CN108230344B - 一种隧道渗漏水病害自动识别方法 - Google Patents
一种隧道渗漏水病害自动识别方法 Download PDFInfo
- Publication number
- CN108230344B CN108230344B CN201810066937.7A CN201810066937A CN108230344B CN 108230344 B CN108230344 B CN 108230344B CN 201810066937 A CN201810066937 A CN 201810066937A CN 108230344 B CN108230344 B CN 108230344B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- image
- leakage
- water
- point cloud
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 30
- 201000010099 disease Diseases 0.000 title claims abstract description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
一种隧道渗漏水病害自动识别方法，包括以下步骤：(1)采用三维激光扫描仪获取隧道的点云信息，包括点云位置信息(x，y，z)和灰度值(i)，(2)对隧道轴线上的每一断面均采用分段圆弧拟合，提取超出拟合残差外的点云，即为隧道内部附属设施点云，记入集合A，获得完整的隧道影像；(3)根据渗漏水在隧道影像上的灰度值较低的特点，将集合A中点云的灰度值设为所有点云灰度值的最大值，即可达到去除隧道内部附属设施干扰的目的。(4)采用边缘检测算法将影响隧道渗漏水病害影像判断的干扰物进一步消除；(5)对于经过图像处理过的隧道影像自动识别渗漏水病害点。
Description
技术领域
本发明属于隧道工程技术领域，特别涉及一种隧道渗漏水病害自动识别方法。
背景技术
城市地铁隧道建成后，因地质条件、沿线施工、列车振动和结构老化等诸多因素的影响，地铁隧道易发生变形，从而为隧道结构的安全运营带来严重的安全隐患。在隧道内部，渗漏水是隧道结构变形的主要表观病害，直接反映了隧道管片拼装结构的不稳定，能为隧道的及时加固纠正提供警示。
目前隧道渗漏水勘探主要是采取人工巡查的方法，但耗时耗力，并且会存在漏查的情况。因此为解决这个问题，中国发明专利申请号201110281700.9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，携带有机器视觉子系统、激光测距子系统、光电测速子系统、控制子系统、数据处理子系统、电源子系统，最终通过CCD摄像机采集隧道内壁影像，但设备成本高，处理难度大。中国发明专利申请号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，与专利申请号201110281700.9同样是通过CCD摄像机采集隧道内壁影像，因此具有同样的问题。中国发明专利申请号201710110049.6公开了一种基于全景图像CNN的隧道病害自动识别装置，首先通过全景视觉传感器快速获取隧道内壁的全景图像，其次采用数字图像处理算子提取疑似病害区域，最后采用卷积神经网络对病害进行自动检测分类识别，但是卷积神经网络结构比较简单，而想要得到的分类结果又多，输入样本来源主要是检索网络上的隧道病害图像以及通过真实拍摄获取得到的部分模拟隧道病害影像，易造成训练集样本精度不高，影响最后的泛化能力。
发明内容
本发明的目的在于提供一种基于三维激光扫描点云的隧道渗漏水自动提取识别方法，以解决现有技术中对于该隧道渗漏水病害自动识别精度不高，无法满足需要的问题。
本发明的技术方案是，一种隧道渗漏水病害自动识别方法，尤其针对盾构隧道，包括以下步骤：
(1)采用三维激光扫描仪获取隧道的点云信息，包括点云位置信息(x，y，z)和灰度值(i)，其中，
X轴指向水平方向，Y轴指向隧道轴线方向，Z轴指向竖直方向，在垂直于隧道轴线方向上的任一断面内，因为断面内所有点的y坐标一致，因此断面内各点点云坐标简写为(x，z)；
(2)对隧道轴线上的每一断面均采用分段圆弧拟合，提取超出拟合残差外的点云，即为隧道内部附属设施点云，记入集合A，获得完整的隧道影像；
(3)根据渗漏水在隧道影像上的灰度值较低的特点，将集合A中点云的灰度值设为所有点云灰度值的最大值，即可达到去除隧道内部附属设施干扰的目的。
(4)采用边缘检测算法将影响隧道渗漏水病害影像判断的干扰物进一步消除；
(5)对于经过图像处理过的隧道影像自动识别渗漏水病害点。
本发明利用三维激光点云数据分割隧道管壁与隧道内部附属设施，通过在生成隧道影像过程中将隧道内部附属设施点云灰度值统一改变，达到影像预处理效果。采用数字图像处理技术进一步消除隧道内部干扰物的影响，如逃生平台、触网、消防设备、电力设备、里程牌等非管壁设施。
本发明的创新之一是，在盾构隧道影像病害提取的处理过程中，直接利用点云数据进行图像预处理，主要方法是分段圆弧拟合求取点云拟合残差，根据残差阈值提取隧道内部附属设施并进行灰度值重设，因而可以较好地剔除隧道内部附属设施的影响。同时，在隧道病害提取过程中，根据灰度阈值和位置同时提取渗漏水，提高了实时处理的效率和精度。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1是本发明实施例中涉及的隧道断面圆弧划分示意图。
具体实施方式
本发明是基于三维激光扫描点云的隧道渗漏水自动提取识别方法，主要步骤如下：
(1)采用三维激光扫描技术获取盾构隧道点云信息，包括点云位置信息(x，y，z)和灰度信息(i)，其中X轴指向水平方向，Y轴指向隧道轴线方向，Z轴指向竖直方向，在垂直于隧道轴线方向上的任一断面内，断面内所有点的y坐标一致，因此断面内各点点云坐标简写为(x，z)。
(2)如图1所示，对所述每一断面根据隧道管片拼装结构特点划分圆弧段，总共六段，盾构隧道管片拼装有通缝拼装和错缝拼装两种，通缝拼装管片所对应的圆心角分别是16°、4×65°、84°，错缝拼装管片所对应的圆心角分别是20°、2×68.75°、3×67.5°，底部段圆弧被列车轨道覆盖且受限于扫描仪视线(300°视角范围)，因而只考虑轨道之上的五段圆弧。对每一段管片均采用圆弧拟合，提取超出拟合残差外的点云，即为隧道内部附属设施点云。圆弧拟合有平均值法、加权平均法、最小二乘法等，前两者算法较为粗糙，拟合效果差，而最小二乘法能通过最小化误差的平方和找到一组数据的最佳函数匹配，因此本文中对每段圆弧分别采用最小二乘法进行圆弧拟合，圆方程为(x-x0)2+(z-z0)2＝r2，求得拟合后的残差，残差大于(0.02～0.1)阈值范围内的点即为隧道内部附属设施点云，记入集合A。
具体推导如下，根据圆方程建立间接平差的函数模型：
(x-x0)2+(z-z0)2＝r2
其中x0与z0为拟合的圆心坐标，r为拟合的圆半径。
可得误差方程：
将上述方程线性化可得：
式中
由此可得误差方程的矩阵形式：
其中
根据最小二乘原理，上式的
必须满足
的要求，求解可得：
另外由下式求得拟合后的残差：
若σ＞σ阈，则当前点为隧道附属设施点云集合A。
(3)在根据点云灰度信息获得隧道影像时，隧道渗漏水易发生镜面反射，从而激光反射值小，假设影像灰度范围为0～255，则渗漏水的灰度值一般在0～120区间范围内，因此将集合A中隧道附属设施点云的灰度值设为所有点云灰度值的最大值(如255)，则附属设施即可与隧道渗漏水区分，从而去除附属设施干扰。
(4)隧道病害影像干扰物进一步消除。本文首先采用边缘检测算法之一Sobel算子对隧道病害图像进行二值化分割，对分割后的图像先进行膨胀运算后进行腐蚀运算，膨胀运算可以将图像中与边缘像素接触的背景点合并到边缘中，用来填补边缘内的空洞，腐蚀运算可以消除小且无意义的边界点，最终消除隧道内部干扰物边缘。
(5)提取渗漏水。首先采用阈值分割的方法切割渗漏水区和非渗漏水区，一般来说，三维激光扫描的反射值反映在渗漏水上表现为颜色较深区域或黑色区域，因此可以很容易地进行阈值分割。接下来对于渗漏水区进行进一步地细分，通常情况下，三维激光扫描后得到的影像在隧道底部颜色较深，易导致渗漏水判断不准确，另外一般来说，渗漏水主要发生在隧道纵缝、管缝、注浆孔处，并且渗漏水的流经方向主要是从天顶流向底部。因此本文以隧道内部消防管道为界(隧道一般只有一侧有消防管道，另一侧界限位置为消防管道在隧道轴线的镜像位置)，将隧道影像划分为两部分A和B，A表示为消防管道以上识别到的渗漏水区块，B表示为消防管道以下识别到的渗漏水区块。其中A区块全部认定为真实渗漏水，B区块是否为真实渗漏水的判断规则如下：如若AB区块中存在同时在某水平位置出现的渗漏水块，则认定此时B区块中的渗漏水块为真实渗漏水。
值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (1)
1.一种隧道渗漏水病害自动识别方法，其特征在于，包括以下步骤：
(1)采用三维激光扫描仪获取隧道的点云信息，包括点云位置信息(x,y,z)和灰度值(i)，其中，
X轴指向水平方向，Y轴指向隧道轴线方向，Z轴指向竖直方向，在垂直于隧道轴线方向上的任一断面内，因为断面内所有点的y坐标一致，因此断面内各点点云坐标简写为(x,z)；
(2)对隧道轴线上的每一断面均采用分段圆弧拟合，提取超出拟合残差外的点云，即为隧道内部附属设施点云，记入集合A，获得完整的隧道影像；
(3)根据渗漏水在隧道影像上的灰度值较低的特点，将集合A中点云的灰度值设为所有点云灰度值的最大值，与渗漏水对比区分，从而达到去除隧道内部附属设施干扰的目的；
(4)采用边缘检测算法将影响隧道渗漏水病害影像判断的干扰物进一步消除；
(5)对于经过图像处理过的隧道影像自动识别渗漏水病害点，
所述步骤(5)中包括，根据三维激光扫描仪的反射值对于渗漏水表现为颜色较深区域或黑色区域的特点，用阈值分割的方法对于在隧道影像上切割出渗漏水区和非渗漏水区的过程，
对于所述步骤(5)进一步包括的确定渗漏水区块的处理还有，根据渗漏水主要发生在隧道纵缝、管缝、注浆孔处，并且渗漏水的流经方向主要是从天顶流向底部的特点，
根据隧道只有一侧有消防管道，另一侧界限位置为消防管道在隧道轴线的镜像位置的情况，以隧道内部消防管道为界将隧道影像划分为两部分A和B，A表示为消防管道以上识别到的渗漏水区块，B表示为消防管道以下识别到的渗漏水区块，
其中A区块全部认定为真实渗漏水，B区块是否为真实渗漏水的判断规则如下：
如若AB区块中存在同时在某水平位置出现的渗漏水块，则认定此时B区块中的渗漏水块为真实渗漏水，
对于步骤(2)的具体处理包括：
针对每一断面根据隧道管片拼装结构及扫描仪视角特点划分圆弧段，隧道管片共有5段，对每段圆弧分别采用最小二乘法进行圆弧拟合，圆方程为(x-x0)2+(z-z0)2＝r2，求得拟合后的残差，残差大于某个阈值的点即为隧道内部附属设施点，
所述步骤(4)的边缘检测算法是采用Sobel算子对隧道病害图像进行二值化分割，对分割后的图像先进行膨胀运算后进行腐蚀运算，膨胀运算将图像中与边缘像素接触的背景点合并到边缘中，用来填补边缘内的空洞，腐蚀运算消除小且无意义的边界点，最终消除隧道内部干扰物边缘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810066937.7A CN108230344B (zh) | 2018-01-24 | 2018-01-24 | 一种隧道渗漏水病害自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810066937.7A CN108230344B (zh) | 2018-01-24 | 2018-01-24 | 一种隧道渗漏水病害自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108230344A CN108230344A (zh) | 2018-06-29 |
| CN108230344B true CN108230344B (zh) | 2021-11-02 |
Family
ID=62668669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810066937.7A Active CN108230344B (zh) | 2018-01-24 | 2018-01-24 | 一种隧道渗漏水病害自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108230344B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108952459B (zh) * | 2018-08-10 | 2020-06-09 | 安徽瑞羽康农业科技有限公司 | 双悬挂式滑动窗台 |
| CN109767426B (zh) * | 2018-12-13 | 2021-11-09 | 同济大学 | 一种基于图像特征识别的盾构隧道渗漏水检测方法 |
| CN109707400A (zh) * | 2018-12-19 | 2019-05-03 | 上海勘察设计研究院(集团)有限公司 | 圆形盾构通缝隧道管片相邻分块的相对转动评价方法 |
| CN109615653B (zh) * | 2018-12-19 | 2023-05-05 | 上海大学 | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 |
| CN111486797B (zh) * | 2019-01-29 | 2021-07-06 | 上海京海工程技术有限公司 | 一种地铁圆形盾构隧道横向直径的自动提取方法 |
| CN109992012B (zh) * | 2019-04-23 | 2022-03-25 | 云南交投集团投资有限公司 | 一种相机集群姿态控制方法 |
| CN110322428B (zh) * | 2019-05-07 | 2021-07-30 | 武汉汉宁轨道交通技术有限公司 | 检测隧道病害的方法、装置及电子设备 |
| 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 |
| CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
| CN111553868B (zh) * | 2020-04-29 | 2022-03-01 | 南京航空航天大学 | 一种基于改进sobel算子的隧道反射率影像滤波方法 |
| CN112927204B (zh) * | 2021-02-25 | 2022-09-20 | 同济大学 | 一种基于关键渗水点识别的路面渗水性能评估方法 |
| CN113960049A (zh) * | 2021-10-19 | 2022-01-21 | 中南大学 | 一种隧道表面病害检测装置及检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104792274A (zh) * | 2015-04-02 | 2015-07-22 | 同济大学 | 一种圆形隧道收敛变形的测量方法 |
| CN105547602A (zh) * | 2015-11-04 | 2016-05-04 | 上海大学 | 一种地铁隧道管片渗漏水的远距离测量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709946B (zh) * | 2016-12-16 | 2020-03-10 | 武汉大学 | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 |
-
2018
- 2018-01-24 CN CN201810066937.7A patent/CN108230344B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104792274A (zh) * | 2015-04-02 | 2015-07-22 | 同济大学 | 一种圆形隧道收敛变形的测量方法 |
| CN105547602A (zh) * | 2015-11-04 | 2016-05-04 | 上海大学 | 一种地铁隧道管片渗漏水的远距离测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108230344A (zh) | 2018-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
| CN112598001B (zh) | 一种基于多模型融合的船舶水尺读数自动识别方法 | |
| CN109615653B (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
| CN103051872B (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
| CN110246130B (zh) | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 | |
| CN108335291B (zh) | 一种隧道病害影像预处理方法 | |
| CN110390669A (zh) | 一种桥梁图像中裂缝的检测方法 | |
| JP5175528B2 (ja) | トンネル覆工のひび割れ検査装置 | |
| CN108305239B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像的修复方法 | |
| Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
| CN108759973A (zh) | 一种水位测量方法 | |
| CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
| CN113091639A (zh) | 盾构隧道管片错台提取方法 | |
| CN107798293A (zh) | 一种道路裂缝检测装置 | |
| CN109166125A (zh) | 一种基于多边缘融合机制的三维深度图像分割算法 | |
| CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
| CN113554667B (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
| CN107462204A (zh) | 一种三维路面标准轮廓提取方法及系统 | |
| CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN108204985A (zh) | 一种盾构隧道里程定位方法 | |
| CN113420810A (zh) | 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法 | |
| CN112857252A (zh) | 一种基于反射率强度的隧道影像边界线检测方法 | |
| CN115060343A (zh) | 一种基于点云的河流水位检测系统、检测方法及程序产品 | |
| CN116012348A (zh) | 一种适用于路面裂缝的最大裂缝宽度测定方法 | |
| CN116152219A (zh) | 混凝土构件损伤检测与评估方法及其系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 200093 No. 38 Shui Feng Road, Yangpu District, Shanghai. Applicant after: SGIDI ENGINEERING CONSULTING (Group) Co.,Ltd. Address before: No. 258, Xiushan Road, Chongming Industrial Park, Chongming District, Shanghai 202150 Applicant before: SHANGHAI GEOTECHNICAL INVESTIGATIONS & DESIGN INSTITUTE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 200093 No. 38 Shui Feng Road, Yangpu District, Shanghai. Patentee after: Shanghai Survey, Design and Research Institute (Group) Co.,Ltd. Address before: 200093 No. 38 Shui Feng Road, Yangpu District, Shanghai. Patentee before: SGIDI ENGINEERING CONSULTING (Group) Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |