基于卷積神經(jīng)網(wǎng)絡(luò)的盾尾間隙測量系統(tǒng)研究

趙栓峰 耿龍龍 丁志兵 黃濤 許倩

摘 ?要： 針對隧道施工過程中盾構(gòu)機(jī)盾尾間隙變化引起的機(jī)器磨損與注漿問題，通過分析國內(nèi)外采用傳統(tǒng)的人工計量方法測量盾尾間隙的諸多不足，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的盾構(gòu)機(jī)盾尾間隙測量方法和裝置。該方法通過單目相機(jī)拍攝位于管片上的激光標(biāo)定點與盾尾間隙局部圖像信息并傳入計算機(jī)中，采用卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建方法對采集到的圖像進(jìn)行超分辨率重建，得到高分辨率圖像，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與數(shù)字圖像處理技術(shù)檢測盾尾間隙，進(jìn)行盾構(gòu)機(jī)盾尾間隙的數(shù)值估計，實現(xiàn)盾尾間隙的非接觸測量方式，使得盾構(gòu)護(hù)盾間隙自動化測量能夠用于盾構(gòu)的全周期中，有助于實現(xiàn)盾構(gòu)施工的精確化和自動化。通過西安地鐵五號線施工現(xiàn)場的實際測試結(jié)果表明，程序運行穩(wěn)定，盾尾間隙估計準(zhǔn)確，最大誤差為±5 mm。

關(guān)鍵詞： 盾尾間隙; 人工計量; 卷積神經(jīng)網(wǎng)絡(luò); 激光標(biāo)定; 數(shù)字圖像處理; 數(shù)值估計

中圖分類號： TN98?34 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）23?0146?04

Abstract： In view of the machine wear and grouting caused by the variation of shield tail clearance in the process of tunnel construction， a convolutional neural network based method and device for measuring shield tail clearance of shield machine are proposed by analyzing the shortcomings of the traditional manual shield tail clearance measurement methods at home and abroad. In the method， a monocular camera is used to capture local image information of the laser calibration points and the shielding tail clearance， and then the local information is transmitted to a computer. The image super?resolution reconstruction method based on convolutional neural network is used to reconstruct the collected images with super?resolution so as to obtain high?resolution images. The shield tail clearance is detected in combination with convolutional neural network and digital image processing technology， and the value of shield tail clearance of shield machine is estimated to achieve the non?contact measurement method of shield tail clearance， which make the automatic measurement of shield tail clearance be used in the whole period of shield， and is helpful to realize the accuracy and automation of shield construction. After the actual test on the construction site of Xian Metro Line 5， the results show that the program runs stably， and the estimation of shield tail clearance is accurate （maximum error of ±5 mm）.

Keywords： shield tail gap; manual measurement; convolutional neural network; laser calibration; digital image processing; value estimation

0 ?引 ?言

在采用盾構(gòu)機(jī)的隧道施工中，盾尾間隙是非常重要的一個測量參數(shù)，盾尾間隙是指盾構(gòu)機(jī)尾部盾殼內(nèi)壁與管片外徑之間的空間[1]。由于城市地鐵隧道建設(shè)中盾構(gòu)機(jī)推進(jìn)路線并非全為直線，其曲率存在隨時變化，同時盾構(gòu)機(jī)推進(jìn)油缸的伸出長度也在隨時變化。而在實際工作中，曲率與推進(jìn)油缸的伸出長度不能隨時保持同步匹配，這導(dǎo)致盾尾間隙不斷變化。盾尾間隙變化過大會使盾尾發(fā)生擠壓管片現(xiàn)象，從而造成盾構(gòu)機(jī)盾尾密封系統(tǒng)破壞，最終對盾構(gòu)機(jī)造成破壞[2]。因此，研究盾構(gòu)間隙的自動測量技術(shù)對保證施工的順利進(jìn)行有著很重要的意義。

目前，在我國現(xiàn)有的盾構(gòu)施工條件下，盾尾間隙測量方法主要包括人工測量、機(jī)械探針測量、超聲波測距測量以及激光測距測量。人工測量存在較大的測量誤差，不同人測量存在差異性，效率低，同時會給測量人員帶來安全隱患[3];采用機(jī)械探針測量方式時，由于機(jī)械探針會與盾尾殼體接觸，長期使用會造成探針磨損，導(dǎo)致探針測量精度降低;運用非接觸式測量時，激光測距儀和超聲波測距儀都對安裝位置的選擇有較大的局限性，需要考慮安裝精度，同時無法返回實時圖像，都會引起盾尾間隙測量誤差。

因此，針對這些落后的盾尾間隙測量方法，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的盾構(gòu)機(jī)盾尾間隙測量方法和裝置，此系統(tǒng)操作簡單，安裝位置沒有具體的要求，測量結(jié)果精確，測量誤差為±5 mm，該系統(tǒng)具有精度高、智能傳輸?shù)葍?yōu)點，同時可以提高測量的效率及自動化程度，并能對安全隱患提前發(fā)出預(yù)警。

1 ?系統(tǒng)總體框架

本文研究的盾尾間隙測量系統(tǒng)旨在檢測盾構(gòu)機(jī)在掘進(jìn)一環(huán)后盾尾間隙的數(shù)值變化，系統(tǒng)能檢測出盾尾間隙的大小并將數(shù)據(jù)傳輸至監(jiān)控平臺，及時進(jìn)行盾構(gòu)機(jī)姿態(tài)的同步調(diào)整。

系統(tǒng)模塊結(jié)構(gòu)圖如圖1所示。

相比人工測量方式存在的誤差和不可控錯誤，本系統(tǒng)減少了誤差，降低了安全隱患，在實際生產(chǎn)測量中，可以做到周期測量，實時監(jiān)控，同步調(diào)整盾構(gòu)機(jī)的姿態(tài)，最重要的是提高了隧道施工的安全性[4]。

2 ?網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

構(gòu)建本文搭建的重建高分辨率網(wǎng)絡(luò)模型[5]，網(wǎng)絡(luò)訓(xùn)練中提出的三層卷積為[9?1?5]模型，本文改為[3?3?3]模型，本文采用三層卷積層，但與訓(xùn)練網(wǎng)絡(luò)不同的是，本文每一層卷積層的卷積核大小都是[3×3]。本文采取的工作流程圖如圖2所示。

具體實現(xiàn)過程如下：

1） 采集圖像數(shù)據(jù)

以外部圖像庫為訓(xùn)練對象，對網(wǎng)絡(luò)參數(shù)[θ={W1，W2，W3，B1，B2，B3}]進(jìn)行訓(xùn)練、估計與優(yōu)化，在低、高分辨率圖像之間形成端到端的非線性映射，即獲得端到端的映射[F]的一組網(wǎng)絡(luò)參數(shù)。

3 ?盾尾間隙測量系統(tǒng)硬件平臺搭建

本文采用激光標(biāo)定局部管片的方式進(jìn)行圖像采集，以樹莓派等硬件設(shè)施為載體，結(jié)合先進(jìn)的數(shù)字圖像處理技術(shù)進(jìn)行盾尾間隙的測量。整個測量過程在盾構(gòu)機(jī)的駕駛室內(nèi)完成，當(dāng)駕駛員觀察到油缸推出長度到達(dá)設(shè)定的閾值時，測量系統(tǒng)便會處于開啟狀態(tài)，并將測量結(jié)果實時顯示在電腦屏幕上，駕駛員根據(jù)測量結(jié)果進(jìn)行實時調(diào)整。根據(jù)現(xiàn)場調(diào)研本裝置圖像采集端的設(shè)計應(yīng)滿足：

1） 能夠?qū)⒉杉怂杏布侠淼亟M合在一起， 且具有工作穩(wěn)定性;

2） 激光標(biāo)定器安置位置應(yīng)位于單目相機(jī)兩側(cè)且拍攝鏡頭應(yīng)處于水平中心線偏上位置;

3） 防水、防塵，并且便于拆卸，便于對保護(hù)罩內(nèi)設(shè)備進(jìn)行維護(hù)。

本文設(shè)計的結(jié)構(gòu)包括圖像采集端、信號傳輸端、圖像處理控制端。

圖像采集端的功能主要是對盾尾間隙信息進(jìn)行數(shù)據(jù)采集，并在盾尾間隙達(dá)到閾值時發(fā)出預(yù)警并提取當(dāng)前時刻的圖片發(fā)送到監(jiān)控室的電腦屏幕上，供工作人員提前做出盾構(gòu)機(jī)姿態(tài)調(diào)整。保護(hù)罩如圖3a）所示，圖3b）為保護(hù)罩內(nèi)部結(jié)構(gòu)，主要由WiFi單目相機(jī)、激光標(biāo)定器和開關(guān)電源組成。

信號干擾器和路由器組成了信號傳輸端[10]，由于信號的傳輸容易受盾構(gòu)機(jī)內(nèi)各種信號傳輸線纜、動力電纜線復(fù)雜排列的影響，因此本文設(shè)計的信號傳輸端設(shè)備如圖4所示。

4 ?實驗結(jié)果及分析

盾構(gòu)機(jī)盾尾間隙測量裝置是在盾尾內(nèi)壁圓周方向上設(shè)置3個間隙[120°]的采集盒，3個采集盒安裝于盾尾推進(jìn)油缸之間的筋板處，在每個采集盒內(nèi)設(shè)有2個激光器和單目攝像機(jī)，對采集區(qū)域發(fā)射2條與盾尾內(nèi)壁平行的激光射線，激光器將2個激光點投射到管片上，2個激光點之間的距離為[d]，2個激光點的連線與管片下邊緣距離為[e]，管片厚度為[f]，平行激光射線到盾尾內(nèi)壁的距離為[h]。以樹莓派為載體，利用提取的圖像特征，通過數(shù)值估計得出盾尾間隙。本裝置可以最大程度上降低測量盾尾間隙的安全隱患，并且可以進(jìn)行實時監(jiān)測，確保了盾尾間隙測量的及時性和同步性。

將激光點距離[d]轉(zhuǎn)化為像素個數(shù)[n]，設(shè)定[k]為系數(shù)，對[h]，[d]，[e]，[n]，[k]按照如下公式進(jìn)行計算，即可得出盾尾間隙[L]的值。

裝置通過實驗室調(diào)試后，在西安地鐵五號線進(jìn)行實地測試與操作，并采集數(shù)據(jù)，現(xiàn)場圖片如圖5所示，實驗測試圖如圖6所示。盾尾間隙實驗結(jié)果見表1。

實驗結(jié)果表明本文設(shè)計的盾尾間隙測量系統(tǒng)測試程序運行穩(wěn)定，盾尾間隙估計準(zhǔn)確，實驗結(jié)果誤差在±5 mm范圍內(nèi)。

5 ?結(jié) ?語

本文利用深度網(wǎng)絡(luò)實現(xiàn)了盾尾間隙的自動測量，降低了盾構(gòu)環(huán)境下光照的要求，最大程度上降低了測量盾尾間隙的安全隱患，同時也避免了人工測量產(chǎn)生的誤差，并且可以做到每環(huán)一測，實時監(jiān)控，保證對盾構(gòu)機(jī)姿態(tài)調(diào)整的及時性和同步性，使得盾構(gòu)護(hù)盾間隙自動化測量能夠用于盾構(gòu)的全周期中，有助于實現(xiàn)盾構(gòu)施工的精確化和自動化，提高了盾構(gòu)施工的科技含量，給施工帶來了便利。

參考文獻(xiàn)

[1] 張立彬.基于數(shù)字圖像處理技術(shù)的盾構(gòu)機(jī)盾尾間隙測量系統(tǒng)的研究[D].石家莊：石家莊鐵道大學(xué)，2013.

[2] 陳剛.基于Matlab的盾構(gòu)施工數(shù)據(jù)分析平臺[J].工程建設(shè)與設(shè)計，2016（11）：169?173.

[3] 金晶.盾構(gòu)機(jī)的監(jiān)控及管理系統(tǒng)的研究[D].上海：上海應(yīng)用技術(shù)大學(xué)，2017.

[4] 楊志，魏林春，張光輝.三陽路隧道盾構(gòu)選型研究[J].建材世界，2017，38（3）：53?55.

[5] 肖進(jìn)勝，劉恩雨，朱力，等.改進(jìn)的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J].光學(xué)學(xué)報，2017，37（3）：96?104.

[6] 張文濤，韓瑩瑩，黎恒.基于卷積神經(jīng)網(wǎng)絡(luò)的交通聲音事件識別方法[J].現(xiàn)代電子技術(shù)，2018，41（14）：70?73.

[7] 楊志政，王春興.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法研究[J].山東師范大學(xué)學(xué)報（自然科學(xué)版），2018，33（4）：427?433.

[8] 向文，張靈，陳云華，等.結(jié)合結(jié)構(gòu)自相似性和卷積網(wǎng)絡(luò)的單幅圖像超分辨率[J].計算機(jī)應(yīng)用，2018（3）：854?858.

[9] 王愛麗，張小妹，韓闖，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像超分辨率重建[J].黑龍江大學(xué)自然科學(xué)學(xué)報，2018，35（1）：122?126.

[10] 翁劍楓，鄭衛(wèi)紅.信號與系統(tǒng)的教學(xué)實例：基帶傳輸中的碼間干擾[J].浙江科技學(xué)院學(xué)報，2011，23（3）：244?248.