【技术实现步骤摘要】
本专利技术属于盾构隧道裂缝智能修复，涉及一种基于图像处理和深度学习的盾构隧道裂缝智能修复方法。
技术介绍
1、随着社会经济的飞速发展，地上空间已不能满足大城市，特别是特大城市的发展需求，开发地下空间成为实现城市可持续发展的必由之路。由于城市地铁的大规模兴建，盾构隧道是开发利用地下空间的主要结构形式。在隧道运营过程中，由于交通荷载等作用导致隧道衬砌不可避免的产生裂缝，如果不及时修复，可能会对隧道的安全运营造成巨大影响。目前隧道裂缝的修复主要仍采用人工修复的方式，不仅工作强度大，工作效率低，修复质量也参差不齐，修复效果得不到保障。此外，部分修复材料自身具有一定的毒性，在修复施工时，还会对施工人员的身体健康造成一定的伤害。
2、近几年，深度学习技术日益得到关注，广泛应用于多个领域，如图像识别、目标检测、模型回归等，且均具有较好的表现和应用潜力。目前在隧道病害修复领域，主要采用深度学习技术检测隧道渗漏或缺损等表观病害。为了提高隧道裂缝的修复质量和修复效率，亟需专利技术一种高效、智能的隧道裂缝智能修复方法。
技术实现思路
1、为了克服已有技术的不足，本专利技术提供了一种基于图像处理和深度学习的盾构隧道裂缝智能修复方法，不仅能快速辨识和定位隧道内存在的裂缝，还能判断修复效果，做到提高修复效率的同时，提高修复质量。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种基于图像处理和深度学习的盾构隧道裂缝智能修复方法，包括以下步骤：
4、(1)
5、(2)对采集的图片进行挑选和处理，剔除失真、模糊、低分辨率和存在边缘裂缝的图片，并将所有图片大小均调整至相同像素大小m×n；
6、(3)对处理后的所有图片进行裂缝标注，并采用图像分割技术确定裂缝的长度和宽度；
7、(4)将标注好的图片作为原始数据集，将原始数据集分为训练集、验证集和测试集三部分，并设置比例；
8、(5)构建深度学习识别模型，包括输入层、卷积层、池化层、激活层、输出层。输入层接收m×n×1图像，即具有m行和n列的灰度图像，然后将其通过卷积层、池化层，减少到1×1×64；激活层根据分类类型预测结果，最终由输出层输出分类预测结果和裂缝位置；
9、(6)构建集成cnn模型，集成cnn模型包括传统cnn模型和回归模型，将原始数据集输入cnn模型，提取数据特征，再将提取的数据特征和对应的裂缝深度分别作为自变量x和因变量y输入回归模型，建立自变量x和因变量y之间的关系，即可根据数据集预测裂纹深度d；
10、(7)在进行隧道裂缝修复时，采用修复系统自带的高速相机连续拍摄隧道内图片，利用训练好的深度学习模型识别并定位裂缝位置，图像处理模块获取裂缝的长度l和宽度w；
11、(8)系统利用训练好的集成cnn模型计算出裂缝深度d，并根据计算出的裂缝长度l、宽度w和深度d，计算出每条裂缝体积v＝l×w×d；
12、(9)控制带有注浆修复装置的机械臂至指定位置的裂缝进行注浆，初始注浆压力设为p0，最大注浆压力设为pm，注浆完成后记录注浆量q：
13、当注浆量q小于0.5v时，通过修复系统控制注浆泵将注浆压力维持至p0，继续注浆；
14、当注浆量q介于0.5v至0.8v之间时，通过修复系统控制注浆泵将注浆压力调整至(p0+pm)/2，继续注浆；
15、当注浆量q介于0.8v至1.0v之间时，通过修复系统控制注浆泵将注浆压力调整至pm，继续注浆；
16、当注浆量q大于或等于v时，即可停止注浆，开始下一条裂缝修复。
17、(10)按照步骤7至9开展隧道裂缝修复施工，直至完成所有裂缝修复工作。
18、进一步，所述步骤(6)中，集成cnn模型包括cnn模型和回归模型两部分，cnn模型用来提取裂缝的数据特征，而回归模型用来建立数据特征和裂缝深度d之间的关系。
19、优选地，所述回归模型可以采用随机森林模型random forest或极端梯度增强xgboost模型，以提高预测精度。
20、本专利技术的有益效果主要表现在：通过采用图像处理和深度学习方法，以大量隧道内裂缝图片构建数据库，构建隧道裂缝识别、定位和计算模型，通过裂缝体积与注浆量的比较，判断修复效果，进而调整施工参数，实现注浆修复施工的智能化，提高修复效率，保障修复质量。
本文档来自技高网...【技术保护点】
1.一种基于图像处理和深度学习的盾构隧道裂缝智能修复方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于图像处理和深度学习的盾构隧道裂缝智能修复方法，其特征在于，所述步骤(6)中，集成CNN模型包括CNN模型和回归模型两部分，CNN模型用来提取裂缝的数据特征，而回归模型用来建立数据特征和裂缝深度D之间的关系。
3.如权利要求2所述的基于图像处理和深度学习的盾构隧道裂缝智能修复方法，其特征在于，所述回归模型采用随机森林模型Random Forest或极端梯度增强XGBoost模型。
【技术特征摘要】
1.一种基于图像处理和深度学习的盾构隧道裂缝智能修复方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于图像处理和深度学习的盾构隧道裂缝智能修复方法，其特征在于，所述步骤(6)中，集成cnn模型包括cnn模型和回归模型两部分，cnn模...
【专利技术属性】
技术研发人员：冯师，姜叶翔，羊逸君，陈冠宇，张文涛，苏凤阳，翁羽晖，
申请(专利权)人：城盾隧安地下工程有限公司，
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。