CN106053475B - 基于主动式全景视觉的隧道病害全断面动态快速检测装置 - Google Patents
基于主动式全景视觉的隧道病害全断面动态快速检测装置 Download PDFInfo
- Publication number
- CN106053475B CN106053475B CN201610347483.1A CN201610347483A CN106053475B CN 106053475 B CN106053475 B CN 106053475B CN 201610347483 A CN201610347483 A CN 201610347483A CN 106053475 B CN106053475 B CN 106053475B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- image
- formula
- panoramic
- point
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 46
- 230000005641 tunneling Effects 0.000 title claims abstract description 16
- 201000010099 disease Diseases 0.000 claims abstract description 87
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 87
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 56
- 238000003384 imaging method Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 19
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000000205 computational method Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000006185 dispersion Substances 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 208000010392 Bone Fractures Diseases 0.000 description 6
- 206010017076 Fracture Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
一种基于主动式全景视觉的隧道病害全断面动态快速检测装置，包括隧道检测车、主动式全景视觉传感器、RFID读取器、无线接发送单元、控制器、站级通信系统或中央监控中心服务器；所述中央监控中心服务器包括全方位视觉传感器标定模块、主动式全景视觉传感器标定数据库、第Zi距离的隧道断面全景图像数据读取单元、全隧道横断面全景图像库、全方位面激光信息解析及点云数据获取单元、隧道横断面全景图像展开及分割单元、隧道疑似病害图像预处理单元、隧道疑似病害图像处理单元、隧道病害图像特征指标提取单元、隧道安全状况评估单元。本发明提供了一种全新的隧道全断面高速动态健康体检方式，自动的检测判断和评估隧道内存在的各种缺陷，为隧道的维护、竣工验收提供了有效的技术支撑。
Description
技术领域
本发明涉及全景激光光源、全方位视觉传感器、数字图像处理以及计算机视觉技术在隧道病害的检测方面的应用，尤其涉及一种基于主动式全景视觉的隧道病害全断面动态快速检测装置。
背景技术
我国是世界上铁路隧道运营里程最长的国家，相关调查研究表明相当数量的隧道存在病害问题，严重影响到我国铁路的行车安全。
现阶段，在隧道病害检测过程中使用最多的传统方法主要有目测、钻孔取芯、压水测试和钻孔声波等。对隧道衬砌以及路面进行无损检测的方法主要有地质雷达法、回弹法、超声/声波法、激光扫描法、红外线检测法和超声回弹综合法，其在隧道病害检测中的主要用途、不足及优点如表1所示。
表1
激光扫描是近几年首先在欧洲发展起来的新型检测技术，由于其优点突出，在德国、瑞士等国家普遍应用。隧道扫描仪的作用原理是安装在水平轴线的激光器以极高的速度旋转，并测量表面反射。这样可以得到隧道内壳表面高分辨图，以此评价表面的裂缝、剥落和其他可看得见的异常现象。除了可视照片外，还能拍摄表面的红外图。只要有足够的温度梯度，用这两种图可以解析出湿块、空腔和内壳后的水。
随着计算机高性能处理器、大容量存储器、高速相机以及数字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。
中国发明专利申请号为201110281700.9本发明公开了一种基于机器视觉技术的隧道病害快速调查系统及调查方法，装置安置在调查承载车上，包括：机器视觉子系统，用CCD摄像机获取待调查对象图像数据；激光测距子系统，用激光测距法测量机器视觉子系统采集的图像的成像距离；光电测速子系统，用于提供采集图像在隧道中的对应坐标；控制子系统，控制激光测距及光电测速子系统，将该两子系统获得数据传至数据处理子系统，触发机器视觉子系统采集图像传至数据处理子系统；数据处理子系统，根据控制子系统传来的数据处理机器视觉子系统获取的图像；电源子系统，为各子系统提供电压。该案采用多个CCD摄像机采集隧道内壁图像，除了增加了设备成本以外，还带来了多摄像机的标定、图像数据的配准、协调控制等众多问题，同时在近距离拍摄隧道内壁时获取的图像有较大变形影响着测量精度，另外数据处理子系统要同时处理多幅隧道内壁图像需要在调查承载车上配置性能很高的计算机。
中国发明专利申请号为201410275604.7公开了一种隧道病害的识别方法以及多图像识别方法。利用线阵CCD以及图像融合技术，高速获取隧道表面的数字图像并存储。再利用数字图像处理算法对已知隧道病害进行特征分类建模，建立特征数据库，进行病害特征匹配与病害识别。该案采用多个CCD线阵摄像机采集隧道内壁图像，因此也存在着中国发明专利申请号为201110281700.9同样的问题；另外上述几个案件都未涉及隧道床面的检测，对于铁路隧道的床面需要检测两钢轨间的宽度，对于公路隧道需要检测床面道路上是否存在着裂缝等其他病害。
注意到隧道病害是有一个发展过程的，从发生轻微变形→局部出现少量裂缝→裂缝宽度、密度增大，隧道净空变小→隧道净空严重缩小，衬砌破碎，失去承载能力→局部掉块、失稳、甚至拱坍墙倒。上述几个案件都没有考虑裂缝发展速度的检测问题。总之，难以实现隧道全断面动态快速病害检测。
综上所述，现有的隧道病害检测方法，其精度、速度等都不能满足高速铁路隧道检测的要求。难以对隧道全断面动态快速病害检测需要实现自动化的图像采集，自动化的裂缝图像和渗水图像识别，图像特征提取以及病害自动评价。
发明内容
为了克服已有隧道病害检测方式的自动化和智能化水平低、难以用一种性价比较高的隧道病害检测装置对隧道全断面进行跨越时空的、高精度的自动分析和评估的不足，本发明提供一种采用对隧道全断面进行病害检测的主动式全景视觉技术，能够提高隧道病害检测的自动化和智能化水平，对隧道各种外观病害进行高精度全方位的自动分析和评估的基于主动式全景视觉的隧道病害全断面动态快速检测装置。
要实现本发明，必须要解决五个核心问题：(1)实现一种全景激光光源；(2)实现一种能快速获得实际物体深度信息的主动式全景视觉传感器；(3)融合全景激光扫描与全景成像技术，为隧道全断面动态快速病害检测提供有效支撑；(4)通过数字图像处理技术对隧道全景图像进行高精度的自动分析和评估；(5)建立隧道体检健康档案库，为跨时空分析隧道病害发展动态变化提供元数据支撑。
本发明解决其技术问题所采用的技术方案是：
一种基于主动式全景视觉的隧道病害全断面动态快速检测装置，包括隧道检测车、站级通信系统或中央监控中心服务器；
所述的隧道检测车包括在隧道轨道上行走的检测车本体，安装在检测车本体上的主动式全景视觉传感器、RFID读取器、测距轮、无线接发送单元和控制器；
所述的主动式全景视觉传感器包括：全方位视觉传感器、投射照明光源；所述的全方位视觉传感器与所述的投射照明光源进行同轴固定连接；
所述的RFID读取器，用于读取固定在隧道内壁上RFID内存储的隧道基准数据；
所述的测距轮，检测车本体的小轮的轮轴上装有光电编码器，根据编码器读出小轮在轨面上走过的距离；
所述的无线接发送单元，用于将所述的控制器与站级通信系统之间建立无线通信；
所述的控制器包括：RFID数据读取单元，用于读取固定在隧道壁上RFID所存储的空间位置信息；行车距离估算单元，通过读取光电编码器的脉冲数并估算出隧道检测车的行车距离；隧道横断面全景图像读取、存储单元，用于读取所述的主动式全景视觉传感器所获取的隧道横断面全景图像，并以所述的隧道检测车的行走距离Zi和现在时刻为文件名保存在控制器的存储单元中；隧道横断面全景图像数据传输单元，用于将所述的控制器的存储单元中的隧道横断面激光扫描图像发送给站级通信系统；
所述的站级通信系统，用于与所述的隧道检测车上的所述的控制器建立无线通信网和与所述的中央监控中心服务器构建全隧道安全检测网。
进一步，所述中央监控中心服务器包括：
全方位视觉传感器标定单元，用于确定三维空间点和摄像机成像平面上的二维图像点之间映射关系的参数，标定后的结果存储在主动式全景视觉传感器标定数据库中，在计算和解析隧道内壁边缘点云时进行调用；
第Zi距离的隧道断面全景图像数据读取单元，用于读取隧道检测车沿隧道轴向方向上的移动距离Zi所拍摄的隧道横断面全景图像；
全方位面激光信息解析及点云数据获取单元，用于对移动距离Zi的隧道横断面全景图像进行处理，得到隧道内壁边缘点云数据；
隧道横断面全景图像展开及分割单元，用于对行走距离Zm为文件名的隧道横断面全景图像进行展开及分割处理，分别得到隧道右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像；
隧道疑似病害图像预处理单元，包括灰度校正模块和图像平滑模块；分别对隧道右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像进行灰度校正和图像平滑处理；
隧道疑似病害图像处理单元，包括图像分割模块和图像的形态学处理模块；分别对灰度校正和图像平滑处理后的隧道右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像进行二值分割和形态学处理；
隧道病害图像特征指标提取单元，包括病害的密度和面积的提取模块、病害的骨架提取模块、病害的长度和宽度的提取模块、裂缝图像筛选模块和病害分类模块；提取出隧道病害图像的各种几何特征；
隧道安全状况评估单元，用于隧道安全情况得出检测评估报告，及时对隧道病害进行快速定点整治。
再机一部，在所述的隧道横断面全景图像展开及分割单元，用于对行走距离Zm为文件名的隧道横断面全景图像进行展开及分割处理，过程如下；
根据全景图像的中心坐标以及图像的内外圆半径，将全景图像的中心坐标设定平面坐标系的原点O**(0,0)、X*轴、Y*轴、全景图像的内径为r、外径为R，用r1＝(r+R)/2设定中间圆的半径，方位角为β＝tan-1(y*/x*)；全景柱状展开图像以坐标原点O**(0,0)、X**轴、Y**轴为平面坐标系，将全景图像中的内径为r与X*轴的交点(r,0)作为坐标原点O**(0,0)，以方位角β顺时针方向展开；建立全景柱状展开图像中任意一点象素坐标P**(x**,y**)与全景图像中的象素坐标Q*(x*,y*)的对应关系，其计算式为：
x*＝y*/(tan(360x**/π(R+r))) (30)
y*＝(y**+r)cosβ (31)
上式中，x**,y**为全景柱状展开图像的象素坐标值，x*，y*为全景图像的象素坐标值，R为圆形全景图像的外径，r为圆形全景图像的内径，β为圆形全景图像坐标的方位角；
在展开过程中用公式(31)以方位角β进行分割；k＝1为右侧拱墙部位，方位角β范围为0～β1；k＝2为路面部位，方位角β范围为β1～β2；k＝3为左侧拱墙部位，方位角β范围为β2～β3；k＝4为拱顶部位，方位角β范围为β3～360°；通过这样的展开和分割分别得到右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像。
在所述的全方位面激光信息解析及点云数据获取单元，用于对移动距离Zi的隧道横断面全景图像进行处理，得到隧道内壁边缘点云数据；解析在激光扫描全景图像上的红色激光投射点的方法是根据红色激光投射点的像素的亮度要大于成像平面上的平均亮度，将成像平面上的平均亮度的1.2倍作为提取红色激光投射点的阈值，为了得到激光投射线的准确位置，这里采用高斯近似方法来抽取出激光投射线的中心位置，过程如下：
Step1：设置初始方位角β＝0；
Step2：在激光扫描全景图像上以方位角β从激光扫描全景图像的中心点开始检索红色激光投射点，对于方位角β上存在着若干个连续的红色激光投射的像素，这里选择亮度值接近最高值的三个连续像素通过高斯近似方法来估算激光投射线的中心位置；具体计算方法由公式(27)给出，
式中，f(i-1)、f(i)和f(i+1)分别为三个相邻像素接近最高亮度值的亮度值，d为修正值，i表示从图像中心点开始的第i个像素点；因此估算得到的激光投射线的中心位置为(i+d)，该值对应于公式(26)中的||u″||；
式中，αβ表示隧道内壁某一点的入射角，||u″||为在成像平面上的该点到图像平面中心点的距离，a0、a1、a2、aN为标定的全方位视觉传感器的内外参数，如表7所示；
表7ODVS的标定结果
Step3：用公式(26)计算出该激光投射点的入射角αβ，并根据激光扫描全景图像数据的文件名的信息，即以移动距离Zi为文件名的形式，得到隧道检测车沿隧道轴向上的移动距离Zi，然后用公式(28)计算出隧道检测车沿隧道轴向上的移动距离Zi和方位角β'＝β情况下在隧道内壁上的激光投射点到所述的主动式全景视觉传感器的中心轴线之间的距离d(z,β)；
d(z,β)＝H×ctanαβ (28)
式中，H为全景扫描光线到全方位视觉传感器的单视点Om的直线距离，αβ为全景扫描光线投射到隧道内壁上的某一个点后、该点相对于全方位视觉传感器的单视点Om的入射角，d(z,β)为沿隧道轴向上的某一个位置Zi和某一个方位角β'情况下在隧道内壁上的点到所述的主动式全景视觉传感器的中心轴线之间的距离；
最后用公式(29)计算该激光投射点的空间坐标位置值；
式中，Zi为隧道检测车沿隧道轴向上的移动距离，H全景扫描光线到全方位视觉传感器的单视点Om的直线距离，d(z,β)为沿隧道轴向上的位置Zi和方位角β'＝β情况下在隧道内壁上的激光投射点到所述的主动式全景视觉传感器的中心轴线之间的距离，x,y,z分别为激光投射点相对于以全方位视觉传感器的单视点Om的坐标值，β为方位角；
Step4：改变方位角继续检索激光投射点，即β＝β+Δβ，Δβ＝1；
Step5：判断方位角β＝360，如果成立，检索结束；反之转到Step2；
通过上述处理得到了隧道横向截面的轮廓边缘点云数据。
所述的灰度校正模块采用一种自适应的图像直方图均衡处理方法，根据图像像素点的局部统计特征对像素灰度值进行函数变换，变换函数有像素点周围某个大小的子图像的直方图确定。
所述的图像平滑模块采用图像的自适应wiener滤波方法，将均方误差的数学期望取极小估值作为其最优标准，采用MATLAB图像处理工具箱所提供的wiener2函数进行自适应滤出图像噪声。
所述的图像分割模块采用Otsu法分别对右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像进行二值分割，得到右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像。
所述的图像的形态学处理模块分别对右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像进行数学形态学处理；在数学形态学处理中采用先进行开运算再进行闭运算；
开运算是利用同一结构元素对象对同一目标图像依次进行腐蚀运算和膨胀运算，计算方法如公式(4)所示；
式中，A是隧道疑似病害的原始图像，B是结构元素图像；
闭运算是指对同一目标图像先进行膨胀运算后进行腐蚀运算，计算方法如公式(5)所示；
式中，A是隧道疑似病害原始图像，B是结构元素图像。
所述的病害的密度和面积的提取模块，对经数学形态学处理后的右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像用公式(6)计算病害在整幅图像中的密度：
式中，为病害在隧道轴向位置在Zi和隧道衬砌部位k处的密度，为在隧道轴向位置在Zi和隧道衬砌部位k处的病害像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的图像像素点个数；
隧道衬砌部位k，这里定义k＝1为右侧拱墙部位，k＝2为路面部位，k＝3为左侧拱墙部位，k＝4为拱顶部位；
通过公式(8)分别计算病害在右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像中的面积：
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处病害的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处的病害像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的图像像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的实际图像的尺寸大小；由公式(28)计算得到d(z,β)值和全方位视觉传感器的标定结果进行计算。
所述的病害的长度和宽度的提取模块，用公式(13)计算出疑似裂缝区域的周长；
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝骨架的像素数，ω为图像中每个像素所实际对应长度，该值由全方位视觉传感器的标定结果及全方位视觉传感器的单视点中心到隧道内壁间的距离d(z,β)计算得到；LZi,k为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的周长；
根据公式(8)计算得到的疑似裂缝面积和公式(13)计算得到的疑似裂缝长度用公式(14)计算疑似裂缝的平均宽度，
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的周长，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝的平均宽度。
本发明的有益效果主要表现在：本发明的有益效果主要表现在：
1)提供了一种全新的自动化隧道健康体检方式，能准确高速地检测出隧道多种病害；
2)在给隧道做体检的过程中及时采集隧道的三维空间信息，为隧道三维建模提供原始地下空间基础数据；
3)自动的检测判断和评估隧道内存在的各种缺陷，为隧道的维护、竣工验收提供了有效的技术支撑。
附图说明
图1为一种全方位视觉传感器的结构图；
图2为单视点折反射全方位视觉传感器成像模型，图2(a)透视成像过程，图2(b)传感器平面，图2(c)图像平面；
图3为主动全景视觉传感器进行距离测量的示意图；
图4为投射照明光源的结构图；
图5为一种主动式全景视觉传感器的结构图；
图6为采用主动全景视觉传感器对隧道内壁进行全景检测的示意图；
图7为采用主动全景视觉传感器地下隧道检测的总体宏观示意图；
图8为采用主动全景视觉传感器对隧道内壁进行全景视觉检测的流程图；
图9为基于主动式全景视觉的隧道病害全断面动态快速检测和评估的架构图；
图10为采用主动全景视觉传感器对隧道内壁进行全景视觉检测的示意图；
图11为隧道横断面图以及隧道内壁结构区域分割说明示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
实施例1
参照图1～11，一种基于主动式全景视觉的隧道全断面高速动态健康检测装置，包括：隧道检测车、主动式全景视觉传感器、RFID读取器、无线接发送单元、控制器、站级通信系统或中央监控中心服务器：所述的中央监控中心服务器通过所述的站级通信系统构成全隧道安全检测网，所述的站级通信系统接收从所述的隧道检测车上配置的无线接发送单元发送过来的隧道横断面全景图像，并将隧道横断面全景图像及时地通过全隧道安全检测网传送给所述的中央监控中心服务器；
所述的隧道检测车上配置有主动式全景视觉传感器、RFID读取器、测距轮、无线接发送单元和控制器，所述的主动式全景视觉传感器安装在所述的隧道检测车的前方中央，所述的RFID读取器读取配置在隧道内壁上安置的RFID信息，所述的隧道检测车的底部安装一个测距轮，所述的控制器读取测距轮中光电编码器的脉冲当量并估算所述的隧道检测车的行走距离Zi；所述的控制器读取主动式全景视觉传感器所获取的隧道横断面全景图像并以所述的隧道检测车的行走距离Zi和现在时刻为文件名保存在所述的控制器的存储单元中；当所述的隧道检测车达到下一个站点时，所述的控制器通过所述的无线接发送单元将所述的控制器的存储单元中的隧道横断面全景图像发送给所述的站级通信系统；
所述的主动式全景视觉传感器包括：全方位视觉传感器、投射照明光源；所述的全方位视觉传感器与所述的投射照明光源进行同轴固定连接；
所述全方位视觉传感器，如附图1所示，包括双曲面镜面2、上盖1、透明半圆形外罩3、下固定座4、摄像单元固定座5、摄像单元6、连接单元7、上罩8，如附图1所示；所述的双曲面镜面2固定在所述的上盖1上，所述的连接单元7将所述的下固定座4和透明半圆形外罩3连接成一体，所述的透明半圆形外罩3与所述的上盖1以及所述的上罩8通过螺钉固定在一起，所述的摄像单元6用螺钉固定在所述的摄像单元固定座5上，所述的摄像单元固定座5用螺钉固定在所述的下固定座4上，所述的全方位视觉传感器中的所述的摄像单元的输出通过千兆网数据接口与所述的控制器连接；
所述的摄像单元的采样频率需要在120km/h的检测速度下，采集频率要满足至少每3m采集一个隧道全断面全景图像，计算得到采样频率满足大于12fps条件；
所述的摄像单元的采样分辨率，根据测量精度的要求，要检测出检测精度需要达到0.2mm，即最小能检测出0.2mm宽的裂缝；全方位视觉传感器的检测成像中心离隧道边缘的最长距离为3m，对应于摄像机的成像芯片中短轴的一半范围，若不考虑插值提高分辨率的话，全方位视觉传感器的垂直方向的成像范围为96°，所述的摄像单元的采样分辨率需要5000个像素以上；
综合上述情况，所述的摄像单元选择CL25000CXP高速摄像机，分辨率为5120×5120，采样频率72fps，使用黑白颜色模式，数据输出接口为高速CoaXpress接口，数据传输最高速率为25Gbit/s；本发明每秒要传输12帧5120×5120分辨率的黑白图像，即12×5120×5120×8位的图像，数据传输速率要求为2.3Gbit/s；目前中国的最长隧道约33km，若以120km/h穿越最长隧道需要16.5分钟，记录11000帧隧道全断面全景图像，图像存储量为11000×5120×5120×8位，约230GB；需要采用高速摄像记录系统来实现大数据量、高速的全景图像采集与存储；
所述的投射照明光源包括光源上盖、圆锥形镜面、透明外罩、圆圈形激光发射器、底座和24颗LED。24颗LED均匀分布固定在底座外圆侧对隧道内壁进行照明，圆圈形激光发射器固定在底座上，圆圈形激光发射器的发射光轴心线与底座轴心线一致，圆锥形镜面固定在光源上盖用于反射圆圈形激光发射器发射出来的圆圈激光为隧道内壁提供隧道断截面全景扫描光，圆锥形镜面的轴心线与光源上盖轴心线一致，透明外罩将嵌入24颗LED以及固定圆圈形激光发射器的底座和固定圆锥形镜面的光源上盖集成为投射照明光源；圆圈形激光发射器的中心轴和圆锥形镜面的中心轴重合。
隧道检测车即将进入隧道前，定位系统会提供隧道检测车的位置信息，当隧道检测车位置与隧道洞口里程在10米范围内时，控制机启动测量系统，主动式全景视觉传感器进入采集信息状态，同时系统时钟同步系统启动，记录每一位置信息相对应的时间信息。在隧道进洞口、洞内和出洞口间隔一定距离安装电子标签，利用RFID辅助修正里程定位完成断面的精确定位；
隧道检测车即将进入隧道前，定位系统会提供隧道检测车的位置信息，当隧道检测车位置与隧道洞口里程在10米范围内时，控制机启动测量系统，主动式全景视觉传感器进入采集信息状态，同时系统时钟同步系统启动，记录每一位置信息相对应的时间信息。在隧道进洞口、洞内和出洞口间隔一定距离安装电子标签，即RFID，利用RFID辅助修正里程定位完成断面的精确定位；
所述的RFID，固定在隧道进洞口、洞内和出洞口间隔一定距离上，这里将固定RFID处的隧道断面与隧道中轴线的交点作为测量的基准点，为隧道建立统一坐标基准Bi(x,y,z)；所述的RFID的存储单元中存储了隧道固定点的空间位置信息Bi(x,y,z)；隧道固定点的空间位置信息Bi(x,y,z)是隧道建成后经定点高精度测量所得到的；隧道固定点的空间位置信息Bi(x,y,z)在隧道运营过程中需要定周期进行维护和校正，以保证这些空间位置信息Bi(x,y,z)能作为隧道的绝对坐标基准；
所述的控制器包括：
RFID数据读取单元，用于读取固定在隧道壁上RFID所存储的空间位置信息；
行车距离估算单元，通过读取光电编码器的脉冲数并利用公式(3)估算出隧道检测车的行车距离；
隧道横断面全景图像读取、存储单元，用于读取所述的主动式全景视觉传感器所获取的隧道横断面全景图像，并以所述的隧道检测车的行走距离Zi和现在时刻为文件名保存在控制器的存储单元中；
隧道横断面全景图像数据传输单元，用于将所述的控制器的存储单元中的隧道横断面全景图像发送给站级通信系统；附图8为所述的控制器进行隧道健康体检的处理流程图；
隧道检测车的动态定位主要依靠光电编码器，在隧道检测车的底部安装一个测距轮，结合轨道电路信号确定隧道检测车起始位置以及消除轴向累计误差。光电编码器可以输出1000.2000个脉冲/转，根据采集到的脉冲数量和测距轮轮直径可以计算出车辆走行的距离，实际应用中可采用FT法、防空转打滑算法、多传感器融合算法等多种算法来提高定位的精度。同时，里程定位系统还能够根据轨道电路信号校准隧道检测车初始位置、定点清除动态测量过程中的累计误差。
在隧道检测车底部安装测距轮，前进时测距轮在轨道面上做纯滚动，小轮的轮轴上装有光电编码器，根据编码器可读出小轮在轨面上走过的距离。设小轮的直径为D，装于其上的光电编码器的分划选为P，通过公式(1)计算出编码器的脉冲当量(每单个脉冲相当于小轮走过的直线距离)δ，
测距轮的直径为Φ58，测距轮上的光电编码器分划为2000，编码器的脉冲当量用公式(2)进行计算，
隧道检测车的行走距离Zi用光电编码器发出Z个脉冲进行计算，计算方法如公式(3)所示，
Zi＝Zδ＝0.0911Z (3)
为了让安装在隧道检测车上的主动式全景视觉传感器所获取的隧道横断面全景图像与所拍摄图像时的空间位置进行关联，这里采用以隧道检测车的行走距离Zi为文件名保存隧道横断面全景图像数据；当隧道检测车经过隧道内的站级时通过无线方式将隧道横断面全景图像数据经所述的站级通信系统发送给所述的中央监控中心服务器；
隧道检测车的隧道健康检测流程如附图8所示，隧道检测车即将进入隧道前，隧道检测车上的控制机读取固定在隧道壁上RFID所存储的空间位置信息，控制机启动测量系统，主动式全景视觉传感器进入采集信息状态，同时系统时钟同步系统启动，记录每一位置信息相对应的时间信息并校准隧道检测车的初始位置；控制器读取测距轮中光电编码器的脉冲当量并估算所述的隧道检测车的行走距离Zi；控制器读取主动式全景视觉传感器所获取的隧道横断面全景图像并以所述的隧道检测车的行走距离Zi和现在时刻为文件名保存在控制器的存储单元中；当隧道检测车达到下一个站点时，控制器通过所述的无线接发送单元将控制器的存储单元中的隧道横断面全景图像发送给站级通信系统；随着隧道检测车以120km/h的速度前行，控制器不断读取主动式全景视觉传感器所获取的隧道横断面全景图像和读取测距轮中光电编码器的脉冲当量并估算所述的隧道检测车的行走距离Zi，并以隧道检测车的行走距离Zi和现在时刻为文件名保存在控制器的存储单元中，直至当隧道检测车上的控制机读取固定在隧道壁上RFID中的信息为隧道出口；此时，控制器停止向主动式全景视觉传感器获取图像数据，关闭主动式全景视觉传感器中的全景激光投射光源，并将隧道出口处固定在隧道壁上RFID所存储的空间位置信息和存储单元中的隧道横断面全景图像发送给站级通信系统；这样隧道检测车对隧道的健康体检扫描结束，隧道的健康体检扫描过程中所获得的横断面全景图像经所述的站级通信系统发送给所述的中央监控中心服务器中的全隧道横断面全景图像库中；
所述的中央监控中心服务器通过全隧道安全检测网接收到隧道检测车的隧道横断面全景图像后，首先读取所述的隧道检测车的行走距离Zi和现在时刻为文件名的隧道横断面全景图像；然后根据隧道内壁的结构将隧道横断面全景图像展开为左侧拱墙、拱顶、右侧拱墙和路面四个部分；接着；对不同部位的展开图像进行图像预处理，为后续对隧道疑似病害图像进一步处理做准备；进一步，对增强和滤波后的隧道疑似病害图像进行处理，得到隧道疑似病害二值图像；更进一步，对隧道疑似病害二值图像进行处理，提取出隧道病害的量化指标；最后将提取隧道疑似病害图像特征量化指标与相对应的评价标准进行比对，对隧道安全状况进行评估；处理流程如附图9所示；
所述的中央监控中心服务器中主要包括：全方位视觉传感器标定模块、主动式全景视觉传感器标定数据库、第Zi距离的隧道断面全景图像数据读取单元、全隧道横断面全景图像库、全方位面激光信息解析及点云数据获取单元、隧道横断面全景图像展开及分割单元、隧道疑似病害图像预处理单元、隧道疑似病害图像处理单元、隧道病害图像特征指标提取单元、隧道安全状况评估单元；
所述的全方位视觉传感器标定模块，用于确定三维空间点和摄像机成像平面上的二维图像点之间映射关系的参数，本发明中采用了单视点的全方位视觉传感器，由双曲面折反射镜面成像原理构成的全方位视觉传感器具有单视点成像特性；其成像原理如图3所示；为了建立三维空间点与成像平面图像点上的映射关系，这里采用Micusík的透视投影成像模型，如图2所示，在该成像模型中，考虑两个不同的参考平面，图像平面(u',v')和传感器平面(u”,v”)，图像平面和摄像机的CCD相关，用像素坐标系来表示。传感器平面是一个假设的和镜面光轴正交的平面，其中心原点是光轴和该平面的交点；以双曲面镜面的焦点，即单视点Om为原点建立坐标系，z”轴和镜面光轴对齐；设X＝[X,Y,Z]T为空间中一点，u”＝[u”,v”]T是X在传感器平面的投影，u'＝[u',v']T是其对应的图像平面的像素点；空间坐标点X先通过射影变换矩阵投射到镜面上A点处，A点由镜面反射聚焦于摄像机光学中心点C，并交传感器平面上u”＝[u”,v”]T点，u”点通过仿射变换到图像平面上点u'＝[u',v']T；整个单视点折反射摄像机成像模型描述的是由空间点到折反射镜面点，折反射镜面点到成像平面上的点，成像平面上的点再到图像平面点形成图像中的像素点的过程；
折反射镜面到传感器平面之间的转换用公式(21)表示；
式中，X∈R4表示空间点X的次坐标，P＝[R|T]∈R3×4为射影变换矩阵，R∈R3×3为空间点到折反射镜面点的旋转矩阵，T∈R3×1为空间点到折反射镜面点的平移矩阵；
由传感器平面到图像平面之间的转换用公式(22)表示：
u″＝Au′+t (22)
式中，A∈R2×2，t∈R2×1。
Scaramuzza在Micusik透视投影模型的基础上，用一个函数f＝g/h来代替公式(21)中的函数g，h，即用函数f来表征三维空间点和二维平面点之间的关系，得到公式(23),
由于双曲面的旋转对称性，Scaramuzza用Taylor展开多项式来描述函数f，用公式(24)表示：
f(||u”||)＝a0+a1||u”||+a2||u”||2+…+an||u”||N (24)
式中，||u″||为成像平面上的点到该平面中心点的距离；
Scaramuzza和Micusik的模型的前提都是理想折反射摄像机模型，由于在实际加工组装全方位视觉传感器时会引入一些误差；这里假设标定的全方位视觉传感器满足理想模型，将存在一定的误差的非理想模型代入Scaramuzza提出的简化模型转换公式，得到公式(25)；
具体标定过程是将标定板绕全方位视觉传感器一周，拍摄若干组全景图像，建立空间点和成像平面中像素点的若干等式，使用最优化算法求出最优解，计算结果如表7所示，即为本发明中使用的全方位视觉传感器的标定参数；
表7ODVS的标定结果
标定出全方位视觉传感器的内外参数后，就能建立一个成像平面的像点与入射光线，即入射角之间的对应关系，如公式(26)表示；
式中，αβ表示隧道内壁某一点的入射角，||u″||为在成像平面上的该点到图像平面中心点的距离，a0、a1、a2、aN为标定的全方位视觉传感器的内外参数，通过公式(26)建立一张成像平面任一像素点与入射角之间的对应关系表；关于标定公式的具体推导和实现方法见参考文献，Yi-ping Tang,QingWang,Ming-li Zong,Jun Jiang,and Yi-hua Zhu，Design of Vertically Aligned Binocular Omnistereo Vision Sensor，EURASIPJournal on Image and Video Processing，2010，P1～24；标定后的结果可以建立图像坐标和空间位置之间的映射关系，如附图3所示；标定结果存储在所述的主动式全景视觉传感器标定数据库中；
所述的第Zi距离的隧道断面全景图像数据读取单元，用于读取隧道检测车沿隧道轴向方向上的移动距离Zi所拍摄的隧道横断面全景图像；
所述的全方位面激光信息解析及点云数据获取单元，用于对移动距离Zi的隧道横断面全景图像进行处理，得到隧道内壁边缘点云数据；解析在全景图像上的红色激光投射点的方法是根据红色激光投射点的像素的亮度要大于成像平面上的平均亮度，将成像平面上的平均亮度的1.2倍作为提取红色激光投射点的阈值，为了得到激光投射线的准确位置，本发明采用高斯近似方法来抽取出激光投射线的中心位置，具体实现算法是：
Step1：设置初始方位角β＝0；
Step2：在全景图像上以方位角β从全景图像的中心点开始检索红色激光投射点，对于方位角β上存在着若干个连续的红色激光投射的像素，这里选择亮度值接近最高值的三个连续像素通过高斯近似方法来估算激光投射线的中心位置；具体计算方法由公式(27)给出，
式中，f(i-1)、f(i)和f(i+1)分别为三个相邻像素接近最高亮度值的亮度值，d为修正值，i表示从图像中心点开始的第i个像素点；因此估算得到的激光投射线的中心位置为(i+d)，该值对应于公式(26)中的||u″||；
Step3：用公式(26)计算出该激光投射点的入射角αβ，并根据全景图像数据的文件名的信息，即以移动距离Zi为文件名的形式，得到隧道检测车沿隧道轴向方向上的移动距离Zi，然后用公式(28)计算出隧道检测车沿隧道轴向方向上的移动距离Zi和方位角β'＝β情况下在隧道内壁上的激光投射点到所述的主动式全景视觉传感器的中心轴线之间的距离d(z,β)；
d(z,β)＝H×ctanαβ (28)
式中，H为全景扫描光线到全方位视觉传感器的单视点Om的直线距离，αβ为全景扫描光线投射到隧道内壁上的某一个点后、该点相对于全方位视觉传感器的单视点Om的入射角，d(z,β)为沿隧道纵向方向上的某一个位置Zi和某一个方位角β'情况下在隧道内壁上的点到所述的主动式全景视觉传感器的中心轴线之间的距离；
最后用公式(29)计算该激光投射点的空间坐标位置值；
式中，Zi为隧道检测车沿隧道轴向方向上的移动距离，H全景扫描光线到全方位视觉传感器的单视点Om的直线距离，d(z,β)为沿隧道轴向方向上的位置Zi和方位角β'＝β情况下在隧道内壁上的激光投射点到所述的主动式全景视觉传感器的中心轴线之间的距离，x,y,z分别为激光投射点相对于以全方位视觉传感器的单视点Om的坐标值，β为方位角；
Step4：改变方位角继续检索激光投射点，即β＝β+Δβ，Δβ＝1；
Step5：判断方位角β＝360，如果成立，检索结束；反之转到Step2；
所述的隧道横断面全景图像展开及分割单元，用于对行走距离Zm为文件名的隧道横断面全景图像进行展开及分割处理，附图10为在摄像系统灯光的照明情况下所述的全方位视觉传感器获取的隧道横断面全景图像，斜线部分是在所述的全方位视觉传感器沿隧道轴向方向上的成像范围；根据全景图像的中心坐标以及图像的内外圆半径，将全景图像的中心坐标设定平面坐标系的原点O**(0,0)、X*轴、Y*轴、全景图像的内径为r、外径为R，用r1＝(r+R)/2设定中间圆的半径，方位角为β＝tan-1(y*/x*)；全景柱状展开图像以坐标原点O**(0,0)、X**轴、Y**轴为平面坐标系，将全景图像中的内径为r与X*轴的交点(r,0)作为坐标原点O**(0,0)，以方位角β顺时针方向展开；建立全景柱状展开图像中任意一点象素坐标P**(x**,y**)与全景图像中的象素坐标Q*(x*,y*)的对应关系，其计算式为：
x*＝y*/(tan(360x**/π(R+r))) (30)
y*＝(y**+r)cosβ (31)
上式中，x**,y**为全景柱状展开图像的象素坐标值，x*，y*为全景图像的象素坐标值，R为圆形全景图像的外径，r为圆形全景图像的内径，β为圆形全景图像坐标的方位角；
本发明在展开过程中用公式(31)以方位角β进行分割，如附图11所示；k＝1为右侧拱墙部位，方位角β范围为0～β1；k＝2为路面部位，方位角β范围为β1～β2；k＝3为左侧拱墙部位，方位角β范围为β2～β3；k＝4为拱顶部位，方位角β范围为β3～360°；通过这样的展开和分割分别得到右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像；
所述的隧道疑似病害图像预处理单元，包括灰度校正模块和图像平滑模块；
所述的灰度校正模块采用一种自适应的图像直方图均衡处理方法，根据图像像素点的局部统计特征对像素灰度值进行函数变换，变换函数有像素点周围某个大小的子图像的直方图确定，算法实现见浙江大学学报工学版第41卷第1期的自适应图像直方图均衡算法研究；
所述的图像平滑模块采用图像的自适应wiener滤波方法，将均方误差的数学期望取极小估值作为其最优标准，采用MATLAB图像处理工具箱所提供的wiener2函数进行自适应滤出图像噪声；
所述的隧道疑似病害图像处理单元，包括图像分割模块和图像的形态学处理模块；
所述的图像分割模块采用Otsu法分别对右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像进行二值分割，得到右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像；
所述的图像的形态学处理模块分别对右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像进行数学形态学处理；在数学形态学处理中采用先进行开运算再进行闭运算；
开运算是利用同一结构元素对象对同一目标图像依次进行腐蚀运算和膨胀运算，计算方法如公式(4)所示；
式中，A是隧道疑似病害的原始图像，B是结构元素图像；
闭运算是指对同一目标图像先进行膨胀运算后进行腐蚀运算，计算方法如公式(5)所示；
式中，A是隧道疑似病害原始图像，B是结构元素图像；
所述的隧道病害图像特征指标提取单元，包括病害的密度和面积的提取模块、病害的骨架提取模块、病害的长度和宽度的提取模块、裂缝图像筛选模块和病害分类模块；
所述的病害的密度和面积的提取模块，对经数学形态学处理后的右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像用公式(6)计算病害在整幅图像中的密度：
式中，为病害在隧道轴向位置在Zi和隧道衬砌部位k处的密度，为在隧道轴向位置在Zi和隧道衬砌部位k处的病害像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的图像像素点个数；
隧道衬砌部位k，这里定义k＝1为右侧拱墙部位，k＝2为路面部位，k＝3为左侧拱墙部位，k＝4为拱顶部位；
通过公式(8)分别计算病害在右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像中的面积：
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处病害的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处的病害像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的图像像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的实际图像的尺寸大小；由公式(28)计算得到d(z,β)值和全方位视觉传感器的标定结果进行计算；
所述的病害的骨架提取模块，通过公式(9)、(10)分别提取病害在右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像的骨架；
式中，A为疑似裂缝病害的图像，S(A)为A的骨架，B是结构元素，AΘnB表示对A连续腐蚀n次，如公式(11)、(12)所示；
AΘnB＝((…(AΘB)ΘB)Θ…)ΘB (11)
N是A被腐蚀为空集以前的最后一次迭代的步骤；
所述的病害的长度和宽度的提取模块，用公式(13)计算出疑似裂缝区域的周长；
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝骨架的像素数，ω为图像中每个像素所实际对应长度，该值由全方位视觉传感器的标定结果及全方位视觉传感器的单视点中心到隧道内壁间的距离d(z,β)计算得到；为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的周长；
根据公式(8)计算得到的疑似裂缝面积和公式(13)计算得到的疑似裂缝长度用公式(14)计算疑似裂缝的平均宽度，
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的周长，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝的平均宽度；
所述的裂缝图像筛选模块，通过分散度和矩形度这两个指标区分裂缝和其他干扰，分散度计算由公式(15)给出，
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的周长，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的分散度；对于裂缝这种细长区域，其分散度一般较大；
矩形度计算由公式(16)给出，
式中，在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的最小外接矩形的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的分散度；
疑似裂缝区域的最小外接矩形算法如下：
Step 1：按照直接计算方法计算某个轮廓区域的外接矩形，并记录外接矩形长度、宽度和面积，获取最小外接矩形RectMin，并得到其面积值赋给变量AreaMin，设置旋转角度αR＝0°；
Step 2：对轮廓区域进行旋转一个角度即判断αR≥180°，结束程序；
Step 3：计算旋转后的最小外接矩形RectTmp，获得其面积值赋给变量AreaTmp；
Step 4：判断AreaTmp＜AreaMin，如果条件成立则AreaMin＝AreaTmp，θiMaxA＝αR，跳转到Step 2；
通过上述算法求得各区域的最小外接矩形后，矩形的长轴就是该区域的最大主轴长度LiMaxA，矩形的短轴就是该区域的最小主轴长度LiMinA，矩形的长轴在水平方向上的角度就是角度θiMaxA，最后利用最大主轴长度与最小主轴长度的比求得边界离心率；
根据以下裂缝区域的几何特征实现对裂缝图像的筛选，裂缝所占的面积一般较大，一般噪声干扰所造成面积较小的区域，对像素点较少的区域可以判定为非裂缝区域；裂缝区域一般为细长的线状结构，其分散度一般远大于4π，即裂缝区域的最小外接矩形长宽比一般较大；用公式(17)来判定裂缝病害，
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的分散度，LiMaxA和LiMinA分别为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的最小外接矩形长度和宽度，TQ为分散度阈值，取远大于4π的值，TS为最小外接矩形长宽比阈值，取值为4，TA1为面积阈值，取值为25；当公式(17)的判定结果为真时，就将疑似裂缝判定为裂缝病害，否则判定为其他隧道病害；
接着判定裂缝的走向，这里将裂缝分为轴向裂缝、环向裂缝、斜裂缝以及不规则裂缝；在计算疑似裂缝区域的最小外接矩形时得到了最小外接矩形的长轴在水平方向上的角度θiMaxA，用该角度值来判定裂缝的走向，判定方法如公式(18)所示；
隧道裂缝发展速度检测，在上述判定为裂缝病害后，需要将裂缝发生的空间位置Zi和k、检测时间t、裂缝几何特征和以及裂纹走向θiMaxA的数据保存在病害数据库中；在本次测量中，根据隧道中同样的空间位置为索引检索得到上次检测的裂缝几何特征及走向的数据，根据裂缝的长度、宽度变化量用公式(19)来对裂缝的发展进行评定，
式中，分别为本次和上次同一空间位置上的裂缝长度， 分别为本次和上次同一空间位置上的裂缝平均宽度，tn、tn-1分别为本次和上次检测的时间，为同一空间位置上的裂缝长度变化率，为同一空间位置上的裂缝平均宽度变化率；
所述的病害分类模块，当公式(17)的判定结果为否，并且时，就判定为衬砌渗漏水病害，否则判定为其他隧道病害，在病害图像部位做上标记，最后由人工通过人机界面确认；
所述的隧道安全状况评估单元，主要用于在发现隧道病害恶化之前得出检测评估报告，及时对隧道病害进行快速定点整治；
隧道病害主要是裂缝病害和渗水病害，根据病害发生的部位不同，其中k＝1为右侧拱墙部位、k＝2为路面部位、k＝3为左侧拱墙部位、k＝4为拱顶部位；裂缝发展情况不同，裂缝的走向不同，病害的大小不同，病害的种类不同，隧道的结构不同，隧道的用途不同，采用不同的定性和定量评价标准，将提取隧道疑似病害图像特征量化指标与相对应的评价标准进行比对，对隧道安全状况进行评估；表2所示的是髙速铁路隧道衬砌裂缝评价标准；表3为公路隧道衬砌裂缝的定性判定标准；表4为公路隧道有发展性的衬砌裂缝判定标准；表5为公路隧道当无法确定裂缝是否存在发展性时的判定标准；表6为隧道渗漏水病害判定标准；
表2髙速铁路隧道衬砌裂缝评价标准
对于铁路隧道处于拱部和边墙位置的轴向和斜向裂缝对隧道结构危害较大，其中以轴向裂缝对險道安全的威胁最大，环向裂缝对險道安全影响相对较小；
表3为公路隧道衬砌裂缝的定性判定标准
表4公路隧道有发展性的衬砌裂缝判定标准
表5公路隧道当无法确定裂缝是否存在发展性时的判定标准
表6隧道渗漏水病害判定标准
对于铁路隧道床面主要围绕着铁路轨道的表面缺陷的检测与评估，对于公路隧道床面主要围绕着路面破损状况、路面的平整度和车辙的检测与评估。
实施例2
本实施例中，其余实现方式类同，所不同的是所述的隧道检测车上的所述的控制器上增加存储容量，当隧道检测车检测结束后将隧道内壁全景图像通过网络一起发送给所述的中央监控中心服务器。
实施例3
本实施例中，其余实现方式类同，所不同的是隧道检测车上安装主动式全景视觉传感器的位置，主动式全景视觉传感器配置在隧道检测车尾部。
实施例4
本实施例中，其余实现方式类同，所不同的是在正常运行的地铁列车和高速列车上配置主动式全景视觉传感器、RFID读取器、测距轮、无线接发送单元和控制器。
实施例5
本实施例中，其余实现方式类同，所不同的是将附图9的处理配置在隧道检测车上的所述的控制器内，要求所述的控制器具备视频海量数据处理能力对隧道横断面全景图像进行在线病害识别处理。
Claims (9)
1.一种基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于：包括隧道检测车、站级通信系统和中央监控中心服务器；
所述的隧道检测车包括在隧道轨道上行走的检测车本体，安装在检测车本体上的主动式全景视觉传感器、RFID读取器、测距轮、无线接发送单元和控制器；
所述的主动式全景视觉传感器包括：全方位视觉传感器、投射照明光源；所述的全方位视觉传感器与所述的投射照明光源进行同轴固定连接；
所述的RFID读取器，用于读取固定在隧道内壁上RFID内存储的隧道基准数据；
所述的测距轮，检测车本体的小轮的轮轴上装有光电编码器，根据编码器读出小轮在轨面上走过的距离；
所述的无线接发送单元，用于将所述的控制器与站级通信系统之间建立无线通信；
所述的控制器包括：RFID数据读取单元，用于读取固定在隧道壁上RFID所存储的空间位置信息；行车距离估算单元，通过读取光电编码器的脉冲数并估算出隧道检测车的行车距离；隧道横断面全景图像读取、存储单元，用于读取所述的主动式全景视觉传感器所获取的隧道横断面全景图像，并以所述的隧道检测车的行走距离Zm和现在时刻为文件名保存在控制器的存储单元中；隧道横断面全景图像数据传输单元，用于将所述的控制器的存储单元中的隧道横断面激光扫描图像发送给站级通信系统；
所述的站级通信系统，用于与所述的隧道检测车上的所述的控制器建立无线通信网和与所述的中央监控中心服务器构建全隧道安全检测网；
所述中央监控中心服务器包括：
全方位视觉传感器标定单元，用于确定三维空间点和摄像机成像平面上的二维图像点之间映射关系的参数，标定后的结果存储在主动式全景视觉传感器标定数据库中，在计算和解析隧道内壁边缘点云时进行调用；
第Zi距离的隧道断面全景图像数据读取单元，用于读取隧道检测车沿隧道轴向方向上的移动距离Zi所拍摄的隧道横断面全景图像；
全方位面激光信息解析及点云数据获取单元，用于对移动距离Zi的隧道横断面全景图像进行处理，得到隧道内壁边缘点云数据；
隧道横断面全景图像展开及分割单元，用于对行走距离Zm为文件名的隧道横断面全景图像进行展开及分割处理，分别得到隧道右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像；
隧道疑似病害图像预处理单元，包括灰度校正模块和图像平滑模块；分别对隧道右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像进行灰度校正和图像平滑处理；
隧道疑似病害图像处理单元，包括图像分割模块和图像的形态学处理模块；分别对灰度校正和图像平滑处理后的隧道右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像进行二值分割和形态学处理；
隧道病害图像特征指标提取单元，包括病害的密度和面积的提取模块、病害的骨架提取模块、病害的长度和宽度的提取模块、裂缝图像筛选模块和病害分类模块；提取出隧道病害图像的各种几何特征；
隧道安全状况评估单元，用于隧道安全情况得出检测评估报告，及时对隧道病害进行快速定点整治。
2.如权利要求1所述的基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于，在所述的隧道横断面全景图像展开及分割单元，用于对行走距离Zm为文件名的隧道横断面全景图像进行展开及分割处理，过程如下；
根据全景图像的中心坐标以及图像的内外圆半径，将全景图像的中心坐标设定平面坐标系的原点O**(0,0)、X*轴、Y*轴、全景图像的内径为r、外径为R，用r1＝(r+R)/2设定中间圆的半径，方位角为β＝tan-1(y*/x*)；全景柱状展开图像以坐标原点O**(0,0)、X**轴、Y**轴为平面坐标系，将全景图像中的内径为r与X*轴的交点(r,0)作为坐标原点O**(0,0)，以方位角β顺时针方向展开；建立全景柱状展开图像中任意一点象素坐标P**(x**,y**)与全景图像中的象素坐标Q*(x*,y*)的对应关系，其计算式为：
x*＝y*/(tan(360x**/π(R+r))) (30)
y*＝(y**+r)cosβ (31)
上式中，x**,y**为全景柱状展开图像的象素坐标值，x*，y*为全景图像的象素坐标值，R为圆形全景图像的外径，r为圆形全景图像的内径，β为圆形全景图像坐标的方位角；
在展开过程中用公式(31)以方位角β进行分割；k＝1为右侧拱墙部位，方位角β范围为0～β1；k＝2为路面部位，方位角β范围为β1～β2；k＝3为左侧拱墙部位，方位角β范围为β2～β3；k＝4为拱顶部位，方位角β范围为β3～360°；通过这样的展开和分割分别得到右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像。
3.如权利要求1或2所述的基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于，在所述的全方位面激光信息解析及点云数据获取单元，用于对移动距离Zi的隧道横断面全景图像进行处理，得到隧道内壁边缘点云数据；解析在激光扫描全景图像上的红色激光投射点的方法是根据红色激光投射点的像素的亮度要大于成像平面上的平均亮度，将成像平面上的平均亮度的1.2倍作为提取红色激光投射点的阈值，为了得到激光投射线的准确位置，这里采用高斯近似方法来抽取出激光投射线的中心位置，过程如下：
Step1：设置初始方位角β＝0；
Step2：在激光扫描全景图像上以方位角β从激光扫描全景图像的中心点开始检索红色激光投射点，对于方位角β上存在着若干个连续的红色激光投射的像素，这里选择亮度值接近最高值的三个连续像素通过高斯近似方法来估算激光投射线的中心位置；具体计算方法由公式(27)给出，
式中，f(i-1)、f(i)和f(i+1)分别为三个相邻像素接近最高亮度值的亮度值，d为修正值，i表示从图像中心点开始的第i个像素点；因此估算得到的激光投射线的中心位置为(i+d)，该值对应于公式(26)中的||u″||；
式中，αβ表示隧道内壁某一点的入射角，||u″||为在成像平面上的该点到图像平面中心点的距离，a0、a1、a2、…、aN为标定的全方位视觉传感器的内外参数，标定参数，ODVS，a0：-75.12，a1：0.0027，a2：0，a3：0；A：1.005-6.65E-05-3.77E-05 1；t：4.7466-1.372；中心点：325.3466237.7285；标定精度：0.5502；
Step3：用公式(26)计算出该激光投射点的入射角αβ，并根据激光扫描全景图像数据的文件名的信息，即以移动距离Zi为文件名的形式，得到隧道检测车沿隧道轴向上的移动距离Zi，然后用公式(28)计算出隧道检测车沿隧道轴向上的移动距离Zi和方位角β'＝β情况下在隧道内壁上的激光投射点到所述的主动式全景视觉传感器的中心轴线之间的距离d(z,β)；
d(z,β)＝H×ctanαβ (28)
式中，H为全景扫描光线到全方位视觉传感器的单视点Om的直线距离，αβ为全景扫描光线投射到隧道内壁上的某一个点后、该点相对于全方位视觉传感器的单视点Om的入射角，d(z,β)为沿隧道轴向上的某一个位置Zi和某一个方位角β'情况下在隧道内壁上的点到所述的主动式全景视觉传感器的中心轴线之间的距离；
最后用公式(29)计算该激光投射点的空间坐标位置值；
式中，Zi为隧道检测车沿隧道轴向上的移动距离，H全景扫描光线到全方位视觉传感器的单视点Om的直线距离，d(z,β)为沿隧道轴向上的位置Zi和方位角β'＝β情况下在隧道内壁上的激光投射点到所述的主动式全景视觉传感器的中心轴线之间的距离，x,y,z分别为激光投射点相对于以全方位视觉传感器的单视点Om的坐标值，β为方位角；
Step4：改变方位角继续检索激光投射点，即β＝β+Δβ，Δβ＝1；
Step5：判断方位角β＝360，如果成立，检索结束；反之转到Step2；
通过上述处理得到了隧道横向截面的轮廓边缘点云数据。
4.如权利要求1所述的基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于，所述的灰度校正模块采用一种自适应的图像直方图均衡处理方法，根据图像像素点的局部统计特征对像素灰度值进行函数变换，变换函数有像素点周围某个大小的子图像的直方图确定。
5.如权利要求1所述的基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于，所述的图像平滑模块采用图像的自适应wiener滤波方法，将均方误差的数学期望取极小估值作为其最优标准，采用MATLAB图像处理工具箱所提供的wiener2函数进行自适应滤出图像噪声。
6.如权利要求1所述的基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于，所述的图像分割模块采用Otsu法分别对右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的图像进行二值分割，得到右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像。
7.如权利要求1所述的基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于，所述的图像的形态学处理模块分别对右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像进行数学形态学处理；在数学形态学处理中采用先进行开运算再进行闭运算；
开运算是利用同一结构元素对象对同一目标图像依次进行腐蚀运算和膨胀运算，计算方法如公式(4)所示；
式中，A是隧道疑似病害的原始图像，B是结构元素图像；
闭运算是指对同一目标图像先进行膨胀运算后进行腐蚀运算，计算方法如公式(5)所示；
式中，A是隧道疑似病害原始图像，B是结构元素图像。
8.如权利要求1所述的基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于，所述的病害的密度和面积的提取模块，对经数学形态学处理后的右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像用公式(6)计算病害在整幅图像中的密度：
式中，为病害在隧道轴向位置在Zi和隧道衬砌部位k处的密度，为在隧道轴向位置在Zi和隧道衬砌部位k处的病害像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的图像像素点个数；
隧道衬砌部位k，这里定义k＝1为右侧拱墙部位，k＝2为路面部位，k＝3为左侧拱墙部位，k＝4为拱顶部位；
通过公式(8)分别计算病害在右侧拱墙部位、路面部位、左侧拱墙部位和拱顶部位的二值图像中的面积：
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处病害的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处的病害像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的图像像素点个数，为在隧道轴向位置在Zi和隧道衬砌部位k处的实际图像的尺寸大小；由公式(28)计算得到d(z,β)值和全方位视觉传感器的标定结果进行计算。
9.如权利要求1所述的基于主动式全景视觉的隧道病害全断面动态快速检测装置，其特征在于，所述的病害的长度和宽度的提取模块，用公式(13)计算出疑似裂缝区域的周长；
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝骨架的像素数，ω为图像中每个像素所实际对应长度，ω由全方位视觉传感器的标定结果及全方位视觉传感器的单视点中心到隧道内壁间的距离d(z,β)计算得到；为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的周长；
根据公式(8)计算得到的疑似裂缝面积和公式(13)计算得到的疑似裂缝长度用公式(14)计算疑似裂缝的平均宽度，
式中，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的周长，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝区域的面积，为在隧道轴向位置在Zi和隧道衬砌部位k处疑似裂缝的平均宽度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610347483.1A CN106053475B (zh) | 2016-05-24 | 2016-05-24 | 基于主动式全景视觉的隧道病害全断面动态快速检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610347483.1A CN106053475B (zh) | 2016-05-24 | 2016-05-24 | 基于主动式全景视觉的隧道病害全断面动态快速检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106053475A CN106053475A (zh) | 2016-10-26 |
| CN106053475B true CN106053475B (zh) | 2018-10-23 |
Family
ID=57174398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610347483.1A Active CN106053475B (zh) | 2016-05-24 | 2016-05-24 | 基于主动式全景视觉的隧道病害全断面动态快速检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106053475B (zh) |
Families Citing this family (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106772640B (zh) * | 2016-12-29 | 2020-11-06 | 山东大学 | 用于隧道病害检测的地质雷达自动化精确定位装置及方法 |
| CN106767515A (zh) * | 2017-01-09 | 2017-05-31 | 重庆大学 | 一种隧道病害快速诊断防治方法 |
| CN106802322A (zh) * | 2017-01-20 | 2017-06-06 | 绍兴文理学院 | 一种基于贴壁式检测车的隧道衬砌裂缝超声波检测系统 |
| CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
| CN107270831B (zh) * | 2017-08-03 | 2018-07-17 | 中国科学院武汉岩土力学研究所 | 一种孔内空区立体轮廓高精度扫描探测方法及装置 |
| CN107463757B (zh) * | 2017-08-22 | 2020-07-28 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于断面结构与转向角度约束的断面插值方法 |
| CN107796821B (zh) * | 2017-10-13 | 2018-09-07 | 湖北工业大学 | 一种采用激光测距的管道裂缝检测方法 |
| CN108303426B (zh) * | 2018-02-06 | 2023-05-09 | 华中科技大学 | 一种电缆隧道缺陷无损快速检测装置及其检测方法 |
| CN109115434A (zh) * | 2018-06-27 | 2019-01-01 | 杭州国翌科技有限公司 | 一种隧道健康监测系统及方法 |
| CN109087291B (zh) * | 2018-07-26 | 2021-08-27 | 杭州国翌科技有限公司 | 隧道位置信息库建立方法及隧道病害定位方法 |
| CN109164748A (zh) * | 2018-07-30 | 2019-01-08 | 广州市和佳电子科技有限公司 | 一种基于ar智能眼镜为终端的隧道智能建造平台 |
| CN109187574A (zh) * | 2018-08-16 | 2019-01-11 | 深圳市炬视科技有限公司 | 一种基于全息扫描的隧道病害检测及处理方法 |
| CN109146791B (zh) * | 2018-09-04 | 2023-02-14 | 上海同岩土木工程科技股份有限公司 | 一种基于面阵ccd成像的隧道展布图生成方法 |
| CN109187564B (zh) * | 2018-10-25 | 2020-11-24 | 河南城建学院 | 一种狭长型构筑物实时变形监测系统 |
| CN109785407B (zh) * | 2019-01-11 | 2023-06-20 | 招商局重庆公路工程检测中心有限公司 | 基于app应用的公路隧道病害信息描绘与结构化方法 |
| CN110044924B (zh) * | 2019-05-13 | 2021-06-29 | 招商局重庆交通科研设计院有限公司 | 一种基于图像的公路隧道病害检测方法 |
| CN110378830B (zh) * | 2019-07-18 | 2023-05-12 | 南京市测绘勘察研究院股份有限公司 | 一种圆形地铁隧道横剖正射影像生成方法 |
| CN110969103B (zh) * | 2019-11-21 | 2021-05-11 | 同济大学 | 一种基于ptz相机的高速公路路面病害长度测量方法 |
| CN110688806B (zh) * | 2019-11-29 | 2020-04-28 | 清华四川能源互联网研究院 | 水工隧洞风险评估方法、装置及终端设备 |
| CN110940734B (zh) * | 2019-12-04 | 2021-03-30 | 中国科学院武汉岩土力学研究所 | 岩体内部异常结构监测与潜在地质灾害评估方法及系统 |
| CN111458375B (zh) * | 2020-03-20 | 2021-09-14 | 同济大学 | 一种隧道衬砌浅层钢筋锈胀的探测方法与装置 |
| CN111429430B (zh) * | 2020-03-23 | 2022-03-25 | 同济大学 | 基于机器视觉的隧道检测车尺寸映射关系计算方法 |
| CN111447363A (zh) * | 2020-04-14 | 2020-07-24 | 中原工学院 | 隧道无线全景视频监控系统 |
| CN111507971A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种隧道表面缺陷检测方法 |
| CN111707668B (zh) * | 2020-05-28 | 2023-11-17 | 武汉光谷卓越科技股份有限公司 | 基于序列图像的隧道检测及图像处理方法 |
| CN111610193A (zh) * | 2020-05-29 | 2020-09-01 | 武汉至科检测技术有限公司 | 采用多镜头拍摄巡检地铁隧道管片结构缺陷的系统及方法 |
| CN112822359B (zh) * | 2020-12-30 | 2022-03-25 | 山东大学 | 一种基于车载式钻爆洞隧道的全景成像系统及方法 |
| CN112598668B (zh) * | 2021-03-02 | 2021-06-29 | 北京大成国测科技有限公司 | 基于三维图像的缺陷识别方法、装置及电子设备 |
| CN113223168B (zh) * | 2021-03-29 | 2023-06-30 | 浙江大学台州研究院 | 一种隧道三维形貌快速建模的方法 |
| CN113504242A (zh) * | 2021-07-19 | 2021-10-15 | 北京洞微科技发展有限公司 | 一种隧道表观影像数据采集分析的新方法 |
| CN113658144B (zh) * | 2021-08-20 | 2023-06-27 | 中国公路工程咨询集团有限公司 | 路面病害几何信息的确定方法、装置、设备及介质 |
| CN113822891B (zh) * | 2021-11-24 | 2022-03-11 | 深圳市智源空间创新科技有限公司 | 一种融合激光点云与全景图像的隧洞病害检测方法 |
| CN115453946A (zh) * | 2022-09-27 | 2022-12-09 | 深圳大学 | 隧道诊断车中央控制系统及方法 |
| CN115981219B (zh) * | 2023-03-21 | 2023-06-30 | 山东博安智能科技股份有限公司 | 高速隧道智能监控系统 |
| CN118279378A (zh) * | 2024-03-29 | 2024-07-02 | 江苏省地质工程勘察院 | 基于全景影像的隧道内平面映射模型的量测方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7660440B2 (en) * | 2002-11-07 | 2010-02-09 | Frito-Lay North America, Inc. | Method for on-line machine vision measurement, monitoring and control of organoleptic properties of products for on-line manufacturing processes |
| JP2007010620A (ja) * | 2005-07-04 | 2007-01-18 | Fanuc Ltd | ねじ部検査装置及びねじ部検査方法 |
| CN101408410B (zh) * | 2008-10-28 | 2010-08-11 | 山东科技大学 | 隧道体元形变移动监测系统及隧道体元形变移动监测方法 |
| CN103438823A (zh) * | 2012-12-27 | 2013-12-11 | 广州市地下铁道总公司 | 一种基于视觉测量的隧道断面轮廊测量方法及装置 |
| CN104048970B (zh) * | 2014-06-19 | 2018-01-16 | 樊晓东 | 隧道缺陷的高速检测系统与检测方法 |
| CN104567708B (zh) * | 2015-01-06 | 2018-03-16 | 浙江工业大学 | 基于主动式全景视觉的隧道全断面高速动态健康检测装置与方法 |
-
2016
- 2016-05-24 CN CN201610347483.1A patent/CN106053475B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106053475A (zh) | 2016-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106053475B (zh) | 基于主动式全景视觉的隧道病害全断面动态快速检测装置 | |
| US11486548B2 (en) | System for detecting crack growth of asphalt pavement based on binocular image analysis | |
| Liu et al. | Image‐based crack assessment of bridge piers using unmanned aerial vehicles and three‐dimensional scene reconstruction | |
| CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
| CN111291676B (zh) | 一种基于激光雷达点云和相机图像融合的车道线检测方法及装置和芯片 | |
| CN104005325B (zh) | 基于深度和灰度图像的路面裂缝检测装置和方法 | |
| CN104567708B (zh) | 基于主动式全景视觉的隧道全断面高速动态健康检测装置与方法 | |
| Guan et al. | Automated road information extraction from mobile laser scanning data | |
| CN108489403B (zh) | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 | |
| CN105548197B (zh) | 一种非接触的钢轨表面伤损检测方法及其装置 | |
| CN102737236B (zh) | 一种基于多模态传感器数据自动获取车辆训练样本方法 | |
| US8325979B2 (en) | Method and apparatus for detecting objects from terrestrial based mobile mapping data | |
| CN108974044A (zh) | 铁路轨道资产勘测系统 | |
| CN114444158B (zh) | 一种基于三维重建的地下巷道形变预警方法及系统 | |
| CN108733053A (zh) | 一种基于机器人的智能道路检测方法 | |
| CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
| CN103377476A (zh) | 使用三维地理弧的多模型数据的图像配准 | |
| CN106978774A (zh) | 一种路面坑槽自动检测方法 | |
| CN103938531B (zh) | 激光道路错台检测系统和方法 | |
| Zhang et al. | Background filtering and vehicle detection with roadside lidar based on point association | |
| CN109596121A (zh) | 一种机动站自动目标检测与空间定位方法 | |
| CN112965135B (zh) | 一种石窟崖体裂隙空间异质分布的无损探测综合方法 | |
| CN103499337A (zh) | 一种基于立式标靶的车载单目摄像头测距测高装置 | |
| CN112455502B (zh) | 基于激光雷达的列车定位方法及装置 | |
| CN109341668A (zh) | 基于折射投影模型和光束追踪法的多相机测量方法 |
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 |