《Sensors》:Unified Modulation Matrix-Based Shared Control for Teleoperated Multi-Robot Formation and Obstacle Avoidance
Ruidong Chen,
Zhuoyue Zhang,
Zhiyao Zhang,
Jinyan Li and
Haochen Zhang
编辑推荐:
针对隧道结构裂缝在复杂背景和有限标注数据下自动化监测的技术瓶颈,本文提出了一种融合图像预处理、特征提取、模型训练与安全评估的集成分析框架。通过结合滑动窗口与局部统计分析的改进OTSU算法优化了阈值分割,并系统比较了SVM、CNN、K-means和ResNet在裂缝识别与方向分类中的性能。结果表明,改进的OTSU方法优于经典算法,SVM在有限数据条件下准确率超过96%,在实际盾构隧道管片加载试验中验证了框架的鲁棒性。该研究为地下隧道等类似结构的自动化裂缝检测与分类提供了高效可靠的解决方案。
随着城市地下空间的快速发展,地铁隧道等地下结构的长期安全运行面临严峻挑战。其中,混凝土结构表面的裂缝是反映其健康状态的关键指标。然而,传统的人工目视检测方法效率低下、结果主观,且难以适用于大规模的连续监测。虽然数字图像处理技术(如OTSU阈值分割、边缘检测等)为实现自动化检测带来了希望,但这些方法在面对不均匀光照、复杂背景(如污渍、阴影)以及“类裂缝”特征的干扰时,往往表现不佳,误检率和漏检率较高。近年来,机器学习特别是深度学习方法的引入,为提升裂缝识别的智能化水平提供了新思路,但这类方法通常严重依赖大量标注数据,在数据有限的工程实际中应用受限。此外,现有研究缺乏从裂缝存在性检测到精准分类(如水平、垂直、倾斜裂缝方向识别)的完整集成框架。为了攻克这些难题,一项发表在《Sensors》上的研究,提出并验证了一个全新的裂缝分析一体化框架。
研究者们综合运用了多种关键技术方法。首先,在图像预处理阶段,他们针对经典OTSU全局阈值算法在复杂背景下鲁棒性不足的问题,提出了一种融合滑动窗口机制和局部统计分析的改进OTSU算法,以增强噪声抑制和细节保留能力。研究的数据集来源于全尺寸地铁盾构隧道管片的加载试验,这为方法在实际工程条件下的验证提供了真实场景。随后,在特征提取与模型训练阶段,他们系统地采用了支持向量机(SVM)、卷积神经网络(CNN)、K-means聚类和ResNet-18四种模型,对裂缝进行存在性识别和方向(水平、垂直、倾斜)分类,并对比了它们的性能。
研究结果通过一系列实验得到了验证。在改进OTSU阈值分割算法的评估中,该方法在高分辨率和低分辨率图像上均优于经典OTSU算法,有效降低了复杂背景的干扰。在裂缝识别与方向分类模型的比较中,综合实验表明,在训练数据有限的条件下,支持向量机(SVM)取得了最佳性能,其准确率超过96%,在剔除异常值后可达97%,优于CNN、K-means和ResNet-18。虽然ResNet-18在所有裂缝类别上都表现出较高的整体性能和预测置信度,但在数据有限时仍略逊于SVM。最终的案例验证在盾构隧道管片全尺寸加载试验上进行,SVM在真实工况下实现了95.45%的准确率,充分证明了所提出框架的实用性与鲁棒性。
本研究的主要结论是,提出的集成框架成功地将改进的图像处理技术与多种机器学习模型相结合,为隧道结构裂缝的自动化分析提供了有效方案。改进的OTSU算法显著提升了在复杂环境下的分割质量。对比研究发现,在工程实践中常见的“小样本”条件下,传统的SVM模型可能比需要大量数据的深度模型(如CNN、ResNet)更具优势,这为资源受限的实际应用场景提供了重要参考。该研究不仅推进了裂缝检测从传统方法向智能化方法的演进,其建立的从预处理到安全评估的完整流程,以及对不同模型在有限数据条件下性能的系统评估,对类似地下结构基于分段系统的自动化健康监测具有重要的工程意义和借鉴价值。