盾尾间隙智能监测装置的镜头污渍检测与清洁方法及装置与流程

本发明属于盾构施工，具体涉及一种盾尾间隙智能监测装置的镜头污渍检测与清洁方法及装置。

背景技术：

1、盾构施工中有若干环节需要进行人工测量获得参数，目前有较多关于自动化测量技术的探索，特别是盾尾间隙自动测量技术。盾尾间隙是盾构掘进施工过程中需要精确测量和实时监控的一类关键技术参数，对于控制盾构机姿态及保证盾构施工的高效和安全等方面起着至关重要的作用。盾尾间隙是指管片外径和盾构壳体内径之间的间隙距离。当盾尾间隙变化量超出设定的范围时，将会使盾尾和管片之间发生过度挤压，加速盾尾密封刷的磨损，减缓掘进速度，甚至造成管片错台或损坏，导致隧道渗漏和地表沉降等严重后果。因此，有必要对盾尾间隙进行实时、连续和周期性测量来保证盾构施工的效率和安全。

2、随着近几年盾构施工技术在自动化、智能化、信息化方向的不断发展，有多位学者提出了基于机器视觉的盾尾间隙监测的方法，这些方法通过对工业相机拍摄到的盾尾间隙图像进行数字图像处理得到特征，经过间隙监测算法获取盾尾间隙值。而这种方法对工业相机成像质量有很高的要求，而盾构隧道施工存在着油、注浆浆液、水、粉尘等多种污染物，可能导致工业相机镜头产生污渍，从而导致检测设备成像不良、监测设备失效。现有技术中缺乏对盾尾间隙监测装置的镜头污渍检测与清洁方法，导致盾尾间隙监测装置的所获取的图像数据质量不佳。

技术实现思路

1、本发明的目的就是为了解决上述背景技术存在的不足，提供一种盾尾间隙智能监测装置的镜头污渍检测与清洁方法及装置，以达到在盾尾间隙监测装置镜头出现污染的情况下，能快速、准确、自动判断，并控制镜头刷进行污渍清洁，提升盾尾间隙监测装置的适应性与自动化程度，克服现有基于机器视觉的盾尾间隙监测方法无法实现自动化监测镜头污渍状态与清洁控制的弊端。

2、本发明采用的技术方案是：一种盾尾间隙监测装置的镜头污渍检测方法，包括以下步骤：

3、获取盾尾间隙监测装置所采集的单帧图像数据；

4、将单帧图像数据输入至训练完成的squeezennet卷积神经网络，得到该帧图像数据是否为污染状态的第一结论；

5、提取单帧图像数据的图像特征，并将图像特征输入至训练完成的长短期记忆人工神经网络，得到该帧图像数据是否为污染状态的第二结论；

6、根据第一结论和第二结论共同判断该帧图像数据是否为污染状态。

7、上述技术方案中，如果第一结论或者第二结论为该帧图像数据为污染状态，则判定该帧图像数据为污染状态；如果第一结论和第二结论为该帧图像数据为非污染状态，则判定该帧图像数据为非污染状态。

8、上述技术方案中，所述图像特征包括：对比度、饱和度、亮度、灰度方差、图像熵、灰度差分乘积函数、brenner梯度函数、能量梯度函数、拉普拉斯函数、二维离散傅里叶变化。

9、上述技术方案中，squeezennet卷积神经网络的训练过程包括：

10、获取大量盾尾间隙监测装置在镜头存在污染和不存在污染时所采集的单帧图像数据，并对每帧图像数据的污染状态进行标记；

11、构建第一训练集，并对squeezennet卷积神经网络进行训练；所述第一训练集的单个样本信息包括：作为模型输入的单帧图像数据，作为训练标签的污染状态标记。

12、上述技术方案中，长短期记忆人工神经网络的训练过程包括：

13、获取大量盾尾间隙监测装置在镜头存在污染和不存在污染时所采集的单帧图像数据并同时每帧图像数据的图像特征，并对每帧图像数据的污染状态进行标记；

14、构建第二训练集，并对长短期记忆人工神经网络进行训练；所述第二训练集的单个样本信息包括：作为模型输入的单帧图像数据的图像特征，作为训练标签的污染状态标记。

15、本发明还提供了一种盾尾间隙监测装置的镜头清洁方法，包括如下步骤：

16、获取盾尾间隙监测装置采集到的视频流，判断视频流的每帧图像的污染状态；

17、根据视频流的每帧图像的污染状态，判断是否达到镜头污染状态条件以及报警上报条件；

18、若判定达到镜头污染状态条件，则启动镜头刷，否则不启动；

19、若判定达到报警上报条件，上报异常状态。

20、采用上述技术方案所述的盾尾间隙监测装置的镜头污渍检测方法判断视频流的每帧图像的污染状态。

21、上述技术方案中，镜头污染状态条件为：通过滑动窗口模式判断单位时间内为污染状态的图像帧数，若超过所限定最大帧数，则判定达到镜头污染状态条件。

22、上述技术方案中，报警上报条件为：如果达到镜头污染状态条件的持续时间大于报警阈值时间则达到报警上报条件。

23、本发明提供了一种盾尾间隙智能监测装置的镜头污渍检测与清洁装置，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行上述技术方案所述的方法的步骤。

24、本发明的有益效果是：本发明应用squeezennet卷积神经网络和长短期记忆人工神经网络共同判断盾尾间隙监测装置的镜头污染情况，进而控制镜头刷进行清洁，有效提升了盾尾间隙监测装置所获取的图像质量，避免了因设备污染造成的监测失效，提升了系统效率与自动化程度。本发明采用循环神经网络lstm加强了判断方法的可解释性，循环神经网络能有效的利用过去时间的系统状态综合判断镜头污渍的发展趋势，采用轻量化的squeezenet网络则有效减少了网络参数，降低了整体的时间复杂度，加快了系统的运行速度。本发明盾尾间隙监测装置的镜头污渍检测与清洁控制方法适用于多种盾尾间隙装置与盾构场景，较为灵活。

技术特征：

1.一种盾尾间隙监测装置的镜头污渍检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种方法，其特征在于：如果第一结论或者第二结论为该帧图像数据为污染状态，则判定该帧图像数据为污染状态；如果第一结论和第二结论为该帧图像数据为非污染状态，则判定该帧图像数据为非污染状态。

3.根据权利要求1所述的一种方法，其特征在于：所述图像特征包括：对比度、饱和度、亮度、灰度方差、图像熵、灰度差分乘积函数、brenner梯度函数、能量梯度函数、拉普拉斯函数、二维离散傅里叶变化。

4.根据权利要求1所述的一种方法，其特征在于：

5.根据权利要求1所述的一种方法，其特征在于：长短期记忆人工神经网络的训练过程包括：

6.一种盾尾间隙监测装置的镜头清洁方法，其特征在于，包括如下步骤：

7.根据权利要求6所述的一种方法，其特征在于：采用权利要求1所述的盾尾间隙监测装置的镜头污渍检测方法判断视频流的每帧图像的污染状态。

8.根据权利要求6所述的一种方法，其特征在于：镜头污染状态条件为：通过滑动窗口模式判断单位时间内为污染状态的图像帧数，若超过所限定最大帧数，则判定达到镜头污染状态条件。

9.根据权利要求6所述的一种方法，其特征在于：报警上报条件为：如果达到镜头污染状态条件的持续时间大于报警阈值时间则达到报警上报条件。

10.一种盾尾间隙智能监测装置的镜头污渍检测与清洁装置，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行权利要求6-9任一项所述的方法的步骤。

技术总结本发明提供一种盾尾间隙智能监测装置的镜头污渍检测与清洁方法及装置，所述盾尾间隙监测装置的镜头污渍检测方法，包括以下步骤：获取盾尾间隙监测装置所采集的单帧图像数据；将单帧图像数据输入至训练完成的SqueezenNet卷积神经网络，得到该帧图像数据是否为污染状态的第一结论；提取单帧图像数据的图像特征，并将图像特征输入至训练完成的长短期记忆人工神经网络，得到该帧图像数据是否为污染状态的第二结论；根据第一结论和第二结论共同判断该帧图像数据是否为污染状态。本发明能快速、准确、自动判断，并控制镜头刷进行污渍清洁，提升盾尾间隙监测装置的适应性与自动化程度。技术研发人员：许超,刘哲,熊栋栋,杨钊,曾亮,姬付全,陈培帅,刘朋飞,贺创波,高如超,钟涵,张飞雷,温博为,宋向帅,刘东军受保护的技术使用者：中交第二航务工程局有限公司技术研发日：技术公布日：2024/7/29