梁亞成 虞賽君 馬迪迪 劉 永 劉文虎 董叔壯

(1. 合肥市軌道交通集團(tuán)有限公司 安徽 合肥, 230000;2. 合肥市軌道交通集團(tuán)有限公司運營分公司 安徽 合肥,230000;3. 合肥市軌道交通研究院, 安徽 合肥, 230000)

1 背景

地鐵隧道在建設(shè)中以及建成后,因交通設(shè)施的穿越工程、地下基坑工程施工等近接工程對周圍土層或土體的變形和應(yīng)力場的改變,以及施工機械的擠壓、攪動、振動,等等,都有可能導(dǎo)致既有地鐵隧道結(jié)構(gòu)的受力失衡,使隧道結(jié)構(gòu)發(fā)生局部的水平位移、沉降、拉伸、壓縮、剪切、彎曲、扭轉(zhuǎn)等諸多形變,造成隧道的坊塌、限界的改變、道床的沉降、軌道幾何形位的變化等。這樣可能會使隧道結(jié)構(gòu)產(chǎn)生裂縫、形變等危害隧道安全的變化,必須及時準(zhǔn)確地進(jìn)行長期的形變監(jiān)測以便及時發(fā)現(xiàn)和預(yù)報險情,保證隧道的施工以及運營的安全[1]。傳統(tǒng)的結(jié)構(gòu)檢測是采用測距儀、水準(zhǔn)儀、全站儀等傳統(tǒng)的測量儀器測定待定點的變形值,而隧道病害檢測主要通過人工巡視的方式。人工監(jiān)測方式主要存在以下問題：一是人工檢測變化量單一、狀態(tài)量缺失、勞動強度高、效率低;二是人工檢測時間長、易漏查誤判、圖像拍攝不統(tǒng)一、精度低[2]。

本研究針對隧道大規(guī)模場景,通過三維激光掃描與圖像采集分析技術(shù),結(jié)合隧道智能巡檢機器人,具有測量效率高、精度高、人工參與度低等特點,大大提高了檢測的效率與精度。并且通過采集到的數(shù)據(jù)建立地鐵隧道的竣工數(shù)據(jù)原始基礎(chǔ)數(shù)據(jù)庫,構(gòu)建隧道三維孿生模型,作為病害檢測以及形變分析的數(shù)據(jù)基準(zhǔn),以數(shù)字孿生技術(shù)為主線,共同構(gòu)建高效且準(zhǔn)確的地鐵隧道智能巡檢體系[3]。

2 隧道智能巡檢機器人

數(shù)據(jù)采集是保證地鐵隧道地表測量精度和效率的第一步,也是最基本的一步,為了在高速運行的環(huán)境下采集隧道表面數(shù)據(jù),提高隧道斷面檢測的效率和精度,本研究設(shè)計的智能巡檢機器人主要包括數(shù)據(jù)采集模塊、移動模塊和存儲控制模塊。擬通過隧道智能巡檢機器人對測量單元進(jìn)行整體全面的坐標(biāo)測量與收集,數(shù)據(jù)采集傳感器主要分為兩部分,一部分是激光雷達(dá),通過采集的點云數(shù)據(jù)獲取隧道的擬合橢圓長軸寬度值,擬合橢圓短軸寬度值,水平收斂最大寬度值,橢圓度等值,從而對隧道進(jìn)行形變監(jiān)測。另一部分是相機,通過相機進(jìn)行圖像收集,對圖像進(jìn)行處理分析來確定隧道病害。利用相機對隧道內(nèi)影像進(jìn)行獲取,通過數(shù)據(jù)處理算法對收集到的圖像進(jìn)行分析,從而判斷隧道內(nèi)發(fā)生的各類病害[4]。

2.1 激光雷達(dá)數(shù)據(jù)采集模塊

智能巡檢機器人是由多種傳感器組成的移動測量系統(tǒng),每一個傳感器都有自己獨立的采樣頻率和坐標(biāo)系統(tǒng),采集到的數(shù)據(jù)類型也不盡相同,因此需要對各傳感器采集到的數(shù)據(jù)進(jìn)行空間配準(zhǔn)和時間配準(zhǔn)。為了建立空間基準(zhǔn),要擁有統(tǒng)一的坐標(biāo)系,將慣性導(dǎo)航系統(tǒng)、三維激光掃描儀、載體坐標(biāo)系的原點統(tǒng)一到一個基準(zhǔn)參考坐標(biāo)系中,以實現(xiàn)多源數(shù)據(jù)的融合,得到最終地物的地方坐標(biāo)系。

掃描儀空間坐標(biāo)系與載體坐標(biāo)系之間的轉(zhuǎn)換。采集的掃描儀原始數(shù)據(jù)一般是掃描儀原始坐標(biāo)系下的極坐標(biāo),將極坐標(biāo)轉(zhuǎn)換成三維激光掃描儀下的坐標(biāo)的轉(zhuǎn)換公式如式(1)所示。

(1)

式中,(X,Y,Z)為三維激光掃描儀下的坐標(biāo);ρ表示激光發(fā)射原點到目標(biāo)物體之間的距離;θ表示激光束與激光雷達(dá)機械橫軸之間的夾角。

為了簡化數(shù)據(jù)的預(yù)處理過程,一般將載體參考坐標(biāo)系和慣性導(dǎo)航系統(tǒng)坐標(biāo)系視為同一個坐標(biāo)系,所以將掃描儀空間坐標(biāo)系轉(zhuǎn)換到載體參考坐標(biāo)系可以理解為將掃描儀空間坐標(biāo)系轉(zhuǎn)換到慣性導(dǎo)航系統(tǒng)坐標(biāo)系。

激光掃描儀坐標(biāo)系轉(zhuǎn)換到慣性導(dǎo)航系統(tǒng)坐標(biāo)系需要進(jìn)行如式(2)的變換。

(2)

式中：RC代表旋轉(zhuǎn)矩陣;a1、a2、a3、b1、b2、b3、c1、c2、c3代表激光掃描儀坐標(biāo)系轉(zhuǎn)換到慣性導(dǎo)航系統(tǒng)坐標(biāo)系的旋轉(zhuǎn)參數(shù),具體計算步驟如式(3)所示。

(3)

式中,X、Y、Z為掃描儀空間坐標(biāo)系下的坐標(biāo);XC、YC、ZC為轉(zhuǎn)換后慣性導(dǎo)航系統(tǒng)坐標(biāo)系下的坐標(biāo)。三維激光掃描儀坐標(biāo)系相對于慣導(dǎo)坐標(biāo)系之間平移參數(shù)和旋轉(zhuǎn)參數(shù)用ΔX、ΔY、ΔZ、φ、w、k表示,運用關(guān)節(jié)臂激光掃描儀準(zhǔn)確測得檢校前的初始值,精度能達(dá)到亞毫米級。

將采集到的點云數(shù)據(jù)輸入到自主開發(fā)的點云后處理軟件系統(tǒng)即可獲取擬合橢圓長軸寬度值,擬合橢圓短軸寬度值,水平收斂最大寬度值,橢圓度等值。進(jìn)一步進(jìn)行隧道形變的分析[5]。

2.2 相機數(shù)據(jù)采集模塊

具體來說,為了滿足采集隧道表面圖像的精度要求(約0.2 mm/像素),本論文設(shè)計的相機數(shù)據(jù)采集部分,包括8個高分辨率線掃描相機、4個圖像采集卡和9個線性光源。線掃描相機是本套設(shè)備的關(guān)鍵元素,分辨率為12 288×1。數(shù)據(jù)采集設(shè)備適用于地鐵隧道檢測,大多數(shù)地鐵隧道規(guī)則直徑為5.4 m或6.0 m,其中采集系統(tǒng)能夠滿足最小精度要求(0.2 mm/像素),在本論文中,隧道以直徑5.4 m為例進(jìn)行說明。

為了確保檢查范圍能覆蓋整個地鐵隧道,相機的總視場角為280°,為了滿足0.2 mm/像素精度要求,采用八個高分辨率線掃描相機作為采集隧道表面數(shù)據(jù)的關(guān)鍵元件。在設(shè)計階段,我們假設(shè)線掃描相機分布在隧道中心周圍,每臺線掃描相機的測量范圍可覆蓋40°區(qū)域,并且每臺線掃描相機有5°的視野重疊,以確保相機能夠有效采集整個隧道表面的數(shù)據(jù)。每臺相機距隧道表面距離約2.5 m。在數(shù)據(jù)采集過程中,設(shè)備運行在待檢區(qū)域之內(nèi),采集地鐵隧道表面的全部數(shù)據(jù)。為了驗證采集數(shù)據(jù)的精度,我們對精度進(jìn)行了如下定義,如式(4)所示。

(4)

式中,A表示精度;Lipt表示線掃描相機的測量范圍;R代表相機的分辨率。線掃描相機的測量范圍為式(5)。

(5)

式中,l代表相機到測量區(qū)域的距離;θ表示線掃描相機的測量范圍。為了校準(zhǔn)線掃描相機,確定重疊區(qū)域的大小,重疊區(qū)域表示為Lolp,如式(6)所示。

(6)

式中,α是一個攝像頭到另一個攝像頭的角度;r是地鐵隧道的半徑。具體來說,地鐵隧道數(shù)據(jù)采集系統(tǒng)覆蓋區(qū)域Lcur，如式(7)所示。

(7)

式中,n表示線掃描相機的數(shù)量,通過計算所獲得的圖像精度為0.16mm/像素。

上述數(shù)據(jù)采集部分的設(shè)計是收集地鐵隧道地表數(shù)據(jù)最重要的部分。此外,運動和控制部件是兩部分其它基本組件。對于運動部件,由于線掃描相機對振動的高靈敏度,系統(tǒng)的穩(wěn)定性若是出現(xiàn)問題,可能會導(dǎo)致采集的圖像數(shù)據(jù)失真。對于系統(tǒng)控制,攝像機采集頻率應(yīng)與設(shè)備的移動速度相匹配。換句話說,頻率設(shè)置與系統(tǒng)移動速度和分辨率精度有關(guān)。頻率F定義如式(8)所示。

(8)

式中,V代表移動速度。

數(shù)據(jù)預(yù)處理的目的是增強原始圖像的特征獲取,這有助于系統(tǒng)進(jìn)一步對隧道缺陷進(jìn)行檢測和分析。一方面,由于曝光次數(shù)有限,在圖像采集期間,高速線掃描相機拍攝的地鐵隧道表面圖像保持低對比度。針對獲取的原始圖像數(shù)據(jù)對比度低的問題,提出了一種自適應(yīng)圖像對比度增強方法,一種在固定范圍內(nèi)平衡圖像對比度的方法。另一方面,提出了一種由粗到精的圖像處理方法用于定位缺陷,防止圖像重疊區(qū)域中的缺陷重復(fù)識別。

圖像拼接是預(yù)處理的另一個組成部分,目的是為了消除對重疊區(qū)缺陷檢測的干擾。在本研究中,圖像拼接包括水平拼接和垂直拼接,用于拼接攝像機和相鄰攝像機拍攝的圖像。對于圖像水平拼接,由于兩幅拼接圖像之間沒有重疊區(qū)域,因此可以直接合并時間相鄰的圖像。對于圖像的垂直拼接,本論文提出了一種由粗到精的方法,即粗配準(zhǔn)和精配準(zhǔn),用于計算變換矩陣?；陬A(yù)先校準(zhǔn)的攝像機位置計算變換矩陣,以實現(xiàn)圖像粗配準(zhǔn)。在此步驟中,使用不同的相機以固定的分辨率同時進(jìn)行數(shù)據(jù)采集。在圖像精細(xì)配準(zhǔn)階段,首先利用尺度不變特征變換(scale-invariant feature transform,SIFT)算法從兩幅圖像的重疊區(qū)域中提取特征點。然后,將一個待配準(zhǔn)圖像中的特征點設(shè)置為模板的中心,并從另一個待配準(zhǔn)圖像中提取相應(yīng)的相鄰特征點。在粗配準(zhǔn)的基礎(chǔ)上,從另一幅圖像的相鄰特征點中準(zhǔn)確地搜索出對應(yīng)點,實現(xiàn)了點對匹配。然后,應(yīng)用歸一化互相關(guān)(normalized cross-correlation,NCC)計算地鐵隧道地表圖像精細(xì)配準(zhǔn)點對的相關(guān)性。最后,提取相關(guān)點對用于計算圖像精細(xì)配準(zhǔn)的變換矩陣,我們的方法表示為SIFT-NCC。

對于采集到的相片病害數(shù)據(jù),使用基于深度學(xué)習(xí)的圖像分析技術(shù),我們使用改進(jìn)的基于深度學(xué)習(xí)的框架,這個框架是基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(faster region convolutional neural network,faster-RCNN)技術(shù)。首先,相片數(shù)據(jù)被送入主干卷積濾波器神經(jīng)網(wǎng)絡(luò),如視覺幾何圖形組(visual geometry group 16,VGG16),用于生成多尺度特征地圖。然后,插入一個區(qū)域建議網(wǎng)絡(luò)(region proposal network,RPN)提取可能包含缺陷的區(qū)域。接下來,提取特征區(qū)域輸入共用層以修復(fù)圖片要素的分辨率。最后,根據(jù)兩個完全連通的層確定提取區(qū)域的類別和邊界框同時對回歸進(jìn)行了估計。

3 隧道智能監(jiān)測可視化平臺

通過隧道智能巡檢機器人,獲取隧道的病害與形變信息,將隧道模型與監(jiān)測分析結(jié)果等多源異構(gòu)數(shù)據(jù)進(jìn)行有效的融合,搭建隧道智能監(jiān)測可視化平臺,即合肥市軌道交通隧道智能檢測管理系統(tǒng),該系統(tǒng)能夠大幅提升軌道交通信息系統(tǒng)數(shù)據(jù)的利用率和準(zhǔn)確度,從而實現(xiàn)跨階段數(shù)據(jù)的有效共享,避免了關(guān)鍵信息易缺失以及傳統(tǒng)紙質(zhì)文檔信息查詢效率低下的弊端,使每個階段的后續(xù)工作都更有延續(xù)性。實現(xiàn)對隧道結(jié)構(gòu)狀況進(jìn)行三維可視化表達(dá)。將數(shù)字化管理技術(shù)與數(shù)字孿生技術(shù)應(yīng)用到合肥市軌道交通項目上,依托全壽命周期信息化管理平臺,實現(xiàn)基礎(chǔ)數(shù)據(jù)與檢測數(shù)據(jù)的管理,成果的生成,三維模型與數(shù)據(jù)的展示,系統(tǒng)配置。如圖1所示，展示系統(tǒng)中的部分內(nèi)容[6]。

圖1 合肥市軌道交通隧道智能檢測系統(tǒng)頂層設(shè)計

通過地理信息系統(tǒng)(geographic information system,GIS)大場景展示當(dāng)前試點應(yīng)用線路走勢,試點應(yīng)用隧道、車站重點標(biāo)記顯示,大場景下主要是對病害形變統(tǒng)計圖表和預(yù)警信息看板做分析。然后通過GIS大場景快速定位到所感興趣區(qū)間的三維模型,在隧道內(nèi)部漫游,進(jìn)行數(shù)字化瀏覽與管理。

通過數(shù)字孿生首頁GIS大場景進(jìn)入感興趣的三維模型隧道,可視化的展現(xiàn)不同區(qū)段結(jié)構(gòu)設(shè)計,其中管片結(jié)構(gòu)建模細(xì)化至管片塊、螺栓、注漿孔,管片接縫進(jìn)行單元化處理,可以便捷地查詢不同病害形變下結(jié)構(gòu)的信息。

隧道結(jié)構(gòu)中可進(jìn)行單環(huán)精細(xì)化展示,選擇單環(huán)可展示該位置處工程資料、管片缺陷情況,管片監(jiān)測預(yù)警情況等,如圖2所示。

圖2 單環(huán)展示

數(shù)據(jù)的分析是指對隧道區(qū)間的結(jié)構(gòu)形變和管片病害匯總信息以折線圖,柱狀圖的形式進(jìn)行統(tǒng)計分析。其中,病害統(tǒng)計分析是按線路、區(qū)間對時間、病害類別、病害等級進(jìn)行曲線、柱狀圖統(tǒng)計。形變分析包括統(tǒng)計查詢和趨勢分析,其中,統(tǒng)計查詢是按照線路、區(qū)間統(tǒng)計查詢環(huán)號-水平最大寬度值曲線圖與水平最大寬度值-環(huán)號區(qū)間分布柱形圖。趨勢分析是指任意選中若干個截面,可生成該環(huán)號處橫剖面圖,在圖中擬合形變曲線(通過橫剖面最大直徑和最小直徑大致描出變形走勢)標(biāo)識出水平收斂最大寬度值,如圖3所示。

圖3 形變分析

4 結(jié)束語

地鐵隧道結(jié)構(gòu)檢測是一項長期的任務(wù),城市經(jīng)濟(jì)、建設(shè)的發(fā)展對地鐵隧道結(jié)構(gòu)檢測的高效性、準(zhǔn)確性提出了更高的要求。本論文對隧道無人巡檢機器人技術(shù)進(jìn)行研究,解決隧道結(jié)構(gòu)形變與表面病害快速采集問題,并建立地鐵隧道運營數(shù)據(jù)庫,作為運營維護(hù)以及形變、病害分析的數(shù)據(jù)基準(zhǔn),以數(shù)字孿生技術(shù)為主線,共同構(gòu)建高效且準(zhǔn)確的地鐵隧道智能巡檢體系,實現(xiàn)隧道全生命周期管理的信息化、流程化、無紙化,利用大數(shù)據(jù)分析技術(shù)深入挖掘資產(chǎn)數(shù)據(jù)價值,全面提升基礎(chǔ)設(shè)施運維管理的效率與質(zhì)量。