CN112070754A - 一种隧道管片漏水检测方法、装置、电子设备及介质 - Google Patents
一种隧道管片漏水检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112070754A CN112070754A CN202010951831.2A CN202010951831A CN112070754A CN 112070754 A CN112070754 A CN 112070754A CN 202010951831 A CN202010951831 A CN 202010951831A CN 112070754 A CN112070754 A CN 112070754A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- segment
- images
- field image
- water leakage
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 120
- 238000001514 detection method Methods 0.000 title claims description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 1
- 229960004134 propofol Drugs 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Examining Or Testing Airtightness (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种隧道管片漏水检测方法、装置、电子设备及介质，其中，该方法包括：采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置；将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中；基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位，可以高效、准确地协助工作人员进行隧道中管片漏水区域的检测。
Description
技术领域
本申请涉及隧道管片漏水检测技术领域，尤其是涉及一种隧道管片漏水检测方法、装置、电子设备及介质。
背景技术
隧道管片区域经常会存在漏水情况，对于在隧道运行列车的运行安全会产生重大隐患，需要经常进行检测和修复。
现有技术中，一般通过以下方案进行隧道管片漏水检测：
方案一，采用人工检测隧道管片漏水位置，该方案工作效率低，无法满足大量线路运营地铁隧道管片漏水快速检测的需求；
方案二，利用激光设备采集到的信息进行隧道管片漏水检测，该方案准确率低且限制条件多；
方案三，利用工业线阵拍摄隧道照片，采用人工进行隧道管片漏水核查，该方案效率低下；
方案四，采用传统的图形图像学算法检测隧道管片漏水区域，该方案受地铁轨道光照环境影响较大，准确率较低。
申请人在研究中发现，现有技术中上述方案无法高效、准确地协助工作人员进行隧道中管片漏水区域的检测。
发明内容
有鉴于此，本申请的目的在于提供一种隧道管片漏水检测方法、装置、电子设备及介质，以高效、准确地协助工作人员进行隧道中管片漏水区域的检测。
第一方面，本申请实施例提供了一种隧道管片漏水检测方法，包括：
采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置；
将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中；
基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位。
在一种可能的实施方式中，采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置，包括：
获取标注有实际管片漏水区域位置数据的现场图像样本；
分析所述实际管片漏水区域位置数据中标注坐标的比例分布，并根据分析结果调整级联的卷积神经网络模型的模型参数进行模型训练；
采集每一段隧道的多张隧道图像，并将其输入到训练后的级联的卷积神经网络模型中进行检测，输出所述多张隧道图像中的管片漏水区域位置。
在一种可能的实施方式中，将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中，包括：
截取所述多张隧道图像的两端连接处预设宽度的区域子图；
对所述多张隧道图像所对应的区域子图进行目标特征提取；
针对每两张相邻的隧道图像所对应的待拼接区域子图，利用k最邻近分类算法确定待拼接区域子图的目标特征的相似特征点，根据相似特征点的位置对相邻的两张隧道图像进行拼接处理，并对拼接后的图像进行亮度调整和图像增强处理；
针对每个拼接区域，根据连接缝与相似特征点位置之间的距离设置不同权重，基于不同权重对拼接区域进行平滑处理，得到该段隧道的现场图像；
基于拼接后重叠位置的坐标，将所述多张隧道图像的管片漏水区域位置映射到该段隧道的现场图像中。
在一种可能的实施方式中，基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位，包括：
基于隧道管片台账信息，提取隧道站点里程、管片数量和管片长度；
根据该段隧道的现场图像所对应的隧道站点里程、管片数量和管片长度，计算该段隧道的现场图像所对应的管片编号；
基于该段隧道的现场图像所对应的管片编号，确定映射到该段隧道的现场图像中的所述管片漏水区域位置对应的管片编号，从而定位出实际管片漏水区域在隧道中的位置。
第二方面，本申请实施例还提供一种隧道管片漏水检测装置，包括：
检测模块，用于采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置；
拼接模块，用于将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中；
定位模块，用于基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位。
在一种可能的实施方式中，所述检测模块包括：
获取单元，用于获取标注有实际管片漏水区域位置数据的现场图像样本；
训练单元，用于分析所述实际管片漏水区域位置数据中标注坐标的比例分布，并根据分析结果调整级联的卷积神经网络模型的模型参数进行模型训练；
检测单元，用于采集每一段隧道的多张隧道图像，并将其输入到训练后的级联的卷积神经网络模型中进行检测，输出所述多张隧道图像中的管片漏水区域位置。
在一种可能的实施方式中，所述拼接模块包括：
截取单元，用于截取所述多张隧道图像的两端连接处预设宽度的区域子图；
第一提取单元，用于对所述多张隧道图像所对应的区域子图进行目标特征提取；
拼接单元，用于针对每两张相邻的隧道图像所对应的待拼接区域子图，利用k最邻近分类算法确定待拼接区域子图的目标特征的相似特征点，根据相似特征点的位置对相邻的两张隧道图像进行拼接处理，并对拼接后的图像进行亮度调整和图像增强处理；
平滑单元，用于针对每个拼接区域，根据连接缝与相似特征点位置之间的距离设置不同权重，基于不同权重对拼接区域进行平滑处理，得到该段隧道的现场图像；
映射单元，用于基于拼接后重叠位置的坐标，将所述多张隧道图像的管片漏水区域位置映射到该段隧道的现场图像中。
在一种可能的实施方式中，所述定位模块包括：
第二提取单元，用于基于隧道管片台账信息，提取隧道站点里程、管片数量和管片长度；
计算单元，用于根据该段隧道的现场图像所对应的隧道站点里程、管片数量和管片长度，计算该段隧道的现场图像所对应的管片编号；
定位单元，用于基于该段隧道的现场图像所对应的管片编号，确定映射到该段隧道的现场图像中的所述管片漏水区域位置对应的管片编号，从而定位出实际管片漏水区域在隧道中的位置。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本申请实施例提供的一种隧道管片漏水检测方法，首先采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置，可以检测出所有各种尺度大小的管片漏水区域。然后将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理来调整图像视觉效果，还原更真实的该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中。最后基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位，可以快速定位隧道管片漏水区域的真实位置。本实施例可以高效、准确地协助工作人员进行隧道中管片漏水区域的检测。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种隧道管片漏水检测方法的流程图；
图2示出了本申请实施例所提供的一种隧道管片漏水检测装置的结构示意图；
图3示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
考虑到隧道管片区域经常会存在漏水情况，对于在隧道运行列车的运行安全会产生重大隐患，需要经常进行检测和修复。传统隧道管片漏水检测方案包括：方案一，采用人工检测隧道管片漏水位置，该方案工作效率低，无法满足大量线路运营地铁隧道管片漏水快速检测的需求；方案二，利用激光设备采集到的信息进行隧道管片漏水检测，该方案准确率低且限制条件多；方案三，利用工业线阵拍摄隧道照片，采用人工进行隧道管片漏水核查，该方案效率低下；方案四，采用传统的图形图像学算法检测隧道管片漏水区域，该方案受地铁轨道光照环境影响较大，准确率较低。传统隧道管片漏水检测方案无法高效、准确地协助工作人员进行隧道中管片漏水区域的检测。基于此，本申请实施例提供了一种隧道管片漏水检测方法、装置、电子设备及介质，下面通过实施例进行描述。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种隧道管片漏水检测方法进行详细介绍。
请参照图1，图1为本申请实施例所提供的一种隧道管片漏水检测方法的流程图。如图1所示，所述方法可以包括以下步骤：
S101、采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置；
S102、将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中；
S103、基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位。
步骤S101中，地铁轨道采集车安装有多个线阵相机，多个线阵相机同时可以采集一段拱形隧道中超过350度的弧度的图像，得到每一段隧道的多张隧道图像。随着采集车的运行，能够完整地采集整条隧道内的图像。在具体实施中，地铁轨道采集车安装有7个线阵相机,7个线阵相机同时可以采集一段拱形隧道中超过350度的弧度的图像，得到每一段隧道的7张隧道图像。本实施例不限于此，地铁轨道采集车安装的线阵相机的数量不作具体限定，还可以采用其他数量的线阵相机。
具体地，步骤S101可以包括如下子步骤：
步骤S1011、获取标注有实际管片漏水区域位置数据的现场图像样本；
步骤S1012、分析所述实际管片漏水区域位置数据中标注坐标的比例分布，并根据分析结果调整级联的卷积神经网络模型的模型参数进行模型训练；
步骤S1013、采集每一段隧道的多张隧道图像，并将其输入到训练后的级联的卷积神经网络模型中进行检测，输出所述多张隧道图像中的管片漏水区域位置。
步骤S1011中，对采集的历史隧道图像进行漏水数据的标注，得到标注有实际管片漏水区域位置数据的现场图像样本。
步骤S1012中，在具体实施中，级联的卷积神经网络模型包括3个级联的卷积神经网络模型，每个卷积神经网络模型都基于不同IOU阈值的正负样本训练得到。前一个卷积神经网络模型的输出作为后一个卷积神经网络模型的输入，因此是stage by stage的训练方式。随着级联增加，后面界定正负样本的IOU阈值不断上升，IOU阈值越高，其网络对准确度较高的候选框的作用效果越好。不论IOU阈值设置多少，训练后的卷积神经网络模型对输入的proposal都有一定的优化作用。级联的方式能够让每一个stage的detector都专注于检测IOU在某一范围内的proposal，因为输出IOU普遍大于输入IOU，因此检测效果会越来越好。
步骤S1013中，采集每一段隧道的多张隧道图像，多张隧道图像超过350度的弧度，将每一段隧道的多张隧道图像输入到训练后的级联的卷积神经网络模型中进行检测，输出所述多张隧道图像中的管片漏水区域位置。
步骤S102中，将采集的每一段隧道的超过350度的多张隧道图像进行无缝拼接，并对拼接后的图像进行亮度调整和图像增强处理来调整图像视觉效果，得到该段隧道的现场图像，还原更真实的该段隧道的现场图像。
具体地，步骤S102可以包括如下子步骤：
步骤S1021、截取所述多张隧道图像的两端连接处预设宽度的区域子图；
步骤S1022、对所述多张隧道图像所对应的区域子图进行目标特征提取；
步骤S1023、针对每两张相邻的隧道图像所对应的待拼接区域子图，利用k最邻近分类算法确定待拼接区域子图的目标特征的相似特征点，根据相似特征点的位置对相邻的两张隧道图像进行拼接处理，并对拼接后的图像进行亮度调整和图像增强处理；
步骤S1024、针对每个拼接区域，根据连接缝与相似特征点位置之间的距离设置不同权重，基于不同权重对拼接区域进行平滑处理，得到该段隧道的现场图像；
步骤S1025、基于拼接后重叠位置的坐标，将所述多张隧道图像的管片漏水区域位置映射到该段隧道的现场图像中。
步骤S1021中，若多张隧道图像从左到右依次为隧道图像A、隧道图像B、隧道图像C、隧道图像D、隧道图像E、隧道图像F和隧道图像G，则截取隧道图像A的右侧0.2倍宽的区域子图，隧道图像B-E左右侧各0.2倍宽的区域子图，隧道图像F左侧0.2倍宽的区域子图。截取两张图像的两端连接处的区域子图可以减少计算量，为后续特征点检测和匹配缩小计算范围。
步骤S1022中，提取所述多张隧道图像所对应的区域子图的目标特征，目标特征指surf特征。
步骤S1023中，针对每两张相邻的隧道图像所对应的待拼接区域子图，例如隧道图像A和隧道图像B所对应的待拼接区域子图A右和待拼接区域子图B左，利用k最邻近分类算法确定待拼接区域子图A右的目标特征和待拼接区域子图B左的目标特征之间的相似特征点(相似特征点即两块区域重叠的特征点)，根据相似特征点的位置对相邻的两张隧道图像进行拼接处理，并对拼接后的图像进行亮度调整和图像增强处理来调整图像视觉效果，还原更真实的该段隧道的现场图像。
步骤S1024中，举例来说，拼接区域指的是隧道图像A和隧道图像B所对应的待拼接区域子图A右和待拼接区域子图B左。
针对每个拼接区域，根据连接缝与相似特征点位置之间的距离远近设置不同权重(即图像融合阈值)，基于不同权重对拼接区域进行平滑处理，得到该段隧道的现场图像。
步骤S1025中，基于拼接后重叠位置的坐标，将所述多张隧道图像的管片漏水区域位置坐标转换为该段隧道的现场图像中的坐标。
步骤S103中，基于整个隧道的隧道管片台账信息，结合采集车采集到的图像对应的里程信息，确定每段隧道的现场图像所对应的管片编号。基于每段隧道的现场图像所对应的管片编号，对检测到的管片漏水区域位置进行定位。
具体地，步骤S103可以包括如下子步骤：
步骤S1031、基于隧道管片台账信息，提取隧道站点里程、管片数量和管片长度；其中，隧道管片台账信息中记录有整个隧道的实际台账信息，包括隧道站点里程、管片数量和管片长度；
步骤S1032、根据该段隧道的现场图像所对应的隧道站点里程、管片数量和管片长度，计算该段隧道的现场图像所对应的管片编号；
步骤S1033、基于该段隧道的现场图像所对应的管片编号，确定映射到该段隧道的现场图像中的所述管片漏水区域位置对应的管片编号，从而定位出实际管片漏水区域在隧道中的位置。
通过上述步骤S101-S103拼接7张隧道图像并基于这7张隧道图像检测管片漏水区域，完成一条25km的线路的检测耗时大约40分钟，检测速度明显提升。并且，检测管片漏水区域的准确率为97％，很小的漏水隐患区域也能准确地检测到，检测精度明显提升。
本申请实施例提供的一种隧道管片漏水检测方法，首先采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置，可以检测出所有各种尺度大小的管片漏水区域。然后将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理来调整图像视觉效果，还原更真实的该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中。最后基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位，可以快速定位隧道管片漏水区域的真实位置。本实施例可以高效、准确地协助工作人员进行隧道中管片漏水区域的检测。
基于相同的技术构思，本申请实施例还提供一种隧道管片漏水检测装置、电子设备、以及计算机存储介质等，具体可参见以下实施例。
请参照图2，图2为本申请实施例所提供的一种隧道管片漏水检测装置的结构示意图。如图2所示，所述装置可以包括：
检测模块10，用于采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置；
拼接模块20，用于将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中；
定位模块30，用于基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位。
在一种可能的实施方式中，检测模块10可以包括：
获取单元，用于获取标注有实际管片漏水区域位置数据的现场图像样本；
训练单元，用于分析所述实际管片漏水区域位置数据中标注坐标的比例分布，并根据分析结果调整级联的卷积神经网络模型的模型参数进行模型训练；
检测单元，用于采集每一段隧道的多张隧道图像，并将其输入到训练后的级联的卷积神经网络模型中进行检测，输出所述多张隧道图像中的管片漏水区域位置。
在一种可能的实施方式中，拼接模块20可以包括：
截取单元，用于截取所述多张隧道图像的两端连接处预设宽度的区域子图；
第一提取单元，用于对所述多张隧道图像所对应的区域子图进行目标特征提取；
拼接单元，用于针对每两张相邻的隧道图像所对应的待拼接区域子图，利用k最邻近分类算法确定待拼接区域子图的目标特征的相似特征点，根据相似特征点的位置对相邻的两张隧道图像进行拼接处理，并对拼接后的图像进行亮度调整和图像增强处理；
平滑单元，用于针对每个拼接区域，根据连接缝与相似特征点位置之间的距离设置不同权重，基于不同权重对拼接区域进行平滑处理，得到该段隧道的现场图像；
映射单元，用于基于拼接后重叠位置的坐标，将所述多张隧道图像的管片漏水区域位置映射到该段隧道的现场图像中。
在一种可能的实施方式中，定位模块30可以包括：
第二提取单元，用于基于隧道管片台账信息，提取隧道站点里程、管片数量和管片长度；
计算单元，用于根据该段隧道的现场图像所对应的隧道站点里程、管片数量和管片长度，计算该段隧道的现场图像所对应的管片编号；
定位单元，用于基于该段隧道的现场图像所对应的管片编号，确定映射到该段隧道的现场图像中的所述管片漏水区域位置对应的管片编号，从而定位出实际管片漏水区域在隧道中的位置。
本申请实施例公开了一种电子设备，如图3所示，包括：处理器301、存储器302和总线303，所述存储器302存储有所述处理器301可执行的机器可读指令，当电子设备运行时，所述处理器301与所述存储器302之间通过总线303通信。所述机器可读指令被所述处理器301执行时执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
本申请实施例所提供的计算机程序产品，包括存储了处理器301可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种隧道管片漏水检测方法，其特征在于，包括：
采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置；
将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中；
基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位。
2.根据权利要求1所述的方法，其特征在于，采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置，包括：
获取标注有实际管片漏水区域位置数据的现场图像样本；
分析所述实际管片漏水区域位置数据中标注坐标的比例分布，并根据分析结果调整级联的卷积神经网络模型的模型参数进行模型训练；
采集每一段隧道的多张隧道图像，并将其输入到训练后的级联的卷积神经网络模型中进行检测，输出所述多张隧道图像中的管片漏水区域位置。
3.根据权利要求1所述的方法，其特征在于，将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中，包括：
截取所述多张隧道图像的两端连接处预设宽度的区域子图；
对所述多张隧道图像所对应的区域子图进行目标特征提取；
针对每两张相邻的隧道图像所对应的待拼接区域子图，利用k最邻近分类算法确定待拼接区域子图的目标特征的相似特征点，根据相似特征点的位置对相邻的两张隧道图像进行拼接处理，并对拼接后的图像进行亮度调整和图像增强处理；
针对每个拼接区域，根据连接缝与相似特征点位置之间的距离设置不同权重，基于不同权重对拼接区域进行平滑处理，得到该段隧道的现场图像；
基于拼接后重叠位置的坐标，将所述多张隧道图像的管片漏水区域位置映射到该段隧道的现场图像中。
4.根据权利要求1所述的方法，其特征在于，基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位，包括：
基于隧道管片台账信息，提取隧道站点里程、管片数量和管片长度；
根据该段隧道的现场图像所对应的隧道站点里程、管片数量和管片长度，计算该段隧道的现场图像所对应的管片编号；
基于该段隧道的现场图像所对应的管片编号，确定映射到该段隧道的现场图像中的所述管片漏水区域位置对应的管片编号，从而定位出实际管片漏水区域在隧道中的位置。
5.一种隧道管片漏水检测装置，其特征在于，包括：
检测模块，用于采集每一段隧道的多张隧道图像，并利用级联的卷积神经网络模型检测所述多张隧道图像中的管片漏水区域位置；
拼接模块，用于将所述多张隧道图像进行拼接，并对拼接后的图像进行亮度调整和图像增强处理，得到该段隧道的现场图像，并将所述管片漏水区域位置映射到该段隧道的现场图像中；
定位模块，用于基于隧道管片台账信息，确定该段隧道的现场图像所对应的管片编号，并基于该段隧道的现场图像所对应的管片编号，对映射到该段隧道的现场图像中的所述管片漏水区域位置进行定位。
6.根据权利要求5所述的装置，其特征在于，所述检测模块包括：
获取单元，用于获取标注有实际管片漏水区域位置数据的现场图像样本；
训练单元，用于分析所述实际管片漏水区域位置数据中标注坐标的比例分布，并根据分析结果调整级联的卷积神经网络模型的模型参数进行模型训练；
检测单元，用于采集每一段隧道的多张隧道图像，并将其输入到训练后的级联的卷积神经网络模型中进行检测，输出所述多张隧道图像中的管片漏水区域位置。
7.根据权利要求5所述的装置，其特征在于，所述拼接模块包括：
截取单元，用于截取所述多张隧道图像的两端连接处预设宽度的区域子图；
第一提取单元，用于对所述多张隧道图像所对应的区域子图进行目标特征提取；
拼接单元，用于针对每两张相邻的隧道图像所对应的待拼接区域子图，利用k最邻近分类算法确定待拼接区域子图的目标特征的相似特征点，根据相似特征点的位置对相邻的两张隧道图像进行拼接处理，并对拼接后的图像进行亮度调整和图像增强处理；
平滑单元，用于针对每个拼接区域，根据连接缝与相似特征点位置之间的距离设置不同权重，基于不同权重对拼接区域进行平滑处理，得到该段隧道的现场图像；
映射单元，用于基于拼接后重叠位置的坐标，将所述多张隧道图像的管片漏水区域位置映射到该段隧道的现场图像中。
8.根据权利要求5所述的装置，其特征在于，所述定位模块包括：
第二提取单元，用于基于隧道管片台账信息，提取隧道站点里程、管片数量和管片长度；
计算单元，用于根据该段隧道的现场图像所对应的隧道站点里程、管片数量和管片长度，计算该段隧道的现场图像所对应的管片编号；
定位单元，用于基于该段隧道的现场图像所对应的管片编号，确定映射到该段隧道的现场图像中的所述管片漏水区域位置对应的管片编号，从而定位出实际管片漏水区域在隧道中的位置。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至4任一所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至4任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010951831.2A CN112070754A (zh) | 2020-09-11 | 2020-09-11 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010951831.2A CN112070754A (zh) | 2020-09-11 | 2020-09-11 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112070754A true CN112070754A (zh) | 2020-12-11 |
Family
ID=73695347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010951831.2A Pending CN112070754A (zh) | 2020-09-11 | 2020-09-11 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070754A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819070A (zh) * | 2021-01-29 | 2021-05-18 | 中国电建集团华东勘测设计研究院有限公司 | 隧道管片环缝直线化识别及里程环号标记方法 |
| CN112950565A (zh) * | 2021-02-25 | 2021-06-11 | 山东英信计算机技术有限公司 | 一种数据中心漏水检测与定位的方法、设备和数据中心 |
| CN113205133A (zh) * | 2021-04-30 | 2021-08-03 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
| CN113822797A (zh) * | 2021-09-24 | 2021-12-21 | 东莞市诺丽电子科技有限公司 | 一种轨道综合巡检图像拼接方法、系统、设备及存储介质 |
| CN114511014A (zh) * | 2022-01-21 | 2022-05-17 | 北京城建勘测设计研究院有限责任公司 | 基于图像深度学习算法的地铁隧道渗漏水检测系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102589808A (zh) * | 2012-01-16 | 2012-07-18 | 苏州临点三维科技有限公司 | 大型隧道渗水点测量方法 |
| CN107505332A (zh) * | 2017-09-06 | 2017-12-22 | 成都圭目机器人有限公司 | 一种基于双轨可移动的缺陷检测结构 |
| KR101865770B1 (ko) * | 2017-10-23 | 2018-06-08 | 주식회사 이바다 | 터널 균열 및 누수 탐지 시스템 |
| CN109186546A (zh) * | 2018-09-10 | 2019-01-11 | 汪俊 | 隧道病害特征检测系统和方法 |
| CN109615653A (zh) * | 2018-12-19 | 2019-04-12 | 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 |
| CN110033407A (zh) * | 2019-03-29 | 2019-07-19 | 华中科技大学 | 一种盾构隧道表面图像标定方法、拼接方法及拼接系统 |
| CN111080529A (zh) * | 2019-12-23 | 2020-04-28 | 大连理工大学 | 一种加强鲁棒性的无人机航拍图像拼接方法 |
| US20200182718A1 (en) * | 2016-11-12 | 2020-06-11 | Soochow University | Method for calculating earth pressure load on a tunnel |
-
2020
- 2020-09-11 CN CN202010951831.2A patent/CN112070754A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102589808A (zh) * | 2012-01-16 | 2012-07-18 | 苏州临点三维科技有限公司 | 大型隧道渗水点测量方法 |
| US20200182718A1 (en) * | 2016-11-12 | 2020-06-11 | Soochow University | Method for calculating earth pressure load on a tunnel |
| CN107505332A (zh) * | 2017-09-06 | 2017-12-22 | 成都圭目机器人有限公司 | 一种基于双轨可移动的缺陷检测结构 |
| KR101865770B1 (ko) * | 2017-10-23 | 2018-06-08 | 주식회사 이바다 | 터널 균열 및 누수 탐지 시스템 |
| CN109186546A (zh) * | 2018-09-10 | 2019-01-11 | 汪俊 | 隧道病害特征检测系统和方法 |
| CN109615653A (zh) * | 2018-12-19 | 2019-04-12 | 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 |
| CN110033407A (zh) * | 2019-03-29 | 2019-07-19 | 华中科技大学 | 一种盾构隧道表面图像标定方法、拼接方法及拼接系统 |
| CN111080529A (zh) * | 2019-12-23 | 2020-04-28 | 大连理工大学 | 一种加强鲁棒性的无人机航拍图像拼接方法 |
Non-Patent Citations (2)
| Title |
|---|
| 汤一平;胡克钢;袁公萍;: "基于全景图像CNN的隧道病害自动识别方法", 计算机科学, no. 2 * |
| 黄宏伟等: "《城市地铁盾构隧道病害快速检测与工程实践》", 上海科学技术出版社, pages: 202 - 203 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819070A (zh) * | 2021-01-29 | 2021-05-18 | 中国电建集团华东勘测设计研究院有限公司 | 隧道管片环缝直线化识别及里程环号标记方法 |
| CN112950565A (zh) * | 2021-02-25 | 2021-06-11 | 山东英信计算机技术有限公司 | 一种数据中心漏水检测与定位的方法、设备和数据中心 |
| CN113205133A (zh) * | 2021-04-30 | 2021-08-03 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
| CN113205133B (zh) * | 2021-04-30 | 2024-01-26 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
| CN113822797A (zh) * | 2021-09-24 | 2021-12-21 | 东莞市诺丽电子科技有限公司 | 一种轨道综合巡检图像拼接方法、系统、设备及存储介质 |
| CN114511014A (zh) * | 2022-01-21 | 2022-05-17 | 北京城建勘测设计研究院有限责任公司 | 基于图像深度学习算法的地铁隧道渗漏水检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070754A (zh) | 一种隧道管片漏水检测方法、装置、电子设备及介质 | |
| CN110705405B (zh) | 目标标注的方法及装置 | |
| JP6764842B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム | |
| CN103996036B (zh) | 一种地图数据采集方法及装置 | |
| CN112435215A (zh) | 一种基于图像的车辆定损方法、移动终端、服务器 | |
| CN109726661B (zh) | 图像处理方法及装置、介质和计算设备 | |
| CN109635844B (zh) | 训练分类器的方法及装置和水印检测方法及装置 | |
| US10878556B2 (en) | Interactive semi-automated borescope video analysis and damage assessment system and method of use | |
| CN103512762A (zh) | 图像处理方法、装置及列车故障检测系统 | |
| KR20190088094A (ko) | 자동 학습 데이터 생성을 통한 모델 학습 시스템 및 방법 | |
| CN108982522B (zh) | 用于检测管道缺陷的方法和装置 | |
| JP6786874B2 (ja) | 針式メータ検出装置、方法およびプログラム | |
| CN108009547A (zh) | 一种变电站设备的铭牌识别方法和装置 | |
| EP3945458A1 (en) | Identification of defect types in liquid pipelines for classification and computing severity thereof | |
| CN112446870A (zh) | 管道损伤检测方法、装置、设备及存储介质 | |
| CN111553176B (zh) | 一种适用于变电站屏柜接线的无线传输检查方法及系统 | |
| CN110443814B (zh) | 车辆的定损方法、装置、设备和存储介质 | |
| CN115578326A (zh) | 一种道路病害识别方法、系统、设备及存储介质 | |
| CN115797336A (zh) | 光伏组件的故障检测方法、装置、电子设备和存储介质 | |
| CN115908786A (zh) | 一种基于深度学习的电气柜接地线缆异常识别方法及系统 | |
| WO2021186640A1 (ja) | 劣化検出装置、劣化検出システム、劣化検出方法、およびプログラム | |
| CN110992345A (zh) | 一种轨道磨损检测方法及装置 | |
| JP6516384B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム | |
| CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 | |
| KR20210037199A (ko) | 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치 |
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 |