裂缝。
西班牙Euroconsuh研制了隧道裂缝检测设备Tunnelings[4]，该设备检测速度最高为40 km/h，检测精度为0.5 mm，一晚上检测距离可达80 km。
德国研制了基于GRP5000激光扫描技术的轻型隧道检查车，国内针对地铁隧道裂缝图像采集与检测技术也有大量的研究，取得了一定成果。
王睿等[5]提出了一套车载式高铁隧道衬砌裂缝自动检测系统，拟采用5台Dalsa Piranha3系列相机，检测精度为0.2 mm裂缝，检测速度达13 km/h，照明采用LED灯，但是其车载系统稳定性不高，标定模板误差较大。
吴晓军等[6]采用9台线阵CMOS工业相机和不间断电源系统以及图像采集分析软件系统，构成了一个裂缝快速检测系统，系统可实现最小检测裂缝宽度0.3 mm，检测线路长度不少于10 km的目标，且检测宽度0.3 mm及以上的裂缝识别率可以达到90%左右。
王平让等[7−8]提出了基于几何形状因子分析的裂缝自动识别算法、基于图像局部网格特征的隧道衬砌裂缝自动识别方法，开发出了针对山区隧道的隧道衬砌病害集成检测车，可同时对裂缝、渗漏水以及空洞进行检测，裂缝检测精度可达0.3 mm，检测速度达到5 km/h。
王华夏等[9−10]提出了一套隧道裂缝自动化检测系统，初步达到检测目标，但速度、精度有限。
现有的地铁隧道裂缝采集系统由于器件选型不合理、各器件间配合不当、隧道环境适应性不好等因素，存在检测车速度慢、效率低下、采集到的图像精度不理想等问题，不利于后续图像处理的进行。
总的来说，地铁隧道裂缝图像采集与检测技术仍处于发展阶段，功能不够全面，存在较多缺陷，有待进一步研究和完善。
在此基础上，本文提出了一种基于车载式多目高速线阵相机的地铁隧道图像采集系统。
1 采集系统方案设计系统主要包括采集装置、照明系统、供电系统、定位系统、图像信息处理系统。
利用多个高速线阵相机组成的视觉系统，配合强光光源，视野覆盖整个隧道断面，对地铁隧道洞体表面进行高速图像采集。
采集系统安装于检测车上，实现快速移动式的图像采集。
图1 系统方案Fig. 1 System design2 硬件选型硬件主要包括多台线阵CCD相机、镜头、图像采集卡、工控机、强光光源、电源、检测车、速度传感器等。
线阵相机分布在以隧道中心为圆心的同心圆上，分别采集等长隧道圆弧，视野覆盖完整的隧道断面。
2.1CCD相机在隧道衬砌裂缝图像采集系统中，检测车以较高速度运行时，普通的面阵相机采集到的图像可能铁 道 科 学 与 工 程 学 报 2019年4月1076 会产生模糊、幻影或非连续采集等现象，且存在重合图像，需要利用图像拼接算法进行后期处理，对海量图像处理和裂缝自动识别造成很大的障碍。
而线阵相机只有一行感光单元，当需要获得二维图像时，只需将线阵相机与被拍摄物体做相对扫描运动，即可把每次探测到的结果衔接起来得到完整的隧道衬砌二维图像。
线阵相机工作频率可达几十兆赫兹，可实现隧道表面的逐行扫描采集，且图像连续性好，在物体运动方向的检测尺寸无限制，可直接形成整体的全景图像。
地铁隧道直径d 设定为5.4 m ，隧道截面近似为圆形轮廓，轨道板以上隧道的扇形弧长L 为：3π4L d = (1)经计算，扇形弧长为12.72 m ，考虑相机之间图像的重叠，确定扇形弧长为15. 00 m 。
要实现相机分辨率R 为0.2 mm ，用1个像素点表示，理论上需要像素的个数E the 为：the LE R=(2) 采用Linear 8K 线阵相机(水平/垂直分辨率：8 192像素；水平/垂直像素尺寸：7 μm ×7 μm ；最高线速率：80 kHz )，则需要相机数量S 为：the reaES E = (3)经计算选用线阵相机数量为9.16台，因此确定采用10台8K 相机及配套SOL2MEVCLFL 图像采集卡可以满足采集要求。
相机拍摄图像之间重叠距离为 (15−12.72)/(10−1)=0.25 m 。
2.2 镜头选择光学镜头是机器视觉系统的窗口，在裂缝图像采集系统中非常关键，相当于人眼的晶状体，如果没有晶状体，人眼将看不到任何物体，如果没有镜头，那么相机将没有清晰的图像输出。
光学镜头质量的优劣将直接影响到成像质量的好坏，合适的镜头可以保证光学系统透光性强、杂散光少、像面照度分布均匀、成像清晰、图像几何畸变小，对采集到清晰的隧道裂缝图像功不可没。
根据隧道实际情况确定镜头的设计视场M ，对于单台相机的视野至少应为：LM S= (4)经计算，单台相机的视野 1.55 m(20%重叠)，选用ML-5540-62M35镜头(焦距55 mm ，光圈范围F4.0；芯片尺寸57.67 mm ；相机实际视野M ：DmM f = (5) 式中：D 为镜头至物体距离；m 为相机芯片尺寸；f 为镜头焦距。
