【技术实现步骤摘要】
基于物联网无线传输的隧道多元信息现场监测方法
[0001]本专利技术属于隧道监测和隧道安全评估的
，具体涉及一种基于物联网无线传输的隧道多元信息现场监测方法
。
技术介绍
[0002]随着我国经济的高速发展，我国隧道数量剧增
。
根据
《2021
年交通运输行业发展统计公报
》
显示，截至
2021
年末，全国共有公路隧道
23268
处
、
总长
2469.89
万延米，其中特长隧道
1599
处
、717.08
万延米，长隧道
6211
处
、1084.43
万延米
。
随着越来越多的公路隧道投入运营，所面临的维护成本与日俱增，而且传统的监测方法很难满足对隧道进行全面的
、
实时的和精确的监测要求，从而导致不能及时发现隧道运营中所存在的风险，对隧道运营的安全造成了巨大的隐患
。
[0003]因此，建立基于物联网无线传输的隧道监测系统可以减少隧道监测所投入的人力成本，相较于传统的监测方法显得更加便捷和快速，符合现代社会对智能化的需求
。
而融合了隧道多元信息的监测方法可以更加全面的对隧道的结构安全进行整体性评估，根据采集到的数据得出隧道的安全等级，当安全等级过高时，说明隧道存在造成财产损失的风险，此时可以发送信息给相关工作人员，以便于及时采取有效的防护措施，从而杜绝
【技术保护点】
【技术特征摘要】
1.
基于物联网无线传输的隧道多元信息现场监测方法，其特征在于：包括：
S1.
收集监测项目图像数据并上传至本地服务器中；
S2.
基于监测项目的图像数据，训练出采集车识别模型和探地雷达识别模型且对该模型预测效果进行评价，并将采集车识别模型和探地雷达识别模型部署到边缘服务器上；
S3.
使用采集车识别模型和探地雷达识别模型，对本地服务器上传至边缘服务器上的图像数据进行识别和分类，通过分类结果获得各监测项目安全等级向量；
S4.
以各监测项目安全等级向量为基础，建立线性回归模型并训练该模型，基于训练好的线性回归模型得到整体的隧道安全等级评估向量；
S5.
基于整体的隧道安全等级评估向量得到整体的隧道安全等级评估向量，得到隧道整体结构安全等级
。2.
根据权利要求1所述的基于物联网无线传输的隧道多元信息现场监测方法，其特征在于：在步骤
S2
中训练采集车识别模型和探地雷达识别模型的训练方法一致，不同之处在于：采集车识别模型和探地雷达识别模型在训练过程中用到的上传数据集对应为采集车获取的数据集和探地雷达获取的数据集
。3.
根据权利要求2所述的基于物联网无线传输的隧道多元信息现场监测方法，其特征在于：步骤
S2
中训练采集车识别模型和探地雷达识别模型的过程包括：步骤
1.
对本地服务器上传的数据集中的图像进行预处理；步骤
2.
取预处理后的数据集中的
70
％作为训练集，
20
％作为验证集，
10
％作为测试集；步骤
3.
利用训练集建立采集车识别模型和探地雷达识别模型，并对其进行训练
。4.
根据权利要求3所述的基于物联网无线传输的隧道多元信息现场监测方法，其特征在于：步骤3中训练采集车识别模型和探地雷达识别模型的过程包括：
1)
计算单次多边界框检测器中先验框大小与训练集中原图片大小的比值；计算公式为：其中，
S
k
为第
k
个特征图对应的先验框大小与原图片的比值，
S
max
、S
min
分别为该比例所取的最大值和最小值，一般
S
max
＝
0.9
，
S
min
＝
0.2
，
m
表示特征图的数量；
2)
计算单次多边界框检测器中先验框的宽
w
k
和高
h
k
，计算公式为：，计算公式为：其中，
3)
计算特征图上先验框与训练集中原图片的图像坐标的映射关系，计算公式为：计算特征图上先验框与训练集中原图片的图像坐标的映射关系，计算公式为：
其中，
w
f
、h
f
为特征层的宽和高；
w
i
、h
i
为原图片的宽和高；
(x
min
、y
min
、x
max
、y
max
)
为第
k
层特征图上以
(a,b)
为中心
、
大小为
(w
k
,h
k
)
的先验框映射到原图片的坐标；
4)
基于预测框和标注框的距离差所得到的位置损失函数如下：基于预测框和标注框的距离差所得到的位置损失函数如下：其中，
Pos
为正样本集合，表示第
i
个先验框是否匹配到第
j
个类别为
P
的标注框，若则表示成功匹配，否则为0；表示预测窗口
l
的中心坐标
(cx,cy)
和宽高
(w,h)
相对于真是框
g
的偏移量，
N
为与真实目标框相匹配的区域候选框的个数；
5)
基于预测的类别是否匹配标注的类别，得到置信度损失函数如下：基于预测的类别是否匹配标注的类别，得到置信度损失函数如下：其中，表示第
i
个正样本关于类别
P
的
softmax
置信度回归；
Neg
为负样本集合；为第
i
个负样本的置信度，为是第
i
个正样本的置信度；
6)
基于上述置信度损失函数和位置损失函数得到总损失函数如下：其中，
L
conf
为置信度损失，
L
loc
为位置损失，
N
为与真实目标框相匹配的区域候选框的个数；
l
为预测框；
g
为标注框；
α
为权重参数，一般设为1；
7)
基于总损失函数，得到对应的采集车识别模型和探地雷达识别模型
。5.
根据权利要求4所述的基于物联网无线传输的隧道多元信息现场监测方法，其特征在于：对模型预测效果进行评价过程包括：步骤
1.
使用训练后的采集车识别模型和探地雷达识别模型检测对应测试集中的图片，得到
TP、FP、FN
，再基于
TP、FP、FN
计算计算模型预测相关目标的准确率
Precision
和召回率
Recall
；其中，
TP
是预测框分类正确且坐标位置正确的数量；
FP
是预测框分类错误或者坐标位置不正确的数量；
FN
是没有被预测出来的标注框；
Recall
：模型能够预测所有相关目标的能力；
Precision
：模型预测相关目标的能力，其公式为：
步骤
2.
基于准确率
Precision
和召回率
Recall
的数值，并使用
mAP
评价该模型的预测效果，评价过程包括：首先，
AP
i
＝
∫
01
p(r)
i
dr
其中，
p(r)
i
是根据
Precision
和
Recall
的得到的，即使用
Precision
作为
y
轴，
Recall
作为
x
轴组成的曲线；其次，其中，
A...
【专利技术属性】
技术研发人员：宋战平，胡洋，孙引浩，高永吉，张玉伟，谢江胜，李龙吉，薛青松，田小旭，郑方，
申请(专利权)人：中铁二十局集团第一工程有限公司中铁二十局集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。