隧道結構自動檢測技術及集成化裝備研究

艾 青 袁 勇 姚旭朋 方從啟,5

1. 上海交通大學船舶海洋與建筑工程學院 上海 200240；

2. 同濟大學地下建筑與工程系 上海 200092；3. 同濟大學土木工程防災國家重點實驗室 上海 200092；4. 上海城投公路投資（集團）有限公司 上海 200335；5. 上海師范大學建工學院 上海 201418

近年來，國內城市軌道交通飛速發展，地鐵隧道運營里程不斷增長，地鐵隧道結構的運營安全逐漸成為管理者關注的重點。

對地鐵隧道結構進行定期檢測是保障運營安全的重要手段[1]。但是地鐵隧道網絡規模龐大，檢測工作更是海量，且檢測時間窗口也非常有限，因此，必須研發新型檢測技術以快速獲取結構病害數據，自動化判斷結構安全程度，及時確定是否安排維修措施，保障地鐵隧道結構的運營安全。

目前地鐵隧道結構檢測的主要手段為人工巡檢，效率較低。近幾年，隧道結構檢測技術表現出向自動化和智能化等方向發展的趨勢，國內外出現了激光掃描、CCD成像、地質雷達、激光測距、紅外成像等多種新型隧道病害檢測技術[2-7]。

但是由于各種檢測技術在原理、使用條件和環境等方面的要求不同，因此，目前還未有能夠同時檢測多種病害的集成化技術。此外，以激光掃描為代表的大多數自動化檢測技術在現有硬件性能下需要兼顧檢測精度的要求，不能達到很高的檢測速度，也是制約檢測技術推廣應用的瓶頸之一[8]。

因此，急需開發一種隧道結構自動化、集成化的檢測技術和相應的檢測裝備，以提高隧道病害檢測的效率。

針對地鐵隧道內表觀病害（滲漏、破損等）和斷面變形等2種主要常見結構病害，本技術以CCD相機為共用傳感器，分別采用圖像處理和攝影測量方法，形成了一套既能識別表觀病害又能計算橫斷面變形的隧道結構病害綜合采集分析系統。同時，為了提高隧道結構病害的采集速度，設計了1臺裝載上述采集分析系統的動力檢測車，并研制了遠程動力控制系統，可在10 km/h速度下保持檢測車的穩定連續檢測。通過現場測試，將檢測結果與人工巡檢和全站儀測量數據對比，驗證了上述檢測技術的精度和速度，表明該技術已達到了地鐵隧道結構病害快速、自動、集成的檢測要求，具有推廣應用價值。

1 表觀病害識別技術

1.1 病害識別原理

地鐵隧道結構的表觀病害主要包括滲漏水、破損和裂縫等病害，如圖1所示。本技術根據病害區域灰度值低于無病害區域灰度值的特點，主要采用圖像處理中的差影法對病害進行識別，即通過對比同一位置前后2次采集圖像的變化來識別病害。

圖1 隧道結構常見表觀病害

差影法通過2幅圖像灰度值相減產生1幅新的圖像，被廣泛地用于檢測同一拍攝區域所發生的變化，其原理如圖2所示。

圖2 差影法原理示意

在圖2中，方塊中的數字表示圖像中一個像素的灰度值，通過對應位置像素的灰度值相減，未變化區域灰度值的差為0，發生變化區域灰度值的差不為0，從而可以提取圖像中發生變化的區域（如病害）。

需要注意的是，差影法只有在2次采集圖像位置相同時才能獲得比較滿意的結果。為此，本研究采用兩方面的措施來保證2次采集能夠獲得同一位置的圖像：一是在采集過程中通過高分辨率編碼器進行觸發拍照，以保證2次圖像采集的位置盡量相同；二是在進行差影法計算前，將目標圖像與背景圖像進行上、下、左、右移動匹配，以進一步實現圖像對齊。在上述措施實施后，再進行差影法計算。隧道結構的圖像因出現病害而產生變化，差影法不僅能夠準確地識別病害的發展變化情況，且該方法對隧道內螺栓孔和接縫等類似病害的干擾信息過濾效果也非常好。

1.2 病害提取及分類

差影法計算后生成的圖像存在許多噪聲，需要進行過濾。選取某一閾值進行圖像分割，認為大于閾值的像素為表觀病害，小于該閾值的為噪聲，然后進行二值化處理。

為對圖像分割后二值圖像中的病害進行區分，需要計算這些病害特征。因此，本研究利用圖像連通區的形態學特征開展研究。圖像連通區是一群鄰域互相連接的像素組成的塊（集合），圖3顯示了1個包含2個連通區的圖像。

圖3 二值圖像的連通區

計算出圖像連通區后，根據其形態學特征，就可以判斷病害的類型并將其歸類統計。以地鐵隧道結構表觀病害為研究對象，其圖像連通區特征如表1所示。“面積”定義為以像素為單位的連通區像素個數，“長軸”和“短軸”定義為能夠包絡連通區最小矩形的長和寬，“填充率”則定義為連通區的像素個數除以包絡連通區最小矩形的像素個數。

表1 不同表觀病害連通區的形態學特征

根據上面給出的連通區特征，可以將識別提取出的病害進行鑒定分類。然后根據圖像拍攝范圍對應的實際區域大小，將像素面積換算為工程單位，從而得出病害的實際大小。

由于不同隧道病害發展特征不同，大、中、小（表1）的具體數值需要根據經驗確定，且與隧道結構形式有相關性，暫時不能給出統一、具體的標準。對盾構法施工的地鐵隧道來說，面積大于0.02 m2的表觀病害可認為是滲漏水。本文第4章中識別出的滲漏水病害即是采用該參數進行計算處理的。

2 斷面變形測量技術

2.1 透射投影基本原理

斷面變形測量基于透射投影原理，采用CCD相機與激光發射器結合對隧道斷面變形進行測量，如圖4所示。

圖4 隧道斷面變形測量的透射投影原理

其中，激光發射器生成一個激光平面Sp，該平面與隧道相交形成結構光斷面輪廓。由于相機與激光器的相對位置固定，所以結構光斷面輪廓上一點I與其在圖像平面上的成像i有穩定的透射投影關系。

根據相機主距等參數和透射投影關系，通過射線Lri與平面Sp相交的公式可以計算出斷面上每一點的空間坐標，如公式（1）所示。

式中：m,n ——圖像上的點；

id——相機主距，均為已知量。

H·x＋I·y＋J·z＋K＝0為激光平面Sp在相機坐標系OXYZ中的平面方程。

2.2 測量計算過程

本系統采用非量測相機，相機參數需要進行標定；此外斷面測量所需視角較大，因此采用了多相機布置方案；最后還要將測量出的斷面結果擬合為橢圓，以便與全站儀測量數據進行對比。

因此，斷面變形測量主要工作包括：相機參數標定、不同相機坐標系的空間位置關系標定、橢圓擬合計算。測量計算過程如圖5所示。

圖5 斷面變形測量計算過程

3 快速集成化技術方案

3.1 檢測裝備介紹

本研究設計了1臺動力檢測車以實現隧道結構表觀病害和斷面變形檢測的自動化、集成化。該動力檢測車結構上包括前梁、中梁、后梁、豎柱和采集中心，采用模塊化設計，并以滑槽式接頭實現了快速拆裝，現場拼裝和拆卸時間合計小于15 min。

動力檢測車主要裝載有采集控制、供電和動力控制三大系統（圖6）：采集控制系統用來采集隧道表面特征信息，包括高分辨率智能相機、激光發射器、閃光燈、控制卡、編碼器等裝置；供電系統主要采用鋰電池供電，其電量可保障檢測車連續工作10 h；動力控制系統考慮了整車的質量、運行穩定性以及采集速度要求，選用48 V帶霍爾傳感器直流無刷電機，使整車的最高穩定時速達到10 km/h以上。

圖6 動力檢測車構成示意

依托上述裝備和系統，動力檢測車實現了隧道病害的快速采集分析，其流程如下：啟動系統，設置采集參數→運動狀態下隧道結構表觀病害和斷面變形數據的集成化采集→數據自動化處理及分析。

3.2 動力控制系統

本裝備采用電力驅動的動力檢測車以提高數據獲取的速度。為了監測和控制動力檢測車的運動狀態，設計了相應的動力控制系統。

本裝備的動力控制系統分為2個部分，即地面站部分和車載部分，地面站部分實現遙控器信號發送，圖像數據和車載數據的接收；車載部分負責遙控器數據的接收、電機控制、距離檢測與圖像傳輸。

地面站為用戶界面，車載電控部分是檢測車的控制模塊，兩者進行信息交互。用戶在地面站上進行操作，實現檢測車運行狀態的遠程監測和控制。

3.3 集成化采集系統

表觀病害和斷面變形的檢測均以智能CCD相機為核心傳感器，區別在于這2種檢測工作模式對外界光照亮度要求不同，因此，設計了一種交叉式的集成化采集方案，實現了動力檢測車可以一次同步采集表觀病害和斷面變形2種 數據。

該方案根據編碼器記錄的里程，使相機拍照時間隔性地點亮閃光燈，分別獲得表觀病害圖像和斷面激光線圖像，其過程如圖7所示。

圖7 集成化采集工作過程示意

此外，動力檢測車還具有可擴展性，未來還可以集成多種其他檢測技術，從而可以進一步減少重復作業，提高檢測效率。

4 工程案例

4.1 表觀病害識別結果分析

本系統在上海軌道交通7號線、9號線進行了測試和驗證，其中滲漏水病害的識別效果如圖8所示。在圖8所示的隧道中測試，第1次進行背景圖像采集，第2次圖像采集時人工添加了水跡和白紙，然后通過差影法成功識別出滲漏水跡和白紙上不同寬度的條紋，說明差影法原理是正確可行的。

圖8 滲漏水病害的識別結果

為了更加直觀地展示表觀病害在隧道中的位置，本研究開發的識別程序還將識別出的病害映射到隧道內表面的展開圖上，稱為病害展開圖，如圖9所示。

圖9 隧道結構表觀病害展開圖

經過與采集的原始圖像進行人工對比驗證，病害展開圖上的表觀病害標記在形狀和大小上與病害實際情況（彩色圖像為病害對應的照片原圖）十分接近，表明本系統對表觀病害具有較好的自動化識別能力。

4.2 斷面變形測量結果分析

隧道斷面變形測量結果為點云三維坐標。本研究采用CCD相機獲取隧道斷面輪廓線，測點數量與相機的分辨率有關，可達幾千個，而全站儀獲取的點數為40～50個。相比全站儀，本文方法測得的點更多，斷面連續性更強，如圖10所示。

圖10 本文方法與全站儀測量結果對比

對隧道斷面點云進行橢圓擬合，將橢圓的長軸長度與隧道設計半徑進行比較來評估隧道變形的嚴重程度，如圖11所示。通過判斷變形值是否大于閾值，可將發生嚴重變形的橫斷面快速篩查出來。

圖11 本文方法計算結果的參數

為了檢驗本文方法的精確性和重復性，在同一段隧道內進行了3次重復測量。

圖12 本文方法測量結果的重復性

圖12展示了全站儀測量結果與本方法3次重復測量結果的比較。由圖12可以看出，這2種方法的結果十分接近。一般認為全站儀的測量結果較為精確，因此，定量研究了本文方法的精確度，并進行了測量誤差的統計分析，結果如表2所示。可以看出，本文方法完全能夠滿足快速篩選隧道結構嚴重變形（120 mm）的測量精確度要求，且重復測量的測量誤差的統計值比3個單次測量的測量誤差都小。

表2 斷面測量誤差的統計結果

4.3 速度和集成化測試分析

現場還對動力檢測車的動力控制系統（圖13）及集成化采集系統（圖14）進行了驗證測試。試驗結果顯示動力檢測車最高運行速度為17 km/h，穩定運行速度可以保持在10 km/h以上，且集成化采集方案無漏診和錯誤發生，表觀病害與斷面變形數據采集連續穩定。

圖13 動力控制系統界面

5 結語

本文以地鐵隧道結構表觀病害和斷面變形為檢測對象，研究了基于圖像處理算法的隧道病害自動化識別算法，實現了表觀病害的智能提取、識別、計算和分類；基于攝影測量方法中的透射投影模型，研究了隧道斷面變形的自動化測量方法，實現了斷面變形的自動采集和測量計算。為了集成2種檢測方法，研制出地鐵隧道結構自動化綜合檢測車，以動力驅動形式實現了快速采集，并研究了2種檢測方法的交叉采集模式，實現了2種病害的集成化采集，減少了重復作業。現場測試結果表明，本技術和裝備具有較高的自動化程度、檢測精度和穩定性，能夠大幅提高隧道結構的檢測效率，具有較好的應用推廣價值。

圖14 集成化采集現場測試