基于深度卷积神经网络的隧道衬砌裂缝识别算法

衬砌裂缝严重影响了铁路隧道的安全运营,采用机器视觉技术快速获取衬砌图片并进行裂缝识别是国内外的研究热点。衬砌裂缝图像信号具有复杂的特性,存在水渍、污染及其他结构缝等引起的噪声,加之光照不均匀、分布不规律等原因,使得传统的图像处理方法难以快速、准确地检测衬砌裂缝。本文提出一种基于深度神经网络的隧道衬砌裂缝识别算法,有效解决了裂缝识别速度慢、精度低等问题。分类结果精度达到94%,识别速度在GPU(Pascal Titan X)上每张图片仅需0.05 s;分割网络性能均交并比可达到65%,能够准确分割出裂缝形状。该算法具有很好的工程应用价值。     

铁路混凝土结构物图像裂缝亚像素级宽度提取技术

宽度是裂缝定量检测最重要的结果之一,是评估混凝土结构物开裂严重程度及影响的重要指标.为实现混凝土结构表面裂缝宽度的精细计算,首先对通过残差网络ResNet+金字塔池模型网络分割出的裂缝区域进行宽度提取;然后运用基于中轴线垂线的裂缝宽度计算方法,结合三次Cardinal样条插值拟合裂缝边缘,获取符合实际应用需求的亚像素级...     

基于深度学习技术的货检图像智能识别与测试研究

为了提升铁路货检作业效率和质量,针对目前铁路货检工作主要依赖人工对高清图片进行查看,存在强度大、容易漏判等问题,在统计分析既有货检问题的种类、与车型的关系及所占比例基础上,采用深度学习技术,基于Faster-RCNN网络架构建立货检病害智能识别模型。经样本图片测试集测试表明,所提出的货检智能识别模型对于车顶异物、车门开启、防尘盖开启等7类问题图片的检出率接近80%,准确性超过90%,每张图片的检测速度约0.9 s,可满足现场实时、智能检测需求,从而为铁路货检向智能化发展提供有力的工具。     

朔黄铁路隧道衬砌表观病害检测技术北大核心

为实现朔黄铁路隧道衬砌表观病害远距离非接触快速检测,提出一种基于多源数据深度融合的隧道病害检测方法。首先利用高清线阵相机、激光扫描传感器等检测设备获取隧道衬砌表观高清图像和激光点云数据,然后利用特征提取网络提取图像和点云特征图,并采用空间变换方法将图像特征图投影到点云特征俯视图上得到融合特征图,最后利用候选区域网络和金字塔场景分析网络对融合特征图进行检测识别,输出病害的类型与位置信息。在朔黄铁路重点隧道开展的现场试验表明,该方法能检测隧道裂缝、掉块、渗水等表观病害状态,有效提升重载铁路隧道运维的智能化程度及综合检测水平。     

铁路隧道衬砌表观裂缝快速检测技术

梳理了国内外衬砌表观状态检测技术发展现状,对现场踏勘检测和衬砌表观检测系统检测出的衬砌裂缝检出率、里程误差、长度误差等关键参数进行了对比分析。结果表明：衬砌表观检测系统对宽度0.3 mm及以下的裂缝检出率为54.3%,对宽度0.3 mm以上的裂缝检出率为92.6%;纵向裂缝长度的离散误差为±0.7 m,主要由里程误差所致;环向裂缝长度的离散误差在-0.4～1.0 m,主要由图像拼接冗余所致。与现场踏勘检测结果相比,表观检测系统识别的环向裂缝长度存在27%的系统性放大现象,需进一步研究基于关键特征点匹配技术的图像拼接方法,降低拼接冗余,以提高环向裂缝长度的识别精度。     

无砟道床表观伤损智能识别算法研究北大核心

为提高无砟道床表观伤损检测系统的检测精度和准确率,提出了一种多尺度多任务的伤损智能识别算法。采用特征图L1范数准则对ResNet网络的冗余卷积核进行压缩剪枝,以降低模型计算量和存储空间。通过采集的图像构建样本库,利用像素级语义分割算法,以优化后的ResNet网络为编码网络,以PPM网络为解码网络,搭建编码-解码深度学习架构模型,并通过测试集试验和现场试验对模型进行验证。结果表明,该模型对2000张测试图像的识别准确率为95.6%,无砟道床表观伤损现场检出率为96.4%,检测效果良好。该模型可以实现对无砟道床表观伤损的自动化检测、伤损趋势分析和状态评定。     

基于图像识别技术的隧道衬砌裂缝检测系统研究

首先分析了既有隧道衬砌裂缝检测系统存在的问题,然后应用最新技术发展成果,提出基于图像识别技术的隧道衬砌裂缝检测系统。该系统能对隧道衬砌图像予以高速采集和存储,其后端采用基于深度学习的裂缝识别算法对海量的隧道衬砌图像数据进行快速识别,并提取裂缝特征参数。将该系统安装在现有轨道车上进行了试验,结果表明该系统可以50 km/h的速度对1 mm以上衬砌裂缝无遗漏采集。     

基于图像技术的无砟道床表观伤损检测系统研制

我国高速铁路部分线路无砟道床裂缝、离缝、缺损等表观伤损主要依赖于人工持钢板尺、塞尺、测宽仪等传统工具进行测量,检测效率低,准确性差.针对这一问题,本文基于图像技术研制了无砟道床表观伤损检测系统,对无砟道床表观高清图像快速采集,利用图像处理、深度学习等技术构建图像识别算法,编制识别软件对采集图像进行智能识别.现场验证结果...     

铁路隧道衬砌表观病害智能检测技术

针对铁路隧道衬砌表观病害检测需求，梳理并分析技术现状，介绍隧道衬砌表观病害智能检测系统的研制情况和系统组成。提出铁路隧道衬砌表观病害智能检测面临的技术难点，分析图像快速采集、病害智能识别、病害样本库构建等智能检测关键技术。通过基于实测数据集以及现场检测复核等手段，验证铁路隧道衬砌表观病害智能检测系统关键参数。结合现场运用情况，分析铁路隧道衬砌表观病害智能检测系统运用效率。智能检测系统应用表明，铁路隧道衬砌表观病害智能检测技术可大幅提升隧道衬砌病害检测的自动化和智能化水平。     

铁路隧道衬砌表观病害等级评定研究

运营期铁路隧道衬砌存在不同程度的裂缝、渗漏水、剥落（掉块）等表观病害。本文首先分析了GB 50010—2010《混凝土结构设计规范》、TB/T 2820.2—1997《铁路桥隧建筑物劣化评定标准隧道》等规范和标准评定隧道衬砌表观病害等级时存在的差异，针对QC/R 405.2—2019《铁路桥隧建筑物劣化评定第2部分：隧道》中存在的对细长裂缝没有给出判定规则、未考虑环向位置对等级评定的影响、不能依据检测图像对剥落（掉落）病害进行等级评定等问题，对裂缝长宽等级进行了细分，对病害环向位置进行了划分。在此基础上，对Q/CR 405.2—2019中高速、普速铁路隧道衬砌裂缝、渗漏水的等级评定规则进行了细化，实现了对不同属性特征的隧道衬砌表观病害等级的比较全面的评定。最后给出了隧道衬砌表观病害关注程度分类规则和不同等级病害的应对措施。