CN113239432B - 一种地铁隧道全景图像区域化分块检测推荐方法 - Google Patents

Abstract

本发明公开了一种地铁隧道全景图像区域化分块检测推荐方法。该方法包括：根据地铁隧道病害分布规律，构建病害知识‑数据联合驱动模型来描述地铁隧道单元区域内病害概率分布图；利用所述病害知识‑数据联合驱动模型获得分布参数并结合实际单元区域内的病害概率分布计算病害空间概率分布图；对单元区域内的病害空间分布概率图进行裁剪，得到新的病害概率分布图像I；对于所述新的病害概率分布图像I，利用超像素分割进行不规则块分解，进而形成每个单元区域内的病害检测推荐区域。利用本发明能够精准感知渗漏水和裂缝等典型的地铁病害，提升病害识别的准确性。

Description

一种地铁隧道全景图像区域化分块检测推荐方法

技术领域

本发明涉及图像检测和识别技术领域，更具体地，涉及一种地铁隧道全景图像区域化分块检测推荐方法。

背景技术

地铁隧道表面渗漏水、裂缝等病害的检测与识别是既有地铁隧道巡检中的重要内容。由于人工检查存在主观性强、效率低等缺点，近年来基于机器视觉的隧道表面病害检测与识别成为行业发展的新趋势。基于机器视觉的隧道表面病害检测与识别依赖于高精度的隧道衬砌表面图像，为了获得高精度的隧道衬砌表面图像，需利用多台相机同时扫描并拼接获得隧道曲面全景拼接图。后续，将全景拼接图分块处理，利用图像处理算法实现所有分块图像中病害的检测与识别。

专利申请CN201410327988.2公开了一种地铁盾构隧道病害快速高精度检测设备，该设备将线阵CCD工业相机固定在连接有行走装置的支撑杆上，通过单次行走过程可取得盾构隧道衬砌表面裂缝及渗透水病害信息。专利申请CN201610060244.8公开了一种用于隧道病害的图像处理装置，在获取地铁隧道的二维平面图像后，按照预设像素数目进行网格化划分，以生成多个网格化图像用于后续的病害属性分析。现有的采用网格化、不重叠分块操作进行病害区域检测与识别的方案，会导致部分病害被分割在不同块区域进行检测，从而导致病害漏检。

经分析上述方法可知，如图1所示，为了保证图像处理效率，既有方法均按一定尺寸对全景拼接图进行不重叠分块处理，并利用图像处理算法对分块图像中存在的病害区域进行检测、定位与评估。然而，现有方法存在以下问题：1)考虑到渗漏水、裂缝等病害区域在空间分布上具有一定连续性，简单的不重叠分块处理可能导致同一病害目标被分割在多个分块图像中，降低了目标信噪比，进而出现病害目标漏检问题。2)虽然地铁隧道表面病害的发生具有一定的不确定性，但经过大量数据统计分析，隧道衬砌表面病害的空间分布依然呈现一定的规律性，而现有方案对病害分布规律的挖掘还不足。

综上，目前缺少考虑隧道表面病害分布规律的隧道全景图像自适应分块处理方法，并且现有的隧道病害检测，忽视了对病害分布知识的挖掘和利用，导致病害检测模型的性能受限。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种地铁隧道全景图像区域化分块检测推荐方法，是基于病害分布规律挖掘地铁隧道全景图像区域化分块检测的新技术方案。

本发明的技术方案是提供一种地铁隧道全景图像区域化分块检测推荐方法。该方法包括以下步骤：

步骤S1，根据地铁隧道病害分布规律，构建病害知识-数据联合驱动模型来描述地铁隧道单元区域内病害概率分布图；

步骤S2，利用所述病害知识-数据联合驱动模型获得分布参数并结合实际单元区域内的病害概率分布计算病害空间概率分布图；

步骤S3，对单元区域内的病害空间分布概率图进行裁剪，得到新的病害概率分布图像I；

步骤S4，对于所述新的病害概率分布图像I，利用超像素分割进行不规则块分解，进而形成每个单元区域内的病害检测推荐区域。

与现有技术相比，本发明的优点在于，利用病害知识-数据联合驱动模型，计算分析地铁隧道单元区域内渗漏水与裂缝病害的概率分布图，并结合实际单元区域内的病害分布参数进一步计算病害发生概率分布图。此外，本发明提出利用超像素分割方法对病害统计概率分布图进行不规则分块处理，并根据概率图超像素分割结果，建立每个单元区域内隧道全景图像的不规则分块划分规则，最终形成每个具体单元区域内的病害检测推荐区域。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是隧道衬砌曲面全景拼接图不重叠分块示意图；

图2是根据本发明一个实施例的基于隧道结构病害分布知识建立的病害高危区域确定流程图；

图3是根据本发明一个实施例的病害分布规律统计流程图；

图4是根据本发明一个实施例的病害图像不规则划分流程图；

图5是根据本发明一个实施例的铁隧道衬砌表面病害图像采集系统图；

图6是根据本发明一个实施例的地铁隧道全景图像区域化分块检测推荐方法的流程图；

图7是根据本发明一个实施例的渗漏水区域二维空间分布概率建模图；

图8是根据本发明一个实施例的隧道衬砌表面病害检测单元区域划分示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明可用于多种类型的隧道病害检测和识别，包括但不限于变形侵限、裂缝、渗漏水、错台、掉块、坍塌、基底翻浆冒泥、下沉、底鼓、衬砌背后空洞等。为清楚起见，下文主要以渗漏水或裂缝病害为例进行说明。

本发明提出基于病害分布规律挖掘的地铁隧道全景图像区域化分块检测推荐的技术方案主要包括以下内容，参见图2所示。

1)对地铁隧道现场进行调研，重点以运营多年软土地基条件下的深圳地铁隧道和华北地下水漏斗区的北京地铁隧道为对象，明确地铁隧道衬砌表面渗漏水、裂缝病害常见发生形式，并结合隧道结构受力仿真分析确定隧道结构病害发生高风险区域。通过对隧道结构受力仿真分析，能够挖掘病害分布知识，进而融合到“知识-数据联合驱动模型”中的“知识”环节中。

2)利用室内半实物模型试验和现场地铁隧道表面病害检测试验相结合，收集隧道渗漏水与裂缝病害分布数据，研究利用病害知识-数据联合驱动模型，计算分析地铁隧道单元区域内病害概率分布图，利用模型映射方法结合实际单元区域内的病害分布参数进一步计算每个实际单元区域内的病害发生概率分布图。通过这种方式，能够将“病害知识-数据联合驱动模型”得到的模型，映射到实际隧道结构单元区域内，获得每个实际单元区域内的病害分布结果。该部分内容的具体流程如图3所示。

3)借助地铁隧道衬砌表面病害图像采集系统(如图5所示)，分析隧道结构全景拼接图像中可覆盖的衬砌区域(一般而言，图像采集系统无法覆盖隧道衬砌全部圆周一圈)，基于每个具体单元内计算得到的病害概率分布图，利用超像素分割方法进行不规则块分解，并根据概率图和超像素分割结果，建立每个具体单元区域内隧道全景图像的不规则分块划分规则，最终形成每个具体单元区域内的病害检测推荐区域，参见图4所示。

具体地，参见图6，所提供的地铁隧道全景图像区域化分块检测推荐方法包括以下步骤。

步骤S10，利用病害知识-数据联合驱动模型对病害的空间分布情况建模。

以渗漏水病害为例，如图7所示，设N(μ_i,∑_i)为某个渗漏水病害的空间分布描述，其中μ_i＝(m_i1,m_i2)表示该病害区域的质心坐标，∑_i＝(σ_i1,σ_i2)表示该病害区域在水平方向的平均投影长度σ_i2与在竖向方向的平均投影长度σ_i1。

假定经过大量的地铁隧道表面渗漏水病害统计，在某地铁线路中共检测发现了K处渗漏水病害。考虑地铁隧道表面病害在空间分布上具有很大的稀疏性，并且根据隧道结构病害分布知识可知，隧道结构表面病害往往发生在相邻管片的连接处(如图8所示)，因此，本发明优选地构造了以连续2环管片的隧道管片区域为一个描述单元，将这K处渗漏水病害按照每个病害在各自对应单元中的病害分布参数进行累计统计。最后，将所有渗漏水的统计结果压缩到同一个描述单元区域平面中，并利用如下公式对渗漏水X的空间分布情况进行建模。

其中，(X|μ_k,∑_k)作为病害知识-数据联合驱动模型中的第k个分量，用来描述第k处渗漏水病害的空间分布情况；π_k为第k个分量的权重系数，用来表示第k个分量的概率计算权重。对于权重系数π_k，在一个实施例中，通过展开地铁隧道衬砌结构受力仿真分析，根据数值计算结果确定地铁隧道渗漏水所发生的各个风险区域排序，并通过量化编码的方式确定渗漏水病害发生所在区域的概率权重计算参数π_k。这种计算方式，充分考虑了隧道结构受力仿真知识与病害数据统计结果这两方面的信息，因而可以更好地挖掘隧道结构病害分布规律。

在此步骤中，通过采集实际数据并结合隧道结构受力仿真分析，利用病害知识-数据联合驱动模型能够准确地拟合地铁隧道单元区域内的病害概率分布，更符合实际的病害分布。

步骤S20，计算实际每个单元区域内的病害概率分布。

以渗漏水病害为例，利用模型映射方法，选择每个实际单元区域内(如图8所示，以连续2环的隧道管片区域为一个描述单元)的渗漏水病害分布参数，并按下式进行该实际单元区域内的渗漏水概率分布计算。

其中，λ为权重计算因子；m。和σ。为公式(1)中得到的渗漏水病害分布参数；参数m与σ则是实际每个单元区域内的渗漏水病害所在区域内病害坐标位置及病害尺寸(即分布参数)。

在该步骤中，利用利用模型映射方法计算单元区域内病害概率分布，对于由于新增数据所引起的变化进行相应计算，有利于获得更准确的病害分布情况。并且以连续2环的隧道管片区域作为一个描述单元，能有效避免病害漏检。

步骤S30，划分衬砌图像单元。

利用多个相机对隧道衬砌进行连续图像采集，设通过图像拼接处理后可获得隧道圆环的扫描长度为M，计算连续2环隧道管片对应的图像纵向长度为N。以图像尺寸M×N为基准，对单元区域渗漏水病害空间分布概率图进行裁剪(考虑多相机拼接采集仍无法全部覆盖圆环一周)，得到新的渗漏水病害分布概率图像I。根据隧道病害检测数据统计结果与隧道管片受力仿真分析，预先设定当前图像I中最大包含L个病害发生区域，而病害可能发生聚集的区域为K个，且满足K≤L。

步骤S40，对病害概率分布图进行超像素分割。

基于步骤S30的设定，按照以下步骤完成病害概率图的超像素分割：

步骤S41，对图像I进行分块初始化，每个块图像尺寸的初始大小为M×N/L，且在每块图像中展开种子点搜索的步长s设为

步骤S42，通过在每一个块图像的搜索范围内进行图像像素点梯度分析，迭代更新每个块图像内的种子点分布范围。

步骤S43，基于所有种子点，进行像素标签分配。

步骤S44，计算每个像素与种子点距离，并确定像素聚类中心。

步骤S45，迭代优化，确保图像I内所有像素完成种子点的最优聚类。

步骤S46，增强连通性，以避免超像素过小或存在孤立点的情况，提高病害区域的分块连续性。

通过超像素分割，能够将具有相似特性的像素聚合起来，形成更具有代表性的分块子图。这种方式降低了维度并且可以剔除一些异常像素点。

在经过上述步骤后，可得到渗漏水病害分布概率图像I内不规则的图像分块，以此作为计算规则展开对所有单元区域内病害概率分布图的不规则分块处理，最终生成每个具体单元区域内的病害检测推荐区域，继而开展进一步的病害区域检测与识别。

综上所述，相对于现有技术，本发明至少具有以下优势：

1)针对地铁隧道巡检图像分块处理缺乏指向性这一问题，本发明通过现场调研明确地铁隧道衬砌表面渗漏水、裂缝等病害常见发生形式，并结合隧道结构受力仿真分析得到的隧道结构病害分布知识，确定隧道结构病害发生高风险区域。

2)现有研究通常采用网格化、不重叠分块处理，忽视了病害空间分布的连续性。本发明利用病害知识-数据联合驱动模型，计算分析地铁隧道单元区域内渗漏水和裂缝病害等的概率分布图，并利用模型映射方法结合实际单元区域内的病害分布参数计算其病害发生概率分布图，既利用了病害分布知识，并同时结合了实际数据，从而提升了模型的准确性。

3)考虑渗漏水与裂缝病害在空间分布上具有一定连续性，简单的不重叠分块处理将可能导致同一病害目标被分割在多个分块图像中，降低了目标信噪比，导致病害目标漏检问题。本发明提出利用超像素分割方法对每个具体单元区域内的病害统计概率分布图进行不规则分块处理，并根据概率图超像素分割结果，建立每个具体单元区域内隧道全景图像的不规则分块划分规则，最终形成每个具体单元区域内的病害检测推荐区域，为后续开展渗漏水与裂缝病害的精准感知提供可靠的数据预处理基础。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (7)

1.一种地铁隧道全景图像区域化分块检测推荐方法，包括以下步骤：

步骤S1，根据地铁隧道病害分布规律，构建病害知识-数据联合驱动模型来描述地铁隧道单元区域内病害概率分布图；

步骤S2，利用所述病害知识-数据联合驱动模型获得分布参数并结合实际单元区域内的病害概率分布计算病害空间概率分布图；

步骤S3，对单元区域内的病害空间分布概率图进行裁剪，得到新的病害概率分布图像I；

步骤S4，对于所述新的病害概率分布图像I，利用超像素分割进行不规则块分解，进而形成每个单元区域内的病害检测推荐区域；

其中，在步骤S1中，对于存在K处病害的情况，根据以下子步骤获得单元区域内病害概率分布图：

以连续2环的隧道管片区域作为一个描述单元区域，将该K处病害按照每个病害在各自对应单元区域中的病害分布参数进行累计统计；

将所有病害的统计结果压缩到同一个描述单元区域平面中，并利用如下公式对渗漏水X的空间分布情况进行建模，表示为：

其中，(X|μ_k,∑_k)是病害知识-数据联合驱动模型中的第k个分量，用来描述第k处病害的空间分布情况，π_k为第k个分量的权重系数，用来表示第k个分量的概率计算权重，μ_k表示病害区域的质心坐标，∑_k反映病害区域在水平方向和竖向方向的投影情况。

2.根据权利要求1所述的方法，其中，根据以下步骤确定权重系数π_k：

对地铁隧道衬砌结构进行受力仿真分析，根据数值计算结果确定地铁隧道病害所发生的各个风险区域排序；

通过量化编码确定病害发生区域的概率权重计算参数π_k。

3.根据权利要求1所述的方法，其中，步骤S2包括：

选择每个实际单元区域内的病害分布参数，并按下式计算该实际单元区域内的病害概率分布：

其中，λ为权重计算因子，

和

为已得到的病害分布参数，m与σ是实际每个单元区域内的病害所在区域内病害坐标位置及病害尺寸。

4.根据权利要求1所述的方法，其中，步骤S3包括：

利用多个相机对地铁隧道衬砌进行连续图像采集，通过图像拼接处理获得的隧道圆环的扫描长度为M，计算连续2环隧道管片对应的图像纵向长度为N；

以图像尺寸M×N为基准，对单元区域病害概率分布图进行裁剪，得到新的病害概率分布图像I；

根据隧道病害检测数据统计结果与隧道管片受力仿真分析，设定当前图像I中最大包含L个病害发生区域，而病害可能发生聚集的区域为K个，且满足K≤L。

5.根据权利要求4所述的方法，其中，步骤S4包括：

对图像I进行分块初始化，每个块图像尺寸的初始大小为M×N/L，且在每块图像中展开种子点搜索的步长s设为

通过在每一个块图像的搜索范围内进行图像像素点梯度分析，迭代更新每个块图像内的种子点分布范围；

基于所有种子点，进行像素标签分配；

计算每个像素与种子点距离，并确定像素聚类中心；

迭代优化，以对图像I内所有像素完成种子点的最优聚类；

通过连通性分析，实现病害区域的分块连续性；

根据分割结果，建立每个单元区域内隧道全景图像的不规则分块划分规则，进而形成多个隧道病害检测推荐区域。

6.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至5中任一项所述方法的步骤。

7.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5中任一项所述的方法的步骤。

Images