隧道結構健康管理大數據平臺研發及應用

王 華, 路耀邦, 馮國峰, 王百泉, 林春剛, 閆 賀

(1. 中鐵隧道局集團有限公司, 廣東 廣州 511458; 2. 廣東省隧道結構智能監控與維護企業重點實驗室, 廣東 廣州 511458; 3. 中鐵隧道勘察設計研究院有限公司, 廣東 廣州 511458;4. 中鐵云網信息科技有限公司, 北京 100160)

0 引言

我國從1888年開始修建第1條隧道至今,已有130余年的隧道修建史。據不完全統計,截至2022年底,中國鐵路營業里程達到15.5萬km,其中,投入運營的鐵路隧道17 873座,總長21 978 km,我國已成為世界上修建隧道數量最多、建設規模最大、發展速度最快的隧道大國[1-3]。由于隧道修建的特殊性,受地質、地形、氣候,以及設計、施工、運營等不利因素的影響,在隧道建設及運營期會出現裂縫、滲漏水、剝落掉塊等病害,加上我國隧道建設目前“重建設、輕管理”的現狀[4-5],在給隧道運維帶來極大挑戰的同時,嚴重威脅到隧道內車輛和行人的安全。當前,隧道病害檢測仍以人工為主、設備為輔,各運營單位積累了大量的病害數據,并呈指數式增長[6-7]。隧道病害數據具有與時間相關、信息量大、利用率低等特點,如何高效利用這些病害信息顯得尤為重要。

1986年,日本國有鐵道研發的專家系統(TIMES-1)可依據隧道的病害特征、運營環境、設計資料等推斷出病害成因。2001年,美國Gannett Fleming公司開發的隧道管理系統可判斷隧道病害的發展情況,定性評價隧道安全等級。2004年,長崎大學開發了公路隧道病害管養系統,可隨時查詢病害信息和安全狀況,預測病害發展情況,并給出處治建議,但該系統僅適用于公路隧道,且其設計依據和規范不適用于中國。1990年,關寶樹研發的TDD系統可按照現有資料推測病害成因、提醒詳檢項目、制定處治措施。1994年,陜西交通廳首次引入GIS技術,開發了地市級公路數據庫管理系統,實現病害查詢、輸出圖表。2003年,福建省交通科學技術研究所聯合開發出隧道管理系統,實現查詢隧道信息、輸出檢查報告。羅鑫[8]在總結前人研究的基礎上,對公路、鐵路等隧道健康診斷及評價進行研究,滿足了隧道病害檢測要求,并預測隧道未來運營狀況。胡建華等[9]開發了基于GIS的隧道病害管理系統,可以地圖形式直觀查看病害空間位置,實現病害數據的采集、查詢等功能,但該平臺不具備時空數據分析功能,不能自動提出病害處治建議。方恩權[10]基于Web Service搭建了地鐵隧道結構調查管理系統,實現了病害信息獲取和信息化同步,其時效性與準確性得到提高。樂弋舟等[11]基于PHP開發了隧道襯砌裂縫信息查詢系統,實現病害信息添加、更新、刪除和查詢功能。張云龍等[12]、朱德慶等[13]分別針對公路和鐵路隧道開發了隧道病害可視化管理軟件,直觀展示了隧道病害信息。孫中秋等[14]基于BIM對山嶺隧道施工進行了信息化管理系統研發與應用設計研究。孫振川等[15]針對隧道掘進機工程研發了大數據管理平臺。潘良波等[16]針對空間信息三維可視化研發了一套城市地下空間信息集成管理與服務平臺。此外,各省市也逐步開始搭建隧道管養平臺,實現隧道病害的信息化管理。

綜上所述,隨著我國隧道從大規模建設向運營管理的過渡和轉變,隧道病害問題逐漸突出,各隧道運營單位雖積累了一定的病害數據,但仍然存在以下問題:

1)在隧道結構病害檢測領域,現有的平臺針對的隧道病害數據種類單一,只是對某一特定的病害進行簡單的查詢、展示、統計等工作,囊括的病害種類較少。

2)現有的隧道病害存儲管理平臺只是將數據進行簡單的存儲管理,并未對數據價值進行深入挖掘。

3)數據展示手段單一,現有的數據管理平臺對隧道的病害展示可視性差,失真較為嚴重,不能真實地反映病害在隧道中的分布情況,不利于隧道安全狀況的評定;且大部分平臺只考慮了電腦端平臺,對移動端平臺的考慮不足,大多數數據平臺未考慮移動平臺的展示模塊。

4)國外一些系統的設計依據和規范與國內的隧道病害實際情況有不少差距,使這些系統只具有一定的參考意義,而不能滿足國內隧道病害管理需要。

為解決上述問題,本文在調研現有大數據平臺的基礎上,基于當前自行研制的系列智能化隧道病害采集設備,如: 隧道智能綜合檢測車、軌行式三維激光掃描系統、表觀檢測系統等進行健康數據采集,基于人工智能、大數據等技術研發了具備設備管理、病害管理、大數據智能分析與病害預警等功能的隧道結構健康管理大數據平臺,通過建立隧道病害健康“檔案館”,輔助專業人員掌握隧道病害發育規律,預測隧道病害發展趨勢,為科學制定隧道病害維修養護計劃提供參考,提高隧道運營管理效率,降低隧道運營維護成本,確保隧道運營安全。

1 系統平臺總體方案設計

該大數據平臺使用由隧道智能綜合檢測車搭載的病害采集設備,對隧道的內部病害和表觀病害進行全面的采集;在采集到數據后,部分數據可通過檢測車部署的移動處理工作站進行處理,其余原始病害數據在提交至隧道病害存儲系統,對病害數據進行清洗,去掉原始數據中的重復數據、錯誤數據、無關數據后,采用訓練好的神經網絡模型進行識別分析,按照平臺提供的數據導入模板將病害數據入庫。系統方案設計如圖1所示。基于本平臺開展隧道病害數據的管理和應用,可幫助相關技術人員全面掌握隧道結構安全狀態,為后期隧道運維提供數據支撐。

圖1 系統方案設計

下文從數據采集、數據分析、數據展示、服務器4大模塊對該平臺進行介紹。

1.1 數據采集模塊

在本系統中,原始數據的采集依托于現有的智能采集設備,如隧道智能綜合檢測車、軌行式三維激光掃描系統、表觀檢測系統等。數據源包括靜態數據、檢測數據與車載系統數據,具體數據類型可分為如下幾種:

1)靜態數據。隧道基礎數據(名稱、長度、分類、里程樁號、維護單位等)、隧道管養知識、隧道病害數據、隧道空間分布數據、用戶權限數據以及元數據(描述流程、信息和對象的數據)等。

2)檢測數據。激光掃描檢測系統獲取的原始點云數據,處理成果(檢測報表、灰度影像等);探地雷達檢測系統獲取的原始雷達數據,處理成果(圖像、檢測報表等)。

3)車載系統數據。里程數據、慣導數據、GPS數據等。數據類型包括流式數據、空間數據、圖像數據、文檔數據與結構化的業務數據等。

根據數據的結構類型和使用方式,平臺將不同類型、不同數據結構、不同分辨率以及不同粒度的多源異構數據進行匯聚,通過建立標準并高效方便的病害數據庫,解決隧道病害建庫問題。

1.2 數據分析模塊

基于構建的病害庫,利用機器學習中的隨機森林算法,對病害數據進行挖掘,實現隧道病害大數據智能化分析,實現由傳統經驗的評價診斷向數據化決策方向轉變;基于深度學習的YoLoV4架構,開發了隧道病害智能識別模型,并整合至數據處理軟件,可將部分隧道病害數據進行智能識別后上傳到大數據平臺進行統一管理。

1.3 數據展示模塊

該大數據平臺的信息展示終端包括大屏端、移動端、電腦端。其中: 大屏端用于在顯示看板的屏幕上展示所述目標數據、移動端用于在移動終端的應用程序上展示所述目標數據;電腦端用于在計算機的網頁瀏覽器上展示所述目標數據。移動端可方便使用人員隨時隨地查看到檢測設備工作狀態、健康狀態、地理位置等各項信息,方便檢測設備的管理維護,為維護和調度檢測設備提供數據支撐。

1.4 服務器模塊

服務器端包括數據存儲模塊、分析處理模塊。其中: 數據存儲模塊包括Redis存儲單元、MySQL存儲單元、Kafka存儲單元和Minio存儲單元。Redis存儲單元用于存儲緩存數據,所述分析處理模塊通過Redis Client接口調用所述緩存數據;MySQL存儲單元用于存儲業務數據,分析處理模塊通過JDBC接口調用所述業務數據;Kafka存儲單元用于存儲通知、事件數據,分析處理模塊通過Kafka Client接口調用所述通知、事件數據;Minio存儲單元用于存儲圖像、視頻數據,分析處理模塊通過Minio接口調用所述圖像、視頻數據。

服務器端可在網頁上對各項隧道病害信息進行圖表化展示,包括在網頁上展示隧道各個區段的病害數量柱狀圖、病害類型餅狀圖、各等級病害的數量表、病害集中區段TopN(N≥1)統計數據和病害檔案列表。其中: 病害檔案列表包括每處病害的病害類型、病害等級、首次檢出時間、最近檢測時間、檢測次數、所在區段和位置、所述病害的發育變化折線圖等。

2 系統平臺總體技術架構

2.1 總體技術架構設計

架構設計是隧道結構健康管理大數據平臺能否成功實施的關鍵環節,本平臺采用Spring Boot+MyBatis Plus架構,應用分布式的Redis和MySQL部署開發技術研發了隧道結構健康管理大數據平臺。本平臺前端采用B/S架構,后端采用分層架構設計。總體技術架構如圖2所示,可分為硬件層、架構層、功能層、應用層4個層次。

1)硬件層。提供平臺運行的硬件資源,包括服務器、顯示器、大屏端以及部署在服務器上的數據庫等。

2)架構層。提供主機管理、網絡管理、數據管理、接口管理等功能,是功能層和硬件層的紐帶和橋梁。

3)功能層。根據實際業務需求開發平臺需要的功能模塊,并建立功能模塊之間的邏輯關系、數據關系和接口。

4)應用層。用戶通過PC端或移動端輸入需求,應用層則將功能層單一的功能模塊組裝成滿足實際業務需求的完整功能,呈現給用戶,供用戶使用。

圖2 平臺技術架構圖

Fig. 2 Platform technical architecture

2.2 數據庫設計

數據庫設計是隧道結構健康管理大數據平臺的核心,也是平臺開發中最重要的一部分,它既有隧道病害信息查詢、統計、分析、存儲的功能,又有數據傳遞的作用。因此,在需求分析的基礎上,本平臺采用MySQL數據庫管理病害檔案,Redis處理平臺中的非關系型數據,確保了提取信息的準確性、及時性和完整性。建立隧道病害信息所涉及的數據庫信息表,通過病害檢測、處治之間的邏輯關系,對數據庫表進行歸類整理,并建立信息之間的關聯,形成數據信息表之間的關系圖。內部病害數據信息表如表1所示,大數據平臺的各病害數據庫關系如圖3所示。

表1 內部病害數據信息表

3 系統平臺業務功能研發及應用

3.1 總體業務功能架構

基于隧道結構健康管理大數據平臺的需求分析和開發目的,對系統的業務功能進行了梳理,最終得到如圖4所示的平臺業務功能設計框架。本平臺支持移動端、大屏端、PC web端數據展示,本文以PC端為例,對各功能模塊進行簡單介紹。

圖3 病害數據庫表關系

1)檢測設備管理。基于電腦端和移動端實時查看隧道病害檢測設備的位置信息、健康狀況、工作狀態、數據采集情況等,實現對現場檢測設備的實時管理和調度。

2)隧道病害管理。實時統計、查詢、展示隧道表觀病害和內部病害信息,以圖表形式在平臺界面滾動顯示,并根據實際需要,批量生成隧道病害信息統計報告。

3)隧道病害大數據分析。通過歷次病害檢測數據的對比分析,建立隧道病害數字檔案,根據病害發展現狀預測其發展趨勢,對于達到病害預警值時,觸發預警提示。

4)病害報告管理。基于系統設置中各種病害的分級標準,自動評判病害等級,參考類似病害處治措施,自動生成隧道病害處治報告。

5)系統設置。設置用戶權限、不同類型(公路、鐵路、城市地鐵)隧道病害分級標準、預警標準、設備使用單位、檢測階段(建設期、運營期)等信息。

圖4 平臺業務功能設計框架

Fig. 4 Design of platform events architecture

3.2 特色功能模塊介紹

3.2.1 檢測設備管理

3.2.1.1 檢測設備狀態查看

設備管理人員可基于PC端或移動端實時查看隧道病害檢測設備的位置、數量、設備參數、健康狀態、工作狀態、運行參數、檢測能力、搭載設備等信息,并以圖表方式形象直觀地展示,便于管理人員快速掌握檢測設備的當前狀態,為其動態管理和調度奠定基礎。檢測設備查詢界面如圖5所示,設備參數如圖6所示,平臺檢測能力如圖7所示。

圖5 病害檢測設備查詢界面

圖6 設備參數

圖7 平臺檢測能力

3.2.1.2 檢測設備調度管理

在實時掌握隧道病害檢測設備狀態及分布情況的基礎上,基于隧道結構健康管理大數據平臺可通過電子地圖篩選或設備ID搜索等方式,快速查找所需設備的列表及詳細信息。設備管理人員可及時掌握檢測設備的位置及狀態,實現對病害檢測設備的動態跟蹤和科學調度,使其能夠更加高效運轉,降低設備閑置時間,并為合理制定隧道病害檢測計劃提供參考。設備篩選條件設置如圖8所示,篩選出的設備詳情如圖9所示。

3.2.2 隧道病害信息管理

3.2.2.1 病害數據查看

以病害統計圖(柱狀圖、折線圖、餅狀圖等)和列表方式,形象展示隧道不同階段(建設期、驗收期、運營期)表觀病害和內部病害的統計結果。以隧道名稱為查詢維度,任意選擇一條隧道或隧道中的某一個或幾個區間,直觀查看該隧道或區間內的病害類型、等級和數量情況。在表觀及內部病害圖表統計中,可直觀展示各類病害數量及占比、病害等級數量及占比、Top5病害數量及占比等信息。表觀病害統計如圖10所示。

圖8 設備篩選條件設置

圖10 表觀病害統計圖

在表觀及內部病害列表統計中,可通過打標簽形式為隧道病害添加備注信息,如水文地質條件、氣象活動、人為活動等,同時,可上傳隧道病害的處治報告。點擊列表中的病害小圖,可在彈窗中通過放大、縮小、旋轉等操作查看該病害的局部細節。表觀病害列表及查看病害小圖如圖11和圖12所示。

圖11 表觀病害列表

3.2.2.2 病害報告管理

在隧道病害報告管理界面,點擊生成報告按鈕后,在彈窗中完成報告需要包含的關鍵信息,平臺則會根據設置的篩選條件,從數據庫中提取相關信息,自動生成隧道病害信息統計報告。基于平臺生成的病害統計報告如圖13所示。

圖12 表觀病害小圖

圖13 病害統計報告

3.2.3 隧道病害大數據分析及檔案報告管理

3.2.3.1 病害空間分布分析

以病害名稱為查詢維度,任意選擇某一類型的病害,基于平臺直接查看該病害在某一省、市、隧道、區間中的區域分布情況,通過該病害在空間維度的統計分析,研究其在不同區域中的分布規律,可為后續隧道優化設計、病害成因分析和維修養護措施提供數據支撐。某一省份隧道病害空間分布如圖14所示。

平臺可通過病害類型和病害等級進行組合約束,完成篩選條件設置。點擊地圖中的某個省,則界面右側將顯示受該病害(已設定的病害類型和等級)影響隧道的玫瑰圖,以及受該病害影響最嚴重的10個區間列表。受某種病害影響最嚴重的區段Top10如圖15所示。

3.2.3.2 病害態勢分析

1)病害檔案管理。基于平臺中的病害檔案模塊,為每一處病害建立一份健康檔案,將隧道建設期、運營期的歷次檢測數據歸類整理,以列表的形式展示病害檔案信息,并在列表中以彈窗方式查看隧道病害的詳細信息,實時查看某一時間段內某種隧道病害數據的變化情況。隧道病害檔案列表如圖16所示。

2)病害發育變化及趨勢。根據某一病害歷次檢測出的數據,自動繪制該病害的發育曲線圖,用戶可直觀了解該病害尺寸的發育情況。同時,根據歷次病害檢測數據,通過對比同一位置病害的形態和尺寸變化,得出該病害在歷次檢測時間段內的發育發展變化。

圖14 病害空間分布

由于病害發育變化可被視為一個回歸任務,本文基于存儲于大數據平臺的病害數據制作了病害發育的數據集,將該病害數據進行數據清洗處理獲得了可靠的病害發育數據。本平臺使用機器學習中的隨機森林算法完成基本建模,該模型輸入的特征參數為滲漏水(有無及大小)、結構背后空洞(有無)、圍巖質量、環境因素(溫度、濕度)、工程特征(隧道直徑、埋深)、前2次裂縫的幾何特征(長度、寬度);該模型的輸出為裂縫的預期發育變化(寬度)。為了解決輸入特征參數尺度不一的問題,對輸入的參數特征進行了歸一化處理,而后對模型參數與訓練數據的時間序列進行調整,自動調整影響裂縫發育的特征權重。在隨機森林算法的預測效果上,在訓練中采用了MAPE指標進評估。

圖15 影響區段Top10

圖16 病害檔案列表

基于病害數據構建數據集訓練了隨機森林模型,用于挖掘該病害的發展規律。某病害的發育變化趨勢如圖17所示。

圖17 病害發育變化

3.2.3.3 病害預警

平臺系統設置中有設置病害預警規則的功能模塊,當病害數據導入至平臺后,可通過以下3種方式判定是否觸發預警,并設置相應的預警閾值。

1)按病害等級預警。通過下拉選擇當病害等級達到某一級別時預警。

2)按病害尺寸預警。填寫病害預警尺寸的上下限,當病害尺寸位于該區間時觸發預警。

3)發育變化率。填寫病害發育變化率預警的上下限,根據連續2次檢測數據,計算病害的發育變化率,當達到設定區間時觸發預警。當前訓練的隨機森林模型尚未達到可實際應用的水平,發育變化率采用如下公式進行計算:

P_grow=(S-S_pre)/S_pre×100%。

式中:P_grow為發育變化率;S為本地病害尺寸;S_pre為上次病害尺寸。

達到預警值后,平臺將需要預警的病害標記為“預警”狀態,并向登錄平臺的相關管理人員推送彈窗信息。

3.2.3.4 高危病害分析

平臺系統設置中有設置病害等級劃分規則的功能模塊,可根據國標、行標或企標,為病害的尺寸和等級建立對應關系,并在平臺中錄入對應的病害等級劃分規則。針對導入至平臺中最新一期的隧道病害檢測數據,平臺自動判定并顯示每種隧道病害的最高病害等級及病害數量,方便管理人員從海量的病害數據中,快速關注到本次檢測的高危病害信息,以便及時采取處治措施。某隧道高危病害信息如圖18所示。

圖18 高危病害信息

3.2.4 隧道裂縫智能識別算法

利用圖像識別模型進行隧道裂縫病害的智能識別檢測,是將隧道表觀病害存儲于該大數據平臺進行展示的一個前置處理步驟。平臺目前實現了隧道裂縫、滲水、破損3種病害的智能識別。這3種病害的智能處理流程與采用的神經網絡架構基本一致,通過數據處理軟件將采集到的原始隧道表觀病害數據中的裂縫病害進行智能識別提取而后存儲于大數據平臺。

以隧道裂縫智能識別算法為例,該模型算法基于YOLOV4架構,其中,特征提取骨干網絡模型采用了卷積神經網絡模型中的VGG16架構,通過在構建好的隧道裂縫數據集進行訓練,最終實現對隧道表觀裂縫的智能識別。

VGG16的具體架構如圖19所示。該模型包含13個卷積層,3個全連接層,采用卷積組提取病害圖像特征思想,最后經全連接層實現目標分類。隧道裂縫圖像通常只占幾個像素,為提取裂縫圖像深層特征,采用VGG16的13個卷積層和5個池化層組合提取特征,提取特征效果明顯優于VGG11,即效果優于8個卷積和5個池化層組合。由于隧道裂縫圖像呈細長不同走勢特征,加速網絡深度有利于特征提取,防止或減輕網絡模型過擬合,每個全連接層后連接dropout。

圖19 VGG16模型架構

本模塊所采用的隧道表面裂縫數據集如圖20所示,該數據集中樣本數量為1 000,樣本大小為224×224(像素)。隧道裂縫識別成果如圖21所示。

3.3 大數據平臺應用——以某工程隧道裂縫病害為例

為直觀展示本大數據平臺的數據處理流程,本節以某隧道的裂縫病害為例,從數據采集、數據分析、數據展示等全流程進行示例。

3.3.1 數據采集

數據采集是從真實隧道工程獲取原始數據的過程。以隧道裂縫病害數據的采集為例,本平臺使用自行研發的隧道智能綜合檢測車上搭載的表觀病害檢測系統進行采集。該表觀病害檢測系統設備如圖22所示。該系統包括10個2 500萬高分辨面陣相機陣列、5個高速萬兆網卡、工控機、LED光源陣列、數據存儲單元、供電系統,通過控制10個高分辨面陣相機同步觸發采集圖像。該設備采集到的圖像數據量大,分辨率高,可采集到最小0.2 mm的裂縫。為提高數據存儲效率,本平臺采用分布式存儲方案,將掃描到的大量隧道健康數據暫存于隧道智能檢測車搭載的多個工控主機。

圖20 隧道裂縫數據集

Fig. 20 Tunnel crack dataset

圖21 隧道裂縫識別成果

圖22 表觀病害檢測系統(單位: mm)

3.3.2 數據分析

在采集到隧道表觀健康數據后,將暫存于檢測車工控主機內的數據轉存入大數據平臺的存儲主機,而后對原始的健康數據進行預處理以滿足圖像識別算法對圖片格式及大小的要求,最后輸入神經網絡識別模型進行處理。隧道裂縫數據分析處理的流程如下:

1)將采集圖像經Mask勻光算法消除光照不均帶來的影響。

2)將采集到的原始圖像切割成224×224(像素)的分塊圖像。

3)將所有分塊圖像輸入隧道裂縫識別模型,進行隧道裂縫的智能識別標注,定位隧道裂縫。

4)對標注過的分塊圖像進行拼接,計算病害尺寸大小,得到經過標注的病害圖。

5)對圖像尺寸進行壓縮,以滿足大數據平臺數據的展示要求。

隧道裂縫識別處理軟件界面如圖23所示。

3.3.3 數據多元展示

經過處理軟件對病害進行處理后,將該裂縫病害圖像及相關信息上傳于大數據平臺,供相關人員參考查閱。用戶可從PC端與小程序端對上傳至大數據平臺的詳細病害信息進行查看。

除了展示基本的病害信息,本平臺可通過點擊工具欄上的“生成報告”圖標生成報告,使用此功能需要在彈窗中完成報告需要包含的數據。生成病害報告如圖24所示。在完成條件錄入后,點擊確定生成報告,報告生成后,在報告列表中會新增一條報告記錄。 報告以表格的形式生成,報告模板如圖25所示。

圖23 隧道裂縫識別軟件界面

圖24 生成病害報告

圖25 病害報告模板

4 結論與探討

4.1 結論

針對當前隧道病害數據量大、利用率低,不能有效指導后續隧道運維的現狀,本文采用Spring Boot+MyBatis Plus架構,應用分布式的Redis和MySQL部署開發技術研發了隧道結構健康管理大數據平臺。本文具體從檢測設備管理、病害信息管理、病害大數據分析、圖像識別算法等方面進行了介紹,驗證了平臺的可靠性。本文開發的隧道結構健康管理大數據平臺與傳統數據管理平臺相比具有以下特點:

1)該隧道結構健康管理大數據平臺能夠滿足對常見病害數據進行管理展示的功能要求,囊括的病害數據種類齊全,便于工作人員全面掌握隧道健康狀態。

2)通過人工智能圖像識別算法對病害圖像進行智能識別。通過采集的表觀病害圖片,訓練了對應病害的神經網絡模型,解決了病害圖片識別大量依賴人工且效率過低的問題。

3)該平臺支持隧道信息多元化查詢展示。相關人員可從實驗室健康管理大數據中心大屏幕、可聯網的PC端以及個人手機等多個維度實時獲取隧道病害信息,真正實現了隨時隨地對有關隧道病害信息的了解掌握,有助于及時掌握關注的病害情況,輔助科學決策。

4.2 探討

隧道病害大數據分析平臺的應用極大提高了隧道養護的精準性和及時性,將傳統隧道養護由主觀經驗型向客觀數據型轉變,發展潛力巨大,但由于隧道病害數據積累不足等因素的影響,也存在以下一些不足之處:

1)當前大數據平臺存儲的數據只能進行二維數據展示,尚不能對隧道病害進行三維立體展示,病害結果呈現方式還有優化空間。

2)隧道病害的智能識別處理當前使用PC端軟件進行處理,大數據平臺尚不具備病害的在線智能識別功能。且受限于病害樣本數據量不足,多數病害未能構建足夠樣本數量的數據集,因此尚不支持對所有隧道結構病害的智能識別。當前已支持的圖像裂縫、滲水、破損識別模型,由于數據集樣本數量不足等因素,其識別精度有待進一步提升。

為持續完善優化該大數據平臺,計劃后期將從引入病害模型的三維展示、不斷擴充并構建隧道病害數據集、基于大量隧道病害數據訓練可靠的神經網絡模型、輕量化人工智能模型、隧道評價與處置意見智能推薦方面進行研究。