随着我国城市轨道交通进入快速发展期,对隧道安全的检测需求也越来越高,传统的人工检测已经不能适应当前快速、精准的检测要求,目前已逐渐被基于目标检测和数字图像处理技术的检测方法取代。本文在此基础上提出了一种基于YOLOv5和数字图像处理的地铁隧道裂缝检测系统,搭建改进的YOLOv5目标检测模型,建立地铁隧道病害数据集进行训练,实现裂缝等病害区域的快速定位和分类,并提出裂缝提取算法提取裂缝特征,实现裂缝的自动化检测。首先,对隧道裂缝采集车进行设计。针对隧道裂缝采集任务设计和选用采集卡、线阵相机、信号发生器等设备。采集车搭载4台线阵相机同步采集,并对采集的原始图像进行一系列预处理操作。使用图像畸变矫正技术对原始图像拉伸,消除采集过程中横向与纵向的比例失衡;针对地铁隧道内环境恶劣,噪声和干扰物较多的问题,选用维纳滤波,过滤大部分背景噪声。其次,使用改进的YOLOv5模型检测裂缝等病害位置。由于隧道内环境复杂,裂缝细长的结构特点,裂缝在图像所占比例较小,仅使用图像分类模型不足以检测裂缝。为了实现更加精准的裂缝病害检测,本文提出了一种基于YOLOv5的裂缝病害检测系统,搭建改进的YOLOv5目标检测模型,并构造地铁隧道多类别病害目标检测数据集,训练模型后完成裂缝病害的自动化检测。经过训练,改进的YOLOv5目标检测模型m AP值达到0.861,其中裂缝和渗水的AP值分别为0.777和0.887,适当降低置信度阈值后检测精确度分别达到94.07%和95.21%,较好地满足地铁隧道病害的检测需求。最后,在目标检测模型确定裂缝区域的基础上提出了基于图像处理的裂缝特征提取算法。提出改进的Otsu算法分割裂缝与背景,并使用形态学运算滤除噪声提取裂缝连通域,最后使用骨架提取算法和自适应的毛刺剔除算法,计算裂缝的量化特征,为后续的隧道病害处理提供了技术支撑。