基于图像分割的地铁隧道渗漏水快速检测

地铁隧道具有线路长、地质环境复杂、环片数量多、检测作业时间短等特点.隧道结构渗漏水病害检测是保障地铁隧道安全的重要工作,传统人工巡查检测方法检测速度慢,需耗费大量的人力物力,不能满足地铁更好运营需求.为提高隧道渗漏水检测效率,更好地适应轨道交通运营需求.本文依托高速移动三维激光扫描技术获取点云数据,提出局部图像分割方法,获取隧道渗漏水病害信息.首先通过空间变换法将三维点云数据转换为二维正射影像,采用图像二值化处理算法增强隧道渗漏水病害区域的边缘信息;然后利用区域描述算法对图像内的渗漏水区域进行分析,获取渗漏水病害区域的大小和里程信息,从而达到自动化识别隧道结构病害.研究结果表明,本文方法可快速检测地铁隧道内渗漏水病害的位置、面积等信息,节约检测时间和检测成本的同时保证了检测结果的准确性.     

深度学习技术在遥感影像滑坡识别中的应用

探索遥感影像滑坡识别方法对于抢险应急指挥具有重要意义。传统的人工现场勘察速度慢、效率低,因此本文提出了一种基于深度学习的遥感影像滑坡识别方法。该方法首先基于毕节滑坡影像构建样本集,为了增强模型泛化能力,对训练集进行扩充增强并加入部分非滑坡数据,然后搭建U-Net深度学习模型并输入训练集进行训练。最后,利用测试集和北京市房山区、延庆区的两处实际滑坡区域对模型进行测试。实验结果表明,该方法要优于常规的数学形态学与SegNet模型方法,方法精度较高,能够实现影像滑坡区域的有效识别。