一种基于多维视频分析的结构渗漏水实时测定方法技术

本发明专利技术公开了一种基于多维视频分析的结构渗漏水实时测定方法，并将该技术应用与隧道渗漏水检测。该方法以结构病害巡检机器人为本体，机器人将摄像头、激光雷达、超声波以及红外热像仪等传感设备集成在一起。利用同步匹配以及多维耦合成像技术在原有可见光视频基础上实时增添距离、角度、深度以及温度等数据以生成具备多维信息的多维视频或图片新格式。这种新的动态多维视频格式不仅可以感知出隧道渗漏水的位置和边界，还可以结合人工智能算法测定出隧道渗漏水的尺寸和严重程度。该方法有效提升了渗漏水感知效率和精度，对于结构病害检测具有重要参考意义。测具有重要参考意义。测具有重要参考意义。

【技术实现步骤摘要】
一种基于多维视频分析的结构渗漏水实时测定方法


[0001]本专利技术涉及结构渗水检测
，具体涉及一种基于多维视频分析的结构渗漏水实时测定方法。

技术介绍

[0002]隧道往往是出于交通、矿产开采或其他原因而进行修筑的，而当隧道在修建完成后，由于地质原因，即该地段为节理裂隙发育或地下水发育，使得地下水通过裂隙渗漏水；或者是由于自然风化，地质灾害导致的结构破坏，进而使得渗水或漏水，这就使得隧道的日常养护尤为重要。
[0003]而目前对于隧道内的日常检测缺乏常态化的检测，多为人工巡检的方式进行检测，这种方式劳动强度大，对于病害发现往往滞后，进而造成严重事故发生；而现有的对于其往往是单一的自动检测手段，而脱离了检测端的配合，使得整体的检测效率低下，检测效果低，并对于灾害具体状态往往反馈不及时。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术提供一种基于多维视频分析的结构渗漏水实时测定方法，以提高隧道内渗漏水检测的效率，提升其检测质量。
[0005]为达到上述目的，本专利技术提供了一种基于多维视频分析的结构渗漏水实时测定方法，该测定方法应用于结构渗漏水检测系统中，所述结构渗漏水检测系统包括结构病害检测机器人，所述结构病害检测机器人中集成有摄像头、激光雷达、红外热像仪以及一个或多个保存或执行测定方法的模块；
[0006]具体的自动检测方法包括以下步骤：
[0007]灾害位置的判定，结构病害检测机器人通过轨道移动至灾害发生位置，采集灾害位置信息，并确定灾害发现时间；
[0008]其中，基于多维视频自动检测方法包括以下步骤：
[0009]基于隧道收集的数据使用深度学习识别算法分别训练渗漏水检测模型、漏水检测模型，完成嵌入部署，对输入的图像视频及红外热成像视频完成检测；
[0010]发现渗漏水病害，同时使用激光雷达对病害深度进行检测，激光雷达发射激光射向渗漏水病害和隧道壁，通过反射计算筛选得到两个距离L1和L2，隧道渗漏水处的裂缝深度L＝L1
‑
L2，以及结构病害检测机器人渗漏水物理位置的距离L2；
[0011]结构病害检测机器人中的摄像头对渗漏水位置拍照抓取，然后对拍照的图像清晰度进行分析，若清晰度达到就进行下一步骤，若清晰度不够就重新进行拍照抓取直至清晰度达到分析需求，通过对视频抓拍图像分割得出渗漏水的轮廓，且根据红外热成像呈现的渗漏水病害范围里外的温度变化，并对红外抓拍图像，确定渗漏水轮廓，完成轮廓分割，此外对上述两类图片的轮廓分割完成合并；根据分割出的渗漏水轮廓形状，与自建库中设定的鉴定病害轮廓对照，判断渗漏水具体病害类型；
[0012]使用根据渗漏水轮廓使用openCV的contourArea函数，使用格林公式计算像素面积；
[0013][0014]其中,格林公式(1)表示曲线φ
L
上的环量或线积分，它表示在曲线L上对Pdx和Qdy进行积分得到的结果，其中P和Q是L所在平面上的一个向量场，dx和dy表示微小的路径元素；公式右侧的∫∫
D
表示区域D的面积分，它表示对向量场在D内部取散度的结果，其中和分别表示向量场Q和P在x和y方向上的偏导数；
[0015]检测流程最后综合渗漏水病害裂缝深度、病害实际面积与病害类型鉴别结果，确定病害严重程度；
[0016]并将灾害位置信息、灾害发现时间信息、渗漏水灾害具体严重信息存入后台数据进行检测和管理。
[0017]根据上述的渗漏水检测系统，渗漏水检测系统通过集成渗漏水的二维图像信息、渗漏水病害深度信息以及渗漏水温度数据的多维视频隧道渗漏水测定方法，以使得结构病害检测机器人检测到灾害异常后会执行渗漏水灾害自动检测方法进行灾害检测，并通过预警系统进行预警；通过对于不同渗漏水情况训练不同的检测模型，提升检测的精准度，通过集成渗漏水的二维图像信息、渗漏水病害深度信息以及渗漏水温度数据的多维视频隧道渗漏水测定方法，从多个维度对渗漏水灾害的具体情况做出更加具体的测定，使得可以更加高效地制定对于险情的处理方案，以及可以制定更加准确的处理方案，提升了对于隧道内渗漏水灾害的处理效率和处理质量。综合渗漏水病害裂缝深度、病害实际面积与病害类型鉴别结果，确定病害严重程度。并对于不同状况的渗漏水情况进行针对性的预警，加深了对于实时灾害情况的快速掌握，且对于灾害位置以以及状态信息进行详细的上报，使得管理端能够全面准确地了解灾害状态，并能够针对性进行方案制定。因此，与现有的技术方案对比，本专利技术的技术方案更为全面准确，提升了对于灾害的了解，更能够针对性制定解决方案。
[0018]根据上述的测定方法，机器人将摄像头、激光雷达以及红外热像仪集成在一起。利用人工神经网络在原有可见光视频基础上实时增添隧道渗漏水面积、渗漏水裂缝深度、渗漏水区域温度等多维数据以生成具备多维信息的多维视频新格式(例：.nmp4)以及图片新格式(例：.njpg)。
[0019]根据本申请另一方面，多维视频中借助激光雷达探测渗漏水病害深度，从该维度是一个对于判定渗漏水灾害严重程度的一个可靠测定标准。从该维度对渗漏水病害做出测定，是目前
的一大空缺。
[0020]根据本申请的另一方面，为了得到渗漏水的轮廓，提取特征，通过上下采样得到的特征图矩阵由如下公式:
[0021]通过以下公式表达下采样层同层特征图矩阵：
[0022]g(H
g
×
W
g
×
C
g
)
ꢀꢀꢀ
(2)
[0023]其中，公式(2)中g是指池化；H
g
是指池化后的特征图高度，表示特征图在垂直方向上的大小；W
g
指池化后的特征图宽度，表示特征图在水平方向上的大小；C
g
指池化后的特征
图通道数，表示特征图每个像素点的特征维度；
[0024]通过以下公式表达上采样层同层特征图矩阵：
[0025]f(H
f
×
W
f
×
C
f
)
ꢀꢀꢀ
(3)
[0026]其中，公式(3)f指的是卷积操作，用来提取特征图中的特征；H
f
指输入特征图的高度，表示特征图在垂直方向上的大小；W
f
是指输入特征图的宽度，表示特征图在水平方向上的大小；C
f
表示输入特征图每个像素点的特征维度，也可以理解为特征图的深度。
[0027]以这种方式，使其更能准确计算出轮廓面积，使得计算的结果与实际面积相差更小，提升其检测的准确性。
[0028]根据本申请的一方面：为了使得渗漏水的轮廓检测更为精准，进采用下述的方式进行分割轮廓：
[0029]S1.通过对权利要求1中的两个输入的特征图矩阵进行点乘得到和并相加得到新的特征权重，如下公式所示：
[0030][0031]其中，公式(4)中w
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维视频分析的结构渗漏水实时测定方法，其特征在于：该测定方法应用于结构渗漏水检测系统中，所述结构渗漏水检测系统包括结构病害检测机器人，所述结构病害检测机器人中集成有摄像头、激光雷达、红外热像仪以及一个或多个保存或执行测定方法的模块；其中，基于多维视频自动检测方法包括以下步骤：灾害位置的判定，结构病害检测机器人通过轨道移动至灾害发生位置，采集灾害位置信息，并确定灾害发现时间；渗漏水的检测，其检测方法如下：基于隧道收集的数据使用深度学习识别算法分别训练渗漏水检测模型、漏水检测模型，完成嵌入部署，对输入的图像视频及红外热成像视频完成检测；发现渗漏水病害，同时使用激光雷达对病害深度进行检测，激光雷达发射激光射向渗漏水病害位置，通过反射计算筛选得到两个距离L1和L2，隧道渗漏水处的裂缝深度L＝L1
‑
L2，以及结构病害检测机器人渗漏水物理位置的距离L2；摄像头对渗漏水位置拍照抓取，然后对拍照的图像清晰度进行分析，若清晰度达到就进行下一步骤，若清晰度不够就重新进行拍照抓取直至清晰度达到分析需求，通过对视频抓拍图像分割得出渗漏水的轮廓，且根据红外热成像呈现的渗漏水病害范围里外的温度变化，并对红外抓拍图像，确定渗漏水轮廓，完成轮廓分割，根据分割出的渗漏水轮廓形状，与自建库中设定的鉴定病害轮廓对照，判断渗漏水具体病害类型；使用根据渗漏水轮廓使用openCV的contourArea函数，使用格林公式计算像素面积；其中,格林公式(1)表示曲线上的环量或线积分，它表示在曲线L上对Pdx和Qdy进行积分得到的结果，其中P和Q是L所在平面上的一个向量场，dx和dy表示微小的路径元素；公式右侧的∫∫
D
表示区域D的面积分，它表示对向量场在D内部取散度的结果，其中和分别表示向量场Q和P在x和y方向上的偏导数；检测流程最后综合渗漏水病害裂缝深度、病害实际面积与病害类型鉴别结果，确定病害严重程度；并将灾害位置信息、灾害发现时间信息、渗漏水灾害具体严重信息存入后台数据进行检测和管理。2.根据权利要求1所述的结构渗漏水实时测定方法，其特征在于，通过上下采样得到的特征图矩阵由如下公式:通过以下公式表达下采样层同层特征图矩阵：g(H
g
×
W
g
×
C
g
)
ꢀꢀꢀ
(2)其中,公式(2)中g是指池化；H
g
是指池化后的特征图高度，表示特征图在垂直方向上的大小；W
g
指池化后的特征图宽度，表示特征图在水平方向上的大小；C
g
指池化后的特征图通道数，表示特征图每个像素点的特征维度；通过以下公式表达上采样层同层特征图矩阵：f(H
f
×
W
f
×
C
f
)
ꢀꢀꢀꢀꢀ
(3)
其中,公式(3)f指的是卷积操作，用来提取特征图中的特征；H
f
指输入特征图的高度，表示特征图在垂直方向上的大小；W

【专利技术属性】
技术研发人员：马庆禄，赵映慈，张梓轩，王欣宇，
申请(专利权)人：重庆奉建高速公路有限公司，
类型：发明
国别省市：