CN113837996B - 一种支持人工校验的地铁隧道病害自动检测方法 - Google Patents
一种支持人工校验的地铁隧道病害自动检测方法 Download PDFInfo
- Publication number
- CN113837996B CN113837996B CN202110941228.0A CN202110941228A CN113837996B CN 113837996 B CN113837996 B CN 113837996B CN 202110941228 A CN202110941228 A CN 202110941228A CN 113837996 B CN113837996 B CN 113837996B
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- file
- small
- graph
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 230000007547 defect Effects 0.000 title claims abstract description 34
- 238000012795 verification Methods 0.000 title claims abstract description 15
- 201000010099 disease Diseases 0.000 claims abstract description 170
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 170
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 2
- 208000015897 writing disease Diseases 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012937 correction Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/11—File system administration, e.g. details of archiving or snapshots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/13—File access structures, e.g. distributed indices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种支持人工校验的地铁隧道病害自动检测方法,将自动检测过程分为:1)建立投影空间的坐标模型,将点云数据投影为地铁隧道正射投影图;2)对每个正射投影图进行病害检测,生成检测结果;3)将小图病害检测结果映射到大图;4)对每张大图的检测结果进行人工校正,生成校验文件;5)计算隧道病害面积并提取隧道病害边缘,生成边缘提取结果文件;6)计算病害起止里程、起止环号、同环序号,生成病害明细表。本发明从点云数据的处理出发,实现了深度学习模型对隧道病害的智能识别,并辅以人工校正功能,为地铁隧道病害检测提供了一套完整、高效、可靠的解决方案,具有高度的应用价值及经济效益。
Description
技术领域
本发明涉及隧道病害的自动检测,具体涉及一种基于深度学习并且支持人工校验的病害自动检测方法,属于轨道交通检测领域。
背景技术
随着地下轨道交通的快速发展,地下轨道交通的安全和维护工作备受关注。由于受地面周边环境负载的变化、地铁周边施工活动及地质条件改变等综合因素的影响,可能会导致隧道内渗漏水、隧道表面剥落、隧道表面裂纹等病害产生,如果未对规定级别的病害进行及时处理将引起难以预估的安全隐患。因此,准确实时地识别地铁隧道中的病害,对于有效制定维护策略以及进一步消除病害可能引起的安全隐患至关重要。
通常的地铁隧道病害检测主要采用使用辅助工具进行人工目测的方式,这种方式存在效率低下、准确度不高、实时性差以及受主观性影响大等缺点,逐渐不能满足地铁隧道病害检测的要求。现有方法(李军,朱国琦,樊晓东,杨维,黄震.地铁隧道结构机器视觉检测***及应用分析[J].测绘通报,2020(09):27-32+37)利用6台面阵CCD相机经过调参以及补光设备加持后获取图像数据进行病害检测,利用图像增强、裁减方法制作检测样本,训练Cascade R-CNN 模型进行病害检测,最后生成裂缝、渗漏的时钟分布图与里程分布图。
CCD面阵相机调参过程繁琐、图像获取时间长、测量效率低,同时,图像可能受隧道内光线等因素的影响而降低,最终影响测量精度。目前的地铁隧道轨检小车自带激光雷达扫描设备,无需调参与补光设备加持,就能够提供精确的隧道点云数据,且数据获取时间短、测量效率高。激光雷达扫描测得到的点云数据是一种三维空间内的测量数据,不能直接表达隧道内部表面的几何特征。为了利用激光雷达点云数据实现病害检测,需要将点云数据投影成正射投影图,然后利用图像检测技术最终检测出隧道中的病害。
发明内容
本发明的目的在于实现一种支持人工校验的地铁隧道病害自动检测方法,该方法包括:1) 建立投影空间的坐标模型,将点云数据投影为地铁隧道正射投影图;2)对每个正射投影图进行病害检测,生成检测结果;3)将小图病害检测结果映射到大图;4)对每张大图的检测结果进行人工校正,生成校验文件;5)计算隧道病害面积并提取隧道病害边缘,生成边缘提取结果文件;6)计算病害起止里程、起止环号、同环序号,生成病害明细表;具体来说,本发明的方法包括下列步骤:
A.建立投影空间的坐标模型,将点云数据投影为地铁隧道正射投影图,具体步骤如下:
A1.建立投影空间的坐标模型,包括激光雷达测量坐标系、正射投影坐标系、断面坐标系之间对应关系;
A2.清洗激光雷达点云数据里的噪点数据;
所述激光雷达点云数据,是指隧道内壁上每个扫描点在激光雷达测量坐标系构成的XYZ 坐标以及反射率Ref的集合,简称点云数据;
A3.根据每个扫描点的里程关键字,对点云数据进行索引、切分和合并,将带有里程段标记的点云数据块分发到各个计算节点,进行分布式并行处理;
A4.将每个数据块的点云数据投影生成正射投影图像文件,保存在待检大图目录下;
B.对每个正射投影图进行病害检测,生成检测结果,具体步骤如下:
B1.遍历待检大图目录下的每个正射投影图像文件,切分为小图文件,生成位置对照表,具体步骤如下:
B1.1读入大图文件到内存,简称为大图;
B1.2根据大图大小计算图中每张小图的切割位置;
B1.3按照切割位置进行切片,生成小图文件,保存在待检小图目录下;
B1.4将大图文件的名称和像素尺寸、小图文件的名称和像素尺寸、小图在大图中的左上角坐标及右下角坐标、小图在大图中的切片行数及列数,写入位置对照表;
B2.将待检小图目录中所有小图文件的路径记入文本文件,将该文件设置为模型的检测配置文件;
B3.调用已训练好的检测模型对待检小图目录下的每张小图进行病害检测,在检测结果目录下,为每一类病害生成一个检测结果文件;
所述的检测结果文件中,每个病害检测结果占一行,包括小图索引号、置信度、识别框的左上角及右下角坐标;
C.将小图病害检测结果映射到大图,具体步骤如下:
C1.遍历检测结果目录下的每一类病害的检测结果文件,筛选出每个置信度得分大于指定置信度阈值的检测结果,并将筛选出的检测结果写入文本文件,称为筛选文件;
C2.读取位置对照表与筛选文件,提取每张大图与小图的位置对应关系及小图中的病害信息,称为提取信息;
C3.根据提取信息,为每张大图初始化一个二维矩阵,称为零阶位图,具体步骤如下:
C3.1矩阵中的每一位对应一张小图;
C3.2大图切成小图的列数和行数,是矩阵的宽W和高H;
C4.根据每张小图中的病害检测结果,合并大图上邻近的病害,具体步骤如下:
C4.1设置二维矩阵中的每一位的值,如果该位对应的小图上存在A类病害,且至少有一边和小图边缘的距离在设定阈值范围内,则将此位置设置为1;否则,设置为0;
C4.2遍历位图中值为1的位置,称为位置i,检索其右方、下方、右下方的三个位置,称为检索位置,若检索位置的值为1且对应小图上的病害b的包围框与位置i上的病害c的包围框之间的距离超过指定阈值,称为b和c邻近;
C4.3将邻近的两个病害合并为一个病害,合并后的病害置信度为i位置病害置信度;合并后的病害左上角坐标为i位置左上角坐标,合并后的病害右下角坐标值x为被合并病害中最大x坐标值,合并后的病害右下角y坐标值为被合并病害中最大y坐标值;
C4.4根据合并后的病害信息,为每张大图生成一个新的二维矩阵,称为一阶位图,具体步骤如下:
C4.4.1矩阵中的每一位对应四张小图;
C4.4.2一阶位图的宽是W/2,高是H/2;
C4.5如果一阶位图里存在相邻近的病害,进行第二轮合并,合并所有邻近病害,生成合并后的病害信息,写入xml文件;
所述的信息包括病害类型、所在大图名称、置信度、在大图中的左上角坐标及右下角坐标;
D.对每张大图的检测结果进行人工校正,生成校验文件,具体步骤如下:
D1.读取大图及其对应的xml文件,将检测结果以高亮颜色的矩形框标注在大图上,每个矩形框对应一个病害检测结果;
D2.人工检查校正每个病害检测结果的矩形框,具体步骤如下:
D2.1观察并确认矩形框内是否存在病害;若矩形框内没有病害,删除该矩形框;
D2.2查看矩形框对应病害类型是否正确;如果错误,修改弹框内的标签信息;
D2.3观察矩形框大小是否正确,如果矩形框过大或者过小,拖拽矩形框修正其大小,使得矩形框刚好框住病害;
D3.将大图中所有矩形框的位置信息、对应病害类型、所在大图名称、置信度写入校验文件,将校验文件存入校验目录;
E.计算隧道病害面积并提取隧道病害边缘,生成边缘提取结果文件,具体步骤如下:
E1.遍历校验目录下的每张大图及其对应校验文件,获取病害在大图中的位置,并裁剪出病害区域,称为裁减图;
E2.遍历每张裁减图,使用的高斯核过滤病害裁减图,并对消除噪声后的图像进行灰度化生成灰度图;
E3.计算出每张灰度图对应的最大类间方差,以此为划分阈值,对灰度图像进行二值化划分,生成二值化图像;
E4.统计二值化图像中黑色区域像素点的个数计算出病害像素面积,根据大图像素与实际里程数的映射关系,将病害像素面积映射为病害实际面积;
E5.利用二值化图像,提取病害边缘,边缘提取的结果以数值矩阵的形式存储于文件中,作为病害区域边缘的掩码;
F.计算病害起止里程、起止环号、同环序号,生成病害明细表,具体步骤如下:
F1.根据正射投影图的像素值与实际线路里程的映射关系,计算病害所在位置的里程值;
F2.根据正射投影图中每条环缝的像素值和病害位置的像素值,计算病害所在位置对应的起止环号;
F3.计算病害同环序号,具体步骤如下:
F3.1根据病害起止环号,将所有病害按照管环进行分类,将处于同一管环中的病害信息写入同一列表;
F3.2对同环病害根据其起始角度值从小到大进行排序,并按照排序顺序标注病害在同环内的位置序号;
F4.将每张大图里的每个病害的实际面积、起止环号、同环序号以及病害类型一同写入文件中,为每张大图生成一张病害明细表。
本发明的优点是将激光雷达扫描点云数据以分布式计算的方式处理为具有多维特征融合的正射投影图像,并且利用深度学习模型对正射投影图像进行病害识别,对识别结果进行人工校正,最后将校正结果进行分析处理生成病害明细表,为地铁隧道病害检测提供了一套完整、高效、可靠的解决方案。
附图说明
图1:支持人工校验的地铁隧道病害自动检测方法流程图
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
方法流程图如图1所示,本发明方法包括:1)建立投影空间的坐标模型,将点云数据投影为地铁隧道正射投影图;2)对每个正射投影图进行病害检测,生成检测结果;3)将小图病害检测结果映射到大图;4)对每张大图的检测结果进行人工校正,生成校验文件;5)计算隧道病害面积并提取隧道病害边缘,生成边缘提取结果文件;6)计算病害起止里程、起止环号、同环序号,生成病害明细表;
下面按照步骤,结合数据实例对本发明作进一步描述,以某隧道的某区间的一段数据作为示例:
1.建立投影空间的坐标模型,将点云数据投影为地铁隧道正射投影图,具体步骤如下:
1.1建立投影空间的坐标模型,包括激光雷达测量坐标系、正射投影坐标系、断面坐标系之间对应关系;
1.2清洗激光雷达点云数据里的噪点数据,得到部分清洗噪点后的数据如下:
1.3根据每个扫描点的里程关键字,对点云数据进行索引、切分和合并,将带有里程段标记的点云数据块分发到各个计算节点,进行分布式并行处理,得到部分带有里程段标记的数据块如下:
1.4将每个数据块的点云数据投影生成正射投影图像文件,保存在待检大图目录下,得到部分数据块生成的灰度矩阵结果如下:
矩阵1:[[[124],[122],[132],...]
[[124],[124],[130],...]
...
[[50],[0],[0],...]]
矩阵2:[[[115],[120],[117],...]
[[116],[116],[116],...]
...
[[0],[20],[0],...]]
2.对每个正射投影图进行病害检测,生成检测结果,具体步骤如下:
2.1遍历待检大图目录下的每个正射投影图像文件,切分为小图文件,生成位置对照表,得到部分位置对照表数据如下:
大图 | 小图 | 大图尺寸 | 小图尺寸 | 小图位置 | 行 | 列 |
Name1.jpg | 0.jpg | 41727;6000 | 200;474 | 0;0;200;474 | 0 | 0 |
Name1.jpg | 1.jpg | 41727;6000 | 200;474 | 0;474;200;948 | 1 | 0 |
Name1.jpg | 2.jpg | 41727;6000 | 200;474 | 0;948;200;1422 | 2 | 0 |
Name1.jpg | 3.jpg | 41727;6000 | 200;474 | 0;1422;200;1896 | 3 | 0 |
Name1.jpg | 4.jpg | 41727;6000 | 200;474 | 0;1896;200;2370 | 4 | 0 |
Name1.jpg | 5.jpg | 41727;6000 | 200;474 | 0;2370;200;2844 | 5 | 0 |
Name1.jpg | 6.jpg | 41727;6000 | 200;474 | 0;2844;200;3318 | 6 | 0 |
Name1.jpg | 7.jpg | 41727;6000 | 200;474 | 0;3318;200;3792 | 7 | 0 |
Name1.jpg | 8.jpg | 41727;6000 | 200;474 | 0;3792;200;4266 | 8 | 0 |
... | ... | ... | ... | ... | ... | ... |
2.2将待检小图目录中所有小图文件的路径记入文本文件,将该文件设置为模型的检测配置文件;
2.3调用已训练好的检测模型对待检小图目录下的每张小图进行病害检测,在检测结果目录下,为每一类病害生成一个检测结果文件,得到部分检测结果文件数据如下:
3.将小图病害检测结果映射到大图,具体步骤如下:
3.1遍历检测结果目录下的每一类病害的检测结果文件,筛选出每个置信度得分大于指定置信度阈值的检测结果,并将筛选出的检测结果写入文本文件,称为筛选文件,得到部分筛选结果如下:
3.2读取位置对照表与筛选文件,提取每张大图与小图的位置对应关系及小图中的病害信息,称为提取信息;
3.3根据提取信息,为每张大图初始化一个二维矩阵,称为零阶位图;
3.4根据每张小图中的病害检测结果,合并大图上邻近的病害;
3.5如果一阶位图里存在相邻近的病害,进行第二轮合并,合并所有邻近病害,生成合并后的病害信息,写入xml文件,得到部分xml文件的数据如下:
4.对每张大图的检测结果进行人工校正,生成校验文件,具体步骤如下:
4.1读取大图及其对应的xml文件,将检测结果以高亮颜色的矩形框标注在大图上,每个矩形框对应一个病害检测结果:
4.2人工检查校正每个病害检测结果的矩形框;
4.3将大图中所有矩形框的位置信息、对应病害类型、所在大图名称、置信度写入校验文件,将校验文件存入校验目录,得到部分校验文件数据如下:
5.计算隧道病害面积并提取隧道病害边缘,生成边缘提取结果文件,具体步骤如下:
5.1遍历校验目录下的每张大图及其对应校验文件,获取病害在大图中的位置,并裁剪出病害区域,称为裁减图;
5.2遍历每张裁减图,使用高斯核过滤病害裁减图,并对消除噪声后的图像进行灰度化生成灰度图;
5.3计算出每张灰度图对应的最大类间方差,以此为划分阈值,对灰度图像进行二值化划分,生成二值化图像;
5.4统计二值化图像中黑色区域像素点的个数计算出病害像素面积,根据大图像素与实际里程数的映射关系,将病害像素面积映射为病害实际面积;
5.5利用二值化图像,提取病害边缘,边缘提取的结果以数值矩阵的形式存储于文件中,作为病害区域边缘的掩码;
6.计算病害起止里程、起止环号、同环序号,生成病害明细表,具体步骤如下:
6.1根据正射投影图的像素值与实际线路里程的映射关系,计算病害的起止里程,得到部分起止里程数据如下:
6.2根据正射投影图中每条环缝的像素值和病害位置的像素值,计算病害所在位置对应的起止环号,得到部分起止环号数据如下:
病害所在图片名称 | 病害类型 | 起始环号 | 终止环号 |
Name1 | ss | 1 | 2 |
Name1 | ss | 1 | 2 |
Name1 | ss | 1 | 2 |
Name1 | ss | 2 | 3 |
Name1 | ss | 2 | 3 |
Name1 | ss | 3 | 3 |
... | ... | ... | ... |
6.3计算病害同环序号,得到部分同环序号数据如下:
病害所在图片名称 | 病害类型 | 同环序号 |
Name1 | ss | 1 |
Name1 | ss | 2 |
Name1 | ss | 3 |
Name1 | ss | 1 |
Name1 | ss | 2 |
Name1 | ss | 1 |
... | ... | ... |
6.4将每张大图里的每个病害的实际面积、起止环号、同环序号以及病害类型一同写入文件中,为每张大图生成一张病害明细表,得到部分病害明细表数据如下:
本发明从点云数据的处理出发,实现了深度学习模型对隧道病害的智能识别,并辅以人工校正功能,为地铁隧道病害检测提供了一套完整、高效、可靠的解决方案,具有高度的应用价值及经济效益。
最后需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (3)
1.一种支持人工校验的地铁隧道病害自动检测方法,其步骤包括:
A.建立投影空间的坐标模型,将点云数据投影为地铁隧道正射投影图,具体步骤如下:
A1.建立投影空间的坐标模型,包括激光雷达测量坐标系、正射投影坐标系、断面坐标系之间对应关系;
A2.清洗激光雷达点云数据里的噪点数据;
所述激光雷达点云数据,是指隧道内壁上每个扫描点在激光雷达测量三维坐标系构成的XYZ坐标以及反射率Ref的集合,简称点云数据;
A3.根据每个扫描点的里程关键字,对点云数据进行索引、切分和合并,将带有里程段标记的点云数据块分发到各个计算节点,进行分布式并行处理;
A4.将每个数据块的点云数据投影生成正射投影图像文件,保存在待检大图目录下;
B.对每个正射投影图进行病害检测,生成检测结果,具体步骤如下:
B1.遍历待检大图目录下的每个正射投影图像文件,切分为小图文件,生成位置对照表;
B2.将待检小图目录中所有小图文件的路径记入文本文件,将该文件设置为模型的检测配置文件;
B3.调用已训练好的检测模型对待检小图目录下的每张小图进行病害检测,在检测结果目录下,为每一类病害生成一个检测结果文件;
所述的检测结果文件中,每个病害检测结果占一行,包括小图索引号、置信度、识别框的左上角及右下角坐标;
C.将小图病害检测结果映射到大图,具体步骤如下:
C1.遍历检测结果目录下的每一类病害的检测结果文件,筛选出每个置信度得分大于指定置信度阈值的检测结果,并将筛选出的检测结果写入文本文件,称为筛选文件;
C2.读取位置对照表与筛选文件,提取每张大图与小图的位置对应关系及小图中的病害信息,称为提取信息;
C3.根据提取信息,为每张大图初始化一个二维矩阵,称为零阶位图,具体步骤如下:
C3.1矩阵中的每一位对应一张小图;
C3.2大图切成小图的列数和行数,是矩阵的宽W和高H;
C4.根据每张小图中的病害检测结果,合并大图上邻近的病害;
C5.如果一阶位图里存在相邻近的病害,进行第二轮合并,合并所有邻近病害,生成合并后的病害信息,写入xml文件;
所述的信息包括病害类型、所在大图名称、置信度、在大图中的左上角坐标及右下角坐标;
D.对每张大图的检测结果进行人工校正,生成校验文件,具体步骤如下:
D1.提取合并文件中每张大图对应的检测结果,按照规定的xml格式写入文本文件,生成每张大图的xml文件;
D2.人工检查校正每个病害检测结果的矩形框,具体步骤如下:
D2.1观察并确认矩形框内是否存在病害;若矩形框内没有病害,删除该矩形框;
D2.2查看矩形框对应病害类型是否正确;如果错误,修改弹框内的标签信息;
D2.3观察矩形框大小是否正确,如果矩形框过大或者过小,拖拽矩形框修正其大小,使得矩形框刚好框住病害;
D3.将大图中所有矩形框的位置信息、对应病害类型、所在大图名称、置信度写入校验文件,将校验文件存入校验目录;
E.计算隧道病害面积并提取隧道病害边缘,生成边缘提取结果文件,具体步骤如下:
E1.遍历校验目录下的每张大图及其对应校验文件,获取病害在大图中的位置,并裁剪出病害区域,称为裁减图;
E2.遍历每张裁减图,使用高斯内核过滤病害裁减图,并对消除噪声后的图像进行灰度化生成灰度图;
E3.计算出每张灰度图对应的最大类间方差,以此为划分阈值,对灰度图像进行二值化划分,生成二值化图像;
E4.统计二值化图像中黑色区域像素点的个数计算出病害像素面积,根据大图像素与实际里程数的映射关系,将病害像素面积映射为病害实际面积;
E5.利用二值化图像,提取病害边缘,边缘提取的结果以数值矩阵的形式存储于文件中,作为病害区域边缘的掩码;
F.计算病害起止里程、起止环号、同环序号,生成病害明细表,具体步骤如下:
F1.根据正射投影图的像素值与实际线路里程的映射关系,计算病害所在位置的里程值;
F2.根据正射投影图中每条环缝的像素值和病害位置的像素值,计算病害所在位置对应的起止环号;
F3.计算病害同环序号,具体步骤如下:
F3.1根据病害起止环号,将所有病害按照管环进行分类,将处于同一管环中的病害信息写入同一列表;
F3.2对同环病害根据其起始角度值从小到大进行排序,并按照排序顺序标注病害在同环内的位置序号;
F4.将每张大图里的每个病害的实际面积、起止环号、同环序号以及病害类型一同写入文件中,为每张大图生成一张病害明细表。
2.如权利要求1所述的支持人工校验的地铁隧道病害自动检测方法,其特征在于,遍历待检大图目录下的每个正射投影图像文件,切分为小图文件,生成位置对照表,具体步骤如下:
B1.1读入大图文件到内存,简称为大图;
B1.2根据大图大小计算图中每张小图的切割位置;
B1.3按照切割位置进行切片,生成小图文件,保存在待检小图目录下;
B1.4将大图文件的名称和像素尺寸、小图文件的名称和像素尺寸、小图在大图中的左上角坐标及右下角坐标、小图在大图中的切片行数及列数,写入位置对照表。
3.如权利要求1所述的支持人工校验的地铁隧道病害自动检测方法,其特征在于,根据每张小图中的病害检测结果,合并大图上邻近的病害,具体步骤如下:
C4.1设置二维矩阵中的每一位的值,如果该位对应的小图上存在A类病害,且至少有一边和小图边缘的距离在设定阈值范围内,则将此位置设置为1;否则,设置为0;
C4.2遍历位图中值为1的位置,称为位置i,检索其右方、下方、右下方的三个位置,称为检索位置,若检索位置的值为1且对应小图上的病害b的包围框与位置i上的病害c的包围框之间的距离超过指定阈值,称为b和c邻近;
C4.3将邻近的两个病害合并为一个病害,合并后的病害置信度为i位置病害置信度;合并后的病害左上角坐标为i位置左上角坐标,合并后的病害右下角坐标值x为被合并病害中最大x坐标值,合并后的病害右下角y坐标值为被合并病害中最大y坐标值;
C4.4根据合并后的病害信息,为每张大图生成一个新的二维矩阵,称为一阶位图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110941228.0A CN113837996B (zh) | 2021-08-17 | 2021-08-17 | 一种支持人工校验的地铁隧道病害自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110941228.0A CN113837996B (zh) | 2021-08-17 | 2021-08-17 | 一种支持人工校验的地铁隧道病害自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837996A CN113837996A (zh) | 2021-12-24 |
CN113837996B true CN113837996B (zh) | 2023-09-29 |
Family
ID=78960605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110941228.0A Active CN113837996B (zh) | 2021-08-17 | 2021-08-17 | 一种支持人工校验的地铁隧道病害自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837996B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127771A (zh) * | 2016-06-28 | 2016-11-16 | 上海数联空间科技有限公司 | 基于激光雷达lidar点云数据获取隧道正射影像***及方法 |
CN110766798A (zh) * | 2019-11-30 | 2020-02-07 | 中铁一局集团有限公司 | 一种基于激光扫描数据的隧道监控量测成果可视化方法 |
CN111325747A (zh) * | 2020-03-19 | 2020-06-23 | 北京城建勘测设计研究院有限责任公司 | 一种矩形隧道的病害检测方法及装置 |
CN112215958A (zh) * | 2020-10-10 | 2021-01-12 | 北京工商大学 | 一种基于分布式计算的激光雷达点云数据投影方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300126B (zh) * | 2018-09-21 | 2022-01-07 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
-
2021
- 2021-08-17 CN CN202110941228.0A patent/CN113837996B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127771A (zh) * | 2016-06-28 | 2016-11-16 | 上海数联空间科技有限公司 | 基于激光雷达lidar点云数据获取隧道正射影像***及方法 |
CN110766798A (zh) * | 2019-11-30 | 2020-02-07 | 中铁一局集团有限公司 | 一种基于激光扫描数据的隧道监控量测成果可视化方法 |
CN111325747A (zh) * | 2020-03-19 | 2020-06-23 | 北京城建勘测设计研究院有限责任公司 | 一种矩形隧道的病害检测方法及装置 |
CN112215958A (zh) * | 2020-10-10 | 2021-01-12 | 北京工商大学 | 一种基于分布式计算的激光雷达点云数据投影方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的地铁隧道衬砌病害检测模型优化;薛亚东;高健;李宜城;黄宏伟;;湖南大学学报(自然科学版)(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837996A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210409B (zh) | 表格单据中表格框线检测方法及*** | |
CN111626146B (zh) | 一种基于模板匹配的合并单元格表格分割识别方法 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN108764229B (zh) | 一种基于计算机视觉技术的水尺图像自动识别方法 | |
Lee et al. | Class-guided building extraction from Ikonos imagery | |
Garz et al. | Binarization-free text line segmentation for historical documents based on interest point clustering | |
CN111598856B (zh) | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及*** | |
CN112598001A (zh) | 一种基于多模型融合的船舶水尺读数自动识别方法 | |
CN104990925A (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
CN111179152A (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN111898494B (zh) | 一种采矿扰动地块边界识别方法 | |
CN112084973B (zh) | 一种基于正射投影图像的隧道管环识别与标注方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN110837839A (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
CN112364834A (zh) | 一种基于深度学习和图像处理的表格识别的还原方法 | |
CN115690081A (zh) | 一种树木计数方法、***、存储介质、计算机设备及终端 | |
CN111612747A (zh) | 产品表面裂缝快速检测方法及检测*** | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
CN112200053B (zh) | 一种融合局部特征的表格识别方法 | |
CN113837996B (zh) | 一种支持人工校验的地铁隧道病害自动检测方法 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN112419244B (zh) | 混凝土裂缝分割方法及装置 | |
CN111325076A (zh) | 一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231221 Address after: 100048, Fu Cheng Road, Beijing, Haidian District, No. 33 Patentee after: BEIJING TECHNOLOGY AND BUSINESS University Patentee after: NANJING SHULIANKONGJIAN PLOTTING TECHNOLOGY Co.,Ltd. Address before: 100048 33 Fucheng Road, Haidian District, Beijing Patentee before: BEIJING TECHNOLOGY AND BUSINESS University Patentee before: ZHEJIANG HUAZHAN INSTITUTE OF ENGINEERING RESEARCH AND DESIGN |
|
TR01 | Transfer of patent right |