基于环形阵列视觉的地铁管片病害检测系统

李潞洋

(山西省自动化研究所智能交通事业部，山西 太原 030012)

基于环形阵列视觉的地铁管片病害检测系统

李潞洋

(山西省自动化研究所智能交通事业部，山西 太原 030012)

针对地铁投入运营后传统方式检测隧道管片病害信息存在的工作效率低下、人工成本高等问题，设计了一种基于环形阵列视觉的地铁管片病害检测系统；介绍了该系统的整体设计，并着重阐述了视觉信息数据采集系统和视觉数据处理系统的实现方式，最终完成了一种高度智能化的地铁管片病害检测系统。

环形阵列；计算机视觉；地铁管片病害；检测

地铁运营后线路状态安全检测的传统方式主要是以人工静态检查为主、少量动态检测车为辅，二者相结合的方式。一般由各工区分段负责某一线路，利用线路无运营任务的夜间时间进行检查。对于不同方面的检测，如隧道和轨道，还需要预留不同的检查维修天窗。这种人工为主并且分专业的检测方式存在许多缺陷，检测速度慢导致占用线路时间长、工作效率低、人工成本髙，无法满足运营安全的实际需求[1]，迫切需要开发先进高效的检测手段，来应对未来地铁运营后面临的巨大挑战。

本文创新性地将地铁隧道内侧管片分割为一个环形阵列，通过合理部署并移动视觉传感器来采集环形阵列的视觉数据，并将采集的视觉图像进行拼接、融合，形成一个完整的隧道管片视觉数据。通过对隧道管片视觉数据的后期处理，并针对管片病害特征进行学习，实现管片病害现象的自动甄别、病害现象的可视化呈现以及病害信息报告的生成。该系统的建立将极大提高我国地铁运营过程中管片病害检测的效率，实现管片病害检测的自动化。

1 检测系统整体设计

地铁隧道管片病害检测系统分为图像采集和图像处理两大部分。视觉数据采集部分是对隧道管片裂缝进行采集的过程，视觉数据采集部分主要包括检测车，工业CCD相机，定位系统，速度传感器，光照补充设备。视觉数据处理部分是整个系统的关键部分，主要包括对视觉图像进行图像增强，图像分割，图像特征识别与提取的过程。

图1 系统整体设计

2 视觉数据采集系统设计

视觉数据采集部分主要包括检测车，工业CCD相机，照明设备，定位子系统，工控机，存储设备，电源等几个部分。

2.1 检测车辆

视觉数据采集设备放置在检测车上，检测车是整个设备的载体。视觉数据采集过程中，检测车辆运行在地铁轨道之上，这就要求检测车辆底盘符合《GBT 7928—2003 地铁车辆通用技术条件》国家标准。定制专门的设备固定装置安装在车辆平台上以固定各类检测设备。

2.2 视觉数据采集系统

视觉数据采集系统主要是对管片表面图像进行采集。通过合理部署工业CCD相机来获取隧道管片的环形视觉阵列的一行视觉数据。工业CCD相机组应按照环形阵列视觉需求进行部署，为了保证收集到的视觉数据不发生扭曲，相机组的高度应位于隧道截面圆心处附近。CCD相机镜头方向应与半径向外方向相一致，各相机拍摄角度之间应有15%重复区域以保证视觉区域对隧道管片的完整覆盖。相机部署方式如图2所示。

图2 工业CCD相机部署方式

2.3 照明系统

地铁隧道内光照条件较差，无法达到图像采集的要求，然而视觉数据采集系统对光照的要求比较高，需要安装照明系统。照明系统采用6 000 k色温的矩阵式LED照明装置，其优点主要包括：1) 对工业CCD相机白平衡影响较小；2) 光照均匀分散，不会出现高亮区域干扰视觉数据采集；3) 能耗较低。

2.4 定位系统

定位系统负责确定采集车辆所在的位置，进而控制相机采集视觉数据的时间。由于地铁隧道大多位于地下十几米甚至数十米深的位置，GPS卫星定位信号方式较为困难，所以采用速度传感器来确定采集车辆所在的位置。

2.5 工业控制计算机

工控机是整个采集系统的基础，在视觉数据采集过程中，通过工控机获取到检测车的速度、位置信息，然后合理控制采集相机获取视觉数据，并将采集到的数据通过采集卡读取至工控机后存放至存储设备中。

2.6 电源系统

电源系统保证采集车辆上用以采集视觉数据的各种设备的电能供应和检测车辆自身的运行动力。接触网式地铁供电系统的受电弓可能会干扰视觉数据的采集，所以在有条件的情况下应尽量选择接触轨式车辆供电系统，在没有接触轨供电系统的情况下，车辆上应安装燃油发电装置以提供电能。为避免供电系统失效造成的视觉信息采集设备的损坏，电源系统中应包含UPS设备。

3 视觉数据处理系统设计

视觉数据处理部分是利用高性能计算机将数字图像处理技术对视觉数据进行处理和分析，最终得到病害特征信息的过程。视觉图像处理的工作大致分为以下步骤：

3.1 环形阵列视觉数据的融合

视觉数据的采集是按照环形阵列方式进行分布的，阵列的各元素之间存在几何形变和边缘重叠，环形阵列视觉数据的融合需要对元素数据进行几何校正及边缘融合后，拼接成为一个完整的地铁隧道管片视觉图像。

3.2 病害视觉图像预处理

由于地铁隧道内采集环境较为恶劣、拍摄条件往往受到诸多限制，采集到的视觉图像信息的光照往往不够均匀，不同区域对比度也存在较大差异，这对于后期进行病害特征提取有着较大的影响，图像预处理系统需要降低这些不利因素对后续工作的影响。针对于管片病害信息大多采用空域法[2]对图像进行预处理，即通过对视觉图像的灰度值进行整体偏移，再对特定区域的灰度直方图进行修正。之后本系统利用基于连通区域的多级滤波算法[3]对视觉图像信息中的噪声进行滤除。完成视觉图像的预处理后，视觉图像中不重要的干扰信息将会被削弱，而包含有病害信息的区域将会得到增强。

3.3 病害特征提取

病害特征的提取主要是将预处理完成后的视觉图像进行进一步的处理后获得病害特征的过程。本系统首先使用Zhang提出的一种算法[4]剥离出病害位置的骨架信息，然后按照阈值剪除病害骨架的毛刺[5]，即可得到较为完整清晰的病害特征信息。

3.4 病害参数计算与分类

对病害特征视觉信息进行测算，如管片裂缝的宽度、面积等信息，提取病害的特征值。将得到的病害特征值与相关的地铁隧道管片安全标准进行比对，估算当前隧道管片的健康程度。

3.5 病害信息的机器学习

通过分析并提取视觉数据中存在病害区域的特征，不断学习系统运行中发现的各类病害信息，并对大量病害信息进行大数据处理，以得到特定区域管片病害的一些规律信息，例如某一批次的管片普遍存在的问题、某种施工工艺容易造成的病害情况、某种岩层结构下对隧道管片的影响等，这些规律性的信息还可为尚未发现的地铁隧道管片存在的潜在病害提供指导性意见。

3.6 病害报告生成

对地铁隧道管片的检测结论自动生成病害信息报告，该报告包含可视化的病害图像信息、病害特征信息测算结论，并与预先设置的病害信息库进行比对，给出处理该病害的指导性意见或建议。

4 结论

建立基于环形阵列视觉的地铁管片病害检测系统，可快速地获得病害信息，有利于对结构安全进行客观评估，且这种病害检测是远距离的非接触式检测，不会对地铁管片造成损害，在提高检测效率的同时大大节省了人工和费用，也可有效预防地铁在运行过程中事故的发生，确保运行安全，减少经济损失和社会影响。

[1] 李寅.路轨两栖综合检测车精确定位与综合同步系统研究[D].北京：北京交通大学,2011.DOI:10.7666/d.y1961905.

[2] 刘晓瑞,谢雄耀.基于图像处理的隧道表面裂缝快速检测技术研究[J].地下空间与工程学报,2009,5(增刊2):1624-1628.DOI:10.3969/j.issn.1673-0836.2009.z2.043.

[3] 王耀东,余祖俊,白彪，等.基于图像处理的地铁隧道裂缝识别算法研究[J].仪器仪表学报,2014,35(7):1489-1496.

[4] Zhang TY,Suen CY.A Fast Parallel Algorithm for Thinning Digital Patterns[J].Communications of the ACM，1984，27(3):236-239.

[5] 王要峰，崔艳.基于方向链码去除骨架图像毛刺算法[J].计算机应用，2013，33(增刊1):193-194，198.

Defects Inspection System for Tunnel Segment of Subway Based on Computer Vision of Ring Array

Li Luyang

(DepartmentofIntelligentTransportation，ShanxiAutomationResearchInstitute,TaiyuanShanxi030012,China)

Aiming at the problem of low working efficiency and high labor costs existing in defects inspection for tunnel segment of subway in traditional way after the subway put into operation, a defects inspection system for tunnel segment of subway based on computer vision of ring array is designed. This paper introduces the overall design of the system, focuses on the realization of visual information data acquisition system and processing system, finally, a highly intelligent tunnel segment of subway defects inspection system is completed.

ring array; computer vision; subway tunnel Segment; defects inspection

2017-03-13

李潞洋(1988- )，男，山西高平人，助理工程师，硕士研究生，研究方向：计算机仿真。

1674- 4578(2017)02- 0043- 02

TP391

A