基于数字图像的盾构隧道衬砌裂缝病害诊断EI北大核心CSCD

采用计算机视觉对隧道衬砌表面的结构病害进行快速无损检测已成为发展趋势,如何通过图像识别结果客观地评定病害严重程度是保障隧道结构服役性能的重要切入点。以地铁盾构隧道衬砌结构表面的裂缝病害二值图像为研究对象,提出客观的新型盾构隧道裂缝诊断指标(Tunnel Defect Index-Crack,简称TDI-C)及其分级标准。首先,通过数字图像处理对裂缝病害进行量化,得到长度、最大宽度、分形维数等3个参数;提出一种动态分块法来计算裂缝病害的长度和最大宽度;采用盒维数计算裂缝病害的分形维数,发现其值越大,所对应裂缝病害的形态越复杂。其次,以200环衬砌管片的隧道区段作为诊断尺度,计算病害量化参数的累计值,建立由21个隧道区段组成的病害样本空间;采用K-means++聚类,合理地确定裂缝病害的分级档数为三级与样本空间中各个样本的病害等级;通过偏最小二乘回归分析,提出隧道裂缝诊断指标TDI-C,并建立病害等级的分级标准。最后,给出地铁区间隧道裂缝病害诊断的应用实例,并指出本文方法较现有方法具有较大优势。     

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。