CN112684443B - 一种衬砌结构病害检测方法、装置及介质 - Google Patents
一种衬砌结构病害检测方法、装置及介质 Download PDFInfo
- Publication number
- CN112684443B CN112684443B CN202110275113.2A CN202110275113A CN112684443B CN 112684443 B CN112684443 B CN 112684443B CN 202110275113 A CN202110275113 A CN 202110275113A CN 112684443 B CN112684443 B CN 112684443B
- Authority
- CN
- China
- Prior art keywords
- target
- disease
- lining
- radar image
- lining structure
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 152
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 152
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000013526 transfer learning Methods 0.000 claims description 10
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种衬砌结构病害检测方法、装置及介质，其中方法包括，根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型，并在获取到待检测的目标雷达图像后，根据二分类识别模型判断目标雷达图像对应的衬砌结构是否存在病害，如果是则根据第一检测模型确定病害对应的类型和位置，其中，不同衬砌结构的雷达图像包括各病害任意组合和无病害的雷达图像。由于二分类识别模型和第一检测模型是根据不同衬砌结构的雷达图像构建的，因此二分类识别模型和第一检测模型能够兼顾识别种类复杂的衬砌结构，避免了不同衬砌结构的雷达图像差异较大导致检测结果误差较大的问题，提高了衬砌结构病害检测的普适性、准确率和效率。
Description
技术领域
本申请涉及衬砌病害检测技术领域，特别是涉及一种衬砌结构病害检测方法、装置及介质。
背景技术
随着我国经济建设事业的飞速发展，公路隧道的建设也取得了长足的进步，即隧道数量越来越多。但隧道建成后或在运营期间，衬砌结构不同程度的出现了裂缝、渗水、脱空（剥落）、空洞等病害现象，直接威胁行车、行人安全。
为了防止衬砌结构的病害威胁行车、行人安全，对隧道衬砌结构病害的检测与诊断是迫切需求。目前，衬砌结构病害检测方法，通过地质雷达发射的电磁波在不同衬砌结构（例如混凝土、钢筋、钢拱架、围岩等）的介质进行传播和反射，获取雷达反射波后，人工进行识别判断该衬砌结构中是否存在病害。由于不同衬砌结构的反射波差异较大（例如：衬砌结构A存在病害的反射波与衬砌结构B不存在病害的反射波相似），人工识别衬砌结构是否存在病害的方法无法兼顾种类复杂的衬砌结构的病害检测，因此通过人工识别的方式会导致衬砌结构病害检测方法的普适性低的问题，从而降低了识别衬砌结构病害的准确率和效率。
因此，如何提高衬砌结构病害检测的普适性、准确率和效率是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种衬砌结构病害检测方法，用以提高衬砌结构病害检测的普适性、准确率和效率。本申请的目的是还提供一种衬砌结构病害检测装置及介质。
为解决上述技术问题，本申请提供一种衬砌结构病害检测方法，包括：
根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型；
获取待检测的目标雷达图像；
根据所述二分类识别模型确定所述目标雷达图像对应的目标衬砌结构是否存在病害；
在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述第一检测模型确定所述目标衬砌结构对应的病害的类型和位置；
其中，所述雷达图像包含不同所述衬砌结构的各病害任意组合的图像以及不同所述衬砌结构的无病害的图像。
优选的，根据不同衬砌结构的所述雷达图像构建所述第一检测模型具体为：
根据所述雷达图像构建各衬砌厚度对应的各第二检测模型；
则，所述在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述第一检测模型确定所述目标衬砌结构对应的病害的类型和位置，具体为：
在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述目标雷达图像获取目标衬砌厚度；
根据所述目标衬砌厚度确定对应的目标第二检测模型；
通过所述目标第二检测模型确定所述目标衬砌结构对应的病害的类型和位置。
优选的，所述根据不同衬砌结构的雷达图像构建二分类识别模型具体包括：
获取仿真的所述雷达图像和第一实际雷达图像；
根据仿真的所述雷达图像和残差网络模型构建所述二分类识别模型；
通过所述实际雷达图像和迁移学习方法调整所述二分类识别模型。
优选的，所述根据所述雷达图像构建各衬砌厚度对应的各第二检测模型具体包括：
获得仿真的所述雷达图像和已标注病害位置和类型的第二实际雷达图像；
根据仿真的所述雷达图像和YOLO网络模型构建各所述第二检测模型；
通过所述第二实际雷达图像和迁移学习方法调整各所述第二检测模型。
优选的，所述获取待检测的目标雷达图像具体包括：
接收待检测的目标雷达反射波；
对所述目标雷达反射波进行抗干扰处理；
将处理后的所述目标雷达反射波转化为所述目标雷达图像。
优选的，获取仿真的所述雷达图像具体为：
通过探地雷达时域有限差分数值模拟软件获得仿真的所述雷达图像。
为解决上述技术问题，本申请还提供一种衬砌结构病害检测装置，包括：
第一构建模块，用于根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型；
第一获取模块，用于获取待检测的目标雷达图像；
第一确定模块，用于根据所述二分类识别模型确定所述目标雷达图像对应的目标衬砌结构是否存在病害；
第二确定模块，用于在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述第一检测模型确定所述目标衬砌结构对应的病害的类型和位置；
其中，所述雷达图像包含不同所述衬砌结构的各病害任意组合的图像以及不同所述衬砌结构的无病害的图像。
为解决上述技术问题，本申请还提供一种衬砌结构病害检测装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的衬砌结构病害检测方法的步骤。
为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的衬砌结构病害检测方法的步骤。
本申请所提供的衬砌结构病害检测方法，根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型，并在获取到待检测的目标雷达图像后，根据二分类识别模型判断目标雷达图像对应的衬砌结构是否存在病害，如果是则根据第一检测模型确定目标衬砌结构对应的病害的类型和位置。由于二分类识别模型和第一检测模型是根据不同衬砌结构的雷达图像构建的，因此二分类识别模型和第一检测模型能够兼顾识别种类复杂的衬砌结构，避免了不同衬砌结构的雷达图像差异较大导致检测结果误差较大的问题，提高了衬砌结构病害检测的普适性、准确率和效率。
此外，本申请提供的一种衬砌结构病害检测装置及介质，与上述衬砌结构病害检测方法对应，效果同上。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种衬砌结构病害检测方法的流程图；
图2为本申请实施例提供的一种衬砌质量检测车的结构示意图；
图3为本申请实施例提供的一种可视化界面的示意图；
图4为本申请实施例提供的一种衬砌结构病害检测装置的结构示意图；
图5为本申请实施例提供的另一种衬砌结构病害检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。
本申请的核心是提供一种衬砌结构病害检测方法，用以提高衬砌结构病害检测的普适性、准确率和效率。本申请的核心是还提供一种衬砌结构病害检测装置及介质。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种衬砌结构病害检测方法的流程图。如图1所示，该方法包括：
S10：根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型。
本申请实施例中，雷达图像包含不同衬砌结构的各病害任意组合的图像以及不同衬砌结构的无病害的图像。由于衬砌结构中的病害包括渗水、裂缝、不密实、脱空和空洞，故不同衬砌结构的各病害任意组合的图像具体为：不同衬砌结构的渗水、裂缝、不密实、脱空和空洞中任意组合的雷达图像。
可以理解的是，获取到上述雷达图像，可将上述雷达图像存储于样本库中以便于后续使用。
S11：获取待检测的目标雷达图像。
在具体实施中，可通过衬砌质量检测车获取待检测的目标雷达图像。图2为本申请实施例提供的一种衬砌质量检测车的结构示意图。如图2所示，衬砌质量检测车包括主机10和9个地质雷达，分别为第一地质雷达1，第二地质雷达2，第三地质雷达3，第四地质雷达4，第五地质雷达5，第六地质雷达6、第七地质雷达7，第八地质雷达8，第九地质雷达9。其中，第一地质雷达1，第二地质雷达2，第三地质雷达3，第四地质雷达4，第五地质雷达5，第六地质雷达6、第七地质雷达7均贴于隧道11的墙壁，第八地质雷达8，第九地质雷达9均贴于隧道11的地面。主机10用于控制控制臂架伸缩或俯仰使得9个地质雷达到预定的空间位置，第一地质雷达1，第二地质雷达2，第三地质雷达3，第四地质雷达4，第五地质雷达5，第六地质雷达6、第七地质雷达7用于发射频率为400MHz的电磁波，并扫描隧道11周边衬砌和采集雷达反射波，第八地质雷达8，第九地质雷达9用于发射频率为150MHZ的电磁波，并扫描隧道11的仰拱和采集雷达反射波。
由于采集到的雷达发射波存在噪声干扰、直观可读性较差等问题，为了降低达发射波的干扰，作为优选的实施例，S11具体包括：
接收待检测的目标雷达反射波，对目标雷达反射波进行抗干扰处理，将处理后的目标雷达反射波转化为目标雷达图像。
需要说明的是，可以通过去直流分量、增益增强、对比度调整、背景去除、数字滤波等处理方法，对目标雷达反射波进行抗干扰处理，并实现将处理后的目标雷达反射波转化为目标雷达图像。其中，目标雷达图像可以是目标雷达二位数字图像。可以理解的是，如图2所示的主机10可以将各地质雷达采集的雷达反射波进行降噪处理，并将处理后的雷达反射波转化为雷达二位数字图像，以便于后续二分类识别模型进行判断和识别。
S12：根据二分类识别模型确定目标雷达图像对应的目标衬砌结构是否存在病害。
S13：在目标雷达图像对应的目标衬砌结构存在病害的情况下，通过第一检测模型确定目标衬砌结构对应的病害的类型和位置。
本申请实施例中，为了方便用户查看隧道的检测结果，从而提高用户的使用体验感，作为优选的实施例，还包括；将二分类识别模型的识别结果发送至可视化装置，以便用户查看。图3为本申请实施例提供的一种可视化界面的示意图。如图3所示，该可视化界面主要用于显示对当前检测的隧道的整体评价，以及当前隧道衬砌结构病害的检测结果。
本申请实施例所提供的衬砌结构病害检测方法，根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型，并在获取到待检测的目标雷达图像后，根据二分类识别模型判断目标雷达图像对应的衬砌结构是否存在病害，如果是则根据第一检测模型确定目标衬砌结构对应的病害的类型和位置。由于二分类识别模型和第一检测模型是根据不同衬砌结构的雷达图像构建的，因此二分类识别模型和第一检测模型能够兼顾识别种类复杂的衬砌结构，避免了不同衬砌结构的雷达图像差异较大导致检测结果误差较大的问题，提高了衬砌结构病害检测的普适性、准确率和效率。
由于随着衬砌厚度和钢筋网络数量的增加，会出现雷达波传输能量逐渐衰弱的现象，从而导致相同病害在不同衬砌厚度的图像差异较大，因此为了进一步提高病害类型和位置的定位的准确性，作为优选的实施例，根据雷达图像构建第一检测模型具体为：根据雷达图像构建各衬砌厚度对应的各第二检测模型。
则，在目标雷达图像对应的目标衬砌结构存在病害的情况下，通过第一检测模型确定目标衬砌结构对应的病害的类型和位置，具体为：
在目标雷达图像对应的目标衬砌结构存在病害的情况下，通过目标雷达图像获取目标衬砌厚度。
根据目标衬砌厚度确定对应的目标第二检测模型。
通过目标第二检测模型确定目标衬砌结构对应的病害的类型和位置。
可以理解的是，构建各衬砌厚度对应的各第二检测模型具体是：按照隧道工程标准的各衬砌厚度构建各第二检测模型。
需要说明的是，如图3所示的可视化界面还可以用于显示：当前隧道的病害类型及病害的位置。例如，如图3所示，向家湾隧道的起始里程为11000，终止里程为12000，在里程11500处可能存在空洞，其置信度为90%，并通过隧道横向示意图显示空洞的大致位置，以便于用户查看。
本申请实施例所提供的衬砌结构病害检测方法，还根据雷达图像构建了各衬砌厚度对应的各第二检测模型，因此在判断目标衬砌结构存在病害的情况下，能够进一步确定病害的类型和位置，实现了衬砌病害的精细化辨识，提高了用户的使用体验感，也便于后续隧道病害的消除，提高了消除隧道病害的效率。
在上述实施例的基础上，S10具体包括：
获取仿真的雷达图像和第一实际雷达图像，根据仿真的雷达图像和残差网络模型构建二分类识别模型，通过实际雷达图像和迁移学习方法调整二分类识别模型。
同理，根据雷达图像构建各衬砌厚度对应的各第二检测模型具体包括：
获得仿真的雷达图像和已标注病害位置和类型的第二实际雷达图像，根据仿真的雷达图像和一种目标检测网络模型（YOLO）构建各第二检测模型，通过第二实际雷达图像和迁移学习方法调整各第二检测模型。
具体的，根据仿真的雷达图像和残差网络模型构建二分类识别模型具体为：按照4:1的比例将仿真的雷达图像分为训练集和验证集，根据残差网络模型构建二分类识别模型，并通过训练集和验证集进行训练和验证。同理，根据仿真的雷达图像和YOLO网络模型构建各第二检测模型具体为：按照4:1的比例将仿真的雷达图像分为训练集和验证集，根据YOLO网络模型构建各第二检测模型，并通过训练集和验证集进行训练和验证。
本申请实施例中，迁移学习方法具体是指：将二分类识别模型和各第二检测模型在仿真的雷达图像中已经学习的网络参数，迁移到实际二分类识别模型和实际各第二检测模型，即二分类识别模型和各第二检测模型在仿真的雷达图像进行训练和学习的基础上，再对一实际雷达图像和第二实际雷达图像进行训练和学习，从而进一步调整二分类识别模型和各第二检测模型。
需要说明的是，为了获得大量的仿真雷达图像，在具体实施中，获取仿真的雷达图像具体为：通过探地雷达时域有限差分数值模拟软件（GprMax）获得仿真的雷达图像。
此外，为了进一步提高各第二检测模型的识别准确率，在具体实施中，根据最新版本的YOLO网络模型构建各第二检测模型。
本申请实施例所提供的衬砌结构病害检测方法，通过仿真雷达图像对构建的模型进行训练和验证，再通过实际的雷达图像对模型进行调整，因此避免了由于实际隧道衬砌结构病害数据有限导致模型准确率下降的问题，提高了模型的泛化能力和准确率，此外通过迁移学习的方法减少了实际隧道衬砌结构病害数据量的要求、节约了通过实际雷达图像训练模型的时间。
在上述实施例中，对于衬砌结构病害检测方法进行了详细描述，本申请还提供衬砌结构病害检测装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
图4为本申请实施例提供的一种衬砌结构病害检测装置的结构示意图。如图4所示，基于功能模块的角度，该装置包括：
第一构建模块20，用于根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型。
第一获取模块21，用于获取待检测的目标雷达图像。
第一确定模块22，用于根据二分类识别模型确定目标雷达图像对应的目标衬砌结构是否存在病害。
第二确定模块23，用于在目标雷达图像对应的目标衬砌结构存在病害的情况下，通过第一检测模型确定目标衬砌结构对应的病害的类型和位置。
其中，雷达图像包含不同衬砌结构的各病害任意组合的图像以及不同衬砌结构的无病害的图像。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
作为优选的实施例，第一构建模块20具体为：
第二构建模块，用于根据雷达图像构建二分类识别模型和各衬砌厚度对应的各第二检测模型。
第二确定模块23，包括：
第二获取模块，用于在目标雷达图像对应的目标衬砌结构存在病害的情况下，通过目标雷达图像获取目标衬砌厚度。
第三确定模块，用于根据目标衬砌厚度确定对应的目标第二检测模型。
第四确定模块，用于通过目标第二检测模型确定目标衬砌结构对应的病害的类型和位置。
第一构建模块20，具体包括：
第三获取模块，用于获取仿真的雷达图像和第一实际雷达图像。
第三构建模块，用于根据仿真的雷达图像和残差网络模型构建二分类识别模型。
第一调整模块，用于通过实际雷达图像和迁移学习方法调整二分类识别模型。
第二构建模块，具体包括：
第四获取模块，用于获得仿真的雷达图像和已标注病害位置和类型的第二实际雷达图像。
第四构建模块，用于根据仿真的雷达图像和YOLO网络模型构建各第二检测模型。
第二调整模块，用于通过第二实际雷达图像和迁移学习方法调整各第二检测模型。
第一获取模块21，具体包括：
接收模块，用于接收待检测的目标雷达反射波。
处理模块，用于对目标雷达反射波进行抗干扰处理。
转化模块，用于将处理后的目标雷达反射波转化为目标雷达图像。
本申请实施例所提供的衬砌结构病害检测装置，根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型，并在获取到待检测的目标雷达图像后，根据二分类识别模型判断目标雷达图像对应的衬砌结构是否存在病害，如果是则根据第一检测模型确定目标衬砌结构对应的病害的类型和位置。由于二分类识别模型和第一检测模型是根据不同衬砌结构的雷达图像构建的，因此二分类识别模型和第一检测模型能够兼顾识别种类复杂的衬砌结构，避免了不同衬砌结构的雷达图像差异较大导致检测结果误差较大的问题，提高了衬砌结构病害检测的普适性、准确率和效率。
图5为本申请实施例提供的另一种衬砌结构病害检测装置的结构示意图。如图5所示，基于硬件结构的角度，该装置包括：
存储器30，用于存储计算机程序；
处理器31，用于执行计算机程序时实现如上述实施例中衬砌结构病害检测方法的步骤。
其中，处理器31可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器31可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器（CentralProcessing Unit，CPU）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器31可以在集成有图像处理器（Graphics Processing Unit，GPU），GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器31还可以包括人工智能（Artificial Intelligence，AI）处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器30可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器30还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器30至少用于存储以下计算机程序301，其中，该计算机程序301被处理器31加载并执行之后，能够实现前述任一实施例公开的衬砌结构病害检测方法的相关步骤。另外，存储器30所存储的资源还可以包括操作***302和数据303等，存储方式可以是短暂存储或者永久存储。其中，操作***302可以包括Windows、Unix、Linux等。数据303可以包括但不限于衬砌结构病害检测方法中涉及的数据等。
在一些实施例中，衬砌结构病害检测装置还可包括有显示屏32、输入输出接口33、通信接口34、电源35以及通信总线36。
本领域技术人员可以理解，图5中示出的结构并不构成对衬砌结构病害检测装置的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的衬砌结构病害检测装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型，并在获取到待检测的目标雷达图像后，根据二分类识别模型判断目标雷达图像对应的衬砌结构是否存在病害，如果是则根据第一检测模型确定目标衬砌结构对应的病害的类型和位置。由于二分类识别模型和第一检测模型是根据不同衬砌结构的雷达图像构建的，因此二分类识别模型和第一检测模型能够兼顾识别种类复杂的衬砌结构，避免了不同衬砌结构的雷达图像差异较大导致检测结果误差较大的问题，提高了衬砌结构病害检测的普适性、准确率和效率。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法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，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的计算机可读存储介质，该介质上存储有计算机程序，计算机程序被处理器执行时，能够实现如下方法：根据不同衬砌结构的雷达图像构建二分类识别模型，并在获取到待检测的目标雷达图像后，根据二分类识别模型判断目标雷达图像对应的衬砌结构是否存在病害，如果是则根据第一检测模型确定目标衬砌结构对应的病害的类型和位置。由于二分类识别模型和第一检测模型是根据不同衬砌结构的雷达图像构建的，因此二分类识别模型和第一检测模型能够兼顾识别种类复杂的衬砌结构，避免了不同衬砌结构的雷达图像差异较大导致检测结果误差较大的问题，提高了衬砌结构病害检测的普适性、准确率和效率。
以上对本申请所提供的一种衬砌结构病害检测方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种衬砌结构病害检测方法，其特征在于，包括：
根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型；
获取待检测的目标雷达图像；
根据所述二分类识别模型确定所述目标雷达图像对应的目标衬砌结构是否存在病害；
在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述第一检测模型确定所述目标衬砌结构对应的病害的类型和位置；
其中，所述雷达图像包含不同所述衬砌结构的各病害任意组合的图像以及不同所述衬砌结构的无病害的图像；
根据不同衬砌结构的所述雷达图像构建所述第一检测模型具体为：
根据所述雷达图像构建各衬砌厚度对应的各第二检测模型；
则，所述在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述第一检测模型确定所述目标衬砌结构对应的病害的类型和位置，具体为：
在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述目标雷达图像获取目标衬砌厚度；
根据所述目标衬砌厚度确定对应的目标第二检测模型；
通过所述目标第二检测模型确定所述目标衬砌结构对应的病害的类型和位置。
2.根据权利要求1所述的衬砌结构病害检测方法，其特征在于，根据不同衬砌结构的所述雷达图像构建所述二分类识别模型具体包括：
获取仿真的所述雷达图像和第一实际雷达图像；
根据仿真的所述雷达图像和残差网络模型构建所述二分类识别模型；
通过所述实际雷达图像和迁移学习方法调整所述二分类识别模型。
3.根据权利要求1所述的衬砌结构病害检测方法，其特征在于，所述根据所述雷达图像构建各衬砌厚度对应的各第二检测模型具体包括：
获得仿真的所述雷达图像和已标注病害位置和类型的第二实际雷达图像；
根据仿真的所述雷达图像和YOLO网络模型构建各所述第二检测模型；
通过所述第二实际雷达图像和迁移学习方法调整各所述第二检测模型。
4.根据权利要求1所述的衬砌结构病害检测方法，其特征在于，所述获取待检测的目标雷达图像具体包括：
接收待检测的目标雷达反射波；
对所述目标雷达反射波进行抗干扰处理；
将处理后的所述目标雷达反射波转化为所述目标雷达图像。
5.根据权利要求2或3所述的衬砌结构病害检测方法，其特征在于，获取仿真的所述雷达图像具体为：
通过探地雷达时域有限差分数值模拟软件获得仿真的所述雷达图像。
6.一种衬砌结构病害检测装置，其特征在于，包括：
第一构建模块，用于根据不同衬砌结构的雷达图像构建二分类识别模型和第一检测模型；
第一获取模块，用于获取待检测的目标雷达图像；
第一确定模块，用于根据所述二分类识别模型确定所述目标雷达图像对应的目标衬砌结构是否存在病害；
第二确定模块，用于在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述第一检测模型确定所述目标衬砌结构对应的病害的类型和位置；
其中，所述雷达图像包含不同所述衬砌结构的各病害任意组合的图像以及不同所述衬砌结构的无病害的图像；
所述第一构建模块具体为：
第二构建模块，用于根据所述雷达图像构建所述二分类识别模型和各衬砌厚度对应的各第二检测模型；
则，所述第二确定模块具体为：
第二获取模块，用于在所述目标雷达图像对应的目标衬砌结构存在病害的情况下，通过所述目标雷达图像获取目标衬砌厚度；
第三确定模块，用于根据所述目标衬砌厚度确定对应的目标第二检测模型；
第四确定模块，用于通过所述目标第二检测模型确定所述目标衬砌结构对应的病害的类型和位置。
7.一种衬砌结构病害检测装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任意一项所述的衬砌结构病害检测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述的衬砌结构病害检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275113.2A CN112684443B (zh) | 2021-03-15 | 2021-03-15 | 一种衬砌结构病害检测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275113.2A CN112684443B (zh) | 2021-03-15 | 2021-03-15 | 一种衬砌结构病害检测方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112684443A CN112684443A (zh) | 2021-04-20 |
| CN112684443B true CN112684443B (zh) | 2021-05-28 |
Family
ID=75455548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110275113.2A Active CN112684443B (zh) | 2021-03-15 | 2021-03-15 | 一种衬砌结构病害检测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112684443B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114266892A (zh) * | 2021-12-20 | 2022-04-01 | 江苏燕宁工程科技集团有限公司 | 一种多源数据深度学习的路面病害识别方法及*** |
| CN115222999B (zh) * | 2022-09-20 | 2023-02-07 | 中国铁建高新装备股份有限公司 | 隧道隐蔽结构内在病害图像分类方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108614307A (zh) * | 2018-05-14 | 2018-10-02 | 招商局重庆交通科研设计院有限公司 | 一种利用综合物探技术的仰拱质量检测方法及*** |
| CN111896629A (zh) * | 2020-07-10 | 2020-11-06 | 同济大学 | 一种隧道结构表层病害的快速检测方法 |
| CN111981968A (zh) * | 2020-09-02 | 2020-11-24 | 湖南城市学院 | 基于地质雷达小波变换的隧道衬砌厚度识别方法及*** |
-
2021
- 2021-03-15 CN CN202110275113.2A patent/CN112684443B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108614307A (zh) * | 2018-05-14 | 2018-10-02 | 招商局重庆交通科研设计院有限公司 | 一种利用综合物探技术的仰拱质量检测方法及*** |
| CN111896629A (zh) * | 2020-07-10 | 2020-11-06 | 同济大学 | 一种隧道结构表层病害的快速检测方法 |
| CN111981968A (zh) * | 2020-09-02 | 2020-11-24 | 湖南城市学院 | 基于地质雷达小波变换的隧道衬砌厚度识别方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| 地质雷达在隧道工程中数值模拟及成像的研究;甯艳;《中国优秀硕士学位论文全文数据库 基础科学辑》;20200215(第02期);摘要，正文第50-59,73-79页 * |
| 探地雷达图像异常识别中YOLO目标检测算法的研究;马王鹏 等;《测绘通报》;20191231;第72-76页 * |
| 隧道衬砌病害地质雷达探测正演模拟与应用;李尧 等;《岩土力学》;20161231;第37卷(第12期);第3627-3634页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112684443A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112684443B (zh) | 一种衬砌结构病害检测方法、装置及介质 | |
| CN104865560B (zh) | 一种基于uvm的相控阵雷达数字波束形成器模块验证方法及其验证平台 | |
| KR102555801B1 (ko) | 노이즈 제거 알고리즘 디버깅 방법, 장치 및 전자기기 | |
| CN112560800A (zh) | 路沿检测方法、装置及存储介质 | |
| CN113377890B (zh) | 一种地图质检方法、装置、电子设备及存储介质 | |
| CN111967398B (zh) | 隧道检测方法、装置、电子设备及可读存储介质 | |
| CN112017161A (zh) | 一种基于中心点回归的肺结节检测方法和检测装置 | |
| CN116778329A (zh) | 城市道路地下浅层病害检测方法、装置、设备及介质 | |
| CN112105950B (zh) | 一种探测对象的检测方法、探测设备及毫米波雷达 | |
| CN106850296B (zh) | 一种大型复杂空间钢结构无损检测***及方法 | |
| CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
| CN110807428A (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
| CN115728734A (zh) | 激光雷达遮挡检测方法、装置、存储介质及激光雷达 | |
| CN113466939B (zh) | 微动勘探方法和微动勘探*** | |
| CN115436936A (zh) | 用于目标检测的雷达图确定方法、装置、设备及介质 | |
| CN113358537B (zh) | 非常规储层岩石的物理属性模拟方法及装置 | |
| CN113393508A (zh) | 激光测距成像方法、装置、电子设备和存储介质 | |
| WO2022035435A1 (en) | Fault skeletonization for fault identification in a subterranean environment | |
| CN113191000B (zh) | 一种短波天线通信覆盖范围预测方法、装置及电子设备 | |
| CN115410408B (zh) | 停车位状态变化的检测方法、装置、设备和介质 | |
| US20230142243A1 (en) | Device environment identification method and apparatus, electronic device, and autonomous vehicle | |
| CN107607931A (zh) | 一种激光雷达回波图像处理方法 | |
| CN110136804B (zh) | 一种心肌质量计算方法、***及电子设备 | |
| CN112967245B (zh) | 电池检测方法、装置、电子设备及可读存储介质 | |
| CN116087345B (zh) | 复合绝缘子的轴向缺陷长度的计算方法、装置及介质 |
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 |