基于深度学习的盾构隧道渗漏水病害图像识别

随着城市地铁隧道急剧增加的养护需求,地铁盾构隧道结构病害尤其是渗漏水病害亟需快速精准的识别诊断。利用计算机视觉对盾构隧道进行健康检测是近年来国内外的一种新趋势,但目前渗漏水病害图像的识别效果尚不能满足实际工程的需要。在分析盾构隧道衬砌表面图像特点的基础上,将渗漏水图像分为6种类别,采用深度学习的方法,提出一种新颖的基于全卷积网络的盾构隧道渗漏水病害图像识别算法,并从图像识别结果、错检率和运行时间三个方面与大律法、区域生长法、分水岭法等传统图像识别方法进行对比分析。研究表明:基于全卷积网络的盾构隧道渗漏水病害的图像识别能够有效地避免管片拼缝、螺栓孔、管线、支架等干扰物的影响,特别是在克服管线遮挡方面具有优越的鲁棒性;与传统图像识别算法相比,提出方法在错检率和运行时间上具有较大优势,能够更好地满足工程需要。     

隧道渗漏水红外辐射特征模型试验及图像处理

 对室外大型混凝土模型墙体注水模拟隧道衬砌渗漏水,利用红外热像仪观测渗漏水的红外辐射特征,获取红外热图像,研究混凝土渗漏水过程中的红外辐射规律,并编写MATLAB图像处理程序提取混凝土渗漏水红外热图像特征。混凝土一般渗漏水试验结果表明：渗漏水热图像呈现高温区域包围低温区域的温度场特征,渗漏水区域边缘温度梯度较大;混凝土渗漏水过程试验结果表明：渗水流量越大,渗漏水区域和基底混凝土的红外辐射温差越大,水域温度越均匀,水域边缘温度场变化越剧烈;试验结果可以为混凝土工程(如地下建筑、隧道等)渗漏水的检测和预警提供指导。针对渗漏水红外图像特征,利用MATLAB编写的程序能够提取热图像中的渗水面积等信息,为隧道渗漏水车载动态检测软件系统开发奠定基础。     

复杂环境公路隧道裂缝快速识别与分割算法研究

随着我国公路隧道由建设为主朝建养并重转化,在运营里程快速增长与既有隧道劣化加剧的双重作用下,移动检测及结构安全快速诊断已成为目前公路隧道运营维养领域的研究热点之一。我国已研发了多种类型的隧道检测车,为裂缝、渗漏水等表观病害的快速检测提供了手段,然而公路隧道衬砌图像背景复杂、干扰因素多、裂缝占比小的特点,给检测数据的快速分析带来巨大挑战,已成为制约技术推广的主要瓶颈。基于深度学习算法,本文提出了一种将目标识别与语义分割进行组合的裂缝快速提取方法,首先采用Faster R-CNN网络对原始衬砌图像进行目标识别,判定所采集图片是否存在裂缝并智能框选出裂缝区域;随后对框选出的裂缝区域自动裁切,由此过滤不含裂缝的图片并去除含裂缝图片中的干扰背景,再利用U-Net语义分割网络对裂缝进行像素级分割。通过实际工程验证发现,单幅图像裂缝整体分割时间小于0.15 s,在常见各类干扰因素下,目标识别F1值可达到92%,语义分割像素准确度可达到98%以上。与阈值分割和同类智能分割算法相比,本方法显著提高了识别速度与精度,为从隧道检测车海量数据中进行快速准确的裂缝提取提供了良好手段。     

基于数字图像处理的隧道渗漏水病害检测技术

以隧道衬砌渗漏水面积为检测目标,研究出包括去噪、锐化、分割、修正的一整套数字图像处理算法。依次通过预处理、灰度变换、阈值分割、形态修正等步骤,实现病害目标的识别。通过室内外试验建立数字图像像素与实际拍摄面积的换算关系,最后开发隧道衬砌表面病害数字图像识别系统,为隧道衬砌渗漏水病害检测提供一种便捷、低成本、直观、高效的方法。     

运营期隧道渗漏水病害无损检测及处治措施研究

该文以某山区高速公路运营隧道渗漏水病害检测及处治为工程背景,通过地质雷达无损探测及水质检测,确定了隧道的渗漏水的分布范围和主要成因,在隧道渗漏区域采用"排、截"等方式对其进行综合治理,同时在隧道渗漏水检测及处治等方面提供一定的参考价值,促进大量运营期渗漏水隧道能够继续保持良好的运营状态。     

铁路运营隧道渗漏水灾害成因分析及评价指标体系建立

国内已竣工运营的隧道目前普遍存在隧道衬砌结构渗漏水的情况。隧道渗漏水已成为我国铁路隧道工程最为普遍的病害之一,系统的分析造成隧道渗漏水的原因,使隧道的前期勘察、设计、施工和运营后的渗漏水治理能够有章可循,对隧道渗漏水灾害成因进行分析并建立相应的指标体系是十分必要的,通过对95条铁路运营隧道的调查和分析,总结了隧道渗漏水灾害的成因,并建立了评价指标体系,为以后渗漏水的评价提供了依据。     

某双连拱隧道渗漏水病害分析及治理

依据对开肩堡II号双连拱隧道中隔墙区域渗漏水病害的调查,对渗漏水等级进行评定,并分析该隧道发生渗漏水的原因,最后提出合理的渗漏水治理方案及措施。     

隧道衬砌渗漏水红外辐射特征影响因素试验研究

针对隧道渗漏水红外热成像检测问题,总结渗漏水红外辐射特征的影响因素(渗漏温差、流量、位置以及衬砌表面材料等),采用室内混凝土试块注水模拟各工况下隧道衬砌渗漏水,并利用红外热像仪记录分析渗漏水的红外辐射特征,研究不同因素对渗漏水红外辐射特征的影响规律.试验结果表明:渗漏水热图像呈现水流方向温度递减,水流横断面温度呈抛物线...     

基于深度学习的公路隧道表观病害智能识别研究现状与展望

公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,相较于传统方法而言在实际隧道工程中具有更好的应用前景。利用深度学习可以学习隧道病害的特征信息,有利于未来隧道病害识别智能化的发展。简述深度学习在隧道表观病害识别中的应用原理,从人工拍照方法、数字图像采集和激光扫描技术三方面介绍病害图像的采集,从标注软件和数据增强方法总结数据集的构建和扩充方法,在图像分类、目标检测、语义分割三方面总结深度学习算法在隧道病害检测的应用现状,归纳当前应用的不足之处,最后分析与展望深度学习在隧道表观病害智能化识别方向广泛应用需要研究的问题与方向。     

基于图像局部网格特征的隧道衬砌裂缝自动识别

 裂缝是隧道衬砌最常见也是最严重的病害之一。针对常规图像识别方法存在的问题,提出一种基于图像局部网格特征的隧道衬砌裂缝自动识别方法。首先将图像划分为8 Pixel×8 Pixel的局部网格,基于局部网格内不同方向之间的亮度差异和对比度差异特征设计十字形模板,通过模板计算将网格中灰度值最小的像素识别为潜在的裂缝种子,最后采用种子连接算法将离散的裂缝种子像素连接成为完整的连续裂缝,在连接过程中自动计算裂缝的走向、长度和宽度。通过接受者操作特征曲线估计算法的最优参数和最佳阈值,从定性和定量分析两方面验证其可靠性和准确性。工程应用实例表明,算法能取得良好的裂缝识别效果,特别是对细微裂缝和存在渗漏水的衬砌图像,算法的可靠性和识别率均高于常规的图像识别方法。