Создание цифровой карты тоннеля метрополитена с использованием специальных технических средств

Выявление и фиксация визуальных дефектов конструкций обделки перегонных тоннелей является необходимым видом работ, регламентируемым действующей нормативной документацией, который в настоящее время выполняется вручную. Все дефекты записываются в специальный журнал обслуживающим персоналом. Исследуемая на предмет проявления дефектов обделка перегонных тоннелей представляет собой протяженную по длине и плохо освещенную поверхность. С учетом сложных условий труда специалистам требуется большое количество времени для ее полного изучения. Разработка методики и использование специальных технических средств для сбора пространственных данных позволит выполнять поиск и фиксацию дефектов обделки с большей полнотой, достоверностью и за меньшее количество времени. Наилучшей альтернативой человеческому зрению является компьютерное зрение в совокупности с искусственным интеллектом, для использования которого требуются виртуальные геоизображения, содержащие пространственную информацию о дефектах. Имея базу данных виртуальных геоизображений с имеющимися на них дефектами, возможно обучить нейронную сеть для автоматического контроля за техническим состоянием перегонных тоннелей. Вышеописанные виртуальные геоизображения создаются на основе цифровой карты тоннеля – ортофотоплана внутренней поверхности перегонного тоннеля. Представлен подход к созданию цифровой карты поверхности перегонного тоннеля, выполняемый на основе фотограмметрических работ, для реализации которого была разработана и испытана передвижная тоннельная фотостанция в совокупности со специальными связующими знаками.

Парамонов С. С. Создание цифровой карты тоннеля метрополитена с использованием специальных технических средств // Горный информационно-аналитический бюллетень. – 2024. – № 9. – С. 32–46. DOI: 10.25018/0236_1493_2024_9_0_32.

Парамонов Сергей Сергеевич — старший преподаватель, НИТУ МИСИС, e-mail: paramonov.ss@misis.ru, ORCID ID: 0000-0002-0907-8184.

1. Cheng Xiaolong, Hu Xuhang, Tan Kai, Wang Lingwen, Yang Lingjing Automatic detection of shield tunnel leakages based on terrestrial mobile LiDAR intensity images using deep learning // IEEE Access. 2021, vol. 9. DOI: 10.1109/ACCESS.2021.3070813.

2. Tarakanova V. V., Romanenko A. I., Buriy A. I. Prevention and elimination of emergency situations during the construction and operation of metro structures // International Journal of Advanced Studies. 2023, vol. 13, no. 1-2, pp. 7—19. DOI: 10.12731/2227-930X-2023-13-1-2-7-19.

3. Конюхов Д. С. Основные проблемы реконструкции длительно эксплуатируемых подземных сооружений // Промышленное и гражданское строительство. — 2024. — № 1. — С. 20—26. DOI: 10.33622/0869-7019.2024.01.20-26.

4. Abramyan G. O. Estimation of geological study of a deposit area while mining planning / 19th International Multidisciplinary Scientific GeoConference SGEM 2019: Conference proceedings. 2019, vol. 19, pp. 279—284. DOI: 10.5593/sgem2019/1.3/S03.035.

5. Liu Shuang, Sun Haili, Zhang Zhenxin, Li Yuqi, Zhong Ruofei, Li Jincheng, Chen Siyun A multiscale deep feature for the instance segmentation of water leakages in tunnel using MLS point cloud intensity images // IEEE Transactions on Geoscience and Remote Sensing. 2022, vol. 60. DOI: 10.1109/ TGRS.2022.3158660.

6. Vasheghani Farahani Behzad Innovative methodology for railway tunnel inspection. Portugal, University of Porto, 2019.

7. Yin Ziren, Lei Zhanzhan, Zheng Ao, Zhu Jiasong, Liu Xiao-Zhou Automatic detection and association analysis of multiple surface defects on shield subway tunnels // Sensors. 2023, vol. 23, article 7106. DOI: 10.3390/s23167106.

8. Zhou M., Cheng W., Huang H., Chen J. A novel approach to automated 3D spalling defects inspection in railway tunnel linings using laser intensity and depth information // Sensors (Basel). 2021, vol. 21, no. 17, article 5725. DOI: 10.3390/s21175725.

9. Huang H., Li Qing-tong, Zhang Dong-ming Deep learning based image recognition for crack and leakage defects of metro shield tunnel // Tunnelling and Underground Space Technology. 2018, vol. 77, pp. 166—176. DOI: 10.1016/j.tust.2018.04.002.

10. Huang H., Cheng Wen, Zhou Mingliang, Chen Jiayao, Zhao Shuai Towards automated 3D inspection of water leakages in shield tunnel linings using mobile laser scanning data // Sensors. 2020, vol. 23. DOI: 10.3390/s20226669.

11. Zhao Shuai, Shadab Far Mahdi, Zhang Dongming, Chen Jiayao, Huang H. Deep learning-based classification and instance segmentation of leakage-area and scaling images of shield tunnel linings // Structural Control and Health Monitoring. 2021, vol. 28. DOI: 10.1002/stc.2732.

12. Xu Yingying, Li Dawei, Xie Qian, Wu Qiaoyun, Wang Jun Automatic defect detection and segmentation of tunnel surface using modified Mask R-CNN // Measurement. 2021, vol. 178. DOI: 10.1016/j.measurement.2021.109316.

13. Li Dawei, Xie Qian, Gong Xiaoxi, Yu Zhenghao, Xu Jinxuan, Sun Yangxing, Wang Jun Automatic defect detection of metro tunnel surfaces using a vision-based inspection system // Advanced Engineering Informatics. 2021, vol. 47, article 101206. DOI: 10.1016/j.aei.2020.101206.

14. Kaitian Wang, Panshan Li, Liu Yang, Hu Li, Yanqing Men, Yongliang Huang Research on the present situation and development trend of subway tunnel inspection vehicle // IOP Conference Series: Materials Science and Engineering. 20211, vol. 1203, no. 2, article 022126. DOI: 10.1088/1757899X/1203/2/022126.

15. Xue Yadong, Shi Peizhe, Jia Fei, Huang H. 3D reconstruction and automatic leakage defect quantification of metro tunnel based on SfM-Deep learning method // Underground Space. 2021, vol. 7. DOI: 10.1016/j.undsp.2021.08.004.

16. Sjölander A., Belloni V., Ansell A., Nordström E. Towards automated inspections of tunnels: A review of optical inspections and autonomous assessment of concrete tunnel linings // Sensors. 2023, vol. 23. DOI: 10.3390/s23063189.

17. Sjölander A., Belloni V., Ravanelli R., Gao K., Nascetti A. TACK — an autonomous inspection system for tunnels / Conference: World Tunnel Congress, Copenhagen, Denmark, 2022.

18. Liu Ke-Qiang, Zhong Shi-Sheng, Zhao Kun, Song Yang Motion control and positioning system of multi-sensor tunnel defect inspection robot: from methodology to application // Scientific Reports. 2023, vol. 13. DOI: 10.1038/s41598-023-27402-z.

19. Alidoost Fatemeh, Austen Gerrit, Hahn Michael A Multi-camera mobile system for tunnel inspection / iCity. Transformative Research for the Livable, Intelligent, and Sustainable City. 2022, pp. 211—224. DOI: 10.1007/978-3-030-92096-8_13.

20. Duan Yixin, Qiu Su, Jin Weiqi, Lu Taoran, Li Xingsheng High-speed rail tunnel panoramic inspection image recognition technology based on improved YOLOv5 // Sensors (Basel). 2023, vol. 23, no. 13, article 5986. DOI: 10.3390/s23135986.