轨道交通盾构隧道病害空间分布特征和自相关性研究

我国轨道交通已经进入新建与维护并重期。随着地铁隧道服役年限的增加,其病害种类不断增加,且各类病害呈逐渐加重的趋势。以三维激光测量隧道逐环监测数据为基础,研究隧道区间的病害空间分布特征和自相关性,全面掌握地铁隧道运营状态和病害发展趋势,是进行隧道病害防治的前提。本文利用某地地铁上行线隧道逐环三维激光测量数据,分析了错台、掉块、裂缝和渗漏水等病害在线路走向的空间分布特征,分析了病害与周边地质环境的关系。利用灰色关联分析算法研究了病害之间的相关性,为掌握隧道病害的发展趋势和认识病害之间的耦合关系建立了定量化的分析手段。本文为掌握隧道病害空间分布规律,预测隧道病害的发生、治理提供了有效依据,可以为地铁安全运营提供有力保障。     

改进U-Net模型支持下的高密度激光点云在沥青道路病害识别中的应用

现有的神经网络模型能在一定程度上实现自动识别路面病害,但在实际应用中,检测准确率无法满足道路安全运维的需求,容易出现病害的漏检和误检。针对上述问题,本文提出了一种融合灰度图像和深度图像的U-Net改进模型。首先利用深度图特征,实现自动剔除无病害数据,减轻模型的运算量;然后在传统的U-Net模型结构基础上加入全局上下文模块,在实现网络轻量化的基础上提升了网络性能;最后加入路面深度图高程信息,使模型的训练数据由一维变为二维。基于病害范围与路面深度图,获取路面病害深度参数。试验结果表明,本文提出的融合灰度图像和深度图像的U-Net改进模型在全局识别准确率、精准率、召回率、综合评价指标和mIoU指标上分别为99.09%、84.69%、81.64%、91.67%和84.58%,均高于其他两种同时进行测试的模型。在路面病害检测结果中,本文方法比其他4种模型提高了99.07%。因此,本文算法可以用于有噪声干扰的复杂场景,且能够平滑、高效地提取路面裂缝,具有较强的稳健性,可为后续的路面修复工作提供重要参考。