关键词：
目标检测
数据处理
隧道病害
机器学习
摘要：
地铁隧道由于所处的地下环境复杂,投入运营后会不可避免的出现裂缝、渗漏水等表观病害,威胁隧道结构健康。随着我国城市轨道交通运营里程的飞速增长,对于隧道表观病害检测和健康状况评估的需求日益增加,传统的人工检测和评估方式难以满足当下对于精度和效率的需求。为此,开展高精度、高效率、智能化的病害检测与健康状况评估方法研究是十分必要的。基于此,本文提出了一种基于深度学习的地铁隧道表观病害检测和评估系统,旨在实现裂缝、渗漏水病害的实时检测与量化计算,以及隧道健康状况的多元异构数据耦合分析。首先,针对地铁盾构隧道采集环境的特点,提出了快速巡检和精细化探查相结合的采集方案,并据此完成对工业相机、镜头、采集卡等前端硬件设备的选型。同时引入云计算-边缘计算融合技术,进一步降低储存成本和算力消耗。检测平台搭载4台面阵相机进行同步采集,并且能够根据检测速度和精度要求对触发频率进行调整,最大检测速度达30m/s,最高检测精度达0.2mm。其次,对于表观病害的实时检测与量化计算,本文提出了基于YOLO v7的隧道表观病害检测算法。通过对现有的病害图像进行筛选、扩充和标注,构建多类别隧道表观病害数据集用于算法训练。算法在训练集上的均值平均精度达到0.936,其中裂缝和渗漏水的平均精度分别为0.896和0.976。通过降低置信度阈值,裂缝和渗漏水病害的查全率分别可达95.94%和98.10%,能够满足表观病害检测的要求。随后基于算法生成的病害识别框,根据光学成像原理提出了表观病害量化计算方法,在误差允许范围内实现了高维图像数据的降维,为后续的健康状况评估提供了数据支撑。随后,通过查阅相关文献和现场调研,整理并分析了常用的盾构隧道健康状况评价指标,建立了适用于物联网监测和隧道快速无损检测技术的评价体系。根据选取的评价指标,经过数据预处理,最终得到包含441个样本、7个特征的盾构隧道健康评估数据集。基于Scikit-learn机器学习模型库,分别建立了决策树、支持向量机、随机森林、极限梯度提升模型,并且根据学习率曲线、总泛化误差曲线、网格搜索技术确定了4个模型的最优超参数组合。模型在测试集上的预测结果表明,极限梯度提升模型拥有最佳的预测性能,集成学习模型相较于传统机器学习模型能够更好兼顾查准率与查全率。最后,在青岛地铁8号线大洋站-青岛北站区间展开现场实验,验证地铁隧道表观病害检测和评估系统的可靠性与可移植性。通过与人工巡检记录复核,裂缝和渗漏水病害的查全率均超过90%。健康状况评估结果表明,区间整体健康状况良好,在部分断层破碎带处有较大竖向沉降,需要加强日常对于隧道结构变形的监测。
欢迎来到三峡大学图书馆！
