一种基于深度学习的地铁盾构隧道病害检测方法与流程

文档序号：18640117发布日期：2019-09-11 23:02阅读：383来源：国知局

本发明涉及一种对盾构损伤进行实时监测的方法。

背景技术：

近年来，随着地铁盾构隧道技术的不断发展，盾构法作为一种高效的地下施工方式，已经成为我国大部分城市的地下和水下隧道工程的主要施工方法。但目前国内大部分是用的是混凝土制的管片，其在生产、运输、施工和服役的过程中都有可能发生破坏产生损伤和其他的损害。目前的人工巡检方式效率低、数字化程度低、不利于检测的信息化、自动化；而随着隧道历程的增加，人力成本的不断上升，使用人工巡检越来越不能满足检修的需要。

1、一般隧道及盾构隧道的损伤研究

目前国内对于隧道损伤的研究主要包括隧道病害检测技术、方法、程序与制度；隧道病害成因研究；病害分类方法；病害健康诊断方法的研究；隧道安全性分析和计算模型；隧道维修加固技术等。我国自从1998年开始实施的《桥隧建筑物劣化评定标准》中详细划分了隧道病害的种类，分别为隧道衬砌裂损、衬砌结构漏水、衬砌劣化三大类病害，并按照严重程度划分为a、b、c、d四个等级。针对隧道病害的检测的研究集中在两方面：一是对于检测规章制度的研究，二是具体病害检测方法和检测技术的研究。目前使用的技术主要有以下几种：地质雷达、声波、ct等。黄希等研究了在列车振动荷载作用下交叉盾构隧道动力响应和损伤分析；李小坤等研究了在我国西南地区硫酸盐侵蚀的作用下，隧道结构病害的具体特征，并结合目前现有的病害特征等级分类，提出了定量的划分方法；盾构隧道方面，卢岱岳等研究了带榫盾构管片的裂纹扩展规律，并针对不对不良施工荷载对管片的影响程度做了研究，利用扩展有限单元法(xfem)进行了拟真。检测技术方面，目前的研究方向主要集中在对施工土体和衬砌的受力状态、变形情况进行检测分析。李玉宁指出盾构施工检测内容主要包括地层、支撑结构和周围环境；主要项目包括地表和深层土体的沉降和水平位移、地下水压力、水位、建筑物沉降、地下管线沉降、支撑内力和变形等；杨新安等设计了铁路路基检测车，该车主要装备有地质雷达和静力触探仪，可快速连续得检测基床路基病害情况。

2、基于机器视觉和计算机视觉的损伤检测技术

自2012年开始，深度神经网络技术在机器视觉有了极大的进展。krizhevsky等提出使用深度卷积网络做图像分类器，该方法极大提高了识别的准确度。自此，深度卷积网络开始应用在大量的机器视觉任务中。sermane等人研究了深度学习在图像识别、定位和检测方面的通用框架。因为深度学习网络需要很强的计算能力，gpu被大规模应用到了深度学习领域。nvidiacuda的出现大大加快了计算速度并减低现有的开发成本。之后，chetlur等人提出了针对深度学习网络的计算框架cudnn进一步降低了深度学习的应用门槛。同时，simonyan等人提出了更深层的卷积神经网络vgg，并取得了精确度的进一步提升。同时，他们还提出了一系列的措施来保证模型的训练。深度学习框架方面，来自google的abadi提出的计算框架tensorflow大量被应用在各类的任务当中。为了使得深度学习具备移动部署能力，howard等提出了一系列措施来提高速度并降低模型参数数量。运动推断结构(structurefrommotions,sfm)是机器视觉中重要的任务之一，也是各类研究者关注的重点。运动推断结构大量应用ransac算法做3d模型的重建。haming等指出，到目前为止，已经有十分成熟的运动推断结构框架和算法流程。

3、损伤检测机器人技术

土木工程自动化方面，越来越多的学者开始把注意力放在基于视觉的方法上。montero指出图像方法是隧道检测的主要组成部分。通常此类机器人往往会装备ccd相机，并在作业过程中与墙壁保持一定距离。相机将会配备防抖装置。机器臂将辅助相机扫描整个墙面，之后通过机器视觉算法来发现损伤的部位。类似的，机器臂也可能同时装备声纳和摄像头。针对盾构隧道，yuan等提出一种预测性的盾构隧道维护方法。xiongyao等提出一种利用gpr和3d激光扫描方法的盾构隧道检测方法。该方法利用激光雷达，扫描隧道中的三维几何形态，利用机器视觉方法分析图像数据，并据此判断结构健康状态。

盾构隧道的损伤主要为衬砌裂损、衬砌结构漏水、衬砌劣化等，这些损伤都能被直接反映到外表面上，非常适合使用基于计算机视觉的方法。结合我国大量城市盾构隧道的运营真实情况和数据，设计一种基于深度学习的地铁盾构隧道病害检测系统。

技术实现要素：

本发明要克服传统人工巡检方法的不足，提供一种基于深度学习的地铁盾构隧道病害检测方法。

实施本发明方法的设备包括硬件和软件。硬件部分包括检修车的设计、硬件布置，包括相机、存储设备、计算处理设备等。软件部分包括盾构隧道损伤的视觉表现、基于机器视觉的盾构损伤的分类和识别算法的研发和损伤定位。通过收集盾构隧道损伤的图像数据和数据集标注，进一步认知损伤的特点，将识别问题转换为机器视觉中的图像分类问题。

本发明要解决以下几个方面的问题：

一是解决机器学习模型中会出现的过拟合问题。

二是解决传统隧道损伤监测方法中图像传输距离受限问题。

三是解决环境因素对损伤识别的干扰问题。

四是解决传统隧道损伤监测中不能实现连续在线监测的问题。

本发明的一种基于深度学习的地铁盾构隧道病害检测方法，具体实施步骤如下：

a.架设摄像头并进行摄像；

a1.将摄像头对隧道损伤测试区域；

a2.反复调整调节摄像头的镜头焦距、光圈大小和放大倍数等，使得完整损伤出现在显示器视野中；

a3.调整摄像头曝光时间和增益值，得到隧道被测区域的清晰图像并使得其位于图像的合适位置，最终得到隧道损伤的最佳图像；

b.测区数据的过拟合处理；

b1.收集更多的盾构损伤数据；

b2.充分利用已有的损伤数据集和其他建材数据集；

b3.充分利用转移学习和数据增强技术；

c.模型的评价与修正；

c1.通过摄像头收集到的数据分布形成训练集和验证集；

c2.对数据进行初始化，并使用pytorch使用深度学习模型进行训练并识别；

c3.采用roc曲线和precisionrecall曲线对模型进行评价；

d隧道损伤的识别与定位；

d1.调取隧道测区的初始化图案三维图像模型和实际空间对应模型；

d2.抽取初始化图案三维图像模型中多个特征点，这几个特征点可以充分表征隧道测区的三维几何形态，并将这些特征点作为三维数字图像相关的基准；

d3.将基准模板在由摄像头拍摄到的图像构建的三维模型中进行数字图像相关匹配，搜索抽取的特征点在现在模型中的位置，并实现多特征点跟踪；

d4.对多特征点追踪过程进行机器学习和训练，优化追踪任务，并加入自适应算法降低光线等变化对追踪的干扰，直至特征点追踪满足要求；

d5.将三维图像模型转化到实际三维空间模型，将此时的实际三维空间模型与初始化三维空间模型进行对比，得到隧道测区实际的图像；

d6.通过摄像头所得到的隧道损伤处图片，通过光学定位方法，将检修车此时的位置发送至主机中。

e.隧道测区位置损伤自动在线监测与实时存储；

e1.按照被测隧道损伤监测要求制定数据采样频率和存储策略；

e2.摄像头不断进行拍照，按照d步骤中描述对每一帧拍摄到的图像构建的模型进行多特征点追踪，追踪任务完成之后转换到实际三维模型进行识别；

e3.检查d3是否完成d2提出的采集策略和采集存储任务，如果完成，隧道损伤监测任务完成。

上述步骤中所提到的摄像头将采集到的图像利用千兆以太网进行传输，保存在计算机硬盘中并即时处理。

在进行图像三维构建当中需要用摄像头从不同的角度对隧道测区进行拍摄，将得到的图像进行三维模型构建，实现三维立体视觉功能。摄像头的空间交角及空间距离确定之后，其拍摄到的图像构建得到的三维模型与实际空间模型是一一对应的。可以通过实际空间当中已知几何尺寸的物体在三维模型的像素尺寸建立图像与实际空间的转换矩阵，并用作系统标定。在三维模型特征点追踪过程中需要对拍摄到的图像构建的三维模型进行追踪训练和学习，优化追踪过程。

本发明中除了前述提到的摄像头和计算机等，还提供了一套存储在计算机当中基于深度学习方法的隧道损伤识别与定位在线监测系统软件平台。

本发明的优点是：

1.解决了传统人工巡检效率低、数字化程度低、不利于检测的信息化、自动化的缺点；

2.解决了传统隧道损伤监测方法中图像传输距离受限的问题，提高测量精度；

3.本方法通过加入深度学习算法，可以大大减轻由于环境因素(光线变化和雾气边缘遮挡)等导致的识别失误；

4.由于采用高速千兆以太网将摄像头采集到的图像信息传输到计算机，实时传输快，实现数据在线即时处理，可以将监控视频与拉索实时应力状态结合查看，可以实现事件全信息回放；

附图说明

图1是实施本发明方法的装置示意图。

图2是实施本发明方法的装置在隧道中的主视图。

图3是实施本发明方法的设备的在隧道中的侧视图。

图4本发明的流程图。

具体实施方式

下面结合附图，进一步说明本发明的技术方案。

参照附图，图1中的代号分别表示：

1——车架，

2——座椅，

3——大灯，

4——摄像头及摄像头架，

5——控制器，

6——显示器和主机