CN111123263A - 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 - Google Patents
基于地质雷达检测数据的隧道钢筋识别检测系统、方法 Download PDFInfo
- Publication number
- CN111123263A CN111123263A CN201911273059.7A CN201911273059A CN111123263A CN 111123263 A CN111123263 A CN 111123263A CN 201911273059 A CN201911273059 A CN 201911273059A CN 111123263 A CN111123263 A CN 111123263A
- Authority
- CN
- China
- Prior art keywords
- steel bar
- reinforcing steel
- tunnel
- suspected
- range
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于地质雷达检测数据的隧道钢筋识别检测系统、方法,其中,系统包括:钢筋区域范围识别模块,用于根据地质雷达检测数据,确定在隧道径向方向上的疑似钢筋区域所处范围;钢筋区域确认模块,用于在疑似钢筋区域所处范围内进行钢筋波形干涉图像检测,并根据所检测到的钢筋干涉图像,确认钢筋的具体所处区域位置;钢筋干涉图像波峰波谷检测模块,用于检测各钢筋干涉图像中代表钢筋所处位置的波峰和波谷;钢筋数量统计模块,用于根据波峰波谷数量统计钢筋数量;施工质量确认模块,用于将统计的钢筋数量与预设的钢筋数量进行数据比对,以判断隧道施工质量是否合格,本发明实现了对隧道钢筋的自动识别检测,提高了工程质检的效率。
Description
技术领域
本发明涉及隧道钢筋识别技术领域,具体涉及一种基于地质雷达检测数据的隧道钢筋自动识别检测系统及检测方法。
背景技术
在铁路、公路隧道施工过程中,需要对施工质量进行检测、验收。目前最常用的一种隧道施工质量检测方法是,通过采用雷达波检测技术,对隧道的混凝土衬砌、钢筋等进行无损探测,随后将探测采集的地质雷达数据进行可视化处理,由行业专家根据可视化的雷达数据对工程中的重要指标是否符合设计要求进行进一步的分析。然而由于隧道通常长达几公里甚至数十公里,通过雷达探测技术测得的雷达数据量非常庞大,机器对数据量庞大的雷达数据进行可视化处理需要耗费较多时间,而且人为判定工程质量是否达标需要依赖于较高的专业评判知识和经验,所作出的评判结果可能不够客观、科学。
发明内容
本发明的目的在于提供一种基于地质雷达检测数据的隧道钢筋自动识别检测系统、方法,以解决上述技术问题。
为达此目的,本发明采用以下技术方案:
提供一种基于地质雷达检测数据的隧道钢筋自动识别检测系统,用于根据地质雷达检测数据,并基于深度学习技术对隧道钢筋进行自动识别检测,隧道钢筋自动识别检测系统包括:
地质雷达检测数据获取模块,用于获取地质雷达对隧道检测得到的所述地质雷达检测数据;
钢筋区域范围识别模块,连接所述地质雷达检测数据获取模块,用于根据所述地质雷达检测数据,确定在隧道径向方向上的疑似钢筋区域所处范围;
钢筋区域确认模块,分别连接所述地质雷达检测数据获取模块和所述钢筋区域范围识别模块,用于根据所述地质雷达检测数据,在所述疑似钢筋区域所处范围内进行钢筋波形干涉图像检测,并根据所检测到的各钢筋干涉图像,在所述疑似钢筋区域所处范围内分割确认出钢筋的具体所处区域位置;
钢筋干涉图像波峰波谷检测模块,连接所述钢筋区域确认模块,用于检测各所述钢筋干涉图像中代表所述钢筋所处位置的波峰和波谷;
钢筋位置拟合模块,连接所述钢筋干涉图像波峰波谷检测模块,用于根据检测到的所述波峰波谷拟合得到钢筋位置曲线,最终确定所述钢筋在所述疑似钢筋区域所处范围内的所处位置;
钢筋数量统计模块,连接所述钢筋位置拟合模块,用于根据最终确定的各所述钢筋的所处位置统计出所述钢筋的数量;
施工质量确认模块,连接所述钢筋数量统计模块,用于将统计的所述钢筋的数量与预设的钢筋数量进行数据比对,以判断隧道施工质量是否合格。
作为本发明的一种优选方案,所述钢筋区域确认模块中具体包括:
X轴向钢筋干涉图像检测单元,用于在X轴向上,对所述疑似钢筋区域所处范围进行钢筋干涉图像检测;
Y轴向钢筋干涉图像检测单元,用于在Y轴向上,对所述疑似钢筋区域所处范围进行钢筋干涉图像检测;
语义分割单元,分别连接所述X轴向钢筋干涉图像检测单元和所述Y轴向钢筋干涉图像检测单元,用于对所检测到的X轴向上的各所述钢筋干涉图像以及对所检测到的Y轴向上的各所述钢筋干涉图像进行语义分割,以确认所述钢筋在所述疑似钢筋区域所处范围内的所述区域位置。
作为本发明的一种优选方案,通过基于深度学习的卷积神经网络确定所述疑似钢筋区域所处范围、确定所述钢筋在所述疑似钢筋区域所处范围内的所述区域位置以及确定各所述钢筋干涉图像中的所述波峰和所述波谷。
本发明还提供了一种基于地质雷达检测数据的隧道钢筋自动识别检测方法,通过应用所述隧道钢筋自动识别检测系统实现,包括如下步骤:
步骤S1,所述隧道钢筋自动识别检测系统获取地质雷达检测数据;
步骤S2,所述隧道钢筋自动识别检测系统根据所述地质雷达检测数据,确定在隧道径向方向上的疑似钢筋区域所处范围;
步骤S3,所述隧道钢筋自动识别检测系统根据所述地质雷达检测数据,在所述疑似钢筋区域所处范围内进行钢筋干涉图像检测,并根据所检测到的各钢筋干涉图像,分割确认出钢筋在所述疑似钢筋区域所处范围内的具体区域位置;
步骤S4,所述隧道钢筋自动识别检测系统检测所述钢筋在各所述钢筋干涉图像中的波峰波谷;
步骤S5,所述隧道钢筋自动识别检测系统根据检测到的所述波峰波谷的拟合钢筋位置曲线,最终确定所述钢筋在所述疑似钢筋区域所处范围内的所处位置;
步骤S6,所述隧道钢筋自动识别检测系统根据最终确定的各所述钢筋的所处位置统计出所述钢筋的数量;
步骤S7,所述隧道钢筋自动识别检测系统将统计出的所述钢筋的数量与预设的钢筋数量进行数据比对,以判断隧道施工质量是否合格。
作为本发明的一种优选方案,所述步骤S3中具体包括如下步骤:
步骤S31,所述隧道钢筋自动识别检测系统同时在X轴向上和Y轴向上对所述疑似钢筋区域所处范围进行钢筋干涉图像检测;
步骤S32,所述隧道钢筋自动识别检测系统对所检测到的X轴向上以及Y轴向上的各所述钢筋干涉图像进行语义分割,以确认所述钢筋在所述疑似钢筋区域所处范围内的所述区域位置。
本发明的有益效果是,
1、基于原始的地质雷达检测数据对隧道钢筋进行自动识别检测,无需将地质雷达检测数据进行可视化处理,有效减少了数据信息损失,提高了识别准确率;
2、本发明根据地质雷达检测数据,并基于深度学习技术,实现了对隧道钢筋的自动识别检测,提高了隧道工程质检的效率,大幅降低了人为质检的工作量,所作出的质检分析结果更加客观、科学。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例所述的基于地质雷达检测数据的隧道钢筋自动识别检测系统的结构示意图;
图2是本发明一实施例所述的基于地质雷达检测数据的隧道钢筋自动识别检测系统中的钢筋区域确认模块的结构示意图;
图3是本发明一实施例所述的基于地质雷达检测数据的隧道钢筋自动识别检测方法的方法步骤图;
图4是本发明一实施例所述的基于地质雷达检测数据的隧道钢筋自动识别检测方法中的步骤S3的分步骤图;
图5是本发明一实施例所述的基于地质雷达检测数据的隧道钢筋自动识别检测系统识别疑似钢筋区域所处范围采用的卷积神经网络的网络架构示意图;
图6是本发明一实施例所述的基于地质雷达检测数据的隧道钢筋自动识别检测系统在疑似钢筋区域所处范围内分割确认出钢筋的具体所处区域位置采用的卷积神经网络的网络架构图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的基于地质雷达检测数据的隧道钢筋自动识别检测系统,用于根据地质雷达检测数据,并基于深度学习技术对隧道钢筋进行自动识别检测,请参照图1,该隧道钢筋自动识别检测系统包括:
地质雷达检测数据获取模块1,用于获取地质雷达对隧道检测得到的地质雷达检测数据;
钢筋区域范围识别模块2,连接地质雷达检测数据获取模块1,用于根据地址雷达检测数据,确定在隧道径向方向(X轴方向)上的疑似钢筋区域所处范围;
钢筋区域确认模块3,分别连接地质雷达检测数据获取模块1和钢筋区域范围识别模块2,用于根据地质雷达检测数据,在疑似钢筋区域所处范围内进行钢筋波形干涉图像检测,并根据所检测到的各钢筋干涉图像,在疑似钢筋区域所处范围内分割确认出钢筋的具体所处区域位置;
钢筋干涉图像波峰波谷检测模块4,连接钢筋区域确认模块3,用于检测各钢筋干涉图像中代表钢筋所处位置的波峰和波谷;
钢筋位置拟合模块5,连接钢筋干涉图像波峰波谷检测模块4,用于根据检测到的波峰波谷拟合得到钢筋位置曲线,最终确定钢筋在疑似钢筋区域所处范围内的所处位置;
钢筋数量统计模块6,连接钢筋位置拟合模块5,用于根据最终确定的各钢筋的所处位置统计出钢筋的数量;
施工质量确认模块7,连接钢筋数量统计模块6,用于将统计的钢筋数量与预设的钢筋数量进行数据比对,以判断隧道施工质量是否合格。
上述技术方案中,根据地质雷达检测数据,优选通过卷积神经网络TRXSNet(Tunnel Radar X-axis Segmentation Netword),确定隧道径向方向上的疑似钢筋区域所处范围。该卷积神经网络TRXSNet的具体网络架构请参照图5,将地质雷达检测数据(雷达矩阵数据)输入到该网络架构中,该网络架构经过对地质雷达检测数据的多层卷积特征提取、池化以及上采样过程,最终检测输出在隧道径向(X轴方向)方向上的疑似钢筋区域所处范围。
上述技术方案中,根据地质雷达检测数据,优选通过卷积神经网络中的语义分割网络TRSNet(Tunnel Radar Segmentation Network),在疑似钢筋区域所处范围进行钢筋波形干涉图像检测,并根据所检测到的各钢筋干涉图像,在疑似钢筋区域所处范围内分割确认出钢筋的具体所处区域位置。语义分割网络TRSNet的网络架构请参照图6,将地质雷达数据(雷达矩阵数据)和先前识别到的疑似钢筋区域所处范围图像输入到该网络架构中,该网络架构经过多层卷积特征提取和上采样过程,在疑似钢筋区域所处范围内检测得到多个钢筋干涉图像,每个钢筋干涉图像代表钢筋在疑似钢筋区域所处范围内的具体的所处区域位置,最终将检测到的各钢筋各钢筋干涉图像从疑似钢筋区域所处范围内分割出来。
图5和图6中,conv2d代表二维卷积,
max_pool2d代表二维最大池化;
block用于表示卷积和池化区域;
avg_pool1d表示一维平均池化;
upsampling表示上采样;
stride表示步长。
上述技术方案中,检测各钢筋干涉图像中的波峰和波谷的方法优选采用卷积神经网络中的目标检测网络TRSDNet(Tunnel Radar Steel Detection Network)对钢筋干涉图像中的波峰波谷进行图像特征提取。利用卷积神经网络提取图像特征的方法为现有技术,所以目标检测网络TRSDNet对钢筋干涉图像中的波峰波谷进行图像特征提取的过程在此不作阐述;。
请继续参照图2,隧道钢筋自动识别检测系统中的钢筋区域确认模块3中具体包括:
X轴向钢筋干涉图像检测单元31,用于在X轴向上(隧道径向方向),对疑似钢筋区域所处范围进行钢筋干涉图像检测;
Y轴向钢筋干涉图像检测单元32,用于在Y轴向上(雷达波探测深度方向),对疑似钢筋区域所处范围进行钢筋干涉图像检测;
语义分割单元33,分别连接X轴向钢筋干涉图像检测单元31和Y轴向钢筋干涉图像检测单元32,用于对所检测到的X轴向上的钢筋干涉图像以及对所检测到的Y轴向上的各钢筋干涉图像进行语义分割,以确认钢筋在疑似钢筋区域所处范围内的具体区域位置。
请参照图3,本发明还提供了一种基于地质雷达检测数据的隧道钢筋自动识别检测方法,通过应用上述的隧道钢筋自动识别检测系统实现,包括如下步骤:
步骤S1,隧道钢筋自动识别检测系统获取地质雷达检测数据;
步骤S2,隧道钢筋自动识别检测系统根据地质雷达检测数据,确定在隧道径向方向上的疑似钢筋区域所处范围;
步骤S3,隧道钢筋自动识别检测系统根据地质雷达检测数据,在疑似钢筋区域所处范围内进行钢筋干涉图像检测,并根据所检测到的各钢筋干涉图像,分割确认出钢筋在疑似钢筋区域所处范围内的具体区域位置;
步骤S4,隧道钢筋自动识别检测系统检测钢筋在各钢筋干涉图像中的波峰和波谷;
步骤S5,隧道钢筋自动识别检测系统根据检测到的波峰波谷的拟合钢筋位置曲线,最终确定钢筋在疑似钢筋区域所处范围内的所处位置;
步骤S6,隧道钢筋自动识别检测系统根据最终确定的各钢筋的所处位置统计出钢筋数量;
步骤S7,隧道钢筋自动识别检测系统将统计出的钢筋数量与预设的钢筋数量进行数据比对,以判断隧道施工质量是否合格。
上述步骤S5中,需要说明的是,隧道钢筋自动识别检测系统根据波峰波谷钢筋位置曲线,最终确定钢筋在疑似钢筋区域所处范围内的所处位置的方法为:
一个波峰或一个波谷代表一根钢筋,系统通过统计波峰或波谷数量进而统计出钢筋数量。
步骤S7中,判断隧道施工质量是否合格的方法为,若统计的钢筋数量大于或等于符合工程质量的预设的钢筋数量,则判定隧道施工质量合格,否则为不合格。
作为一种优选方案,请参照图4,步骤S3中具体包括如下步骤:
步骤S31,隧道钢筋自动识别检测系统同时在X轴向上和Y轴向上对疑似钢筋区域所处范围进行钢筋干涉图像检测;
步骤S32,隧道钢筋自动识别检测系统对所检测到的X轴向上以及Y轴向上的各钢筋干涉图像进行语义分割,以确认钢筋在钢筋在疑似钢筋区域所处范围内的区域位置。
本发明实现了对隧道钢筋的自动识别检测,提高了隧道工程质检的效率,降低了人为质检的工作量,所作出的质检结果更加客观、科学。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (5)
1.一种基于地质雷达检测数据的隧道钢筋自动识别检测系统,用于根据地质雷达检测数据,并基于深度学习技术对隧道钢筋进行自动识别检测,其特征在于,包括:
地质雷达检测数据获取模块,用于获取地质雷达对隧道检测得到的所述地质雷达检测数据;
钢筋区域范围识别模块,连接所述地质雷达检测数据获取模块,用于根据所述地质雷达检测数据,确定在隧道径向方向上的疑似钢筋区域所处范围;
钢筋区域确认模块,分别连接所述地质雷达检测数据获取模块和所述钢筋区域范围识别模块,用于根据所述地质雷达检测数据,在所述疑似钢筋区域所处范围内进行钢筋波形干涉图像检测,并根据所检测到的各钢筋干涉图像,在所述疑似钢筋区域所处范围内分割确认出钢筋的具体所处区域位置;
钢筋干涉图像波峰波谷检测模块,连接所述钢筋区域确认模块,用于检测各所述钢筋干涉图像中代表所述钢筋所处位置的波峰和波谷;
钢筋位置拟合模块,连接所述钢筋干涉图像波峰波谷检测模块,用于根据检测到的所述波峰波谷拟合得到钢筋位置曲线,最终确定所述钢筋在所述疑似钢筋区域所处范围内的所处位置;
钢筋数量统计模块,连接所述钢筋位置拟合模块,用于根据最终确定的各所述钢筋的所述所处位置统计出所述钢筋的数量;
施工质量确认模块,连接所述钢筋数量统计模块,用于将统计的所述钢筋的数量与预设的钢筋数量进行数据比对,以判断隧道施工质量是否合格。
2.如权利要求1所述的隧道钢筋自动识别检测系统,其特征在于,所述钢筋区域确认模块中具体包括:
X轴向钢筋干涉图像检测单元,用于在X轴向上,对所述疑似钢筋区域所处范围进行钢筋干涉图像检测;
Y轴向钢筋干涉图像检测单元,用于在Y轴向上,对所述疑似钢筋区域所处范围进行钢筋干涉图像检测;
语义分割单元,分别连接所述X轴向钢筋干涉图像检测单元和所述Y轴向钢筋干涉图像检测单元,用于对所检测到的X轴向上的各所述钢筋干涉图像以及对所检测到的Y轴向上的各所述钢筋干涉图像进行语义分割,以确认所述钢筋在所述疑似钢筋区域所处范围内的所述区域位置。
3.如权利要求1所述的隧道钢筋自动识别检测系统,其特征在于,通过基于深度学习的卷积神经网络确定所述疑似钢筋区域所处范围、确定所述钢筋在所述疑似钢筋区域所处范围内的所述区域位置以及确定各所述钢筋干涉图像中的所述波峰和所述波谷。
4.一种基于地质雷达检测数据的隧道钢筋自动识别检测方法,通过应用如权1-3任意一项的所述隧道钢筋自动识别检测系统实现,其特征在于,包括如下步骤:
步骤S1,所述隧道钢筋自动识别检测系统获取地质雷达检测数据;
步骤S2,所述隧道钢筋自动识别检测系统根据所述地质雷达检测数据,确定在隧道径向方向上的疑似钢筋区域所处范围;
步骤S3,所述隧道钢筋自动识别检测系统根据所述地质雷达检测数据,在所述疑似钢筋区域所处范围内进行钢筋干涉图像检测,并根据所检测到的各钢筋干涉图像,分割确认出钢筋在所述疑似钢筋区域所处范围内的具体区域位置;
步骤S4,所述隧道钢筋自动识别检测系统检测所述钢筋在各所述钢筋干涉图像中的波峰波谷;
步骤S5,所述隧道钢筋自动识别检测系统根据检测到的所述波峰波谷的拟合钢筋位置曲线,最终确定所述钢筋在所述疑似钢筋区域所处范围内的所处位置;
步骤S6,所述隧道钢筋自动识别检测系统根据最终确定的各所述钢筋的所处位置统计出所述钢筋的数量;
步骤S7,所述隧道钢筋自动识别检测系统将统计出的所述钢筋的数量与预设的钢筋数量进行数据比对,以判断隧道施工质量是否合格。
5.如权利要求4所述的隧道钢筋自动识别检测方法,其特征在于,所述步骤S3中具体包括如下步骤:
步骤S31,所述隧道钢筋自动识别检测系统同时在X轴向上和Y轴向上对所述疑似钢筋区域所处范围进行钢筋干涉图像检测;
步骤S32,所述隧道钢筋自动识别检测系统对所检测到的X轴向上以及Y轴向上的各所述钢筋干涉图像进行语义分割,以确认所述钢筋在所述疑似钢筋区域所处范围内的所述区域位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911273059.7A CN111123263B (zh) | 2019-12-12 | 2019-12-12 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911273059.7A CN111123263B (zh) | 2019-12-12 | 2019-12-12 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111123263A true CN111123263A (zh) | 2020-05-08 |
CN111123263B CN111123263B (zh) | 2022-04-19 |
Family
ID=70499894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911273059.7A Active CN111123263B (zh) | 2019-12-12 | 2019-12-12 | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123263B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967398A (zh) * | 2020-08-18 | 2020-11-20 | 创新奇智(合肥)科技有限公司 | 隧道检测方法、装置、电子设备及可读存储介质 |
CN113283437A (zh) * | 2021-07-22 | 2021-08-20 | 中国海洋大学 | 一种海底沙波特征识别方法 |
CN114638830A (zh) * | 2022-05-18 | 2022-06-17 | 安徽数智建造研究院有限公司 | 隧道钢筋识别模型的训练方法及隧道钢筋识别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020105455A1 (en) * | 2000-11-17 | 2002-08-08 | Wright James Burton | Ground penetrating radar incorporating a real-time multi-target direction finding capability |
US20060072816A1 (en) * | 2004-09-23 | 2006-04-06 | Mitsubishi Denki Kabushiki Kaisha | Determining statistical descriptors of a signal from a set of its samples |
US20070201309A1 (en) * | 2006-02-21 | 2007-08-30 | Robert Brown | Method for processing an echo profile and a pulse-echo ranging system |
US20120190380A1 (en) * | 1996-09-09 | 2012-07-26 | Tracbeam Llc | Wireless location using network centric location estimators |
CN104088472A (zh) * | 2014-07-10 | 2014-10-08 | 汕头市建设工程质量监督检测站 | 沿海建筑物钢筋混凝土结构检测和修复方法 |
CN104143115A (zh) * | 2014-06-25 | 2014-11-12 | 中国矿业大学(北京) | 地质雷达技术实现土壤含水性分类识别的技术方法 |
CN105569275A (zh) * | 2015-12-17 | 2016-05-11 | 河北建设集团有限公司 | 一种墙体水泥浇筑用钢筋保护层垫块及施工方法 |
CN107366224A (zh) * | 2017-07-26 | 2017-11-21 | 中交公局第二工程有限公司 | 一种基于bim建模技术空间三维异形桥墩钢筋施工方法 |
CN107621626A (zh) * | 2017-10-09 | 2018-01-23 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
US20180298432A1 (en) * | 2013-03-15 | 2018-10-18 | Gen-Probe Incorporated | Calibration Method, Apparatus and Computer Program Product |
CN108960172A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种识别gpr图像病害类型的方法 |
CN108981557A (zh) * | 2018-09-05 | 2018-12-11 | 广州大学 | 一种同时测定混凝土中钢筋直径及其保护层厚度的检测方法 |
CN109343019A (zh) * | 2018-11-05 | 2019-02-15 | 中国矿业大学(北京) | 一种地质雷达数据解释方法及装置 |
-
2019
- 2019-12-12 CN CN201911273059.7A patent/CN111123263B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120190380A1 (en) * | 1996-09-09 | 2012-07-26 | Tracbeam Llc | Wireless location using network centric location estimators |
US20020105455A1 (en) * | 2000-11-17 | 2002-08-08 | Wright James Burton | Ground penetrating radar incorporating a real-time multi-target direction finding capability |
US20060072816A1 (en) * | 2004-09-23 | 2006-04-06 | Mitsubishi Denki Kabushiki Kaisha | Determining statistical descriptors of a signal from a set of its samples |
US20070201309A1 (en) * | 2006-02-21 | 2007-08-30 | Robert Brown | Method for processing an echo profile and a pulse-echo ranging system |
US20180298432A1 (en) * | 2013-03-15 | 2018-10-18 | Gen-Probe Incorporated | Calibration Method, Apparatus and Computer Program Product |
CN104143115A (zh) * | 2014-06-25 | 2014-11-12 | 中国矿业大学(北京) | 地质雷达技术实现土壤含水性分类识别的技术方法 |
CN104088472A (zh) * | 2014-07-10 | 2014-10-08 | 汕头市建设工程质量监督检测站 | 沿海建筑物钢筋混凝土结构检测和修复方法 |
CN105569275A (zh) * | 2015-12-17 | 2016-05-11 | 河北建设集团有限公司 | 一种墙体水泥浇筑用钢筋保护层垫块及施工方法 |
CN107366224A (zh) * | 2017-07-26 | 2017-11-21 | 中交公局第二工程有限公司 | 一种基于bim建模技术空间三维异形桥墩钢筋施工方法 |
CN107621626A (zh) * | 2017-10-09 | 2018-01-23 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
CN108960172A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种识别gpr图像病害类型的方法 |
CN108981557A (zh) * | 2018-09-05 | 2018-12-11 | 广州大学 | 一种同时测定混凝土中钢筋直径及其保护层厚度的检测方法 |
CN109343019A (zh) * | 2018-11-05 | 2019-02-15 | 中国矿业大学(北京) | 一种地质雷达数据解释方法及装置 |
Non-Patent Citations (2)
Title |
---|
夏锋等: ""地下管线探测回波中目标双曲线的快速拟合方法"", 《计算机系统应用》 * |
邓法: ""混凝土耐久性无损检测技术应用研究"", 《中国优秀硕士学位论文全文数据库工程科技||辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967398A (zh) * | 2020-08-18 | 2020-11-20 | 创新奇智(合肥)科技有限公司 | 隧道检测方法、装置、电子设备及可读存储介质 |
CN111967398B (zh) * | 2020-08-18 | 2022-08-09 | 创新奇智(合肥)科技有限公司 | 隧道检测方法、装置、电子设备及可读存储介质 |
CN113283437A (zh) * | 2021-07-22 | 2021-08-20 | 中国海洋大学 | 一种海底沙波特征识别方法 |
CN114638830A (zh) * | 2022-05-18 | 2022-06-17 | 安徽数智建造研究院有限公司 | 隧道钢筋识别模型的训练方法及隧道钢筋识别方法 |
CN114638830B (zh) * | 2022-05-18 | 2022-08-12 | 安徽数智建造研究院有限公司 | 隧道钢筋识别模型的训练方法及隧道钢筋识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111123263B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111123263B (zh) | 基于地质雷达检测数据的隧道钢筋识别检测系统、方法 | |
Hoang | Detection of surface crack in building structures using image processing technique with an improved Otsu method for image thresholding | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
CN115082462A (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN109001757A (zh) | 一种基于2d激光雷达的车位智能检测方法 | |
CN116758084B (zh) | 基于图像数据的钣金件焊接缺陷智能检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN115880296A (zh) | 基于机器视觉的预制构件质量检测方法及装置 | |
CN111524154A (zh) | 一种基于影像的隧道管片自动化分割方法 | |
CN1378177A (zh) | 图形对照设备,图形对照方法以及图像对照程序 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
Xu et al. | Image-based intelligent detection of typical defects of complex subway tunnel surface | |
Liu et al. | Two‐Stream Boundary‐Aware Neural Network for Concrete Crack Segmentation and Quantification | |
Liu et al. | Research on surface defect detection based on semantic segmentation | |
CN112070748A (zh) | 金属油管缺陷检测方法和装置 | |
CN1287141C (zh) | 用于检测轧制产品形状缺陷的方法及相关装置 | |
CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
CN111126415B (zh) | 基于雷达探测图像的隧道钢筋检测计数系统、方法 | |
CN112627538B (zh) | 基于计算机视觉的钢筋网扎丝绑扎质量智能验收方法 | |
CN115512098A (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN115511902A (zh) | 一种角点特征提取方法及系统 | |
KR101111676B1 (ko) | 친족점 연결을 이용한 수골 및 손목뼈 영상의 분할방법 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220325 Address after: 314001 room 1101, building 14, Jiaxing smart Industrial Innovation Park, No. 36, Changsheng South Road, Jiaxing Economic and Technological Development Zone, Zhejiang Province Applicant after: Innovation Qizhi (Zhejiang) Technology Co.,Ltd. Address before: 230000 room 611-64, R & D center, China (Hefei) international intelligent voice Industrial Park, 3333 Xiyou Road, high tech Zone, Hefei, Anhui Province Applicant before: AINNOVATION (HEFEI) TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |