地鐵隧道圖像數(shù)據(jù)分析系統(tǒng).pdf

1、地鐵具有快捷、準(zhǔn)時、運量大等特點，是城市軌道交通的發(fā)展方向。為保證地鐵的安全運營，必須對地鐵隧道進行周期性安全檢測。其中隧道裂縫威脅隧道結(jié)構(gòu)穩(wěn)定性，需要重點進行檢測。傳統(tǒng)的隧道裂縫檢測以人工檢測為主，這種方式檢測時間長、安全性差，主觀性強，已經(jīng)不能滿足安全檢查的實際需求。為了提高檢測效率，基于圖像處理的裂縫檢測逐漸成為研究熱點。但隧道圖像數(shù)量巨大，所以這種檢測方式對算法的執(zhí)行效率和準(zhǔn)確性都有極高要求。為此本文設(shè)計了地鐵隧道圖像數(shù)據(jù)分析系

2、統(tǒng)，以并行化的處理方式分析隧道圖像，高效率、高準(zhǔn)確率的實現(xiàn)隧道裂縫的自動檢測。
　　本文分析了目前國內(nèi)外裂縫識別算法的優(yōu)勢和不足，探究了圖像并行化處理的相關(guān)技術(shù)，在這些研究的基礎(chǔ)上，完成了以下三個內(nèi)容:
　　第一，提出了一種適用于隧道圖像的裂縫分類算法。
　　本文首先將傳統(tǒng)的圖像預(yù)處理算法應(yīng)用到隧道圖像中，分析各個算法的適用性和不足，選取合適的算法并對其進行簡單改進。最后選用基于梯度決算的平滑濾波、低帽變換和動態(tài)OST

3、U閾值分割，將灰度圖像轉(zhuǎn)換為二值圖。改進后的預(yù)處理算法可以有效的濾除隨機噪聲，平衡光照并突出裂縫信息。隨后特征提取中，本文提出距離直方圖、樣本間線性關(guān)系等4個特征變量，它們能夠有效的區(qū)分二值圖中裂縫與非裂縫區(qū)域。接著本文設(shè)計了閡值分類器和基于ELM的裂縫分類器。以北京地鐵一號線的隧道圖像作為樣本，對ELM進行訓(xùn)練，得到良好的分類效果。最終通過仿真實驗，探究本文算法的準(zhǔn)確率和召回率。
　　第二，對基于滲漏模型的裂縫搜索算法進行了改進

4、。
　　提出兩步搜索的方式，首先在原有算法的基礎(chǔ)上定義了初始點的選取規(guī)則和滲漏區(qū)域圓度的判定規(guī)則，通過計算滲漏區(qū)域的圓度，濾除水浸等大面積干擾，進一步降低誤判率。其次引入概率松弛法，通過鄰域關(guān)系，將原始圖像轉(zhuǎn)化為概率矩陣，再次進行裂縫搜索。最后，引入全局閾值，實現(xiàn)斷裂裂縫的連接。對于搜索到的裂縫區(qū)域，本文摒棄了傳統(tǒng)的骨架提取方法，采用了微分和鄰域擴張的思想來計算裂縫的長度和寬度。
　　第三，實現(xiàn)了裂縫識別的分布式處理。