CN116755466A - 隧道安全检测方法、设备及可读存储介质 - Google Patents
隧道安全检测方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116755466A CN116755466A CN202310683647.8A CN202310683647A CN116755466A CN 116755466 A CN116755466 A CN 116755466A CN 202310683647 A CN202310683647 A CN 202310683647A CN 116755466 A CN116755466 A CN 116755466A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- unmanned aerial
- aerial vehicle
- detection
- cluster
- 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 207
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007689 inspection Methods 0.000 claims description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 27
- 230000007547 defect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 239000003973 paint Substances 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 208000010392 Bone Fractures Diseases 0.000 description 7
- 206010017076 Fracture Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Lining And Supports For Tunnels (AREA)
Abstract
本申请公开了一种隧道安全检测方法、设备及可读存储介质,属于无人机技术领域。本申请用于控制无人机集群,无人机集群包括部署于隧道口的簇头无人机,以及至少一个部署于隧道内的簇员无人机,所述簇头无人机和所述簇员无人机通过链状网连接,在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记;获取路由信息,基于所述路由信息将所述检测数据发送至处理端;当所述处理端接收到所述检测数据时,根据所述节点标记以及所述时间标记确定隧道位置;根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果。达到了无需人工参与,无人机全自动完成对隧道的安全检测,提高了隧道安全检测效率的技术效果。
Description
技术领域
本申请涉及无人机技术领域,尤其涉及隧道安全检测方法、设备及可读存储介质。
背景技术
针对没有GNSS(Global Navigation Satellite System全球卫星导航系统和全球导航卫星系统)信号的隧道环境,目前主要的巡检方式是人工巡检和固定轨道的机器人巡检。
然而,面对线路长且深的隧道环境,人工巡检效率低,且由于人主观因素的影响,往往容易导致巡检结果的可靠性降低。而对于机器人巡检,受限于安装的轨道,对于一些视觉死角并不能达到很好的监控效果。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种隧道安全检测方法、装置、设备及可读存储介质,旨在解决现有的隧道检测方案效率低下的技术问题。
为实现上述目的,本申请提供一种隧道安全检测方法,所述隧道安全检测方法用于控制无人机集群,所述无人机集群包括部署于隧道口的簇头无人机,以及至少一个部署于隧道内的簇员无人机,所述簇头无人机和所述簇员无人机通过链状网连接,所述隧道安全检测方法包括以下步骤:
所述隧道安全检测方法包括以下步骤:
在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记;
获取路由信息,基于所述路由信息将所述检测数据发送至处理端;
当所述处理端接收到所述检测数据时,根据所述节点标记以及所述时间标记确定隧道位置;
根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果。
可选地,所述在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记的步骤之前包括:
在所述处理端接收到隧道检测任务时,获取所述隧道检测任务对应的隧道参数;
根据所述隧道检测任务和所述隧道参数,确定所述无人机集群的控制方案;
在所述簇头无人机接收到所述控制方案和GNSS信号时,将所述控制方案和所述GNSS信号通过所述链状网发送至所述簇员无人机。
可选地,所述隧道参数包括隧道宽度、隧道长度和隧道线路,所述根据所述隧道检测任务和所述隧道参数,确定所述无人机集群的控制方案的步骤包括:
根据所述隧道长度,确定所述簇头无人机的数量;
根据所述隧道宽度、隧道线路和所述簇头无人机的数量,确定所述簇员无人机的线路规划和任务分配;
根据所述隧道检测任务的任务等级,确定所述簇员无人机的控制参数;
基于所述簇头无人机的数量、所述线路规划、所述任务分配和所述控制参数,确定所述无人机集群的控制方案。
可选地,所述检测数据包括隧道内部的点云数据,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤包括:
对所述点云数据进行可视化处理,以生成所述隧道位置的横断面数据;
获取所述隧道位置的历史横断面数据集;
基于所述横断面数据、所述历史横断面数据集和所述隧道检测模型,输出隧道是否存在空间变形的安全检测结果。
可选地,所述隧道检测模型包括隧道裂缝缺陷识别模型,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤之前包括:
获取隧道裂缝图像集;
提取并标记所述隧道裂缝图像集的多尺度裂缝特征,所述多尺度裂缝特征包括裂缝边缘形状、裂缝缺陷处灰度突变和裂缝发展纹理;
基于所述多尺度特征,建立并训练得到所述隧道裂缝缺陷识别模型。
可选地,所述隧道检测模型包括隧道漏水区域识别模型,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤之前包括:
获取隧道漏水区域红外图像集;
提取并标记所述红外图像集的多尺度漏水特征,所述多尺度漏水特征包括漏水处温度、漏水通路和漏水扩散处;
基于所述多尺度漏水特征,建立并训练得到所述隧道漏水区域识别模型。
可选地,所述隧道检测模型包括隧道空鼓识别模型,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤之前包括:
获取隧道空鼓图像集;
提取并标记所述隧道空鼓图像集的空鼓特征;
基于所述空鼓特征,建立并训练得到所述隧道空鼓识别模型。
可选地,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤之后包括:
在所述簇员无人机接收到所述安全检测结果时,根据所述安全检测结果确定调用的应急装置,所述应急装置包括防水涂料喷涂装置和警示信息标记装置;
调用所述应急装置,对所述安全检测结果中标记的异常位置进行应急处理。
此外,为实现上述目的,本申请还提供一种隧道安全检测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的隧道安全检测程序,所述隧道安全检测程序配置为实现上述的隧道安全检测方法的步骤。
此外,为实现上述目的,本申请还提供一种可读存储介质,所述可读存储介质上存储有隧道安全检测程序,所述隧道安全检测程序被处理器执行时实现上述的隧道安全检测方法的步骤。
在本申请中,为了解决现有的隧道检测方案效率低下的技术问题,本申请将无人机集群串联形成链状网组网模式,每个无人机均具备终端节点以及路由功能,既可以完成点对点通信,又可以实现数据包中继转发。所述无人机集群包括部署于隧道口的簇头无人机,以及至少一个部署于隧道内的簇员无人机。在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记;获取路由信息,基于所述路由信息将所述检测数据发送至处理端;当所述处理端接收到所述检测数据时,根据所述节点标记以及所述时间标记确定隧道位置;根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果。达到了无需人工参与,无人机全自动完成对隧道的安全检测,提高了隧道安全检测效率的技术效果。
附图说明
图1为本申请隧道安全检测方法的无人机组网巡检系统的示意图;
图2为本申请隧道安全检测方法第一实施例的流程图;
图3为本申请隧道安全检测方法第二实施例的流程图;
图4为本申请隧道安全检测方法第三实施例的流程图;
图5为本申请实施例方案涉及的硬件运行环境的隧道安全检测设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
针对没有GNSS(Global Navigation Satellite System全球卫星导航系统和全球导航卫星系统)信号的隧道环境,目前主要的巡检方式是人工巡检和固定轨道的机器人巡检。
然而,面对线路长且深的隧道环境,人工巡检效率低,且由于人主观因素的影响,往往容易导致巡检结果的可靠性降低。而对于机器人巡检,受限于安装的轨道,对于一些视觉死角并不能达到很好的监控效果。
为了解决上述问题,本申请基于无人机自组网(Flying Ad-Hoc net-works,FANETs)的特性,设计了一种针对隧道环境的无人机组网巡检系统,参照图1,图1为本申请隧道安全检测方法的无人机组网巡检系统的示意图。该系统包括卫星、隧道口的无人机、隧道内的巡检无人机及地面终端设备。隧道外的无人机和隧道内的巡检无人机串联形成链状网组网模式,其中,隧道口的无人机作为簇头,隧道内的巡检无人机作为簇员。簇头无人机将控制方案和GNSS信号通过多跳路由传递至隧道深处簇员无人机,实现隧道内部信号全覆盖,簇员无人机在接收到控制方案和GNSS信号后,执行控制方案以进行隧道安全检测。在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记;获取路由信息,基于所述路由信息将所述检测数据发送至处理端;当所述处理端接收到所述检测数据时,根据所述节点标记以及所述时间标记确定隧道位置;根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果。达到了无需人工参与,无人机全自动完成对隧道的安全检测,提高了隧道安全检测效率的技术效果。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
本申请实施例提供了一种隧道安全检测方法,参照图2,图2为本申请一种隧道安全检测方法第一实施例的流程图。
本实施例中,所述隧道安全检测方法用于控制无人机集群,所述无人机集群包括部署于隧道口的簇头无人机,以及至少一个部署于隧道内的簇员无人机,所述簇头无人机和所述簇员无人机通过链状网连接,所述隧道安全检测方法包括以下步骤:
步骤S10:在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记;
在本实施例中,通过为簇员无人机搭载5G无线通信收发器、可见光摄像头、红外摄像头与激光雷达等载荷,使得簇员无人机利用上述载荷在巡检过程中能够采集到检测数据,该监测数据包括可见光图像数据、红外图像数据、点云数据等。簇员无人机采集到该检测数据后,将该检测数据打包并打上节点标记与采集的时间标记,得到检测数据包。
步骤S20:获取路由信息,基于所述路由信息将所述检测数据发送至处理端;
可选地,该簇员无人机根据获取到的路由信息,将上述检测数据包发送到相邻的簇员无人机,逐跳传递至处理端。
可选地,为簇头无人机搭载移动边缘计算(Mobile edge computing,MEC)服务器,簇头无人机作为处理端处理检测数据。
可选地,簇头无人机通过上述移动边缘计算服务器与地面终端设备相连,将上述检测数据传递至该地面终端设备,由地面终端设备作为处理端,提供远程无线接入和低延迟边缘计算服务。
进一步地,利用卫星为地面终端设备提供高效快速的云计算服务。
步骤S30:当所述处理端接收到所述检测数据时,根据所述节点标记以及所述时间标记确定隧道位置;
步骤S40:根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果。
可选地,处理端在接收到检测数据包时,首先要根据该检测数据包的节点标记确定采集该检测数据的簇员无人机,并且根据时间标记确定该检测数据的采集时间,进而根据确定在该采集时间时无人机的定位,确定被检测的隧道位置。进而根据检测数据包的内容和隧道检测模型,确定隧道位置的安全检测结果。
可选地,隧道检测模型包括隧道裂缝缺陷识别模型、隧道漏水区域识别模型、隧道空鼓识别模型、和隧道表面脱落识别模型等。基于所述检测数据提取出不同类型的检测数据子集,并将所述检测数据子集输入对应的隧道检测模型。
作为一种实施方式,所述检测数据包括红外图像数据子集,将所述红外图像数据子集输入隧道漏水区域检测模型。
作为另一种实施方式,所述检测数据还包括可见光图像数据子集,将所述可见光图像数据子集输入隧道裂缝缺陷识别模型、隧道空鼓识别模型和隧道表面脱落识别模型。
在实际检测过程中,可根据实际需求通过深度学习算法预先训练需要的检测模型,包括但不限于在本实施例中所枚举的识别模型。
可选地,所述隧道检测模型包括隧道裂缝缺陷识别模型,所述步骤S40之前包括:
步骤S31:获取隧道裂缝图像集;
步骤S32:提取并标记所述隧道裂缝图像集的多尺度裂缝特征,所述多尺度裂缝特征包括裂缝边缘形状、裂缝缺陷处灰度突变和裂缝发展纹理;
步骤S33:基于所述多尺度特征,建立并训练得到所述隧道裂缝缺陷识别模型。
可选地,获取隧道裂缝图像集(可见光图像),提取并标记所述隧道裂缝图像集的多尺度裂缝特征,所述多尺度裂缝特征包括裂缝边缘形状、裂缝缺陷处灰度突变和裂缝发展纹理;基于所述多尺度特征,构建不同隧道环境下各类裂缝等缺陷数据集并对其进行标记,采用U-Net等深度学习框架构建图像二值分割模型,学习图像中裂缝缺陷的像素特征,建立并训练得到所述隧道裂缝缺陷识别模型。
可选地,所述隧道检测模型包括隧道漏水区域识别模型,所述步骤S40之前包括:
步骤S34:获取隧道漏水区域红外图像集;
步骤S35:提取并标记所述红外图像集的多尺度漏水特征,所述多尺度漏水特征包括漏水处温度、漏水通路和漏水扩散处;
步骤S36:基于所述多尺度漏水特征,建立并训练得到所述隧道漏水区域识别模型。
可选地,获取隧道漏水区域红外图像集(红外图像),提取并标记所述红外图像集的多尺度漏水特征,所述多尺度漏水特征包括漏水处温度、漏水通路和漏水扩散处;基于所述多尺度特征,构建不同隧道环境下各类漏水区域数据集并对其进行标记,采用U-Net等深度学习框架构建图像二值分割模型,学习图像中漏水区域的像素特征,建立并训练得到所述隧道漏水区域识别模型。
可选地,所述隧道检测模型包括隧道空鼓识别模型,所述步骤S40之前包括:
步骤S37:获取隧道空鼓图像集;
步骤S38:提取并标记所述隧道空鼓图像集的空鼓特征;
步骤S39:基于所述空鼓特征,建立并训练得到所述隧道空鼓识别模型。
可选地,获取隧道空鼓图像集(可见光图像),提取并标记所述隧道空鼓图像集的多尺度空鼓特征,所述多尺度空鼓特征包括空鼓边缘形状、空鼓突起处灰度突变和空鼓区域变化纹理;基于所述多尺度特征,构建不同隧道环境下各类空鼓区域数据集并对其进行标记,采用U-Net等深度学习框架构建图像二值分割模型,学习图像中空鼓区域的像素特征,建立并训练得到所述隧道空鼓识别模型。
进一步地,所述检测数据包括隧道内部的点云数据,所述步骤S40包括:
步骤S41:对所述点云数据进行可视化处理,以生成所述隧道位置的横断面数据;
步骤S42:获取所述隧道位置的历史横断面数据集;
步骤S43:基于所述横断面数据、所述历史横断面数据集和所述隧道检测模型,输出隧道是否存在空间变形的安全检测结果。
可选地,簇员无人机搭载激光雷达,通过该激光雷达对隧道内部进行面状式三维激光扫描,通过站点拼接、标定、平差等操作得到高精度高密度的点云数据,通过数据可视化处理技术生成隧道横断面数据,通过多期数据对比进行隧道变形分析,从而实时、准确、全方位检测隧道空间变形。
可选地,激光雷达由于受到环境等各种因素的限制,在点云采集过程中单次采集到的点云只能覆盖隧道表面的一部分,为了得到完整的隧道点云信息,就需要对目标物进行多次扫描,并将得到的三维点云数据进行坐标系的刚体变换,把隧道表面的局部点云数据转换到同一坐标系下。
可选地,上述点云配准的处理过程可分为两个步骤,分别是粗配准和精配准。粗配准,即点云的初始配准,指的是通过一个旋转平移矩阵的初值,将两个位置不同的点云尽可能地对齐。粗配准的主流方法包括RANSAC、4PCS等。经过粗配准之后,两片点云的重叠部分已经可以大致对齐,但精度还达不到能够识别隧道轻微形变的需求,需要进一步做精配准。精配准指的是在初始配准的基础上,进一步计算两个点云近似的旋转平移矩阵。精配准的主流方法包括ICP、NDT、深度学习等。
在本实施例中,隧道外的无人机和隧道内的巡检无人机串联形成链状网组网模式,其中,隧道口的无人机作为簇头,隧道内的巡检无人机作为簇员。簇头无人机将控制方案和GNSS信号通过多跳路由传递至隧道深处簇员无人机,实现隧道内部信号全覆盖,簇员无人机在接收到控制方案和GNSS信号后,执行控制方案以进行隧道安全检测。在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记;获取路由信息,基于所述路由信息将所述检测数据发送至处理端;当所述处理端接收到所述检测数据时,根据所述节点标记以及所述时间标记确定隧道位置;根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果。达到了无需人工参与,无人机全自动完成对隧道的安全检测,提高了隧道安全检测效率的技术效果。
进一步地,参照图3,图3为本申请隧道安全检测方法第二实施例的流程示意图,提供本申请的第二实施例,所述步骤S10之前包括:
步骤S00:在所述处理端接收到隧道检测任务时,获取所述隧道检测任务对应的隧道参数;
步骤S01:根据所述隧道检测任务和所述隧道参数,确定所述无人机集群的控制方案;
步骤S02:在所述簇头无人机接收到所述控制方案和GNSS信号时,将所述控制方案和所述GNSS信号通过所述链状网发送至所述簇员无人机。
在本实施例中,处理端根据接收到的隧道检测任务,自动生成无人机的控制方案,并将该控制方案和GNSS信号通过链状网,传递给每一个簇员无人机,使簇员无人机能够拥有GNSS信号进行起飞、导航和定位,并且按照控制方案执行检测任务。
可选地,隧道检测任务包括待检测的隧道和任务等级,所述任务等级包括深度检测任务和日常检测任务。深度检测任务相较于日常检测任务,控制无人机集群在隧道内部进行检测时停留的时间更长,也因此,采集到的检测数据会更加丰富和全面,检测准确度也会更高。
可选地,根据所述待检测的隧道,获取对应的隧道参数,所述隧道参数包括隧道宽度、隧道长度和隧道线路等。
可选地,根据所述隧道长度,确定簇头无人机的数量。作为一种实施方式,判断所述隧道长度是否大于预设长度,若是,则设置两个簇头无人机,即两簇无人机集群,分别从隧道两端的出入口进入同时执行任务。若否,则设置一个簇头无人机,即一簇无人机,从选定的隧道口进入执行检测任务。
可选地,根据所述隧道长度,确定所述簇员无人机的分布。作为一种实施方式,判断所述隧道宽度是否大于预设宽度,若是,则将同一段隧道检测任务分配给两个簇员无人机,根据实际需求,可以巡检两边,也可以每个无人机巡检二分之一段隧道。若否,则每一段隧道分配一个簇员无人机执行检测任务。
作为另一种实施方式,所述隧道参数还包括车道数量,根据车道数量确定所述簇员无人机的分布,即,同一段隧道分配的簇员无人机的数量。
可选地,获取簇员无人机的硬件信息,所述硬件信息包括电池余量、使用年限、维修历史、负载设备和续航时间中的至少一个。基于所述硬件信息,确定所述簇员无人机巡检的隧道段。
作为一种实施方式,选定电池余量最多、使用年限最短、维修历史最少、负载设备最高级或综合评分最高的簇员无人机在最深的隧道段执行检测任务。而选定电池余量最少、使用年限最长、维修历史最多、负载设备最低级或综合评分最低的簇员无人机在最接近的隧道口的隧道段执行检测任务。
作为另一种实施方式,基于两个项目以上的硬件信息,确定所述簇员无人机巡检的隧道段时,获取所述硬件信息对应项目的权重,根据所述硬件信息和权重确定综合评分,其中,所述簇员无人的硬件信息的综合评分和所述簇员无人机巡检隧道段的深度成正比。
可选地,根据所述隧道宽度、隧道线路、所述簇头无人机的数量和所述簇员无人机的硬件信息,确定所述簇员无人机的线路规划和任务分配。
可选地,根据所述任务等级,确定无人机的控制参数,所述控制参数包括所述无人机在执行巡检任务时的飞行速度和采集检测数据时的悬停时间。
可选地,根据所述簇头无人机的数量、所述线路规划、所述任务分配和所述控制参数,确定所述无人机集群的控制方案。
在本实施例中,处理端能够根据接收到的隧道检测任务,自动获取相关的数据信息,例如隧道参数和簇员无人机的硬件信息,根据数据信息为基础,自动制定无人机集群的控制方案。全程无需人工参与,有效提高了隧道检测的效率。
进一步地,参照图4,图4为本申请隧道安全检测方法第三实施例的流程示意图,提供本申请的第三实施例,所述步骤S40之后包括:
步骤S41:在所述簇员无人机接收到所述安全检测结果时,根据所述安全检测结果确定调用的应急装置,所述应急装置包括防水涂料喷涂装置和警示信息标记装置;
步骤S42:调用所述应急装置,对所述安全检测结果中标记的异常位置进行应急处理。
可选地,所述簇员无人机根据安全检测结果,确定自身执行检测任务的隧道段存在异常,根据所述异常确定调用的应急装置。
作为一种实施方式,所述异常为漏水,则调用防水涂料喷涂装置,对安全检测结果中标记的漏水区域进行喷涂,作为一个应急处理。
作为另一种实施方式,所述异常为隧道表面脱落,为了防止表皮继续脱落,可能会砸到过往的车辆或者是行人,调用警示信息标记装置,对所述安全检测结果中标记的表面脱落位置进行警示,作为应急处理。
可选地,上述警示信息标记装置可以是荧光涂料喷涂装置,还可以是可吸附隧道表面的警示旗帜等,只要是能起到警示作用的标记装置皆可,本实施例不对此进行限制。
进一步地,根据所述安全检测结果确定异常等级,若所述异常等级为预设高危险等级,所述簇员无人机发出警报声疏散车辆和行人。
可选地,所述簇员无人机也具有终端功能,除了承担传递检测数据包的功能,自身节点对所述检测数据包进行实时的分析,能够迅速确定检测隧道段的安全检测子结果。所述簇员无人根据所述安全检测子结果,执行上述应急处理。
在本实施例中,通过为无人机搭载应急装置,对安全检测结果异常处进行异常处理,而不必等待人工过来维修,能够有效提高隧道安全检测的效率。或是,安全检测结果存在严重异常,必须等待人工维修,那么无人机应急处理的及时性能够有效降低人工维修前的异常导致风险性。
此外,本申请实施例还提出一种隧道安全检测设备。
参照图5,图5为本申请实施例方案涉及的硬件运行环境的隧道安全检测设备结构示意图。
如图5所示,该隧道安全检测设备可以包括:处理器1001,例如中央处理器(CentralProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccessMemory,RAM)存储器,也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图5中示出的结构并不构成对隧道安全检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种可读存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及隧道安全检测程序。
在图5所示的隧道安全检测设备中,网络接口1004主要用于与其他设备进行数据通信,其中,所述其他设备包括卫星、簇头无人机和其它地面终端设备;用户接口1003主要用于与用户进行数据交互;本申请隧道安全检测设备中的处理器1001、存储器1005可以设置在隧道安全检测设备中,所述隧道安全检测设备通过处理器1001调用存储器1005中存储的隧道安全检测程序,并执行本申请实施例提供的隧道安全检测方法,具体实施例与上述隧道安全检测方法各实施例基本相同,在此不作赘述。
此外,本申请实施例还提出一种可读存储介质。
本申请可读存储介质上存储有隧道安全检测程序,所述隧道安全检测程序被处理器执行时实现如上所述的隧道安全检测方法的步骤。
其中,本申请可读存储介质中存储的隧道安全检测程序被处理器执行的具体实施例与上述隧道安全检测方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个隧道安全检测”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种隧道安全检测方法,其特征在于,所述隧道安全检测方法用于控制无人机集群,所述无人机集群包括部署于隧道口的簇头无人机,以及至少一个部署于隧道内的簇员无人机,所述簇头无人机和所述簇员无人机通过链状网连接,所述隧道安全检测方法包括以下步骤:
在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记;
获取路由信息,基于所述路由信息将所述检测数据发送至处理端;
当所述处理端接收到所述检测数据时,根据所述节点标记以及所述时间标记确定隧道位置;
根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果。
2.如权利要求1所述的隧道安全检测方法,其特征在于,所述在所述簇员无人机采集到检测数据后,将所述检测数据打上节点标记与时间标记的步骤之前包括:
在所述处理端接收到隧道检测任务时,获取所述隧道检测任务对应的隧道参数;
根据所述隧道检测任务和所述隧道参数,确定所述无人机集群的控制方案;
在所述簇头无人机接收到所述控制方案和GNSS信号时,将所述控制方案和所述GNSS信号通过所述链状网发送至所述簇员无人机。
3.如权利要求2所述的隧道安全检测方法,其特征在于,所述隧道参数包括隧道宽度、隧道长度和隧道线路,所述根据所述隧道检测任务和所述隧道参数,确定所述无人机集群的控制方案的步骤包括:
根据所述隧道长度,确定所述簇头无人机的数量;
根据所述隧道宽度、隧道线路和所述簇头无人机的数量,确定所述簇员无人机的线路规划和任务分配;
根据所述隧道检测任务的任务等级,确定所述簇员无人机的控制参数;
基于所述簇头无人机的数量、所述线路规划、所述任务分配和所述控制参数,确定所述无人机集群的控制方案。
4.如权利要求1所述的隧道安全检测方法,其特征在于,所述检测数据包括隧道内部的点云数据,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤包括:
对所述点云数据进行可视化处理,以生成所述隧道位置的横断面数据;
获取所述隧道位置的历史横断面数据集;
基于所述横断面数据、所述历史横断面数据集和所述隧道检测模型,输出隧道是否存在空间变形的安全检测结果。
5.如权利要求1所述的隧道安全检测方法,其特征在于,所述隧道检测模型包括隧道裂缝缺陷识别模型,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤之前包括:
获取隧道裂缝图像集;
提取并标记所述隧道裂缝图像集的多尺度裂缝特征,所述多尺度裂缝特征包括裂缝边缘形状、裂缝缺陷处灰度突变和裂缝发展纹理;
基于所述多尺度特征,建立并训练得到所述隧道裂缝缺陷识别模型。
6.如权利要求1所述的隧道安全检测方法,其特征在于,所述隧道检测模型包括隧道漏水区域识别模型,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤之前包括:
获取隧道漏水区域红外图像集;
提取并标记所述红外图像集的多尺度漏水特征,所述多尺度漏水特征包括漏水处温度、漏水通路和漏水扩散处;
基于所述多尺度漏水特征,建立并训练得到所述隧道漏水区域识别模型。
7.如权利要求1所述的隧道安全检测方法,其特征在于,所述隧道检测模型包括隧道空鼓识别模型,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤之前包括:
获取隧道空鼓图像集;
提取并标记所述隧道空鼓图像集的空鼓特征;
基于所述空鼓特征,建立并训练得到所述隧道空鼓识别模型。
8.如权利要求1所述的隧道安全检测方法,其特征在于,所述根据所述检测数据和隧道检测模型,确定所述隧道位置的安全检测结果的步骤之后包括:
在所述簇员无人机接收到所述安全检测结果时,根据所述安全检测结果确定调用的应急装置,所述应急装置包括防水涂料喷涂装置和警示信息标记装置;
调用所述应急装置,对所述安全检测结果中标记的异常位置进行应急处理。
9.一种隧道安全检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的隧道安全检测程序,所述隧道安全检测程序配置为实现如权利要求1至8中任一项所述的隧道安全检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有隧道安全检测程序,所述隧道安全检测程序被处理器执行时实现如权利要求1至8任一项所述的隧道安全检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310683647.8A CN116755466A (zh) | 2023-06-09 | 2023-06-09 | 隧道安全检测方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310683647.8A CN116755466A (zh) | 2023-06-09 | 2023-06-09 | 隧道安全检测方法、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116755466A true CN116755466A (zh) | 2023-09-15 |
Family
ID=87947124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310683647.8A Pending CN116755466A (zh) | 2023-06-09 | 2023-06-09 | 隧道安全检测方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116755466A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117073570A (zh) * | 2023-10-12 | 2023-11-17 | 四川高速公路建设开发集团有限公司 | 一种基于无人机的隧道变形程度检测系统及方法 |
CN117107600A (zh) * | 2023-10-23 | 2023-11-24 | 四川高速公路建设开发集团有限公司 | 一种隧道路面检测系统及方法 |
-
2023
- 2023-06-09 CN CN202310683647.8A patent/CN116755466A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117073570A (zh) * | 2023-10-12 | 2023-11-17 | 四川高速公路建设开发集团有限公司 | 一种基于无人机的隧道变形程度检测系统及方法 |
CN117073570B (zh) * | 2023-10-12 | 2023-12-19 | 四川高速公路建设开发集团有限公司 | 一种基于无人机的隧道变形程度检测系统及方法 |
CN117107600A (zh) * | 2023-10-23 | 2023-11-24 | 四川高速公路建设开发集团有限公司 | 一种隧道路面检测系统及方法 |
CN117107600B (zh) * | 2023-10-23 | 2023-12-19 | 四川高速公路建设开发集团有限公司 | 一种隧道路面检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116755466A (zh) | 隧道安全检测方法、设备及可读存储介质 | |
CN108037770B (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
CN108051450B (zh) | 一种基于无人机的桥梁健康检测系统及方法 | |
KR101910066B1 (ko) | 도로 포장관리 시스템 | |
CN107589758A (zh) | 一种基于双源视频分析的智能化野外无人机搜救方法与系统 | |
JP2018521406A (ja) | 表面を自動的に検査するためのシステムおよび方法 | |
CN112660267A (zh) | 物品运送机器人、物品运送系统、机器人管理装置 | |
CN113127583A (zh) | 一种数据传输方法和装置 | |
CN111458721A (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
CN116647651B (zh) | 一种基于北斗卫星的无人机施工监控方法及系统 | |
CN115752462A (zh) | 楼宇内重点巡检目标巡检方法、系统、电子设备和介质 | |
Rashid et al. | CompDrone: towards integrated computational model and social drone based wildfire monitoring | |
CN113727214A (zh) | 大气污染的巡查方法、装置、设备及存储介质 | |
CN113536564B (zh) | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 | |
CN112764427A (zh) | 接力的无人机巡检系统 | |
Kim et al. | Exploratory study of user-perceived effectiveness of unmanned aircraft system (UAS) integration in visual inspections of transportation agency | |
CN105843137A (zh) | 一种一体化监控方法及系统 | |
Kumar et al. | Safety wing for industry (SWI 2020)–an advanced unmanned aerial vehicle design for safety and security facility management in industries | |
Gudmundsson et al. | Porting Computer Vision Models to the Edge for Smart City Applications: Enabling Autonomous Vision-Based Power Line Inspection at the Smart Grid Edge for Unmanned Aerial Vehicles (UAVs). | |
US11829959B1 (en) | System and methods for fully autonomous potholes detection and road repair determination | |
dos Santos et al. | Deep learning applied to equipment detection on flat roofs in images captured by UAV | |
US20240103537A1 (en) | Methods, systems, and devices for inspecting structures and objects | |
CN115373416A (zh) | 一种铁路电力贯通线智能巡检方法 | |
CN115431266A (zh) | 一种巡检方法、巡检装置及巡检机器人 | |
CN213518003U (zh) | 用于机场道面的巡检机器人以及巡检系统 |
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 |