论文部分内容阅读
近年来,随着城市地铁运营里程和线路的快速增长,大量的基础设施,尤其是地铁隧道,由建设期转入养护期,设施面临着自身结构老化及外来因素损害等病害的影响。对于地铁隧道而言,隧道表面的裂缝成为地铁运营安全的隐患之一。而地铁隧道病害的检测,目前主要依靠人工巡检及肉眼判断,检测结果受人为因素影响较大,导致检测结果既不充分而且效率低下,因此,采用计算机技术和图像处理技术自动、有效、高速识别地铁隧道裂缝,成为目前地铁检测现代化的热点问题之一。在这一背景下,论文设计了地铁隧道表面裂缝自动识别系统,该系统是以面向对象,移植性高的Java语言开发,并采用当下较为流行的SSH(Struts+Spring+Hibernate)开源框架,数据库采用体积小,速度快的MySQL关系型数据库,对裂缝信息的检测识别采用是目前识别度高,识别速度快的用于快速特征嵌入的卷积体系结构(Caffe)框架下基于卷积神经网络特征提取区域推荐(Faster R-CNN)算法进行裂缝识别。论文的主要工作如下:(1)首先,论文介绍了本系统的开发背景和国内外研究现状,并阐述了本系统开发过程中使用到的目标检测技术。(2)论文根据隧道表面裂缝自动识别系统的功能需求,确定了系统的整体架构,包括系统的软件架构和技术架构。进而对系统的总体功能结构和数据库结构也进行了设计。(3)论文对该系统的详细设计、实现过程和测试过程进行了阐述。在该部分,详细介绍Faster R-CNN算法网络模型训练,以及各个功能模块的业务处理逻辑的设计方案。论文应用表明,本文设计的地铁隧道表面裂缝自动识别系统的识别效率和识别准确率均达到较好的水平。此外,该系统通过对当前最新目标检测技术Faster R-CNN的应用,实现对地铁隧道裂缝的自动检测与定位,并以此建立隧道裂缝病害分布数据库,通过历史数据对比,分析洞体变形与裂纹的发展趋势,及时指导维修人员对裂缝修复养护。