CN117351241B - 隧道病害的智能检测评定方法、装置、终端及存储介质 - Google Patents

隧道病害的智能检测评定方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN117351241B
CN117351241B CN202311350475.9A CN202311350475A CN117351241B CN 117351241 B CN117351241 B CN 117351241B CN 202311350475 A CN202311350475 A CN 202311350475A CN 117351241 B CN117351241 B CN 117351241B
Authority
CN
China
Prior art keywords
defect
tunnel
type
defects
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.)
Active
Application number
CN202311350475.9A
Other languages
English (en)
Other versions
CN117351241A (zh
Inventor
张东海
魏广宾
王杨
赵国栋
孙振
许慧
陈巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Road & Bridge Technology Co ltd
Original Assignee
China Road & Bridge Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Road & Bridge Technology Co ltd filed Critical China Road & Bridge Technology Co ltd
Priority to CN202311350475.9A priority Critical patent/CN117351241B/zh
Publication of CN117351241A publication Critical patent/CN117351241A/zh
Application granted granted Critical
Publication of CN117351241B publication Critical patent/CN117351241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种隧道病害的智能检测评定方法、装置、终端及存储介质。该方法包括：获取隧道的检测信息，检测信息包括至少一个隧道缺陷图像；将隧道缺陷图像按照预设的多个缺陷类型进行分类，得到在每个缺陷类型下的隧道缺陷图像；其中，多个缺陷类型包括洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷；针对每个缺陷类型，对缺陷类型下的隧道缺陷图像进行语义分析，得到缺陷类型下的隧道缺陷图像对应的病害特征；基于每个缺陷类型下的病害特征，得到隧道病害评定结果。本发明能够对隧道多种缺陷进行分析，得到隧道病害评定结果，且无需人工获取数据，更加智能与规范。

Description

隧道病害的智能检测评定方法、装置、终端及存储介质
技术领域
本发明涉及隧道病害检测技术领域，尤其涉及一种隧道病害的智能检测评定方法、装置、终端及存储介质。
背景技术
随着城市建设的快速发展，已经有大量隧道被建设并投入运营。由于已建隧道普遍存在不同程度的隧道衬砌裂缝、渗漏水等病害，这些病害会严重危及行车安全，所以需要经常对隧道进行定期检查，系统地掌握隧道的结构技术状况和功能状况，为养护工作提供依据。
目前，隧道的病害评定大多以人工为主，需要人工获取隧道的缺陷信息，并进行隧道病害评价，工作量大，工作成本高，且人工评定存在主观性，不能保证病害评定结果的客观性。
发明内容
本发明实施例提供了一种隧道病害的智能检测评定方法、装置、终端及存储介质，以解决目前隧道病害评定人工工作量大、数智化程度不高的问题。
第一方面，本发明实施例提供了一种隧道病害的智能检测评定方法，包括：
获取隧道的检测信息，检测信息包括至少一个隧道缺陷图像；
将隧道缺陷图像按照预设的多个缺陷类型进行分类，得到在每个缺陷类型下的隧道缺陷图像；其中，多个缺陷类型包括洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷；
针对每个缺陷类型，对缺陷类型下的隧道缺陷图像进行语义分析，得到缺陷类型下的隧道缺陷图像对应的病害特征；
基于每个缺陷类型下的病害特征，得到隧道病害评定结果。
在一种可能的实现方式中，检测信息还包括隧道里程信息和隧道环境信息，隧道病害的智能检测评定方法还包括：
针对每个缺陷类型，执行以下步骤：
获取与缺陷类型下的隧道缺陷图像对应的隧道里程信息和隧道环境信息；
将缺陷类型下的隧道缺陷图像以及与隧道缺陷图像对应的隧道环境信息输入预先训练的病害预测模型，得到与缺陷类型下的隧道缺陷图像对应的病害预测图像；
基于缺陷类型下的隧道缺陷图像对应的隧道里程信息，将缺陷类型下的隧道缺陷图像对应的病害预测图像展示在预先生成的隧道三维展布图上。
在一种可能的实现方式中，预先训练的病害预测模型包括多个不同类型的病害预测模块，将缺陷类型下的隧道缺陷图像以及与隧道缺陷图像对应的隧道环境信息输入预先训练的病害预测模型，得到与缺陷类型下的隧道缺陷图像对应的病害预测图像，包括：
根据隧道缺陷图像的缺陷类型进行匹配，确定目标病害预测模块；其中，目标病害预测模块的类型与缺陷类型相对应；
根据目标病害预测模块，提取隧道缺陷图像的特征图像；
根据特征图像，得到预设时长后的病害预测图像。
在一种可能的实现方式中，隧道病害评定结果包括隧道局部病害评定结果和隧道整体病害评定结果，基于每个缺陷类型下的病害特征，得到隧道病害评定结果，包括：
根据每个缺陷类型下的病害特征，得到隧道局部病害评定结果；
基于每个缺陷类型下的病害特征，计算隧道的整体技术状况值；
根据整体技术状况值，得到隧道整体病害评定结果。
在一种可能的实现方式中，每个缺陷类型下的病害特征为多个，基于每个缺陷类型下的病害特征，计算隧道的整体技术状况值，包括：
针对每个缺陷类型，基于缺陷类型下的各病害特征，确定缺陷类型下的各病害特征相对应的技术状况值；根据缺陷类型下的各病害特征相对应的技术状况值，确定缺陷类型相对应的最大技术状况值；
根据每个缺陷类型相对应的最大技术状况值，计算隧道的整体技术状况值。
在一种可能的实现方式中，隧道局部病害评定结果包括病害原因和病害处治方法，根据每个缺陷类型下的病害特征，得到隧道局部病害评定结果，包括：
针对每个缺陷类型，基于缺陷类型下的多个病害特征，在预设的病害特征库进行匹配，得到与缺陷类型相对应的病害分析序列；病害分析序列包括多个四元组，每个四元组包括病害特征、病害原因、病害处治方法和病害处治优先级；其中，缺陷类型下的每个病害特征对应于至少一个四元组；
针对每个缺陷类型，根据病害处治优先级对缺陷类型所对应的病害分析序列中的四元组进行筛选，得到与缺陷类型下的各病害特征相对应的病害原因和病害处治方法。
在一种可能的实现方式中，隧道整体病害评定结果包括隧道处治措施，根据整体技术状况值，得到隧道整体病害评定结果，包括：
确定整体技术状况值所处的目标分类区间；
根据目标分类区间，得到对应的隧道处治措施；其中，隧道处治措施包括关闭隧道、对隧道进行交通管制或正常运营隧道；
隧道的整体技术状况值的计算公式如下：
其中，G表示隧道的整体技术状况值，Ji表示第i个缺陷类型对应的最大技术状况值，wi表示第i个缺陷类型对应的权重。
第二方面，本发明实施例提供了一种隧道病害的智能检测评定装置，包括：
获取模块，用于获取隧道的检测信息，检测信息包括至少一个隧道缺陷图像；
分类模块，用于将隧道缺陷图像按照预设的多个缺陷类型进行分类，得到在每个缺陷类型下的隧道缺陷图像；其中，多个缺陷类型包括洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷；
处理模块，用于针对每个缺陷类型，对缺陷类型下的隧道缺陷图像进行语义分析，得到缺陷类型下的隧道缺陷图像对应的病害特征；
评定模块，用于基于每个缺陷类型下的病害特征，得到隧道病害评定结果。
第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述的隧道病害的智能检测评定方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的隧道病害的智能检测评定方法的步骤。
本发明实施例提供一种隧道病害的智能检测评定方法、装置、终端及存储介质，通过获取隧道的缺陷信息，该缺陷信息包括隧道缺陷图像，将隧道缺陷图像按照预设的多个缺陷类型进行分类，得到在每个缺陷类型下的隧道缺陷图像，并对每个缺陷类型下的隧道缺陷图像进行语义分析，得到与每个缺陷类型下的隧道缺陷图像相对应的病害特征，最后基于每个缺陷类型下的病害特征，得到隧道病害评定结果。本发明实施例能够对隧道的洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷进行分析，且无需人工进行数据获取工作，更加智能化，且通过语义分析获得隧道缺陷图像相对应的病害特征，提高了隧道病害评定结果的客观性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的隧道病害的智能检测评定方法的实现流程图；
图2是本发明实施例提供的得到隧道病害评定结果的实现流程图；
图3是本发明实施例提供的一种衬砌缺陷对应的病害特征库的示意图；
图4是本发明实施例提供的展示隧道病害预测图像的实现流程图；
图5是本发明实施例提供的隧道病害的智能检测评定装置的结构示意图；
图6是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
实施例1：
图1为本发明实施例提供的隧道病害的智能检测评定方法的实现流程图，详述如下：
步骤101，获取隧道的检测信息，检测信息包括至少一个隧道缺陷图像。
在一些实施例中，可以在隧道的洞门、洞口、隧道顶部等位置安装系统摄像头，或者通过无人机拍摄的方法获取隧道缺陷图像。
步骤102，将隧道缺陷图像按照预设的多个缺陷类型进行分类，得到在每个缺陷类型下的隧道缺陷图像；其中，多个缺陷类型包括洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷。
在一些实施例中，可以通过目标检测方法（Object Detection）和图像分割方法（Image Segmentation），对系统摄像头获取的隧道缺陷图像中的关键部位进行图像识别和分割处理，并将分割后的隧道缺陷图像按照预设的缺陷类型进行分类，分类后的隧道缺陷图像包括但不限于以下至少一项：洞门缺陷图像、洞口缺陷图像、衬砌缺陷图像、路面缺陷图像、检修道缺陷图像、排水设施缺陷图像、吊顶及预埋件缺陷图像、内装饰缺陷图像和标志标线缺陷图像。
步骤103，针对每个缺陷类型，对缺陷类型下的隧道缺陷图像进行语义分析，得到缺陷类型下的隧道缺陷图像对应的病害特征。
在一些实施例中，针对每个缺陷类型下的隧道缺陷图像，可以通过预先训练的语义生成模型对隧道缺陷图像进行语义分析，得到隧道缺陷图像对应的病害特征。图像语义分析是对图像和图像语义之间的关系进行分析的过程，一般根据已知图像和相应的图像语义的数据库进行语义生成模型的训练，图像和图像语义都可以作为该过程的输入。
需要说明的是，该预先训练的语义生成模型可以是循环神经网络模型（RecurrentNeural Networks，RNN）。针对每个缺陷类型，该预先训练的语义生成模型的输入集为该缺陷类型下的隧道缺陷图像以及该缺陷类型下的技术状况描述集合，该预先训练的语义生成模型的输出为与该隧道缺陷图像相对应的病害特征文本描述。
具体的，语义生成模型获取隧道缺陷图像像素I和输入向量序列(x 1 ,x 2 ,...,x n)，然后通过迭代如下公式计算隐藏状态序列(h 1 ,h 2 ,...,h n)和输出序列(y 1 ,y 2 ,...,y n)：
其中，W hi 、W hx 、W hh 、W oh 、x i 、b h和b o均为可学习的参数，表示卷积神经网络（Convolutional Neural Networks，CNN）的最后一层，b v表示中间向量，f表示relu激活函数，δ(t=1)表示阶跃函数在t=1时刻的值，表示哈达玛积运算，softmax表示激活函数。
举例来说，针对缺陷类型为衬砌缺陷的隧道缺陷图像，语义生成模型的输入为衬砌缺陷图像以及隧道衬砌技术状况描述集合，该技术状况描述集合中可以包括但不限于以下句子描述：“无渗漏水”、“衬砌表面存在浸渗，对行车无影响”、“村砌拱部有滴漏，侧墙有小股涌流，路面有浸渗但无积水，拱部、边墙因渗水少量挂冰，边墙脚积冰，不久可能会影响行车安全”、“拱部有涌流、侧境有喷射水流，路面积水，沙土流出、拱部衬砌因渗水形成较大挂冰、胀裂，或涌水积冰至路面边缘，影响行车安全”以及“拱部有喷射水流，侧墙存在严重影响行车安全的涌水，地下水从检查并涌出，路面积水严重，伴有严重的沙土流出和衬砌挂冰，严重影响行车安全”。语义生成模型的输出一方面可以自动生成；另一方面，也可以预先设计病害特征集合，该病害特征集合中包括规范性语句描述，如“衬砌裂纹、剥离、剥落”，根据语义生成模型的输出从该病害特征集合中匹配相似度高的语句描述，将其确定为隧道缺陷图像对应的病害特征，以保证语义生成模型输出结果的数据规范性。
步骤104，基于每个缺陷类型下的病害特征，得到隧道病害评定结果。
在一些实施例中，隧道病害评定结果可以包括隧道局部病害评定结果和隧道整体病害评定结果。
具体的，隧道局部病害评定结果即针对具体缺陷类型的局部病害评定结果，例如，根据衬砌缺陷下的病害特征得到针对衬砌缺陷的局部病害评定结果；隧道整体病害评定结果即综合隧道多个不同缺陷类型下的病害特征，得到的对隧道整体的处治措施。
如图2所示，步骤104的具体处理可以如下：
步骤201，根据每个缺陷类型下的病害特征，得到隧道局部病害评定结果。
在一些实施例中，隧道局部病害评定结果可以包括病害原因和病害处治方法。具体的，步骤201的具体处理可以包括如下步骤：
S211，首先，针对每个缺陷类型，基于缺陷类型下的多个病害特征，在预设的病害特征库进行匹配，得到与缺陷类型相对应的病害分析序列；病害分析序列包括多个四元组，每个四元组包括病害特征、病害原因、病害处治方法和病害处治优先级；其中，缺陷类型下的每个病害特征对应于至少一个四元组。
在一些实施例中，预设的病害特征库中可以包括预先存储的病害特征、病害原因、病害处治方法以及病害处治优先级死者之间的对应关系。需要说明的是，病害处治优先级对应的数字越大，病害处治方法的优先级越高。此外，预设的病害特征库中还可以包括与病害处治方法对应的预期效果。图3为本发明实施例提供的一种衬砌缺陷对应的病害特征库。如图3所示，以语义生成模型输出的病害特征为“衬砌裂纹、剥离、剥落”为例，其对应的病害原因可能为“地层滑坡引起引起”，病害处治方法可以为“滑坡整治”，病害处治优先级为“3”，对应的预期效果为“防止岩层滑坡”。
具体的，针对衬砌缺陷，基于衬砌缺陷下的病害特征，在预设的病害特征库进行匹配，得到的与衬砌缺陷相对应的病害分析序列可以如下表一所示。
表一 衬砌缺陷病害分析序列
S212，针对每个缺陷类型，根据病害处治优先级对缺陷类型所对应的病害分析序列中的四元组进行筛选，得到与缺陷类型下的各病害特征相对应的病害原因和病害处治方法。
在一些实施例中，可以根据病害处治优先级，结合具体的病害特征得到其可能的病害原因以及合适的病害处治方法，病害处治优先级的数字越大，代表病害处治方法对应的优先级越高。
举例来说，针对衬砌缺陷，病害特征可能为“衬砌裂缝、净空宽度缩小”，那么其对应的病害原因可能是“地层滑坡引起”或者“偏压引起”，其对应的病害处治方法可能为“滑坡整治”，可以达到防止岩层滑坡的预期效果。
步骤202，基于每个缺陷类型下的病害特征，计算隧道的整体技术状况值。
在一些实施例中，每个缺陷类型下的病害特征为多个，基于每个缺陷类型下的病害特征，计算隧道的整体技术状况值，包括：
S221，针对每个缺陷类型，基于缺陷类型下的各病害特征，确定缺陷类型下的各病害特征相对应的技术状况值；根据缺陷类型下的各病害特征相对应的技术状况值，确定缺陷类型相对应的最大技术状况值。
在一些实施例中，洞门缺陷下的病害特征以及其对应的技术状况值可以如下表二所示。
表二 洞门缺陷病害特征及其对应的技术状况值
在一些实施例中，洞口缺陷下的病害特征以及其对应的技术状况值可以如下表三所示。
表三 洞口缺陷病害特征及其对应的技术状况值
在一些实施例中，衬砌缺陷还分为衬砌破损缺陷和衬砌渗漏水缺陷。具体的，衬砌破损缺陷对应的病害特征以及其对应的技术状况值可以如下表四所示。
表四 衬砌破损缺陷病害特征及其对应的技术状况值
具体的，衬砌渗漏水缺陷对应的病害特征以及其对应的技术状况值可以如下表五所示。
表五 衬砌渗漏水缺陷病害特征及其对应的技术状况值
在一些实施例中，路面缺陷下的病害特征以及其对应的技术状况值可以如下表六所示。
表六 路面缺陷病害特征及其对应的技术状况值
在一些实施例中，排水设施缺陷下的病害特征以及其对应的技术状况值可以如下表七所示。
表七 排水设施缺陷病害特征及其对应的技术状况值
在一些实施例中，吊顶及预埋件缺陷下的病害特征以及其对应的技术状况值可以如下表八所示。
表八 吊顶及预埋件缺陷病害特征及其对应的技术状况值
在一些实施例中，内装饰缺陷下的病害特征以及其对应的技术状况值可以如下表九所示。
表九 内装饰缺陷病害特征及其对应的技术状况值
在一些实施例中，标志标线缺陷下的病害特征以及其对应的技术状况值可以如下表十所示。
表十 标志标线缺陷病害特征及其对应的技术状况值
S222，根据每个缺陷类型相对应的最大技术状况值，计算隧道的整体技术状况值。
在一些实施例中，隧道的整体技术状况值的计算公式如下：
其中，G表示隧道的整体技术状况值，Ji表示第i个缺陷类型对应的最大技术状况值，wi表示第i个缺陷类型对应的权重。
具体的，洞门缺陷对应的权重为0.05，洞口缺陷对应的权重为0.15，衬砌缺陷对应的权重为0.40，路面缺陷对应的权重为0.15，检修道缺陷对应的权重为0.02，排水设施缺陷对应的权重为0.06，吊顶及预埋件缺陷对应的权重为0.10，内装饰缺陷对应的权重为0.02，标志标线缺陷对应的权重为0.05。
步骤203，根据整体技术状况值，得到隧道整体病害评定结果。
在一些实施例中，隧道整体病害评定结果可以包括隧道处治措施。具体的，步骤203的具体处理可以如下：
S231，确定整体技术状况值所处的目标分类区间。
S232，根据目标分类区间，得到对应的隧道处治措施；其中，隧道处治措施包括关闭隧道、对隧道进行交通管制或正常运营隧道。
在一些实施例中，整体技术状况值的分类区间以及其对应的隧道处治措施可以如下表十一所示。
表十一 分类区间及隧道处治措施对应关系
在一些实施例中，检测信息还可以包括隧道里程信息和隧道环境信息。如图4所示，针对每个缺陷类型，该隧道病害的智能检测评定方法还包括：
步骤401，获取与缺陷类型下的隧道缺陷图像对应的隧道里程信息和隧道环境信息。
在一些实施例中，可以通过在隧道安装传感器、摄像头等仪器，获取与隧道缺陷图像对应的隧道里程信息和隧道环境信息。其中，隧道环境信息可以包括但不限于以下至少一项：隧道地形数据、隧道断面尺寸、地下水位数据、水文地质数据以及岩性数据。
步骤402，将缺陷类型下的隧道缺陷图像以及与隧道缺陷图像对应的隧道环境信息输入预先训练的病害预测模型，得到与缺陷类型下的隧道缺陷图像对应的病害预测图像。
在一些实施例中，预先训练的病害预测模型可以包括多个不同类型的病害预测模块。具体的，病害预测模块的类型可以包括洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷。
在一些实施例中，步骤402的具体处理可以如下：
S421，根据隧道缺陷图像的缺陷类型进行匹配，确定目标病害预测模块；其中，目标病害预测模块的类型与缺陷类型相对应。
S422，根据目标病害预测模块，提取隧道缺陷图像的特征图像。
S423，根据特征图像，得到预设时长后的病害预测图像。
在一些实施例中，病害预测模型可以是预先训练的ConvLSTM网络模型（Convolutional LSTM Network）。ConvLSTM主要用于进行时序数据的预测，相比于LSTM模型，ConvLSTM模型可以将图像作为网络的输入并对图像序列进行卷积操作，提取图像特征，更好地完成时序数据是图像的序列预测。具体的，ConvLSTM网络模型的数据集可以包括在不同时刻获取的隧道缺陷图像。
步骤403，基于缺陷类型下的隧道缺陷图像对应的隧道里程信息，将缺陷类型下的隧道缺陷图像对应的病害预测图像展示在预先生成的隧道三维展布图上。
在一些实施例中，可以基于获取的隧道地形数据、隧道断面尺寸、地下水位数据、水文地质数据以及岩性数据等信息提前生成隧道三维展布图。具体的，隧道三维展布图上的信息可以包括隧道名称、隧道里程、病害位置、病害图像以及病害处治情况等信息。隧道三维展布图可以清晰地展示隧道的内部结构和布局，帮助管养人员更好地规划隧道检测养护工作。
需要说明的是，在生成隧道三维展布图后，还可以将后续获取的隧道缺陷图像按照隧道里程信息呈现在隧道三维展布图上，减少了信息获取的时间周期，提高了工作效率。
本发明实施例提供的隧道病害的智能检测评定方法，能够对隧道多种缺陷类型的数据进行分析，客观地给出隧道养护建议，利于养护人员快速得出决策，大大降低了内业工作量，提高了隧道病害评定结果的准确度与规范性。
本发明实施例还提供了一种隧道病害的智能检测评定系统，该智能检测评定系统可以对获取的隧道的检测信息进行处理，得到隧道病害评定结果，并基于隧道病害评定结果生成报告。工作人员在登录该系统后，还可以将隧道的检测信息以及隧道病害评定结果上传至服务器，方便其他工作人员及时发现隧道检测工作中的问题，避免后期对数据进行大量修改，节约了时间成本，同时使检测工作的规范性和完整性也得到了保障。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例2：
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的隧道病害的智能检测评定装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图5所示，隧道病害的智能检测评定装置500包括：获取模块501，分类模块502，处理模块503和评定模块504。
获取模块501，用于获取隧道的检测信息，检测信息包括至少一个隧道缺陷图像；
分类模块502，用于将隧道缺陷图像按照预设的多个缺陷类型进行分类，得到在每个缺陷类型下的隧道缺陷图像；其中，多个缺陷类型包括洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷；
处理模块503，用于针对每个缺陷类型，对缺陷类型下的隧道缺陷图像进行语义分析，得到缺陷类型下的隧道缺陷图像对应的病害特征；
评定模块504，用于基于每个缺陷类型下的病害特征，得到隧道病害评定结果。
在一些实施例中，隧道病害评定结果包括隧道局部病害评定结果和隧道整体病害评定结果，评定模块504用于：
根据每个缺陷类型下的病害特征，得到隧道局部病害评定结果；
基于每个缺陷类型下的病害特征，计算隧道的整体技术状况值；
根据整体技术状况值，得到隧道整体病害评定结果。
在一些实施例中，每个缺陷类型下的病害特征为多个，评定模块504用于：
针对每个缺陷类型，基于缺陷类型下的各病害特征，确定缺陷类型下的各病害特征相对应的技术状况值；根据缺陷类型下的各病害特征相对应的技术状况值，确定缺陷类型相对应的最大技术状况值；
根据每个缺陷类型相对应的最大技术状况值，计算隧道的整体技术状况值。
在一些实施例中，隧道局部病害评定结果包括病害原因和病害处治方法，评定模块504用于：
针对每个缺陷类型，基于缺陷类型下的多个病害特征，在预设的病害特征库进行匹配，得到与缺陷类型相对应的病害分析序列；病害分析序列包括多个四元组，每个四元组包括病害特征、病害原因、病害处治方法和病害处治优先级；其中，缺陷类型下的每个病害特征对应于至少一个四元组；
针对每个缺陷类型，根据病害处治优先级对缺陷类型所对应的病害分析序列中的四元组进行筛选，得到与缺陷类型下的各病害特征相对应的病害原因和病害处治方法。
在一些实施例中，隧道整体病害评定结果包括隧道处治措施，评定模块504用于：
确定整体技术状况值所处的目标分类区间；
根据目标分类区间，得到对应的隧道处治措施；其中，隧道处治措施包括关闭隧道、对隧道进行交通管制或正常运营隧道；
隧道的整体技术状况值的计算公式如下：
其中，G表示隧道的整体技术状况值，Ji表示第i个缺陷类型对应的最大技术状况值，wi表示第i个缺陷类型对应的权重。
实施例3：
图6是本发明实施例提供的终端的示意图。如图6所示，该实施例的终端600包括：处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603。所述处理器601执行所述计算机程序603时实现上述各个隧道病害的智能检测评定方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块/单元501至504的功能。
示例性的，所述计算机程序603可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器602中，并由所述处理器601执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序603在所述终端600中的执行过程。例如，所述计算机程序603可以被分割成图5所示模块/单元501至504。
所述终端600可包括，但不仅限于，处理器601、存储器602。本领域技术人员可以理解，图6仅仅是终端600的示例，并不构成对终端600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，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述终端600的内部存储单元，例如终端600的硬盘或内存。所述存储器602也可以是所述终端600的外部存储设备，例如所述终端600上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器602还可以既包括所述终端600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个隧道病害的智能检测评定方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种隧道病害的智能检测评定方法，其特征在于，包括：
获取隧道的检测信息，所述检测信息包括至少一个隧道缺陷图像；
将所述隧道缺陷图像按照预设的多个缺陷类型进行分类，得到在每个所述缺陷类型下的隧道缺陷图像；其中，所述多个缺陷类型包括洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷；
针对每个所述缺陷类型，对所述缺陷类型下的隧道缺陷图像进行语义分析，得到所述缺陷类型下的隧道缺陷图像对应的病害特征；
基于每个所述缺陷类型下的病害特征，得到隧道病害评定结果；
所述检测信息还包括隧道里程信息和隧道环境信息，所述方法还包括：
针对每个所述缺陷类型，执行以下步骤：
获取与所述缺陷类型下的隧道缺陷图像对应的隧道里程信息和隧道环境信息；
将所述缺陷类型下的隧道缺陷图像以及与所述隧道缺陷图像对应的隧道环境信息输入预先训练的病害预测模型，得到与所述缺陷类型下的隧道缺陷图像对应的病害预测图像；
基于所述缺陷类型下的隧道缺陷图像对应的隧道里程信息，将所述缺陷类型下的隧道缺陷图像对应的病害预测图像展示在预先生成的隧道三维展布图上。
2.根据权利要求1所述的隧道病害的智能检测评定方法，其特征在于，所述预先训练的病害预测模型包括多个不同类型的病害预测模块，所述将所述缺陷类型下的隧道缺陷图像以及与所述隧道缺陷图像对应的隧道环境信息输入预先训练的病害预测模型，得到与所述缺陷类型下的隧道缺陷图像对应的病害预测图像，包括：
根据所述隧道缺陷图像的缺陷类型进行匹配，确定目标病害预测模块；其中，所述目标病害预测模块的类型与所述缺陷类型相对应；
根据所述目标病害预测模块，提取所述隧道缺陷图像的特征图像；
根据所述特征图像，得到预设时长后的病害预测图像。
3.根据权利要求1所述的隧道病害的智能检测评定方法，其特征在于，所述隧道病害评定结果包括隧道局部病害评定结果和隧道整体病害评定结果，所述基于每个所述缺陷类型下的病害特征，得到隧道病害评定结果，包括：
根据每个所述缺陷类型下的病害特征，得到隧道局部病害评定结果；
基于每个所述缺陷类型下的病害特征，计算隧道的整体技术状况值；
根据所述整体技术状况值，得到隧道整体病害评定结果。
4.根据权利要求3所述的隧道病害的智能检测评定方法，其特征在于，每个所述缺陷类型下的病害特征为多个，所述基于每个所述缺陷类型下的病害特征，计算隧道的整体技术状况值，包括：
针对每个所述缺陷类型，基于所述缺陷类型下的各病害特征，确定所述缺陷类型下的各病害特征相对应的技术状况值；根据所述缺陷类型下的各病害特征相对应的技术状况值，确定所述缺陷类型相对应的最大技术状况值；
根据每个所述缺陷类型相对应的最大技术状况值，计算隧道的整体技术状况值。
5.根据权利要求4所述的隧道病害的智能检测评定方法，其特征在于，所述隧道局部病害评定结果包括病害原因和病害处治方法，所述根据每个所述缺陷类型下的病害特征，得到隧道局部病害评定结果，包括：
针对每个所述缺陷类型，基于所述缺陷类型下的多个病害特征，在预设的病害特征库进行匹配，得到与所述缺陷类型相对应的病害分析序列；所述病害分析序列包括多个四元组，每个所述四元组包括病害特征、病害原因、病害处治方法和病害处治优先级；其中，所述缺陷类型下的每个病害特征对应于至少一个四元组；
针对每个所述缺陷类型，根据病害处治优先级对所述缺陷类型所对应的所述病害分析序列中的四元组进行筛选，得到与所述缺陷类型下的各病害特征相对应的病害原因和病害处治方法。
6.根据权利要求4所述的隧道病害的智能检测评定方法，其特征在于，所述隧道整体病害评定结果包括隧道处治措施，所述根据所述整体技术状况值，得到隧道整体病害评定结果，包括：
确定所述整体技术状况值所处的目标分类区间；
根据所述目标分类区间，得到对应的隧道处治措施；其中，所述隧道处治措施包括关闭隧道、对隧道进行交通管制或正常运营隧道；
所述隧道的整体技术状况值的计算公式如下：
其中，G表示隧道的整体技术状况值，Ji表示第i个缺陷类型对应的最大技术状况值，wi表示第i个缺陷类型对应的权重。
7.一种隧道病害的智能检测评定装置，其特征在于，包括：
获取模块，用于获取隧道的检测信息，所述检测信息包括至少一个隧道缺陷图像；
分类模块，用于将所述隧道缺陷图像按照预设的多个缺陷类型进行分类，得到在每个所述缺陷类型下的隧道缺陷图像；其中，所述多个缺陷类型包括洞门缺陷、洞口缺陷、衬砌缺陷、路面缺陷、检修道缺陷、排水设施缺陷、吊顶及预埋件缺陷、内装饰缺陷和标志标线缺陷；
处理模块，用于针对每个所述缺陷类型，对所述缺陷类型下的隧道缺陷图像进行语义分析，得到所述缺陷类型下的隧道缺陷图像对应的病害特征；
评定模块，用于基于每个所述缺陷类型下的病害特征，得到隧道病害评定结果；
所述检测信息还包括隧道里程信息和隧道环境信息；
所述处理模块还用于，针对每个所述缺陷类型，执行以下步骤：
获取与所述缺陷类型下的隧道缺陷图像对应的隧道里程信息和隧道环境信息；
将所述缺陷类型下的隧道缺陷图像以及与所述隧道缺陷图像对应的隧道环境信息输入预先训练的病害预测模型，得到与所述缺陷类型下的隧道缺陷图像对应的病害预测图像；
基于所述缺陷类型下的隧道缺陷图像对应的隧道里程信息，将所述缺陷类型下的隧道缺陷图像对应的病害预测图像展示在预先生成的隧道三维展布图上。
8.一种终端，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述的隧道病害的智能检测评定方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述的隧道病害的智能检测评定方法的步骤。
CN202311350475.9A 2023-10-18 2023-10-18 隧道病害的智能检测评定方法、装置、终端及存储介质 Active CN117351241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311350475.9A CN117351241B (zh) 2023-10-18 2023-10-18 隧道病害的智能检测评定方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311350475.9A CN117351241B (zh) 2023-10-18 2023-10-18 隧道病害的智能检测评定方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN117351241A CN117351241A (zh) 2024-01-05
CN117351241B true CN117351241B (zh) 2024-05-03

Family

ID=89364572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311350475.9A Active CN117351241B (zh) 2023-10-18 2023-10-18 隧道病害的智能检测评定方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN117351241B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118038282B (zh) * 2024-04-15 2024-07-12 贵州黔通工程技术有限公司 一种隧道病害检测方法及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004117193A (ja) * 2002-09-26 2004-04-15 Mitsubishi Heavy Ind Ltd トンネル覆工の内部欠陥検出装置
CN110119572A (zh) * 2019-05-13 2019-08-13 招商局重庆交通科研设计院有限公司 一种适用于隧道病害的评价系统
CN111507951A (zh) * 2020-04-08 2020-08-07 中国电力科学研究院有限公司 电缆线路隧道工程巡检装置
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法
KR20220043458A (ko) * 2020-09-29 2022-04-05 주식회사 딥인스펙션 설명가능인공지능 및 포인트클라우드 기반 3차원 터널시설물 안전점검 자동화 시스템
CN114565845A (zh) * 2022-02-23 2022-05-31 青岛图灵科技有限公司 一种地下隧道智能巡检系统
CN115935464A (zh) * 2022-10-30 2023-04-07 同济大学 基于隧道结构裂损状态的服役性能检测方法及设备
CN116415336A (zh) * 2023-04-13 2023-07-11 中铁第四勘察设计院集团有限公司 基于盾构隧道衬砌表观裂缝特征的技术状况值评定方法
CN116563608A (zh) * 2023-04-11 2023-08-08 国能朔黄铁路发展有限责任公司 一种隧道衬砌典型病害图像的识别方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004117193A (ja) * 2002-09-26 2004-04-15 Mitsubishi Heavy Ind Ltd トンネル覆工の内部欠陥検出装置
CN110119572A (zh) * 2019-05-13 2019-08-13 招商局重庆交通科研设计院有限公司 一种适用于隧道病害的评价系统
CN111507951A (zh) * 2020-04-08 2020-08-07 中国电力科学研究院有限公司 电缆线路隧道工程巡检装置
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法
KR20220043458A (ko) * 2020-09-29 2022-04-05 주식회사 딥인스펙션 설명가능인공지능 및 포인트클라우드 기반 3차원 터널시설물 안전점검 자동화 시스템
CN114565845A (zh) * 2022-02-23 2022-05-31 青岛图灵科技有限公司 一种地下隧道智能巡检系统
CN115935464A (zh) * 2022-10-30 2023-04-07 同济大学 基于隧道结构裂损状态的服役性能检测方法及设备
CN116563608A (zh) * 2023-04-11 2023-08-08 国能朔黄铁路发展有限责任公司 一种隧道衬砌典型病害图像的识别方法及装置
CN116415336A (zh) * 2023-04-13 2023-07-11 中铁第四勘察设计院集团有限公司 基于盾构隧道衬砌表观裂缝特征的技术状况值评定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A deep-learning-learning multiple defect detection method for tunnel lining damages;Yanan Dong 等;IEEE;20191231;全文 *
越江盾构隧道混凝土管片常见病害及处治;苑晓锋 等;上海建设科技;20160421(第02期);全文 *

Also Published As

Publication number Publication date
CN117351241A (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN117351241B (zh) 隧道病害的智能检测评定方法、装置、终端及存储介质
KR102015947B1 (ko) 자율주행을 위한 학습대상 이미지 추출 장치 및 방법
EP4239614A2 (en) Systems and methods for image-based location determination and parking monitoring
CN112966665A (zh) 路面病害检测模型训练方法、装置和计算机设备
CN112307989A (zh) 路面物体识别方法、装置、计算机设备和存储介质
KR102015945B1 (ko) 자율주행을 위한 학습대상 이미지 패키징 장치 및 방법
CN115909079B (zh) 结合深度特征和自注意力模型的裂缝检测方法及相关设备
JP2015191572A (ja) マンホール検出装置、マンホール検出方法及びプログラム
CN112766670B (zh) 基于高精度地图数据众包更新系统的评估方法及装置
Zhang et al. Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground
CN113989722A (zh) 一种渣土车合规判别方法、系统和存储介质
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统
WO2018042208A1 (en) Street asset mapping
CN108287845A (zh) 一种道路信息自动提取方法和装置、及混合导航系统
Kulambayev et al. Real-time road surface damage detection framework based on mask r-cnn model
Wang et al. Instance segmentation of soft‐story buildings from street‐view images with semiautomatic annotation
JP6223256B2 (ja) マンホール蓋管理装置、マンホール蓋管理方法及びプログラム
CN115761613B (zh) 一种基于卷积网络的隧道裂缝自动检测方法
CN115456973A (zh) 渗漏水病害检测与识别模型的建立方法、装置及设备
CN115272898A (zh) 基于管网无人机巡检视频的识别方法、装置、介质和设备
Huang et al. Crack fundamental element (CFE) for multi-scale crack classification
CN113920051A (zh) 结构表观病害检测数据标准化批处理方法、系统及介质
KR101517695B1 (ko) 주행 중 과속방지턱 탐지 시스템 및 그 방법
CN113536928A (zh) 一种高效率的无监督行人重识别方法和装置
CN114004004B (zh) 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用

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