隧道环境的巡检设备监控方法及系统技术方案

本发明专利技术公开了一种隧道环境的巡检设备监控方法及系统，其包括信息捕获步骤、信息标引步骤、机器学习步骤和检测步骤。通过机器学习，通过有效识别裂纹的破裂轮廓线并在断面形变信息作为奖励的模式下，使识别的破裂轮廓线具有一定的隧道路桥力学数值模拟关联性，从而达到通过机器识别轮廓线进行隧道路桥形变监测的技术目的款，其具有机器学习速度快、节省算力、智能监测风险、有效识别具有风险的裂纹、排除无风险裂纹的优点。除无风险裂纹的优点。除无风险裂纹的优点。

【技术实现步骤摘要】
隧道环境的巡检设备监控方法及系统


[0001]本专利技术涉及公路隧道监测
，尤其涉及隧道环境的巡检设备监控方法及系统。

技术介绍

[0002]近年来我国桥梁建设飞速发展，一般来说，每座桥梁每年都要进行一次桥梁检测。传统的桥梁检测，需要工作人员到现场拍摄桥梁病害的照片，成本高，主观性强。桥梁表观缺陷的检测技术，可以更快更经济地识别桥梁的缺陷，并使识别结果更加标准化，减少测量的主观性。因此，越来越多的土木工程领域的研究人员开始尝试利用CNN进行外观损伤病害识别，然而很多研究只能对某一种特定的病害进行识别，而且仍需对图像进行较为复杂的预处理及后处理。由于Mask
‑
RCNN神经网络模型，相较以往的模型具有更快的识别速度，且误差较小，故而在桥梁外观损伤识别方面有良好的应用前景。现有技术如公告号为CN111191714A的中国专利技术专利，公开了提供一种桥梁外观损伤病害智能识别方法，包括以下步骤：S1：整理目标桥梁结构的表观缺陷检测项目；S2：自动化采集桥梁表观状态图像信息，建立桥梁表观状态图像信息数据库；S3：使用桥梁表观状态图像信息对VGG16模型进行训练；S4：通过S3得到的二元分类模型对桥梁表观状态图像信息进行二元识别，分别建立含表观缺陷和不含表观缺陷的图像信息数据库；S5：对于含有表观缺陷的图像信息，采用训练好的Mask
‑
RCNN模型实现缺陷的标定，并将实现缺陷标定的图像信息导入S4中的含表观缺陷的图像信息数据库，得到更新后的病害历史数据库；S6：采用更新后的病害历史数据库进行模型优化；S7：得到标注出该桥梁外观损伤病害的图像以及外观损伤病害所属的类别。然而，现有技术中，大多是将研究开发方向集中在准确识别非裂纹和裂纹，并没有将裂纹与潜在风险程度建立联系，且模型可能存在过拟合，泛化能力难以保证。

技术实现思路

[0003]本专利技术的目的在于针对现有技术提供一种智能监测风险、有效识别具有风险的裂纹、排除无风险裂纹的隧道环境的巡检设备监控方法及系统。
[0004]隧道环境的巡检设备监控方法，其包括如下步骤：1）信息捕获步骤：读取隧道巡检图像信息；2）信息标引步骤：提取隧道巡检图像信息中的破裂轮廓线，将破裂轮廓线存储为切分图像；将有破裂轮廓线的切分图像进行标引；3）机器学习步骤：将经标引的切分图像转化为张量作为第一训练集，将具有标引的切分图像相应断面形变的数值模拟结果信息作为奖励信息；使用机器学习模型对第一训练集进行训练，且奖励信息用于调整机器学习模型；将具有标引的切分图像相应断面形变的数值模拟结果信息作为奖励信息，将具有标引的切分图像的张量作为第一训练集；直到满足预先设定的准确率；4）检测步骤：将需要检测的隧道的巡检照片按照步骤2）处理并切分，然后使用步
骤3）对每一张图像进行处理并识别。
[0005]通过机器学习，通过有效识别裂纹的破裂轮廓线并在断面形变信息作为奖励的模式下，使识别的破裂轮廓线具有一定的隧道路桥力学数值模拟关联性，从而达到通过机器识别轮廓线进行隧道路桥形变监测的技术目的。
[0006]为了进一步优化本技术方案，采取的措施还包括：获得相应断面形变的数值模拟结果需要输入沉降监测点信息。沉降监测点是常用监测手段，通过在路桥、隧道、山体等按需监测位置设置沉降监测探头或标志，进而通过数值模拟方式对按需监测对象的力学情况进行模拟，进而获得预测、监测结果达到风险监测的效果。通过机器学习识别裂缝图像并在奖励机制的作用下，提高有风险裂纹的识别。
[0007]相应断面形变的数值模拟结果为含有最大偏移距离信息。
[0008]最大偏移距离的获得通过检测取得，即通过检测预设的监测探头或激光扫描，将隧道断面的内表面进行位置标定，然后将这些标定点进行拟合，最后对每个点与拟合曲线之间的偏离距离进行比较，并搜索出最大偏离距离。隧道断面的监测及最大偏离距离的获得方法，属于现有技术，具体可以参照刘冠兰，地铁隧道变形监测关键技术与分析预报方法研究，武汉大学，2013。本专利技术技术方案通过采用断面最大偏离距离对切分图像进行学习，使破裂轮廓线的特征与隧道形变建立关联，经过一定的机器学习，以达到脱离监测探头、激光扫描的情况下，进行风险的判断和预测。
[0009]相应断面形变的数值模拟结果含有围岩变形云图信息。
[0010]围岩变形云图信息的获得是通过数值模拟获得的。具体为在隧道的多个断面上布置传感器，通过沉降、形变的监测信息作为输入，建立数值模拟模型后获取各个断面的数值模拟信息。如《城市轨道交通工程测量规范》GB50308
‑
2008等标准文斌中对隧道变形监测在施工、运营阶段均有规定。施工阶段的监测项目包括支护结构、 结构自身以及变形区内的地表、建筑、管线等周边环境。 运营阶段的监测项目包括受运营或周边建设影响的轨道、 道床、建筑结构和受运营影响的地表、建筑、管线等周边环境。综合考虑施工和运营两个阶段的地铁随道本身的变形，主要包括施工、运营期间的随道结构变形、施工期的支护结构变形以及运营期间轨道、道床的变形。
[0011]相应断面形变的数值模拟结果含有变形沉降数值信息。变形沉降数值信息能反应隧道形变状态并根据预设，定义有风险形变和无风险形变。
[0012]本专利技术还公开了一种隧道环境的巡检设备监控系统，其包括一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述装置执行时，使得所述装置执行上述隧道环境的巡检设备监控方法。
[0013]计算机存储介质，该计算机存储介质存储一个或多个计算机程序，当所述指令被执行时，能执行上述隧道环境的巡检设备监控方法。
[0014]本专利技术由于采用了信息捕获、信息标引、机器学习和检测等步骤，其通过机器学习，通过有效识别裂纹的破裂轮廓线并在断面形变信息作为奖励的模式下，使识别的破裂轮廓线具有一定的隧道路桥力学数值模拟关联性，从而达到通过机器识别轮廓线进行隧道路桥形变监测的技术目的，具有智能监测风险、有效识别具有风险的裂纹、排除无风险裂纹的优点。
附图说明
[0015]图1为本专利技术实施例方法步骤示意图；图2为本专利技术实施例传感器断面布点示意图；图3为本专利技术实施例围岩竖向变形云图；图4为本专利技术实施例不同顶板厚度变形沉降数值示意图；图5为本专利技术实施例地表沉降纵向量测区间图；图6为本专利技术实施例地表沉降横断面测点布置图；图7为本专利技术实施例机器学习流程示意图；图8为本专利技术实施例隧道裂纹识别结果示意；图9为本专利技术实施例不同输入方案识别准确率比较。
[0016]具体实施方式
[0017]以下结合附实施例对本专利技术作进一步详细描述。
[0018]实施例：隧道环境的巡检设备监控方法，其包括如下步骤：1）信息捕获步骤：读取隧道巡检图像信息；2）信息标引步骤：提取隧道巡检图像信息中的破裂轮廓线，将破裂轮廓线存储为切分图像；将有破裂轮廓线的切分图像进行标引；3）机器学习步骤：将经标引的切分图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.隧道环境的巡检设备监控方法，其特征是：包括如下步骤：1）信息捕获步骤：读取隧道巡检图像信息；2）信息标引步骤：提取隧道巡检图像信息中的破裂轮廓线，将所述的破裂轮廓线存储为切分图像；将有破裂轮廓线的切分图像进行标引；3）机器学习步骤：将经标引的切分图像转化为张量作为第一训练集，将具有标引的切分图像相应断面形变的数值模拟结果信息作为奖励信息；使用机器学习模型对第一训练集进行训练，且所述的奖励信息用于调整所述的机器学习模型；将具有标引的切分图像相应断面形变的数值模拟结果信息作为奖励信息，将所述的具有标引的切分图像的张量作为第一训练集；直到满足预先设定的准确率；检测步骤：将需要检测的隧道的巡检照片按照步骤2）处理并切分，然后使用步骤3）对每一张图像进行处理并识别。2.根据权利要求1所述的隧道环境的巡检设备监控方法，其特征是：获得所述的相应断面形变的数值模拟结果需要输入沉...

【专利技术属性】
技术研发人员：王海明，徐铮，赵国法，白洁，韩巍伟，
申请(专利权)人：浙江有色地球物理技术应用研究院有限公司，
类型：发明
国别省市：