隧道综合巡检机器人设计及研究

为解决城轨隧道病害检测采集的问题,设计了一台隧道综合巡检机器人。对机器人的实现功能进行规划与设计,确定实现方式,并使用SolidWorks软件设计并建立机器人不同模块的结构模型;对底盘驱动模块进行电机计算与校核,利用ANSYS Workbench对底盘进行有限元静力学分析;对机器人样机进行生产加工组装,并在真实隧道环境中进行测试实验。实验测试结果表明,机器人结构与控制部分设计合理,可实现对隧道内壁与道床的病害数据采集,机器人运动性能达到预期的目标。

隧道工程车载探地雷达检测应用分析

介绍隧道工程车载探地雷达检测内容,探究车载探地雷达检测在隧道工程中的应用方法,并对隧道工程车载探地雷达检测案例进行了进一步分析,希望为车载探地雷达检测在隧道工程中的有效应用提供一些参考。

基于激光点云灰度图像的隧道渗水病害检测

地铁盾构隧道渗水检测是隧道维护的基础。针对传统的检测手段难以在隧道内部光线昏暗条件下获得高质量病害图片的问题,本文使用了激光雷达对隧道进行内部渗水检测。首先,基于激光点云灰度图中的渗水病害特征,建立了激光点云灰度图像渗水病害数据集;然后,以Mask R-CNN(Region-CNN)模型为基准框架,采用Swin transformer网络作为底层特征提取网络,实现了对隧道渗水病害的快速检测;最后,利用铁道移动测量系统在武汉采集的数据进行试验验证。试验结果表明,本文提出的改进Mask R-CNN模型的渗水病害检测精度比原算法提升了12%以上,在地铁隧道渗水病害检测中有较好的性能表现。

沉管隧道渗漏水红外自主检测技术

针对港珠澳大桥沉管隧道内行车道及排烟道可能产生的渗漏水病害现象,采用搭载于巡检机器人的红外热成像阵列,进行图像识别。红外热成像阵列能够应对大视场、远测距、高分辨率的工作场景;图像处理算法包含预处理、图像分割、轮廓检测及决策判断等步骤,同时,当满足气象条件及轮廓内像素灰度阈值时,视为可能存在渗漏病害区域。研究结果可实现沉管隧道内主要设施巡检覆盖率达90%以上,最小渗漏检测面积0.1 m×0.1 m的技术指标,并开展实验室测试及天津中试场地实验验证指标及检测系统有效性。

基于地质雷达与激光扫描的隧道检测现状分析

随着经济的快速发展,中国隧道建设也取得了显著进步,运营隧道的数量和规模都有了明显的增长,因此,运营期隧道的日常检测也逐渐成为大家所关注的问题。当前隧道病害检测方法主要分为无损检测和破损检测。破损检测影响隧道的使用寿命,所以目前的主要检测方法为无损检测。本文通过隧道无损检测相关文献的整理和分析,主要介绍应用比较广泛的地质雷达和比较有应用前景的三维激光扫描技术。首先,对地质雷达的发展和在国内外隧道工程中的应用情况进行介绍,分析地质雷达在实际工程应用中存在的问题,并提出相应建议;其次,介绍三维激光扫描技术的基本原理和常用设备,并对其在国内外一些隧道检测中的应用情况进行分析;最后,对两种检测技术在隧道检测过程中存在的问题进行总结,并提出合理建议。研究发现,采用单一技术进行隧道变形与衬砌表面情况检测,或只分析隧道衬砌厚度及衬砌背后的不密实情况,无法定量分析隧道在运营期的健康状况,无法实现对隧道经济、合理的养护。因此,多种隧道检测仪器联合使用将成为一种新的趋势,而地质雷达和三维激光扫描技术的联合使用可以内外兼顾,是隧道检测技术发展的一个方向。

隧道智能检测车表观检测系统设计与应用研究

隧道病害对隧道正常运营造成了安全隐患,虽然当前已开展隧道病害检测相关研究,但是仍然存在图像采集质量差、检测速度慢、定位不准确等技术瓶颈。为解决上述问题,设计隧道检测车表观检测系统。该系统包括机器视觉、高精度定位、智能同步控制3个子系统,具备铁路隧道与公路隧道病害检测能力。根据铁路隧道和公路隧道的理论断面尺寸,对面阵相机图像采集系统进行设计,包括相机的选型和多个相机在3D空间中的布局等。现场测试结果表明,采用该设计方案,能够发现宽度0.2 mm的病害,为隧道养护提供科学依据和合理建议。

隧道结构健康管理大数据平台研发及应用

为有效提高隧道管养效率,在总结提炼隧道内部与表观病害类型的基础上,采用Spring Boot+MyBatis Plus架构,应用分布式的Redis和MySQL部署开发技术研发隧道结构健康管理大数据平台,并从设备管理、病害管理、大数据智能分析处理等方面进行现场应用。结果表明:1)研发出的隧道结构健康管理大数据平台能够满足对常见病害数据进行管理展示的功能要求,且界面简洁友好、使用简单方便,实现了隧道病害由传统的依据经验判断到依托数据进行科学决策的转变;2)该平台基于神经网络模型,实现了隧道表观病害的智能识别,减小了病害识别方面对人工的依赖;3)该平台支持通过PC端或移动端对病害信息进行多维度查询,解决了以前隧道病害信息获取滞后且查阅不便的问题。

利用轻量级高分辨率特征的隧道裂缝检测方法

针对现有隧道检测车采集图像成像质量不佳,且洞壁存在大量病害相似物干扰的问题,提出了一种基于轻量化的HR(high resolution)-Net框架的隧道病害检测算法TC(tunnel crack)HR-Net。该算法保留了HR-Net的主干语义特征交换子网框架,移除其他分支子网络以降低模型体积。此外,为弥补“剪枝”操作导致的特征损失,在子网分支末端加入了SE模块,对特征的每一通道进行权重划分,以增强特征抽象水平。通过在与精细化标注隧道病害图像数据集上进行验证,本算法的mIoU指标分别达到80.21%与71.22%,高于其他对比算法,并接近HR-Net的检测结果,但是耗时比后者减少了30%。

提高电气化铁路运营隧道衬砌质量无损检测结果有效性的方法

针对部分电气化铁路隧道衬砌无损检测结果准确性不高的问题,结合大量既有线电气化铁路隧道检测数据,探讨提高检测结果准确性的有效方法。结果表明:与其他检测方法相比,地质雷达法最成熟,能够快速、准确发现隧道衬砌中绝大部分隐蔽性病害,应坚持使用以地质雷达法为主,敲击排查法等为辅的方法开展隧道衬砌质量检测工作;应根据线路特点、检测目标,合理确定检测内容、检测方法及布置测线;采用梯车杠杆平台等现场检测方式可大量减少检测盲区,提高检测效率;应加强检测现场定位的准确度和专业处理技术,检测结果要客观公正、全面审慎。从这些方面严格落实,可大幅提高电气化铁路运营隧道衬砌质量无损检测结果的有效性。

移动三维激光扫描技术在隧道病害识别中的应用

隧道等地下空间工程是解决城市资源与环境危机的重要措施,是城市新基建的主要方向。开展城市地下工程基础设施普查,定期全面的"体检",是确保人民生命财产安全的关键问题。本文针对隧道病害快速识别问题,首先利用自助研发的移动三维(3D)激光扫描系统获取了隧道点云数据,进一步研究了点云数据处理方法,获取了隧道灰度影像图,然后分析了隧道病害影像的识别特征,计算了该段隧道裂缝、渗漏水、衬砌脱落等病害的位置及大小,验证了三维激光扫描技术在隧道病害检测中的可行性。

基于深度神经网络的隧道裂缝检测方法

裂缝、渗水和掉块等隧道病害对隧道运行安全和使用年限有着严重影响,传统的隧道裂缝检测方法以人工检测为主,速度慢、漏检严重且无法对隧道裂缝进行长期自动化检测。本文设计了一套基于深度神经网络的面向隧道裂缝的检测系统,该系统使用隧道面阵相机采集的图像数据对隧道裂缝进行检测识别。该检测系统能够对隧道裂缝快速准确地进行检测,在检测阈值设置为0.3时,隧道裂缝的检测准确率为97.00%。经工程验证,本文所设计的系统对隧道主要病害裂缝病检测精度达到0.2 mm,满足隧道检测任务需求。

地铁隧道图像采集系统集成与病害检测技术

首先梳理了地铁隧道病害检测现状,分析了国内外同类检测系统的优缺点,进而提出一种轻量化、模块化的地铁隧道表观病害检测系统。该系统集成线阵工业相机和智能运动平台,采用单个旋转相机代替传统阵列式相机,系统整体质量小于60 kg,可全自动采集地铁隧道表面图像,数据处理软件采用图像增强、加速稳健特征算法、加速区域生成卷积神经网络算法等算法,实现了全自动图像拼接和半自动病害提取。经在工程现场应用,系统检测速度达到2.5 km/h,裂纹检测精度达到0.2 mm,可全面检测地铁隧道表面裂纹、渗漏水等病害。

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。

隧道检测中地质雷达与机器视觉的对比分析

为了保障隧道投入运行的安全性,对组成隧道的各个方面进行检测是必要的。其中对二次衬砌的检测尤其重要,隧道在运行过程中,由于围岩运动、地下水等因素影响,会发生二衬厚度不足,二衬脱空等问题。文章阐述了在实际工程中运用地质雷达检测二衬,展现了它精确、便捷、无损的特点,又指出它在操作中存在的问题。于是提出了更适合未来隧道发展、更偏向人工智能的机器视觉检测系统。

地质雷达在昆仑山隧道病害检测中的应用

青藏铁路全线开通运营已近4a时间,为掌握隧道的实际运营状态,特对处于高寒地区永久冻土隧道之一的昆仑山隧道的病害状况进行无损检测。为不影响隧道正常运营,在无列车通过期间采用地质雷达进行检测。检测结果表明:隧道在高寒恶劣环境中,衬砌总体外观质量不佳,在两端洞口段有渗水疏松掉块现象;衬砌背后空洞缺陷等级为严重、极严重地段的测线长度分别为59和61m,分别占总测线长度的0.70%和0.72%;衬砌背后回填不密实缺陷等级为严重地段测线长度为10m,占总测线长度的0.12%。检测数据同时也表明,温度和冻胀因素使处于高寒恶劣环境中的隧道更容易发生病害,严重影响耐久性。检测结果为隧道正常运营和以后的病害治理提供可靠的依据。

基于深度学习的公路隧道衬砌病害识别方法

针对与日俱增的隧道养护需求,为了节约时间与人力成本,提出基于卷积神经网络的公路隧道衬砌病害检测方法.利用自主研制的隧道智能快速检测车采集24条隧道衬砌的图像,构建超过20 000张病害图像的高质量数据集.结合隧道衬砌病害的成因及特点,分别构建单阶段SSD模型和两阶段R-FCN模型在自制的数据集上训练,对检测结果进行对比分析,提出离线式隧道衬砌病害检测方案.试验结果表明,SSD模型的识别准确率为98%,总的平均精度均值(mAP)为72%,检测速度较快,适用于隧道的快速诊断. R-FCN模型的识别准确率为85%,总的m AP达到91%,检测精度较高,适用于隧道病害的后期处理.利用这2种检测模型均可以提升检测效率和精度.

基于形函数的隧道衬砌内壁影像展平方法及其应用

通过透视变换和四边形八节点形函数变换2种平面变换方法即可建立影像像素与展平坐标系之间的关系,生成基于影像的展开图,提出一种基于形函数的隧道衬砌影像展平变换方法。通过数值模拟测试,得出展平照片的误差分布以及不同拍摄位置对误差的影响。最后通过案例给出方法实际应用的效果。结果表明:基于形函数变换的展平方法反需要衬砌表面照片及照片中8个控制点的展平坐标即能建立隧道影像与展开平面之间的坐标关系。该方法所产生的误差很小,具有较高的实用性。

基于深度学习的公路隧道表观病害智能识别研究现状与展望

公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,相较于传统方法而言在实际隧道工程中具有更好的应用前景。利用深度学习可以学习隧道病害的特征信息,有利于未来隧道病害识别智能化的发展。简述深度学习在隧道表观病害识别中的应用原理,从人工拍照方法、数字图像采集和激光扫描技术三方面介绍病害图像的采集,从标注软件和数据增强方法总结数据集的构建和扩充方法,在图像分类、目标检测、语义分割三方面总结深度学习算法在隧道病害检测的应用现状,归纳当前应用的不足之处,最后分析与展望深度学习在隧道表观病害智能化识别方向广泛应用需要研究的问题与方向。

探地雷达在隧道病害检测中的应用

针对探地雷达在隧道病害检测中的适用性、检测目的、检测内容、数据处理等问题进行了阐述,并结合实际工程说明探地雷达作为一种无损检测手段可以对既有隧道进行病害检测,评估隧道存在的问题,为隧道的养护维修提供依据。

蛇口峁隧道病害形式及其整治方法的探讨

根据神朔线蛇口峁隧道检测结果,阐述铁路隧道目前存在着的主要病害形式,主要有拱墙裂缝及拱墙相接部位错台、拱墙渗漏水、隧底积水、隧底及水沟开裂、道床下沉等。在对检测数据进行整理的基础上,对各种病害的成因进行了分析,最后提出了相应的整治措施建议,对指导工程设计及施工都具有一定的实用价值。