基于深度学习的地铁隧道衬砌病害检测模型优化

地铁盾构隧道衬砌病害检测面临的最主要问题是如何获取高质量的病害图片以及如何快速、准确实现病害检测.基于CCD线阵相机设计制造了地铁隧道病害检测车,并针对上海运营地铁1、2、4、7、8、10、12等线路采集了大量的衬砌图像,通过手工标注建立高质量隧道病害样本库.基于卷积神经网络Faster R-CNN(Faster Region-based Convolutional Neural Network),构建了病害自动检测深度学习框架.考虑到裂缝及渗漏水病害的特殊性,采用数据统计分析及K-means聚类算法分析其几何特征,结合病害特征优化VGG-16网络模型中的anchor box相关参数.结果表明,修正后的模型病害检测准确度有明显的提升(约7%),同时模型的训练时间减少.经验证,上述方法同样可提高裂缝或渗漏水单一病害识别模型的准确度.     

基于深度学习的盾构隧道渗漏水病害混合样本集构建与精细分割

渗漏水病害是盾构隧道运营期间最为常见的一种表观病害，对隧道结构安全与周边地层稳定具有不利影响.基于深度学习的图像病害识别方法，构建了包含检测装置与人工巡检两种方式采集图像的混合样本集.以平均准确度为评估指标，训练得到Mask R-CNN深度学习模型的分割准确度达到0.447,优于原样本集(0.386)与扩容样本集(0.403).考虑隧道渗漏水病害形态复杂的特点以及不同病害间较大的特征差异，进一步采用条件卷积动态生成的分割模型参数代替Mask R-CNN模型中静态的模型参数，提高了模型的分割速度与精度.以每秒运算图像数量(Frames Per Second, FPS)为评估指标，模型分割速度由7FPS提升至10FPS,且分割结果与病害真实轮廓更为接近，从而有利于对渗漏水病害的严重程度进行量化分析.     

隧道结构病害机理及理论量化方法

以辽宁省内高速公路隧道定期检测资料为基础,对隧道衬砌既有结构病害的分布特征与规律进行归纳.在深入研究隧道主要结构病害的基础上,采用可拓学理论,提取数个能准确反映结构健康状态的指标,进行量化分级并建立相应的物元模型,从而确定各指标所占权重以及隧道结构病害等级,将衬砌结构病害定性评价与定量研究相结合,构建隧道衬砌结构健康状态评价体系,方便管理者做出合理决策.同时结合隧道工程实际检测数据进行可拓模型的计算分析,验证模型的工程适用性.     

基于GPR反射波信号多维分析的隧道病害智能辨识

随着我国隧道工程建设的快速发展,由隧道病害引发的隧道质量和安全问题越发常见.通过地质雷达探测隧道病害对于减少隧道质量和安全问题具有十分重要的意义,为了提高病害探测的效率及可靠性,基于雷达反射波信号多维度分析,提出一种隧道病害智能辨识的新方法.根据反射波信号时域、频域及时频域分析结果提取病害信号辨识的6个典型特征,利用支持向量机算法对典型特征的训练构建病害信号的二分类模型,实现了病害水平分布范围的自动辨识;再依据病害信号的第一本征模态函数分量振幅包络计算病害深度分布范围,最终实现隧道病害的智能辨识.结合某隧道回填层雷达实测数据对智能辨识算法的性能进行评价,与人工辨识结果的对比表明,该智能算法对于病害的辨识能力较强,病害的识别率高达100%,但辨识结果中同时存在少量误判,准确率达78.6%,满足工程应用的需求.该算法可用于隧道工程各类地质雷达探测数据中病害的智能辨识,而对于其他领域的地质雷达探测数据,本文研究成果亦可为不同类型探测目标智能辨识算法的设计提供可行思路.     

基于深度学习的盾构隧道衬砌病害识别方法

隧道衬砌病害的检测是隧道维护和保障运营安全的重要环节.以基于CCD线阵相机移动式地铁衬砌病害检测系统的采集图片为研究对象,利用计算机科学最前沿的深度学习方法,提出了一种完全区别于传统手段的隧道病害识别方法,通过提取并建立隧道病害样本库,搭建深度学习框架,利用深度卷积神经网络(Convolutional Neural Network,CNN)训练样本,建立隧道衬砌特征图像分类系统.针对既有的CNN模型GoogLeNet,采用优化的卷积核,并改进了其inception模块与网络结构,获得了准确率超过95%的网络模型.通过实例对目前流行的深度学习框架(Caffe与Torch)以及图像对比度增强处理方法(如直方图均衡化处理(Histogram Equalization,HE))进行了测试.测试结果表明,深度学习方法用于隧道衬砌图像处理,具有准确率高,速度快,可扩展性好等特点,特别是对背景复杂条件下的图像处理更具鲁棒性.     

山岭隧道塌方风险评价的属性识别模型与应用

塌方是山岭隧道施工中最为常见的事故之一,为确保隧道施工安全,本文基于属性数学理论建立了隧道塌方风险分级的属性识别模型.在综合分析塌方影响因素的基础上,选取围岩级别、隧道埋深、偏压角度、岩体完整情况、地下水影响和施工因素6个主要因素作为评价指标,结合超前地质预报方法对指标进行定量描述,确定各评价指标的分级标准;对评价指标进行属性测度分析,通过构造属性测度函数计算样本的单指标属性测度和综合属性测度;应用置信度准则对隧道样本的塌方风险进行属性识别.在工程应用中,通过属性识别模型并结合超前地质预报数据,对郑家垭隧道进行塌方风险评估,结果与实际施工情况一致;并且与模糊层次分析法和可拓综合评估法的结果吻合性较好,说明建立的属性识别模型对有无地质预报数据的样本都能得出准确的风险评估结果,有更好的适用性,为山岭隧道塌方的风险评估提供了一个有效的途径.     

改进一维卷积神经网络的隧道围岩收敛变形分级预测

隧道围岩收敛变化是认识围岩和支护结构动态作用及其时空演变机理的前提,变形分级准确预测是对围岩稳定性和支护结构有效性评估的重要基础.本文提出了改进一维卷积和支持向量机融合深度网络的隧道收敛变形分级预报模型.根据围岩变形的主要影响因素和特征类型,选取强度应力比、隧道埋深、隧道等效直径、支护刚度和岩体质量指标,建立了变形等级的识别框架.收集了159组国内外经典的隧道收敛变形实例数据,采用全局均值池化层和支持向量机改进传统卷积神经网络中全连接层和Softmax层进行等级分类,利用改进的一维卷积神经网络自动提取隧道变形的隐含典型特征.运用衰减学习率和Dropout正则化深度学习训练技巧,防止模型出现过拟合.与其他方法的结果对比,证明了该方法有着更好的准确率和鲁棒性,模型完全利用数据驱动实现有限数据集的深层复杂且微妙关系学习.应用于多雄拉公路隧道的围岩收敛变形分级预测,预测结果与现场实际一致,进一步验证了方法的准确性和适用性.研究结果有利于提高隧道收敛变形预测的理论水平和可靠性,为类似工程提供参考.     

公路隧道结构服役性能快速移动感知技术

采用模型试验、力学分析、系统集成等手段,研究了公路隧道结构表观和浅层病害快速检测、带病结构精确诊断技术．针对表观病害的数字图像检测方法,研制高强红外补光、纳秒级相机阵列同步控制装置,提出隧道受限空间纵向里程动态修正模型和病害特征AI识别算法,隧道内一次行车即可完成全断面病害检测,最高检测速度80 km/h、裂缝宽度识别精度0.1 mm、病害定位精度达厘米级．针对浅层病害快速非接触检测的难题,研究揭示带病结构的热传递效应和衬砌病害部位的温度场“冷-热斑”发生机制,提出了基于红外热成像的浅层剥离、钢筋锈蚀的非接触检测技术和检测时机,当隧道结构内外温差不低于5℃时检测效果较好;针对服役性能快速高效分析难题,提出了数字重构模型转换为数值仿真分析模型的方法和基于数字模型的一体化数值仿真技术,实现基于检测重构模型的力学快速分析．集成上述技术,研发了公路隧道全断面快速检测车与服役性能智能分析平台,为隧道结构快速检测、服役性能精确诊断提供了新的技术手段和方法．     

徐屯隧道病害原因分析及处治方案

阐述了徐屯隧道病害的形式、表现和发展状态,对其病害产生的原因进行分析,并对该隧道开挖方式进行数值模拟分析,验证了偏压、浅埋隧道的施工方法、管理对隧道初期支护变形和裂缝起决定性作用.从施工进度和结构安全稳定角度考虑,采用调整纵坡和局部换拱的综合方案,同时提出处理隧道衬砌变形病害的具体措施.方案实施后,其效果令人满意,此经验可为类似的隧道病害处理提供借鉴.     

基于图像结构信息的隧道衬砌裂缝实时快速识别

裂缝是隧道衬砌最常见的病害之一,裂缝检测是后期隧道养护的前提。在图像采集过程中对隧道衬砌裂缝进行实时快速识别,对提高隧道病害检测效率具有重要的意义。针对传统的裂缝图像识别方法存在运行速度慢、效率低等缺点,提出基于图像结构信息的隧道衬砌裂缝实时快速识别方法。首先,将图像结构信息用图像像素的灰度均值、标准差和结构元素掩码表示;其次,采用不同方向的结构元素掩码对采集的当前图像进行卷积运算,并计算当前图像与样本图像之间的亮度信息和对比度信息;最后,计算图像结构信息因子,实时快速识别出衬砌裂缝,并通过接受者操作特征(receiver operating characteristics, ROC)曲线估计最优参数和最佳阈值。现场实验结果表明,算法的识别时间远小于图像的采集和存储时间,识别速度快且准确性高,可显著提高隧道衬砌病害的检测效率,具有一定的工程应用价值。     

基于粒子群算法的多尺度反卷积特征融合的道路提取

研究基于传统FCN算法下的不同比例的多尺度特征融合对于复杂场景下道路提取准确度的提高.针对复杂的航拍道路场景,设计了针对于农田环境下的FROBIT农田道路数据集,并使用全卷积神经网络（FCN）对FROBIT农田道路数据集和Massachusetts城市道路数据集进行道路提取工作.本文基于传统的FCN的网络,对其反卷积方式进行改进,采用粒子群算法（PSO）设计了不同比例的多尺度特征融合.通过将本文提出的Multi-Scale FCN网络与传统的FCN神经网络在FROBIT数据集和Massachusetts道路数据集上进行对比实验,结果表明Multi-Scale FCN网络相比于传统的FCN神经网络在提取精度上得到了提高.      

并行数值仿真技术在盾构隧道地震响应分析中的应用

采用全三维非线性建模方法建立了盾构隧道总体有限元模型，模型规模上节点总数超过400万，单元总数超过380万．由于系统的非线性，且地震激励是一种时间历程，盾构隧道地震响应数值模拟的实质是一个超大规模非线性系统的瞬态响应计算问题，使得目前在地震安全性评价领域普遍采用的串行算法、串行软件和普通的计算机无法胜任此工作．本文根据所用超级计算机的体系结构特点，采用改进的区域分解算法，通过对盾构隧道总体模型合理分区来进行地震响应分析．地震波载荷选用调幅后的上海隧道场地人工地震波，应用通用非线性动力分析有限元程序LS-DYNA进行求解，计算结果可为隧道的抗震设计提供有力依据．     

基于并行计算的盾构隧道施工三维动态仿真

以上海地区某双孔盾构隧道中试验段的施工为仿真对象,在现有多种计算方法的基础上,进一步突出盾构机施工工序和细节模拟,建立了大规模的全三维动态仿真模型,最后在高性能计算平台上结合并行求解算法完成了一系列计算.仿真结果显示了施工引起的具体地表三维隆沉情况,通过实测数据验证计算模型的合理性;同时也研究了不同并行求解方案对大规模盾构隧道开挖模拟的影响.     

上海软土地层中运营地铁隧道不均匀沉降的治理方法

针对上海饱和含水软土地层及地铁隧道维修保养的实际工况,提出了革新劈裂注浆的土层微扰动注浆治理方法.利用夜间地铁停运的积累时间,采用适合上海运营地铁隧道实际条件的简易设备和施工操作方法,在地铁隧道内部治理运营隧道的不均匀沉降,选取适合的注浆工艺、材料、设备和参数并通过工程实例,分析注浆设计、施工的过程及其效果.结果表明,所用方法能够减少注浆对地层的扰动,对地层沉降具有良好的补偿效果,可以较好地治理运营地铁隧道的不均匀沉降.     

一种优化FCN的视频异常行为检测定位方法

在视频异常行为检测过程中,为了提取出可分辨性更好的特征,同时兼顾运行速度,提出一种基于优化的全卷积网络(full convolution network,FCN)的异常行为检测与定位方法.对FCN进行优化,使用卷积神经网络(convolution neural network,CNN)的数个初始卷积层和一个额外卷积层,...     

多领域模型下的组件选择方法

构建一种能力模型,用于精确、完整地描述用户需求和组件能力.将源自不同领域模型的能力描述节点之间的关系分为同功能节点和对应节点.基于通过字典发现同功能节点,提出复杂匹配算法FCN,自下而上搜索对应节点,该算法能发现所有预期的对应节点且具有很好的效率.提出软件互操作的组件选择模型和方法,可降低误匹配率和提高语义匹配效率,实现了提出方法和模型的原型系统.     

基于FCN的眼底图像中央凹自动检测算法

针对传统算法很难识别彩色眼底图像中央凹的问题, 提出一种基于全卷积网络（fully convolutional networks, FCN）的眼底图像中央凹自动检测算法. 首先通过彩色眼底图像的局部上下文环境挖掘全局上下文信息, 构建实现局部像素级分类的FCN模型, 然后将局部像素级特征推广到全局金字塔池化模块中, 使空间统计数据为全局语境理解提供了更好地描述与表达, 从而有效获得了极具区分度的全局上下文信息, 最后将全局与局部特征相融合, 实现对中央凹的精准检测. 实验结果表明, 该算法提高了眼底暗病变检测的特异性, 并为眼底严重病变的发现提供了有效证据.     

基于FCN的眼底图像中央凹自动检测算法

针对传统算法很难识别彩色眼底图像中央凹的问题, 提出一种基于全卷积网络（fully convolutional networks, FCN）的眼底图像中央凹自动检测算法. 首先通过彩色眼底图像的局部上下文环境挖掘全局上下文信息, 构建实现局部像素级分类的FCN模型, 然后将局部像素级特征推广到全局金字塔池化模块中, 使空间统计数据为全局语境理解提供了更好地描述与表达, 从而有效获得了极具区分度的全局上下文信息, 最后将全局与局部特征相融合, 实现对中央凹的精准检测. 实验结果表明, 该算法提高了眼底暗病变检测的特异性, 并为眼底严重病变的发现提供了有效证据.     

优势黄杆菌对蒽、菲、芘混合物的降解特征研究

为探索混合多环芳烃的生物降解特征，利用两株优势黄杆菌，对混合蒽、菲、芘进行了降解研究．高效液相色谱分析表明，混合多环芳烃的降解56．3％～69．6％在前10h内完成，其生物降解进程和单基质相似，但降解效率低于单基质．混合体系中蒽、菲、芘在不同菌株作用下有按特定优先顺序降解的特征，但两株黄杆菌(FCN1和FCN2)的混合菌并不促进混合多环芳烃的降解．降解130h后，体系中蒽、菲、芘消除，但总有机碳去除率仅达到60．1％～72．7％，说明部分多环芳烃转化为中间代谢产物．菌数测定表明，FCN1和FCN2利用多环芳烃及其降解中间产物繁殖生长，菌数最高时分别增长200倍和100倍，但菌数增长滞后于多环芳烃的浓度变化．研究表明，混合多环芳烃之间具有降解竞争抑制特征，且其生物降解具有规律性．     

基于深度学习的输变电设备紫外放电光斑分割方法

随着紫外成像技术的发展,高压电力设备对于紫外成像图谱的量化分析提出了更高的要求。紫外图谱的量化分析需要用到除紫外成像仪所输出“光子数”额外的紫外光斑图像信息,所以需要将紫外放电光斑从可见光的背景中分割出来。然而,传统紫外图谱光斑分割方法仍存在复杂背景及小光斑分离困难、特征选取复杂、分割精准度低等问题。基于上述问题,提出了一种基于深度学习的紫外图谱光斑分割提取的方法。首先,采用紫外成像仪拍摄电力设备放电缺陷紫外图谱;其次,分别构建FCN-32s、FCN-16s、FCN-8s 3种全卷积网络(fully convolutional networks, FCN)子模型架构,并利用随机梯度下降法进行模型训练;最后,实现输变电设备放电缺陷紫外图谱主光斑的自主分割提取。经过对FCN 3种子模型架构的训练、测试和对比分析,结果表明：FCN-16s模型为紫外光斑分割提取的最佳模型,测试准确率可达99.34%。结果表明基于深度学习的紫外图谱光斑分割方法准确高效,为紫外光斑的量化提取及电力设备放电缺陷的紫外诊断提供了参考。