一种隧道衬砌地质雷达数据智能识别方法技术

本发明专利技术提供一种隧道衬砌地质雷达数据智能识别方法，其包含：使用多种方式得到隧道衬砌地质雷达智能识别所需的数据样本，数据样本包含地质雷达数据以及衬砌缺陷标签；基于数据样本，应用机器学习手段建立得到衬砌智能识别模型；通过衬砌智能识别模型，开展多种衬砌缺陷的同时识别，确定目标对象可能存在的衬砌缺陷类型及分布。本发明专利技术综合多种方案准备模型训练所需的数据样本，保证了足量的多种来源的训练样本，为基于数据驱动的多种类型衬砌缺陷的同时识别网络训练提供了良好的数据基础。同时识别网络训练提供了良好的数据基础。同时识别网络训练提供了良好的数据基础。

【技术实现步骤摘要】
一种隧道衬砌地质雷达数据智能识别方法


[0001]本专利技术涉及隧道衬砌质量检测
，具体地说，涉及一种隧道衬砌地质雷达数据智能识别方法。

技术介绍

[0002]隧道衬砌能够有效支撑隧道围岩，维持隧道结构稳定，保证隧道内行车安全。受到隧道设计、施工工艺、材料质量等方面因素的影响，隧道衬砌可能存在质量缺陷，威胁列车运行安全，需及时发现、及时整治。国内外普遍采用地质雷达技术与设备对隧道衬砌进行无损检测。
[0003]地质雷达衬砌检测利用电磁波反射原理，可以反映不同工程介质的电性差异。当衬砌内存在空洞、不密实、断裂带、富水带等各种缺陷时，地质雷达反射剖面会表现出同相轴异常。目前，实际工程中，对衬砌缺陷的解译主要依赖于技术人员人工解释，严重依赖于技术人员的经验，效率低，稳定性差。
[0004]现有技术(任东亚(2017).基于地质雷达图像数据的铁路隧道衬砌病害识别与安全性评估系统研究，北京交通大学.)利用灰度分布复杂度度量衬砌病害分布特征。现有技术(Dinh,K.,et al.(2018)."An algorithm for automatic localization and detection of rebars from GPR data of concrete bridge decks."Automation in Construction 89:292
‑
298.)利用传统的图像处理技术和二分类CNN实现对桥梁混凝土中的钢筋进行自动检测。现有技术(Xu,F.,et al.(2021)."Detection method of tunnel lining voids based on guided anchoring mechanism."Computers&Electrical Engineering 95:107462.)基于导线锚固机制进行目标定位，进而应用卷积神经网络对隧道衬砌空洞开展自动检测研究。现有技术(Qin,H.,et al.(2021)."Automatic recognition of tunnel lining elements from GPR images using deep convolutional networks with data augmentation."Automation in Construction 130:103830.)分别基于FDTD正演模拟与DCGAN生成两种方式进行地质雷达图像样本生成，并结合实测地质雷达图像共同构建数据样本，然后应用深度卷积神经网络开展钢骨架、空洞、初支厚度三种衬砌特征的自动识别研究。以上研究存在数据样本有限且无法同时识别多种衬砌缺陷等局限。
[0005]针对现有技术的问题，本专利技术提供了一种隧道衬砌地质雷达数据智能识别方法。

技术实现思路

[0006]为解决现有技术的问题，本专利技术提供了一种隧道衬砌地质雷达数据智能识别方法，所述方法包含以下步骤：
[0007]S1、使用多种方式得到隧道衬砌地质雷达智能识别所需的数据样本，所述数据样本包含地质雷达数据以及衬砌缺陷标签；
[0008]S2、基于所述数据样本，应用机器学习手段建立得到衬砌智能识别模型；
[0009]S3、通过所述衬砌智能识别模型，开展多种衬砌缺陷的同时识别，确定目标对象可能存在的衬砌缺陷类型及分布。
[0010]根据本专利技术的一个实施例，步骤S1包含：
[0011]对隧道衬砌质量进行实地现场检测，得到所述地质雷达数据；
[0012]基于现场检测结果，确定衬砌缺陷类型及边界的标定解释，以确定所述衬砌缺陷标签。
[0013]根据本专利技术的一个实施例，步骤S1包含：
[0014]设计多种衬砌缺陷类型且不同组合方式的隧道衬砌混凝土物理模型，以确定所述衬砌缺陷标签；
[0015]应用地质雷达设备对所述隧道衬砌混凝土物理模型进行实际检测，获得所述地质雷达数据。
[0016]根据本专利技术的一个实施例，步骤S1包含：
[0017]考虑多种衬砌缺陷类型，按照不同发育规模、位置、组合方式设计隧道衬砌混凝土理论模型，以确定所述衬砌缺陷标签；
[0018]对所述隧道衬砌混凝土理论模型开展数值模拟，得到所述地质雷达数据。
[0019]根据本专利技术的一个实施例，步骤S2包含：
[0020]对所述样本数据进行提高信噪比处理、提高分辨率处理以及提升成像效果处理，以得到高质量的样本数据；
[0021]对所述高质量的样本数据，进行数值尺度化和/或标准化处理，得到前期处理后的样本数据；
[0022]对前期处理后的样本数据进行随机分割，分割得到训练样本、验证样本与测试样本，分别用于模型训练、验证与质控评价，以得到预处理后的样本数据。
[0023]根据本专利技术的一个实施例，步骤S2包含：
[0024]基于所述预处理后的样本数据，针对多种衬砌缺陷同时识别的任务目标，构建得到相应的深度学习网络模型；
[0025]基于所述深度学习网络模型，构建得到所述衬砌智能识别模型。
[0026]根据本专利技术的一个实施例，步骤S2包含：
[0027]同时考虑预测正确及预测错误的情况，选用预测结果与真实数据之间的交并比作为所述衬砌智能识别模型的目标函数；
[0028]基于所述目标函数，开展最优化求解，并进行交叉验证、超参数优选与质控评价，得到训练后的所述衬砌智能识别模型。
[0029]根据本专利技术的一个实施例，步骤S3包含：
[0030]对经过实践积累的所述样本数据开展增量学习，不断更新完善所述衬砌智能识别模型。
[0031]根据本专利技术的另一个方面，还提供了一种存储介质，其包含用于执行如上任一项所述的方法步骤的一系列指令。
[0032]根据本专利技术的另一个方面，还提供了一种隧道衬砌地质雷达数据智能识别方法装置，执行如上任一项所述的方法，所述装置包含：
[0033]数据样本模块，其用于使用多种方式得到隧道衬砌地质雷达智能识别所需的数据
样本，所述数据样本包含地质雷达数据以及衬砌缺陷标签；
[0034]模型构建模块，其用于基于所述数据样本，应用机器学习手段建立得到衬砌智能识别模型；
[0035]模型应用模块，其用于通过所述衬砌智能识别模型，开展多种衬砌缺陷的同时识别，确定目标对象可能存在的衬砌缺陷类型及分布。
[0036]本专利技术提供的一种隧道衬砌地质雷达数据智能识别方法，具有以下效果：
[0037](1)综合多种方案准备模型训练所需的数据样本，现场测量提供了大量真实的隧道衬砌地质雷达检测数据，物理模拟与数值模拟两种方案提供了大量建立地质雷达输入数据与衬砌缺陷目标标签之间准确对应关系的数据样本，多种数据准备方案的综合保证了足量的多种来源的训练样本，为基于数据驱动的多种类型衬砌缺陷的同时识别网络训练提供了良好的数据基础。
[0038](2)基于深度学习技术构建隧道衬砌地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隧道衬砌地质雷达数据智能识别方法，其特征在于，所述方法包含以下步骤：S1、使用多种方式得到隧道衬砌地质雷达智能识别所需的数据样本，所述数据样本包含地质雷达数据以及衬砌缺陷标签；S2、基于所述数据样本，应用机器学习手段建立得到衬砌智能识别模型；S3、通过所述衬砌智能识别模型，开展多种衬砌缺陷的同时识别，确定目标对象可能存在的衬砌缺陷类型及分布。2.如权利要求1所述的一种隧道衬砌地质雷达数据智能识别方法，其特征在于，步骤S1包含：对隧道衬砌质量进行实地现场检测，得到所述地质雷达数据；基于现场检测结果，确定衬砌缺陷类型及边界的标定解释，以确定所述衬砌缺陷标签。3.如权利要求1
‑
2中任一项所述的一种隧道衬砌地质雷达数据智能识别方法，其特征在于，步骤S1包含：设计多种衬砌缺陷类型且不同组合方式的隧道衬砌混凝土物理模型，以确定所述衬砌缺陷标签；应用地质雷达设备对所述隧道衬砌混凝土物理模型进行实际检测，获得所述地质雷达数据。4.如权利要求1
‑
3中任一项所述的一种隧道衬砌地质雷达数据智能识别方法，其特征在于，步骤S1包含：考虑多种衬砌缺陷类型，按照不同发育规模、位置、组合方式设计隧道衬砌混凝土理论模型，以确定所述衬砌缺陷标签；对所述隧道衬砌混凝土理论模型开展数值模拟，得到所述地质雷达数据。5.如权利要求1
‑
4中任一项所述的一种隧道衬砌地质雷达数据智能识别方法，其特征在于，步骤S2包含：对所述样本数据进行提高信噪比处理、提高分辨率处理以及提升成像效果处理，以得到高质量的样本数据；对所述高质量的样本数据，进行数值尺度化和/或标准化处理，得到前期处理后的样本数据；对前期处理...

【专利技术属性】
技术研发人员：马伟斌，安哲立，袁振宇，叶阳升，韩自力，郭小雄，马成贤，王勇，邹文浩，张金龙，常凯，田权兴，徐湉源，彭旸，
申请(专利权)人：中国铁道科学研究院集团有限公司，
类型：发明
国别省市：