基于深度学习和激光点云的隧洞纵向变形检测.pdf

云南水力发电YUNNAN WATER POWER45第 39 卷第 8 期0 引言由于盾构施工自动化和精度高、掘进速度快、环境适应性好，盾构施工方法在现代地铁、输水隧洞建设项目中得到了广泛应用1-4。这种技术的一个显著优势是预制盾构混凝土段的高效施工组装，这些预制盾构混凝土段通常形成一个圆形衬砌，称为分段环。同时，大量的隧道工程需要盾构管片装配施工以及运维质量控制。由于隧道的衬砌所受的压力不均以及施工的不当，可能导致严重的沉降、纵向结构变形，从而使得管片出现渗漏、脱落、破损甚至开裂的情况，这将严重影响到隧道的日常使用及其运行5-7。针对变形检测，人工巡检和全站仪是目前最基于深度学习和激光点云的隧洞纵向变形检测周人飞1，赵青2，胡斌3，普肚鸿4，刘康5（1.中国重型机械有限公司，北京 100070；2.中水北方勘测设计研究有限责任公司，天津 300222；3.滨州市水利勘测设计研究院有限责任公司，山东 滨州 256600；4.中国水利水电第十四工程局有限公司，云南 昆明 650041；5.天津大学建筑工程学院，天津 300350）摘要：针对现有盾构施工隧洞纵向变形检测方法的不足，提出了一种基于深度学习和激光点云的检测方法。该方法通过 RandLANet分割隧洞点云，提取管片作为变形计算的基础，然后分别利用 RANSAC 和 LSM 对隧洞中轴线和各断面椭圆曲线进行拟合，计算隧洞的纵向变形量。实证分析表明，隧洞分割的 m_IoU 达到了 58.98%，计算得到的最大的凹陷变形量为 3.08mm。该方法能够有效地检测隧洞的变形状况，为盾构施工提供了一种精确、可行的检测方法，有利于隧洞自动化检测管理的发展。关键词：盾构隧洞；管片变形；三维激光；深度学习；拟合优化中图分类号：TV221.1；TV523文献标识码：A文章编号：1006-3951(2023)08-0045-07DOI：10.3969/j.issn.1006-3951.2023.08.010Tunnel Longitudinal Deformation Detection Based on Deep Learning and Laser Point CloudZHOU Ren-fei1,ZHAO Qing2,HU Bin3,PU Du-hong4,LIU Kang5(1.ChinaNationalHeavyMachineryCorporation,Beijing 100070,China;2.Bei Fang Investigation,Design&Research CO.,LTD.,Tianjin 300222,China;3.Binzhou Water Conservancy Survey,Design and Research Institute Co.Ltd,Binzhou 256600,China;4.POWERCHINA SINOHYDRO ENGINEERING BUREAU 14 CO.,LTD.,Kunming 650041,China;5.School of Civil Engineering,Tianjin University,Tianjin 300350,China)Abstract:In response to the shortcomings of existing methods for detecting longitudinal deformation in shield tunneling,this paper proposes a detection method based on deep learning and laser point cloud.This method uses RandLANet to segment the tunnel point cloud,extracts segments as the basis for deformation calculation,and then uses RANSAC and LSM to fit the tunnel axis and elliptical curves of each cross-section,respectively,to calculate the longitudinal deformation of the tunnel.The results show that the m_IoU of tunnel segmentation reaches 58.98%,and the maximum calculated concave deformation is 3.08mm.This method can effectively detect the deformation status of tunnels,providing an accurate and feasible detection method for shield tunneling construction,which is conducive to the development of tunnel automation detection management.Key words:shield tunnel;segment deformation;3d laser;deep learning;fitting optimization收稿日期：2023-06-27作者简介：周人飞（1968-），男，河北昌黎人，工程师，主要从事重型机械项目管理工作。通信作者：刘康（2000-），男，甘肃陇南人，硕士研究生，主要从事水工结构和和系统开发研究工作。*46云南水力发电2023 年第 8 期广泛的方法，存在效率低、工作量大和拱顶测量困难等缺点。随着自动检测和信息技术的发展，大量关于激光点云方法的研究已应用于地铁隧道变形测量应用，能较好地适应黑暗的隧道环境，数据采集迅速准确，满足快速、全面检测管片拼装质量的要求8-15。近几年关于点云深度学习算法得到了深入研究，并应用于隧洞结构分割中16-19。但盾构隧洞的结构复杂，呈超长线状结构，具有数据量大、密度高、不均匀、不完整和噪声多等特性，部分深度学习算法在分割识别应用过程中的效果不佳。其中，Li J 等人提出 GL-Net 方法能够精确地分割隧洞结构20，但该网络框架是基于胶囊网络建立的，需要参数多，耗时过长。Du L 等人采用隧道接缝与洞壁反射强度差提取隧道节点21。但当存在元素遮挡时，该方法的性能并不理想。Zhiqiu L 等人采用随机采样（RandomSample Consensus,RANSAC）算法拟合盾构隧道椭圆模型22，根据点云到隧道中轴线的距离对其他元素进行分割。该方法对突出于盾构隧道壁外的螺栓孔等构件有较好的沉降效果，但对盾构隧道壁纵向节点的沉降变形识别较差，不能很好地体现出隧洞的原有结构特征。关于变形量计算，成枢等人通过 LSM 计算环缝两侧断面的点云表征错台量23，没有考虑特征断面点云的异常情况，且计算错台变形的标准不统一。Han J Y 等人利用三维离散点云计算整个隧道表面的变形值24，但三维逐点计算负担较重，计算时间长。王子轩和 Xua J 等人进行了基于移动扫描点云的错台变形计算25-26，和大多现有研究相同，是针对移动扫描系统设计的，而不是地面激光扫描（Terrestrial Laser Scanning，TLS）。针对上述现状，提出一种基于深度学习和激光点云的盾构管片纵向变形全面高精度检测方法。为了克服有效的点特征提取和提高分割精度的问题，提出基于 TLS 数据和深度学习 RandLANet 分割方法18，RandLANet 运用于隧洞大场景点云分割具有优越性，能够高效分割隧洞管片。对于变形量计算，考虑隧洞全局特征的基础上拟合并计算局部特征。首先利用 RANSAC 以尽可能少的点拟合隧洞整体轴线，提高对于点云噪音、缺失和密度失衡的抵抗能力，再通过最小二乘法（Least Sqaure Method，LSM）拟合各断面所有点，以微分的方法精确识别管片纵向变形，并提取有效拟合曲线，最终得到变形量。最终通过一条直线隧道的点云数据验证了所提出方法的分割能力和变形计算能力。1 隧洞自动检测评价关键技术1.1 总体技术框架基于激光点云识别的隧洞纵向变形检测评价由 3 部分组成，总体框架见图 1。?图 1 总体框架图 阶段 1 是对实测得到的隧洞点云进行配准和去噪，然后将预处理后的点云进行数据集划分和分类，进而训练和预测数据，提取预测得到的管片数据。阶段 2 是基于 RANSAC 拟合管片点云中轴线，作为标准坐标轴，接着采用 LSM 在隧洞管片上各断面进行拟合，充分考虑隧洞上每一个点，提取表征隧洞断面的有效拟合曲线。阶段 3 计算中轴线各点上，某径向角的径向差值，即对应的变形量。最终在盾构拼装过程中进行了现场试验，验证了该方法的有效性。相比于现有研究，在此所提出的方法具有更强大的分割能力并保留隧洞原有特征。另外，轴线和各断面管片拟合分离，能更好的体现出偏差周人飞，赵青，胡斌，普肚鸿，刘康 基于深度学习和激光点云的隧洞纵向变形检测47效果，实现高精度和全范围管片纵向变形计算。1.2 点云数据预处理隧洞通常采用多站扫描，需要对点云数据进行拼接，从而统一坐标系，是后续工作分析的重要工作。采用迭代式最近点（Iterative Closest Point,ICP）精配准法，它可以有效地消除两片点云之间的偏差，从而获得更加准确的结果。具体是基于已知的初始变换矩阵，通过迭代最近点算法来计算两片点云的偏差，并对此偏差进行消除计算得到较为精确的解27-28。激光具有直线传播，穿透力弱的特点，无论是施工期还是运维期，在进行点云扫描时大概率会受到现场的不可控因素影响，存在局部遮挡区域，数据含有大量的噪声点，需对点云数据进行去噪处理。通过Trimble RealWorks软件进行去噪，直接将原始点云作为输入，快速去除点云中的噪声，同时保留隧道的关键结构。1.3 基于深度学习的分割方法RandLANet 采用跳跃连接的编码器-解码器架构，整体结构见图 2。层来最终输出每个点的语义预测标签 Nnclass，其中 nclass表示输入点云中的类数。能够有效识别每一个点的语义，适用于隧洞大规模点云上的网络，分割精度较高。1.4 隧洞拟合隧道的轴线不仅能够揭示其空间分布，还能够反映出其局部范围内的形态、走向以及断面变形，通过轴线上的某一特定点，就能够推断出与之垂直的隧道断面变形情况。1.4.1 隧洞中轴线拟合采用 RANSAC 对管片三维点云进行球面拟合。RANSAC 通过在数据中反复随机选取一组子集来估计模型，一直迭代到估算出最优模型为止。RANSAC 比 LSM 的点云更加灵活，它可以在模型确定的前提下，通过较少的迭代次数获得更加准确的拟合结果，适用于隧洞点云缺失、不均等情况。首先，基于分割得到的管片点云数据，在随机点云三维点云中选取一点 m，查找该点半径 r 以内的近邻点。将查找到的近邻点采用 LSM 拟合初始椭圆面，根据拟合结果解算出初始椭圆面对应的初始圆心坐标、长短轴和轴线向量。一般盾构隧道管片的变形后断面呈椭圆形，因此假定断面的点云模型为椭圆曲线。椭圆的一般隐式方程：Ax2+By2+Cxy+Dx+Ey+1=0 （1）计算中轴线三维点到点 m 及其近邻点外其他点到初始椭圆面的欧氏距离：（2）其中（xi，yi，zi）为剩下点的三维坐标。将 di与设定的阈值 t 比较，当 dit 时归为外点，反之作为内点保留，此次迭代完成后统计内点数量 N；将以上步骤迭代 M 次，选取含内点数量最多的椭圆柱模型作为最终隧洞整体三维点云的拟合椭圆面。该算法的时间复杂度也随着迭代次数 M 的增加而增加。得到管片点云的拟合椭圆柱面后，得到整个隧洞点云的轴线。1.4.2 隧洞各断面管片拟合RANSAC 虽然可以筛选出最多的有效点，但该模型并不一定是最佳拟合椭圆。相比之下，LSM则能够更加精确地拟合局部管片，因为它考虑到?图 2 RandLANet 整体结构图首先将输入三维 N 特征的点云（N，3）传输到全连接层，对点云进行栅格下采样，栅格采样能够极大地降低点的数量，同时尽可能地保证点云的几何结构。然后使用 4 个编码层和解码层来学习各点的特征,每个编码层还有 1 个高效的局部特征聚合模块（Local Feature Aggregation，LFA），LFA 模块由 3 个神经单元组成（局部空间编码、注意力池和扩张残差块），它可以在不丢失重要信息的情况下学习点云的特征。解码层使用 K-最近邻（K-Nearest Neighbor,KNN）算法找到每个点的最近邻，最后，利用 3 个带有丢弃层的全连接48云南水力发电2023 年第 8 期了全局信息，使用全局多项式方程的形式来求解椭圆方程。此外，由于在分割后的管片点云数据中噪声点非常少，因此它能够更准确地描述各个断面的椭圆参数。在中轴线上以微分的方式检测局部点云的变化，即在拟合中轴线方向 0.01m 一段的点云作为拟合输入点云数据B矩阵，代入式（1）得到相应的矩阵 BX=L （3）用 LSM 解椭圆未知参数：X=（BTB）-1BTL （4）可解算椭圆圆心坐标（x0，y0）和长短轴，拟合出椭圆曲线。由于 0.1m 范围内的点云存在局部缺失严重，或点过少的情况，所以需要根据范围内的点数和拟合得到的相邻的椭圆参数进行评价。提出异常数据。1.5 隧洞径向差值计算1.5.1 坐标轴建立作为管片纵向变形计算的基础，首先建立了以拟合中轴线为z轴的计算坐标系。在理想情况下，重要点的法向量垂直于拟合中轴线向量，由此建立了一个由中轴线法向量确定 z 轴正向的计算坐标系，xoy 平面垂直于 z 轴，xoy 平面竖直向上为 0，即 y 轴，以轴线上的点为圆心，顺时针为正，作为断面的径向角，得到了所有隧道管片点云在该坐标系中的坐标。1.5.2 计算径向差值由于各断面拟合得到的椭圆曲线圆心和整体拟合轴线上的点存在偏差，需计算在断面点云圆周上的拟合曲线的径向差值。首先要计算通过 z 轴某点（x0，y0），xoy 平面内径向角为 的直线 y=tanx+b，结合式（1）计算与拟合椭圆曲线的交点坐标（x1，y1），进而由式（2）计算 z 轴到交点坐标的距离 L1，z，z。然后与隧洞设计半径L2，z，z求差得到径向差值，即L3，z，z=L1，z，z-L2，z，z，若结果为正表示该点径向凹陷变形。计算示意见图 3。2 实验和结果分析以我国某盾构隧洞工程进行实证分析。所处理的盾构隧洞三维点云是通过 Trimble TX8 光学三维扫描仪采集的，设置等级 2、扫描范围 30 m、设置共 7 个站点、站点之间相距 10 m。隧洞点云长度 66 m，共 44 环，管片宽度 1.5 m，设计内径为 2.55 m。2.1 基于 RandLANet 的分割隧洞管片2.1.1 数据预处理对隧洞点云数据进行预处理，制作数据集。首先进行配准：采用 ICP 算法迭代 120 次对点云数据进行拼接，两站点云重叠区域的距离方差减小趋于平缓，最终点云的配准精度为 2.30 mm，拼接配准效果见图 4。由于扫描或者配准的时候出现的冗余点云或误差产生大量的噪点，会影响后面分割的准确率。?图 3 径向变形计算示意图图 4 配准后的点云示意图周人飞，赵青，胡斌，普肚鸿，刘康 基于深度学习和激光点云的隧洞纵向变形检测49利用Trimble RealWorks进行去噪，去噪效果见图5。去除的噪点有施工人员、管线、脚手架和通风机等。再通过 Global Mapper 进行数据类别的划分，划分为管片、螺栓孔、灌浆孔、轨道、纵缝和横缝 6 种类型，最终提取出管片作为隧洞变形分析的依据。根据现有检测点云数据和 RandLANet数据集案例，划分训练数据和测试数据之比为10 1，分别为 60 m 和 6 m。数据分类和划分见图 5 去噪后的点云示意图?图 6 类别及数据集划分图 图 6。最后将数据转换为 S3DIS 标准数据集，用作数据训练。2.1.2 数据训练及测试训 练 和 测 试 都 是 在 配 备 Intel（R）Xeon（R）CPU 2.30GHz，64G 和一个 Nvidia GeForce RTX3060 GPU 显卡的计算机上进行的。由于服务器的物理内存限制，批处理大小设置为 4。以m_IoU作为训练评价指标，平均交并比（m_IoU）是各类的点云的交并比平均得到的，交并比是真实边界框与模型预测边界框之间的重叠度，值越高训练和测试结果越好。最终得到的 m_IoU为 58.98%，用时 3h。结果较好，相比于 Point 和PointNet+等算法分割能力要更强，且相比于 GL-Net 等算法所需计算时间要更少。提取测试集，共有 4 环管片，一共 6m。对测试集进行测试，结果见图 7。由结果可以看出，其中局部的管片被识别成了螺栓孔，整体识别较好，能够满足隧洞大规模分割的要求。最终提取测试集的管片点云作为错台分析数据依据。相比于随机采样一致性算法得到的管片数据，该算法很大程度上保留了原有的隧洞断面信息，更好的表征隧洞管片形状。2.2 基于 RANSAC 提取隧洞轴线提取深度学习分割得到的管片点云。在 visual Studio 2022 中，基于点云数据库 PCL1.3.1，采用c+编程作为开发工具，利用 RANSAC 算法主要对提取出的两侧拱腰的点云进行拟合，设置阈值 t为 0.05，迭代次数为 100。在原坐标系下得到隧洞的中轴线点向式方程为：（5）对应的椭圆沿椭圆半长轴长度：2.587 m，半短轴长度：2.525 m。中轴线拟合见图 8。基于拟合得到的隧洞中轴线建立坐标系，隧图 7 测试分割示意图50云南水力发电2023 年第 8 期 表 1 隧洞管片曲面变形量离散表 mm轴线(1102mm)角度/061218243036424854600-2.3-1.6-1.6-1.8-2.1-1.9-3.2-2.4-2-2.8-3.2600.80.70.80.8111.11.10.90.711201.10.70.70.910.910.90.70.81.1180-2.1-1.6-1.6-1.7-2-1.9-3.4-2.6-2.1-2.7-3.1-1201.50.30.70.51.41.31.210.90.41.5-600.80.40.90.41.31.41.310.90.31.5洞进口端对应的轴线点为原点，以当前的中轴线为 z 轴，xoy 平面垂直于 z 轴，剖面竖直向上为 y，径向水平为 x。图 8 中轴线拟合示意图图 9 全断面拟合曲线图2.4 变形量计算及分析计算个点的径向差值，离散结果见表 1，变形量见图 10，由拟合结果可以看出，当前的计算得到的最大的凹陷变形量为 3.08 mm，发生在3.6 m，径向角 1.8处。另外，最大的突出变形量为 2.00 mm，发生在 6.0 m，径向角-80处。受测量方式影响，两处的实际错台量分别约为 4.00 mm 和 3.00 mm。最大变形均发生在管片边缘附近区?图 10 最大/最小变形量示意图2.3 基于 LSM 拟合隧洞断面考虑到局部管片点云存在稀少甚至缺失，所以利用 LSM 对中轴线上每隔 0.1 m 范围内在 x0y 断面内的点云进行拟合，得到各断面的拟合椭圆曲线。拟合结果见图 9，大部分拟合曲线都能够符合断面情况。但存在部分曲线偏差过大，拟合得到的个别椭圆与相邻的椭圆长短轴相差过大，这是由于个别断面内点的数量过少导致的，在后续计算过程中将剔除。域，说明隧洞变形容易从管片的边缘区域的拱顶和拱腰位置容易发生破坏。根据盾构法隧道施工及验收规范查询水工隧道管片的逐环错台变形允许值，环内错台变形 8 mm、环间错台变形9 mm，所以该隧洞满足设计要求。由于点云是由刚施工结束的现场得到的，未发现过多的错台，与现场实际情况相吻合。3 结束语提出了一种基于深度学习的高精度隧洞变形量检测方法。该算法可以快速地获得盾构隧道管片变形量以及位置，并用某隧道的地面激光扫描所得点云数据进行了验证。从以上讨论中，可以得出以下结论。1）基于 RandLANet 的盾构隧道管片点云分割方法。点云的分割包括以下 4 个步骤：点云配准和去噪；数据分类和划分；训练并测试模型；提取管片点云。该方法尽可能地保留了原始的隧洞结构，减少对隧道管片的误分类，保证了隧道管片点提取的准确性，为后续精确识别变形量提供了依据。2）根据 RANSAC 和 LSM 拟合盾构隧道管片周人飞，赵青，胡斌，普肚鸿，刘康 基于深度学习和激光点云的隧洞纵向变形检测51的轴线和断面曲面。实现轴线和管片拟合分离，有效放置局部拟合偏离引起的变形计算误差。并且以 0.1 m 为步长拟合该段的椭圆曲线然后剔除个别异常曲线，能更好的表征整个隧洞的纵向变形量。圆柱体拟合方法也包括 3 个步骤：拟合整体隧洞并获得隧洞轴线；基于隧洞轴线建立坐标轴；沿坐标轴逐步拟合垂直断面内的椭圆曲线。3）对某盾构隧道进行了变形量计算分析，结果表明，能够精确的计算隧洞全断面的变形量，得到精确的变形坐标，有效的避免了由于变形造成的工程损失。这种测量方法虽然精度比较高，但仅考虑了隧洞纵向变形，需进一步研究横向的检测方法。参考文献：1代洪波，季玉国.我国大直径盾构隧道数据统计及综合技术现状与展望J.隧道建设：中英文，2022,（5）:757-783.2 李建斌.我国掘进机研制现状、问题和展望 J.隧道建设:中英文，2021,（6）:877-896.3 陈建芹，冯晓燕，魏怀，等.中国水下隧道数据统计 J.隧道建设:中英文，2021,（3）:483-516.4刘波.软弱地层中基坑开挖卸荷引起临近既有地铁盾构隧道变形及控制方法研究D.南京：东南大学，2020.5葛双双，高玮，汪义伟，等.我国交通盾构隧道病害、评价及治理研究综述J.土木工程学报，2023,（1）:119-128.6刘德军，仲飞，黄宏伟，等.运营隧道衬砌病害诊治的现状与发展J.中国公路学报，2021,（11）:178-199.7洪开荣，冯欢欢.近 2 年我国隧道及地下工程发展与思考（2019-2020 年）J.隧道建设:中英文，2021,（8）:1259-1280.8桂芳茹.三维激光扫描在地铁盾构隧道变形监测的应用J.科技通报，2015,31（12）:263-265.9 曹震.基于地面激光点云的盾构地铁隧道变形检测研究 D 南京：南京林业大学，2020.10赵亚波，王智.基于移动三维扫描技术的隧道管片错台分析及应用J.测绘通报，2020,（8）:160-163.11Cui H,Ren X,Mao Q,et al.Shield subway tunnel deformation detection based on mobile laser scanningJ.Automation in Construction,2019,（106）:102889.12夏金周.移动式三维激光扫描技术在地铁隧道变形检测中的应用研究D.南京:东南大学，2019.13 虞伟家.基于移动三维激光扫描的盾构隧道断面提取与应用 J.测绘通报，2019,（S2）:200-206.14王金峰，徐捷，骆汉宾.圆形盾构管片拼装质量激光扫描自动检测研究J.都市快轨交通，2019,（5）:109-116.15谢雄耀，卢晓智，田海洋，等.基于地面三维激光扫描技术的隧道全断面变形测量方法 J.岩石力学与工程学报，2013,（11）:2214-2224.16Qi C R,Su H,Mo K,et al.Pointnet:Deep learning on point sets for 3d classification and segmentationA.Proceedings of the IEEE conference on computer vision and pattern recognitionC.2017.17Qi C R,Yi L,Su H,et al.Pointnet+:Deep hierarchical feature learning on point sets in a metric spaceJ.Advances in neural information processing systems,2017,（12）:5105-5114.18Hu Q,Yang B,Xie L,et al.Randla-net:Efficient semantic segmentation of large-scale point cloudsA.Proceedings of the IEEE/CVF conference on computer vision and pattern recognition C.2020.19Meng-Hao Guo,Jun-Xiong Cai,Zheng-Ning Liu,等.PCT:Point cloud transformerJ.计算可视媒体:英文版，2021,（2）:187-199.20Li J,Zhang Z,Sun H,et al.GL-Net:Semantic segmentation for point clouds of shield tunnel via global feature learning and local feature discriminative aggregationJ.ISPRS Journal of Photogrammetry and Remote Sensing,2023,（199）:335-349.21Du L,Zhong R,Sun H,et al.Dislocation Detection of Shield Tunnel Based on Dense Cross-Sectional Point CloudsJ.IEEE Transactions on Intelligent Transportation Systems,2022,23（11）:22227-22243.22ZhiqiuL,Tonggang Z,Xiaohua L,et al.Typical Elements Segmentation of Shield Tunnel Point CloudJ.Journal of Geomatics Science and Technology,2018,（4）.23成枢，桑泽磊，吴勇，等.基于移动三维激光扫描技术的隧道管片错台检测J.测绘与空间地理信息，2022,（4）:5-9.24Han J Y,Guo J,Jiang Y S.Monitoring tunnel deformations by means of multi-epoch dispersed 3D LiDAR point clouds:An improved approachJ.Tunnelling and Underground Space Technology,2013,（38）:385-389.25王子轩.基于移动扫描点云的圆形盾构隧道管片错台自动提取J.工程勘察，2022,（9）:60-65.26Xu J,Ding L,Luo H,et al.Near real-time circular tunnel shield segment assembly quality inspection using point cloud data:A case study J.Tunnelling and Underground Space Technology,2019,（91）:102998.27单丽杰，岳建平，钱炜.基于特征点的 ICP 点云配准算法J.甘肃科学学报，2022,（4）:1-4.28戴静兰，陈志杨，叶修梓.ICP 算法在点云配准中的应用J.中国图象图形学报，2007,（3）:517-521.