文摘
很难形成一个方法识别隧道衬砌的渗透程度。为了解决这个问题,我们提出一个利用深卷积神经网络识别方法。我们进行实验室检测,准备水泥砂浆标本与不同的饱和水平,模拟不同程度的隧道混凝土衬砌的渗透,并建立一组红外热图像数据与不同程度的渗透。然后,基于深度学习方法,使用更快的数据集训练R-CNN + ResNet101网络,并建立了识别模型。实验表明,该识别模型建立的深度学习方法可以用来选择水泥砂浆标本与不同程度的渗透通过使用准确的最小矩形外框。这个模型表明,隧道混凝土衬砌渗透的分类识别模型建立的室内实验方法具有较高的识别精度。
1。介绍
中国交通行业的快速发展,据估计,总在中国轨道交通运营里程将达到8565公里到2020年底,很大一部分的铁路隧道在地下或地面。然而,在操作过程中,许多隧道,在不同程度上,泄漏问题,衬砌开裂、空洞(1]。在岩土工程领域,许多灾害是由水引起的(2,3),因为水不仅降低了隧道衬砌结构的稳定性降低衬砌的强度,但也会造成交通事故由于光滑表面(湿路滑胎)和人行道上的冰4]。据统计,28.4%的铁路隧道和公路隧道的30%在中国有严重的漏水,和大约30%的城市地铁隧道漏水损害。如何检测隧道渗漏的问题是一个问题,中国需要解决在未来几十年。
目前,主要的隧道渗漏检测方法是手动检查。这主要是基于视觉的观察的结果,由人为因素影响很大,低效率和精度不足的问题。此外,因为很多水泄漏顶部的隧道拱腰的,考官需要站在升降平台,与其他部门合作,人力成本和提供了一个与交通安全风险(以下5,6]。
分布式光纤温度传感器(DOFTS),探地雷达(GPR)和红外测温术(红外热成像)是无损检测方法,近年来被应用于岩土工程(7- - - - - -10]。通过监测监控点周围的温度场变化,是否DOFTS可用于确定是否存在泄漏点(11,12]。然而,这个结果只是定性;泄漏的程度和地区无法获得的,它是更加困难和昂贵的安排光纤(13- - - - - -15]。探地雷达是一种电磁技术,使用天线发送和接收高频电磁波来探测地下结构的特点和分布(16]。当用于泄漏检测、泄漏的存在和程度可以判断在隧道衬砌比较雷达中的信号反射强度谱(17]。然而,它适用于衬砌背后的大量泄漏,该方法的检测效率低在实际应用程序中,并且不能满足快速检测泄漏电缆隧道的要求(18]。作为一个快速、定量和无损检测技术,红外热成像已广泛应用(19,20.]。在隧道渗漏检测,温差在红外图像的泄漏和不漏失区域是用来评估泄漏21]。仓叶和小岛车载红外相机用于初步检测隧道衬砌的漏水,证实了利用红外热成像的可行性检测隧道衬砌水泄漏。然而,红外热成像应用于隧道检测的关键问题是如何识别物体的图像。传统的图像处理方法包括图像预处理,图像分割,特征提取,目标识别,结构分析(22),但在功能建设和特征选择是很困难的,需要结合手动校正。
最近,使用复杂的深度学习(DL)模型已经[中引起相当大的关注23]。DL方法基于表征学习机器学习的数据。与传统机器学习、深度学习模型可以从低级特征构造复杂的高级特性,以自动化的功能建设过程存在的问题和有效地解决问题的处理大量的检测数据(24,25]。目前,在民事领域的疾病检测、基于深度学习进行了一些研究在国内外。黄平君et al。26)建立和比较两种智能方法的性能的路面裂缝自动识别。第一个模型依赖于Sobel边缘检测方法和精明的算法;第二个模型是由卷积神经网络(CNN)的实现。实验结果表明,该模型基于CNN达到一个更好的预测性能比基于边缘检测算法的方法。Kumar et al。27]指出了闭路电视(CCTV)已普遍用于污水管检查,但这一过程需要大量的图像预处理和复杂的设计为某些情况下特征提取器。分类的特征提取方法使用preengineered特征图像,导致可怜的泛化能力。对于这个问题,一个方法提出了基于深卷积神经网络从央视检查检测和分类的缺陷,达到一个更好的预测性能。粪便和Anhb28)提出了一个基于深裂纹检测方法完全卷积网络(FCN)对混凝土裂纹图像语义分类,和FCN网络平均精度达到约90%。查和崔29日)使用深CNN来检测混凝土裂缝。在不同条件下(比如强大的斑点,阴影,和非常薄的裂缝),识别率达到98%。与传统的精明和Sobel边缘检测方法相比,他们的结果表明,深度学习方法可以更好地解决混凝土裂缝识别的问题。陈和Jahanshahi [30.)提出了一个基于CNN和深度学习模型(称为NB-CNN)朴素贝叶斯数据融合方案。CNN是用于检测混凝土裂缝在每个视频帧,和朴素贝叶斯决策有效地消除错误。这个框架实现了98.3%的命中率。雪和李31日)完全卷积网络(FCN)模型用于分类。与传统方法比较,结果表明,该模型是非常快速和高效,允许自动智能分类和检测隧道衬砌缺陷。
隧道病害检测的方法基于深度学习是有利的,因为它自动构造特点,识别速度快,精度高。根据维护公路隧道技术规范JTG h12 - 2015、隧道渗漏疾病分为无渗漏、渗透,滴,滔滔不绝,喷洒水。目前,大多数研究隧道渗漏水的检测疾病直接分析场景的图像,和灰白二进制方法用于检测泄漏和泄漏区域。定量检测泄漏的程度(渗透)隧道衬砌尚未报道。因此,本文提出一种识别方法获得红外辐射特征与不同程度的饱和混凝土样品的室内实验。建立了识别模型使用一个深度学习方法(快R-CNN + ResNet101网络模型),这显示了识别方法的可行性和有效性。
2。识别理论和模型
2.1。分类识别方法的渗透程度的混凝土衬砌
有明显的非线性关系红外热图像的辐射强度和渗透的程度(即。隧道混凝土衬砌,饱和度)。此外,红外辐射是不同的不同程度的渗透。为了研究这种关系,数据集 由红外热图像和渗透度,在吗 是一组收集到的红外热图像和代表了一定的渗透程度的红外热图像; 是一组红外热图像的特征矩阵(如灰度、几何特征和纹理特征)和颗是一个特征矩阵;和 混凝土衬砌的渗透度。整个渗透间隔分为小区间 ,在哪里 表示th渗透子区间,即。,渗透度。因此, 涵盖了所有可能的值的隧道混凝土衬砌的渗透程度。这种表达方法饱和程度提供了后续识别任务的完整性和可行性。
为了建立识别模型,首先,红外热图像的隧道衬砌在不同渗透度收集,然后红外热图像的特征自动提取使用深学习算法。红外图像辐射特性之间的相关性和渗透程度建立,隧道衬砌的渗透程度的分类识别实现基于红外辐射特征(图1)。使用这个模型,对未知的红外图像渗透程度可以实时获得,然后输入识别实际的隧道衬砌的渗透程度。隧道衬砌的渗透程度可以迅速识别,自动,所以渗透破坏的程度在隧道可以被评估。
2.2。选择基于深度学习的识别模型
后Krizhevsky等人提出了AlexNet网络识别模型(32),深度学习在计算机视觉已广泛应用于图像分类、目标检测,图像分割,图像问题和答案,形象描述、图像生成和其他领域。的分类和识别隧道混凝土衬砌的渗透程度属于目标检测的问题,在计算机视觉领域,因此本文使用图像检测网络模型研究的分类隧道混凝土衬砌的渗透程度。
目前,图像检测算法可以分为两类:(1)两级检测算法,检测问题划分为两个阶段,(2)单程检测算法,直接生成类概率和位置坐标值的对象在一个单一的阶段。在两级检测算法,首先,地区建议,然后生成分类(一般来说,位置优化还需要)。典型的两级检测算法的R-CNN系列,如R-CNN R-CNN快,更快R-CNN [33- - - - - -35)相反,单程检测算法不需要生成地区的建议。典型的单程检测算法YOLO和SSD意思36,37]。一般来说,两阶段算法更准确,不管时间和空间的成本,而单程算法更快如果时间成本(速度)和空间(内存消耗)被认为是成本。
因为这篇文章是一个初步研究,检测的准确性是首先要考虑的,第二个是检测速度和空间。此外,隧道领域的检测,没有必要获得实时结果,因此红外图像可以收集,然后处理;本研究选择了一个两阶段检测算法(单程检测算法检测小目标的能力差,不利于未来扩展的应用程序)。与之前的模型相比,R-CNN系列、更快R-CNN股票卷积层计算(图2在特征提取)。它集成了该地区建议网络(RPN)层,它取代了离线选择性搜索(SS)模块,大大减少了时间消耗的图像识别和消除了性能瓶颈。此外,快R-CNN实现端到端的培训模式。
在网络模型的发展,研究者普遍认为网络层越深,越抽象提取的特征,和更多的语义信息,因此精度越高。然而,随着网络的深化,训练集的准确性下降。为了解决这个问题,他等人提出了残余网络(37),取得了3.57%的五大错误ImageNet挑战在2015年。与普通网络的不同之处在于,它添加一个快捷方式连接,也就是说,身份,深层网络可以学习特点更快和更容易。为了保证模型的检测精度和速度,速度越快R-CNN + ResNet101网络模型应用在比较各种测试(表的性能结果1)。开发框架采用TensorFlow谷歌开发的开源框架。
3所示。收购和建立图像数据集
建立图像数据集的深度学习的第一步是识别和建设中发挥着重要作用模型。足够的图像数据集可以提高网络模型的抽象的表达能力,可以提高网络的鲁棒性模型的数据,避免过度拟合模型(38]。
3.1。采集的图像数据集
作为水泥砂浆材料类似于隧道混凝土衬砌材料和有相似的红外辐射发射率,模拟隧道衬砌的渗透度准备几个水泥砂浆材料样品用不同的饱和水平。采集图像的数据集涉及三个实验室检测:水泥砂浆的制备试验,水泥砂浆的制备与不同的饱和水平,和红外图像采集测试。
3.1.1。水泥砂浆样品制备测试
为了最好的模拟隧道混凝土衬砌,表面水泥砂浆、水泥,砂水的比例是设置为1:3.19:0.6的重量。制备步骤如下:(1)混合水泥砂浆均匀根据体重比率和(2)将混合砂浆放入模具中,养护的混凝土蒸28天的空间。共有36个标本。样品的尺寸是 。
3.1.2。水泥砂浆的制备标本与不同的饱和水平
考虑隧道渗透检测的实际应用价值,本文将隧道渗透程度划分为四个层次:干燥、半干的,semiwet,湿,与相应的饱和水平的0 - 5%,5 - 60%,60 - 90%,分别和90 - 100%。36个标本被分成9组,每组四块编号1、2、3和4对应,分别四个饱和水平。
水泥砂浆标本不同饱和度水平准备在三个步骤。(1)水泥砂浆试验块被放置在真空干燥箱(图3(一个)深部岩土力学与地下工程国家重点实验室,北京,中国)24 h。他们被打压的平衡,体重记录后样品的温度维持在室温(22°C) 12 h。每组的1号样品放入密封袋。(2)样本号。2、3和4放入水箱(图3 (b)Keheng仪器设备有限公司,上海,中国沸腾的电子控制恒温8 h,以达到一种饱和的状态,试样冷却后取出,承压平衡表面自由水后消失了。样品没有。从每组4放入一个密封的袋子。(3)剩余的样品,样品2和3号,被放置到气态的水吸附对深部软岩(图智能测试系统3 (c)深部岩土力学与地下工程国家重点实验室,北京,中国)。一个蒸发实验进行准备和样品饱和水平的5 - 60%和60 - 90%,然后是样本放在一个密封袋(表中2)。
(一)
(b)
(c)
3.1.3。红外图像采集实验
τ640,一个非冷却的长波红外热成像仪FLIR制造的美国,是用于收集红外热图像。它包含一个高度敏感的低温红外传感器。有17个μ米氧化钒焦平面阵列像素,可以生成高清红外热图像。为了提高红外图像采集,在收购过程中四个标本被收集在组(总共9组)。图像的前,后,左,右,前,和底部的标本收集两次两边的时间间隔30年代(十二个红外图像是为每个组收集的,108红外图像收集)。为了提高泛化能力的数据,没有分别。1、2、3、4标本随机选择从36总标本和重新组合成一组收集他们的红外图像,共三组(收集36红外图像)。收集144红外图像在整个实验。图像大小 像素。实验采集系统如图4。
3.2。样品标签
在144年的图片中收集实验筛选去除一些不清楚图片,可能是因为红外摄像机不专注,121红外图像。由于使用监督学习方法,模型的训练,有必要标签的图像来确定目标内容模型的图片。Labellmg是用于设置图像标签;贴上我0 - 5%,5 - 60%二世,三世60 - 90%,和90 - 100%,第四,代表干、半干的,semiwet,分别和湿渗透度(图5)。深层网络训练之前输入,每个形象都切成四个图片根据不同的带注释的矩形框架形成共有484个图像样本数据集。样本数据集是小,他们根据近似比例划分训练集的验证组7:3,形成训练集的339张图片和145图像验证集。
4所示。培训和基于深度学习识别模型的有效性
4.1。培训过程
训练阶段是一个重要的过程来自动确定的重量参数深卷积网络模型。英特尔(R) 3104 @ 1.70 GHz Xeon (R)青铜,6-core 12-thread处理器、32 GB RAM和三个NVIDIA GEFORCE GTX 2080 ti gpu,用于培训。首先,训练集数据输入到深入学习网络模型和300000年后停止迭代。整个过程需要22小时(使用一个GTX 2080 ti),和学习速率被设置为0.0003。损失函数可以用来表示预测值之间的差异和实际的数据。crossentropy损失函数被选中在训练期间,结果呈现在图6。图6(一)介绍了边界框分类损失。这主要是法官目标分类的准确性(I、II、III和IV)提取的区域。值越小,识别精度越高。从图可以看出6(一)收敛速度大约是50000步和分类损失大约是0.0707。图6 (b)介绍了边界框本地化损失,主要法官最小矩形外框的准确性。值越小,越精确框选择目标。从图6 (b),可以看出大约100000步骤所需的共通性,和本地化损失大约是0.4018。图6 (c)显示的总损失函数,所有损失函数的总和,与收敛达到约200000步骤之后,总损失约为0.6129。同时,为了有效地控制梯度爆炸和梯度的影响消失在培训过程中,梯度阈值是在训练过程中,这样最后的总损失函数可以减少到令人满意的结果。
(一)
(b)
(c)
4.2。分析模型的有效性
4.2.1。准备检测精度
检测精度是关键指数用来衡量训练模型的质量。为了评估训练模型,验证集数据(145红外图像)是用于检测模型,与试验结果进行了分析。具体的测试结果如图7,I, II, III和IV表明渗透程度,和99%的识别精度,条件是十字路口在联盟(借据)= 0.5(借据是分裂的结果设置两个区域的重叠部分的两个区域的一部分)。可以看出,试样的形状和轮廓都准确地选择准确的最小矩形外框,和渗透度不同的标本也准确地校准。检测精度评估的意思是平均精度(地图,P代表精度,美联社的平均准确率单一类别标签的平均最大每个召回率、准确率和地图代表所有类标签。)的平均准确率的借据阈值 , ,和 ,值为0.99,0.99和0.95,分别。因此,识别效果很好,这表明,该识别方法对隧道混凝土渗透的程度分类基于深度学习是可行的,和识别精度高。
(一)
(b)
(c)
(d)
4.2.2。检测速度
另一个重要的性能指标是检测速度和速度的实时检测模型检测是关键。过程所需的时间照片常被用来评估检测速度。在模型测试,边界框的注释需要270 ms,和分类的结果需要50毫秒,给予320 ms的总时间和识别速度更快。应该注意的是,总检测时间是基于前面提到的电脑配置和不同的处理器规格可能会有所不同。
4.2.3。鲁棒性分析
鲁棒性是指控制系统如何保持一定程度的性能在某些参数扰动(如结构或大小)。在深度学习,鲁棒性常被用来评估训练模型的质量。在该测试中,训练模型的健壮性测试使用转换原始数据集的图像。通过测试结果,发现该模型可以学习几何特征,纹理特征,和当地的特性(如变形、挤压、大小和边缘转换)和(参见图有很强的适应性8(一个)- - - - - -8 (d))。
(一)
(b)
(c)
(d)
4.2.4。模型比较
不同的CNN网络模型基于快R-CNN被选作比较,结果如表所示3。结果表明,地图之间的区别 和 两个模型都是相同的,而地图之间的区别 很大。这表明更快R-CNN + Resnet101比另一个更精确的位置和检测模型。的检测速度更快R-CNN + Resnet101已显著提高。识别单个图像的时间是320 ms,这远低于更快R-CNN + Inception2网络模型。总之,越快R-CNN + Resnet101网络模型本文选择执行更好的在考虑检测精度和速度。
5。讨论
在这篇文章中,一个分类识别方法建立了隧道衬砌渗透的程度通过实验室实验。识别模型是用来确定水泥砂浆标本与不同程度的渗透,结果都很好,这表明该方法是有效的。然而,在这项研究中存在一些问题。值得注意的是,尽管实验方法可以确保训练数据集的质量,实验室环境相对孤立和测试条件是相对稳定的,这是完全不同于隧道的复杂环境的网站。隧道,风,光,内壁粗糙度会影响红外图像的采集。因此,有必要进一步开发基于复杂的实验室环境中识别模型包括风能、环境温度、粘膜粗糙,等等。隧道检测领域,人们更关心隧道的渗漏而非渗透的隧道,因此我们可以把它应用到水的测定岩石在岩土领域的内容。岩石的强度密切相关,其含水量;许多地质灾害是由水引起的。在工程,工程师常常想知道它的水分含量来判断岩石的强度,所以我们应用这种方法可能是更重要的。
6。结论
摘要水泥砂浆标本与不同程度的饱和度是模拟不同程度的隧道混凝土衬砌的渗透通过实验室实验和红外热图像的数据集建立了不同程度的渗透。最后,基于深度学习的方法,越快R-CNN + ResNet101网络被用来训练数据集,建立了识别模型,其有效性进行了测试。得到以下结论。(我)使用深度学习的识别模型建立方法显示良好的识别能力与水泥砂浆试件的不同程度的渗透。不同渗透区段的标本被准确地选择最小矩形外框。平均平均精度为十字路口联盟(借据)阈值 , ,和 分别是1,1,0.948。分类识别方法对隧道混凝土衬砌的渗透从而证明是可行和准确(2)识别模型检测到一个图片在320 ms (RTX 2080 ti卡上处理)。使用一种改进的处理器配置,可以实现现场实时检测(3)识别模型可以学习几何特征,纹理特征,和当地的特性(如变形、挤压、大小和边缘转换)的形象,具有较强的适应性。然而,它是敏感的,可怜的适应性图像颜色特征(如亮度和对比度)。进一步的工作应该考虑增加图像数据的多样性,以及改变注释方法和形式,为了提高识别模型的鲁棒性和适应性环境(iv)快R-CNN + Resnet101模型有显著优势R-CNN + Inception2,显著提高检测精度和速度
数据可用性
本文的数据和解释。读者可以访问数据支持本研究的结论。
的利益冲突
作者没有利益冲突的声明。
确认
作者提供了许多感谢国家自然科学基金委的支持本研究。这项工作得到了国家自然科学基金中国青年科学家(批准号51604276)。