SCI论文（www.lunwensci.com）:
摘要：隧道检测车采集的隧道衬砌图像由于精度要求高,导致图片的容量很大,本文利用多层隧道瓦片图像技术和病害图层技术解决了海量图片的快速加载和流畅展示,又通过深度学习来进行隧道衬砌病害的识别,构建了隧道衬砌病害后处理系统,搭配隧道车,大幅度的提升了隧道检测的效率。
关键词：隧道检测；衬砌病害；病害识别；多层隧道瓦片图像；深度学习
Design and Realization of Post-processing System for Tunnel Lining Disease Identification
WANG Chao
(Liaoning Provincial Communication Planning and Design Institute Co.,Ltd.for Highway Maintenance Technology R&D Center,Shenyang Liaoning 110111)
【Abstract】：The tunnel lining images collected by the tunnel inspection vehicle have high accuracy requirements,resulting in a large image capacity,the multi-layer tunnel tile image technology and disease layer technology are used to solve the fast loading and smooth display of massive images.The identification of tunnel lining diseases is carried out by deep learning,and a post-processing system for tunnel lining diseases is constructed,which greatly improves the efficiency of tunnel detection.
【Key words】：tunnel detection;lining disease;disease identification;multi-layer tunnel tile images;deep learning
0概述
随着经济的持续增长,交通运输建设得到了迅猛的发展,我国隧道里程数呈现不断增加的趋势,隧道大规模建设和运营,其在管理和养护中的问题也逐渐暴露了出来：由于对隧道早期的检测力度不够,加上隧道内部恶劣的环境及光照条件,部分隧道出现了不同程度的质量问题,严重危害了广大人民群众的人身安全,故相关部门对隧道建设和运营期间进行病害检测的要求越来越高。
隧道衬砌表观病害包含了隧道病害里最常见的病害,可直接反映了衬砌的健康情况,对隧道检测至关重要。传统的隧道衬砌检测方法主要通过肉眼观察、尺量、人工仪器等检测[1],需对隧道进行封道,检测结果的精度和准确性受人为因素、隧道内环境影响较大,存在着工期较长、人员安全性低以及准确性差等诸多问题。
近年来机器视觉技术得到了快速的发展,由于其非接触、速度快、精度合适、现场抗干扰能力强等突出的优点,使得通过机器视觉对结构病害进行检测成为土木工程最火的研究领域之一,因此我们开发了基于机器视觉的隧道检测车。
隧道检测车进行检测时沿高速公路一侧车道位置行驶,在行进过程中,安装在传感器支架上的高清工业相机沿隧道纵向拍摄半幅隧道的实时影像,本车道采集结束后,重新回到隧道入洞口位置,沿高速公路另一侧车道行驶,采集另外半幅的隧道实时影像。在两车道拍摄结束后,将采集的左右半幅图像拼接成完整的隧道断面图。
对于采集到的隧道图像,需要开发一套后处理系统,对图像数据进行存储,展示并识别隧道中的病害,标记病害位置、长度、宽度等参数信息。
1系统设计
首先选择后处理系统的架构：针对后处理系统的使用场景,基于数据安全性,再考虑客户端差异比较大,又需要多人同时操作的使用场景,系统架构选择B/S架构。
在确定完系统架构后,进行需求分析,梳理业务模型,整理出用例图,如图1所示。
接下来需要根据用例图,对系统进行模块化的设计。首先进行业务模块的划分与定义,先将后处理分成两个系统：隧道管理系统和隧道病害识别系统,然后再划分定义子模块,如图2所示。
2系统功能
根据隧道后处理系统的模块划分对系统进行开发与实现。
2.1隧道管理系统
隧道管理系统划分为隧道管理、工程管理、病害管理、用户管理等四个子模块。
(1)隧道管理模块是对隧道基本信息的管理与维护。通过此功能可以添加、修改、删除隧道信息,在该模块中对隧道的基础信息以及隧道病害图层信息进行存储、显示和维护。
(2)工程管理模块负责新建、编辑和删除工程,一个工程实例即隧道的一次检测任务。添加工程信息时,需要设置检测的隧道、隧道图层等数据信息。另外,需要设置人员的角色：分为组员、审核员。组员只能看到自己负责的隧道,打开工程对隧道检测的病害进行识别添加,并标注病害和提交病害结果。在完成当前隧道的病害标注任务后,就可将当前隧道的处理权限提交给审核员,审核员对隧道的所有病害进行审核工作,对于类型错误或者参数错误的病害进行记录,审核完成后,将结果反馈给当前隧道的组员进行修改。
(3)病害管理模块可按工程查询并且查看所选工程的所有病害明细信息。此功能是将所有的病害病害信息以列表的形式显示出来供管理人员进行查看,无法对病害信息列表来修改病害,对病害信息进行变更操作,是使用隧道病害识别系统来完成。
(4)用户管理模块进行系统用户的管理,可以新增、修改和删除用户,然后再根据不同的用户分配不同的权限组,用户可以使用该权限组中的各个功能,管理员账户的密码修改功能也在这个模块中。
2.2隧道病害识别系统
隧道病害识别系统划分为隧道图像展示、病害自动识别、病害信息列表与详情、病害识别工具、病害结果导出等五个子模块。
(1)隧道图像展示子模块对采集的高清隧道照片与病害信息进行快速的加载与展示。隧道识别系统首要解决的课题就是：由于隧道检测精度的要求高,隧道检测车采集的衬砌图像数据非常大,以一条2km的隧道为例,隧道衬砌图像约为200G Byte,如何进行这样大容量图像的管理、快速加载和流畅展示是系统要解决的首要课题。
我们首先开发了病害图层技术,在添加病害的时候,并不直接在采集隧道的原图上添加,而是添加了一个跟隧道图像一样大小的透明图片,将添加的病害直接添加在透明的图片上。
隧道的原图和病害图层相互独立,分离了原图和病害信息,方便数据的管理,数据也更加安全；显示的时候,将隧道的原图和病害图层叠放在一起,呈现出最终的隧道病害图。可以同时加载多个病害图层,这样就可以将隧道病害多年的病害数据叠加在一起进行显示和对比分析,直观的看到病害的发展趋势。
隧道的病害通常都是大面积连贯出现的,例如隧道衬砌上一些较为严重的纵向裂缝,其长度可达50m,而隧道检测车采集的是高清分辨率的图像,如何解决高分辨率图像与较严重病害整体展示和操作之间的矛盾呢？我们创新性的使用了多层隧道瓦片图像技术[2],多层瓦片图像是管理海量数据的一种新模式。
通过上述两项技术,解决了高分辨率隧道图像与病害的快速加载和流畅展示。
(2)病害自动识别子模块,隧道病害的检测和识别是机器视觉检测系统的核心,对于隧道病害而言,主要关注的是裂缝、渗漏水等常见病害的识别,其关键在于如何获得可正确描述目标物与非目标物的特征,本系统中针对不同类别病害的特征采用不同的图像处理算法,衬砌分为有防火涂料的衬砌和无防火涂料的水泥面,这两种情况下图像的纹理特征不同,应用图像信息熵来表征进行不同的分类,在裂缝病害识别时,针对这两种情况分别设计不同的识别算法,有防火涂料的衬砌裂缝,选择区域分割的方法对图像进行处理,将图像分割为矩形小块,以便减小图像光照不均对裂缝识别产生的影响,然后对小区域进行阈值分割,筛选目标特征,处理完毕后,对所提取区域进行连通性合并,最后筛选出裂缝病害。
无防火涂料衬砌,在图像平滑处理之后,得到信噪比较高的衬砌图像,图像中背景和裂缝的对比并不是很明显,所以利用频域增强法来对图像进行增强处理,以便提高裂纹与背景信息的对比度,使用自适应阈值分割Otsu法进行裂缝区域提取,将图像阈值化,使目标物体和背景两个像素类的类间方差最大的阈值被选为最佳阈值。
对于渗漏水病害而言,病害区域相对比较连续,而且表面会泛白,不需要对衬砌进行不同的分类,直接根据这一特点选择Deriche二阶递归滤波器对图像进行平滑,然后进行对比度增强凸显渗漏水区域,使用固定阈值分割得到渗漏水区域。
但由于隧道上存在许多污渍,背景灰度并不均匀,并且会有干扰,使得病害的表现形式多种多样,即使同一种病害,也会有很大差别,传统的识别算法缺乏灵活性导致识别率不太理想,鲁棒性差,不能满足实际工程要求的准确度和精确度。
深度学习是近十年来人工作智能领域取得的重要突破,它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。从本质上来说,深度学习是一种特征学习方法,把原始数据通过一些简单但非线性的模型转变为更高层次、更加抽象的表达,通过足够多的转换组合,任意复杂的函数理论上都可以被学习,鉴于此,尝试基于深度学习的智能识别方法,是解决隧道图像病害识别的新思路。
建立基于深度学习隧道衬砌病害自动识别学习模型,首先就是构建自己的标准病害库,根据隧道衬砌病害的特点并通过大量的试验验证,定义出了自动识别的病害类型及标记方式,然后从标准病害库中挑出准备进行训练的数据,利用定义的标记方式对数据进行标注,在标注结束后,使用标注的数据,训练出了隧道衬砌病害自动识别学习模型,并针对训练效果进行调整和迭代,对识别模型的识别效果进行改进,最终进行部署,并开发出了基于该模型的病害自动识别功能,进行隧道病害的识别。隧道病害识别模型建立后,会累积大量的数据,为了利用这些已经识别的数据,发挥数据的价值,又将病害识别结果导入到隧道衬砌病害自动识别学习模型中,利用已有数据提高病害的识别率,提升隧道病害快速检测系统的自动化程度和检测效率。
(3)病害信息列表与详情,以列表的形式显示隧道的病害信息。点击病害列表信息中的一条病害,会显示该条病害的详细信息,包含病害的长度、宽度、面积、技术状况、病害描述等信息,同时隧道图会根据所选自动切换到当前病害所在的位置,如果需要修改病害的参数信息,在病害详细信息页面修改对应的参数进行保存。
(4)病害识别工具,包含隧道板块号管理、断面轮廓等辅助功能,其中板块号管理是将隧道按照施工缝进行分割标注,通过板块对隧道进行分段管理,病害的定位会较为准确和方便,养护人员在现场非常容易找到病害进行查看和维修工作。断面轮廓则展示隧道所有最新的断面轮廓数据。
(5)病害结果导出,是在隧道病害添加完成后,在隧道病害描绘完成后,将隧道图片连同病害,按固定长度导出为若干张图片,形成隧道的展布图,通过隧道展布图可以对隧道病害的分布状况进行直观的展示。同时以Excel表格的形式提供隧道的所有病害信息,并将病害信息进行统计和分类,这些结果可以用来生成隧道定期检测的报告。
3结语
随着我国交通事业的快速发展,隧道的数量在快速增加,通过目视观测判断隧道病害已经不能满足现如今的隧道检测任务[3],自主研发隧道检测车,通过高科技手段提高隧道检测的效率已是越来越迫切的要求,对于隧道检测车采集到高精度数据,本文基于病害图层和多层隧道瓦片图像技术开发了隧道衬砌病害数据后处理系统,实现隧道衬砌数据的高效、快速管理,并且利用深度学习对隧道衬砌的病害进行识别,提高了病害的识别率,与隧道检测车形成了隧道综合检测系统,大幅度的提升了隧道检测的效率。
参考文献
[1]邱雨.公路隧道检测车现状及发展趋势[J].汽车实用技术,2020,45(22):237-238.
[2]张冠华,王超,王超,等.一种高速公路隧道病害位置确定方法及系统:中国,CN202110347379.3[P].2021-07-02.
[3]李永强,卢毅,张锴,等.快速检测车在运营隧道安全监控中的应用[J].福建建设科技,2019(5):65-66+77.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/42218.html
