[发明专利]一种基于深度学习的地铁盾构隧道病害检测方法

说明书

一种基于深度学习的地铁盾构隧道病害检测方法，具体实施步骤如下：A.架设摄像头并进行摄像；B.测区数据的过拟合处理；C.模型的评价与修正；D.隧道损伤的识别与定位；E.隧道测区位置损伤自动在线监测与实时存储。本发明的优点是：1.解决了传统人工巡检效率低、数字化程度低、不利于检测的信息化、自动化的缺点；2.解决了传统隧道损伤监测方法中图像传输距离受限的问题，提高测量精度；3.通过加入深度学习算法，可以大大减轻由于环境因素导致的识别失误；4.采用高速千兆以太网将摄像头采集到的图像信息传输到计算机，实时传输快，实现数据在线即时处理，可以将监控视频与拉索实时应力状态结合查看，可以实现事件全信息回放。

技术领域

本发明涉及一种对盾构损伤进行实时监测的方法。

背景技术

近年来，随着地铁盾构隧道技术的不断发展，盾构法作为一种高效的地下施工方式，已经成为我国大部分城市的地下和水下隧道工程的主要施工方法。但目前国内大部分是用的是混凝土制的管片，其在生产、运输、施工和服役的过程中都有可能发生破坏产生损伤和其他的损害。目前的人工巡检方式效率低、数字化程度低、不利于检测的信息化、自动化；而随着隧道历程的增加，人力成本的不断上升，使用人工巡检越来越不能满足检修的需要。

1、一般隧道及盾构隧道的损伤研究

目前国内对于隧道损伤的研究主要包括隧道病害检测技术、方法、程序与制度；隧道病害成因研究；病害分类方法；病害健康诊断方法的研究；隧道安全性分析和计算模型；隧道维修加固技术等。我国自从1998年开始实施的《桥隧建筑物劣化评定标准》中详细划分了隧道病害的种类，分别为隧道衬砌裂损、衬砌结构漏水、衬砌劣化三大类病害，并按照严重程度划分为A、B、C、D四个等级。针对隧道病害的检测的研究集中在两方面：一是对于检测规章制度的研究，二是具体病害检测方法和检测技术的研究。目前使用的技术主要有以下几种：地质雷达、声波、CT等。黄希等研究了在列车振动荷载作用下交叉盾构隧道动力响应和损伤分析；李小坤等研究了在我国西南地区硫酸盐侵蚀的作用下，隧道结构病害的具体特征，并结合目前现有的病害特征等级分类，提出了定量的划分方法；盾构隧道方面，卢岱岳等研究了带榫盾构管片的裂纹扩展规律，并针对不对不良施工荷载对管片的影响程度做了研究，利用扩展有限单元法(XFEM)进行了拟真。检测技术方面，目前的研究方向主要集中在对施工土体和衬砌的受力状态、变形情况进行检测分析。李玉宁指出盾构施工检测内容主要包括地层、支撑结构和周围环境；主要项目包括地表和深层土体的沉降和水平位移、地下水压力、水位、建筑物沉降、地下管线沉降、支撑内力和变形等；杨新安等设计了铁路路基检测车，该车主要装备有地质雷达和静力触探仪，可快速连续得检测基床路基病害情况。

2、基于机器视觉和计算机视觉的损伤检测技术

自2012年开始，深度神经网络技术在机器视觉有了极大的进展。Krizhevsky等提出使用深度卷积网络做图像分类器，该方法极大提高了识别的准确度。自此，深度卷积网络开始应用在大量的机器视觉任务中。Sermane等人研究了深度学习在图像识别、定位和检测方面的通用框架。因为深度学习网络需要很强的计算能力，GPU被大规模应用到了深度学习领域。Nvidia CUDA的出现大大加快了计算速度并减低现有的开发成本。之后，Chetlur等人提出了针对深度学习网络的计算框架CuDNN进一步降低了深度学习的应用门槛。同时，Simonyan等人提出了更深层的卷积神经网络VGG，并取得了精确度的进一步提升。同时，他们还提出了一系列的措施来保证模型的训练。深度学习框架方面，来自Google的Abadi提出的计算框架Tensorflow大量被应用在各类的任务当中。为了使得深度学习具备移动部署能力，Howard等提出了一系列措施来提高速度并降低模型参数数量。运动推断结构(Structure fromMotions,SfM)是机器视觉中重要的任务之一，也是各类研究者关注的重点。运动推断结构大量应用RANSAC算法做3D模型的重建。Haming等指出，到目前为止，已经有十分成熟的运动推断结构框架和算法流程。

3、损伤检测机器人技术