基于计算机视觉的隧道衬砌病害实时检测系统初探
发布时间：2021-09-19 14:12
随着我国铁路、公路、市政等领域投入运营的隧道里程与数量的增加,隧道衬砌结构的健康服役与长寿命运行的重要性日渐突出。在隧道运营期内,衬砌常出现裂缝、孔洞、渗漏水、掉块等多种病害,这些病害的存在严重影响了隧道工程的使用寿命与安全。开展基于计算机视觉的隧道衬砌病害实时检测系统研究对保障隧道安全运营,实现隧道衬砌的科学养护具有重要的科学意义与工程价值。计算机视觉作为人工智能方法中的重要分支具有非常独特的优越性与高效性,通过通用图像处理技术与智能算法使计算机拥有类似人类的视觉感知系统,对外界输入的图像、视频信息做出理解、分析与判断,从而实现针对特定目标物的识别与检测。为迅速、高效、准确地识别与检测隧道衬砌病害,计算机视觉技术在隧道工程领域的应用逐渐成为趋势。本文采用基于人工智能的计算机视觉技术,在隧道衬砌病害识别与检测的实验装置研发、软件系统开发及实验应用研究等方面开展了研究工作,取得的主要成果如下:（1）针对隧道衬砌病害识别与检测研究中的隧道衬砌检测模拟环境,自主设计研制了一台基于计算机视觉的隧道衬砌缺陷智能检测模拟实验装置。该装置可满足隧道衬砌病害检测过程中检测设备与隧道衬砌的连续相对运动关...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
以图像为检测对象Figure2-2Imageasdetectionobject
工程硕士专业学位论文16图2-3以试块为检测对象Figure2-3Testblockasthedetectionobject2.4实验实例（Theexperimentalinstances）如今，隧道衬砌病害实时检测方法的应用主要有隧道智能检测车与类车移动式智能检测系统，其检测工作方式主要为智能检测车或移动式智能检测系统沿隧道内部开行并获取隧道衬砌表面图像或内部材料信息，以判断病害的发生与否以及病害种类。在实地验证新的检测方法可靠性之前进行实验室内的小规模模拟环境下的预先测试是有效手段，使用专门为本研究设计研制的基于图像识别的隧道衬砌缺陷智能检测模拟实验装置即可完成该预先测试。图2-4隧道衬砌检测模拟实验系统Figure2-4Tunnelliningtestingsimulationexperimentsystem如图2-4所示，架设好所有相关仪器装置与设备后，在开始进行测试前再进行最后摄像设备水平度和正对被检测物与否的检查以及被检测物固定情况的确认。接通电源，等待10s后，电机启动并达到稳定运行状态，根据需要缓慢调整变速器旋钮，使转速达到要求转速。本例实验使用预制含缺陷模型试块作为被观测对象，试块由特定比例α高强石膏、纯水及DT-135消泡剂三种混合材料配制而成。三种成分配比参考了前人相关研究[85]并通过实际多种配比尝试，最终确定较优的能够满足实验的模型试块的
工程硕士专业学位论文16图2-3以试块为检测对象Figure2-3Testblockasthedetectionobject2.4实验实例（Theexperimentalinstances）如今，隧道衬砌病害实时检测方法的应用主要有隧道智能检测车与类车移动式智能检测系统，其检测工作方式主要为智能检测车或移动式智能检测系统沿隧道内部开行并获取隧道衬砌表面图像或内部材料信息，以判断病害的发生与否以及病害种类。在实地验证新的检测方法可靠性之前进行实验室内的小规模模拟环境下的预先测试是有效手段，使用专门为本研究设计研制的基于图像识别的隧道衬砌缺陷智能检测模拟实验装置即可完成该预先测试。图2-4隧道衬砌检测模拟实验系统Figure2-4Tunnelliningtestingsimulationexperimentsystem如图2-4所示，架设好所有相关仪器装置与设备后，在开始进行测试前再进行最后摄像设备水平度和正对被检测物与否的检查以及被检测物固定情况的确认。接通电源，等待10s后，电机启动并达到稳定运行状态，根据需要缓慢调整变速器旋钮，使转速达到要求转速。本例实验使用预制含缺陷模型试块作为被观测对象，试块由特定比例α高强石膏、纯水及DT-135消泡剂三种混合材料配制而成。三种成分配比参考了前人相关研究[85]并通过实际多种配比尝试，最终确定较优的能够满足实验的模型试块的
【参考文献】：
期刊论文
[1]基于深度学习与图像处理的玉米茎秆识别方法与试验[J]. 刘慧力,贾洪雷,王刚,GLATZEL Stephan,袁洪方,黄东岩. 农业机械学报. 2020(04)
[2]基于机器视觉的奶牛发情行为自动识别方法[J]. 王少华,何东健,刘冬. 农业机械学报. 2020(04)
[3]基于多特征卷积神经网路的运动想象脑电信号分析及意图识别[J]. 何群,邵丹丹,王煜文,张园园,谢平. 仪器仪表学报. 2020(01)
[4]隧道衬砌表面病害图像识别研究进展[J]. 李庆桐. 隧道与轨道交通. 2019(S2)
[5]基于FCN的岩石混凝土裂隙几何智能识别[J]. 薛东杰,唐麒淳,王傲,张辽,周宏伟. 岩石力学与工程学报. 2019(S2)
[6]考虑裂隙的含孔洞软岩体力学特性模拟分析[J]. 李元海,刘金杉,唐晓杰,杨硕,刘德柱. 采矿与安全工程学报. 2020(03)
[7]基于神经网络的多类别目标识别[J]. 赵静,王弦,王奔,蒋国平,谢非,徐丰羽. 控制与决策. 2020(08)
[8]国内外城市地下空间资源开发利用的发展和问题[J]. 孙钧. 隧道建设(中英文). 2019(05)
[9]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[10]盾构隧道结构三维扫描检测技术及应用研究[J]. 吴勇,张默爆,王立峰,王静,丁智,卢建军. 现代隧道技术. 2018(S2)
博士论文
[1]分布式光纤应变监测系统研究[D]. 史彦新.中国地质大学（北京） 2010
硕士论文
[1]基于深度学习的隧道衬砌病害GPR探测智能反演与识别方法[D]. 徐辉.山东大学 2019
[2]岩体裂隙图像特征的定量识别与分析方法研究[D]. 唐晓杰.中国矿业大学 2019
[3]含圆形孔洞节理岩体力学行为模型试验及离散元模拟[D]. 张元超.中国矿业大学 2018
[4]隧道结构表面病害特征快速检测研究[D]. 朱鑫.西南交通大学 2014
[5]基于智能算法的鼠标手势识别的应用研究[D]. 成功.大连海事大学 2013
[6]隧道衬砌裂缝车载检测图像分析研究[D]. 王睿.西南交通大学 2012
[7]基于图像处理的隧道检测[D]. 李鹏.北京交通大学 2007
本文编号：3401762
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
以图像为检测对象Figure2-2Imageasdetectionobject
工程硕士专业学位论文16图2-3以试块为检测对象Figure2-3Testblockasthedetectionobject2.4实验实例（Theexperimentalinstances）如今，隧道衬砌病害实时检测方法的应用主要有隧道智能检测车与类车移动式智能检测系统，其检测工作方式主要为智能检测车或移动式智能检测系统沿隧道内部开行并获取隧道衬砌表面图像或内部材料信息，以判断病害的发生与否以及病害种类。在实地验证新的检测方法可靠性之前进行实验室内的小规模模拟环境下的预先测试是有效手段，使用专门为本研究设计研制的基于图像识别的隧道衬砌缺陷智能检测模拟实验装置即可完成该预先测试。图2-4隧道衬砌检测模拟实验系统Figure2-4Tunnelliningtestingsimulationexperimentsystem如图2-4所示，架设好所有相关仪器装置与设备后，在开始进行测试前再进行最后摄像设备水平度和正对被检测物与否的检查以及被检测物固定情况的确认。接通电源，等待10s后，电机启动并达到稳定运行状态，根据需要缓慢调整变速器旋钮，使转速达到要求转速。本例实验使用预制含缺陷模型试块作为被观测对象，试块由特定比例α高强石膏、纯水及DT-135消泡剂三种混合材料配制而成。三种成分配比参考了前人相关研究[85]并通过实际多种配比尝试，最终确定较优的能够满足实验的模型试块的
工程硕士专业学位论文16图2-3以试块为检测对象Figure2-3Testblockasthedetectionobject2.4实验实例（Theexperimentalinstances）如今，隧道衬砌病害实时检测方法的应用主要有隧道智能检测车与类车移动式智能检测系统，其检测工作方式主要为智能检测车或移动式智能检测系统沿隧道内部开行并获取隧道衬砌表面图像或内部材料信息，以判断病害的发生与否以及病害种类。在实地验证新的检测方法可靠性之前进行实验室内的小规模模拟环境下的预先测试是有效手段，使用专门为本研究设计研制的基于图像识别的隧道衬砌缺陷智能检测模拟实验装置即可完成该预先测试。图2-4隧道衬砌检测模拟实验系统Figure2-4Tunnelliningtestingsimulationexperimentsystem如图2-4所示，架设好所有相关仪器装置与设备后，在开始进行测试前再进行最后摄像设备水平度和正对被检测物与否的检查以及被检测物固定情况的确认。接通电源，等待10s后，电机启动并达到稳定运行状态，根据需要缓慢调整变速器旋钮，使转速达到要求转速。本例实验使用预制含缺陷模型试块作为被观测对象，试块由特定比例α高强石膏、纯水及DT-135消泡剂三种混合材料配制而成。三种成分配比参考了前人相关研究[85]并通过实际多种配比尝试，最终确定较优的能够满足实验的模型试块的
【参考文献】：
期刊论文
[1]基于深度学习与图像处理的玉米茎秆识别方法与试验[J]. 刘慧力,贾洪雷,王刚,GLATZEL Stephan,袁洪方,黄东岩. 农业机械学报. 2020(04)
[2]基于机器视觉的奶牛发情行为自动识别方法[J]. 王少华,何东健,刘冬. 农业机械学报. 2020(04)
[3]基于多特征卷积神经网路的运动想象脑电信号分析及意图识别[J]. 何群,邵丹丹,王煜文,张园园,谢平. 仪器仪表学报. 2020(01)
[4]隧道衬砌表面病害图像识别研究进展[J]. 李庆桐. 隧道与轨道交通. 2019(S2)
[5]基于FCN的岩石混凝土裂隙几何智能识别[J]. 薛东杰,唐麒淳,王傲,张辽,周宏伟. 岩石力学与工程学报. 2019(S2)
[6]考虑裂隙的含孔洞软岩体力学特性模拟分析[J]. 李元海,刘金杉,唐晓杰,杨硕,刘德柱. 采矿与安全工程学报. 2020(03)
[7]基于神经网络的多类别目标识别[J]. 赵静,王弦,王奔,蒋国平,谢非,徐丰羽. 控制与决策. 2020(08)
[8]国内外城市地下空间资源开发利用的发展和问题[J]. 孙钧. 隧道建设(中英文). 2019(05)
[9]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[10]盾构隧道结构三维扫描检测技术及应用研究[J]. 吴勇,张默爆,王立峰,王静,丁智,卢建军. 现代隧道技术. 2018(S2)
博士论文
[1]分布式光纤应变监测系统研究[D]. 史彦新.中国地质大学（北京） 2010
硕士论文
[1]基于深度学习的隧道衬砌病害GPR探测智能反演与识别方法[D]. 徐辉.山东大学 2019
[2]岩体裂隙图像特征的定量识别与分析方法研究[D]. 唐晓杰.中国矿业大学 2019
[3]含圆形孔洞节理岩体力学行为模型试验及离散元模拟[D]. 张元超.中国矿业大学 2018
[4]隧道结构表面病害特征快速检测研究[D]. 朱鑫.西南交通大学 2014
[5]基于智能算法的鼠标手势识别的应用研究[D]. 成功.大连海事大学 2013
[6]隧道衬砌裂缝车载检测图像分析研究[D]. 王睿.西南交通大学 2012
[7]基于图像处理的隧道检测[D]. 李鹏.北京交通大学 2007
本文编号：3401762
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3401762.html
