基于数字图像识别算法的盾构隧道渗漏水检测技术

基于数字图像识别算法的盾构隧道渗漏水检测技术

渗透水害是结构隧道中最常见的疾病，严重影响了隧道的耐久性和适用性。如果没有及时修复，就会降低管道结构的强度，导致钢筋和螺钉的腐蚀、管道破裂和混凝土的坍塌。例如:在上海市投入运营的11条越江盾构隧道中,打浦路隧道于1970年通车,在投入运营20a后因渗漏水而封闭大修,经过38a后,由于渗漏水及其引发的其他病害而再次进行大修;上海市地铁1、2号线在运营十几年后,隧道内也出现了渗漏水现象,且需要定期进行检修.目前,国内传统的盾构隧道渗漏水检测方法是安排4名受过培训的专业人员对隧道进行定期检测.其中:1个人负责照明;1个人负责拍照;1个人负责检测隧道;1个人负责记录.在通常的情况下,完成1个区间段上下行的检测需要花费3～4h;在取得现场检测数据后,还需安排人员对检测数据进行整理和统计,1个区间需要3～4个工作人员花费1d的工作时间.以1条地铁线路20个区间为例,则完成1条线路的检测而需要花费约800h、160人次,其工作量大、耗费人力和物力多且检测精度不高.因此,有必要采取更为有效的检测手段以满足日益庞大的地铁系统检测的需求.本文提出了一种自动检测盾构隧道渗漏水的技术,可用于盾构隧道的定期检测.与传统的人工检测方法相比,方便、省时和省力,具有较强的实用价值.1测试系统1.1基于检测车的隧道渗漏水检测系统本文所述的盾构隧道渗漏水自动检测系统基于盾构隧道检测的要求,可以自动完成盾构隧道的检测.该系统包括以下2个部分:(1)盾构隧道表观检测车.检测车在沿轨道前进的过程中,对管片内表面进行图像采集,并记录管片内表面的渗漏现象.同时,将检测数据存入计算机,以便于后续的数据整理和统计.(2)渗漏水自动识别与分析系统.基于检测车采集的图像资料,通过合理的算法可直接抓取图像中的渗漏水,并对其进行统计分析,以完成对隧道渗漏水的检测及评价.检测系统的操作流程见图1.1.2检测车的主要技术为了代替传统的人工检测方法,检测系统不仅需要解决检测过程的可行性、可重复性和可操作性等问题;而且需要解决检测结果的精度和准确度等问题,包括检测车的触发、定位和采集图像,渗漏水自动识别及渗漏水分析等问题.其中,检测车的触发、定位和采集图像等关键技术可以通过专业的硬件设备进行合理设计,经过室内试验调试而达到现场的工作状态.其主要技术包括:采用红外触发装置实现检测车的触发;采用脉冲编码器实现检测车的定位;采用CCD数字摄像机和闪光灯实现图像采集.以上技术的整合通过特别开发的数据处理卡而实现.采集数据的后期数据整理和统计分析通过自主研发的渗漏水自动识别分析系统完成.2识别和分析泄漏疾病2.1应用程序识别算法渗漏水自动检测技术的关键在于从采集的管片图像中抓取渗漏病害现象的信息,基于数字图像的识别原理,根据渗漏病害的灰度值与正常管片灰度值的差异编制算法,以达到从管片表面图像中抓取渗漏现象的效果.以下为识别算法的主要技术步骤.2.1.1基于利益分享和加权统计方法的图像平均采用检测车采集数字图像,所得数字图像为彩色图像,每个像素的颜色取决于色彩分量R、G和B,而每个分量有255个中值可取,则一个像素点可有1600多万(255×255×255)的颜色变化范围.在灰度化后的数字图像上,每个像素点的R、G和B分量相同,且每个像素点只有255个颜色变化范围,从而大幅缩减了图像的计算量和识别时间.另外,与彩色图像一样,灰度图像也反映了整幅图像的整体、布局色度和灰度等级的分布及特征.本检测系统采用加权平均值的灰度化方法,将3个分量以不同的权值进行加权平均.由于人眼对绿色的敏感性最强,对蓝色的敏感性最弱,因此,对R、G和B分量进行加权平均,能够得到较为合理的灰度图像.大量的试验数据表明,当采用0.299份的红色、0.587份的绿色、0.114份的蓝色混合后,可以得到白色,故彩色图像可以根据以下公式变为灰度图像:S=0.299R+0.587G+0.114B(1)S=0.299R+0.587G+0.114B(1)式中:S为像素点的灰度值;R、G和B分别为像素点的R、G和B值.实际渗漏图像的灰度化结果见图2和3.2.1.2图像灰度级的选取二值分割是根据一定的阈值将目标从视场背景中分离出来的过程.在通常情况下,利用目标区域与背景区域的灰度差异,可以实现对图像的分割,即基于灰度的图像分割.对图像进行二值分割时需要假设:①图像的灰度分布主要由背景和目标组成;②在目标或背景的内部,相邻像素之间的灰度值差别不大,但在目标与背景交界处,轮廓线两边像素的灰度值差别很大.设(x,y)为二维图像的平面坐标,图像灰度级的取值范围为O={0,1,…,L-1}(0为最暗的灰度级,L-1为最亮的灰度级),位于(x,y)的像素点的灰度级为f(x,y);设t∈O为分割的阈值,O2={b0,b1}为一个二值灰度级,且b0,b1∈O,则图像函数f(x,y)在t上的分割结果为ft(x,y)={b0,f(x,y)<tb1,f(x,y)≥t(2)ft(x,y)={b0,f(x,y)<tb1,f(x,y)≥t(2)经过现场试验的确定,当盾构隧道衬砌上存在渗漏病害时,所得数字图像经灰度化处理后,其渗漏病害处的灰度值比周围管片低.因此,运用二值分割算法可以区分灰度图像目标区域(渗漏水)与背景区域(管片).实际的渗漏图像二值分割结果见图4.虽然图像中管线与管片之间的灰度存在差异,但其比渗漏水与管片之间的灰度差异小得多,因此,二值分割可以通过不断调整t的取值而使二值分割仅显示渗漏区域.2.1.3基于图像腐蚀的渗漏水腐蚀经过二值分割后的图像中存在许多小杂点,考虑到这些小杂点相对于大面积渗漏可忽略不计,故利用腐蚀修正来减小其对渗漏病害识别的影响,以便于渗漏水的识别和统计分析.图像腐蚀是通过将邻接背景目标像素设置为背景像素,以达到减小目标面积的目的,即将灰度图像中小杂点的灰度值直接修正为与周围环境相同的灰度值,以达到融合小杂点的效果,从而增强了渗漏病害识别的可操作性,并保证其准确性.腐蚀的直观含意为:当结构元素B完全包含在图像A中时,B的原点位置的集合即为用B腐蚀A所得结果,具体原理如图5所示.实际渗漏图像的腐蚀修正结果见图6.2.1.4抓出本像素点ki经过二值分割后,可以在图像中区分目标区域(渗漏水)与背景区域(管片).基于Sobel边缘算子,可以抓取渗漏水的轮廓线及其渗漏区域.在灰度图像中,像素点ki与周围像素点kj之间的灰度差值为ΔS,若ΔS大于通过试验确定的灰度差阀值S0,则可抓取出该像素点ki,即|Si-Sj|≥S0(3)|Si−Sj|≥S0(3)式中:Si为像素点ki的灰度值;Sj为像素点kj的灰度值.由于正常管片与渗漏病害范围内像素点之间的灰度差值很小,但渗漏病害边缘的像素点满足设定的阀值条件,故可抓取渗漏病害轮廓上的像素点.将其描绘后,可从灰度图像中识别渗漏病害现象.实际渗漏图像的边缘检测结果见图7.在识别抓取渗漏病害后,将渗漏病害像素点区域单独储存为自定义的块文件,并与原数字图像文件统一保存.2.1.5裂缝特征的筛选盾构隧道管片表面除了存在渗漏水以外,还可能存在混凝土裂缝,本文所用检测系统可以识别宽度3mm的裂缝.由于灰度图像中的裂缝与管片存在差异,在识别渗漏水的同时也识别了管片上的裂缝,故有必要对所识别的结果进行筛选.裂缝的主要特征为长宽比大而面积小.基于裂缝与渗漏水的不同特征,运用块面积像素点算法进行块文件的筛选.具体筛选标准为:长宽比大于一定值、面积小于一定值的块文件可认为是裂缝而抛弃不予采用,即Ai≤A0k=lb≥k0}(4)Ai≤A0k=lb≥k0}(4)式中:Ai为块文件面积;A0为面积阀值;k为块文件长宽比;k0为块文件长宽比阀值;l为块文件长度;b为块文件宽度.2.2泄漏灾害的统计分析经自动识别算法抓取的块文件中存储了渗漏现象的信息,故只需对该文件进行分析和统计,则可掌握每次检测区段内的隧道渗漏情况.2.2.1渗漏水分析系统指标传统的人工统计以地下工程防水技术规范(GB50108—2008)为依据,其主要指标包括渗漏水的面积、渗漏个数、每百平米的渗漏个数以及渗漏面积占总面积的比例.渗漏水分析系统在读取存和储含有渗漏现象信息的块文件后,可以得到每个渗漏水的面积;完成整个区段的渗漏现象分析后,也可统计该区段的渗漏个数.2.2.2图像中像素点所对应的实际面积由于渗漏水分析系统为开放式的软件操作系统,如果依据的指标发生了变化,可以另行为数据库设置相应的指标.块文件仍为数字图像,不同病害的块文件含有不同的像素点数.根据现场的检测情况,事先计算图像中每个像素点所对应控制的实际面积,并可通过计算块文件内的像素点而求得渗漏病害的面积,即As=AΝn=lswsnlnwn(5)As=ANn=lswsnlnwn(5)式中:As为渗漏水的实际面积;A为数字图像对应的实际面积;N为数字图像的像素点总数;ls、ws分别为数字图像对应实际面积的长度和宽度;nl、nw分别为数字图像长度和宽度的像素点;n为数字图像中渗漏水所占的像素点数.例如:采用1200×1600的数字图像采集实际面积2.4m×3.0m范围内的渗漏现象.经统计,图像中的渗漏水像素点为10000个,则可得渗漏面积为0.375m2.2.2.3区间及线路的渗漏渗漏水分析系统可求得单个渗漏水的面积和位置信息,并整合排列采集的图像而形成管片的展开图(见图8),并通过渗漏块文件的源数字图像确定渗漏现象在展开图中的位置及环号.展开图为完整的检测结果并可作为隧道维护的依据.此外,基于展开图可统计全部的渗漏水数据,并得出区间和线路的宏观渗漏情况.表1和2列出了某区间渗漏水位置及渗漏个数的统计结果.其中:W、N表示外、内侧(与旁通道同侧的定义为内侧);D、B、L和F分别表示管片中的封底块、标准块、连接块和封顶块.通过字母标识可掌握区间渗漏的具体情况.例如,W-B处有5个渗漏,表示下行外侧标准块上有5个渗漏;N-LB处无渗漏,表示下行内侧连接块与标准块之间的接缝处无渗漏.3结果与分析3.1实际图像测试为了更好地测试本检测系统的性能,进行了现场检测试验,所采集的图像信息见图9.图中,渗漏水采用人为泼洒.由于实际渗漏水的不规则性而无法求出真实的面积,故采用人为贴A4纸,并比较A4纸的实际面积与分析软件求得的结果.现场测得管片的实际表面积约为6.24m2,图像的实际面积为1280×700,由分析软件求得图像中A4纸所占的像素点为9170个.代入式(5),可得图像中A4纸的面积为As=AΝn=6.24×1061280×700×9170=63862.5mm2As=ANn=6.24×1061280×700×9170=63862.5mm2实际A4纸张面积为AA4=297×210=62370mm2AA4=297×210=62370mm2其误差为δ=As-AA4AA4=2.393%即经分析软件求得的误差为2.393%,可以满足检测精度的要求.3.2检测结果分析和监督现场试验的测试结果表明,检测车检测的图像信息较为清晰,自动识别算法可抓取出现场采集图像中渗漏现象的信息.可见,该检测系统能够完成对盾构隧道渗漏水的自动检测,整个流程中未出现任何问题.另外,检测车定位系统工作时几乎不产生误差,从而保证了每次采集的图像信息都不重叠;由渗漏水分析软件计算的区域面积与实际面积的误差很小,对渗漏检测的影响在允许范围之内.其误差主要来源