面向地铁隧道表面渗漏水的快速检测技术

doi:10.13474/j.cnki.11-2246.2022.0259

测绘通报 ›› 2022, Vol. 0 ›› Issue (9): 29-33.doi: 10.13474/j.cnki.11-2246.2022.0259

• 交通建设工程测绘技术应用研究 • 上一篇下一篇

面向地铁隧道表面渗漏水的快速检测技术

田有良¹, 樊廷立², 唐超³

1. 南京地铁运营有限责任公司, 江苏南京 211135;
2. 武汉大学遥感信息工程学院, 湖北武汉 430079;
3. 北京城建勘测设计研究院有限责任公司, 北京 100101

收稿日期:2022-07-11 修回日期:2022-08-02 发布日期:2022-09-30
通讯作者: 樊廷立。E-mail:fantingli1990@163.com
作者简介:田有良(1982—),男,硕士,主要从事地铁结构变形与保护工作。E-mail:93544860@qq.com

Rapid detection technology for surface water leakage in subway tunnel

TIAN Youliang¹, FAN Tingli², TANG Chao³

1. Nanjing Metro Operation Co., Ltd., Nanjing 211135, China;
2. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China;
3. Beijing Urban Construction Exploration & Surveying Design Research Institute Co., Ltd., Beijing 100101, China

Received:2022-07-11 Revised:2022-08-02 Published:2022-09-30

摘要/Abstract

摘要： 随着地铁运营时间的不断增加、地下水位的上涨,地铁隧道渗漏水情况日益严重,已严重影响地铁隧道的安全运行。传统的检测方法为人工现场巡查,效率低、准确率差,高自动化、高精度、高稳定性的漏水检测方法是改进传统检测方法的关键。因此,本文提出了一种利用移动激光扫描隧道进行渗漏水检测的深度学习方法。该方法由以下部分组成:①利用获取的隧道衬砌点云建立渗漏水数据集;②通过基于掩码区域卷积神经网络进行自动渗漏检测。在南京地铁2号线奥体东—兴隆大街测试结果表明,本文方法实现了隧道衬砌漏水在二维平面的自动化检测和评价,为检测人员提供了直观的漏水信息展示。

关键词: 地铁隧道, 三维激光, 深度学习, 灰度图转换, 图像二值化

Abstract: With the continuous increase of subway operation time and the rise of underground water level, the leakage of subway tunnel is becoming more and more serious, which has seriously affected the safe operation of subway tunnel. The traditional detection method is manual field inspection, which has low efficiency and poor accuracy. The water leakage detection method with high automation, high accuracy and high stability is the key to improve the manual detection method. Therefore, this paper proposes a deep learning method for water leakage detection using mobile laser scanning tunnels. The method consists of the following parts.①Water leakage data set is established by using the obtained tunnel lining point cloud.②Automatic leak detection is carried out by convolutional neural network based on mask region.The test results of Aoti East-Xinglong street of Nanjing metro line 2 show that the proposed method can realize automatic detection and evaluation of tunnel lining water leakage in two-dimensional plane, and provide intuitive display of water leakage information for inspectors.

Key words: subway tunnel, 3D laser, deep learning, grayscale transformation, image binarization

中图分类号:

P258

田有良, 樊廷立, 唐超. 面向地铁隧道表面渗漏水的快速检测技术[J]. 测绘通报, 2022, 0(9): 29-33.

TIAN Youliang, FAN Tingli, TANG Chao. Rapid detection technology for surface water leakage in subway tunnel[J]. Bulletin of Surveying and Mapping, 2022, 0(9): 29-33.

参考文献

[1] MONTERO R, VICTORES J G, MARTÍNEZ S, et al. Past, present and future of robotic tunnel inspection[J]. Automation in Construction, 2015, 59:99-112.
[2] ASAKURA T, KOJIMA Y. Tunnel maintenance in Japan[J]. Tunnelling and Underground Space Technology, 2003, 18(2/3):161-169.
[3] MAKANTASIS K, PROTOPAPADAKIS E, DOULAMIS A,et al.Deep convolutional neural networks for efficient vision based tunnel inspection[C]//Proceedings of 2015 IEEE International Conference on Intelligent Computer Communication and Processing. Cluj-Napoca, Romania:IEEE,2015:335-342.
[4] 张琰, 孔祥思. 移动激光扫描技术在地铁隧道限界检测中的应用[J]. 北京测绘, 2020, 34(6):868-871.
[5] 徐瑞丽. 基于DSP的智能饮水机纸杯水位检测方法[J]. 自动化应用, 2014(5):1-3.
[6] 马晓雯, 杨怡园, 谢瑞, 等. 基于AI识别的道路基础信息设施系统[J]. 电子制作, 2019(S1):134-135.
[7] 朱忠国, 吕京国. 腐蚀算法在遥感影像建筑物边缘提取中的应用[J]. 城市勘测, 2014(6):17-20.
[8] 雷健. 人工智能在水环境监测的关键技术研究与工程实践[J]. 价值工程, 2019, 38(22):215-219.
[9] CHEN X,FANG H,LIN T Y,et al. Microsoft COCO captions:data collection and evaluation server[EB/OL].[2021-06-10].https://arxiv.org/abs/1504.00325.
[10] LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[C]//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA:IEEE,2015:3431-3440.
[11] REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6):1137-1149.
[12] 任逍航. 基于深度学习的自然场景图像的中文字检测和识别算法研究[D]. 上海:上海交通大学, 2017.
[13] 高士慧. 基于深度学习的图像多标签分类算法研究[D]. 北京:北京交通大学, 2019.
[14] HUANG Hongwei, LI Qingtong, ZHANG Dongming. Deep learning based image recognition for crack and leakage defects of metro shield tunnel[J]. Tunnelling and Underground Space Technology, 2018, 77:166-176.

[1]	卢建军, 李文海, 燕樟林, 鲍艳, 吴旭, 倪树新. 螺栓孔特征点云支持下的地铁盾构隧道环缝识别与环间错台量分析[J]. 测绘通报, 2022, 0(9): 6-11,22.
[2]	王宁, 任传斌, 姜伟玲. 城市轨道交通盾构隧道病害空间分布特征量化研究[J]. 测绘通报, 2022, 0(9): 12-17.
[3]	吴真真, 唐超, 杨晓飞. 基于深度学习的视频识别及动态监测技术应用[J]. 测绘通报, 2022, 0(9): 23-28.
[4]	钱建国, 张宇琦, 汤圣君, 王伟玺, 李晓明. 最小割与深度学习联合优化的室内粘连点云分割方法[J]. 测绘通报, 2022, 0(9): 45-51.
[5]	马原放, 李海鹏, 贾光军. 三维激光点云自动化建模思路探索[J]. 测绘通报, 2022, 0(9): 119-122.
[6]	冯炜明, 张新长, 孙颖, 姜明, 甘巧, 侯幸幸. 融合Transformer结构的高分辨率遥感影像变化检测网络[J]. 测绘通报, 2022, 0(8): 36-40,92.
[7]	孔令惠, 陆德中, 叶飞. 三维激光扫描技术在历史建筑立面测绘中的应用[J]. 测绘通报, 2022, 0(8): 165-168,172.
[8]	孙振勇, 樊小涛, 叶飞, 陈绪刚. 天宝SX10影像扫描仪在水文泥沙监测中的应用[J]. 测绘通报, 2022, 0(8): 169-172.
[9]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[10]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[11]	周烨, 刘云波, 郑丽波, 龙泱君. 多平台点云数据的单木参数提取精度分析[J]. 测绘通报, 2022, 0(7): 168-172.
[12]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[13]	经皓然, 徐敬海. 异形建筑的无人机点云与地面三维激光扫描点云配准[J]. 测绘通报, 2022, 0(6): 32-39.
[14]	谢元, 董梦, 马新建. 多源数据在复杂场景建筑物三维重建的应用[J]. 测绘通报, 2022, 0(6): 143-147.
[15]	李旭. 三维激光扫描技术在地铁隧道竣工测量中的应用[J]. 测绘通报, 2022, 0(6): 166-169.

面向地铁隧道表面渗漏水的快速检测技术

Rapid detection technology for surface water leakage in subway tunnel

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价