CN113091639A - 盾构隧道管片错台提取方法 - Google Patents
盾构隧道管片错台提取方法 Download PDFInfo
- Publication number
- CN113091639A CN113091639A CN202110357243.0A CN202110357243A CN113091639A CN 113091639 A CN113091639 A CN 113091639A CN 202110357243 A CN202110357243 A CN 202110357243A CN 113091639 A CN113091639 A CN 113091639A
- Authority
- CN
- China
- Prior art keywords
- circular seam
- tunnel
- section
- seam
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Lining And Supports For Tunnels (AREA)
Abstract
本发明涉及一种盾构隧道管片错台提取方法，其特征在于：S1、获取盾构隧道结构的点云数据；S2、识别盾构隧道管片的环缝位置；S3、在每个环缝前、后两侧固定间距分别提取环缝前侧隧道断面和环缝后侧隧道断面；S4、对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型；S5、将同一个环缝两侧环缝前侧隧道断面和环缝后侧隧道断面的点云数据基于相应椭圆模型的几何中心坐标进行套合，计算每个角度位置的断面点相对于几何中心的径向差，得到每处位置的错台量。本发明的目的是以便捷、高效、全面的检测盾构隧道管片的错台程度，指导地铁盾构隧道的安全评估和维护。
Description
技术领域
本发明涉及一种盾构隧道管片错台提取方法。适用于隧道结构安全检测领域。
背景技术
近年来，我国地铁建设蓬勃发展。在地铁隧道建设运营期间，由于各种复杂因素的影响，隧道难免会出现管片裂缝、渗漏水、管片错台等病害，其中管片错台指相邻管片在空间位置上发生相对位移的现象。错台产生的原因主要是受到不均匀的外力造成的，当某一点受到的集中荷载超过了设计的极限值后，隧道发生偏压现象，导致管片之间产生相对位移。管片错台发展到一定程度时，会引起接缝防水条失效，甚至管片开裂，对地铁的安全运营带来了极大的安全隐患。
目前，管片错台的传统检测方法有人工法和自动检测法，其中人工法利用直尺直接测量，但由于天窗期短，人工巡检效率低，且对于拱顶等不方便测量的区域容易漏检，成果难以精确量化；自动检测法利用激光断面仪、超声波断面仪等实现，断面仪价格昂贵，并且不能对错台量准确测量。
专利申请号为201811089324.1的中国专利“基于点云数据提取盾构隧道衬砌错台量的方法”中详细介绍了环间和环内错台量的提取方法，但是该方法主要应用于架站式三维激光扫描仪，还需要结合全站仪确定测站和标靶的绝对坐标，无法快速直接的获取点云数据。
专利申请号为201510662198.4的中国专利“一种地铁隧道管片错台量检测方法”介绍了通过获取隧道的深度图像进行错台检测，但其使用的激光相机无法适用于长管线检测，且后续处理算法较为繁琐。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种盾构隧道管片错台提取方法，以便捷、高效、全面的检测盾构隧道管片的错台程度，指导地铁盾构隧道的安全评估和维护。
本发明所采用的技术方案是：一种盾构隧道管片错台提取方法，其特征在于：
S1、获取盾构隧道结构的点云数据；
S2、识别盾构隧道管片的环缝位置；
S3、在每个环缝前、后两侧固定间距分别提取环缝前侧隧道断面和环缝后侧隧道断面；
S4、对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型；
S5、将同一个环缝两侧环缝前侧隧道断面和环缝后侧隧道断面的点云数据基于相应椭圆模型的几何中心坐标进行套合，计算每个角度位置的断面点相对于几何中心的径向差，得到每处位置的错台量。
所述识别盾构隧道管片的环缝位置，包括：
S21、生成盾构隧道结构的点云数据对应的全景正射影像图；
S22、利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置。
所述利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置，包括：
S221、获取隧道内衬表面的正射影像图，作为样本数据；
S222、根据需求对正射影像图中所要识别的特征进行标注，通过框选的方式，确定环缝在原图的坐标；
S223、使用无监督的k-means聚类算法，将标记文件中环缝的长宽比进行聚类，获取到数据集的先验框大小；
S224、调整输入的影像，增加训练的样本集；
S225、使用卷积神经网络YOLOV3对训练集开始训练，获取权重文件，得到环缝识别模型；
S226、计算环缝识别的平均精度，并在平均精度未达预期时增加训练的样本集，重新训练，直至平均精度满足预期要求；
S227、利用环缝识别模型并对待测影像进行检测，识别出盾构隧道管片的环缝位置。
所述对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型，包括：
S41、把点云数据中的实测点代入椭圆的一般方程求解椭圆参数；
S42、采用随机采样一致性算法去除噪声点和粗差点，设置约束条件，求出有效椭圆模型；
将椭圆的长半轴a0和短半轴b0与隧道设计半径的差作为约束条件，令隧道的初始半径为R0，其与长、短半轴差值的阈值设为Lim_d1，Lim_d2；
式中：
fi(A0,B0,C0,D0,E0)：表示每次代入五个实测点解算的椭圆方程；
0：表示长、短半轴与初始半径的差都在阈值内，fi(A0,B0,C0,D0,E0)保留；
1：表示长、短半轴与初始半径的差至少一个不在阈值内，fi(A0,B0,C0,D0,E0)舍去；
上式输出有效椭圆模型；
S43、将有效椭圆模型对应的点云数据代入椭圆的一般方程，得到相应的矩阵形式，利用最小二乘法求解未知参数，得到椭圆模型。
一种盾构隧道管片错台提取装置，其特征在，包括：
数据获取模块，用于获取盾构隧道结构的点云数据；
环缝识别模块，用于识别盾构隧道管片的环缝位置；
断面提取模块，用于在每个环缝前、后两侧固定间距分别提取环缝前侧隧道断面和环缝后侧隧道断面；
断面模型生成模块，用于对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型；
错台计算模块，用于将同一个环缝两侧环缝前侧隧道断面和环缝后侧隧道断面的点云数据基于相应椭圆模型的几何中心坐标进行套合，计算每个角度位置的断面点相对于几何中心的径向差，得到每处位置的错台量。
所述环缝识别模块，包括：
影像生成模块，用于生成盾构隧道结构的点云数据对应的全景正射影像图；
环缝标记模块，用于利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置。
所述环缝标记模块，包括：
模型训练模块，用于
获取隧道内衬表面的正射影像图，作为样本数据；
根据需求对正射影像图中所要识别的特征进行标注，通过框选的方式，确定环缝在原图的坐标；
使用无监督的k-means聚类算法，将标记文件中环缝的长宽比进行聚类，获取到数据集的先验框大小；
调整输入的影像，增加训练的样本集；
使用卷积神经网络YOLOV3对训练集开始训练，获取权重文件，得到环缝识别模型；
计算环缝识别的平均精度，并在平均精度未达预期时增加训练的样本集，重新训练，直至平均精度满足预期要求；
以及，模型识别模块，用于
利用环缝识别模型并对待测影像进行检测，识别出盾构隧道管片的环缝位置。
所述断面模型生成模块，包括：
参数求解模块，用于把点云数据中的实测点代入椭圆的一般方程求解椭圆参数；
去噪模块，用于采用随机采样一致性算法去除噪声点和粗差点，设置约束条件，求出有效椭圆模型；
将椭圆的长半轴a0和短半轴b0与隧道设计半径的差作为约束条件，令隧道的初始半径为R0，其与长、短半轴差值的阈值设为Lim_d1，Lim_d2；
式中：
fi(A0,B0,C0,D0,E0)：表示每次代入五个实测点解算的椭圆方程；
0：表示长、短半轴与初始半径的差都在阈值内，fi(A0,B0,C0,D0,E0)保留；
1：表示长、短半轴与初始半径的差至少一个不在阈值内，fi(A0,B0,C0,D0,E0)舍去；
上式输出有效椭圆模型；
精确解算模块，用于将有效椭圆模型对应的点云数据代入椭圆的一般方程，得到相应的矩阵形式，利用最小二乘法求解未知参数，得到椭圆模型。
一种存储介质，其上存储有可被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述盾构隧道管片错台提取方法的步骤。
一种盾构隧道管片错台提取，其特征在于，包括：
移动式三维激光扫描系统，用于在沿隧道内轨道移动时采集隧道内部的点云数据；
数据处理设备，用于接收所述移动式三维激光扫描系统采集的盾构隧道结构的点云数据，该数据处理设备具有存储器和处理器，存储器上存储有可被处理器执行的计算机程序，所述计算机程序被执行时实现所述盾构隧道管片错台提取方法的步骤。
本发明的有益效果是：本发明在识别环缝位置后，提取环缝两侧断面，并根据环缝两侧断面的椭圆模型确定其几何中心，结合断面对应的点云数据计算该环缝位置的错台量，能够便捷、高效、全面的检测盾构隧道管片的错台程度，用于地铁盾构隧道的安全评估和维护。
本发明基于图像识别对点云数据生成的正射影像图进行精确的环缝识别，进而提取断面，然后采用随机采样一致性(RANSAC)算法和最小二乘法相结合的手段进行断面去噪和拟合，有效去除断面点云噪声，提升错台检测精度。
本发明通过移动式三维激光扫描技术获取隧道的点云数据，采集速度快，数据量大，点云密度均匀，精度较高等，后续数据处理，得到任意环数的错台量，相比于传统错台检测方法具有高效率、高精度、智能化等优势。
附图说明
图1为本实施例一种盾构隧道管片错台提取方法的流程图。
图2为本实施例一种盾构隧道管片错台提取装置的功能模块图。
图3为本实施例基于深度学习的环缝识别流程图。
图4为本实施例基于深度学习的环缝识别生成的初始正射影像图。
图5为本实施例基于深度学习的环缝识别后的正射影像图。
图6为本实施例中环缝及断面提取位置示意图，其中a线为环缝位置，b线为两侧断面提取位置。
图7为本实施例中提取断面图。
图8为本实施例中断面拟合结果示意图。
图9为环缝两侧断面的一个具体环数的错台量检测结果图。
图10为部分区域错台放大图。
图9和图10中，黄色曲线表示环缝左侧断面，蓝色曲线表示环缝右侧断面，且错台量颜色会根据事先设置的限值进行标注，其中红色表示超限，蓝色(或黑色)表示未超限。
具体实施方式
本实施例为一种盾构隧道管片错台提取方法，其特征在于：
S1、获取盾构隧道结构的点云数据。
本实施例利用移动三维激光扫描系统进行外业数据采集，扫描系统中扫描仪通过支架与轨道小车相连接，推动轨道小车沿隧道中线前行即可得到整个隧道的三维点云模型。
由于是线扫描模式进行数据采集，隧道结构及附属物与扫描系统的距离相对稳定，所以点云模型的点云密度相对均匀，保证了点云模型的整体精度。
S2、识别盾构隧道管片的环缝位置，包括：
S21、生成盾构隧道结构的点云数据对应的全景正射影像图；
步骤S1获取的点云数据经过预处理生成隧道内衬表面的正射影像图。数据预处理包括对原始采集数据的检查、点云去噪及抽稀等，首先对获取的点云完整性及质量进行查看、判别，其次去噪是将点云中干扰部分进行删除，如作业人员、作业器具等，点云抽稀是为了将点云间距增大，从而减小点云的密度，提高后续应用处理的效率。正射影像图经过里程校正后，与隧道实际里程对应起来。
S22、利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置。
S21、生成盾构隧道结构的点云数据对应的全景正射影像图；
S22、利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置。
S221、首先通过移动三维激光扫描技术获取隧道内衬表面的正射影像图，作为样本数据；
S222、根据需求对正射影像图中所要识别的特征进行标注，通过框选的方式，确定环缝在原图的坐标；
S223、使用无监督的k-means聚类算法，将标记文件中环缝的长宽比进行聚类，获取到数据集的先验框大小，提高训练模型的最终准确度；
S224、通过对输入的影像进行角度、饱和度、曝光度、色调的调整，增加训练的样本集，从而实现了对训练效果的增强；
S225、使用卷积神经网络YOLOV3对训练集开始训练，获取权重文件，得到环缝识别模型；
S226、计算环缝识别的平均精度，并在平均精度未达预期时返回步骤S224，增加训练的样本集，重新训练，直至平均精度满足预期要求；
环缝识别的平均精度根据模型识别出的环缝边界识别框与环缝实际边界的实际框的交并比确定；
S227、利用环缝识别模型并对待测影像进行检测，识别出盾构隧道管片的环缝位置。
S3、在每个环缝前、后两侧固定间距(设置环缝位置前、后0.08m为固定间距，提取点云带宽±0.01m)分别提取环缝前侧隧道断面和环缝后侧隧道断面，同时检查断面位置和断面整体平滑程度，对噪声过多位置的断面重新提取，替代原有断面。
S4、对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型。
S41、把点云数据中的实测点代入椭圆的一般方程求解椭圆参数；
椭圆的一般方程：Ax2+By2+Cxy+Dx+Ey+1＝0 (1)
由五个实测点解算的椭圆参数近似值(A0,B0,C0,D0,E0)，得到：
椭圆的几何中心(x0,y0)：
椭圆的倾斜角：
椭圆的长半轴、短半轴：
S42、采用随机采样一致性算法去除噪声点和粗差点，设置约束条件，求出有效椭圆模型；
将椭圆的长半轴a0和短半轴b0与隧道设计半径的差作为约束条件，令隧道的初始半径为R0，其与长、短半轴差值的阈值设为Lim_d1，Lim_d2；
式中：
fi(A0,B0,C0,D0,E0)：表示每次代入五个实测点解算的椭圆方程；
0：表示长、短半轴与初始半径的差都在阈值内，fi(A0,B0,C0,D0,E0)保留；
1：表示长、短半轴与初始半径的差至少一个不在阈值内，fi(A0,B0,C0,D0,E0)舍去；
式(5)输出有效椭圆模型；
S43、将有效椭圆模型对应的点云数据代入椭圆的一般方程，得到相应的矩阵形式，利用最小二乘法求解未知参数，得到椭圆模型。
将步骤S42中去噪后的点云数据代入式(1)得到相应的矩阵形式：
方程变换为：BX＝L(7)
其中，
用最小二乘法解未知参数：X＝(BTB)-1BTL (9)
由解算的椭圆方程，根据式(2)(3)(4)可以得到椭圆的几何中心、倾斜角和长、短半轴，进行曲线拟合。
S5、将同一个环缝两侧环缝前侧隧道断面和环缝后侧隧道断面对应的点云数据基于相应断面对应的椭圆模型的几何中心坐标进行套合，并展开到同一个平面上；计算每个角度位置的环缝前侧隧道断面和环缝后侧隧道断面断面点相对于几何中心的径向差值，得到每处位置的错台量。
以某地铁工程某区间为例，利用本实施例的盾构隧道管片错台提取方法进行处理，该区间属于圆形盾构隧道，内径5.5m，每环6块管片，管片宽度1.2m，采用错缝拼接。
下表是该区间105环～130环的错台分析结果，其中错台限值5mm，即大于5mm的错台数量是32处，包含了环缝两侧的断面里程、错台的起止角度、错台弧长、平均错台量等内容。
本实施例还提供一种盾构隧道管片错台提取装置，包括数据获取模块、环缝识别模块、断面提取模块、断面模型生成模块和错台计算模块，其中数据获取模块用于获取盾构隧道结构的点云数据；环缝识别模块用于识别盾构隧道管片的环缝位置；断面提取模块用于在每个环缝前、后两侧固定间距分别提取环缝前侧隧道断面和环缝后侧隧道断面；断面模型生成模块用于对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型；错台计算模块用于将同一个环缝两侧环缝前侧隧道断面和环缝后侧隧道断面的点云数据基于相应椭圆模型的几何中心坐标进行套合，计算每个角度位置的断面点相对于几何中心的径向差，得到每处位置的错台量。
本例中环缝识别模块，包括影像生成模块和环缝标记模块，其中影像生成模块用于生成盾构隧道结构的点云数据对应的全景正射影像图；环缝标记模块用于利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置。
本例中环缝标记模块包括模型训练模块和模型识别模块。其中模型训练模块用于获取隧道内衬表面的正射影像图，作为样本数据；根据需求对正射影像图中所要识别的特征进行标注，通过框选的方式，确定环缝在原图的坐标；使用无监督的k-means聚类算法，将标记文件中环缝的长宽比进行聚类，获取到数据集的先验框大小；调整输入的影像，增加训练的样本集；使用卷积神经网络YOLOV3对训练集开始训练，获取权重文件，得到环缝识别模型；计算环缝识别的平均精度，并在平均精度未达预期时增加训练的样本集，重新训练，直至平均精度满足预期要求。模型识别模块用于利用环缝识别模型并对待测影像进行检测，识别出盾构隧道管片的环缝位置。
本实施例中断面模型生成模块包括参数求解模块、去噪模块和精确解算模块。参数求解模块用于把点云数据中的实测点代入椭圆的一般方程求解椭圆参数；去噪模块用于采用随机采样一致性算法去除噪声点和粗差点，设置约束条件，求出有效椭圆模型；精确解算模块用于将有效椭圆模型对应的点云数据代入椭圆的一般方程，得到相应的矩阵形式，利用最小二乘法求解未知参数，得到椭圆模型。
本实施例还提供一种存储介质，其上存储有可被处理器执行的计算机程序，该计算机程序被执行时实现本实施例盾构隧道管片错台提取方法的步骤。
本实施例还提供一种盾构隧道管片错台提取，包括移动式三维激光扫描系统和数据处理设备，其中移动式三维激光扫描系统用于在沿隧道内轨道移动时采集隧道内部的点云数据；数据处理设备用于接收所述移动式三维激光扫描系统采集的盾构隧道结构的点云数据，该数据处理设备具有存储器和处理器，存储器上存储有可被处理器执行的计算机程序，所述计算机程序被执行时实现本实施例中盾构隧道管片错台提取方法的步骤。
Claims (10)
1.一种盾构隧道管片错台提取方法，其特征在于：
S1、获取盾构隧道结构的点云数据；
S2、识别盾构隧道管片的环缝位置；
S3、在每个环缝前、后两侧固定间距分别提取环缝前侧隧道断面和环缝后侧隧道断面；
S4、对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型；
S5、将同一个环缝两侧环缝前侧隧道断面和环缝后侧隧道断面的点云数据基于相应椭圆模型的几何中心坐标进行套合，计算每个角度位置的断面点相对于几何中心的径向差，得到每处位置的错台量。
2.根据权利要求1所述的盾构隧道管片错台提取方法，其特征在于，所述识别盾构隧道管片的环缝位置，包括：
S21、生成盾构隧道结构的点云数据对应的全景正射影像图；
S22、利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置。
3.根据权利要求2所述的盾构隧道管片错台提取方法，其特征在于，所述利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置，包括：
S221、获取隧道内衬表面的正射影像图，作为样本数据；
S222、根据需求对正射影像图中所要识别的特征进行标注，通过框选的方式，确定环缝在原图的坐标；
S223、使用无监督的k-means聚类算法，将标记文件中环缝的长宽比进行聚类，获取到数据集的先验框大小；
S224、调整输入的影像，增加训练的样本集；
S225、使用卷积神经网络YOLOV3对训练集开始训练，获取权重文件，得到环缝识别模型；
S226、计算环缝识别的平均精度，并在平均精度未达预期时增加训练的样本集，重新训练，直至平均精度满足预期要求；
S227、利用环缝识别模型并对待测影像进行检测，识别出盾构隧道管片的环缝位置。
4.根据权利要求1所述的盾构隧道管片错台提取方法，其特征在于，所述对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型，包括：
S41、把点云数据中的实测点代入椭圆的一般方程求解椭圆参数；
S42、采用随机采样一致性算法去除噪声点和粗差点，设置约束条件，求出有效椭圆模型；
将椭圆的长半轴a0和短半轴b0与隧道设计半径的差作为约束条件，令隧道的初始半径为R0，其与长、短半轴差值的阈值设为Lim_d1，Lim_d2；
式中：
fi(A0,B0,C0,D0,E0)：表示每次代入五个实测点解算的椭圆方程；
0：表示长、短半轴与初始半径的差都在阈值内，fi(A0,B0,C0,D0,E0)保留；
1：表示长、短半轴与初始半径的差至少一个不在阈值内，fi(A0,B0,C0,D0,E0)舍去；
上式输出有效椭圆模型；
S43、将有效椭圆模型对应的点云数据代入椭圆的一般方程，得到相应的矩阵形式，利用最小二乘法求解未知参数，得到椭圆模型。
5.一种盾构隧道管片错台提取装置，其特征在，包括：
数据获取模块(1)，用于获取盾构隧道结构的点云数据；
环缝识别模块(2)，用于识别盾构隧道管片的环缝位置；
断面提取模块(3)，用于在每个环缝前、后两侧固定间距分别提取环缝前侧隧道断面和环缝后侧隧道断面；
断面模型生成模块(4)，用于对环缝两侧的环缝前侧隧道断面和环缝后侧隧道断面进行点云去噪和拟合，计算椭圆参数，生成断面对应的椭圆模型；
错台计算模块(5)，用于将同一个环缝两侧环缝前侧隧道断面和环缝后侧隧道断面的点云数据基于相应椭圆模型的几何中心坐标进行套合，计算每个角度位置的断面点相对于几何中心的径向差，得到每处位置的错台量。
6.根据权利要求5所述的盾构隧道管片错台提取装置，其特征在于，所述环缝识别模块(2)，包括：
影像生成模块(201)，用于生成盾构隧道结构的点云数据对应的全景正射影像图；
环缝标记模块(202)，用于利用基于深度学习理论的环缝识别技术识别标记正射影像图中的环缝位置。
7.根据权利要求6所述的盾构隧道管片错台提取装置，其特征在于，所述环缝标记模块(202)，包括：
模型训练模块(2021)，用于
获取隧道内衬表面的正射影像图，作为样本数据；
根据需求对正射影像图中所要识别的特征进行标注，通过框选的方式，确定环缝在原图的坐标；
使用无监督的k-means聚类算法，将标记文件中环缝的长宽比进行聚类，获取到数据集的先验框大小；
调整输入的影像，增加训练的样本集；
使用卷积神经网络YOLOV3对训练集开始训练，获取权重文件，得到环缝识别模型；
计算环缝识别的平均精度，并在平均精度未达预期时增加训练的样本集，重新训练，直至平均精度满足预期要求；
以及，模型识别模块(2022)，用于
利用环缝识别模型并对待测影像进行检测，识别出盾构隧道管片的环缝位置。
8.根据权利要求5所述的盾构隧道管片错台提取装置，其特征在于，所述断面模型生成模块(4)，包括：
参数求解模块(401)，用于把点云数据中的实测点代入椭圆的一般方程求解椭圆参数；
去噪模块(402)，用于采用随机采样一致性算法去除噪声点和粗差点，设置约束条件，求出有效椭圆模型；
将椭圆的长半轴a0和短半轴b0与隧道设计半径的差作为约束条件，令隧道的初始半径为R0，其与长、短半轴差值的阈值设为Lim_d1，Lim_d2；
式中：
fi(A0,B0,C0,D0,E0)：表示每次代入五个实测点解算的椭圆方程；
0：表示长、短半轴与初始半径的差都在阈值内，fi(A0,B0,C0,D0,E0)保留；
1：表示长、短半轴与初始半径的差至少一个不在阈值内，fi(A0,B0,C0,D0,E0)舍去；
上式输出有效椭圆模型；
精确解算模块(403)，用于将有效椭圆模型对应的点云数据代入椭圆的一般方程，得到相应的矩阵形式，利用最小二乘法求解未知参数，得到椭圆模型。
9.一种存储介质，其上存储有可被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～4任意一项所述盾构隧道管片错台提取方法的步骤。
10.一种盾构隧道管片错台提取，其特征在于，包括：
移动式三维激光扫描系统，用于在沿隧道内轨道移动时采集隧道内部的点云数据；
数据处理设备，用于接收所述移动式三维激光扫描系统采集的盾构隧道结构的点云数据，该数据处理设备具有存储器和处理器，存储器上存储有可被处理器执行的计算机程序，所述计算机程序被执行时实现权利要求1～4任意一项所述盾构隧道管片错台提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357243.0A CN113091639A (zh) | 2021-04-01 | 2021-04-01 | 盾构隧道管片错台提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357243.0A CN113091639A (zh) | 2021-04-01 | 2021-04-01 | 盾构隧道管片错台提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113091639A true CN113091639A (zh) | 2021-07-09 |
Family
ID=76672929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110357243.0A Pending CN113091639A (zh) | 2021-04-01 | 2021-04-01 | 盾构隧道管片错台提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113091639A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114046767A (zh) * | 2021-11-10 | 2022-02-15 | 同济大学 | 一种基于管片任意两点的盾构隧道接头变形分析方法 |
| CN114109410A (zh) * | 2021-11-29 | 2022-03-01 | 北京工业大学 | 一种盾构隧道管片错台量和张开量的测量方法及装置 |
| CN114136993A (zh) * | 2021-11-29 | 2022-03-04 | 北京工业大学 | 一种盾构隧道环缝检测方法与系统 |
| CN114353735A (zh) * | 2021-12-14 | 2022-04-15 | 同济大学 | 基于检测管片任意两对称点的盾构隧道接头病害指标分析方法 |
| CN114370828A (zh) * | 2021-12-28 | 2022-04-19 | 中国铁路设计集团有限公司 | 基于激光扫描的盾构隧道直径收敛和径向错台检测方法 |
| CN114754716A (zh) * | 2022-05-07 | 2022-07-15 | 成都天佑智隧科技有限公司 | 管片错台测量方法 |
| CN117235438A (zh) * | 2023-04-27 | 2023-12-15 | 浙大网新系统工程有限公司 | 隧道内径断层扫描测量数据附着冗余数据的清除方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008202320A (ja) * | 2007-02-21 | 2008-09-04 | Kajima Corp | シールド機、シールド機とセグメントの間のクリアランス測定方法 |
| CN105387801A (zh) * | 2015-10-03 | 2016-03-09 | 上海大学 | 一种地铁隧道管片错台量检测方法 |
| CN106767402A (zh) * | 2016-11-30 | 2017-05-31 | 华中科技大学 | 一种盾构法隧道表观质量检测方法及系统 |
| CN109212592A (zh) * | 2017-07-01 | 2019-01-15 | 中国石油化工股份有限公司 | 一种叠前方位p波各向异性裂缝检测方法及装置 |
| CN109341671A (zh) * | 2018-09-18 | 2019-02-15 | 北京工业大学 | 基于点云数据提取盾构隧道衬砌错台量的方法 |
| US20190235113A1 (en) * | 2016-10-25 | 2019-08-01 | Landmark Graphics Corporation | Estimating interval anisotropy parameter for pre-stack depth migration using a least-sqares method |
| CN110766798A (zh) * | 2019-11-30 | 2020-02-07 | 中铁一局集团有限公司 | 一种基于激光扫描数据的隧道监控量测成果可视化方法 |
| AU2020103105A4 (en) * | 2020-10-29 | 2021-01-07 | Nanjing Forestry University | A Method for Segmenting Point Cloud Data on Shield Tunnel Surface |
-
2021
- 2021-04-01 CN CN202110357243.0A patent/CN113091639A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008202320A (ja) * | 2007-02-21 | 2008-09-04 | Kajima Corp | シールド機、シールド機とセグメントの間のクリアランス測定方法 |
| CN105387801A (zh) * | 2015-10-03 | 2016-03-09 | 上海大学 | 一种地铁隧道管片错台量检测方法 |
| US20190235113A1 (en) * | 2016-10-25 | 2019-08-01 | Landmark Graphics Corporation | Estimating interval anisotropy parameter for pre-stack depth migration using a least-sqares method |
| CN106767402A (zh) * | 2016-11-30 | 2017-05-31 | 华中科技大学 | 一种盾构法隧道表观质量检测方法及系统 |
| CN109212592A (zh) * | 2017-07-01 | 2019-01-15 | 中国石油化工股份有限公司 | 一种叠前方位p波各向异性裂缝检测方法及装置 |
| CN109341671A (zh) * | 2018-09-18 | 2019-02-15 | 北京工业大学 | 基于点云数据提取盾构隧道衬砌错台量的方法 |
| CN110766798A (zh) * | 2019-11-30 | 2020-02-07 | 中铁一局集团有限公司 | 一种基于激光扫描数据的隧道监控量测成果可视化方法 |
| AU2020103105A4 (en) * | 2020-10-29 | 2021-01-07 | Nanjing Forestry University | A Method for Segmenting Point Cloud Data on Shield Tunnel Surface |
Non-Patent Citations (8)
| Title |
|---|
| 吴勇 等: "盾构隧道结构三维扫描检测技术及应用研究", 《现代隧道技术》 * |
| 赵亚波 等: "基于移动三维扫描技术的隧道管片错台分析及应用" * |
| 赵亚波 等: "基于移动三维扫描技术的隧道管片错台分析及应用", 《测绘通报》 * |
| 赵宁宁 等: "基于三维激光扫描技术的地铁隧道结构变形监测应用研究" * |
| 赵宁宁 等: "基于三维激光扫描技术的地铁隧道结构变形监测应用研究", 《中国矿业》 * |
| 陈薪文: "基于地铁隧道点云数据的断面提取及变形分析的研究" * |
| 黄帆 等: "盾构隧道移动激光点云断面厚度对测量精度影响分析" * |
| 黄帆 等: "盾构隧道移动激光点云断面厚度对测量精度影响分析", 《绿色建筑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114046767A (zh) * | 2021-11-10 | 2022-02-15 | 同济大学 | 一种基于管片任意两点的盾构隧道接头变形分析方法 |
| CN114109410A (zh) * | 2021-11-29 | 2022-03-01 | 北京工业大学 | 一种盾构隧道管片错台量和张开量的测量方法及装置 |
| CN114136993A (zh) * | 2021-11-29 | 2022-03-04 | 北京工业大学 | 一种盾构隧道环缝检测方法与系统 |
| CN114109410B (zh) * | 2021-11-29 | 2023-11-17 | 北京工业大学 | 一种盾构隧道管片错台量和张开量的测量方法及装置 |
| CN114353735A (zh) * | 2021-12-14 | 2022-04-15 | 同济大学 | 基于检测管片任意两对称点的盾构隧道接头病害指标分析方法 |
| CN114353735B (zh) * | 2021-12-14 | 2022-11-29 | 同济大学 | 基于管片对称点的隧道接头病害指标分析方法 |
| CN114370828A (zh) * | 2021-12-28 | 2022-04-19 | 中国铁路设计集团有限公司 | 基于激光扫描的盾构隧道直径收敛和径向错台检测方法 |
| CN114754716A (zh) * | 2022-05-07 | 2022-07-15 | 成都天佑智隧科技有限公司 | 管片错台测量方法 |
| CN114754716B (zh) * | 2022-05-07 | 2023-09-19 | 成都天佑智隧科技有限公司 | 管片错台测量方法 |
| CN117235438A (zh) * | 2023-04-27 | 2023-12-15 | 浙大网新系统工程有限公司 | 隧道内径断层扫描测量数据附着冗余数据的清除方法 |
| CN117235438B (zh) * | 2023-04-27 | 2024-05-07 | 浙大网新系统工程有限公司 | 隧道内径断层扫描测量数据附着冗余数据的清除方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113091639A (zh) | 盾构隧道管片错台提取方法 | |
| CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
| CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
| WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
| CN111927558A (zh) | 动水软弱围岩隧道全断面掘进的安全预警方法及装置 | |
| Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
| 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 | |
| CN109060820B (zh) | 基于激光检测的隧道病害检测方法及隧道病害检测装置 | |
| US20160133008A1 (en) | Crack data collection method and crack data collection program | |
| CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN112132159B (zh) | 一种连续剖面点云特征分析的路面坑槽提取方法 | |
| CN102680480A (zh) | 一种混凝土结构裂缝智能化检测方法 | |
| CN110473187B (zh) | 一种面向对象的线扫描三维路面裂缝提取方法 | |
| CN104034733A (zh) | 基于双目视觉监测与表面裂纹图像识别的寿命预测方法 | |
| CN107798293A (zh) | 一种道路裂缝检测装置 | |
| CN106447684A (zh) | 工业ct图像中弱边缘尺寸测量方法 | |
| CN108332927A (zh) | 一种桥梁表面裂缝检测装置 | |
| CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
| CN106952242A (zh) | 一种基于体素的渐进不规则三角网点云滤波方法 | |
| CN110322428A (zh) | 检测隧道病害的方法、装置及电子设备 | |
| CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
| Ravi et al. | Highway and airport runway pavement inspection using mobile lidar | |
| CN114295069A (zh) | 无人机搭载三维激光扫描仪的边坡形变监测方法及系统 | |
| CN115482211A (zh) | 隧道超欠挖检测方法、装置、电子设备和存储介质 | |
| CN108180871B (zh) | 一种定量评价复合绝缘子表面粉化粗糙度的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |
|
| RJ01 | Rejection of invention patent application after publication |