一种地铁隧道裂缝宽度检测及校正算法

摘要

本发明涉及轨道交通中地铁隧道裂缝宽度的检测和估计。在地铁隧道表面裂缝检测过程中，由于地铁隧道内环境的复杂性，如灰尘掩盖、阴影影响等，对裂缝宽度的检测产生干扰，以及图像处理过程中对裂缝宽度测量的不准确的限制，简单通过一次图像处理得到的裂缝宽度数据并不能完全准确代表裂缝真实宽度，可能存在较大的误差，不能满足安全性要求。因此，本算法提出了一种有效的地铁隧道裂缝宽度检测及校正算法，本发明算法流程分为三个阶段：数据采集阶段、数据处理阶段、校正阶段。本发明对图像处理得到的结果和历史数据进行融合，提高了裂缝宽度预测的真实性。

主权项

一种地铁隧道裂缝宽度检测及校正算法，其特征在于，包括依次进行的三个阶段：数据采集阶段、数据处理阶段、数据校正阶段；通过挖掘历史数据变化规律来估计裂缝最佳值，并且进一步通过一种校验机制来对估计结果进行修正，以确保对裂缝宽度估计的精确性；在所述数据采集阶段中的图像获取技术为采用图像采集设备，在车辆移动时逐行扫描地铁隧道表面，得到隧道表面图像；通过图像处理技术计算裂缝宽度，对裂缝进行识别、定位并且要对每条裂缝的宽度信息进行记录，建立裂缝数据库；在所述数据处理阶段中，根据裂缝数据库中的历史数据和上述步骤获得的最新裂纹数据，挖掘裂缝变化规律，考虑到环境复杂各种噪声的影响，利用裂缝宽度估计算法，通过裂缝宽度的预测步以及随后的更新步，再通过迭代步骤，来实时获得裂缝宽度的最佳估计值；其中，所述的裂缝宽度预测步包括裂缝宽度预测以及裂缝宽度协方差预测；所述的更新步同样包括对裂缝宽度及裂缝宽度协方差的更新；所述的数据校正阶段中，样本库中各个裂缝宽度的人工实际测量值分别为{C_m1，C_m2，C_m3，C_m4，C_m5......}，所述的估计值修正具体步骤为：(Ⅰ)对选取的每一个裂缝进行裂缝宽度的估计，得到对应的估计值{C_e1，C_e2，C_e3，C_e4，C_e5......}；(Ⅱ)计算每条裂缝的估计值与测量值的偏差，得到偏差集{C_d1，C_d2，C_d3，C_d4，C_d5......}，其中C_di＝C_ei‑C_mi；(Ⅲ)根据裂缝宽度的不同进行分类处理：宽度为W_i的裂缝的估计的偏差值为若说明样本波动小，同一宽度的裂缝估计值偏差小；若说明此裂缝的估计值波动较大，有些裂缝在机器识别时出现了错误，需要剔除；查找出现错误的估计值，依次剔除k_ii，计算剩余样本的方差若出现则将剩余样本作为最终的样本，如果始终大于则选取最小对应的样本值，再次进行剔除；重复之前的计算，直至方差小于(Ⅳ)经过上述计算后，得到宽度为W_i的裂缝估计的偏差值的最终样本集计算该样本的平均值由此得到判断值与相对应；(Ⅴ)随着时间的变化，隧道中裂缝的宽度也会有所改变，定时对选取的裂缝再次进行测量，得到一组新的样本集，按照之前的处理方式，得到新的和需要再利用多次的测量结果得到一个准确的数据，作为最终的判定值和修订值$\overline{w_f^i}=\frac{{\Sigma }_{j=1}^n\overline{w_{ij}}*{\log }_2\frac{j}{n+1}}{{\Sigma }_{j=1}^n{\log }_2\frac{j}{n+1}};$其中为最终的判定值，表示宽度为W_i的裂缝的第j次测量的判定值，n表示宽度为W_i的裂缝的样本集中样本总数；由于时间的不同，裂缝会出现变化，所以对每次的判定值都添加了相应的权重，时间越久的数据所占的权重就越小，最近的数据所占的权重越大，第j次的数据权重用来表示，随着j的增大，权重也相应的增大；同理可以得到最终的修订值：$\overline{c_{df}^i}=\frac{{\Sigma }_{j=1}^n\overline{c_{d_J}^i}*{\log }_2\frac{j}{n+1}}{{\Sigma }_{j=1}^n{\log }_2\frac{j}{n+1}};$(Ⅵ)根据所得到的和来对估计值进行修订，设估计值为C，找到与C最相近的判定值得到裂缝最终的宽度为：