一种基于深度学习和BIM的管廊病害检测方法技术

本发明专利技术涉及一种基于深度学习和BIM的管廊病害检测方法，包括：将N个标记二维码间隔设置在管廊内壁上；采集管廊内的图像信息；对管廊内壁图像、电缆图像和管道图像进行分割、映射，再进行特征提取；建立基于深度学习的病害预测模型Defect

【技术实现步骤摘要】
一种基于深度学习和BIM的管廊病害检测方法


[0001]本专利技术涉及管廊病害检测
，尤其是一种基于深度学习和BIM的管廊病害检测方法。

技术介绍

[0002]综合管廊是用于放置电力电缆、通信光缆、给水和排水管道和燃气管道等的市政管线，是保障城市居民生产生活的重要基础设施，有着“城市生命线”之称。综合管廊通常位于地面以下所受荷载较大，结构封闭且管廊内部闷热潮湿，内部环境较差，长期如此易发生多种病害，如电线裸露，管道锈蚀，管廊内壁产生裂缝发生渗水等，造成严重的安全隐患，需要进行定期排查，由于病害较多不易观察分辨，且管廊通常有几公里甚至上百公里，不易对病害的位置进行记录，常耗费大量人力和时间。
[0003]目前，管廊病害检测的主要手段为人工检查，即工作人员进入管廊内部靠肉眼逐一排查病害，如管廊内壁裂缝渗水，电线及管道破损等，并对病害进行记录，工作效率较低，费时费力，难以做到定期检查，有些病害不能及时发现，病害发生的具体位置不易确定，并且病害的种类和发生的位置缺乏对比和记录，缺乏经验的总结。有些管廊甚至长期缺乏巡检，直到管廊发生大规模漏水，发生管道泄露等事故时才发现，造成巨大的经济损失。

技术实现思路

[0004]本专利技术的目的在于提供一种对管廊内的病害进行高效准确地检测，并对病害发生的位置进行精确的标记定位，有助于及时发现病害并进行修复，大大提高综合管廊运行的安全性的基于深度学习和BIM的管廊病害检测方法。
[0005]为实现上述目的，本专利技术采用了以下技术方案：一种基于深度学习和BIM的管廊病害检测方法，该方法包括下列顺序的步骤：
[0006](1)将N个标记二维码间隔设置在管廊内壁上；
[0007](2)采集管廊内的图像信息，包括管廊内壁图像、电缆图像和管道图像，分别得到第一图像集S1、第二图像集S2和第三图像集S3；
[0008](3)根据采集图像中的标记二维码信息，对管廊内壁图像、电缆图像和管道图像进行分割、映射，得到第一数据集C1、第二数据集C2和第三数据集C3；再进行特征提取，得到第四数据集T1*、第五数据集T2*和第六数据集T3*；
[0009](4)建立基于深度学习的病害预测模型Defect
‑
PNet；
[0010](5)建立训练集，并对基于深度学习的病害预测模型Defect
‑
PNet进行训练；
[0011](6)将第四数据集T1*、第五数据集T2*和第六数据集T3*输入基于深度学习的病害预测模型Defect
‑
PNet中进行分析，得到病害预测结果P，所述病害预测结果P包括病害种类、病害位置检验框及其相对坐标X；
[0012](7)建立基于BIM的管廊数字孪生模型，建立病害处理措施库R；
[0013](8)将病害预测结果P输入基于BIM的管廊数字孪生模型中，得到病害处理措施，记
录并更新基于BIM的管廊数字孪生模型。
[0014]所述步骤(1)具体包括以下步骤：
[0015](1a)制作标记二维码，标记二维码中包含构件材料信息、构件位置信息和标记二维码编号信息；
[0016](1b)将标记二维码沿管廊长度方向间隔设置在管廊内壁、管廊内电缆和管道上，管廊的长度为L，标记二维码的个数为N。
[0017]所述步骤(2)具体包括以下步骤：
[0018](2a)沿管廊的长度方向进行单方向图片采样；
[0019](2b)分别采集管廊内壁图像、管廊内电缆图像和管廊内管道图像，一一对应得到第一图像集S1、第二图像集S2和第三图像集S3。
[0020]所述步骤(3)具体包括以下步骤：
[0021](3a)第一图像集S1的总长度为M，第一图像集S1中的标记二维码个数为n，对第一图像集S1进行分割，分割的规则为使分割后的每张图片上保留一个完整标记二维码，且图片一侧的边缘与所包含的完整标记二维码的边缘重合，分割后的图片宽度为b，满足b＝M/(n
‑
1)，得到第一子图像集T1，记录分割图片中的标记二维码信息并与第一子图像集T1映射，得到第一数据集C1；
[0022](3b)同理，对第二图像集S2和第三图像集S3采取与第一图像集S1相同的分割方法，分别得到第二子图像集T2和第三子图像集T3，并将标记二维码信息与第二子图像集T2和第三子图像集T3进行映射，分别得到第二数据集C2和第三数据集C3；
[0023](3c)对第一子图像集T1、第二子图像集T2和第三子图像集T3进行特征提取，获取图像直方图信息，并对图像进行自适应直方图均衡处理，分别得到第四数据集T1*、第五数据集T2*和第六数据集T3*。
[0024]所述步骤(4)具体是指：所述基于深度学习的病害预测模型Defect
‑
PNet的架构中包含Resnet残差网络结构、TinyFM网络结构、FPN特征提取结构和RPN网络结构；所述基于深度学习的病害预测模型Defect
‑
PNet的损失函数采用交叉熵损失函数。
[0025]所述步骤(5)具体包括以下步骤：
[0026](5a)获取管廊病害图像，所述管廊病害包括电缆裸露、管道锈蚀、管道开裂、管廊内壁裂缝和管廊内壁渗水，对图像中的管廊病害进行类别标记、位置标记和语义标记，得到第七数据集A；
[0027](5b)对第七数据集A进行数据增强处理，包括对图片进行水平轴翻转、对图片进行竖直轴翻转、对图片进行中心轴旋转、对图片进行平移和对图片进行缩放；对第七数据集A中的数据进行特征提取，获取直方图信息，并采取自适应直方图均衡处理，得到第八数据集A*；
[0028](5c)采用第八数据集A*对基于深度学习的病害预测模型Defect
‑
PNet进行训练，对第八数据集A*进行随机处理，按照8：1：1的比例进行分配，分别得到训练集A1*、验证集A2*和测试集A3*，采用交叉验证的方式进行训练，直到验证集A2*历遍整个第八数据集A*；
[0029](5d)采用随机梯度下降法对基于深度学习的病害预测模型Defect
‑
PNet进行前向传递优化参数直到收敛，基于深度学习的病害预测模型Defect
‑
PNet训练完毕。
[0030]所述步骤(6)具体包括以下步骤：
[0031](6a)分别将第四数据集T1*、第五数据集T2*和第六数据集T3*输入基于深度学习的病害预测模型Defect
‑
PNet中，对病害进行预测，得到病害预测结果P，所述病害预测结果P包含病害种类和病害位置检验框；
[0032](6b)在第四数据集T1*中，根据病害位置检验框的位置坐标,以及第一数据集C1中的标记二维码信息，得到病害位置检验框所对应病害在管廊中的相对坐标X。
[0033]所述步骤(7)具体包括以下步骤：
[0034](7a)建立基于BIM的管廊数字孪生模型，包含综本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和BIM的管廊病害检测方法，其特征在于：该方法包括下列顺序的步骤：(1)将N个标记二维码间隔设置在管廊内壁上；(2)采集管廊内的图像信息，包括管廊内壁图像、电缆图像和管道图像，分别得到第一图像集S1、第二图像集S2和第三图像集S3；(3)根据采集图像中的标记二维码信息，对管廊内壁图像、电缆图像和管道图像进行分割、映射，得到第一数据集C1、第二数据集C2和第三数据集C3；再进行特征提取，得到第四数据集T1*、第五数据集T2*和第六数据集T3*；(4)建立基于深度学习的病害预测模型Defect
‑
PNet；(5)建立训练集，并对基于深度学习的病害预测模型Defect
‑
PNet进行训练；(6)将第四数据集T1*、第五数据集T2*和第六数据集T3*输入基于深度学习的病害预测模型Defect
‑
PNet中进行分析，得到病害预测结果P，所述病害预测结果P包括病害种类、病害位置检验框，根据病害位置检验框的位置坐标，得到病害位置检验框所对应病害在管廊中的相对坐标X；(7)建立基于BIM的管廊数字孪生模型，建立病害处理措施库R；(8)将病害预测结果P输入基于BIM的管廊数字孪生模型中，得到病害处理措施，记录并更新基于BIM的管廊数字孪生模型。2.根据权利要求1所述的基于深度学习和BIM的管廊病害检测方法，其特征在于：所述步骤(1)具体包括以下步骤：(1a)制作标记二维码，标记二维码中包含构件材料信息、构件位置信息和标记二维码编号信息；(1b)将标记二维码沿管廊长度方向间隔设置在管廊内壁、管廊内电缆和管道上，管廊的长度为L，标记二维码的个数为N。3.根据权利要求1所述的基于深度学习和BIM的管廊病害检测方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)沿管廊的长度方向进行单方向图片采样；(2b)分别采集管廊内壁图像、管廊内电缆图像和管廊内管道图像，一一对应得到第一图像集S1、第二图像集S2和第三图像集S3。4.根据权利要求1所述的基于深度学习和BIM的管廊病害检测方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)第一图像集S1的总长度为M，第一图像集S1中的标记二维码个数为n，对第一图像集S1进行分割，分割的规则为使分割后的每张图片上保留一个完整标记二维码，且图片一侧的边缘与所包含的完整标记二维码的边缘重合，分割后的图片宽度为b，满足b＝M/(n
‑
1)，得到第一子图像集T1，记录分割图片中的标记二维码信息并与第一子图像集T1映射，得到第一数据集C1；(3b)同理，对第二图像集S2和第三图像集S3采取与第一图像集S1相同的分割方法，分别得到第二子图像集T2和第三子图像集T3，并将标记二维码信息与第二子图像集T2和第三子图像集T3进行映射，分别得到第二数据集C2和第三数据集C3；(3c)对第一子图像集T1、第二子图像集T2和第三子图像集T3进行特征提取，获取图像
直方图信息，并对图像进行自适应直方图均衡处理，分别得到第四数据集T1*、第五数据集T2*和第六数据集T3*。5.根据权利要求1所述的基于深度学习和BIM的管廊病害检测方法，其特征在于：所述步骤(4)具体是指：所述基于深度学习的病害预测模型Defe...

【专利技术属性】
技术研发人员：李仲元，张翔，郭跃，胡浩，潘震，张正学，范仁宽，
申请(专利权)人：中国能源建设集团安徽省电力设计院有限公司，
类型：发明
国别省市：