CN114113118B - 一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法 - Google Patents
一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法 Download PDFInfo
- Publication number
- CN114113118B CN114113118B CN202111451734.8A CN202111451734A CN114113118B CN 114113118 B CN114113118 B CN 114113118B CN 202111451734 A CN202111451734 A CN 202111451734A CN 114113118 B CN114113118 B CN 114113118B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- detection
- image
- detection device
- information
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
-
- 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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- 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
- G06T2207/10141—Special mode during image acquisition
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法,涉及隧道检测技术领域,该方法包括在地铁隧道进行第一次检测时,检测装置采用低速行驶、低帧率以及高分辨率采集图像信息并进行图像识别,获得隧道的病害区和相对安全区,对同一条地铁隧道再次检测时,检测装置在相对安全区采用中高速行驶、较低帧率采集图像信息并识别以判断是否有新病害区域,如有,将该区域划分到下一次检测时的病害区,在病害区采用高帧率采集图像信息。本发明通过基于变频(帧率)拍照以实现在检测装置在高速行驶下保证病害点的有效采集,节省图像采集时间、提高存储与传输速度,依托深度学习中的YOLO模型,达到实时快速检测的同时保证较高的准确率。
Description
技术领域
本发明涉及隧道检测技术领域,具体讲是一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法。
背景技术
近十年来,随着全国城市基础设施建设持续快速推进,中国地铁隧道发展极为迅速。截至2020年底,已经有44座城市开通地铁,运营总里程达7773公里,占全球总里程的28%。地铁隧道的安全运营对于保证城市地铁交通安全,具有极其重要的意义。
目前,我国地铁隧道正处于建设与维修整治并重阶段。受地形、地质、气候条件和建筑材料及勘察、设计、施工、运营等各种因素影响,运营期隧道病害问题日益突出,经常出现衬砌渗漏水、衬砌裂缝、混凝土劣化、衬砌背后脱空等病害。其中,最为常见也是最多的两种病害是衬砌渗漏水和衬砌裂缝。
衬砌开裂多与使用条件,环境条件,材料性质,施工等因素有关,它会降低衬砌结构对围岩的承载能力,影响隧道的结构安全。此外,一定深度的裂缝还会成为渗漏水的通道,加速衬砌的破坏。衬砌渗漏水主要来自于自然降水和地下水,通常具有一定的腐蚀性,长时间的渗水腐蚀会造成隧道衬砌混凝土结构的损坏,降低衬砌对隧道岩体的围护性能;特别是在一些冬季较为寒冷的地区,隧道缝隙中渗漏水的反复冻融很容易造成隧道衬砌出现裂隙等问题,严重影响隧道结构安全和使用年限。因此定期检测隧道内衬砌裂缝和渗漏水对于保证隧道结构安全,保证列车的通行安全具有重要意义。
传统的人工检测方法效率低,主观性强,费时费力,而且由于地铁隧道横断面直径通常大于电缆隧道,隧道顶部微小的裂缝和渗漏水痕迹不易被人眼捕捉到,因此需要一种自动检测装置才能满足大规模地铁隧道网络的裂缝与渗漏水检测要求。近些年来陆续发明了多种自动化检测设备,部分设备已经可以较为准确的识别隧道衬砌渗漏水和裂缝等病害,但在检测过程中仍面临图片采集清晰度与病害快速实时检测识别相协调的困难。即当采集图片清晰度过高时,模型运算时间较长,难以实现图片中病害的实时识别;若为了保证模型运算速度较快,图片的清晰度偏低,对于细小的裂缝检测不到。为了保证设备在拍出高精度照片的同时,能够实时快速准确的处理海量信息的数据,提高检测效率,还需要发明一种新的铁路隧道检测设备。随着自动化、智能化技术的兴起,当前许多隧道表观病害的新型检测技术被提出:
申请号为201811222356.4的中国专利提供了一种隧道裂缝检测方法、系统及终端设备,所述检测方法包括:获取待检测图像,待检测图像为隧道区域图像,提取待检测图像的特征信息,根据特征信息得到待检测图像的检测结果,若检测结果为包含裂缝,则确定待检测图像对应的隧道区域为裂缝区域,当确定出裂缝区域后,便自动进行双目立体测量,确定裂缝的几何参数,几何参数包含裂缝长度和裂缝宽度,几何参数获取速度快,无需人工进行检测以及测量裂缝,提高了对隧道裂缝几何参数的获取效率。该方法未提供如何实现双目立体测量,仅提出了一种双目测量过后的检测平台,而且该双目立体测量主要用于裂缝的识别,无判断方位、障碍物等功能。
申请号为201910856676.3的中国专利提供了一种基于红外热成像的隧道结构渗漏水精确识别装置和方法,主要解决目前隧道结构渗漏水检测中,传统的单一可见光图像检测渗漏水轮廓不准确,导致面积计算不精确的问题。本发明涉及的数据采集装置包括红外热成像仪,工业相机,补光装置,同步控制卡,激光测距仪,测距轮装置,工控机和供电系统。本发明设计的隧道结构渗漏水识别方法,利用红外热成像仪与工业相机分别采集隧道结构的红外热图像与可见光图像,先依据渗漏水区域在红外热图像中温度较低的原理提取出渗漏水中心区域,再扩大范围从可见光图像的相同区域内提取渗漏水区域,然后利用红外热图像中的温度信息修正可见光图像中提取的区域轮廓,最后计算区域面积,解决现有渗漏水区域识别不准确的问题。由于红外热图像对于温度敏感,但对于一些间歇性流动(有时候流动,有时候干涸)的渗漏水,会出现一些时间未流动形成了水渍,不能靠热红外观察。因此,该方法对于面积较小或间歇渗漏的渗漏水区域难以探测清楚,识别的精确程度不足。
申请号为201911217941.X的中国专利提供了一种基于机器视觉的车载铁路隧道检测系统,涉及到图像处理、计算机视觉和隧道限界检测领域,采用环形双目摄像机阵列的方法,通过结合计算机视觉中的立体视觉,实现对隧道限界的检测及复现,具有效率高、探测范围广、精度合适等优点。车体姿态的准确估计保证了数据融合结果的准确。系统采用分布式设计的方法,使用多台计算机(从机)同时控制所对应的摄像机设备。分布式实时测量技术的使用,提升了系统的稳定性,在计算层面同步工作减少了时间的消耗,具有较高的工作效率。通过检测车挂载摄像机测量系统的方式,实现对隧道数据的采集、计算及融合,可以很大程度上减少人工测量所需要花费的人力物力资源及时间,提高隧道检测工作的效率。但该方法选择的车载系统不够简便,设备仍需要人为驾驶操作,多个双目相机采用使得成本颇高,所采用的机器学习更偏重于还原断面的三维信息,并不能有效识别出隧道的裂缝、渗漏水等病害。
申请号为202021868813.X的中国专利提供了一种公路隧道检测车,包括车辆底盘、驾驶室和车厢,车厢的设备舱内部设有隧道检测设备,检测设备包括直线照明灯、GPS系统、彩色线阵相机、测速仪和计算机。将拍摄的图像传输至数据处理计算机进行处理,根据数据变化可查出数据超指标的区域,并逐步锁定病害源,最小识别裂缝宽度为0.2mm,为隧道健康状态评估提供依据,为隧道的检测和有效管理提供有力保障。但该设备仅能够实现裂缝的检测,计算机处理技术未说明,能否实现高精度裂缝检测仍然存在不确定性,检测车在实际过程中成本高、难维护保养,需要人工驾驶以实现,人工费、运输费成本较高。
申请号为201922161555.5的中国专利提供了一种隧道检测车用裂缝图像采集装置,属于隧道检测技术领域,包括安装台、补光灯和驱动电机,所述安装台的表面开设有凹槽,所述驱动电机的输出端通过联轴器与连接轴传动连接,所述连接轴通过轴承穿过安装台并与调节座固定连接,所述调节座上安装有两个底座,两个所述底座上均通过安装座设有摄像头基体,且所述补光灯的两侧分别通过螺钉与辅助支架固定连接,所述摄像头基体与线路主板电性连接,所述主板上依次装配有图像采集卡和蓝牙芯片。本实用新型使得补光灯能够跟随采集摄像头的调节方向随之进行调节,提高了采集装置的采集效果,且便于进行拆装与维护。该方法仅适用于断面尺寸较小的隧道的信息采集,对于大断面隧道,视野受限,不能完成采集到断面裂缝信息。
申请号为201710694763.4的中国专利提供了一种数据采集方法及隧道检测车,属于成像检测技术领域,其功能实现为控制装置控制至少一组成像装置沿预设轨迹做往复运动;当成像装置的运动方向与隧道检测车的行进方向相反,且成像装置的运动速度大小与隧道检测车的运动速度大小之间的差值在预设范围内时,控制装置控制成像装置采集隧道内壁的图像数据,该方案能够有效地避免所采集的隧道内壁的图像产生运动模糊,从而在提高隧道检测车的图像采集效率的同时提高所采集图像的质量。但该方案采集结果的数据量较大,数据存储要求高。
申请号为202011506567.8的中国专利提供了涉及一种基于双深度学习模型的隧道裂缝检测及测量方法,包括下列步骤:采集隧道图像;创建目标检测的训练集;创建语义分割的训练集;训练目标检测模型;训练语义分割模型;使用训练好的目标检测模型对输入的待检测图像进行检测判断是否有裂缝;将有裂缝的图像输入到训练好的语义分割模型中进行图像分割;预测图像类别、裂缝位于图像中的坐标、裂缝长度信息;将模型预测的结果进行输出和保存。本发明与单纯图像处理技术相比,本发明检测准确率高,检测速度快;与纯深度学习算法相比,本发明除具有深度学习算法的优点外,还能进一步挖掘裂缝长度信息。但该方法无法实现裂缝与渗漏水的同时检测,对裂缝的宽度识别准确度较低。
申请号为202010570943.3的中国专利提供了一种隧道渗漏水识别方法,包括如下步骤:(1)接入视频流,进行单帧图像预处理;(2)使用训练好的LVQ模型对处理后的图像进行识别;(3)判断是否存在渗漏水情况;(4)一旦发现渗漏水,保存当前帧视频图像并使用Canny算法对渗漏水进行边缘计算,判断渗漏水程度并输出;(5)运营人员视严重程度安排人员检测。采用上述方案后,大大提高了渗漏水检测的效率以及预防,有利于隧道运营方对隧道的养护工作。但该方法复杂,难以实现裂缝与渗漏水的同时分割。
总而言之,目前对铁路隧道的病害检测方法存在较多的局限性,其一是难以清晰采集到不同断面尺寸的隧道内壁的信息,其二是检测装置笨重、自动化程度低,多数需要人为操作,其三是采集信息量较大,图片实时处理较慢,多数高精度无病害图像会影响信息处理速度并占用大量空间,其四是对采集到的图片信息不能实现渗漏水与裂缝的同时检测。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法。
本发明的技术解决方案如下:
一种地铁隧道衬砌裂缝渗漏水病害快速检测装置,包括:
机身,
位于机身的图像摄取系统,其用于采集隧道全方位图像信息和隧道前方的环境感知信息;
位于机身的自动行驶系统,其用于驱动装置在隧道内的自动行驶;
位于机身的控制系统,其用于获取图像摄取系统和自动行驶系统的数据信息并对所述信息做出控制指令;
位于机身的信号传输系统,其用于实时传输图像摄取系统和自动行驶系统的数据信息和控制系统发出的控制指令;
智能终端系统,其用于接收图像摄取系统和自动行驶系统的数据信息并进行显示。
优选地,所述图像摄取系统包括由三组面阵相机、一组线阵相机以及双目相机组合而成的可拆卸全方位相机组;
所述面阵相机分别用于获取机身所处隧道的上方和两侧的图像信息;
所述线阵相机用于获取机身所处隧道下方轨道的图像信息;
所述双目相机用于获取机身所处隧道前方的图像信息。
优选地,所述机身上还设置有若干检测光源,分别与面阵相机、线阵相机、双目相机邻近设置。
优选地,所述自动行驶系统包括位于机身底部的轨道滑轮和用于驱动所述轨道滑轮移动的驱动装置。
优选地,所述信号传输系统包括位于机身的天线和位于隧道内的泄露电缆。
优选地,所述机身上设置有可伸缩曲杆,所述天线可拆卸地设置于可伸缩曲杆的顶部,所述全方位相机组可拆卸地设置与所述可伸缩曲杆上。
优选地,所述机身上具有一安装槽和位于安装槽上的保护门,所述控制系统位于所述安装槽内,所述保护门上设置有一透明显示盖。
优选地,所述控制系统包括计算机和控制面板。
本发明还公开了一种地铁隧道衬砌裂缝渗漏水病害快速检测装置的检测方法,在地铁隧道进行第一次精细化检测时,检测装置采用第一速度行驶、第一帧率以及第一分辨率进行采集图像信息并进行图像识别,获得整条隧道的病害区和相对安全区,对同一条地铁隧道再次检测时,检测装置在相对安全区采用第二速度行驶、第二帧率、第二分辨率采集图像信息并识别以判断是否有新病害区域,如有,将该区域划分到下一次检测时的病害区,在病害区采用第三速度行驶、第三帧率和第三分辨率采集图像信息。
优选地,所述第一速度为35-50km/h,第一帧率为10-20fps,第一分辨率为3072×2048;第二速度为90-110km/h,第二帧率为25-35fps,第二分辨率为2592×1520;
第三速度为90-110km/h,第三帧率为40-50fps,第三分辨率为1920×1200。
优选地,所述图像识别采样深度学习中的YOLO模型实现。
本发明的有益效果是:本发明通过首次精细化检测,在后续隧道检测中依据隧道内的病害分布情况在拍摄时实现相机不同帧率与不同分辨率的采集,节省采集时间、提高存储与传输速度,另外通过依托深度学习中的YOLO模型,由于YOLO基于深度学习方法可实现end-to-end的目标检测,将目标区域预测和目标类别预测整合于单个神经网络模型中,能够实现快速检测的同时还能达到较高的准确率,即基于深度学习模型实现病害的精确识别,挖掘多次不同时间点采集到的病害信息,演绎渗漏水及裂缝随时间变化的发展演变过程,能够为病害演变机理和治理方案的研究提供依据。
附图说明
图1是本发明第一实施例的结构示意图一;
图2是本发明第一实施例的结构示意图二;
图3是本发明第一实施例中全方位相机组的结构示意图;
图4是本发明第一实施例中的全方位相机组采集示意图;
图5是本发明第一实施例的检测装置收纳后的结构示意图;
图6是本发明第二实施例中YOLO模型预测原理示意图;
图7是本发明第二实施例中YOLO模型网络结构示意图;
图8是本发明第二实施例的检测原理框架图;
图中,100-图像摄取系统,200-自动行驶系统,300-信号传输系统,400-控制系统,500-智能终端系统,1-天线,2-可伸缩曲杆,3-全方位相机组,4-顶部面阵相机,5-隧道顶光源,6-侧面面阵相机,7-侧向光源,8-轨道线阵相机,9.轨道光源,10-操作面板,11-计算机,12-集成主机单元,13-驱动电机与传动系统,14-电池组,15-保护门,16-透明显示盖,17-主动轮,18-从动轮,19-双目相机,20-前照光源,21-隐形式插槽。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
需要说明的是:
地铁隧道:地铁隧道是指用于城市地铁运行的隧道式构筑物。
计算机视觉:计算机视觉(Computer vision)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图像处理,用计算机处理成为更适合人眼观察或传送给仪器检测的图像。
目标检测:目标检测是计算机视觉中比较简单的任务,用来在一张图篇中找到某些特定的物体,目标检测不仅要求我们识别这些物体的种类,同时要求我们标出这些物体的位置。
机器学习:机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学,是人工智能中最具智能特征,最前沿的研究领域之一。
YOLO模型:YOLO的全称是You only look once,指只需要浏览一次就可以识别出图中的物体的类别和位置,属于一种机器学习目标检测模型。
帧率:是以帧称为单位的图像连续出现的频率(速率)。
渗漏水/裂缝:隧道中常见的病害特征。
参照图1至图8,本发明的第一实施例:
一种地铁隧道衬砌裂缝渗漏水病害快速检测装置,包括:
机身,
位于机身的图像摄取系统100,其用于采集隧道全方位图像信息和隧道前方的环境感知信息;具体地,所述图像摄取系统100包括由三组面阵相机、一组线阵相机以及双目相机19组合而成的可拆卸全方位相机组3;
所述面阵相机分别用于获取机身所处隧道的上方和两侧方的图像信息;
所述线阵相机用于获取机身所处隧道下方的图像信息;
所述双目相机19用于获取机身所处隧道前方的图像信息。
所述机身上还设置有若干检测光源,分别与面阵相机、线阵相机、双目相机邻近设置。
具体应用时,其中三组面阵相机分别为一组顶部面阵相机4、两组侧面面阵相机6;一组线阵相机为轨道线阵相机8;每组相机数量至少有2个,顶部面阵相机4之间设置有隧道顶光源5,侧面面阵相机组的之间设置有侧向光源,
双目相机19之间设置有前照光源20;
轨道线阵相机之间设置有轨道光源;
位于机身的自动行驶系统200,其用于驱动装置在隧道内的自动行驶;具体应用时,所述自动行驶系统200包括位于机身底部的轨道滑轮和用于驱动所述轨道滑轮移动的驱动装置。驱动装置包括驱动电机与传动系统13。
轨道滑轮包括从动轮18和主动轮17,驱动电机与传动系统13将动力传输至主动轮17,主动轮17移动从而带动从动轮18移动,其中驱动电机连接有电池组14。图像摄取系统100通过双目相机19判断前方障碍物与弯道等情况,传输给控制系统400中的计算机做出对应决策,由自动行驶系统200调节变速器、制动保护单元执行。装置行进过程保持恒定速度,同各相机拍摄帧率相协调。
位于机身的控制系统400,其用于获取图像摄取系统和自动行驶系统的数据信息并对所述信息作出控制指令;其主要由专用的计算机11、操作面板、专业软件所组成,其主要功能如下:
其一,在复杂的隧道环境中自适应控制整个装置各系统相互协调工作,尤其是根据精细化采集信息控制图像摄取系统100二次采集时的帧率与精度,完成隧道病害信息的采集;其二,其可连接手持平板与终端,接收来自平板与终端的指令,及时做出对应决策,实时反馈整个装置的运行信息;其三,对接收到的图片信息进行储存、预处理、打包、传输。
计算机为控制系统的功能实现提供软件与硬件支持,其硬件功能满足输入图像的预处理与传输的实时处理,保证与外连接设备(平板、终端)的稳定传输。操作面板反映设备的工作运行状态,包括网络连接、电量、储存、摄像机工作情况等,操作面板显示的信息仅方便为工作人员进行检查。同时操作面板设置不同的快捷指令操作,可预设置装置运行速度(低速35-50km/h,中速60-80km/h,高速90-110km/h)、每次打包信息的采样距离(5~30m可调)等。专业软件以计算机为载体展示在操作面板上,与终端处理器信息同步,主要的功能模块有运行设置、相机协调、终端连接、图像处理、模式选择、存储操作等,方便人机交互,保证与终端系统平台协调工作。
位于机身的信号传输系统300,其用于实时传输图像摄取系统和自动行驶系统的数据信息和控制系统发出的控制指令;具体应用时,所述信号传输系统300包括位于机身的天线1和位于隧道内的泄露电缆。泄露电缆是目前地铁隧道内常用的一种无线通信体制,它可作为装置与终端信号传输的媒介。电磁波在泄露电缆中纵向传输的同时通过槽孔向外界辐射电磁波,外界的电磁场(本装置通过天线实现)也可通过槽孔感应到泄露电缆内部并传送到接收端。具体地,控制系统对采集到的图片与位置信息预处理后,通过天线实时将数据文件传输到终端系统进行数据处理,并接收操作指令,还可同平板、终端处理器相连接。
智能终端系统500,其用于接收图像摄取系统和自动行驶系统的数据信息并进行显示。该系统主要由高效中央处理器、储存单元、专业软件平台等计算机系统设备构成,其功能有如下四点:其一,和手持平板共享平台,对检测装置进行远程操作,实时观测装置的运行状态信息,接收采样图片的打包文件;其二,根据隧道第一次精细化采样信息生成隧道内各检测部位的适应化的拍摄频率与分辨率,兼顾有效数据的储存与采集;其三,通过深度学习与计算机视觉技术对图片上存在的渗漏水、裂缝以及铁轨缺陷进行高效准确地识别,将病害部位及危险程度以可视化报告反映出来。其四,基于三维可视化平台,根据所采集到的信息形成隧道及其病害的三维图像,重点标出各种病害的信息,并根据采集时间生成裂缝及渗水区域的演化图像,为裂缝、渗水的演变科学提供大数据支持。
作为本发明的优选实施例,其还可具有以下附加技术特征:
所述机身上设置有可伸缩曲杆2,所述天线1可拆卸地设置于可伸缩曲杆2的顶部,所述全方位相机组3可拆卸地设置与所述可伸缩曲杆2上,具体地,机身上通过隐形式插槽21与可伸缩曲杆2中接口相连。该设置,方便可伸缩曲杆2收入整个装置内部时不受影响,增强装置的小巧便携性。为满足该装置的移动与收纳的便利性,在不工作时,将两天线1与全方位相机组3放置在一收纳盒中,该装置其余部分由可伸缩曲杆2功能实现节省空间的收纳。
所述机身上具有一安装槽和位于安装槽上的保护门15,所述控制系统400位于所述安装槽内,所述保护门15上设置有一透明显示盖16,直观性较好。
本发明还公开了第二实施例:
一种地铁隧道衬砌裂缝渗漏水病害快速检测装置的检测方法,在地铁隧道进行第一次精细化检测时,检测装置采用第一速度行驶、第一帧率以及第一分辨率进行采集图像信息并进行图像识别,获得整条隧道的病害区和相对安全区,对同一条地铁隧道再次检测时,检测装置在相对安全区采用第二速度行驶、第二帧率采集图像信息并识别以判断是否有新病害区域,如有,将该区域划分到下一次检测时的病害区,在病害区采用第三速度行驶和第三帧率采集图像信息。
所述第一速度为35-50km/h,第一帧率为10-20fps,第一分辨率为3072×2048;
第二速度为90-110km/h,第二帧率为25-35fps,第二分辨率为2592×1520;
第三速度为90-110km/h,第三帧率为40-50fps,第三分辨率为1920×1200。
所述图像识别采样深度学习中的YOLO模型实现。
对病害实时高效识别的第一个首个关键点是基于变频(帧率)拍照节省采集时间、提高存储与传输速度,其实现具体如下:
在一条地铁隧道第一次精细化检测(高分辨率拍摄、低速度行驶)时就已经描绘出了整条隧道的病害区(在相机视野内存在病害的区域)和相对安全区(相对以往检测相机视野内不存在病害的区域)。在后续对同一条隧道检测时,在满足深度学习可识别的最小病害范围下(裂缝精度0.5mm,渗漏水精度0.25mm2,轨道表观病害精度0.3mm)提前预设置各相机的分辨率,装置进行图像采集时保持中高速行驶,在相对安全区调节帧率至25-35fps,即通过帧率和行驶速率的调整以实现相邻图片中拍摄不重复的部分;病害区,由计算机提高帧率进行快速采集,将全面反映病害状态。每一次从相对安全区采集到了新的病害皆加入到下一次的病害区。前方的双目相机19由于拍摄范围较广,在采集过程中设置为高分辨率为2060×1960,相对降低帧率为30fps,可在两侧相机未到达病害所在区域时提前进行检测,所得到的图像可与上下左右相机的图像进行交相验证,避免遗漏病害。
对病害实时高效识别的第二个关键点是图像的快速处理与准确识别,其主要依托的是深度学习中的YOLO模型。YOLO基于深度学习方法可实现end-to-end的目标检测,将目标区域预测和目标类别预测整合于单个神经网络模型中,其特点是实现快速检测的同时还达到较高的准确率,更适合工程现场的应用环境。YOLO模型实现原理可参考图6-7,参考文献:[1]Redmon J,Divvala S,Girshick R,et al.You Only Look Once:Unified,Real-Time Object Detection[J].IEEE,2016.
结合第一实施例的装置使用的检测方法如下:
(1)使轨道滑轮紧贴轨道,根据隧道的断面尺寸调节可伸缩曲杆2的高度位置,安装好全方位相机组3和天线1;
(2)通过控制面板检查装置是否能在轨道上正常运行,检查装置工作电量是否充足,检查各相机是否能正常运行,连接手持平板与终端,检查无线连接是否稳定,智能终端系统是否能进行信息同步,确保整个装置的正常工作;
(3)设置自动行驶模式,使装置沿着轨道进行信息采集;
(4)如果隧道是第一次检测,将行驶速度设置为35-50km/h,全程保持匀速,将各相机的分辨率调整至能识别隧道裂缝精度为0.2mm,沿轨道对整段隧道进行图像采集,经控制系统将每25m采集到的图片信息进行打包传输给智能终端系统进行病害识别与三维图像建模;
(5)如果隧道不是第一次检测,保持行驶速度90-110km/h,全程保持匀速,双目相机19进行恒等帧率拍摄,每5m更新一张照片,分辨率可实现前方裂缝精度1mm的粗略识别;
(6)顶部面阵相机4、轨道线阵相机8、侧面面阵相机6即上下左右的各相机组进行变频拍摄,根据之前检测到的病害位置信息进行此次检测的帧率控制,对病害区域实时多次拍摄,分辨率达到0.5mm的裂缝识别精度,对相对安全区域仅捕捉一次,不重复拍摄;
(7)当双目相机19检测到前方具有障碍物或危险时,进行及时预警并制动;
(8)非首次采集时,图像摄取系统100将采集到的图片信息根据每60m打包后经信号传输系统300发给智能终端系统;
(9)智能终端系统500对接收到的图片进行实时处理,基于YOLO模型识别出图片中的病害,包括裂缝、渗漏水、轨道裂缝等,并在建好的三维模型中进行位置标定;
(10)完成一条隧道检测后,关闭设备,将装置的镜头组与天线拆下放置在保护收纳盒中,降下可伸缩曲2杆,实现轻量便携运输;
(11)多次检测后,获得同一隧道多个时间点的采集数据,用图像处理技术生成不同位置存在病害的演变过程,为病害机理研究提供依据。
在不出现冲突的前提下,本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
以上所述仅为本发明的优选实施方式,只要以基本相同手段实现本发明目的的技术方案都属于本发明的保护范围之内。
Claims (5)
1.一种地铁隧道衬砌裂缝渗漏水病害快速检测装置的检测方法,其特征在于,
所述地铁隧道衬砌裂缝渗漏水病害快速检测装置,包括:
机身,
位于机身的图像摄取系统(100),其用于采集隧道全方位图像信息和感知隧道前方的环境信息;
位于机身的自动行驶系统(200),其用于驱动装置在隧道内的自动行驶;
位于机身的控制系统(400),其用于获取图像摄取系统(100)和自动行驶系统(200)的数据信息并对所述数据信息做出控制指令;包括根据精细化采集信息控制图像摄取系统(100)二次采集时的帧率与精度;
位于机身的信号传输系统(300),其用于实时传输图像摄取系统(100)和自动行驶系统(200)的数据信息和控制系统(400)发出的控制指令;
智能终端系统(500),其用于接收图像摄取系统(100)和自动行驶系统(200)的数据信息并进行显示;
所述图像摄取系统(100)包括由三组面阵相机、一组线阵相机以及双目相机(19)组合而成的可拆卸全方位相机组(3);
所述面阵相机分别用于获取机身所处隧道的上方和两侧的图像信息;
所述线阵相机用于获取机身所处隧道下方轨道的图像信息;
所述双目相机(19)用于获取机身所处隧道前方的图像信息;
所述信号传输系统(300)包括位于机身的天线(1)和位于隧道内的泄露电缆;
所述机身上设置有可伸缩曲杆(2),所述天线(1)可拆卸地设置于可伸缩曲杆(2)的顶部,所述全方位相机组(3)可拆卸地设置于所述可伸缩曲杆(2)上;
在地铁隧道进行第一次精细化检测时,检测装置采用第一速度行驶、第一帧率以及第一分辨率进行采集图像信息并进行图像识别,获得整条隧道的病害区和相对安全区,对同一条地铁隧道再次检测时,检测装置在相对安全区采用第二速度行驶、第二帧率、第二分辨率采集图像信息并识别以判断是否有新病害区域,如有,将该区域划分到下一次检测时的病害区,在病害区采用第三速度行驶、第三帧率和第三分辨率采集图像信息,所述第一速度为35-50km/h,第一帧率为10-20fps,第一分辨率为3072×2048;
第二速度为90-110km/h,第二帧率为25-35fps,第二分辨率为2592×1520;
第三速度为90-110km/h,第三帧率为40-50fps,第三分辨率为1920×1200。
2.根据权利要求1所述的一种地铁隧道衬砌裂缝渗漏水病害快速检测装置的检测方法,其特征在于,所述图像识别采用深度学习中的YOLO模型实现。
3.根据权利要求2所述的一种地铁隧道衬砌裂缝渗漏水病害快速检测装置的检测方法,其特征在于,所述机身上还设置有若干检测光源,分别与面阵相机、线阵相机、双目相机邻近设置。
4.根据权利要求1所述的一种地铁隧道衬砌裂缝渗漏水病害快速检测装置的检测方法,其特征在于,所述自动行驶系统(200)包括位于机身底部的轨道滑轮和用于驱动所述轨道滑轮移动的驱动装置。
5.根据权利要求1所述的一种地铁隧道衬砌裂缝渗漏水病害快速检测装置的检测方法,其特征在于,所述机身上具有一安装槽和位于安装槽上的保护门(15),所述控制系统(400)位于所述安装槽内,所述保护门(15)上设置有一透明显示盖(16)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111451734.8A CN114113118B (zh) | 2021-12-01 | 2021-12-01 | 一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111451734.8A CN114113118B (zh) | 2021-12-01 | 2021-12-01 | 一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114113118A CN114113118A (zh) | 2022-03-01 |
CN114113118B true CN114113118B (zh) | 2023-10-13 |
Family
ID=80369182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111451734.8A Active CN114113118B (zh) | 2021-12-01 | 2021-12-01 | 一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114113118B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821514B (zh) * | 2022-06-30 | 2022-11-11 | 交通运输部公路科学研究所 | 一种用于检测隧道路面湿滑状态的移动检测系统 |
CN115082802B (zh) * | 2022-08-18 | 2023-02-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路病害识别方法、装置、设备及可读存储介质 |
CN115184378B (zh) * | 2022-09-15 | 2024-03-29 | 北京思莫特科技有限公司 | 一种基于移动设备的混凝土结构病害检测系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010106495A (ja) * | 2008-10-29 | 2010-05-13 | Railway Technical Res Inst | トンネル壁面撮影装置 |
JP2015222913A (ja) * | 2014-05-23 | 2015-12-10 | 国立大学法人広島大学 | 間歇的トラッキング撮影装置 |
CN108828589A (zh) * | 2018-06-19 | 2018-11-16 | 西安交通大学 | 地铁盾构隧道衬砌质量高精度快速车载检测方法与装置 |
CN108918539A (zh) * | 2018-07-27 | 2018-11-30 | 同济大学 | 一种隧道结构表观病害检测装置及方法 |
CN110455821A (zh) * | 2019-07-03 | 2019-11-15 | 南京理工大学 | 公路隧道及地铁隧道表观病害自动检测系统装置及方法 |
CN111413353A (zh) * | 2020-04-03 | 2020-07-14 | 中铁隧道局集团有限公司 | 一种隧道衬砌病害综合检测车 |
EP3712782A1 (en) * | 2019-03-20 | 2020-09-23 | Ricoh Company, Ltd. | Diagnosis processing apparatus, diagnosis system, and diagnosis processing method |
CN111866337A (zh) * | 2020-06-30 | 2020-10-30 | 北京福瑶科技有限公司 | 智能巡检机器人及巡检方法 |
CN112329531A (zh) * | 2020-09-30 | 2021-02-05 | 山东大学 | 用于管廊表观病害检测的线阵双目成像系统与工作方法 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
-
2021
- 2021-12-01 CN CN202111451734.8A patent/CN114113118B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010106495A (ja) * | 2008-10-29 | 2010-05-13 | Railway Technical Res Inst | トンネル壁面撮影装置 |
JP2015222913A (ja) * | 2014-05-23 | 2015-12-10 | 国立大学法人広島大学 | 間歇的トラッキング撮影装置 |
CN108828589A (zh) * | 2018-06-19 | 2018-11-16 | 西安交通大学 | 地铁盾构隧道衬砌质量高精度快速车载检测方法与装置 |
CN108918539A (zh) * | 2018-07-27 | 2018-11-30 | 同济大学 | 一种隧道结构表观病害检测装置及方法 |
EP3712782A1 (en) * | 2019-03-20 | 2020-09-23 | Ricoh Company, Ltd. | Diagnosis processing apparatus, diagnosis system, and diagnosis processing method |
CN110455821A (zh) * | 2019-07-03 | 2019-11-15 | 南京理工大学 | 公路隧道及地铁隧道表观病害自动检测系统装置及方法 |
CN111413353A (zh) * | 2020-04-03 | 2020-07-14 | 中铁隧道局集团有限公司 | 一种隧道衬砌病害综合检测车 |
CN111866337A (zh) * | 2020-06-30 | 2020-10-30 | 北京福瑶科技有限公司 | 智能巡检机器人及巡检方法 |
CN112329531A (zh) * | 2020-09-30 | 2021-02-05 | 山东大学 | 用于管廊表观病害检测的线阵双目成像系统与工作方法 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
Non-Patent Citations (2)
Title |
---|
"Towards Automated 3D Inspection ofWater Leakages in Shield Tunnel Linings Using Mobile Laser Scanning Data";Hongwei Huang;《sensors》;全文 * |
基于CMOS视频采集卡的X光管道环焊缝检测系统;霍达等;仪表技术与传感器(12);第160-166页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114113118A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114113118B (zh) | 一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法 | |
WO2021068848A1 (zh) | 隧道结构病害多尺度检测与智能诊断系统及方法 | |
CN106049210B (zh) | 一种轨道状态智能检测平台 | |
CN102706880B (zh) | 基于二维图像和深度信息的路面信息提取装置及使用该装置实现路面裂纹信息的检测方法 | |
CN106680290B (zh) | 狭窄空间的多功能检测车 | |
CN108731736A (zh) | 用于桥隧结构病害无损检测诊断的自动爬墙式雷达光电机器人系统 | |
CN110487816A (zh) | 一种隧道巡检图像采集装置及隧道巡检系统 | |
CN109737981B (zh) | 基于多传感器的无人车目标搜索装置及方法 | |
CN203580743U (zh) | 一种车载式隧道测量系统 | |
CN104749187A (zh) | 基于红外温度场和灰度图像的隧道衬砌病害检测装置 | |
CN103778681A (zh) | 一种车载高速公路巡检系统及数据获取和处理方法 | |
CN105905132A (zh) | 一种轨道状态智能巡检装置和方法 | |
CN205081392U (zh) | 一种线路智能巡检机器人 | |
CN110362090A (zh) | 一种巡检机器人控制系统 | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN115793093B (zh) | 堤坝隐伏病险诊断空地一体化装备 | |
CN111413353A (zh) | 一种隧道衬砌病害综合检测车 | |
CN202630925U (zh) | 车辆外廓尺寸智能测量系统 | |
CN104570764A (zh) | 一种机载目标指示系统验证平台 | |
CN107390699A (zh) | 一种甘蔗种植机的路线规划系统及其路线规划方法 | |
CN113155176A (zh) | 一种隧道衬砌结构病害综合检测装置及方法 | |
CN109341542A (zh) | 基于数字信号序列长度识别裂缝宽度的方法及其监测装置 | |
CN201345166Y (zh) | 视频通道车辆检测器 | |
CN111398309A (zh) | 一种隧道衬砌病害综合检测车的表观检测系统 | |
CN213750759U (zh) | 一种基于slam技术的铁路隧道智能巡检车 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |