基于數字孿生的隧道智能巡檢技術研究與應用

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有限公司 安徽 合肥, 230000;2. 合肥市軌道交通集團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

地鐵隧道在建設中以及建成后,因交通設施的穿越工程、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,都有可能導致既有地鐵隧道結構的受力失衡,使隧道結構發生局部的水平位移、沉降、拉伸、壓縮、剪切、彎曲、扭轉等諸多形變,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構產生裂縫、形變等危害隧道安全的變化,必須及時準確地進行長期的形變監測以便及時發現和預報險情,保證隧道的施工以及運營的安全[1]。傳統的結構檢測是采用測距儀、水準儀、全站儀等傳統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。人工監測方式主要存在以下問題：一是人工檢測變化量單一、狀態量缺失、勞動強度高、效率低;二是人工檢測時間長、易漏查誤判、圖像拍攝不統一、精度低[2]。

本研究針對隧道大規模場景,通過三維激光掃描與圖像采集分析技術,結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據建立地鐵隧道的竣工數據原始基礎數據庫,構建隧道三維孿生模型,作為病害檢測以及形變分析的數據基準,以數字孿生技術為主線,共同構建高效且準確的地鐵隧道智能巡檢體系[3]。

2 隧道智能巡檢機器人

數據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境下采集隧道表面數據,提高隧道斷面檢測的效率和精度,本研究設計的智能巡檢機器人主要包括數據采集模塊、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行整體全面的坐標測量與收集,數據采集傳感器主要分為兩部分,一部分是激光雷達,通過采集的點云數據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,從而對隧道進行形變監測。另一部分是相機,通過相機進行圖像收集,對圖像進行處理分析來確定隧道病害。利用相機對隧道內影像進行獲取,通過數據處理算法對收集到的圖像進行分析,從而判斷隧道內發生的各類病害[4]。

2.1 激光雷達數據采集模塊

智能巡檢機器人是由多種傳感器組成的移動測量系統,每一個傳感器都有自己獨立的采樣頻率和坐標系統,采集到的數據類型也不盡相同,因此需要對各傳感器采集到的數據進行空間配準和時間配準。為了建立空間基準,要擁有統一的坐標系,將慣性導航系統、三維激光掃描儀、載體坐標系的原點統一到一個基準參考坐標系中,以實現多源數據的融合,得到最終地物的地方坐標系。

掃描儀空間坐標系與載體坐標系之間的轉換。采集的掃描儀原始數據一般是掃描儀原始坐標系下的極坐標,將極坐標轉換成三維激光掃描儀下的坐標的轉換公式如式(1)所示。

(1)

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

為了簡化數據的預處理過程,一般將載體參考坐標系和慣性導航系統坐標系視為同一個坐標系,所以將掃描儀空間坐標系轉換到載體參考坐標系可以理解為將掃描儀空間坐標系轉換到慣性導航系統坐標系。

激光掃描儀坐標系轉換到慣性導航系統坐標系需要進行如式(2)的變換。

(2)

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

(3)

式中,X、Y、Z為掃描儀空間坐標系下的坐標;XC、YC、ZC為轉換后慣性導航系統坐標系下的坐標。三維激光掃描儀坐標系相對于慣導坐標系之間平移參數和旋轉參數用ΔX、ΔY、ΔZ、φ、w、k表示,運用關節臂激光掃描儀準確測得檢校前的初始值,精度能達到亞毫米級。

將采集到的點云數據輸入到自主開發的點云后處理軟件系統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。進一步進行隧道形變的分析[5]。

2.2 相機數據采集模塊

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),本論文設計的相機數據采集部分,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備的關鍵元素,分辨率為12 288×1。數據采集設備適用于地鐵隧道檢測,大多數地鐵隧道規則直徑為5.4 m或6.0 m,其中采集系統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據的關鍵元件。在設計階段,我們假設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據。每臺相機距隧道表面距離約2.5 m。在數據采集過程中,設備運行在待檢區域之內,采集地鐵隧道表面的全部數據。為了驗證采集數據的精度,我們對精度進行了如下定義,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代表相機到測量區域的距離;θ表示線掃描相機的測量范圍。為了校準線掃描相機,確定重疊區域的大小,重疊區域表示為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,地鐵隧道數據采集系統覆蓋區域Lcur，如式(7)所示。

(7)

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

上述數據采集部分的設計是收集地鐵隧道地表數據最重要的部分。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,系統的穩定性若是出現問題,可能會導致采集的圖像數據失真。對于系統控制,攝像機采集頻率應與設備的移動速度相匹配。換句話說,頻率設置與系統移動速度和分辨率精度有關。頻率F定義如式(8)所示。

(8)

式中,V代表移動速度。

數據預處理的目的是增強原始圖像的特征獲取,這有助于系統進一步對隧道缺陷進行檢測和分析。一方面,由于曝光次數有限,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據對比度低的問題,提出了一種自適應圖像對比度增強方法,一種在固定范圍內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,防止圖像重疊區域中的缺陷重復識別。

圖像拼接是預處理的另一個組成部分,目的是為了消除對重疊區缺陷檢測的干擾。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,即粗配準和精配準,用于計算變換矩陣。基于預先校準的攝像機位置計算變換矩陣,以實現圖像粗配準。在此步驟中,使用不同的相機以固定的分辨率同時進行數據采集。在圖像精細配準階段,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域中提取特征點。然后,將一個待配準圖像中的特征點設置為模板的中心,并從另一個待配準圖像中提取相應的相鄰特征點。在粗配準的基礎上,從另一幅圖像的相鄰特征點中準確地搜索出對應點,實現了點對匹配。然后,應用歸一化互相關(normalized cross-correlation,NCC)計算地鐵隧道地表圖像精細配準點對的相關性。最后,提取相關點對用于計算圖像精細配準的變換矩陣,我們的方法表示為SIFT-NCC。

對于采集到的相片病害數據,使用基于深度學習的圖像分析技術,我們使用改進的基于深度學習的框架,這個框架是基于快速區域卷積神經網絡(faster region convolutional neural network,faster-RCNN)技術。首先,相片數據被送入主干卷積濾波器神經網絡,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,插入一個區域建議網絡(region proposal network,RPN)提取可能包含缺陷的區域。接下來,提取特征區域輸入共用層以修復圖片要素的分辨率。最后,根據兩個完全連通的層確定提取區域的類別和邊界框同時對回歸進行了估計。

3 隧道智能監測可視化平臺

通過隧道智能巡檢機器人,獲取隧道的病害與形變信息,將隧道模型與監測分析結果等多源異構數據進行有效的融合,搭建隧道智能監測可視化平臺,即合肥市軌道交通隧道智能檢測管理系統,該系統能夠大幅提升軌道交通信息系統數據的利用率和準確度,從而實現跨階段數據的有效共享,避免了關鍵信息易缺失以及傳統紙質文檔信息查詢效率低下的弊端,使每個階段的后續工作都更有延續性。實現對隧道結構狀況進行三維可視化表達。將數字化管理技術與數字孿生技術應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,實現基礎數據與檢測數據的管理,成果的生成,三維模型與數據的展示,系統配置。如圖1所示，展示系統中的部分內容[6]。

圖1 合肥市軌道交通隧道智能檢測系統頂層設計

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

通過數字孿生首頁GIS大場景進入感興趣的三維模型隧道,可視化的展現不同區段結構設計,其中管片結構建模細化至管片塊、螺栓、注漿孔,管片接縫進行單元化處理,可以便捷地查詢不同病害形變下結構的信息。

隧道結構中可進行單環精細化展示,選擇單環可展示該位置處工程資料、管片缺陷情況,管片監測預警情況等,如圖2所示。

圖2 單環展示

數據的分析是指對隧道區間的結構形變和管片病害匯總信息以折線圖,柱狀圖的形式進行統計分析。其中,病害統計分析是按線路、區間對時間、病害類別、病害等級進行曲線、柱狀圖統計。形變分析包括統計查詢和趨勢分析,其中,統計查詢是按照線路、區間統計查詢環號-水平最大寬度值曲線圖與水平最大寬度值-環號區間分布柱形圖。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)標識出水平收斂最大寬度值,如圖3所示。

圖3 形變分析

4 結束語

地鐵隧道結構檢測是一項長期的任務,城市經濟、建設的發展對地鐵隧道結構檢測的高效性、準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進行研究,解決隧道結構形變與表面病害快速采集問題,并建立地鐵隧道運營數據庫,作為運營維護以及形變、病害分析的數據基準,以數字孿生技術為主線,共同構建高效且準確的地鐵隧道智能巡檢體系,實現隧道全生命周期管理的信息化、流程化、無紙化,利用大數據分析技術深入挖掘資產數據價值,全面提升基礎設施運維管理的效率與質量。