CN111582271A - 一种基于地质雷达的铁路隧道内部病害检测方法及其装置 - Google Patents
一种基于地质雷达的铁路隧道内部病害检测方法及其装置 Download PDFInfo
- Publication number
- CN111582271A CN111582271A CN202010359044.9A CN202010359044A CN111582271A CN 111582271 A CN111582271 A CN 111582271A CN 202010359044 A CN202010359044 A CN 202010359044A CN 111582271 A CN111582271 A CN 111582271A
- Authority
- CN
- China
- Prior art keywords
- radar
- image
- segmentation
- gray
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 141
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 141
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 230000011218 segmentation Effects 0.000 claims abstract description 121
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 6
- 230000005641 tunneling Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 241001270131 Agaricus moelleri Species 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 16
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Abstract
本发明公开了一种基于地质雷达的铁路隧道内部病害检测方法及其装置。该方法包括:采集铁路隧道中的衬砌雷达图像;对灰度剖面图粗精度分割;计算雷达分割图像一的灰度方差;先通过最大化方差的比值以确定自适应阈值,再根据自适应阈值筛选出雷达分割图像一中的感兴趣区域与背景区域;扩大感兴趣区域与背景区域的对比度;对灰度剖面图进行高精度分割;先确定离散的灰度图像二维熵,再将灰度图像二维熵大于预设二维熵的区域作为目标区域,最后筛选出目标区域所在的目标病害区域;输出存在目标病害区域的雷达图像及病害区域里程。本发明可以大批量地对隧道的病害情况进行检测和测量,能够提高隧道病害的检测效率和精度。
Description
技术领域
本发明涉及铁路隧道检测技术领域的一种铁路隧道内部病害检测方法,尤其涉及一种基于地质雷达的铁路隧道内部病害检测方法,还涉及应用该方法的基于地质雷达图像数据的铁路隧道内部病害检测装置。
背景技术
随着我国隧道建设的飞速发展,目前我国隧道已经走出建设期,迈入“高维修”管理期,隧道病害对隧道的运营安全的影响越来越引起相关部门的重视,而对衬砌内部病害的检测与管理是衬砌维护的重点。为了确保隧道不会对列车的安全运行产生影响,需要对衬砌进行定期的安全性检测,对病害严重的隧道衬砌需要不定时的进行检测观察。
在现有的隧道养护检测过程中,铁路隧道(其包括地铁隧道、高铁隧道、普快铁路隧道等)均存在病害情况,而为了能够将病害区域及时检测出来,通常需要人为对铁路隧道进行定期检测和养护。但是,现有的这种病害检测方法通过普通的人工检测方式或依靠人工仪器进行,这样会造成以下这些问题:1、检测效率低,由于人工检测或通过仪器检测需要人为进行操作,需要耗费大量时间进行实地采样和计算,检测效率不能满足需求;2、检测及测量精度低,这是由于人工检测或通过仪器测量存在测量误差,使得最终的测量结果存在较大的误差值;3、由于铁路隧道里程长,因此隧道的检测量非常大,人为检测工作往往跟不上需求,影响隧道的养护质量。
发明内容
为解决现有的铁路隧道病害检测存在检测效率、精度以及质量均比较低的技术问题,本发明提供一种基于地质雷达的铁路隧道内部病害检测方法及其装置。
本发明采用以下技术方案实现:一种基于地质雷达的铁路隧道内部病害检测方法,其包括以下步骤:
(1)采集铁路隧道中的衬砌雷达图像,并获取相应的灰度剖面图;
(2)对所述灰度剖面图进行粗精度分割,以获得多张雷达分割图像一;
(3)计算多张雷达分割图像一的灰度方差,并根据每张雷达分割图像一的灰度方差预选出相应的感兴趣区域;
(4)先通过最大化每张雷达分割图像一的类间方差与类内方差的比值以确定自适应阈值,再根据所述自适应阈值筛选出所述雷达分割图像一中的感兴趣区域与背景区域;
(5)扩大所述感兴趣区域与所述背景区域的对比度;
(6)对所述灰度剖面图进行高精度分割,以获得多张雷达分割图像二;
(7)先将每张雷达分割图像二的像素灰度、像素邻域内灰度平均值分别作为第一特征和第二特征以确定离散的灰度图像二维熵,再将所述灰度图像二维熵大于一个预设二维熵的区域作为目标区域,最后根据所述感兴趣区域与所述背景区域筛选出所述目标区域所在的目标病害区域;
(8)输出存在所述目标病害区域的雷达图像及所述雷达图像的病害区域里程。
本发明通过先采集铁路隧道中的衬砌雷达图像,并获得灰度剖面图,而后粗精度分割灰度剖面图以获得雷达分割图像一,随后通过计算出的雷达分割图像一的灰度方差预选感兴趣区域,进一步可以根据方差比值确定自适应阈值以分割出感兴趣区域与背景区域,然后扩大对比度以使感兴趣区域与背景区域的差异最大化,便于后续对感兴趣区域进行检测,再然后对灰度剖面图进行高精度分割,并求得雷达分割图像二的灰度图像二维熵,根据灰度图像二维熵筛选出目标病害区域,最后输出该病害区域的雷达图像以及里程,实现对铁路隧道病害的检测。在检测的过程中,由于只需要对图像进行处理,检测实现自动化,可以大批量地进行,这样就解决了现有的铁路隧道病害检测存在检测效率、精度以及质量均比较低的技术问题,得到了检测效率高,精度准,并且能够大量检测,可以减轻人工劳动强度并提高检测质量的技术效果。
作为上述方案的进一步改进,所述灰度方差的计算公式为:
作为上述方案的进一步改进,所述自适应阈值的确定方法包括以下步骤:
(4.1)使阈值预设为一个初始阈值Th0,并将所述雷达分割图像一分为两类图像;
(4.2)分别计算两类图像的方差、平均灰度以及总体均值;
(4.3)计算两类图像在对应的雷达分割图像一中的比例;
(4.4)根据两类图像的所述方差、所述平均灰度、所述总体均值以及所述比例,计算出每张雷达分割图像一的类间方差与类内方差;
(4.5)计算所述类间方差与所述类内方差的比值,并将所述比值最大时的阈值作为所述自适应阈值。
进一步地,两类图像在对应的雷达分割图像一中的比例的计算公式分别为:
式中,p1、p2分别为两类图像在所述雷达分割图像一中的比例,Nc1、Nc2分别为两类图像的像素点总数,Nimage为所述雷达分割图像一的像素点总数。
再进一步地,所述类间方差的计算公式为:
所述类内方差的计算公式为:
其中,μ1、μ2分别为两类图像的平均灰度,μ为所述总体均值,σ1、σ2分别为两类图像的灰度方差。
作为上述方案的进一步改进,通过幂次变换方式调节所述对比度,且变换公式为:
式中,c、r均为幂次变换参数。
作为上述方案的进一步改进,所述灰度图像二维熵的确定方法包括以下步骤:
(7.1)确定所述像素灰度和所述像素邻域内灰度平均值的特征二元数组,并计算所述特征二元数组的出现频率;
(7.2)根据所述出现频率,计算离散的灰度图像二维熵。
作为上述方案的进一步改进,所述出现频率的计算公式为:
式中,i为所述像素灰度,j为所述像素邻域内灰度平均值,且i、j的取值范围均为[0,255];p(i,j)为所述出现频率,f(i,j)为特征二元数组(i,j)出现的频数,M*N为所述雷达分割图像一的分辨率;
所述灰度图像二维熵的计算公式为:
式中,H为所述灰度图像二维熵。
作为上述方案的进一步改进,步骤(8)还包括:
(8.1)将输出结果转换为里程区间,且转换公式为:
I1=[s-d1,s]
式中,I1为小图里程范围,s为输出结果,d1为最终切割后的小图长度;
(8.2)融合相邻区间,且融合公式为:
I2=[s-(n+1)d2,s]
式中,I2为输出里程范围,d2为本次输出与前一次输出的输出结果差,n为区间融合操作的次数。
本发明还提供一种基于地质雷达图像数据的铁路隧道内部病害检测装置,该装置应用上述任意所述的基于地质雷达的铁路隧道内部病害检测方法,其包括:
隧检车,其包括数据采集系统、数据处理系统以及辅助照明系统;所述数据采集系统用于采集铁路隧道中的衬砌雷达图像,所述数据处理系统用于获取相应的灰度剖面图,所述辅助照明系统用于向所述数据采集系统提供朝向所述铁路隧道的照明光线;
粗精度分割模块,其用于对所述灰度剖面图进行粗精度分割,以获得多张雷达分割图像一;
预选模块,其用于计算多张雷达分割图像一的灰度方差,并根据每张雷达分割图像一的灰度方差预选出相应的感兴趣区域;
阈值分割模块,其用于先通过最大化每张雷达分割图像一的类间方差与类内方差的比值以确定自适应阈值,再根据所述自适应阈值筛选出所述雷达分割图像一中的感兴趣区域与背景区域;
对比度增强模块,其用于扩大所述感兴趣区域与所述背景区域的对比度;
高精度分割模块,其用于对所述灰度剖面图进行高精度分割,以获得多张雷达分割图像二;
病害区域筛选模块,其用于先将每张雷达分割图像二的像素灰度、像素邻域内灰度平均值分别作为第一特征和第二特征以确定离散的灰度图像二维熵,再将所述灰度图像二维熵大于一个预设二维熵的区域作为目标区域,最后根据所述感兴趣区域与所述背景区域筛选出所述目标区域所在的目标病害区域;以及
输出模块,其用于输出存在所述目标病害区域的雷达图像及所述雷达图像的病害区域里程。
相较于现有的铁路隧道病害检测技术,本发明的基于地质雷达的铁路隧道内部病害检测方法及其装置具有以下有益效果:
1、该基于地质雷达的铁路隧道内部病害检测方法,其先采集铁路隧道中的衬砌雷达图像,并获得灰度剖面图,而后粗精度分割灰度剖面图以获得雷达分割图像一,随后通过计算出的雷达分割图像一的灰度方差预选感兴趣区域,进一步可以根据方差比值确定自适应阈值以分割出感兴趣区域与背景区域,然后扩大对比度以使感兴趣区域与背景区域的差异最大化,便于后续对感兴趣区域进行检测,再然后对灰度剖面图进行高精度分割,并求得雷达分割图像二的灰度图像二维熵,根据灰度图像二维熵筛选出目标病害区域,最后输出该病害区域的雷达图像以及里程,实现对铁路隧道病害的检测,而这些信息可以作为铁路隧道养护时的依据,从而使出现病害的隧道部分及时得到养护处理,保证铁路隧道使用的安全性。由于在检测的过程中可以自动化处理,无需采用人工检测或人工仪器的方式对隧道病害情况进行检测,能够提高隧道病害的检测效率和精度。而且,在对病害检测时基于雷达图像数据进行处理,可以大范围实施,这样就可以大批量地对隧道的病害情况进行检测和测量,节约大量的人工劳动力,减轻人工劳动强度,实现了自动化检测的效果。
2、该基于地质雷达的铁路隧道内部病害检测方法,其粗精度分割和高精度分割先后进行,粗精度分割的图像用于实现感兴趣区域与背景区域的划分,而高精度分割的图像在粗精度分割的基础上确定铁路隧道的病害的具体位置,这样简化分割流程,进而可以提高检测效率。同时,由于采用了至少两次图像分割,因此能够最大程度地避免丢失病害区域,对于病害区域的检测更加准确,检测精度更高。
3、该基于地质雷达的铁路隧道内部病害检测方法,其采用自适应阈值筛选分类的方式对雷达分割图像一中感兴趣区域与背景区域进行区分,相比单一的固定阈值分类精度更高。
4、该基于地质雷达的铁路隧道内部病害检测方法,其还可以利用幂次变换的方式进行对比度的调节,放大目标和背景图像的差异,进而压缩低灰度并扩展高灰度区域,使感兴趣区域更加明显,而病害区域位于感兴趣区域内,这样使得病害区域被检测出的可能性大幅增加,提高病害的检测成功率。
5、该基于地质雷达的铁路隧道内部病害检测方法,其通过雷达分割图像二的像素灰度、像素邻域内灰度平均值确定灰度图像二维熵,进而能够确定铁路隧道的病害区域。由于灰度图像二维熵的数值越大,则说明此区域灰度分布越复杂,而灰度分布越复杂,则该区域出现病害的可能性越大,故而在灰度图像二维熵达到一定值后,该区域实际上即为病害区域,这样就可以通过比较灰度图像二维熵与预设二维熵而确定病害区域,进而提高病害的检测准确率。
6、该基于地质雷达的铁路隧道内部病害检测方法,其在输出雷达图像和里程时,还会转换输出结果为里程区间,而且将相邻区间融合,这样能够保证病害特征的完整性不受影响,方便数据传输与读取。
7、该基于地质雷达的铁路隧道内部病害检测装置,其有益效果与上述基于地质雷达的铁路隧道内部病害检测方法的有益效果相同,在此不再做赘述。
附图说明
图1为本发明实施例1的基于地质雷达的铁路隧道内部病害检测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
请参阅图1,本实施例提供了一种基于地质雷达的铁路隧道内部病害检测方法,该方法可以应用在高铁隧道、地铁隧道、普通铁路隧道等隧道中,并对隧道的病害情况进行检测。在本实施例中,该检测方法基于地质雷达对隧道病害进行检测,可以精确地对衬砌内部病害进行检测并获得病害的雷达图像和里程,从而为隧道养护提供数据支撑。当发现雷达图像中确实存在内部病害时,养护人员就可以通过里程准确地确定病害发生位置,从而对该部分隧道进行处理。其中,该铁路隧道内部病害检测方法包括以下这些步骤,即步骤(1)-(8)。
(1)采集铁路隧道中的衬砌雷达图像,并获取相应的灰度剖面图。在本实施例中,通过安装数据采集系统、数据处理系统以及辅助照明系统的隧检车在隧道内实现对衬砌雷达图像的采集,得到灰度剖面图。隧检车能够沿着铁路隧道的轨道方向前进或者后退,在行进的过程中,数据采集系统可以通过地质雷达获取连续的多张衬砌雷达图像,而数据处理系统则能够将衬砌雷达图像灰度化以获得灰度剖面图。辅助照明系统可以包括多个照明灯,照明灯能够向铁路隧道上发射光束,并进一步配合摄像机等拍摄设备,可以使得最终获取的衬砌雷达图像更加清晰。
(2)对灰度剖面图进行粗精度分割,以获得多张雷达分割图像一。粗精度分割仅仅只是相对于后续的高精度分割而言,其分割精度会比高精度分割的精度大,分割精度的实际取值可以根据需要进行设定。雷达分割图像一的数量是由分割要求以及灰度剖面图的大小决定的,在本实施例中,其数量至少为两张。
(3)计算多张雷达分割图像一的灰度方差,并根据每张雷达分割图像一的灰度方差预选出相应的感兴趣区域。在本实施例中,灰度方差是对灰度图像中所有像素点上灰度的统计量,具体的计算公式为:
(4)先通过最大化每张雷达分割图像一的类间方差与类内方差的比值以确定自适应阈值,再根据自适应阈值筛选出雷达分割图像一中的感兴趣区域与背景区域。在本实施例中,自适应阈值的确定方法包括以下这些步骤,即步骤(4.1)-(4.4)。
(4.1)使阈值预设为一个初始阈值Th0,并将雷达分割图像一分为两类图像。这里,可以给定阈值一个初始阈值Th=Th0,将图像分成C1和C2两类。
(4.2)分别计算两类图像的方差、平均灰度以及总体均值。其中,定义μ1、μ2分别为两类图像的平均灰度,μ为总体均值,σ1、σ2分别为两类图像的灰度方差。
(4.3)计算两类图像在对应的雷达分割图像一中的比例。在本实施例中,两类图像在对应的雷达分割图像一中的比例的计算公式分别为:
式中,p1、p2分别为两类图像在雷达分割图像一中的比例,Nc1、Nc2分别为两类图像的像素点总数,Nimage为雷达分割图像一的像素点总数。
(4.4)根据两类图像的方差、平均灰度、总体均值以及比例,计算出每张雷达分割图像一的类间方差与类内方差。其中,类间方差的计算公式为:
类内方差的计算公式为:
(4.5)计算类间方差与类内方差的比值,并将比值最大时的阈值作为自适应阈值。这里,选择最佳阈值Th=Th*,使得图像按照该阈值分成C1和C2后,满足两方差比最大,并由此将雷达分割图像一上的感兴趣区域和背景区分开。
(5)扩大感兴趣区域与背景区域的对比度。在本实施例中,通过幂次变换方式调节对比度,进而放大目标和背景图像的差异,变换公式为:
式中,c、r均为幂次变换参数。
其中,幂次变换只有参数r>1时,才会压缩低灰度,扩展高灰度区域。本实施例经过对背景图像和目标图像多次试验与效果对比,取参数c=1,r=2.5这样达到效果的最佳。
(6)对灰度剖面图进行高精度分割,以获得多张雷达分割图像二。高精度分割的精度值是相对于步骤(2)的粗精度分割而言,其分割精度大于之前的粗精度分割,而具体精度为多少则需要根据实际情况进行确定。
(7)先将每张雷达分割图像二的像素灰度、像素邻域内灰度平均值分别作为第一特征和第二特征以确定离散的灰度图像二维熵,再将灰度图像二维熵大于一个预设二维熵的区域作为目标区域,最后根据感兴趣区域与背景区域筛选出目标区域所在的目标病害区域。在本实施例中,灰度图像二维熵的确定方法包括以下这些步骤,即步骤(7.1)和(7.2)。
(7.1)确定像素灰度和像素邻域内灰度平均值的特征二元数组,并计算特征二元数组的出现频率。在本实施例中,对于像素灰度为i、像素邻域内灰度平均值为j的像素,记特征二元数组为(i,j)。其中,i、j的取值范围均为[0,255],这样出现频率的计算公式为:
式中,p(i,j)为出现频率,f(i,j)为特征二元数组(i,j)出现的频数,M*N为雷达分割图像一的分辨率。
(7.2)根据出现频率,计算离散的灰度图像二维熵。在上述步骤的基础上,灰度图像二维熵的计算公式可以定义为:
式中,H为灰度图像二维熵。图像二维熵的值越大,灰度分布越复杂,极有可能是存在病害的目标区域,再利用步骤(4)中的自适应阈值法进行筛选,获得目标病害区域。
(8)输出存在目标病害区域的雷达图像及雷达图像的病害区域里程。在本实施例中,为了保证病害特征的完整性不受影响,检测结果需被转换成区间的形式,并对相邻编号的图像进行了拼接以及区间的融合:
(8.1)将输出结果转换为里程区间,且转换公式为:
I1=[s-d1,s]
式中,I1为小图里程范围,s为输出结果,d1为最终切割后的小图长度;
(8.2)融合相邻区间(这里的前提是输出结果与上一个输出结果存在输出结果差),而且融合公式为:
I2=[s-(n+1)d2,s]
式中,I2为输出里程范围,d2为本次输出与前一次输出的输出结果差,n为此区间进行融合操作的次数。
综上所述,相较于现有的铁路隧道病害检测方法,本实施例的基于地质雷达的铁路隧道内部病害检测方法具有以下优点:
1、该基于地质雷达的铁路隧道内部病害检测方法,其先采集铁路隧道中的衬砌雷达图像,并获得灰度剖面图,而后粗精度分割灰度剖面图以获得雷达分割图像一,随后通过计算出的雷达分割图像一的灰度方差预选感兴趣区域,进一步可以根据方差比值确定自适应阈值以分割出感兴趣区域与背景区域,然后扩大对比度以使感兴趣区域与背景区域的差异最大化,便于后续对感兴趣区域进行检测,再然后对灰度剖面图进行高精度分割,并求得雷达分割图像二的灰度图像二维熵,根据灰度图像二维熵筛选出目标病害区域,最后输出该病害区域的雷达图像以及里程,实现对铁路隧道病害的检测,而这些信息可以作为铁路隧道养护时的依据,从而使出现病害的隧道部分及时得到养护处理,保证铁路隧道使用的安全性。由于在检测的过程中可以自动化处理,无需采用人工检测或人工仪器的方式对隧道病害情况进行检测,能够提高隧道病害的检测效率和精度。而且,在对病害检测时基于雷达图像数据进行处理,可以大范围实施,这样就可以大批量地对隧道的病害情况进行检测和测量,节约大量的人工劳动力,减轻人工劳动强度,实现了自动化检测的效果。
2、该基于地质雷达的铁路隧道内部病害检测方法,其粗精度分割和高精度分割先后进行,粗精度分割的图像用于实现感兴趣区域与背景区域的划分,而高精度分割的图像在粗精度分割的基础上确定铁路隧道的病害的具体位置,这样简化分割流程,进而可以提高检测效率。同时,由于采用了至少两次图像分割,因此能够最大程度地避免丢失病害区域,对于病害区域的检测更加准确,检测精度更高。
3、该基于地质雷达的铁路隧道内部病害检测方法,其采用自适应阈值筛选分类的方式对雷达分割图像一中感兴趣区域与背景区域进行区分,相比单一的固定阈值分类精度更高。
4、该基于地质雷达的铁路隧道内部病害检测方法,其还可以利用幂次变换的方式进行对比度的调节,放大目标和背景图像的差异,进而压缩低灰度并扩展高灰度区域,使感兴趣区域更加明显,而病害区域位于感兴趣区域内,这样使得病害区域被检测出的可能性大幅增加,提高病害的检测成功率。
5、该基于地质雷达的铁路隧道内部病害检测方法,其通过雷达分割图像二的像素灰度、像素邻域内灰度平均值确定灰度图像二维熵,进而能够确定铁路隧道的病害区域。由于灰度图像二维熵的数值越大,则说明此区域灰度分布越复杂,而灰度分布越复杂,则该区域出现病害的可能性越大,故而在灰度图像二维熵达到一定值后,该区域实际上即为病害区域,这样就可以通过比较灰度图像二维熵与预设二维熵而确定病害区域,进而提高病害的检测准确率。
6、该基于地质雷达的铁路隧道内部病害检测方法,其在输出雷达图像和里程时,还会转换输出结果为里程区间,而且将相邻区间融合,这样能够保证病害特征的完整性不受影响,方便数据传输与读取。
实施例2
本实施例提供了一种基于地质雷达的铁路隧道内部病害检测方法,该方法在实施例1的基础上增加以下这些步骤,即步骤(11)和步骤(12)。
(11)将雷达图像以及病害区域里程的实时数据上传至一个云平台上。该云平台可以为隧道养护监测平台,其上设置有各段铁路隧道的存储位置,病害信息都会与云平台上的各段铁路隧道相对应,从而生成隧道病害信息的大数据系统。该大数据系统可以积累隧道检测数据,在人员需要查阅时可以通过手机、PC端等设备及时查看,使铁路养护更加便捷化。
(12)对各段铁路隧道的病害量进行统计以获得病害累计量,并进一步判断病害累计量是否超过一个预设病害统计量。在病害累积量达到预设病害统计量时,使云平台向养护人员所具备的养护工具发出告警信息,这样,这样铁路养护人员就可以就是发现并对该段隧道进行处理,使铁路隧道维护更加便捷,提高铁路养护效率和养护质量。
实施例3
本实施例提供了一种基于地质雷达图像数据的铁路隧道内部病害检测装置,该装置应用实施例1或实施例2中的基于地质雷达的铁路隧道内部病害检测方法。其中,该铁路隧道内部病害检测装置包括隧检车、粗精度分割模块、预选模块、阈值分割模块、对比度增强模块、高精度分割模块、病害区域筛选模块以及输出模块。
隧检车包括数据采集系统、数据处理系统以及辅助照明系统。数据采集系统用于采集铁路隧道中的衬砌雷达图像,数据处理系统用于获取相应的灰度剖面图,辅助照明系统用于向数据采集系统提供朝向铁路隧道的照明光线。隧检车能够沿着铁路隧道的轨道方向前进或者后退,在行进的过程中,数据采集系统可以通过地质雷达获取连续的多张衬砌雷达图像,而数据处理系统则能够将衬砌雷达图像灰度化以获得灰度剖面图。辅助照明系统可以包括多个照明灯,照明灯能够向铁路隧道上发射光束,并进一步配合摄像机等拍摄设备,可以使得最终获取的衬砌雷达图像更加清晰。隧检车可以通过里程计等设备进行计数,并根据隧检车的车轮的半径确定行进距离。
粗精度分割模块用于对灰度剖面图进行粗精度分割,以获得多张雷达分割图像一。粗精度分割模块与高精度分割模块只是在分割精度方面存在不同,而定义粗精度和高精度时也仅仅只是考虑到精度的不同。雷达分割图像一的数量是由分割要求以及灰度剖面图的大小决定的,在本实施例中,其数量至少为两张。
预选模块用于计算多张雷达分割图像一的灰度方差,并根据每张雷达分割图像一的灰度方差预选出相应的感兴趣区域。预选模块通过计算分割后的各雷达分割图像一的灰度方差,灰度方差大则代表该区域可能出现病害,则可以将该部分预选为感兴趣区域。
阈值分割模块用于先通过最大化每张雷达分割图像一的类间方差与类内方差的比值以确定自适应阈值,再根据自适应阈值筛选出雷达分割图像一中的感兴趣区域与背景区域。阈值分割模块自适应阈值筛选分类,相比单一的固定阈值分类精度更高。
对比度增强模块用于扩大感兴趣区域与背景区域的对比度。对比度增强模块通过幂次变换方式调节对比度,进而放大目标和背景图像的差异,进而会压缩低灰度,扩展高灰度区域,使感兴趣区域更加明显。
高精度分割模块用于对灰度剖面图进行高精度分割,以获得多张雷达分割图像二。高精度分割模块与粗精度分割模块相似,其分割精度更高,而具体精度数值则需要根据实际情况进行确定。
病害区域筛选模块用于先将每张雷达分割图像二的像素灰度、像素邻域内灰度平均值分别作为第一特征和第二特征以确定离散的灰度图像二维熵,再将灰度图像二维熵大于一个预设二维熵的区域作为目标区域,最后根据感兴趣区域与背景区域筛选出目标区域所在的目标病害区域。图像二维熵的值越大,灰度分布越复杂,极有可能是存在病害的目标区域,再利用步骤(4)中的自适应阈值法进行筛选,获得目标病害区域。
输出模块用于输出存在目标病害区域的雷达图像及雷达图像的病害区域里程。在本实施例中,检测结果需被转换成区间的形式,并对相邻编号的图像进行了拼接以及区间的融合,从而保证病害特征的完整性不受影响。
实施例4
本实施例提供了一种铁路隧道检测芯片,该铁路隧道检测芯片内置了计算机程序,该计算机程序能够执行实施例1或2的基于地质雷达的铁路隧道内部病害检测方法。本实施例的隧道检测芯片可以直接内嵌在铁路养护设备之中,也可以单独生产制造,还可制造为检测与测量模块进行应用。
实施例5
本实施例提供了一种计算机终端,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行程序时实现实施例1或2的基于地质雷达的铁路隧道内部病害检测方法的步骤。
实施例1或2的基于地质雷达的铁路隧道内部病害检测方法在应用时,可以软件的形式进行应用,如设计成独立运行的程序,安装在计算机终端上,计算机终端可以是电脑、智能手机、控制系统以及其他物联网设备等。实施例1或2的基于地质雷达的铁路隧道内部病害检测方法也可以设计成嵌入式运行的程序,安装在计算机终端上,如安装在单片机上。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序。程序被处理器执行时,实现实施例1或2的基于地质雷达的铁路隧道内部病害检测方法的步骤。
实施例1或2的基于地质雷达的铁路隧道内部病害检测方法在应用时,可以软件的形式进行应用,如设计成计算机可读存储介质可独立运行的程序,计算机可读存储介质可以是U盘,设计成U盾,通过U盘设计成通过外在触发启动整个方法的程序。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于地质雷达的铁路隧道内部病害检测方法,其特征在于,其包括以下步骤:
(1)采集铁路隧道中的衬砌雷达图像,并获取相应的灰度剖面图;
(2)对所述灰度剖面图进行粗精度分割,以获得多张雷达分割图像一;
(3)计算多张雷达分割图像一的灰度方差,并根据每张雷达分割图像一的灰度方差预选出相应的感兴趣区域;
(4)先通过最大化每张雷达分割图像一的类间方差与类内方差的比值以确定自适应阈值,再根据所述自适应阈值筛选出所述雷达分割图像一中的感兴趣区域与背景区域;
(5)扩大所述感兴趣区域与所述背景区域的对比度;
(6)对所述灰度剖面图进行高精度分割,以获得多张雷达分割图像二;
(7)先将每张雷达分割图像二的像素灰度、像素邻域内灰度平均值分别作为第一特征和第二特征以确定离散的灰度图像二维熵,再将所述灰度图像二维熵大于一个预设二维熵的区域作为目标区域,最后根据所述感兴趣区域与所述背景区域筛选出所述目标区域所在的目标病害区域;
(8)输出存在所述目标病害区域的雷达图像及所述雷达图像的病害区域里程。
3.如权利要求1所述的基于地质雷达的铁路隧道内部病害检测方法,其特征在于,所述自适应阈值的确定方法包括以下步骤:
(4.1)使阈值预设为一个初始阈值Th0,并将所述雷达分割图像一分为两类图像;
(4.2)分别计算两类图像的方差、平均灰度以及总体均值;
(4.3)计算两类图像在对应的雷达分割图像一中的比例;
(4.4)根据两类图像的所述方差、所述平均灰度、所述总体均值以及所述比例,计算出每张雷达分割图像一的类间方差与类内方差;
(4.5)计算所述类间方差与所述类内方差的比值,并将所述比值最大时的阈值作为所述自适应阈值。
7.如权利要求1所述的基于地质雷达的铁路隧道内部病害检测方法,其特征在于,所述灰度图像二维熵的确定方法包括以下步骤:
(7.1)确定所述像素灰度和所述像素邻域内灰度平均值的特征二元数组,并计算所述特征二元数组的出现频率;
(7.2)根据所述出现频率,计算离散的灰度图像二维熵。
9.如权利要求1所述的基于地质雷达的铁路隧道内部病害检测方法,其特征在于,步骤(8)还包括:
(8.1)将输出结果转换为里程区间,且转换公式为:
I1=[s-d1,s]
式中,I1为小图里程范围,s为输出结果,d1为最终切割后的小图长度;
(8.2)融合相邻区间,且融合公式为:
I2=[s-(n+1)d2,s]
式中,I2为输出里程范围,d2为本次输出与前一次输出的输出结果差,n为区间融合操作的次数。
10.一种基于地质雷达图像数据的铁路隧道内部病害检测装置,其应用如权利要求1-9中任意一项所述的基于地质雷达的铁路隧道内部病害检测方法,其特征在于,其包括:
隧检车,其包括数据采集系统、数据处理系统以及辅助照明系统;所述数据采集系统用于采集铁路隧道中的衬砌雷达图像,所述数据处理系统用于获取相应的灰度剖面图,所述辅助照明系统用于向所述数据采集系统提供朝向所述铁路隧道的照明光线;
粗精度分割模块,其用于对所述灰度剖面图进行粗精度分割,以获得多张雷达分割图像一;
预选模块,其用于计算多张雷达分割图像一的灰度方差,并根据每张雷达分割图像一的灰度方差预选出相应的感兴趣区域;
阈值分割模块,其用于先通过最大化每张雷达分割图像一的类间方差与类内方差的比值以确定自适应阈值,再根据所述自适应阈值筛选出所述雷达分割图像一中的感兴趣区域与背景区域;
对比度增强模块,其用于扩大所述感兴趣区域与所述背景区域的对比度;
高精度分割模块,其用于对所述灰度剖面图进行高精度分割,以获得多张雷达分割图像二;
病害区域筛选模块,其用于先将每张雷达分割图像二的像素灰度、像素邻域内灰度平均值分别作为第一特征和第二特征以确定离散的灰度图像二维熵,再将所述灰度图像二维熵大于一个预设二维熵的区域作为目标区域,最后根据所述感兴趣区域与所述背景区域筛选出所述目标区域所在的目标病害区域;以及
输出模块,其用于输出存在所述目标病害区域的雷达图像及所述雷达图像的病害区域里程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010359044.9A CN111582271A (zh) | 2020-04-29 | 2020-04-29 | 一种基于地质雷达的铁路隧道内部病害检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010359044.9A CN111582271A (zh) | 2020-04-29 | 2020-04-29 | 一种基于地质雷达的铁路隧道内部病害检测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582271A true CN111582271A (zh) | 2020-08-25 |
Family
ID=72111879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010359044.9A Pending CN111582271A (zh) | 2020-04-29 | 2020-04-29 | 一种基于地质雷达的铁路隧道内部病害检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582271A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113079323A (zh) * | 2021-03-31 | 2021-07-06 | 中国科学院长春光学精密机械与物理研究所 | 一种基于二维熵的航天遥感载荷自动曝光方法 |
CN113377837A (zh) * | 2021-06-15 | 2021-09-10 | 中铁隧道局集团有限公司 | 一种隧道病害数据采集、展示系统 |
CN115629377A (zh) * | 2022-12-02 | 2023-01-20 | 陕西交通电子工程科技有限公司 | 一种道路病害状况检测方法 |
CN116258877A (zh) * | 2023-05-08 | 2023-06-13 | 南京信息工程大学 | 土地利用场景相似度变化检测方法、装置、介质及设备 |
CN117115160A (zh) * | 2023-10-24 | 2023-11-24 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN107907545A (zh) * | 2017-11-28 | 2018-04-13 | 张家港天筑基业仪器设备有限公司 | 一种隧道快速检测系统及其控制方法 |
-
2020
- 2020-04-29 CN CN202010359044.9A patent/CN111582271A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN107907545A (zh) * | 2017-11-28 | 2018-04-13 | 张家港天筑基业仪器设备有限公司 | 一种隧道快速检测系统及其控制方法 |
Non-Patent Citations (2)
Title |
---|
康世瑜;: "基于粒子群优化算法的最佳熵阈值图像分割" * |
许献磊;杨峰;乔旭;郝丽生;李素萃;: "基于GPR的城市道路地下病害差值检测方法研究" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113079323A (zh) * | 2021-03-31 | 2021-07-06 | 中国科学院长春光学精密机械与物理研究所 | 一种基于二维熵的航天遥感载荷自动曝光方法 |
CN113377837A (zh) * | 2021-06-15 | 2021-09-10 | 中铁隧道局集团有限公司 | 一种隧道病害数据采集、展示系统 |
CN115629377A (zh) * | 2022-12-02 | 2023-01-20 | 陕西交通电子工程科技有限公司 | 一种道路病害状况检测方法 |
CN115629377B (zh) * | 2022-12-02 | 2023-03-14 | 陕西交通电子工程科技有限公司 | 一种道路病害状况检测方法 |
CN116258877A (zh) * | 2023-05-08 | 2023-06-13 | 南京信息工程大学 | 土地利用场景相似度变化检测方法、装置、介质及设备 |
CN117115160A (zh) * | 2023-10-24 | 2023-11-24 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
CN117115160B (zh) * | 2023-10-24 | 2024-02-02 | 四川省交通勘察设计研究院有限公司 | 用于隧道衬砌浇筑质量的检测方法、检测终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582271A (zh) | 一种基于地质雷达的铁路隧道内部病害检测方法及其装置 | |
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN110188797B (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN110658209A (zh) | 一种随车道路缺陷智能快速检测方法 | |
CN112966665A (zh) | 路面病害检测模型训练方法、装置和计算机设备 | |
CN113506261A (zh) | 道路病害检测方法、装置、设备及系统 | |
US20230196792A1 (en) | Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN113970734B (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
CN111563886B (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
CN112950562A (zh) | 一种基于线结构光的扣件检测算法 | |
CN116563608A (zh) | 一种隧道衬砌典型病害图像的识别方法及装置 | |
CN115980783A (zh) | 一种基于激光雷达点云的高架边墙提取方法 | |
CN116416589A (zh) | 一种基于铁轨数据与几何性质的轨道点云提取方法 | |
CN114019503A (zh) | 基于fod检测系统的机场跑道异物检测方法、设备、存储介质 | |
CN113761981A (zh) | 一种自动驾驶视觉感知方法、装置及存储介质 | |
Zhang et al. | Urban vehicle extraction from aerial laser scanning point cloud data |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240223 |