盾尾間隙智能測量技術研究

吳朝來

(中鐵隧道局集團有限公司設備分公司, 廣東 廣州 510000)

0 引言

隨著我國國民經濟的快速發展,水利、水電、公路、鐵路、軌道交通等建設進入黃金時期,盾構在隧道工程中得到大量的推廣和應用,盾構施工的自動化、信息化、智能化成為行業發展的方向。

盾尾間隙是管片選型、姿態糾偏、掘進控制過程中的重要參數,然而,目前盾尾間隙測量大部分仍采用人工測量的方式,這種測量方式在實施過程中存在效率低、難度大、精度低及安全風險大等問題。如何實現盾尾間隙智能測量成為了行業關注的重點,不少學者及研究人員對盾尾間隙智能測量技術進行了研究和探索,但大部分是對其理論進行研究。例如: 文獻[1-2]采用接觸式盾尾間隙測量裝置對盾尾間隙進行測量,然而盾尾處環境較為惡劣,使用過程中容易造成污染、數據失真、機械部件損壞等;文獻[3]采用超聲波技術對盾尾間隙測量進行研究,但易受盾尾油脂、漿液泄漏污染,并且精度狀態檢測和維護較為困難; 文獻[4-7]對盾尾間隙智能測量技術進行了理論研究及分析;文獻[8-16]采用激光等技術對盾尾間隙測量進行了研究分析,這些技術雖然能夠實現盾尾間隙智能測量功能,但受技術特點、安裝位置等限制,在使用過程中容易造成外界干擾,導致數據的準確性、穩定性等受到影響。

本文通過分析目前盾尾間隙智能測量存在的問題以及現有技術的優缺點,提出基于圖像識別技術的盾尾間隙測量方式,通過對選型、標定、算法和使用效果等方面進行闡述,設計并使用測量數據軟件自動識別和人工讀取2種方式,提高系統的穩定性和適用性,從而有效解決盾尾間隙人工測量存在的諸多問題和其他智能測量技術存在的不足,以期為今后智能建造技術研究提供理論依據和實踐基礎。

1 盾尾間隙智能測量系統面臨的技術難題

隨著自動化、智能化技術的不斷發展,盾尾間隙智能測量的需求不斷增大,但受限于技術及惡劣的現場條件,長期以來沒有成熟的解決方案,大都仍采用人工測量方式。如果盾尾間隙智能測量技術能夠成功得到應用,需解決以下問題。

1)安裝空間狹小。盾尾間隙范圍為0～100 mm,空間狹小,在間隙內部安裝傳感器有被擠壞的風險。同時,盾尾遍布液壓油缸、油脂管路、注漿管路等,傳感器安裝較為困難。

2)易污染。盾尾間隙位置存在漏漿漏水情況,漿液易污染傳感器,造成功能失效。

3)管片的污損、移動。管片在運輸和拼裝過程中存在破損和附著異物的情況,同時在盾構掘進過程中,管片相對盾尾處于移動狀態,造成測量困難。

4)機械損傷。盾尾所處區域是整個盾構施工過程中活動最為頻繁的區域,推進油缸伸縮、管片吊裝設備運轉等容易造成機械損傷。

2 盾尾間隙智能測量系統現狀

實現盾尾間隙智能測量功能的主要技術有激光測距、機械測量、激光標識+圖像識別、超聲波測距和智能圖像識別等。

1)激光測距。通過在拼裝機上安裝激光束,測量拼裝機到管片的距離,結合管片厚度計算其間隙。該方式受拼裝機工作方式、管片清潔程度的限制較多,另外,無法實現實時智能測量。

2)機械測量。傳動結構夾持電子檢測裝置伸入盾尾與管片之間,測出盾尾間隙數值。現場應用中容易發生盾尾油脂污染或同步注漿漿液固化檢測裝置傳動結構,導致故障頻發。

3)激光標識+圖像識別。將相機和線激光安裝于推進油缸根部,通過相機識別線激光的形態與位置,計算間隙值,屬于間接測量方式。線激光難以校準,同時持續的激光照射對作業人員的視線有較大的干擾。

4)超聲波測距。在盾尾內安裝超聲波傳感器進行盾尾間隙測量。該方式易受盾尾油脂、漿液泄漏污染,并且精度狀態檢測和維護都較為困難。

5)智能圖像識別。將相機安裝在2組推進油缸中間,使相機能夠看到管片及間隙部位,通過實時拍攝盾尾間隙圖像,經視覺算法計算間隙值。通過機器視覺的方式模擬人工測量,可以做到實時測量,較為貼近使用習慣,但對圖像算法要求較高。

3 基于圖像識別的盾尾間隙測量系統的原理

為解決盾尾間隙人工測量存在的問題及現有智能測量技術存在的不足,通過對多個項目采用不同的盾尾間隙測量系統進行對比和研究,最終確定選用純圖像識別模式的盾尾間隙測量系統。

3.1 間隙識別原理

通過安裝在2組推進油缸中間的相機,實時拍攝管片及間隙部位圖片,并對圖像進行預處理、特征提取、圖像識別等過程后,計算出盾尾間隙值。在間隙識別前首先要對原始圖像做優化與濾波處理,提升相關特征識別性; 然后通過間隙與管片邊界、橡膠止水條等固定物體進行特征匹配,提高間隙識別的成功率。管片特征識別如圖1所示。由于相機的安裝視線正對管片外輪廓邊沿,受相機視角的限制,在管片靠近相機時管片內輪廓邊沿可能并不完全在相機的成像范圍內,但這并不影響識別,因為該算法只需識別外輪廓邊沿就能達到識別間隙的目的。通過識別得到外輪廓邊沿的像素坐標后,根據當前間隙零點位的像素坐標與像素尺寸的實際大小,即可得到當前間隙的真實大小。

①為止水條與管片邊界;②為止水條另一側與管片邊界;③為管片邊緣與盾尾間隙邊界。圖1 管片特征識別Fig. 1 Segment identification features

3.2 間隙識別算法

通過建立管片的特征,存入算法并賦予一定梯度,在測量過程中不斷通過算法去匹配特征,找到符合的管片特征后,再定位管片邊緣,利用標定得出的零點和像素尺寸關系,計算出間隙的測量值。數字圖像是二維離散函數,圖像的梯度就是對這個二維離散函數的求導,如式(1)所示。

G(x,y) =dx(i,j) +dy(i,j)。

(1)

其中:

(2)

式(1)—(3)中:I為圖像像素的值; (i,j)為像素的坐標。

利用梯度卷積網絡對經過平滑處理的圖像進行卷積處理,逐步進行特征匹配。為了獲取圖像的特征,需要對處理好的圖像進行求導分析,分為水平方向和垂直方向,如圖2所示的曲線表示經過逐步提煉、逼近得到圖像特征的過程。

(a) 原始圖像歸一化值

(b) 高斯卷積濾波歸一化值

(c) 圖像梯度特征變換圖2 用3條曲線表現管片邊緣特征識別過程Fig. 2 Segment edge feature recognition process represented by curves

3.3 間隙零點標定

由于相機固定于盾殼內部,相機視線盡量與盾殼軸線平行,并直視間隙所在位置,一旦相機安裝固定完成,其成像視場內的盾殼內輪廓是固定不變的,即管片零點的成像位置是固定不變的。為了獲得距離與管片零點位像素坐標的對應關系,需要針對每一個相機做零點標定。零點標定是為了找到盾殼與管片外輪廓接觸點的像素坐標,管片在不同位置對應的零點坐標和像素尺寸不同,通過零點標定可以找出在不同距離下的零點坐標和像素尺寸。因此,完成零點標定后,在任意一張已知距離的管片圖像中,可以直接找到零點的位置和像素尺寸。為了便于系統識別,設計了具有特殊圖形的標定靶進行零點識別(如圖3所示),通過識別特征圖形以及標定靶的物理尺寸,計算出相機圖像中的坐標與真實物理坐標的關系,如圖4所示。

圖3 零點位識別Fig. 3 Zero position identification diagram

(x1,y1)為近點位置標靶在圖像中的坐標; (x2,y2)為遠點位置標靶在圖像中的坐標; f為鏡頭焦距; h1為鏡頭到近點標靶的距離; h2為鏡頭到遠點標靶的距離; α1為以鏡頭為起點中心線和鏡頭中心到近點標靶零點位連線的夾角,α2同理。圖4 標定靶坐標與圖像坐標的關系Fig. 4 Calibration of relationship between target coordinates and image coordinates

根據計算可得到距離與零點位的函數關系,如式(3)所示。

(3)

式中:w為橫向像素;d為像元尺寸;x1為近點位置時的水平像素坐標;x2為遠點位置時的水平像素坐標;h為實際工作狀態下的距離。

3.4 動態標尺

為了提高系統的適用性,在軟件中設計了動態標尺,將實時圖像與間隙數值結合起來,并模擬出不同距離位置上的虛擬標尺,可實現人工讀取數據。動態標尺的生成完全取決于相機的標定結果,即距離、零點位置和像素尺寸三者的關系。距離決定了零點位置和像素尺寸,像素尺寸決定了動態標尺的大小,零點位置確定了動態標尺零刻度的位置。因此,通過管片距離、零點位置和像素尺寸這3個參數就可以生成一把虛擬動態標尺。盾構施工過程中當出現管片邊緣因受泥漿污染等造成軟件無法識別時,可以利用動態標尺通過人工讀數的方式得到當前間隙的大小。虛擬的動態標尺與實際真尺的對比如圖5所示。所以,實時圖像+動態標尺可以達到極端情況下人工讀數的需求,判斷測量數據的準確性。

圖5 虛擬的動態標尺與實際真尺的對比Fig. 5 Virtual and actual identification

3.5 設備選型與安裝

該系統采用800萬像素的工業相機為機器視覺傳感器,定焦鏡頭焦距為12 mm,視場角(H/O/V)為41°/34°/23°,調焦景深范圍為600～2 500 mm,防水等級達IP65。通過將可調節相機拍攝角度和傾斜度的支架安裝于鉸接油缸與盾尾連接處(如圖6和圖7所示),確保相機可以全過程、無遮擋的監測盾尾間隙,并通過特殊的標定模塊建立視覺的空間關系,利用管片特征邊緣識別間隙的位置,由此計算出盾尾間隙。

圖6 圖像傳感器安裝示意圖Fig. 6 Installation diagram of image sensor

圖7 圖像傳感器安裝現場Fig. 7 Field installation photograph of image sensor

4 應用效果

該系統實現了盾尾間隙測量的所見即所得,也就是現場可以實時看到測量情況。盾尾間隙測量系統工作界面如圖8所示。為了驗證該盾尾間隙智能測量系統的準確性和穩定性,在某地鐵盾構施工中進行了應用,并結合現場工況和應用效果對其不斷優化、調整和改進。通過獲取9環人工精測數據與智能測量數據進行對比,誤差在2.6%～5.0%,滿足使用需求。盾尾間隙智能測量與人工測量對比分析如表1所示。

圖8 盾尾間隙測量系統工作界面Fig. 8 Working interface of shield tail clearance measurement system

表1 盾尾間隙智能測量與人工測量對比分析Table 1 Comparative analysis between automatic and manual measurement of shield tail clearance mm

5 結論與討論

本文主要針對盾構在狹小安裝空間、惡劣工作環境和管片實時移動等情況下如何快速、實時和準確實現盾尾間隙智能測量,避免激光測距、機械測量、激光標識+圖像識別和超聲波測距等技術存在的缺點和不足,提出采用智能圖像識別技術實現盾尾間隙的智能測量,并通過現場使用及數據分析,得出盾尾間隙智能測量與人工測量相比,誤差在2.6%～5.0%,具有較好的準確性和穩定性。

該系統雖然有較好的準確性、穩定性和適用性,但在后期還需繼續研究,不斷優化,利用“圖像匹配”技術進一步優化識別算法,優化圖像空間算法與距離測量手段,建立盾尾間隙系統與導向系統、盾尾間隙系統與掘進系統等相關參數關系,不斷提高系統的準確性、穩定性與應用范圍,為智能建造提供技術和數據支撐。