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。     

铁路声屏障表观病害智能检测技术

针对铁路声屏障外观状态检查效率低、检测精度差的现状,为满足自动化、智能化检测需求,开展声屏障表观病害智能检测技术研究。通过调研分析声屏障检测技术现状,提出基于图像的铁路声屏障表观病害智能检测技术方案。重点对声屏障外观成像、主从协同控制、在线识别等关键技术的实现方式进行研究,同时对部分功能进行了试验验证;基于钢轨探伤车进行图像采集,检测速度80 km/h,建立声屏障病害典型样本数据集,验证了在线识别的可行性和有效性。结果表明,铁路声屏障表观病害智能检测技术可大幅提升病害检测的自动化和智能化水平。     

基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法

随着地铁隧道服役时间增长,隧道衬砌在多因素影响下病害频发,对隧道结构及临近附属设施造成不良影响,严重危及到行车安全。因此,亟需精确高效的地铁隧道病害及设施检测技术。然而,地铁隧道存在内部环境复杂,附属设施与衬砌病害纹理及灰度相似、目标尺度不一等检测难点,传统的人工巡检及数字图像处理方法均存在局限。针对上述问题,提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型。针对设施及病害的位置特征引入坐标注意力(Coordinate attention)引导模型对目标区域赋予更高权重,抑制背景噪声;采用Bi FPN(Bi-directional Feature Pyramid Network)特征融合网络提升小目标病害检测效果;并利用Ghost Bottleneck替代部分卷积减少模型参数,提高检测效率。为验证改进后模型检测性能,进行现场实验,构建样本数量为843的地铁隧道衬砌图像数据集。并采用随机裁剪、镜像翻转等数据增强方法,将样本量扩充至4 072。数据集上的实验结果表明,改进模型的平均精度均值(m AP)可达89.2%,较原模型提高了3.7%,有效提升了隧道环境中小目标病害...     

基于MFCC的高铁隧道衬砌脱空智能识别

衬砌脱空作为高铁隧道常见病害之一,威胁车辆和人员安全。目前,高铁隧道衬砌脱空检测多采用人工敲击听声的方法进行判断,受主观影响较大,准确率会受到影响。基于传统叩诊法原理并结合声音识别技术,对高铁隧道衬砌脱空的智能识别进行研究。采集京广高铁某隧道敲击检查的270段敲击声音样本,分析密实和脱空状态下的时域和频域特征。分析发现：衬砌背后密实与脱空时域波形特征和短时能量均有显著差异;密实状态下主频与次主频在6 200 Hz左右,脱空状态下主频与次主频在800 Hz左右。提取36维梅尔频率倒谱系数（MFCC）,降维处理后作为机器学习数据集。采用极端梯度提升（XGBoost）算法训练与测试,建立基于MFCC的高铁隧道衬砌脱空智能识别模型,与优化的支持向量机（CV-SVM）模型和梯度提升决策树（GBDT）模型相比,识别准确率更高,达到96.87%。该模型可用于衬砌背后脱空的定性识别,相较于人工检测,智能化和信息化程度极大提升,对智能化和自动化诊断高铁隧道衬砌脱空缺陷具有重要意义。     

基于特征分析的地铁隧道裂缝识别算法

有效地检测地铁隧道表面裂缝对于隧道的安全至关重要。地铁隧道表面图像普遍存在光照不均匀,目标对比度低,背景纹理复杂,噪声干扰严重等问题,而检测传统图像裂缝,如混凝土表面、路面裂缝等的算法不能很好地适用于地铁隧道表面图像。为此本文提出了一种隧道表面裂缝识别的算法。该算法首先利用Mask匀光等预处理算法改善隧道图像的质量,而后分别设计了基于模板的分析法、基于Hough变换的线型结构分析法、基于SVM的近似裂缝结构分析法等算法对隧道表面裂缝图像各成分进行提取,从而达到识别裂缝的目的。实验结果表明,该算法对传统裂缝图像的识别准确率可达97%,对于隧道表面的裂缝图像识别准确率可达81%。     

基于轻量卷积神经网络的高速铁路隧道表面病害筛选算法

随着急剧增加的高速铁路隧道检测需求,基于计算机视觉的高速铁路隧道病害识别和健康检测是国内外的新趋势.然而,高速铁路隧道结构表面图像大多数是无病害图像(占比90％以上),剔除大量无病害图像而只保存有病害图像,可以大幅减少图像存贮量和降低高速海量存贮对硬件要求.为此,提出一种基于深度卷积神经网络的隧道表面病害筛选算法,以推...     

基于双目定位和同步触发的城市轨道交通工务综合检测车

[目的]目前城市轨道交通隧道及轨道的工务巡检大多仍采用传统的人工巡检方式,亟需有效提升巡检效率及准确率。[方法]提出了一种基于双目定位和同步触发技术的城市轨道交通工务综合检测车(以下简称“综合检测车”),阐述了该综合检测车的系统架构,并介绍了同步定位模块、供电模块及人机交互模块的功能,以及工务病害故障检测所采用的识别算法。介绍了该综合检测车的定位计算和同步控制技术,并对其在城市轨道交通工程中的实际应用效果进行了分析,对其技术优势进行了总结。[结果及结论]该综合检测车可在2 h内完成城市轨道交通线路隧道及轨道的巡检工作,实现对多类病害故障的智能综合检测。与人工检测相比,其准确率提升了60%,巡检成本降低了30%。     

地铁隧道裂缝图像采集与智能识别方法研究

文章对盾构隧道表面图像采集系统进行设计,提出一种新颖的隧道裂缝图像智能识别方法。图像采集系统包括面阵相机及光源一体化模块、相机支架、工控机和供电系统,该系统可实现隧道表面图像多目相机同步采集,图像辨识精度达到0.2mm。裂缝图像智能识别方法主要包括：基于边缘检测的深度卷积网络和基于图像后处理的裂缝识别算法,该图像识别算法可实现像素级的裂缝纹理检测以及精细化提取。通过现场实验和数据分析,文章提出的图像采集系统和智能识别方法可为实际隧道裂缝检测提供较好的技术支持。     

基于迁移学习的桥梁表观病害检测技术研究

桥梁表观病害检测是保证桥梁设施安全的关键技术之一。深度卷积网络因其强大的特征提取能力,被广泛应用于土木工程领域的结构病害识别与检测,然而在土木工程领域中往往缺乏用于训练深度学习网络的高质量大规模病害图像数据集。针对上述问题,提出一种基于迁移学习的桥梁表观病害检测方法。该方法运用迁移学习技术,通过迁移VGG16网络模型结构及全部卷积层参数,并在迁移后的模型结构上添加新的全连接层,以此来解决训练数据集不足的问题。运用动态学习率调整策略,以不同的学习率对卷积层和全连接层参数分别进行微调,用于提高模型的识别准确率。实验对比ResNet18,ResNet50,VGG19,VGG16等主流深度学习网络模型,该方法在验证集上取得了最高准确率,为98.86%。用实拍的未经过处理的桥梁表观病害图像数据集进行测试,该方法的整体结构表观病害识别准确率达到88.33%,其中泛碱、露筋和裂缝3类病害的测试准确率分别达到96.25%,80.00%和88.75%,具有较高的病害识别准确率,可以用于在役桥梁表观病害识别。     

铁路隧道二次衬砌敲击检查声音特征分析及智能识别

为实现铁路隧道二次衬砌背后空洞智能诊断,基于声音识别技术,建立隧道空洞敲击检查声音智能识别模型。收集645段检查锤敲击衬砌的声音样本,运用信号特征分析的基本方法,分析有空洞和无空洞状态下声音信号的时域和频域特征,并提取24维梅尔频率倒谱系数作为机器学习数据集。用主成分分析法降维,经混合粒子群算法优化的支持向量机训练后,建立铁路隧道空洞敲击检查声音智能识别模型,将该模型应用于实际铁路隧道验证其有效性。建立的声音识别模型训练时长为31 s,准确率达95.56%,且能准确对实际工程中的声音样本做出分类。研究结果表明：对2种状态下的声音样本时域特征和频域特征进行对比和分析,不同状态下短时能量和声纹都出现明显的不同。运用PCA-混合PSO-SVM建立的声音识别模型,有着较高的准确率和较快的训练速度,能够根据敲击检查声音准确判断出隧道背后是否存在空洞,如何根据声音特征判断衬砌背后空洞的大小和深度等,将是下一步研究的重点。目前铁路隧道快速无损检测还无法大范围普及,人工检查仍是使用最广泛的检查方法,通过研究敲击检查声音智能识别,为隧道智能化诊断做出新的探索,对加快人工检查速度、提高信息化程度和实现无纸...     

隧道二衬背后空洞智能化检测和预防技术撤回

目前隧道衬砌质量检测方法仍然以“地质雷达+敲击法”为主,敲击法存在检测效率低、精度低、受人为因素影响大,容易出现漏检误检等诸多问题。为了提升敲击法在隧道衬砌检测中的有效性,基于敲击回声研究了隧道衬砌智能化检测新技术,通过采用自动敲击、声音自动采集和智能识别方法,在数值仿真的基础上从时域、频域、时频域维度提取隧道衬砌空洞特征参数,进一步建立对正常回声与空响回声的识别模型,针对空洞识别模型进行的模拟实验和实际隧道现场试验,数据结果表明,智能化检测新技术的空洞识别正确率达90%以上,可以有效识别空洞,实现隧道衬砌智能化检测。同时结合后期智能预防措施,采用最新衬砌空洞预防技术,可最大程度地减少和避免空洞的出现,以确保隧道运营安全。     

基于深度残差网络的轨道结构病害识别

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。     

隧道围岩分级特征智能识别及可视化研究

准确、快速获取隧道围岩级别对工程设计、施工及运营意义重大。结合多个四川高速公路隧道项目,共采集7 000余张隧道掌子面图像,并利用数据增广方法将数据集扩充至20 000余张。按节理裂隙特征、风化卸荷情况、地下水发育情况3种像特征对数据集进行分类标注,并按8:2的比例划分为训练集与验证集。结合深度学习方法,实现掌子面围岩分级特征参数提取识别。搭建了VGG系列、ResNet系列、DenseNet系列、GoogleNet、InceptionV3等卷积神经网络分类模型,并引入准确率、查准率、召回率及F1值等多种评价指标对比分析多种卷积神经网络分类模型的围岩特征(掌子面图像的节理裂隙特征、风化卸荷特征以及地下水发育特征)识别效果。研究结果显示基于DenseNet模型分类识别效果最好,分类准确率分别为：围岩节理裂隙特征87.5%,风化程度特征90%,地下水发育程度特征91.5%,且各特征的F1值均在0.789以上,最高为0.944,平均值为0.852。此外,对DenseNet系列分类模型进行可靠性验证,基于CAM以及Grad-CAM对模型进行分类决策可视化研究分析,分类决策热力图结果显示分类结果与...     

朔黄铁路隧道衬砌表观病害检测技术

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。     

基于深度学习的输电线路绝缘子目标增强识别研究

绝缘子作为特殊绝缘控件,在架空输电线路中起重要作用,也是电力巡检重点检测对象。对比传统的人工巡检,基于深度学习的智能巡检方法拥有更快速、更精确的检测性能,可大幅提高输电线路巡检效率,然而可用于深度学习训练的绝缘子图像十分稀缺。本文研究灰度变换、滤波降噪、几何变换多种图像增强方法对绝缘子图像进行不同组合的图像扩充,并采用SSD检测模型进行图像训练与测试。经过多组试验对比,针对绝缘子数据集提出最优图像增强组合方法,可用于改善绝缘子图像稀缺、模型训练数据不足的问题,从而进一步提高绝缘子的检测效果。     

铁路入侵运动目标实时检测技术

针对铁路场景下入侵异物的特点,采用智能视频技术,对监控视频图像序列中入侵运动目标检测方法进行研究．提出基于参考点的“相对背景差分法”、基于目标特征的跟踪算法和基于透视规律的目标分类方法,实现对多目标场景运动目标的实时检测识别。典型场景实验结果表明：上述算法实现了铁路入侵运动目标的高效检测,与基础背景差分法相比,误检率和漏检率分别减小了24．56％和54．17％;与基于区域的传统目标跟踪方法相比,误匹配率和漏匹配率分别减小了64．78％和22．58％,且算法具有较强的实时性和鲁棒性。     

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。     

车载智能轨道巡检系统的研究与应用

在高铁大规模建设和开通运营的环境下,工务部门亟需采用车载动态非接触方式对轨道病害进行检测。车载智能轨道巡检系统通过布置于车底的高速相机阵列,拍摄列车通过高铁线路的整个车底下道床图像,存储于计算机,并在后期通过智能识别软件对图像中的扣件、钢轨和轨道板等进行智能诊断,自动识别出有缺陷的地方,为高铁的养护提供了依据。     

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。     

地铁隧道渗漏水病害快速检测及图像处理技术

检测盾构隧道渗漏水的传统人工检测方法工效低,无法满足大量运营地铁隧道快速检测的需求。隧道渗漏水快速检测系统包括快速摄像设备及与之配套的图像分析处理器。快速摄像设备是基于工业定焦相机和自动化控制技术集成开发的,可实现对地铁隧道渗漏水病害的快速摄像。与快速摄像系统配套的图像分析与数据处理器,是根据地铁隧道结构宏观特征和结构构件空间几何关系开发的,能实现病害特征的快速计算,并对病害进行分类。该隧道渗漏水快速检测系统在上海地铁中的应用效果良好,现场摄像速度达5km/h,渗漏水病害检测准确率达到95%。