CN105547602B - 一种地铁隧道管片渗漏水的远距离测量方法 - Google Patents
一种地铁隧道管片渗漏水的远距离测量方法 Download PDFInfo
- Publication number
- CN105547602B CN105547602B CN201510740773.8A CN201510740773A CN105547602B CN 105547602 B CN105547602 B CN 105547602B CN 201510740773 A CN201510740773 A CN 201510740773A CN 105547602 B CN105547602 B CN 105547602B
- Authority
- CN
- China
- Prior art keywords
- mrow
- jurisdiction
- section
- image
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种地铁隧道管片渗漏水的远距离测量方法，具体包括如下步骤：对远距离采集的隧道管片图像进行预处理；通过改进迭代法对图像进行二值化；采用连通区域的多级滤波算法可以有效去除噪声，将渗漏水区域从管片图像中提取出来；同时结合图像中管片边缘特征，采用霍夫变换对管片边缘直线识别并进行标定，得到管片实际宽度和图像管片宽度的比值，最终将检测出的渗漏水换算成实际面积。本发明计算简单、运行时间短，无需人工参与。采用面测量，只需输入采集到地铁隧道管片的渗漏水图像，即可完成对管片渗漏水的检测，因此，该检测算法效率高、检测精确。结果表明，该检测算法应用价值较高，误差较小，同时无需提前人工进行标定且处理效率高。
Description
技术领域
本发明涉及地铁隧道管片检测领域，具体涉及一种地铁隧道管片渗漏水的远距离测量方法。
背景技术
隧道渗漏水现象在运营隧道中非常普遍，是一种常见的病害，若不及时对其进行修补，将会降低管片结构的强度，并引发钢筋和螺栓腐蚀、管片开裂及混凝土剥落等其他病害，会严重危害隧道的运营并且可能导致安全事故。
目前，国内传统的盾构隧道渗漏水检测方法，是安排受过培训的专业人员对隧道进行定期检测，根据肉眼观察结果进行判断，其工作量大、耗费人力和物力多且检测精度不高。随着科技的进步，无损检测的方法应运而生。计算机高性能处理器、大容量存储器以及图像处理技术的飞速发展，使得基于图像处理技术的隧道衬砌表面病害自动检测技术成为了可能。但其在隧道病害检测方面的研究还是比较少而且不成熟。黄永杰等提出了基于数字图像自动识别算法的盾构隧道渗漏水自动检测技术，采用自主研发的检测系统进行现场渗漏信息的采集、识别、抓取和处理而完成盾构隧道的渗漏水检测。但是处理对象是近距离拍摄，对于远距离的图像效果并不具有适用性。刘学增等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，但研究成果对照片质量依赖性较大，针对复杂的图像处理效果并不理想。综上，现有检测技术存在照片依赖性大，适用范围小等问题，研究一种效率高、检测精确的地铁隧道管片渗漏水远距离检测算法是十分有必要的。
发明内容
针对现有技术存在的缺陷，本发明的目的在于提供一种地铁隧道管片渗漏水的远距离测量方法，从而实现在昏暗的地铁隧道环境下对管片渗漏水的面积的实时、高效和精确的检测。
为了达到以上目的，本发明采用以下技术方案：
一种地铁隧道管片渗漏水的远距离测量方法，具体包括如下步骤：
a.将CCD相机置于距离地铁隧道管片6-10米处，正对地铁隧道管片拍摄图像；
b.根据步骤a采集的彩色图像，将彩色图像进行灰度化处理，灰度化公式如下：
f＝0.3R+0.59G+0.11B
其中，f为图像的灰度值，R，G，B为真彩图像每个像素点的3个参数值；
c.根据步骤b灰度化后的图像，通过灰度拉伸来提升图像中渗漏水与背景的对比度，灰 度拉伸公式如下：
上述公式中a，b分别为上下阈值，f’为灰度拉伸后的灰度值；
d.根据步骤c得到预处理后的图像，采用改进迭代法对地铁隧道管片渗漏水图像进行二值分割；
e.根据步骤d得到的二值图像，采用基于连通区域的多级滤波算法处理，具体包括三个部分，分别为基于连通区域小面积滤波，基于连通区域的圆形度滤波以及特殊噪声滤波；
f.对于步骤c得到预处理后的灰度图像，对地铁隧道管片渗漏水图像进行3×2分块划分，针对每一块区域采用Ostu最大类间方差法图像分割；
g.经过步骤f分块阈值分割后的图像，能够保留管片的边缘信息，为了提取管片边缘位置，用Canny算子对其进行边缘检测，将地铁隧道管片渗漏水图像的边缘全部提取出来，为了有针对的得到管片的边缘在竖直方向，有如下附加条件公式：
|P1.x-P2.x|≤Tc
其中P1.x和P2.x分别是直线两端的横坐标，将两者做差的绝对值小于阈值TC的直线提取出来；
h.根据步骤g提取出来的管片边缘直线，得到边缘直线间的像素点数，同时已知管片的宽度，对应得到每个像素点的实际宽度，也算出图像上每个像素点的实际面积，进一步验证测量精度；
i.根据步骤e通过多级滤波后得到的渗漏水区域，由步骤h得到的换算方法直接换算成实际面积。
所述步骤d中的采用改进迭代法对地铁隧道管片渗漏水图像进行二值分割，具体步骤如下：
1)设定灰度值偏大区域自动转化成背景区域，其阈值为T′max，最小灰度值为0，令初始阈值为：
T0＝{Tk|k＝0}
T0＝(0＋T′max)/2
2)利用阈值Tk将图像分成两组，R1和R2，其中
R1＝{f(x,y)|0≤f(x,y)≤Tk}
R2＝{f(x,y)|Tk+1≤f(x,y)≤T′max}
3)计算区域R1和R2的平均灰度值Z1和Z2，其中
式中，f(i,j)是图像上点(i,j)的灰度值，N(i,j)是点(i,j)的权重系数，一般设为1；
4)选择新的阈值：
Tk+1＝(Z1+Z2)/2
5)如果|Tk+1-Tk|≤1，则迭代结束，否则k＝k+1，跳转步骤2)继续迭代。
所述步骤e的采用基于连通区域的多级滤波算法，具体为：
1)基于二值图像连通区域小面积滤波
渗漏水在二值图像中一般是不规则的团状分布，相比于分布的点状噪声面积更大，设Pk(x,y)为二值图像的连通区域，N为连通区域的个数，Sk为每个连通区域的面积，设定一个阈值Tz，滤波公式如下：
2)基于连通区域圆形度滤波
二值图像中存在着大量的块状噪声，其中含有螺栓孔属于圆形结构，与渗漏水的不规则结构并不一样，因此利用连通域的圆形度进行滤波，圆形度计算公式如下：
其中Ck为连通区域的面积，理想情况下，对于圆形，e的值等于1，e越小越不规则，设定一个阈值Tb，滤波公式如下：
3)特殊噪声滤波
前两种滤波处理后还存在特殊噪声，由于它的宽度w或者高度h变化不大，逐行扫描图像计算连通域的宽度和高度，统计其宽度或者高度众数出现的次数，分别为Nw和Nh，设定两个阈值Tw和Th，滤波公式如下所示：
所述步骤h的验证测量精度是通过根据第一块管片的单个像素实际长度来验证第二块管片来实现，具体如下：
其中管片的实际宽度均为W米，第一块管片经计算像素点数为N，第二块管片像素点数为N1，按照提换算公式得到管片2所测得的宽度为：
第二块管片的实际的宽度W米，计算实际管片的面积误差为：
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
本发明对于地铁隧道管片渗漏水面积测量无需人工参与，提高工作效率，适合在实时的系统中采用。采用面测量，同时对于渗漏水面积大小可以通过程序换算实时标定，减小劳动强度。因此，该检测算法效率高、检测精确。
附图说明
图1是本发明的算法的总流程图。
图2是管片渗漏水图像的灰度图。
图3是通过改进迭代法处理后的二值图像。
图4是地铁渗漏水图像中的圆形噪声以及特殊噪声。
图5是管片边缘特征提取图。
图6是通过算法最终提取的渗漏水区域。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作进一步具体说明，
如图1所示，一种地铁隧道管片渗漏水的远距离测量方法，具体包括如下步骤：
a.将CCD相机置于距离地铁隧道管片8米处，正对地铁隧道管片拍摄图像；
b.根据步骤a采集的彩色图像，将彩色图像进行灰度化处理，灰度化公式如下：
f＝0.3R+0.59G＋0.11B
其中，f为图像的灰度值，R，G，B为真彩图像每个像素点的3个参数值，如图2所示；
c.根据步骤b灰度化后的图像，通过灰度拉伸来提升图像中渗漏水与背景的对比度，灰度拉伸公式如下：
上述公式中a，b分别为上下阈值，f’为灰度拉伸后的灰度值；本实施例中a＝20，b＝200；
d.根据步骤c得到预处理后的图像，采用改进迭代法对地铁隧道管片渗漏水图像进行二值分割，如图3所示；
e.根据步骤d得到的二值图像，采用基于连通区域的多级滤波算法处理，具体包括三个部分，分别为基于连通区域小面积滤波，基于连通区域的圆形度滤波以及特殊噪声滤波，如图4所示；
f.对于步骤c得到预处理后的灰度图像，对地铁隧道管片渗漏水图像进行3×2分块划分，针对每一块区域采用Ostu最大类间方差法图像分割；
g.经过步骤f分块阈值分割后的图像，能够保留管片的边缘信息，为了提取管片边缘位置，用Canny算子对其进行边缘检测，将地铁隧道管片渗漏水图像的边缘全部提取出来，为了有针对的得到管片的边缘在竖直方向，有如下附加条件公式：
|P1.x-P2.x|≤Tc
其中P1.x和P2.x分别是直线两端的横坐标，将两者做差的绝对值小于阈值TC的直线提取出来，如图5所示；
h.根据步骤g提取出来的管片边缘直线，得到边缘直线间的像素点数，同时已知管片的宽度，对应得到每个像素点的实际宽度，也算出图像上每个像素点的实际面积，进一步验证测量精度；
i.根据步骤e通过多级滤波后得到的渗漏水区域，由步骤h得到的换算方法直接换算成实际面积。
所述步骤d中的采用改进迭代法对地铁隧道管片渗漏水图像进行二值分割，具体步骤如下：
1)设定灰度值偏大区域自动转化成背景区域，其阈值为T′max，最小灰度值为0，令初始阈值为：
T0＝{Tk|k＝0}
T0＝(0＋T′max)/2
2)利用阈值Tk将图像分成两组，R1和R2，其中
R1＝{f(x,y)|0≤f(x,y)≤Tk}
R2＝{f(x,y)|Tk+1≤f(x,y)≤T′max}
3)计算区域R1和R2的平均灰度值Z1和Z2，其中
式中，f(i,j)是图像上点(i,j)的灰度值，N(i,j)是点(i,j)的权重系数，一般设为1；
4)选择新的阈值：
Tk+1＝(Z1+Z2)/2
5)如果|Tk+1-Tk|≤1，则迭代结束，否则k＝k＋1，跳转步骤2)继续迭代。
所述步骤e的采用基于连通区域的多级滤波算法，具体为：
1)基于二值图像连通区域小面积滤波
渗漏水在二值图像中一般是不规则的团状分布，相比于分布的点状噪声面积更大，设Pk(x,y)为二值图像的连通区域，N为连通区域的个数，Sk为每个连通区域的面积，设定一个阈值Tz，滤波公式如下：
2)基于连通区域圆形度滤波
二值图像中存在着大量的块状噪声，其中含有螺栓孔属于圆形结构，与渗漏水的不规则结构并不一样，因此利用连通域的圆形度进行滤波，圆形度计算公式如下：
其中Ck为连通区域的面积，理想情况下，对于圆形，e的值等于1，e越小越不规则，设定一个阈值Tb，滤波公式如下：
3)特殊噪声滤波
前两种滤波处理后还存在特殊噪声，由于它的宽度w或者高度h变化不大，逐行扫描图像计算连通域的宽度和高度，统计其宽度或者高度众数出现的次数，分别为Nw和Nh，设定两个阈值Tw和Th，滤波公式如下所示：
所述步骤h的验证测量精度是通过根据第一块管片的单个像素实际长度来验证第二块管片来实现，具体如下：
其中管片的实际宽度均为W米，第一块管片经计算像素点数为N，第二块管片像素点数为N1，按照提换算公式得到管片2所测得的宽度为：
实际的宽度2米，按照这个误差，可以计算面积误差为：
如图6所示，可以将三块渗漏水区域检测出来，分别为渗漏水1，渗漏水2和渗漏水3。其中它们的所在连通域占的像素点数A分别为31914，2092和20609。基于霍夫变换的管片边缘提取算法可以将管片两边边缘如图两根绿色线段在图像中的距离测出来，并且已知实际管片的宽度W为2米，测得管片宽度在实际图像中的像素点数N为745个。因此渗漏水面积S实际为：
经计算渗漏水1，渗漏水2和渗漏水3实际面积S1，S2，S3分别为0.23平方米，0.015平方米和0.149平方米。
Claims (2)
1.一种地铁隧道管片渗漏水的远距离测量方法，其特征在于，具体包括如下步骤：
a.将CCD相机置于距离地铁隧道管片6-10米处，正对地铁隧道管片拍摄图像；
b.根据步骤a采集的彩色图像，将彩色图像进行灰度化处理，灰度化公式如下：
f＝0.3R+0.59G+0.11B
其中，f为图像的灰度值，R，G，B为真彩图像每个像素点的3个参数值；
c.根据步骤b灰度化后的图像，通过灰度拉伸来提升图像中渗漏水与背景的对比度，灰度拉伸公式如下：
<mrow>
<msup>
<mi>f</mi>
<mo>,</mo>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<mi>f</mi>
<mo><</mo>
<mi>a</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>255</mn>
<mrow>
<mi>b</mi>
<mo>-</mo>
<mi>a</mi>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>-</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>a</mi>
<mo>&le;</mo>
<mi>f</mi>
<mo><</mo>
<mi>b</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>255</mn>
</mtd>
<mtd>
<mrow>
<mi>b</mi>
<mo>&le;</mo>
<mi>f</mi>
<mo><</mo>
<mn>255</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
上述公式中a，b分别为上下阈值，f’为灰度拉伸后的灰度值；
d.根据步骤c得到预处理后的图像，采用改进迭代法对地铁隧道管片渗漏水图像进行二值分割；
e.根据步骤d得到的二值图像，采用基于连通区域的多级滤波算法处理，具体包括三个部分，分别为基于连通区域小面积滤波，基于连通区域的圆形度滤波以及特殊噪声滤波；具体步骤为：
e-1.基于二值图像连通区域小面积滤波：渗漏水在二值图像中一般是不规则的团状分布，相比于分布的点状噪声面积更大，设Pk(x,y)为二值图像的连通区域，N为连通区域的个数，Sk为每个连通区域的面积，设定一个阈值Tz，滤波公式如下：
e-2.基于连通区域圆形度滤波：二值图像中存在着大量的块状噪声，其中含有螺栓孔属于圆形结构，与渗漏水的不规则结构并不一样，因此利用连通域的圆形度进行滤波，圆形度计算公式如下：
<mrow>
<mi>e</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mn>4</mn>
<mi>&pi;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
</mrow>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mfrac>
</mrow>
其中Ck为连通区域的面积，理想情况下，对于圆形，e的值等于1，e越小越不规则，设定一个阈值Tb，滤波公式如下：
e-3.特殊噪声滤波：前两种滤波处理后还存在特殊噪声，由于它的宽度w或者高度h变化不大，逐行扫描图像计算连通域的宽度和高度，统计其宽度或者高度众数出现的次数，分别为Nw和Nh，设定两个阈值Tw和Th，滤波公式如下所示：
f.对于步骤c得到预处理后的灰度图像，对地铁隧道管片渗漏水图像进行3×2分块划分，针对每一块区域采用Ostu最大类间方差法图像分割；
g.经过步骤f分块阈值分割后的图像，能够保留管片的边缘信息，为了提取管片边缘位置，用Canny算子对其进行边缘检测，将地铁隧道管片渗漏水图像的边缘全部提取出来，为了有针对的得到管片的边缘在竖直方向，有如下附加条件公式：
|P1.x-P2.x|≤Tc
其中P1.x和P2.x分别是直线两端的横坐标，将两者做差的绝对值小于阈值TC的直线提取出来；
h.根据步骤g提取出来的管片边缘直线，得到边缘直线间的像素点数，同时已知管片的宽度，对应得到每个像素点的实际宽度，也算出图像上每个像素点的实际面积，进一步验证测量精度，具体步骤如下：
其中管片的实际宽度均为W米，第一块管片经计算像素点数为N，第二块管片像素点数为N1，按照提换算公式得到管片2所测得的宽度为：
<mrow>
<msub>
<mi>W</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mi>W</mi>
<mi>N</mi>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
</mrow>
第二块管片的实际的宽度W米，计算实际管片的面积误差为：
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msubsup>
<mi>W</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msup>
<mi>W</mi>
<mn>2</mn>
</msup>
<mo>|</mo>
</mrow>
<msup>
<mi>W</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>;</mo>
</mrow>
i.根据步骤e通过多级滤波后得到的渗漏水区域，由步骤h得到的换算方法直接换算成实际面积。
2.根据权利要求1所述的地铁隧道管片渗漏水的远距离测量方法，其特征在于，所述步骤d中的采用改进迭代法对地铁隧道管片渗漏水图像进行二值分割，具体步骤如下：
1)设定灰度值偏大区域自动转化成背景区域，其阈值为T′max，最小灰度值为0，令初始阈值为：
T0＝{Tk|k＝0}
T0＝(0+T′max)/2
2)利用阈值Tk将图像分成两组，R1和R2，其中
R1＝{f(x,y)|0≤f(x,y)≤Tk}
R2＝{f(x,y)|Tk+1≤f(x,y)≤T′max}
3)计算区域R1和R2的平均灰度值Z1和Z2，其中
<mrow>
<msub>
<mi>Z</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
</mrow>
</munder>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>Z</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
</mrow>
</munder>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中，f(i,j)是图像上点(i,j)的灰度值，N(i,j)是点(i,j)的权重系数，一般设为1；
4)选择新的阈值：
Tk+1＝(Z1+Z2)/2
5)如果|Tk+1-Tk|≤1，则迭代结束，否则k＝k+1，跳转步骤2)继续迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510740773.8A CN105547602B (zh) | 2015-11-04 | 2015-11-04 | 一种地铁隧道管片渗漏水的远距离测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510740773.8A CN105547602B (zh) | 2015-11-04 | 2015-11-04 | 一种地铁隧道管片渗漏水的远距离测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105547602A CN105547602A (zh) | 2016-05-04 |
| CN105547602B true CN105547602B (zh) | 2018-05-01 |
Family
ID=55826946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510740773.8A Active CN105547602B (zh) | 2015-11-04 | 2015-11-04 | 一种地铁隧道管片渗漏水的远距离测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105547602B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108335291B (zh) * | 2018-01-24 | 2021-11-02 | 上海勘察设计研究院(集团)有限公司 | 一种隧道病害影像预处理方法 |
| CN108230344B (zh) * | 2018-01-24 | 2021-11-02 | 上海勘察设计研究院(集团)有限公司 | 一种隧道渗漏水病害自动识别方法 |
| CN108457699B (zh) * | 2018-03-15 | 2023-04-18 | 中国矿业大学(北京) | 基于红外图像的掘进工作面水灾报警系统 |
| CN108252741B (zh) * | 2018-03-15 | 2023-04-18 | 中国矿业大学(北京) | 基于红外图像的采煤工作面水灾报警系统 |
| CN108194145B (zh) * | 2018-03-15 | 2023-04-18 | 中国矿业大学(北京) | 基于红外图像的矿井水灾报警系统 |
| CN109064417B (zh) * | 2018-07-11 | 2022-03-15 | 汪俊 | 地铁隧道图像处理方法及装置 |
| CN109520678B (zh) * | 2018-12-26 | 2021-01-19 | 浙江工业大学 | 一种用于压力容器气密性试验的保压检测方法 |
| CN110094217A (zh) * | 2019-06-06 | 2019-08-06 | 福建浩亿新型材料有限公司 | 一种智能防水堵漏系统及其施工方法与一种防水隧道 |
| CN110307952B (zh) * | 2019-07-02 | 2021-08-31 | 北京航空航天大学 | 基于线阵ccd传感器的飞艇表面贴附检测机器人 |
| CN110470669B (zh) * | 2019-08-23 | 2020-05-26 | 吉林大学 | 一种水下管道的检漏方法、系统及相关装置 |
| CN112253168B (zh) * | 2020-10-28 | 2022-04-22 | 中交天和机械设备制造有限公司 | 一种盾构机管片自动化拼装方法及装置 |
| CN115346162B (zh) * | 2022-10-19 | 2022-12-13 | 南京优佳建筑设计有限公司 | 基于室内监控的地下建筑墙体渗水实时监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2819239Y (zh) * | 2005-03-02 | 2006-09-20 | 王明时 | 红外埋地管道探测装置 |
| CN101281079A (zh) * | 2008-05-12 | 2008-10-08 | 北京理工大学 | 基于红外成像技术的泄漏检测定位方法及系统 |
| CN101846576A (zh) * | 2010-05-27 | 2010-09-29 | 王巍 | 一种基于视频的液体泄漏分析预警系统 |
| CN101957178A (zh) * | 2009-07-17 | 2011-01-26 | 上海同岩土木工程科技有限公司 | 一种隧道衬砌裂缝测量方法及其测量装置 |
| JP2011117788A (ja) * | 2009-12-02 | 2011-06-16 | Sumitomo Mitsui Construction Co Ltd | コンクリート表面検査装置 |
| CN103528515A (zh) * | 2013-10-15 | 2014-01-22 | 北京交通大学长三角研究院 | 桥梁底面裂缝动态检测方法 |
-
2015
- 2015-11-04 CN CN201510740773.8A patent/CN105547602B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2819239Y (zh) * | 2005-03-02 | 2006-09-20 | 王明时 | 红外埋地管道探测装置 |
| CN101281079A (zh) * | 2008-05-12 | 2008-10-08 | 北京理工大学 | 基于红外成像技术的泄漏检测定位方法及系统 |
| CN101957178A (zh) * | 2009-07-17 | 2011-01-26 | 上海同岩土木工程科技有限公司 | 一种隧道衬砌裂缝测量方法及其测量装置 |
| JP2011117788A (ja) * | 2009-12-02 | 2011-06-16 | Sumitomo Mitsui Construction Co Ltd | コンクリート表面検査装置 |
| CN101846576A (zh) * | 2010-05-27 | 2010-09-29 | 王巍 | 一种基于视频的液体泄漏分析预警系统 |
| CN103528515A (zh) * | 2013-10-15 | 2014-01-22 | 北京交通大学长三角研究院 | 桥梁底面裂缝动态检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105547602A (zh) | 2016-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105547602B (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
| CN110458119B (zh) | 一种非接触式测量的混凝土骨料级配快速识别方法 | |
| CN101957178B (zh) | 一种隧道衬砌裂缝测量方法及其测量装置 | |
| CN109584286B (zh) | 一种基于广义回归神经网络的沥青路面构造深度计算方法 | |
| Wang et al. | Research on crack detection algorithm of the concrete bridge based on image processing | |
| CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
| CN106296691B (zh) | 基于图像分析的路面病害识别方法 | |
| CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
| CN102680480A (zh) | 一种混凝土结构裂缝智能化检测方法 | |
| CN104574418A (zh) | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 | |
| CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
| CN110414341A (zh) | 一种基于无人机技术的露天矿爆堆测量统计方法 | |
| CN113610778B (zh) | 一种基于语义分割的桥梁表面裂纹检测方法与系统 | |
| CN104880389A (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
| CN107727658A (zh) | 基于图像处理的受电弓裂纹在线检测装置及方法 | |
| CN105427324A (zh) | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 | |
| CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
| CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
| CN110717900A (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
| CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
| CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
| CN113076959A (zh) | 基于卷积神经网络的混凝土结构表面微裂纹特征提取方法 | |
| CN113362274B (zh) | 一种雨量监测计算方法 | |
| CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
| CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |