CN113850770B - 一种盾构隧道和隔震隧道的影像ai数字化检测方法及装置 - Google Patents
一种盾构隧道和隔震隧道的影像ai数字化检测方法及装置 Download PDFInfo
- Publication number
- CN113850770B CN113850770B CN202111093231.8A CN202111093231A CN113850770B CN 113850770 B CN113850770 B CN 113850770B CN 202111093231 A CN202111093231 A CN 202111093231A CN 113850770 B CN113850770 B CN 113850770B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- image
- image data
- model
- data set
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 153
- 238000009413 insulation Methods 0.000 title claims abstract description 70
- 230000035939 shock Effects 0.000 title claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 60
- 230000000149 penetrating effect Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000007547 defect Effects 0.000 claims abstract description 30
- 201000010099 disease Diseases 0.000 claims abstract description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 12
- 239000000463 material Substances 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 12
- 230000005684 electric field Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 239000002041 carbon nanotube Substances 0.000 claims description 5
- 229910021393 carbon nanotube Inorganic materials 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 description 22
- 239000002002 slurry Substances 0.000 description 14
- 239000011435 rock Substances 0.000 description 12
- 238000002955 isolation Methods 0.000 description 8
- 230000035699 permeability Effects 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 229910000278 bentonite Inorganic materials 0.000 description 1
- 239000000440 bentonite Substances 0.000 description 1
- SVPXDRXYRYOSEX-UHFFFAOYSA-N bentoquatam Chemical compound O.O=[Si]=O.O=[Al]O[Al]=O SVPXDRXYRYOSEX-UHFFFAOYSA-N 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明公开了一种盾构隧道和隔震隧道的影像AI数字化检测方法及装置,能够提高隧道病害的检测效率和准确性,其中,检测方法包括:通过原始图像得到实测图像数据集,采用基于时域有限差分法的正演模拟方法获得仿真图像数据集;将实测和仿真图像数据集整理合并为图像数据集,人工标记图像数据集中的病害,并将图像数据集划分为训练集、验证集、测试集;采用Yolo V5模型对训练集进行训练得到网络模型,采用验证集对网络模型的超参数进行微调得到目标检测模型并使用测试集评价目标检测模型是否合格;使用目标检测模型进行缺陷检测操作。本发明还采用含有导电组分的材料加入隧道的注浆层或隔震层,能够提高探地雷达的检测效果。
Description
技术领域
本发明属于隧道工程检测领域,更具体地,涉及一种盾构隧道和隔震隧道的影像AI(Artificial Intelligence,人工智能)数字化检测方法及装置。
背景技术
盾构法具有机械化程度高、对周边环境影响小、施工安全快速等诸多优点,已经成为一种隧道的重要施工方法,通常将使用盾构法建成的隧道称为盾构隧道。
此外,隔震技术为隧道的防震减灾提供了新途径,具体来说,是在隧道衬砌和围岩之间设置隔震层形成隔震隧道,使原有的衬砌-围岩体系变为衬砌-隔震层-围岩体系,利用隔震层的柔性和阻尼来吸收地震变形和地震能量,隔震层的加入使得隧道结构变得更加复杂。
怎样检测注浆层和隔震层的施工质量,判断盾构隧道的注浆层、隔震隧道的隔震层是否存在不密实、脱空、空洞等典型病害,是盾构隧道和隔震隧道施工中面临的一大技术难题。
探地雷达是一种基于电磁波的无损检测技术,效率高,适应性强,工程中可通过探地雷达发射的电磁波对盾构隧道和隔震隧道的衬砌结构隐蔽部位的典型病害进行检测。然而,通过探地雷达获取的实测图像数据集还需要工程技术人员花费较多时间进行解析,工程技术人员需要人工手动地在实测图像数据集的每张图片上标注病害。考虑到地下介质的多样性和复杂性,当探地雷达的信号较弱并被杂波干扰时,工程技术人员解析探地雷达实测图像的工作更加复杂,这使得基于探地雷达的检测方法的检测效率非常有限,而且该方法在很大程度上依赖于专业技术人员的专业水平、耐心和经验,因此不可避免的存在较明显的主观性。
综上所述,现有的人工检测方法不仅效率较低,而且存在较大的漏判、误判的可能性,工程中急需一种新方法来准确、高效、客观地解析通过探地雷达获取的实测图像数据集,从而准确地检测盾构隧道和隔震隧道的衬砌结构隐蔽部位的工程质量。
发明内容
针对现有技术的缺陷,本发明提供了一种基于时域有限差分法和Yolo V5模型的盾构隧道和隔震隧道的影像AI数字化检测方法及装置,旨在解决现有技术中通过人工检测的方式存在较大的漏判、误判的可能性导致检测精度低且检测效率低的问题。
为实现上述目的,本发明提供了一种盾构隧道和隔震隧道的影像AI数字化检测方法,包括下述步骤:
(1)对原始图像集进行预处理后获得实测图像数据集,采用二维时域有限差分法对病害进行正演模拟操作后获得仿真图像数据集;
(2)根据所述实测图像数据集和所述仿真图像数据集获得目标检测模型;
(3)采用所述目标检测模型对所述实测图像数据集进行缺陷检测,并根据检测结果判断隧道衬砌结构隐蔽部位的工程质量,能够提高检测效率和检测准确性。
本发明极大减少了对专业探地雷达工程技术人员的依赖,能够高效准确地对盾构隧道和隔震隧道衬砌结构隐蔽部位的质量情况进行判断;本发明为盾构隧道和隔震隧道的病害排查工作提供技术支持,从而有助于提高盾构隧道和隔震隧道的工程质量。
本发明基于时域有限差分法和Yolo V5模型的盾构隧道和隔震隧道的影像AI数字化检测,可以准确高效地检测隧道衬砌结构隐蔽部位的工程质量。
更进一步地,步骤(1)中对原始图像集进行预处理具体为:
S111:通过将所述原始图像集中的数据信号减去全局平均值的方式去除探地雷达的直达波;
S112:采用带通滤波器对数据信号进行滤波处理;
S113:对数据信号进行信号增益和补偿,从而增强深部反射信号的能量,并获得预处理后的实测图像数据集。
由于实测图像数据集存在很多杂波干扰,本发明采用基于时域有限差分法的正演模拟方法获得的高质量仿真图像数据集消除了这些杂波干扰,为缺陷检测奠定了可靠的数据基础。
更进一步地,原始图像集由探地雷达采集盾构隧道和隔震隧道的衬砌结构隐蔽部位而获得,具体为:
S101:将探地雷达的天线紧贴盾构隧道管片和隔震隧道的衬砌,并沿隧道轴线方向行进,探地雷达的天线发射电磁波对衬砌结构的隐蔽部位进行检测;
S102:当探地雷达沿隧道轴线方向行进时,每隔一段距离(例如5环管片)在探地雷达主机上设置一个标记,使探地雷达图像数据与天线扫描位置一一对应,形成所述原始图像集。
其中,当探地雷达采集所述原始图像集时,在盾构隧道的注浆层和隔震隧道的隔震层中加入含有导电组分的材料,通过改变注浆层或者隔震层的电磁特性参数,提高探地雷达对隧道的检测效果,从而提高图像数据集的质量。
作为本发明的一个实施例,含有导电组分的材料包括羰基铁粉或者碳纳米管。
更进一步地,获取仿真图像数据集的步骤具体为:
S121:采用二维时域有限差分法对病害进行正演模拟操作并获得仿真模型,仿真模型由衬砌层、中间层和岩土层组成,衬砌层主要是盾构隧道的管片衬砌或者隔震隧道的衬砌结构,中间层为盾构隧道的注浆层或者隔震隧道的隔震层,岩土层是指隧道所处的岩土层;考虑到探地雷达采用的高频磁脉电磁波所遇到的介质是以位移电流为主的低损耗介质,所以正演模拟操作主要针对二维横磁波;
S122:在仿真模型中通过调整不同类型病害的大小、形状和埋藏深度,以及发射天线的中心频率,将发射/接收天线以固定步长沿测线移动;
S123:将仿真模型划分为矩形差分网络,并将Yee元胞作为最小的单位差分网格;
其中,所述Yee元胞中电场和磁场在时间顺序上具有交替取样的特性,且其取样时间的间距为半个时间步;
S124:采用二维时域有限差分法解析偏微分方程并获得二维横磁波的时域有限差分计算方法;
S125:根据工程参数和病害参数,通过所述时域有限差分计算方法获得不同的仿真图像,形成所述仿真图像数据集。
更进一步地,步骤(2)具体为:
S211:将实测图像数据集和仿真图像数据集整理合并为图像数据集,对图像数据集中存在的不密实、脱空和空洞缺陷进行标记;并按照比例将所述图像数据集分成训练集、验证集和测试集;
S212:采用Yolo V5模型对所述训练集进行训练并获得拟合数据的网络模型,采用所述验证集对网络模型的超参数进行微调后获得适用于雷达图像检测的第一目标检测模型;
S213:采用测试集对第一目标检测模型进行检测操作,测试集中的每个图片数据为一个样本,采用召回率和平均精度指标来评价所述第一目标检测模型是否合格,并针对不合格的第一目标检测模型进行改进操作,获得合格的目标检测模型。
本发明通过Yolo V5模型获得目标检测模型,并使用目标检测模型进行缺陷检测操作,能够提高检测效率和检测准确性。
作为本发明的一个实施例,在步骤S211中,按照7:1.5:1.5的比例将所述图像数据集划分为训练集、验证集和测试集。
本发明还提供了一种盾构隧道和隔震隧道的影像AI数字化检测装置,其特征在于,包括图像获取模块、图像划分模块、图像训练模块、模型检测模块和缺陷检测模块;图像获取模块用于对原始图像集进行预处理获得实测图像数据集,并采用二维时域有限差分法对病害进行正演模拟操作后获得仿真图像数据集;图像划分模块的输入端连接至图像获取模块的第一输出端,图像划分模块用于将由所述实测图像数据集和所述仿真图像数据集合并构成的图像数据集按比例划分为训练集、验证集和测试集;图像训练模块的输入端连接至所述图像划分模块的第一输出端,图像训练模块用于对所述训练集进行训练后获得拟合数据的网络模型,并采用所述验证集对所述网络模型的超参数进行微调后获得第一目标检测模型;模型检测模块的第一输入端连接至所述图像训练模块的输出端,模型检测模块的第二输入端连接至所述图像划分模块的第二输出端,模型检测模块用于使用所述测试集检测所述第一目标检测模型是否合格,并针对不合格的第一目标检测模型进行改进操作,获得合格的目标检测模型;缺陷检测模块的第一输入端连接至所述图像获取模块的第二输出端,缺陷检测模块的第二输入端连接至所述模型检测模块的输出端,缺陷检测模块用于将实测图像数据集输入所述合格的目标检测模型中进行缺陷检测操作。
其中,探地雷达采集所述图像获取模块中的所述原始图像集时,先在盾构隧道的注浆层、隔震隧道的隔震层中加入含有导电组分的材料。作为本发明的一个实施例,含有导电组分的材料包括羰基铁粉或者碳纳米管。
更进一步地,图像获取模块包括实测图像数据获取单元和仿真图像数据获取单元,仿真图像数据获取单元包括:仿真模型获取单元、参数调整单元、网络划分单元和计算单元,其中,仿真模型获取单元采用二维时域有限差分法对病害进行正演模拟操作并获得仿真模型,所述仿真模型由衬砌层、中间层和岩土层组成,衬砌层主要是盾构隧道的管片衬砌或者隔震隧道的衬砌结构,中间层为盾构隧道的注浆层或者隔震隧道的隔震层,岩土层是指隧道所处的岩土层;参数调整单元在仿真模型中通过调整不同类型病害的大小、形状和埋藏深度,以及发射天线的中心频率,将发射/接收天线以固定步长沿测线移动;网络划分单元用于将仿真模型划分为矩形差分网络,并将Yee元胞作为最小的单位差分网格;其中,所述Yee元胞中电场和磁场在时间顺序上具有交替取样的特性,且其取样时间的间距为半个时间步;计算单元用于采用二维时域有限差分法解析偏微分方程并获得二维横磁波的时域有限差分计算方法,并根据工程参数和病害参数,通过时域有限差分计算方法获得不同的仿真图像,形成仿真图像数据集。
本发明还提供了一种盾构隧道和隔震隧道的影像AI数字化检测系统,包括存储器和处理器;存储器用于存储计算机程序;处理器用于当执行计算机程序时,实现上述的影像AI数字化检测方法。
本发明还提供了一种计算机可读存储介质,存储介质上存储有计算机程序,当计算机程序被处理器执行时,实现上述的影像AI数字化检测方法
通过本发明所构思的以上技术方案,与现有技术相比,由于实测图像数据集存在很多杂波干扰,本发明采用基于时域有限差分法的正演模拟方法获得的高质量仿真图像数据集消除了这些杂波干扰,为缺陷检测奠定了可靠的数据基础;本发明通过Yolo V5模型获得目标检测模型,并使用目标检测模型进行缺陷检测操作,能够提高检测效率和检测准确性;实际应用中还可将目标检测模型部署在云端和智能终端,以满足不同的工程需求;本发明采用含有导电组分的材料加入隧道的注浆层或隔震层,能够提高探地雷达对注浆层或隔震层的检测效果。本发明极大减少了对专业探地雷达工程技术人员的依赖,能够高效准确地对盾构隧道和隔震隧道衬砌结构隐蔽部位的质量情况进行判断;本发明为盾构隧道和隔震隧道的病害排查工作提供技术支持,从而有助于提高盾构隧道和隔震隧道的工程质量。
附图说明
图1是本发明实施例提供的盾构隧道和隔震隧道的影像AI数字化检测方法的流程图;
图2是本发明实施例提供的盾构隧道和隔震隧道的影像AI数字化检测系统的结构图;
图3是本发明实施例提供的盾构隧道和隔震隧道的影像AI数字化检测方法在正演模拟中采用的Yee元胞图;
图4是使用本发明实施例提供的盾构隧道和隔震隧道的影像AI数字化检测方法对质量合格的隧道衬砌结构隐蔽部位进行正演模拟得到的仿真图像;
图5是使用本发明实施例提供的盾构隧道和隔震隧道的影像AI数字化检测方法对存在空洞的隧道衬砌结构隐蔽部位进行正演模拟得到的仿真图像;
图6为本发明实施例提供的盾构隧道和隔震隧道的影像AI数字化检测方法对采用常规注浆浆液的隧道衬砌结构进行正演模拟得到的仿真图像;
图7为本发明实施例提供的盾构隧道和隔震隧道的影像AI数字化检测方法对采用电磁特性调控型浆液的隧道衬砌结构进行正演模拟得到的仿真图像。
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仅用以解释本发明,并不用于限定本发明。
如图1,本实施例提供的盾构隧道和隔震隧道的影像AI数字化检测方法首先要获得实测图像数据集和仿真图像数据集,其中,实测图像数据集是通过对原始图像集进行预处理操作而获得的,具体包括以下步骤:
S0:将检测数据减去全局平均值的方式去除探地雷达的直达波;
S1:采用带通滤波器对数据信号进行滤波处理;
S2:对数据信号进行信号增益和补偿,从而增强深部反射信号的能量,最终得到预处理后的实测图像数据集。
其中,原始图像集由探地雷达采集盾构隧道和隔震隧道的衬砌结构隐蔽部位而获得,获得的方法包括以下步骤:
T0:将探地雷达的天线紧贴盾构隧道和隔震隧道的管片,并沿隧道轴线方向行进,探地雷达的天线发射电磁波对衬砌结构的隐蔽部位进行检测;
T1:当探地雷达沿隧道轴线方向行进时,每隔5环管片在探地雷达主机上设置一个标记,使探地雷达图像数据与天线扫描位置一一对应,形成原始图像集。
获取仿真图像数据集的步骤包括:
Y0:采用二维时域有限差分法对病害进行正演模拟操作得到仿真模型,仿真模型由衬砌层、中间层和岩土层组成,衬砌层主要是盾构隧道的管片衬砌或者隔震隧道的衬砌结构,中间层为盾构隧道的注浆层或者隔震隧道的隔震层,岩土层是指隧道所处的岩土层;考虑到探地雷达采用的高频磁脉电磁波所遇到的介质是以位移电流为主的低损耗介质,所以正演模拟操作主要针对二维横磁波;
Y1:在仿真模型中调整不同类型病害的大小、形状和埋藏深度,以及发射天线的中心频率,并将发射/接收天线以固定步长沿测线移动;
Y2:将仿真模型划分为矩形差分网络,并把Yee元胞作为最小的单位差分网格,图3是Yee元胞图,Yee元胞中电场和磁场在时间顺序上具有交替取样的特性,其取样时间间距为半个时间步。
采用探地雷达检测地下目标时,雷达发射的高频电磁波在介质中传播时服从Maxwell(麦克斯韦)方程组。该方程组由两个旋度方程和两个散度方程组成,具体如下式所示: 式中E表示电场强度,单位是伏特/米(V/m);H表示磁场强度,单位是安培/米(A/m);B表示磁感应强度,单位是特斯拉(T);D表示电位移,单位是库伦/平方米(C/m2);J表示电流密度,单位是安培/平方米(A/m2);ρ表示电荷密度,单位是库伦/立方米(C/m3)。
根据Maxwell方程,可以得到二维横磁波的偏微分方程,二维横磁波的偏微分方程如下式所示:
式中E表示电场强度,H表示磁场强度,σ表示电导率,σm表示导磁率,ε表示介电常数,μ表示磁导率。
Y3:采用二维时域有限差分法解析偏微分方程,得到二维横磁波的时域有限差分计算方法;公式如下:
式中:
其中,E表示电场强度,H表示磁场强度,σ表示电导率,σm表示导磁率,ε表示介电常数,μ表示磁导率。
Y4:根据工程参数和病害参数,通过时域有限差分计算方法,获得不同的仿真图像,形成仿真图像数据集;图4是对质量合格的隧道衬砌结构隐蔽部位进行正演模拟得到的仿真图像;图5是对存在空洞的隧道衬砌结构隐蔽部位进行正演模拟得到的仿真图像。
其中,工程参数包括管片厚度、注浆层厚度、管片中钢筋直径、钢筋间距;病害参数包括病害类型、病害的几何尺寸、病害的空间位置。
本发明中,通过实测图像数据集与仿真图像数据集可以得到目标检测模型,具体包括以下步骤:
V0:将实测图像数据集与仿真图像数据集整理合并为图像数据集,人工标记图像数据集中存在的不密实、脱空、空洞这3种典型缺陷;按照一定的比例,优选7:1.5:1.5将数据集分成训练集、验证集和测试集;
V1:采用Yolo V5模型对训练集进行训练,得到拟合数据的网络模型;采用验证集对所述网络模型的超参数进行微调,得到适用于雷达图像检测的目标检测模型。
Yolo V5模型是深度学习领域里的一种目标检测模型,是目前最主流的目标检测模型,检测速度比一般的模型快;Yolo V5模型通过骨干网络、颈部网络、检测头逐次提取雷达图像中的缺陷特征,确保检测的准确性。
V2:使用测试集对目标检测模型进行检测操作,测试集中的每个图片数据为一个样本,采用召回率、平均精度等指标评价目标检测模型是否合格,并针对不合格的目标检测模型进行改进操作,得到合格的目标检测模型。
召回率Recall的计算公式为:其中TP表示真阳性,即模型预测为正例、实际为正例的样本个数,FN表示假阴性,即模型预测为负例、实际为正例的样本个数。
平均精度AP的计算公式为:其中FP表示型预测为正例、实际为负例的样本个数,M表示一个类别样本中存在的正例样本数,i表示正例样本的序号。
合格的目标检测模型的召回率和平均精度不能低于80%;如果不合格的话,就要进行改进操作,包括以下步骤:调整训练集,并执行步骤V1中的操作得到新的目标检测模型,然后再对新的目标检测模型进行检测评价,直至得到合格的目标检测模型。
其中,调整训练集的方法为:增加实测数据集或仿真数据集中的数据数量,并执行步骤V0中的操作,从而训练集中的数据数量也相应地得到了增加。
V3:通过目标检测模型可进行缺陷检测操作,具体包括以下步骤:将实测图像数据集输入目标检测模型中进行检测,模型输出病害的类别、检测框位置和置信度。
此外,隧道中的电磁波的反射信号往往较弱,导致探地雷达检测效果欠佳。此时可在盾构隧道的注浆层、隔震隧道的隔震层中加入含有导电组分的材料如羰基铁粉或者碳纳米管,改变注浆层或者隔震层的电磁特性参数,提高探地雷达对隧道的检测效果,从而提高图像数据集的质量。
选取某常规配比的壁后注浆浆液进行对比研究。常规浆液中每m3浆液含有纯水350kg,水泥180kg,细砂1200kg,粉煤灰200kg,膨润土30kg。将常规浆液按一定尺寸制作成试块,测得其介电常数约为9。在对比实验中,保持常规浆液的材料配比不变,优选地,将质量分数7%的羰基铁粉加入常规浆液中,得到电磁特性调控型浆液,按一定尺寸制作成试块,测得其介电常数约为15。对采用两种不同浆液的隧道衬砌结构进行正演模拟。图6 为对采用常规注浆浆液的隧道衬砌结构进行正演模拟得到的仿真图像;图7 为对采用电磁特性调控型浆液的隧道衬砌结构进行正演模拟得到的仿真图像。从图7中可以看出:采用电磁特性调控型浆液后得到的仿真图像,图像结果更容易读取,体现了电磁特性调控型浆液的优点。
本发明还提供了一种盾构隧道和隔震隧道的影像AI数字化检测系统,包括存储器和处理器;存储器用于存储计算机程序;处理器用于当执行所述计算机程序时,实现上述的影像AI数字化检测方法。
本发明还提供了一种计算机可读存储介质,存储介质上存储有计算机程序,当计算机程序被处理器执行时,实现上述的影像AI数字化检测方法。
如图2所示,本发明实施例提供的盾构隧道和隔震隧道的影像AI数字化检测系统包括五个模块:图像获取模块1、图像划分模块2、图像训练模块3、模型检测模块4和缺陷检测模块5,图像获取模块1用于对原始图像集进行预处理获得实测图像数据集,并采用二维时域有限差分法对病害进行正演模拟操作后获得仿真图像数据集;图像划分模块2的输入端连接至所述图像获取模块的第一输出端,所述图像划分模块用于将由所述实测图像数据集和所述仿真图像数据集合并构成的图像数据集按比例划分为训练集、验证集和测试集;图像训练模块3的输入端连接至所述图像划分模块2 的第一输出端,图像训练模块3用于对所述训练集进行训练后获得拟合数据的网络模型,并采用所述验证集对所述网络模型的超参数进行微调后获得第一目标检测模型;模型检测模块4的第一输入端连接至所述图像训练模块3的输出端,模型检测模块4的第二输入端连接至所述图像划分模块2 的第二输出端,模型检测模块4用于使用所述测试集检测第一目标检测模型是否合格,并针对不合格的第一目标检测模型进行改进操作,获得合格的目标检测模型;缺陷检测模块5的第一输入端连接至所述图像获取模块1 的第二输出端,缺陷检测模块5的第二输入端连接至模型检测模块4的输出端,缺陷检测模块5用于将实测图像数据集输入所述合格的目标检测模型中进行缺陷检测操作。
在本发明实施例中,图像获取模块1用于获得实测图像数据集和仿真图像数据集。其中,实测图像数据集是通过对原始图像集进行预处理操作而获得的,具体包括以下步骤:
N0:将检测数据减去全局平均值的方式去除探地雷达的直达波;
N1:采用带通滤波器对数据信号进行滤波处理;
N2:对数据信号进行信号增益和补偿,从而增强深部反射信号的能量,最终得到预处理后的实测图像数据集。
其中,原始图像集由探地雷达检测盾构隧道和隔震隧道的衬砌结构隐蔽部位而获得,获得的方法包括以下步骤:
M0:将探地雷达的天线紧贴盾构隧道和隔震隧道的管片,并沿隧道轴线方向行进,探地雷达的天线发射电磁波对衬砌结构的隐蔽部位进行检测;
M1:当探地雷达沿隧道轴线方向行进时,每隔5环管片在探地雷达主机上设置一个标记,使探地雷达图像数据与天线扫描位置一一对应,形成原始图像集。
获取仿真图像数据集的步骤包括:
K0:采用二维时域有限差分法对病害进行正演模拟操作得到仿真模型,仿真模型由衬砌层、中间层和岩土层组成,衬砌层主要是盾构隧道的管片衬砌或者隔震隧道的衬砌结构,中间层为盾构隧道的注浆层或者隔震隧道的隔震层,岩土层是指隧道所处的岩土层;正演模拟操作主要针对二维横磁波;
K1:在仿真模型中调整不同类型病害的大小、形状和埋藏深度,以及发射天线的中心频率,并将发射/接收天线以固定步长沿测线移动;
K2:将仿真模型划分为矩形差分网络,并把Yee元胞作为最小的单位差分网格,Yee元胞中电场和磁场在时间顺序上具有交替取样的特性,其取样时间间距为半个时间步。
采用探地雷达检测地下目标时,雷达发射的高频电磁波在介质中传播时服从Maxwell(麦克斯韦)方程组。该方程组由两个旋度方程和两个散度方程组成,具体如下式所示: 式中E表示电场强度,单位是伏特/米(V/m);H表示磁场强度,单位是安培/米(A/m);B表示磁感应强度,单位是特斯拉(T);D表示电位移,单位是库伦/平方米(C/m2);J表示电流密度,单位是安培/平方米(A/m2);ρ表示电荷密度,单位是库伦/立方米(C/m3)。
根据Maxwell方程,可以得到二维横磁波的偏微分方程,二维横磁波的偏微分方程如下式所示:
式中E表示电场强度,H表示磁场强度,σ表示电导率,σm表示导磁率,ε表示介电常数,μ表示磁导率。
K3:采用二维时域有限差分法解析偏微分方程,得到二维横磁波的时域有限差分计算方法;公式如下:
式中:
其中,E表示电场强度,H表示磁场强度,σ表示电导率,σm表示导磁率,ε表示介电常数,μ表示磁导率。
K4:根据工程参数和病害参数,通过时域有限差分计算方法,获得不同的仿真图像,形成仿真图像数据集;
其中,工程参数包括管片厚度、注浆层厚度、管片中钢筋直径、钢筋间距;病害参数包括病害类型、病害的几何尺寸、病害的空间位置。
在本发明实施例中,图像划分模块2将实测图像数据集与仿真图像数据集整理合并为图像数据集,接收对图像数据集中存在的不密实、脱空、空洞这3种典型病害的标注操作,标注操作由人工操作完成;按照一定的比例,优选7:1.5:1.5将数据集分成训练集、验证集、和测试集。
作为本发明的一个实施例,图像训练模块3可以采用Yolo V5目标检测模型对训练集进行训练,得到拟合数据的网络模型;采用验证集对所述网络模型的超参数进行微调,得到目标检测模型。
在本发明实施例中,模型检测模块4可以使用测试集对目标检测模型进行检测操作,测试集中的每个图片数据为一个样本,采用召回率、平均精度等指标评价目标检测模型是否合格,并进行改进操作得到合格的目标检测模型。
其中,召回率的计算公式为:其中TP表示真阳性,即模型预测为正例、实际为正例的样本个数,FN表示假阴性,即模型预测为负例、实际为正例的样本个数。平均精度的计算公式为:其中FP表示型预测为正例、实际为负例的样本个数,M表示一个类别样本中存在的正例样本数。
合格的目标检测模型的召回率和平均精度不能低于80%;如果不合格的话,就要进行改进操作,包括以下步骤:调整训练集,并执行图像训练模块中的操作得到新的目标检测模型,然后再对新的目标检测模型执行模型检测模块中的操作,直至得到合格的目标检测模型。
其中,调整训练集的方法为:增加实测数据集或仿真数据集中的数据数量,并执行图像划分模块中的操作,从而训练集中的数据数量也相应地得到了增加。
在本发明实施例中,通过缺陷检测模块5将实测图像数据集输入目标检测模型中进行检测,模型输出病害的类别、检测框位置和置信度。
此外,探地雷达采集图像获取模块中的原始图像集时,可先在盾构隧道的注浆层、隔震隧道的隔震层中加入含有导电组分的材料如羰基铁粉或者碳纳米管,提高探地雷达对隧道的检测效果,从而提高原始图像集的质量。
本领域的技术人员容易理解,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 (5)
1.一种盾构隧道和隔震隧道的影像AI数字化检测方法,其特征在于,包括下述步骤:
(1)对原始图像集进行预处理后获得实测图像数据集,采用二维时域有限差分法进行正演模拟操作后获得缺陷的仿真图像数据集;
(2)根据所述实测图像数据集和所述仿真图像数据集获得目标检测模型;
(3)采用所述目标检测模型对所述实测图像数据集进行缺陷检测,并根据检测结果判断隧道衬砌结构隐蔽部位的工程质量;
步骤(1)中对原始图像集进行预处理步骤S11具体为:
S111:通过将所述原始图像集中的数据信号减去全局平均值的方式去除探地雷达的直达波;
S112:采用带通滤波器对数据信号进行滤波处理;
S113:对数据信号进行信号增益和补偿,从而增强深部反射信号的能量,并获得预处理后的实测图像数据集;
所述原始图像集由探地雷达采集盾构隧道和隔震隧道的衬砌结构隐蔽部位而获得,具体为:
S101:将探地雷达的天线紧贴盾构隧道管片和隔震隧道的衬砌,并沿隧道轴线方向行进,探地雷达的天线发射电磁波对衬砌结构的隐蔽部位进行检测;
S102:当探地雷达沿隧道轴线方向行进时,每隔一段距离在探地雷达主机上设置一个标记,使探地雷达图像数据与天线扫描位置一一对应,形成所述原始图像集;
当所述探地雷达采集所述原始图像集时,在盾构隧道的注浆层和隔震隧道的隔震层中加入含有导电组分的材料;
所述含有导电组分的材料包括羰基铁粉或者碳纳米管;
获取仿真图像数据集的步骤S12具体为:
S121:采用二维时域有限差分法对病害进行正演模拟操作并获得仿真模型,所述仿真模型由衬砌层、中间层和岩土层组成,衬砌层是盾构隧道的管片衬砌或者隔震隧道的衬砌结构,中间层为盾构隧道的注浆层或者隔震隧道的隔震层,岩土层是指隧道所处的岩土层;
S122:在所述仿真模型中通过调整不同类型病害的大小、形状和埋藏深度,以及发射天线的中心频率,将发射/接收天线以固定步长沿测线移动;
S123:将所述仿真模型划分为矩形差分网络,并将Yee元胞作为最小的单位差分网格;
其中,所述 Yee元胞中电场和磁场在时间顺序上具有交替取样的特性,且其取样时间的间距为半个时间步;
S124:采用二维时域有限差分法解析偏微分方程并获得二维横磁波的时域有限差分计算方法;
S125:根据工程参数和病害参数,通过所述时域有限差分计算方法获得不同的仿真图像,形成所述仿真图像数据集。
2.如权利要求1所述的影像AI数字化检测方法,其特征在于,步骤(2)具体为:
S211:将所述实测图像数据集和所述仿真图像数据集整理合并为图像数据集,对图像数据集中存在的不密实、脱空和空洞缺陷进行标记;并按照比例将所述图像数据集分成训练集、验证集和测试集;
S212:采用Yolo V5模型对所述训练集进行训练并获得拟合数据的网络模型,采用所述验证集对所述网络模型的超参数进行微调后获得适用于雷达图像检测的第一目标检测模型;
S213:采用所述测试集对所述第一目标检测模型进行检测操作,测试集中的每个图片数据为一个样本,采用召回率和平均精度指标来评价所述第一目标检测模型是否合格,并针对不合格的第一目标检测模型进行改进操作,获得合格的目标检测模型。
3.一种盾构隧道和隔震隧道的影像AI数字化检测装置,其特征在于,包括图像获取模块(1)、图像划分模块(2)、图像训练模块(3)、模型检测模块(4)和缺陷检测模块(5);用于执行如权利要求1或2所述的影像AI数字化检测方法。
4.一种盾构隧道和隔震隧道的影像AI数字化检测系统,其特征在于,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如权利要求1~2任一项所述的影像AI数字化检测方法。
5.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1~2任一项所述的影像AI数字化检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093231.8A CN113850770B (zh) | 2021-09-17 | 一种盾构隧道和隔震隧道的影像ai数字化检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093231.8A CN113850770B (zh) | 2021-09-17 | 一种盾构隧道和隔震隧道的影像ai数字化检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850770A CN113850770A (zh) | 2021-12-28 |
CN113850770B true CN113850770B (zh) | 2024-07-02 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233111A (zh) * | 2020-11-18 | 2021-01-15 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测方法 |
WO2021151336A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于注意力机制的道路图像目标检测方法及相关设备 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021151336A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于注意力机制的道路图像目标检测方法及相关设备 |
CN112233111A (zh) * | 2020-11-18 | 2021-01-15 | 安徽国钜工程机械科技有限公司 | 一种基于数字图像处理的隧道缝隙检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045110B (zh) | 圈定砂岩型铀矿深部三维铀成矿靶区的综合物化探方法 | |
CN102680575B (zh) | 一种复杂岩土介质的冲击映像方法及系统 | |
CN1975112A (zh) | 基于探地雷达的盾构隧道沉降控制方法 | |
CN103616390B (zh) | 一种胶结充填体顶板裂隙状态无损探测方法 | |
CN102288625A (zh) | 一种渠道混凝土衬砌无损检测系统 | |
CN110515117B (zh) | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 | |
CN104007176A (zh) | 一种复杂岩土工程介质的全波场检测系统及方法 | |
CN104374828A (zh) | 一种隐患探测的超声波层析成像方法 | |
CN102176064A (zh) | 煤矿井下瞬变电磁仪去除电磁干扰信号的方法 | |
CN106371137A (zh) | 用于浅层异常体地震探测装置及其三维观测方法 | |
CN112924545B (zh) | 一种隧道衬砌质量声波快速无损检测方法 | |
CN208334667U (zh) | 一种用于软岩隧道长距离三维超前地质预报装置 | |
CN113850770B (zh) | 一种盾构隧道和隔震隧道的影像ai数字化检测方法及装置 | |
CN104020488A (zh) | 无线分布式弹性波反射体探测装置、系统和方法 | |
CN113850770A (zh) | 一种盾构隧道和隔震隧道的影像ai数字化检测方法及装置 | |
KR102117865B1 (ko) | Gpr 지질 탐사 시스템 | |
CN107797160A (zh) | 弹性波和电磁波ct勘测数据联合分析系统及方法 | |
CN209858761U (zh) | 一种模拟城市地下空洞的物理探测试验装置 | |
CN114252929A (zh) | 一种矿井底板水源核磁共振探测装置及其工作方法 | |
CN202718148U (zh) | 沉管隧道注浆基础效果的无损检测装置 | |
CN206400117U (zh) | 一种超前地质预报装置 | |
LU504248B1 (en) | Method for detecting leaching and groundwater pollution range after acid in-situ leaching uranium mining | |
WANG et al. | Research on karst cavity detection method based on multi-frequency borehole sonar | |
CN111173518A (zh) | 用于探测盾构洞口土体加固区空洞及渗漏水的方法 | |
CN114488346B (zh) | 一种地下空间异常体探测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |