CN110726727A - 跨断层隧道病害的诊断分析方法 - Google Patents
跨断层隧道病害的诊断分析方法 Download PDFInfo
- Publication number
- CN110726727A CN110726727A CN201911045404.1A CN201911045404A CN110726727A CN 110726727 A CN110726727 A CN 110726727A CN 201911045404 A CN201911045404 A CN 201911045404A CN 110726727 A CN110726727 A CN 110726727A
- Authority
- CN
- China
- Prior art keywords
- camera
- image
- tunnel
- fault
- images
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 title claims abstract description 13
- 201000010099 disease Diseases 0.000 title claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 11
- 208000006011 Stroke Diseases 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000004568 cement Substances 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000008855 peristalsis Effects 0.000 description 3
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Images
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
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0118—Apparatus with remote processing
- G01N2021/0125—Apparatus with remote processing with stored program or instructions
- G01N2021/0131—Apparatus with remote processing with stored program or instructions being externally stored
-
- 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
- G01N2021/8883—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 involving the calculation of gauges, generating models
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种跨断层隧道病害的诊断分析方法，其包括获取当前时间，在满足时间要求时，第二摄像机采集第一图像，并判断第一图像和参考图像中的第一摄像机位置是否处于同一位置，若是启动第二摄像机采集第二图像进行错台判断，当存在错台且错台的宽度大于一定值时，将将采集的第一图像、第二图像和隧道在断层处出现严重错台的信息压缩后发送给道路养护部；当存在错台且错台的宽度小于一定值时，判断第二摄像机两次采集第一图像之间是否存在设定比例的湿度传感器持续上传湿度信息，若是则对第二图像进行裂纹检测，并采集的第一图像、第二图像和裂纹检测结果及隧道在断层处出现错台和渗水的危害信息压缩后发送给道路养护部。
Description
技术领域
本发明涉及地质灾害监测领域，具体涉及一种跨断层隧道病害的诊断分析方法。
背景技术
断层是构造运动中广泛发育的构造形态。它大小不一、规模不等，小的不足一米，大到数百、上至千米。但都破坏了岩层的连续性和完整性。在断层带上往往岩石破碎，易被风化侵蚀。沿断层线常常发育为沟谷，有时出现泉或湖泊。
随着我国建设大西南的力度不断加大，高速铁路、高速公路、引水隧洞等重大工程建设当中，特别是长大隧道，不可避免的需要穿越多条断裂带。如邓家坪隧道长10km，穿越9条断裂带；雅泸高速的泥巴山隧道长10km，穿越15条断裂带；滇中引水香炉山隧洞长约63km，穿越16条主要断裂带，其中40％为走滑断层。而目前大部分断层每年都会发生一定量的蠕动，少则每年蠕动几厘米，多则每年达到10cm以上，而这种蠕动在出现地震是会进一步加剧。
而我国在西南部修建了大量的跨断层隧道，且西南部又是地震高发地带，加剧了断层的蠕动，而目前针对跨断层隧道道路养护部门没有对跨断层隧道采用相应的监测措施，经常是出现隧道塌方或者出现严重的安全问题时，才会封路采取补救措施，而这种方式给道路安全运营带来了极大的安全隐患。
发明内容
针对现有技术中的上述不足，本发明提供的跨断层隧道病害的诊断分析方法解决了现有技术中不能对跨断层隧道的产生的危害进行监测的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种跨断层隧道病害的诊断分析方法，其包括实施诊断分析方法的诊断分析系统，诊断分析系统包括单片机、隧道正对断层面处的两侧分别安装的第一摄像机和第二摄像机及隧道正对断层面处的两侧安装的若干湿度传感器；
第一摄像机、第二摄像机和湿度传感器均与单片机连接，第一摄像机、第二摄像机、湿度传感器和单片机均与同市电连接的电源模块连接；
第一摄像机通过支架安装在隧道宽度方向的一侧，采集断层面处隧道的图像信息；第二摄像机通过支架安装在第一摄像机的对侧，且第一摄像机未启动时位于第二摄像机的视场中；
诊断分析系统进行跨断层隧道病害的诊断分析方法包括：
S1、获取当前时间；
S2、判断当前时间与上一次第二摄像机采集图像的时间是否大于等于预设时间，若是，进入步骤S3，否则返回步骤S1；
S3、启动第二摄像头采集第一摄像机的图像信息，并接收第一图像；
S4、判断存储的参考图像中第一摄像机位置与第一图像中第一摄像机位置是否处于同一位置，若是，返回步骤S1，否则进入步骤S5；
S5、启动第一摄像机采集隧道在断层处的第二图像，并接收第二图像，之后将第二图像输入第一卷积神经网络模型进行错台检测，并输出错台检测结果；
S6、判断错台检测结果是否表示第二图像信息中存在错台，若是进入步骤S7，否则采用第一图像更新参考图像，并返回步骤S1；
S7、分别计算参考图像和第一图像中第一摄像机的摄像头到图像上边缘的距离；
S8、判断两个距离之间的差异是否小于预设间距，若小于，则进入步骤S9，否则进入步骤S12；
S9、判断第二摄像机两次采集第一图像之间是否存在设定比例的湿度传感器持续上传湿度信息，若是，进入步骤S10，否则采用第一图像更新参考图像，并返回步骤S1；
S10、将第二图像信息输入第二卷积神经网络模型进行裂纹检测，并输出裂纹检测结果；
S11、将采集的第一图像、第二图像和裂纹检测结果及隧道在断层处出现错台和渗水的危害信息压缩后发送给道路养护部，并返回步骤S1；
S12、将采集的第一图像、第二图像和隧道在断层处出现严重错台的信息压缩后发送给道路养护部，并返回步骤S1。
本发明的有益效果为：本方法应用于横跨断层的隧道，具体地断层面位于隧道的宽度方向，本方案每个一段时间就对断层处的隧道进行图像采集，并首先通过第一摄像机和第二摄像机的相对位置对断层是否发生蠕动进行初判，在初判之后采集隧道表面的图像，查看隧道是否存在错台现象，以对断层蠕动进行确认，若未出现错台表明第一摄像机和第二摄像机出现相对位置变动并非断层蠕动造成，此时将单片机内存储的参考图像更新下，以保证后续的准确检测。
若出现错台表明断层处出现了错台，在断层发生蠕动时，并非只要出现错台就会对隧道的安全使用造成影响，本方案通过计算的两个间距可以近一步对错台发生的位移大小进行评判，若是出现的错台位移比较小时，可以通过查看断层处是否存在渗水和裂纹进行检测，因为隧道出现渗水再加上裂纹会加剧隧道道管片侵蚀，而严重影响隧道管片质量，此时需要通知道路养护部进行维护。
若出现的错台位移比较大时，则通知道路养护部进行维护，因为错台位移较大时，隧道管片结构可能会受到较大的错动而松动，极易出现隧道管片脱落而造成安全事故。
附图说明
图1为部分诊断分析系统部件安装在断层处隧道上的结构示意图。
图2为安装第一摄像机的支架的结构示意图。
图3为跨断层隧道病害的诊断分析方法的流程图。
其中，1、隧道；2、断层面；3、第一摄像机；4、第二摄像机；5、支架；51、竖直杆；52、支撑板；53、电动推杆。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，实施诊断分析方法的诊断分析系统包括单片机、隧道1正对断层面2处的两侧分别安装的第一摄像机3和第二摄像机4及隧道1正对断层面2处的两侧安装的若干湿度传感器；
第一摄像机3、第二摄像机4和湿度传感器均与单片机连接，第一摄像机3、第二摄像机4、湿度传感器和单片机均与同市电连接的电源模块连接；
第一摄像机3通过支架5安装在隧道1宽度方向的一侧，采集断层面2处隧道1的图像信息；第二摄像机4通过支架5安装在第一摄像机3的对侧，且第一摄像机3未启动时位于第二摄像机4的视场中。
本方案第一摄像机3和第二摄像机4安装位置的设置，这样仅通过第二摄像机4采集的图像就能够判读出两个摄像机的相对位置是否发生相对运动，而达到断层是否发生蠕动的初判。
如图2所示，在本发明的一个实施例中，安装第一摄像机3的支架5包括竖直杆51和安装第一摄像机3的支撑板52，支撑板52铰接在竖直杆51上，在支撑板52铰接位置上方的竖直杆51上安装有向下倾斜且与单片机连接的电动推杆53；
电动推杆53的推杆末端与支撑板52固定连接，且电动推杆53运动至最小行程时，第一摄像机3位于第二摄像机4的视场中；电动推杆53处于最小行程阶段时，第一摄像机3的摄像头倾斜向上，电动推杆53处于最大行程阶段时，第一摄像机3的摄像头倾斜向下。
安装第一摄像机3的支架5采用上述方式设置后，可以在跨断层隧道1病害判断过程中，增大第一摄像机3采集图像的范围，以保证后面检测出的错台及裂纹情况更全面，以提高检测的准确性。
参考图3，图3示出了跨断层隧道1病害的诊断分析方法的流程图，如图3所示，该诊断分析方法包括步骤S1至步骤S12。
在步骤S1中，获取当前时间；因为断层发生蠕动是一个缓慢的地质变化过程，其一年发生蠕动一般在几厘米，故在监测时也不需要进行频繁的监测，本方案优选夏季每一个月监测一次，春季一个半月监测一次，秋冬季节每2个月监测一次。
在步骤S2中，判断当前时间与上一次第二摄像机4采集图像的时间是否大于等于预设时间，若是，进入步骤S3，否则返回步骤S1；
在步骤S3中，启动第二摄像头采集第一摄像机3的图像信息，并接收第一图像；
在步骤S4中，判断存储的参考图像中第一摄像机3位置与第一图像中第一摄像机3位置是否处于同一位置(位置判断可以通过第一摄像机3最高点位置坐标进行确定)，若是，返回步骤S1，否则进入步骤S5；
在步骤S5中，启动第一摄像机3采集隧道1在断层处的第二图像，并接收第二图像，之后将第二图像输入第一卷积神经网络模型进行错台检测，并输出错台检测结果。
在本发明的一个实施例中，第一卷积神经网络模型的训练方法包括：
A1、采集若干水泥路面错台图像、若干竖直墙面错台图像及若干盾构管片错台图像，并对所有错台图像中的错台区域进行标记；
A2、对标记后的所有错台图像进行预处理，之后对卷积神经网络的权值进行初始化；
A3、输入所有预处理后的错台图像经过卷积层、下采样层、全连接层向前传播得到输出值，并计算卷积神经网络的输出值与目标值之间的误差；
A4、当误差大于期望值时，将误差传回卷积神经网络，依次计算全连接层、下采样层、卷积层的误差；
A5、当误差等于或小于期望值时，采用该误差对神经网络的权值进行更新，并结束训练，得到第一卷积神经网络模型。
在步骤S6中，判断错台检测结果是否表示第二图像信息中存在错台，若是进入步骤S7，否则采用第一图像更新参考图像，并返回步骤S1；
在步骤S7中，分别计算参考图像和第一图像中第一摄像机3的摄像头到图像上边缘的距离；在进行距离计算时，可以分别获取第一图像中第一摄像机3的摄像头最高点的坐标和第一图像边缘最高点坐标，通过两个坐标值计算得到距离。
在步骤S8中，判断两个距离之间的差异是否小于预设间距，若小于，则进入步骤S9，否则进入步骤S12；
在步骤S9中，判断第二摄像机4两次采集第一图像之间是否存在设定比例的湿度传感器持续上传湿度信息，若是，进入步骤S10，否则采用第一图像更新参考图像，并返回步骤S1；本方案优选设定比例为40％。
在步骤S10中，将第二图像信息输入第二卷积神经网络模型进行裂纹检测，并输出裂纹检测结果。
实施时，本方案优选第二卷积神经网络模型的训练方法包括：
B1、制造多块具有不同弧度、且颜色与隧道1内表面相近的弧形模板，并在每块弧形板上绘制不同类型和尺寸的裂缝；
B2、将多块弧形模板安装在隧道1宽度方向一圈的不同位置处，并采用旋转运动的摄像机对粘贴有弧形模板的一圈隧道1内表面进行裂纹图像采集。
其中弧形模板采用柔性材质制成，进一步优选采用厚度为0.1～0.2cm的塑胶制成，这样弧形模板能够更好地与不同弧度的隧道1管边贴合，以使裂纹出现变形，而形成多样化的裂纹；弧形模板越薄，裂纹拍出的效果会更接近于真实裂纹。
B3、变换弧形板在隧道1宽度方向一圈的位置，之后继续采用旋转运动的摄像机对粘贴有弧形模板的一圈隧道1内表面进行裂纹图像采集；
B4、判断采集得到的裂纹图像数量是否大于预设图片总数，若是，则执行步骤B5，否则返回步骤B3；
本方案通过步骤B1至B4的方式进行训练图片的获取，可以使训练图片中的裂纹无限接近真实裂纹，通过变换弧形板的安装位置，可以尽可能多的捕捉到不同形态(由于隧道1管片每个位置处的弧度是不同，弧形这样粘贴在其上的)的裂纹，以保证收录尽可能全的样本，以提高后续检测过程裂纹的识别率。
B5、标记所有裂纹图像中的裂纹，并对所有标记后的裂纹图像进行预处理，之后对卷积神经网络的权值进行初始化；
B6、输入所有预处理后的裂纹图像经过卷积层、下采样层、全连接层向前传播得到输出值，并计算卷积神经网络的输出值与目标值之间的误差；
B7、当误差大于期望值时，将误差传回卷积神经网络，依次计算全连接层，下采样层，卷积层的误差；
B8、当误差等于或小于期望值时，采用该误差对神经网络的权值进行更新，并结束训练，得到第二卷积神经网络模型。
在步骤S11中，将采集的第一图像、第二图像和裂纹检测结果及隧道1在断层处出现错台和渗水的危害信息压缩后发送给道路养护部，并返回步骤S1；
在步骤S12中，将采集的第一图像、第二图像和隧道1在断层处出现严重错台的信息压缩后发送给道路养护部，并返回步骤S1。
实施时，本方案优选安装第一摄像机3的支架5包括电动推杆53后，步骤S5还包括启动第一摄像机3的同时启动电动推杆53，电动推杆53运动至最大行程之后，关闭第一摄像机3并控制电动推杆53的行程恢复至初始位置；第一图像包括第一摄像机3采集的隧道1顶壁、侧壁及隧道1路面的图形信息。
第一卷积神经网络模型和第二卷积神经网络模型在训练过程中涉及到图像预处理包括依次对图像进行尺寸调整、对比度变换和图像扭曲处理。
综上所述，本方案提供的诊断分析方法能够对跨断层隧道1在断层面2附近发生的错台、裂纹及渗水进行监测，通过该种监测可以让道路养护部详细掌握跨断层隧道1的情况，以保证跨断层隧道1的安全运营。
Claims (5)
1.跨断层隧道病害的诊断分析方法，其特征在于，包括实施诊断分析方法的诊断分析系统，所述诊断分析系统包括单片机、隧道正对断层面处的两侧分别安装的第一摄像机和第二摄像机及隧道正对断层面处的两侧安装的若干湿度传感器；
第一摄像机、第二摄像机和湿度传感器均与单片机连接，第一摄像机、第二摄像机、湿度传感器和单片机均与同市电连接的电源模块连接；
第一摄像机通过支架安装在隧道宽度方向的一侧，采集断层面处隧道的图像信息；第二摄像机通过支架安装在第一摄像机的对侧，且第一摄像机未启动时位于第二摄像机的视场中；
所述诊断分析系统进行跨断层隧道病害的诊断分析方法包括：
S1、获取当前时间；
S2、判断当前时间与上一次第二摄像机采集图像的时间是否大于等于预设时间，若是，进入步骤S3，否则返回步骤S1；
S3、启动第二摄像头采集第一摄像机的图像信息，并接收第一图像；
S4、判断存储的参考图像中第一摄像机位置与第一图像中第一摄像机位置是否处于同一位置，若是，返回步骤S1，否则进入步骤S5；
S5、启动第一摄像机采集隧道在断层处的第二图像，并接收第二图像，之后将第二图像输入第一卷积神经网络模型进行错台检测，并输出错台检测结果；
S6、判断错台检测结果是否表示第二图像信息中存在错台，若是进入步骤S7，否则采用第一图像更新参考图像，并返回步骤S1；
S7、分别计算参考图像和第一图像中第一摄像机的摄像头到图像上边缘的距离；
S8、判断两个距离之间的差异是否小于预设间距，若小于，则进入步骤S9，否则进入步骤S12；
S9、判断第二摄像机两次采集第一图像之间是否存在设定比例的湿度传感器持续上传湿度信息，若是，进入步骤S10，否则采用第一图像更新参考图像，并返回步骤S1；
S10、将第二图像信息输入第二卷积神经网络模型进行裂纹检测，并输出裂纹检测结果；
S11、将采集的第一图像、第二图像和裂纹检测结果及隧道在断层处出现错台和渗水的危害信息压缩后发送给道路养护部，并返回步骤S1；
S12、将采集的第一图像、第二图像和隧道在断层处出现严重错台的信息压缩后发送给道路养护部，并返回步骤S1。
2.根据权利要求1所述的跨断层隧道病害的诊断分析方法，其特征在于，安装第一摄像机的支架包括竖直杆和安装第一摄像机的支撑板，所述支撑板铰接在竖直杆上，在支撑板铰接位置上方的竖直杆上安装有向下倾斜且与单片机连接的电动推杆，所述电动推杆的推杆末端与支撑板固定连接，且电动推杆运动至最小行程时，第一摄像机位于第二摄像机的视场中；
电动推杆处于最小行程阶段时，第一摄像机的摄像头倾斜向上，电动推杆处于最大行程阶段时，第一摄像机的摄像头倾斜向下；安装第一摄像机的支架包括电动推杆后，步骤S5还包括启动第一摄像机的同时启动电动推杆，电动推杆运动至最大行程之后，关闭第一摄像机并控制电动推杆的行程恢复至初始位置；第一图像包括第一摄像机采集的隧道顶壁、侧壁及隧道路面的图形信息。
3.根据权利要求1所述的跨断层隧道病害的诊断分析方法，其特征在于，所述第一卷积神经网络模型的训练方法包括：
A1、采集若干水泥路面错台图像、若干竖直墙面错台图像及若干盾构管片错台图像，并对所有错台图像中的错台区域进行标记；
A2、对标记后的所有错台图像进行预处理，之后对卷积神经网络的权值进行初始化；
A3、输入所有预处理后的错台图像经过卷积层、下采样层、全连接层向前传播得到输出值，并计算卷积神经网络的输出值与目标值之间的误差；
A4、当误差大于期望值时，将误差传回卷积神经网络，依次计算全连接层、下采样层、卷积层的误差；
A5、当误差等于或小于期望值时，采用该误差对神经网络的权值进行更新，并结束训练，得到第一卷积神经网络模型。
4.根据权利要求1所述的跨断层隧道病害的诊断分析方法，其特征在于，所述第二卷积神经网络模型的训练方法包括：
B1、制造多块具有不同弧度、且颜色与隧道内表面相近的弧形模板，并在每块弧形板上绘制不同类型和尺寸的裂缝；
B2、将多块弧形模板安装在隧道宽度方向一圈的不同位置处，并采用旋转运动的摄像机对粘贴有弧形模板的一圈隧道内表面进行裂纹图像采集；
B3、变换弧形板在隧道宽度方向一圈的位置，之后继续采用旋转运动的摄像机对粘贴有弧形模板的一圈隧道内表面进行裂纹图像采集；
B4、判断采集得到的裂纹图像数量是否大于预设图片总数，若是，则执行步骤B5，否则返回步骤B3；
B5、标记所有裂纹图像中的裂纹，并对所有标记后的裂纹图像进行预处理，之后对卷积神经网络的权值进行初始化；
B6、输入所有预处理后的裂纹图像经过卷积层、下采样层、全连接层向前传播得到输出值，并计算卷积神经网络的输出值与目标值之间的误差；
B7、当误差大于期望值时，将误差传回卷积神经网络，依次计算全连接层，下采样层，卷积层的误差；
B8、当误差等于或小于期望值时，采用该误差对神经网络的权值进行更新，并结束训练，得到第二卷积神经网络模型。
5.根据权利要求3或4所述的跨断层隧道病害的诊断分析方法，其特征在于，对图像进行预处理包括依次对图像进行尺寸调整、对比度变换和图像扭曲处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911045404.1A CN110726727A (zh) | 2019-10-30 | 2019-10-30 | 跨断层隧道病害的诊断分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911045404.1A CN110726727A (zh) | 2019-10-30 | 2019-10-30 | 跨断层隧道病害的诊断分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110726727A true CN110726727A (zh) | 2020-01-24 |
Family
ID=69222478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911045404.1A Withdrawn CN110726727A (zh) | 2019-10-30 | 2019-10-30 | 跨断层隧道病害的诊断分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110726727A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111239138A (zh) * | 2020-01-15 | 2020-06-05 | 中国水利水电第十一工程局有限公司 | 跨断层隧道病害的诊断分析方法 |
| CN114329307A (zh) * | 2022-03-16 | 2022-04-12 | 广东海洋大学 | 一种隧道跨断层处错断诊断方法及系统 |
-
2019
- 2019-10-30 CN CN201911045404.1A patent/CN110726727A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111239138A (zh) * | 2020-01-15 | 2020-06-05 | 中国水利水电第十一工程局有限公司 | 跨断层隧道病害的诊断分析方法 |
| CN114329307A (zh) * | 2022-03-16 | 2022-04-12 | 广东海洋大学 | 一种隧道跨断层处错断诊断方法及系统 |
| CN114329307B (zh) * | 2022-03-16 | 2022-06-14 | 广东海洋大学 | 一种隧道跨断层处错断诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Valença et al. | Assessment of cracks on concrete bridges using image processing supported by laser scanning survey | |
| CN104183133B (zh) | 一种采集和传输道路交通流动态信息的方法 | |
| JP6713505B2 (ja) | 舗装情報収集点検システム、舗装情報収集点検方法、及びプログラム | |
| CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
| CN108151791B (zh) | 一种分析管道淤积分布的方法 | |
| US20220138970A1 (en) | Structural vibration monitoring method based on computer vision and motion compensation | |
| CN110726727A (zh) | 跨断层隧道病害的诊断分析方法 | |
| US20240167962A1 (en) | System and method for automatic monitoring of pavement condition | |
| CN110567680B (zh) | 一种基于角度比对的轨道扣件松动检测方法 | |
| CN112329582B (zh) | 大数据分析与机理模型协同的道路积水深度监测方法及系统 | |
| CN112637553B (zh) | 一种基于监控视频的桥梁结构模态分析方法 | |
| KR101884724B1 (ko) | 암거시설물 진단지원 시스템 | |
| CN103196372A (zh) | 一种电气化铁路接触网支持装置的光学成像检测方法 | |
| Huang et al. | Rapid surface damage detection equipment for subway tunnels based on machine vision system | |
| CN103837087A (zh) | 基于主动形状模型的受电弓自动检测方法 | |
| JP2021026353A (ja) | 路面性状調査システム、路面性状調査方法、及び路面性状調査プログラム | |
| CN115439643A (zh) | 一种基于单目测量的道路病害尺寸分析与管理方法 | |
| KR20230127511A (ko) | 딥러닝을 이용한 터널막장면 이미지 기반 실시간 암반상태 평가시스템 및 평가방법 | |
| CN117574493B (zh) | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 | |
| CN111239138A (zh) | 跨断层隧道病害的诊断分析方法 | |
| CN108596968B (zh) | 一种基于轨道3d深度图像的轨枕计数方法 | |
| US20040258293A1 (en) | Automated optical inspection of wire-wrapped well screens | |
| CN106325132A (zh) | 一种道路积水监控系统 | |
| CN116012348A (zh) | 一种适用于路面裂缝的最大裂缝宽度测定方法 | |
| CN112254701B (zh) | 车载式桥头跳车检测分析系统及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200124 |