CN114511014A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114511014A CN114511014A CN202210071582.7A CN202210071582A CN114511014A CN 114511014 A CN114511014 A CN 114511014A CN 202210071582 A CN202210071582 A CN 202210071582A CN 114511014 A CN114511014 A CN 114511014A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- subway tunnel
- tunnel
- disease
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 201000010099 disease Diseases 0.000 claims abstract description 120
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000001360 synchronised effect Effects 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000003384 imaging method Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000009736 wetting Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000001965 increasing effect Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008595 infiltration Effects 0.000 claims description 4
- 238000001764 infiltration Methods 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 15
- 238000012850 discrimination method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种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，包括数据采集模块、数据预处理模块，影像拼接模块，神经网络数据集构建模块；通过8‑阵列CCD相机，采用同步控制装置，同时对地铁隧道壁进行拼接成像。本发明采用VGG16网络对拼接后的图像渗漏水病害位置作为训练集进行预训练，使用cascade R‑CNN网络来增加系统的可靠性和效率，最终能够在影像上清晰地标记出病害的位置，并通过检测框判别方法得到病害的类型，结合每次成像时，数据采集系统记录的系统位置，实现隧道病害的全自动采集、定位，代替传统人工采集方法，实现高效隧道渗漏水病害识别、定位。
Description
技术领域
本发明涉及隧道检测技术领域，尤其涉及一种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。
背景技术
我国地铁隧道多是盾构隧道，隧道掘进速度快、安全性高，不影响地面交通和设施，可实现自动化作业，人工劳动强度低。但是，由于地铁隧道沿线各路段工程地质、水文地质条件不同，在富水松软土层等沉降较难控制的区段，对衬砌整体要求很高。影响地铁隧道建设和运营安全的主要问题包括：渗漏水、管片损伤、管片错台、管片接缝张开、道床与管片脱开等，其中最常见也是影响较大的是管片损伤(裂缝、缺角、缺损)与渗漏水。
针对盾构地铁隧道病害监测，现在主要使用的监测仪器包括：测缝计、位移计、收敛计、倾斜仪、测斜仪等，这些设备都是静态传感器；使用全站仪等测量设备进行地铁隧道病害监测，虽然能够实现高精度监测，但也存在监测周期长、效率低、耗时耗力等问题，且由于测距有限，全站仪测量无法全面反映隧道内部病害的具体情况。
目前，基于新型传感器技术的快速发展，数据获取手段不断丰富。对地铁病害的监测从传统静态观测手段转向实时、动态地数据获取，使用多CCD相机阵列和三维激光扫描技术，将以往的化学、物理监测数据序列分析转变为数字影像处理，构建更加方便、快捷和直观地隧道病害监测系统。
地铁盾构隧道断面呈椭圆形，将普通CCD相机按照一定角度顺序排列，在同步控制系统的作用下，同时对一个椭圆断面进行成像，获得同一断面不同位置的影像。再使用图像拼接算法，将该断面内的连续影像进行拼接处理，得到一张完整的环形断面影像。使用武汉夕睿光电技术有限公司生产的8-阵列CCD相机，相机间安置角为37.5°，可对地铁隧道椭圆断面进行成像，获得上述目标影像。
在地铁隧道背景下，获取的灰度影像使用传统数字图像处理方法进行处理，由于对比度不高，且存在一定噪声，Canny算子、SUSAN算子、Sobel算子等边缘、角点检测算子难以发挥作用。随着机器学习，尤其是深度学习的发展，基于支持向量机、随机森林和神经网络的图像处理方法不断涌现，为地铁隧道病害检测提供了思路。
目前的算法多使用卷积神经网络，要么目标集中在将病害区域标记出，且检测率不高，检测后也没有进行下一步处理，例如得到渗漏病害区域参数；要么检测效果较好，容易进行参数提取，但算法复杂，规模庞大，效率较低。因此，提出一种高效检测地铁盾构隧道渗漏水病害的卷积神经网络方法，是领域内急需解决的重大课题。
发明内容
本发明的目的在于提供一种基于图像深度学习算法的地铁隧道渗漏水检测系统，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于图像深度学习算法的地铁隧道渗漏水检测系统，包括数据采集模块、数据预处理模块，影像拼接模块，神经网络数据集构建模块，其中所述神经网络数据集构建模块包括病害精确定位模块，影像病害提取初始化模块，基础数据集模块，影像病害检测框生成模块，影像病害目标检测模块和误匹配修正模块；
其中所述数据采集模块用于获取地铁隧道内部影像数据；
所述数据预处理模块用于对所述数据采集模块获取的地铁隧道影像数据进行包括但不限于去噪、畸变校正的预处理过程；
所述影像拼接模块用于对两张相邻地铁隧道相片的重叠区域进行特征提取，判据判断同名特征，求解图像拼接的变化矩阵，实现相邻影像的拼接，确定影像所在的里程位置信息；
所述病害精确定位模块用于根据影像的里程信息与地铁隧道影像渗水病害平面坐标确定地铁隧道渗水病害的位置，计算该位置的三维坐标；
所述基础数据集模块用于人工框选渗水病害目标范围，生成掩膜图像；
所述影像病害提取初始化模块用于对神经网络的权重进行初始化，完成神经网络的训练；
所述影像病害检测框生成模块用于生成地铁隧道影像漏水病害检测框，获取候选区；
所述影像病害目标检测模块用于提取特征图，结合候选区生成候选区特征图，根据候选区中提取的特征点对候选区进行分类，完成渗水病害检测；
所述误匹配修正模块用于对渗水病害检测结果进行修正，提高检测准确率。
优选的，所述数据预处理模块用于使用自适应直方图均衡化方法对地铁隧道影像进行去噪处理，使用畸变校正公式对地铁隧道影像进行畸变校正，其中，所述使用自适应直方图均衡化方法对地铁隧道影像进行去噪处理具体包括:
采用均值滤波和/或高斯滤波对地铁隧道影像中产生的高斯噪声进行去噪处理，对于椒盐噪声则采用中值滤波进行去噪处理；然后采用直方图均衡化、自适应直方图均衡化以及限制对比度自适应直方图均衡化的方法增大图像像素灰度值的动态范围，从而增强经过去噪处理后的地铁隧道图像的对比度；
所述使用畸变校正公式对地铁隧道影像进行畸变校正，具体包括：
对于影像可能出现的径向畸变和切向畸变，对于径向畸变和切向畸变均能够通过泰勒级数展开式进行校正，通过相机标定估算理想无畸变的情况下，五个内参和六个外参，应用最小二乘法估算实际存在径向畸变下的畸变系数，确定畸变校正公式，根据畸变校正公式对影像各像素进行刚性变换、仿射变换或投影变换，从而获得畸变校正后影像。
优选的，所述影像拼接模块用于使用最小二乘方法迭代求解用于图像拼接的变化矩阵，实现相邻影像的拼接，具体包括：
首先对相邻影像进行特征点提取，在得到特征点后，需要对特征点进行匹配，获得相邻影像的同名点，之后根据同名点之间的关系，根据尺度空间特征变换算子得到相邻影像的透视矩阵，使用最小二乘方法计算两张影像之间的透视矩阵，完成对图像的配准，即将两幅影像转换为同一坐标下的一幅图像；最后对新图像的重叠边界进行加权融合的特殊处理过程，使拼接后的影像不存在很大的灰度差异。
优选的，所述数据采集模块包括8-阵列CCD相机、同步控制器和惯性导航系统，其中所述8-阵列CCD相机包括拍摄相机、CCD传感器，所述拍摄相机采用固定支架固定在检测小车上，且每个相机的主光轴之间相差37.5°，采用同步控制器同时控制所有的拍摄相机获取隧道影像，当拍摄相机获取隧道景象后，通过CCD传感器将信号转换生成图像文件传输至所述数据预处理模块，同时由惯性导航系统确认影像的位置信息也传输至所述数据预处理模块。
优选的，所述CCD传感器将信号转换生成图像文件传输至所述数据预处理模块具体为：
相机拍摄时，隧道景物反射的光线经由相机的镜头透射到CCD传感器上；而后CCD经过曝光，光电二极管受到光线激发而释放电荷，感光元件的电信号产生；光电二极管产生的电流被CCD控制芯片利用感光元件中的控制信号线路进行控制，通过电流传输电路输出，每次成像，CCD传感器都会将产生的电信号进行收集，统一输出到放大器；信号在经过放大器放大和滤波处理后，被送到数模转换组件，由A/D将电信号转换为数字信号，数值的大小和电信号的强度成正比，也即和电压的高低成正比；数字信号继续被送往数字信号处理器DSP，经过色彩校正、白平衡处理后，编码为相机支持的图像格式、分辨率，最后被存储为图像文件。
优选的，所述病害准确定位模块用于根据里程记录数据与结合惯性导航系统提供的位姿信息，通过卡尔曼滤波和同步控制器，记录每个成像时刻POS信息，结合通过设置的标靶寻找大致里程桩位置，使用数字识别算法，获取的图像中里程桩的数字及字母信息，确定影像所在的里程位置信息。
优选的，所述病害目标检测模块根据候选区中提取的特征点对候选区进行分类，完成渗水病害检测中，所述分类的标准为五级标准，具体为：
1级，湿润，表征隧道结构表面出现湿润现象，保持正常养护；
2级，渗润，隧道结构有水渗出，存在安全隐患，需要加强养护；
3级，滴水，隧道结构有水滴出，处于不安全状态，需要及时维修；
4级，漏水，隧道结构有水漏出，应立即停止隧道运营，并采取维修措施；
5级，射水，隧道极不安全，危及人、车，应当立即采取紧急措施维修。
本发明的另一个目的在于提供了一种基于图像深度学习算法的地铁隧道漏水检测方法，采用所述的基于图像深度学习算法的地铁隧道渗漏水检测系统实现，包括以下步骤：
S1，采用数据采集模块获取隧道中的影像数据，经过数据预处理模块和影像拼接模块的处理后形成影像数据集；
S2，将影像数据集按照比例划分为训练数据集和验证数据集，构建神经网络深度学习模型，以训练数据集作为训练样本，采用影像标记模块框选出训练数据集中的渗水病害目标范围，并生成掩膜图像；采用病害目标检测模块对训练数据集中的影像进行特征提取，并根据提取的特征对渗水情况进行分类标记；
将隧道壁正常，无渗漏水现象发生的像素标记为0；将湿润这类病害的像素标记为1；将渗润这类病害的像素标记为2；将滴水这类病害的像素标记为3；将漏水这类病害的像素标记为4；将射水这类病害的像素标记为5；
S3，采用验证数据集验证步骤S2中建立的深度学习模型，将待验证数据集中的影像数据输入深度学习模型后，检测得到渗水病害类型，同时采用病害精确定位模块迅速根据影像的里程信息与地铁隧道影像渗水病害平面坐标确定地铁隧道渗水病害的位置，计算该位置的三维坐标，从而检测得到地铁隧道渗漏水检测结果。
优选的，构建深度学习模型时，影像特征提取使用13层卷积层+3层全连接层组成的VGG16网络，卷积层和全连接层的激活函数都使用ReLU，在池化过程中，网络使用的是最大池化；采用影像标记模块使用Region Proposal Networks进行框选标记，通过softmax分类器判断候选区域的指标值，再使用包围盒回归算法修正检测框；对于网络生成的检测框，使用四维向量(x,y,w,h)表示，其中(x,y)是检测框的窗口中心坐标，(w,h)是检测框的宽和高，设计L1损失函数并做了函数优化，在训练得到参数的真实值后，回归网络分支输出的每个检测框都有平移量参数和尺度缩放参数，就可以用来修正检测框的位置。
本发明的有益效果是：
本发明公开了一种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，在VGG16网络和cascade R-CNN结构的共同支持下，系统从数据获取开始，通过8-阵列CCD相机，采用同步控制装置，同时对地铁隧道壁进行成像。同时，对获取的图像进行一系列预处理后，通过影像匹配模块对图像进行配准，将隧道壁影像生成一幅大图。上述系统能够稳定、快捷、方便地获取地铁隧道壁影像，系统同步控制速度可根据运行速度进行调整，能够实现复杂条件下数据一次性获取的目标。
对于拼接后的后的影像，本发明采用VGG16网络进行预训练，在得到权重后，使用cascade R-CNN网络来增加系统的可靠性和效率，最终能够在影像上清晰地标记出病害的位置，并通过检测框判别方法得到病害的类型，结合每次成像时，数据采集系统记录的系统位置，实现隧道病害的全自动采集、定位，代替传统人工采集方法，实现高效隧道渗漏水病害识别、定位。
附图说明
图1是实施例1中提供的基于图像深度学习算法的地铁隧道渗漏水检测系统组成框图；
图2是实施例1中提供的地铁隧道渗漏水检测系统中数据预处理模块的原理流程图；
图3是实施例1中提供的地铁隧道渗漏水检测系统中影像拼接模块原理流程图；
图4是实施例1中提供的地铁隧道渗漏水检测系统中神经网络数据集构建原理流程图；
图5是实施例1中提供的地铁隧道渗漏水检测系统中网络权重预处理模块的原理流程图；
图6是实施例1中提供的地铁隧道渗漏水检测系统中检测框生成模块的原理流程图；
图7是实施例1中提供的地铁隧道渗漏水检测系统中病害目标检测模块的原理流程图；
图8是实施例1中提供的地铁隧道渗漏水检测系统中数据采集模块的实物图。
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，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方式仅仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供了一种基于图像深度学习算法的地铁隧道渗漏水识别系统，如图1所示，该系统包括数据采集模块、数据预处理模块，影像拼接模块，神经网络数据集构建模块，其中所述神经网络数据集构建模块包括病害精确定位模块，影像病害提取初始化模块，基础数据集模块，影像病害检测框生成模块，影像病害目标检测模块和误匹配修正模块。
其中所述数据采集模块用于获取地铁隧道内部影像数据；
所述数据预处理模块用于对所述数据采集模块获取的地铁隧道影像数据进行包括但不限于去噪、畸变校正的预处理过程；
所述影像拼接模块用于对两张相邻地铁隧道相片的重叠区域进行特征提取，判据判断同名特征，求解图像拼接的变化矩阵，实现相邻影像的拼接，确定影像所在的里程位置信息；
所述病害精确定位模块用于根据影像的里程信息与地铁隧道影像渗水病害平面坐标确定地铁隧道渗水病害的位置，计算该位置的三维坐标；
所述基础数据集模块用于人工框选渗水病害目标范围，生成掩膜图像；
所述影像病害提取初始化模块用于对神经网络的权重进行初始化，完成神经网络的训练；
所述影像病害检测框生成模块用于生成地铁隧道影像漏水病害检测框，获取候选区；
所述影像病害目标检测模块用于提取特征图，结合候选区生成候选区特征图，根据候选区中提取的特征点对候选区进行分类，完成渗水病害检测；
所述误匹配修正模块用于对渗水病害检测结果进行修正，提高检测准确率。
为了从CCD相机阵列影像中高效地提取地铁盾构隧道渗漏水病害信息，在尽量保证精度的前提下提高算法运行效率，本发明提出了一种基于cascade R-CNN网络的地铁隧道影像渗漏水检测算法。
本实施例中的数据采集模块基于武汉夕睿光电技术有限公司开发的地铁隧道检测系统，包括相机阵列、同步控制器、惯性导航系统；使用8-阵列CCD相机，通过固定支架固定在检测小车上，每个相机的主光轴之间相差37.5°，相邻相机的成像区域存在一定重叠，由系统同步装置控制，同时对地铁隧道断面衬砌进行成像。
相机拍摄时，隧道景物反射的光线经由相机的镜头透射到CCD传感器上；而后CCD经过曝光，光电二极管受到光线激发而释放电荷，感光元件的电信号产生；光电二极管产生的电流被CCD控制芯片利用感光元件中的控制信号线路进行控制，通过电流传输电路输出，每次成像，CCD传感器都会将产生的电信号进行收集，统一输出到放大器；信号在经过放大器放大和滤波处理后，被送到数模转换组件，由A/D将电信号(模拟信号)转换为数字信号，数值的大小和电信号的强度成正比，也即和电压的高低成正比；数字信号继续被送往数字信号处理器DSP，经过色彩校正、白平衡处理后，编码为相机支持的图像格式、分辨率，最后被存储为图像文件。
数据预处理模块包括原始数据去噪处理、直方图处理和影像纠正处理，运行原理如图2所示。其中去噪处理主要为了剔除影像中的高斯噪声和椒盐噪声，采用均值滤波、高斯滤波和中值滤波进行卷积操作；直方图处理主要包括均衡化、自适应均衡化和限制对比度自适应均衡化，目的是增加像素的动态范围，提高病害的可识别性；影像纠正处理包括刚体、仿射和投影变换，使用齐次矩阵对原始影像进行变换，消除由设备本身和采集过程中震动等影响造成的畸变。
本实施例中的影像拼接模块用于使用最小二乘方法迭代求解用于图像拼接的变化矩阵，实现相邻影像的拼接，试验过程如图3所示，具体包括：
首先对相邻影像进行特征点提取，在得到特征点后，需要对特征点进行匹配，获得相邻影像的同名点，之后根据同名点之间的关系，根据尺度空间特征变换算子得到相邻影像的透视矩阵，使用最小二乘方法计算两张影像之间的透视矩阵，完成对图像的配准，即将两幅影像转换为同一坐标下的一幅图像；最后对新图像的重叠边界进行加权融合的特殊处理过程，使拼接后的影像不存在很大的灰度差异。
尺度空间特征变换(SIFT)算子，在旋转、仿射、平移甚至光照中都能够表现得较稳定，是一种局部不变特征描述子，在对象识别和匹配中，鲁棒性最强。SIFT通过使用高斯函数建立尺度空间，来完成图像的尺度空间不变性目标。为了在尺度空间中探测关键点，它提出使用高斯尺度空间差分，降低时间和空间复杂度。为了使得到的关键点具有尺度不变性，它又利用图像的局部特征为每个关键点分配方向。通过上述步骤，每个关键点具备三个因素：位置、比例和方向，为了让这些关键点能够轻松匹配，SIFT算法又提出了在实际计算过程中，对关键点的16*16邻域进行方向梯度计算，在每一个4*4邻域生成一个8方向描述子，共有8*256/16＝128个方向，此即SIFT算子的128维特征向量。根据特征向量之间的相似关系，对影像进行拼接。在设备固定的前提下，相邻影像之间不存在较大的光照、尺度、缩放误差，因此配准矩阵得以简单化。两张影像之间的配准可以通过透视矩阵表达，在获取多对同名点后，即可使用最小二乘方法对透视矩阵进行求解，得到相邻影像的变换关系。拼接后的影像，可能因为数据获取时的光照条件、设备本身的问题、去噪及直方图均衡过程中产生的对比度变化等原因，使得两幅图片的交界处产生较大的差异，因此使用加权融合，让两幅影像之间的过渡显得自然。
在进行拼接的时候，采用的是影像拼接模块实现拼接过程。影像拼接模块以行进方向左侧第一台相机为起始，顺时针依次编号，分别为：C1，C2，…，C8；记其获取的图像数据为I1，I2，…，I8。根据相邻关系，Ii与Ii+1存在一定的重叠度，因此可以通过特征提取算法对两张相片的重叠区域进行特征提取，再根据一定的描述判据判断同名特征。在获取同名特征的前提下，使用最小二乘方法迭代求解用于图像拼接的变化矩阵，从而实现相邻影像的拼接。
此外，在相机前进方向上，同样需要完成影像的拼接。同时，还需要对影像里程进行记录，里程一般表示为KXX+XXX.XXX。在地铁盾构隧道中，每隔百米就会设置一个黑白相间的棋盘格靶标，可以通过靶标大致找到里程桩号位置。设前进方向影像长度为A，相邻影像要求重叠距离为a，则当里程计记录距离达到A-a时，同步装置触发相机开关，八台CCD相机同步摄像，以此达到隧道区域全覆盖的目的。
在获取到原始影像数据并经过拼接和预处理之后，采用基础数据集模块对获取到的数据进行神经网络数据集的构建过程。本实施例中的基础数据集构建原理如图4所示，由多次测量得到的高质量病害影像数据，采用传统Labelme软件，使用矩形框将漏水的目标范围框选出，并基于检测框生成模块生成检测框，经过人工辨别、标记后，依据病害类型被分入不同的子区域，如图5所示，包括无病害、湿润、渗润、滴水、漏水和射水。将不同子区域的影像进行随机分类，按照8：2的比例分为训练集和验证集，然后采用VGG16网路进行预训练，从而获得网络模型参数以及验证模型参数，最后基于网络模型参数以及验证模型参数获得预训练权重。
先获取网络预训练权重验证模型参数，再进行网络权重的预处理，根据结果对预训练权重和参数进行调整，获得效果最好的权重和参数模型。
实施例的数据集需要由专业判读人员进行标记。对于影像语义分割网络，需要对图片中的每一个像素标注其类别，标注结果需要保存为常见的图片格式，如png格式，图片的每一个通道存储不同的信息。例如，用第一通道存储该像素所属类别；第二通道存储该像素是否属于所属类别，如果是那么它属于哪个实例；第三通道通常是0或1，可以存储该像素是否是病害。对于地铁隧道的渗漏水病害，工程中的目标是确定某个位置是否存在病害、对病害的严重程度进行评估、并完成对病害的准确定位。因此，在图像标记过程中，并不需要精确到像素级别，而可以使用框标进行范围标记。通常，按照病害严重程度，将病害划分为五个等级，在图像标记过程中，也需要构建这五种病害的实例。实际标记中，将隧道壁正常，无渗漏水现象发生的像素标记为0；将湿润这类病害的像素标记为1；将渗润这类病害的像素标记为2；将滴水这类病害的像素标记为3；将漏水这类病害的像素标记为4；将射水这类病害的像素标记为5。需要注意的是，在标记过程中需要严格区分湿润和渗润这两个容易混淆的病害，这需要判读员的丰富经验。在具体的标记过程中，判读员需要在框选区域完全覆盖病害区域的前提下，尽可能保证非病害区域的面积最小。在多人进行图像标记的前提下，需要统一标记的规则，尽量让标记指标一致。
本实施例中的病害精确定位模块根据数字检测的深度学习方法能够定位获得采集到的图像所对应的桩号信息，采用POS+DMI定位方法可以获得该检测图像的相对位置信息，最后结合二者信息能够顺利获得该检测图像上的病害位置所对应的准确的三维坐标。
本实施例中的检测框生成模块运行原理如图6所示，采用神经网络RPN(RegionProposal Networks)网络，通过检测框生成网络，在目标病害周围生成了许多长方形的框标，需要通过包围盒回归的方法将这些框标归算到最精确包围病害的那个框标上。首先将影像上的候选目标使用矩形框进行标记,获取到检测框的学习参数：(x,y,w,h)，其中(x,y)是检测框的窗口中心坐标，(w,h)是检测框的宽和高，则包围盒回归的目标是寻找一种关系，使得输入的检测框和真实窗口G最为接近。使用RPN网络通过softmax分类器，对输入的anchors得到的positive值和negative值进行分类,实现检测框刚体变换，以获得更加精确的候选区域。采用相似性评价指标IoU(Intersection over Union)对变换后的检测框与标记真实值进行匹配，IoU值越大，说明检测框越接近真实目标。网络设计了L1损失函数并做了函数优化，在训练得到参数的真实值后，回归网络分支输出的每个检测框都有平移量参数和尺度缩放参数，就可以用来修正检测框的位置。因此在进行判断时，只需要输入检测框Bbox与真实区域GT的损失函数是否为最优，若是，则该检测框则为最优检测框，否则则获取修正参数：(△x,△y,△w,△h)，并再次对检测框进行变换。
RPN作为一种神经网络检测框标记手段，比基于OpenCV adaboost滑动窗口+图像金字塔生成检测框、R-CNN使用的Selective Search方法生成检测框效率更高、更准确。
需要说明的是，针对本实施例中神经网络的两个阶段，训练阶段和推断阶段，候选检测框和真实区域的关系是不同的。在训练阶段，由于我们事先知道真实区域，所以可以设置与GT之间的IoU值大于给定阈值的候选检测框为正样本，这些正样本参与之后的检测框回归学习。但是在推断阶段，我们不知道真实区域，只能把所有的检测框都当作正样本，让后续的回归网络计算回归坐标。在这两个阶段，包围盒回归器的输入分布是不同的，训练阶段的质量往往更高，因此存在一定的误匹配问题，这个问题通过cascade R-CNN网络解决。提高IoU阈值的同时，候选检测框区域会变少，容易导致过拟合现象；同时，提高阈值必然会导致更多的误匹配产生，因此不能通过单纯提高阈值来提高性能。cascade R-CNN网络使用多阶段结构，每一个阶段都有一个IoU阈值，用来适应更多复杂的输入分布。
本实施例中的病害目标检测模块的原理如图7所示，使用Faster R-CNN网络结构，该结构由四个部分组成。其一，卷积层，Faster R-CNN使用卷积-池化结构，采用ReLU激活函数，从原始图像中提取特征图，特征图将被共享给后续的RPN层和全连接层使用；其二，RPN网络，用于生成候选区域，通过softmax分类器判断anchors属于positive还是negative，再利用bbox(bounding box)regression修正anchors，以获取精确候选区域；其三，Roi(Region of Interest)Pooling，将使用特征图和候选区域，综合提取候选区域特征图，将特征送入全连接层进行目标判定；其四，分类，使用候选区域特征图计算候选区域的类别，之后再次使用bbox regresion获得检测框的精确位置。
然后针对城市地铁盾构隧道渗漏水病害，通常的分类标准按隧道结构的安全性，分为：1级，湿润，表征隧道结构表面出现湿润现象，保持正常养护；2级，渗润，隧道结构有水渗出，存在安全隐患，需要加强养护；3级，滴水，隧道结构有水滴出，处于不安全状态，需要及时维修；4级，漏水，隧道结构有水漏出，应立即停止隧道运营，并采取维修措施；5级，射水，隧道极不安全，危及人、车，应当立即采取紧急措施维修。基础数据集模块构建员需要对上述五种渗漏水病害清晰识别，并大致正确标记出病害范围。将被标记的影像按80％-20％的比例，分为训练集和验证集，以此降低神经网络过拟合现象带来的误差。
影像病害提取初始化模块基于ImageNet模型，使用VGG16神经网络结构作为图像处理手段，将之前人工标记过的影像通过卷积、池化和全连接层的计算，得到特征向量，同时得到训练集训练模型结果。该结果将被记录下来，作为后续网络的参数。VGG16网络将影像处理为224*224*3的输入层，再通过卷积-最大池化-全连接的结构，共经历13层卷积层和3层全连接层，得到最终的特征向量。其中，激活函数都使用ReLU。
本实施例中的误匹配修正模块使用cascade R-CNN网络，为了提高检测框的标记精度，产生更高精度的box，需要提高产生正样本的IoU阈值，但是这样会带来过拟合和误匹配的问题。在不R-CNN架构。RPN提出的候选区域，大部分质量不高，使用cascade回归作为重采样机制，逐步提高IoU阈值，可以提高系统网络训练的效率和结果的准确性。
本发明中，在VGG16网络和cascade R-CNN结构的共同支持下，系统从数据获取开始，通过8-阵列CCD相机，采用同步控制装置，同时对地铁隧道壁进行成像。同时，对获取的图像进行一系列预处理后，通过影像匹配模块对图像进行配准，将隧道壁影像生成一幅大图。上述系统能够稳定、快捷、方便地获取地铁隧道壁影像，系统同步控制速度可根据运行速度进行调整，能够实现复杂条件下数据一次性获取的目标。对于配准融合后的影像，本发明采用VGG16网络进行预训练，在得到权重后，使用cascade R-CNN网络来增加系统的可靠性和效率，最终能够在影像上清晰地标记出病害的位置，并通过检测框判别方法得到病害的类型，结合每次成像时，数据采集系统记录的系统位置，实现隧道病害的全自动采集、定位，代替传统人工采集方法，实现高效隧道渗漏水病害识别、定位。
实施例2
本实施例提供了一种基于图像深度学习算法的地铁隧道漏水检测方法，采用实施例1中所记载的基于图像深度学习算法的地铁隧道渗漏水检测系统实现，包括以下步骤：
S1，采用数据采集模块获取隧道中的影像数据，经过数据预处理模块和影像拼接模块的处理后形成影像数据集；
S2，将影像数据集按照比例划分为训练数据集和验证数据集，构建神经网络深度学习模型，以训练数据集作为训练样本，采用影像标记模块框选出训练数据集中的渗水病害目标范围，并生成掩膜图像；采用病害目标检测模块对训练数据集中的影像进行特征提取，并根据提取的特征对渗水情况进行分类标记；
将隧道壁正常，无渗漏水现象发生的像素标记为0；将湿润这类病害的像素标记为1；将渗润这类病害的像素标记为2；将滴水这类病害的像素标记为3；将漏水这类病害的像素标记为4；将射水这类病害的像素标记为5；
S3，采用验证数据集验证步骤S2中建立的深度学习模型，将待验证数据集中的影像数据输入深度学习模型后，检测得到渗水病害类型，同时采用病害精确定位模块迅速根据影像的里程信息与地铁隧道影像渗水病害平面坐标确定地铁隧道渗水病害的位置，计算该位置的三维坐标，从而检测得到地铁隧道渗漏水检测结果。
在构建深度学习模型时，影像特征提取使用13层卷积层+3层全连接层组成的VGG16网络，卷积层和全连接层的激活函数都使用ReLU，在池化过程中，网络使用的是最大池化；采用影像标记模块使用Region Proposal Networks进行框选标记，通过softmax分类器判断候选区域的指标值，再使用包围盒回归算法修正检测框；对于网络生成的检测框，使用四维向量(x,y,w,h)表示，其中(x,y)是检测框的窗口中心坐标，(w,h)是检测框的宽和高，设计L1损失函数并做了函数优化，在训练得到参数的真实值后，回归网络分支输出的每个检测框都有平移量参数和尺度缩放参数，就可以用来修正检测框的位置。
本实施例通过上述过程，可以提取出地铁盾构隧道渗漏水病害，并在分类的基础上，对渗漏水病害进行相对定位，方便检修人员直接前往故障路段进行修理，减少工作人员搜寻病害时的二次时间成本。本发明能够满足地铁盾构隧道高速、高精度的渗漏水病害检测及定位要求，处理速度快，实用价值高。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种基于图像深度学习算法的地铁隧道渗漏水检测系统，其特征在于，包括数据采集模块、数据预处理模块，影像拼接模块，神经网络数据集构建模块，其中所述神经网络数据集构建模块包括病害精确定位模块，影像病害提取初始化模块，基础数据集模块，影像病害检测框生成模块，影像病害目标检测模块和误匹配修正模块；
其中所述数据采集模块用于获取地铁隧道内部影像数据；
所述数据预处理模块用于对所述数据采集模块获取的地铁隧道影像数据进行包括但不限于去噪、畸变校正的预处理过程；
所述影像拼接模块用于对两张相邻地铁隧道相片的重叠区域进行特征提取，判据判断同名特征，求解图像拼接的变化矩阵，实现相邻影像的拼接，确定影像所在的里程位置信息；
所述病害精确定位模块用于根据影像的里程信息与地铁隧道影像渗水病害平面坐标确定地铁隧道渗水病害的位置，计算该位置的三维坐标；
所述基础数据集模块用于人工框选渗水病害目标范围，生成掩膜图像；
所述影像病害提取初始化模块用于对神经网络的权重进行初始化，完成神经网络的训练；
所述影像病害检测框生成模块用于生成地铁隧道影像漏水病害检测框，获取候选区；
所述影像病害目标检测模块用于提取特征图，结合候选区生成候选区特征图，根据候选区中提取的特征点对候选区进行分类，完成渗水病害检测；
所述误匹配修正模块用于对渗水病害检测结果进行修正，提高检测准确率。
2.根据权利要求1所述的基于图像深度学习算法的地铁隧道渗漏水检测系统，其特征在于，所述数据预处理模块用于使用自适应直方图均衡化方法对地铁隧道影像进行去噪处理，使用畸变校正公式对地铁隧道影像进行畸变校正，其中，所述使用自适应直方图均衡化方法对地铁隧道影像进行去噪处理具体包括:
采用均值滤波和/或高斯滤波对地铁隧道影像中产生的高斯噪声进行去噪处理，对于椒盐噪声则采用中值滤波进行去噪处理；然后采用直方图均衡化、自适应直方图均衡化以及限制对比度自适应直方图均衡化的方法增大图像像素灰度值的动态范围，从而增强经过去噪处理后的地铁隧道图像的对比度；
所述使用畸变校正公式对地铁隧道影像进行畸变校正，具体包括：
对于影像可能出现的径向畸变和切向畸变，对于径向畸变和切向畸变均能够通过泰勒级数展开式进行校正，通过相机标定估算理想无畸变的情况下，五个内参和六个外参，应用最小二乘法估算实际存在径向畸变下的畸变系数，确定畸变校正公式，根据畸变校正公式对影像各像素进行刚性变换、仿射变换或投影变换，从而获得畸变校正后影像。
3.根据权利要求1所述的基于图像深度学习算法的地铁隧道渗漏水检测系统，其特征在于，所述影像拼接模块用于使用最小二乘方法迭代求解用于图像拼接的变化矩阵，实现相邻影像的拼接，具体包括：
首先对相邻影像进行特征点提取，在得到特征点后，需要对特征点进行匹配，获得相邻影像的同名点，之后根据同名点之间的关系，根据尺度空间特征变换算子得到相邻影像的透视矩阵，使用最小二乘方法计算两张影像之间的透视矩阵，完成对图像的配准，即将两幅影像转换为同一坐标下的一幅图像；最后对新图像的重叠边界进行加权融合的特殊处理过程，使拼接后的影像不存在很大的灰度差异。
4.根据权利要求1所述的基于图像深度学习算法的地铁隧道渗漏水检测系统，其特征在于，所述数据采集模块包括8-阵列CCD相机、同步控制器和惯性导航系统，其中所述8-阵列CCD相机包括拍摄相机、CCD传感器，所述拍摄相机采用固定支架固定在检测小车上，且每个相机的主光轴之间相差37.5°，采用同步控制器同时控制所有的拍摄相机获取隧道影像，当拍摄相机获取隧道景象后，通过CCD传感器将信号转换生成图像文件传输至所述数据预处理模块，同时由惯性导航系统确认影像的位置信息也传输至所述数据预处理模块。
5.根据权利要求4所述的基于图像深度学习算法的地铁隧道渗漏水检测系统，其特征在于，所述CCD传感器将信号转换生成图像文件传输至所述数据预处理模块具体为：
相机拍摄时，隧道景物反射的光线经由相机的镜头透射到CCD传感器上；而后CCD经过曝光，光电二极管受到光线激发而释放电荷，感光元件的电信号产生；光电二极管产生的电流被CCD控制芯片利用感光元件中的控制信号线路进行控制，通过电流传输电路输出，每次成像，CCD传感器都会将产生的电信号进行收集，统一输出到放大器；信号在经过放大器放大和滤波处理后，被送到数模转换组件，由A/D将电信号转换为数字信号，数值的大小和电信号的强度成正比，也即和电压的高低成正比；数字信号继续被送往数字信号处理器DSP，经过色彩校正、白平衡处理后，编码为相机支持的图像格式、分辨率，最后被存储为图像文件。
6.根据权利要求1所述的基于图像深度学习算法的地铁隧道渗漏水检测系统，其特征在于，所述病害准确定位模块用于根据里程记录数据与结合惯性导航系统提供的位姿信息，通过卡尔曼滤波和同步控制器，记录每个成像时刻POS信息，结合通过设置的标靶寻找大致里程桩位置，使用数字识别算法，获取的图像中里程桩的数字及字母信息，确定影像所在的里程位置信息。
7.根据权利要求1所述的基于图像深度学习算法的地铁隧道渗漏水检测系统，其特征在于，所述病害目标检测模块根据候选区中提取的特征点对候选区进行分类，完成渗水病害检测中，所述分类的标准为五级标准，具体为：
1级，湿润，表征隧道结构表面出现湿润现象，保持正常养护；
2级，渗润，隧道结构有水渗出，存在安全隐患，需要加强养护；
3级，滴水，隧道结构有水滴出，处于不安全状态，需要及时维修；
4级，漏水，隧道结构有水漏出，应立即停止隧道运营，并采取维修措施；
5级，射水，隧道极不安全，危及人、车，应当立即采取紧急措施维修。
8.一种基于图像深度学习算法的地铁隧道漏水检测方法，其特征在于，采用权利要求1-7任一所述的基于图像深度学习算法的地铁隧道渗漏水检测系统实现，包括以下步骤：
S1，采用数据采集模块获取隧道中的影像数据，经过数据预处理模块和影像拼接模块的处理后形成影像数据集；
S2，将影像数据集按照比例划分为训练数据集和验证数据集，构建神经网络深度学习模型，以训练数据集作为训练样本，采用影像标记模块框选出训练数据集中的渗水病害目标范围，并生成掩膜图像；采用病害目标检测模块对训练数据集中的影像进行特征提取，并根据提取的特征对渗水情况进行分类标记；
将隧道壁正常，无渗漏水现象发生的像素标记为0；将湿润这类病害的像素标记为1；将渗润这类病害的像素标记为2；将滴水这类病害的像素标记为3；将漏水这类病害的像素标记为4；将射水这类病害的像素标记为5；
S3，采用验证数据集验证步骤S2中建立的深度学习模型，将待验证数据集中的影像数据输入深度学习模型后，检测得到渗水病害类型，同时采用病害精确定位模块迅速根据影像的里程信息与地铁隧道影像渗水病害平面坐标确定地铁隧道渗水病害的位置，计算该位置的三维坐标，从而检测得到地铁隧道渗漏水检测结果。
9.根据权利要求8所述的基于图像深度学习算法的地铁隧道漏水检测方法，其特征在于，构建深度学习模型时，影像特征提取使用13层卷积层+3层全连接层组成的VGG16网络，卷积层和全连接层的激活函数都使用ReLU，在池化过程中，网络使用的是最大池化；采用影像标记模块使用Region Proposal Networks进行框选标记，通过softmax分类器判断候选区域的指标值，再使用包围盒回归算法修正检测框；对于网络生成的检测框，使用四维向量(x,y,w,h)表示，其中(x,y)是检测框的窗口中心坐标，(w,h)是检测框的宽和高，设计L1损失函数并做了函数优化，在训练得到参数的真实值后，回归网络分支输出的每个检测框都有平移量参数和尺度缩放参数，就可以用来修正检测框的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210071582.7A CN114511014A (zh) | 2022-01-21 | 2022-01-21 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210071582.7A CN114511014A (zh) | 2022-01-21 | 2022-01-21 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114511014A true CN114511014A (zh) | 2022-05-17 |
Family
ID=81549687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210071582.7A Pending CN114511014A (zh) | 2022-01-21 | 2022-01-21 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114511014A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115823A (zh) * | 2022-08-25 | 2022-09-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路病害定位矫正方法、装置、设备及可读存储介质 |
| CN115950593A (zh) * | 2023-03-15 | 2023-04-11 | 南昌安道智能技术有限公司 | 一种物联网风光互补无线漏水感应定位检测系统及其方法 |
| CN117094594A (zh) * | 2023-08-22 | 2023-11-21 | 湖北宇晴防水科技有限公司 | 一种建筑工程墙体渗水漏水智能检测分析评估系统 |
| CN117474912A (zh) * | 2023-12-27 | 2024-01-30 | 浪潮软件科技有限公司 | 一种基于计算机视觉的路段缝隙分析方法及模型 |
| CN117647367A (zh) * | 2024-01-29 | 2024-03-05 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
| CN117646828A (zh) * | 2024-01-29 | 2024-03-05 | 中国市政工程西南设计研究总院有限公司 | 一种用于检测顶管接口相对位移和渗漏水的装置及方法 |
| WO2024065919A1 (zh) * | 2022-09-27 | 2024-04-04 | 深圳大学 | 隧道诊断车中央控制系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070236595A1 (en) * | 2006-04-10 | 2007-10-11 | Sony Taiwan Limited. | Method for Improving Image Stitching Accuracy with Lens Distortion Correction and Device for Implementing the Same |
| CN104266591A (zh) * | 2014-09-29 | 2015-01-07 | 樊晓莉 | 一种隧道内移动装置的移位检测方法 |
| CN104749187A (zh) * | 2015-03-25 | 2015-07-01 | 武汉武大卓越科技有限责任公司 | 基于红外温度场和灰度图像的隧道衬砌病害检测装置 |
| CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
| CN108318488A (zh) * | 2017-01-17 | 2018-07-24 | 南京火眼猴信息科技有限公司 | 一种地铁隧道病害检测装置及检测方法 |
| AU2020102181A4 (en) * | 2020-09-09 | 2020-10-22 | Tianjin University | An intelligent recognition system and method of tunnel structure health based on robot vision recognition |
| CN112070754A (zh) * | 2020-09-11 | 2020-12-11 | 武汉百家云科技有限公司 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
-
2022
- 2022-01-21 CN CN202210071582.7A patent/CN114511014A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070236595A1 (en) * | 2006-04-10 | 2007-10-11 | Sony Taiwan Limited. | Method for Improving Image Stitching Accuracy with Lens Distortion Correction and Device for Implementing the Same |
| CN104266591A (zh) * | 2014-09-29 | 2015-01-07 | 樊晓莉 | 一种隧道内移动装置的移位检测方法 |
| CN104749187A (zh) * | 2015-03-25 | 2015-07-01 | 武汉武大卓越科技有限责任公司 | 基于红外温度场和灰度图像的隧道衬砌病害检测装置 |
| CN108318488A (zh) * | 2017-01-17 | 2018-07-24 | 南京火眼猴信息科技有限公司 | 一种地铁隧道病害检测装置及检测方法 |
| CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
| AU2020102181A4 (en) * | 2020-09-09 | 2020-10-22 | Tianjin University | An intelligent recognition system and method of tunnel structure health based on robot vision recognition |
| CN112070754A (zh) * | 2020-09-11 | 2020-12-11 | 武汉百家云科技有限公司 | 一种隧道管片漏水检测方法、装置、电子设备及介质 |
Non-Patent Citations (5)
| Title |
|---|
| 胡莘等: "《航天线阵影像摄影测量定位理论与方法》", 30 April 2018, 测绘出版社 * |
| 蔡成涛等: "《海洋环境下的计算机视觉技术》", 31 October 2015, 国防工业出版社 * |
| 薛亚东等: "基于深度学习的地铁隧道衬砌病害检测模型优化", 《湖南大学学报(自然科学版)》 * |
| 谭明祥等: "《摄影》", 30 September 2017, 华中科技大学出版社 * |
| 黄强等: "《国土安全 理念政策技术装备及系统》", 31 December 2013, 东南大学出版社 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115823A (zh) * | 2022-08-25 | 2022-09-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路病害定位矫正方法、装置、设备及可读存储介质 |
| WO2024065919A1 (zh) * | 2022-09-27 | 2024-04-04 | 深圳大学 | 隧道诊断车中央控制系统及方法 |
| CN115950593A (zh) * | 2023-03-15 | 2023-04-11 | 南昌安道智能技术有限公司 | 一种物联网风光互补无线漏水感应定位检测系统及其方法 |
| CN117094594A (zh) * | 2023-08-22 | 2023-11-21 | 湖北宇晴防水科技有限公司 | 一种建筑工程墙体渗水漏水智能检测分析评估系统 |
| CN117094594B (zh) * | 2023-08-22 | 2024-05-07 | 浙江顺为工程技术有限公司 | 一种建筑工程墙体渗水漏水智能检测分析评估系统 |
| CN117474912A (zh) * | 2023-12-27 | 2024-01-30 | 浪潮软件科技有限公司 | 一种基于计算机视觉的路段缝隙分析方法及模型 |
| CN117647367A (zh) * | 2024-01-29 | 2024-03-05 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
| CN117646828A (zh) * | 2024-01-29 | 2024-03-05 | 中国市政工程西南设计研究总院有限公司 | 一种用于检测顶管接口相对位移和渗漏水的装置及方法 |
| CN117646828B (zh) * | 2024-01-29 | 2024-04-05 | 中国市政工程西南设计研究总院有限公司 | 一种用于检测顶管接口相对位移和渗漏水的装置及方法 |
| CN117647367B (zh) * | 2024-01-29 | 2024-04-16 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114511014A (zh) | 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 | |
| CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
| CN115439424B (zh) | 一种无人机航拍视频图像智能检测方法 | |
| CN109949361A (zh) | 一种基于单目视觉定位的旋翼无人机姿态估计方法 | |
| CN109410207A (zh) | 一种基于ncc特征的无人机巡线图像输电线路检测方法 | |
| CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
| CN110378957B (zh) | 面向冶金作业的鱼雷罐车视觉识别与定位方法及其系统 | |
| CN110245566B (zh) | 一种基于背景特征的红外目标远距离追踪方法 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
| CN112017243B (zh) | 一种介质能见度识别方法 | |
| CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
| CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
| CN111832760B (zh) | 一种基于视觉算法的井盖自动巡检方法 | |
| CN112907626A (zh) | 基于卫星超时相数据多源信息的运动目标提取方法 | |
| CN116681979A (zh) | 一种复杂环境下的电力设备目标检测方法 | |
| CN116486287A (zh) | 基于环境自适应机器人视觉系统的目标检测方法及系统 | |
| CN117173601B (zh) | 光伏电站阵列热斑识别方法和系统 | |
| CN109740486B (zh) | 一种对图像包含的人类数量进行识别的方法及系统 | |
| CN114964007A (zh) | 一种焊缝尺寸视觉测量与表面缺陷检测方法 | |
| CN114820474A (zh) | 一种基于三维信息的列车车轮缺陷检测方法 | |
| CN114639115A (zh) | 一种人体关键点与激光雷达融合的3d行人检测方法 | |
| CN113219472B (zh) | 一种测距系统和方法 | |
| CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
| CN116778322A (zh) | 基于高分辨率影像剔除水面桥梁连续水面构造的方法 | |
| CN116385477A (zh) | 一种基于图像分割的杆塔图像配准方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tang Chao Inventor after: Xu Pengyu Inventor after: Ren Chuanbin Inventor after: Yang Xiaofei Inventor after: Zhao Yong Inventor after: Wang Xiaojing Inventor after: Ma Haizhi Inventor after: Fan Tingli Inventor after: Wang Yong Inventor after: Li Zihao Inventor after: Hou Haiqian Inventor after: Zhao Lifeng Inventor before: Tang Chao Inventor before: Ren Chuanbin Inventor before: Yang Xiaofei Inventor before: Ma Haizhi Inventor before: Wang Xiaojing Inventor before: Fan Tingli Inventor before: Wang Yong Inventor before: Li Zihao Inventor before: Hou Haiqian Inventor before: Zhao Lifeng Inventor before: Xu Pengyu |