隧道隐蔽病害综合检测方法、系统、设备及存储介质

阅读：评论：0

1.本发明涉及交通基础设施结构病害检测技术领域，尤其涉及一种隧道隐蔽病害综合检测方法、系统、设备及存储介质。

背景技术：

2.随着科学技术与城市交通的不断发展，城市交通基础设施在空间布局上呈现了延伸趋势，通过隧道实现了新型的城市交通方式。然而，无论是任何的交通方式，其运输安全性一定是要摆在第一位的。而通过隧道实现的城市交通方式，由于受制造工艺、材料参数匹配、装配质量等影响，在投入运营之初便自带缺陷隐患，加之环境因素和运行条件的影响，使其在运营期间容易出现脱空、不密实、渗漏水等众多安全隐患。早期隐蔽病害在车辆运载、周边开挖和建设工程扰动等作用下恶化，最终可能由潜伏性病害转为突发性重大病害。
3.可见，提前对隧道的服役状态进行检测与分析，以确定隧道内是否存在安全隐患，进而对安全隐患进行排除是十分有必要的。隧道可能存在表观病害与隐蔽病害，由于隧道隐蔽病害综合检测识别难度大，极易产生漏检而留下安全隐患，而现有的检测技术在对隧道内的隐蔽病害进行检测的过程中，存在人工检测、检测手段单一或探测及分析方法独立等问题，导致检测效率低、综合智能化水平有待提升。
4.因此，需要提出一种高效的、综合智能化的对隧道隐蔽病害进行检测的技术方案。

技术实现要素：

5.本发明的主要目的在于提供一种隧道隐蔽病害综合检测方法，旨在解决隧道内的隧道隐蔽病害综合检测手段单一或探测及分析方法独立、效率低、综合智能化水平有待提升的问题。
6.为实现上述目的，本发明提供一种隧道隐蔽病害综合检测方法，应用于一隧道检测车，所述隧道隐蔽病害综合检测方法包括以下步骤：
7.获取隧道内沿各条测线的实时数据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；
8.对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；
9.将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。
10.优选地，所述对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集的步骤包括：
11.对所述数据集进行提取，获得所述探地雷达信号、所述冲击回波信号以及所述声波信号的特征向量；
12.将所述特征向量进行数据标准化以及基于权重优化的串联融合，获得所述待分析特征集。
13.优选地，所述获取隧道内沿各条测线的实时数据信号的步骤之前，还包括：
14.建立所述两级堆栈式学习模型。
15.优选地，所述建立所述两级堆栈式学习模型的步骤包括：
16.获取隧道内沿所述各条测线的历史信号数据，并基于所述历史信号数据确定正常信号以及异常信号；
17.基于所述正常信号以及所述异常信号建立所述两级堆栈式学习模型。
18.优选地，所述获取隧道内沿所述各条测线的历史信号数据，并基于所述历史信号数据确定正常信号以及异常信号的步骤包括：
19.获取隧道内沿所述各条测线的历史信号数据；
20.对所述历史信号数据进行状态标记，其中，所述状态标记至少包括正常状态标记以及病害状态标记；
21.将所述历史信号数据中存在所述正常状态标记的信号作为所述正常信号，将所述历史信号中存在所述病害状态标记的信号作为所述异常信号。
22.优选地，所述基于所述正常信号以及所述异常信号建立所述两级堆栈式学习模型的步骤包括：
23.基于所述正常信号以及所述异常信号获得训练特征集；
24.基于所述训练特征集生成初级学习模型；
25.基于所述初级学习模型的预测概率生成次级检测模型；
26.基于所述初级学习模型以及所述次级检测模型获得所述两级堆栈式学习模型。
27.优选地，所述获取隧道内沿各条测线的实时数据信号的步骤包括：
28.基于探地雷达天线实时获取所述探地雷达电磁信号；
29.基于冲击回波传感器实时获取所述冲击回波弹性波信号；
30.基于声波接收器实时获取所述声波信号。
31.此外，为实现上述目的，本发明还提供一种隧道隐蔽病害综合检测系统，所述隧道隐蔽病害综合检测系统包括：
32.采集模块，用于获取隧道内沿各条测线的实时数据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；
33.特征提取与融合模块，用于对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；
34.识别模块，用于将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。
35.此外，为实现上述目的，本发明还提供一种隧道隐蔽病害综合检测设备，所述隧道隐蔽病害综合检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的隧道隐蔽病害综合检测程序，所述隧道隐蔽病害综合检测程序被所述处理器执行时实现如上所述的隧道隐蔽病害综合检测方法的步骤。
36.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有隧道隐蔽病害综合检测程序，所述隧道隐蔽病害综合检测程序被处理器执行时实现如上所述的隧道隐蔽病害综合检测方法的步骤。
37.本发明提出的隧道隐蔽病害综合检测方法，通过获取隧道内沿各条测线的实时数
据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。使得隧道检测车在隧道内工作时，可以实现隐蔽病害的移动式多手段协同综合检测，提高了隧道隐蔽病害综合检测的效率以及智能化水平，达到了更好的检测效果。
附图说明
38.图1是本发明实施例方案涉及的硬件运行环境中隧道隐蔽病害综合检测设备的结构示意图；
39.图2为本发明隧道隐蔽病害综合检测方法第一实施例的流程示意图；
40.图3为本发明隧道隐蔽病害综合检测系统的模块示意图；
41.图4为本发明隧道隐蔽病害综合检测方法中隧道隐蔽病害综合检测识别的技术路线示意图。
42.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
43.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
44.如图1所示，图1是本发明实施例方案涉及的硬件运行环境中隧道隐蔽病害综合检测设备的结构示意图。
45.本发明实施例终端可以是pc，也可以是平板电脑、便携计算机等具有显示功能的可移动式终端设备。
46.如图1所示，该隧道隐蔽病害综合检测设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
47.本领域技术人员可以理解，图1中示出的终端结构并不构成对隧道隐蔽病害综合检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
48.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及隧道隐蔽病害综合检测程序。
49.在图1所示的隧道隐蔽病害综合检测设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的隧道隐蔽病害综合检测程序。
50.在本实施例中，隧道隐蔽病害综合检测设备包括：存储器1005、处理器1001及存储
在所述存储器1005上并可在所述处理器1001上运行的隧道隐蔽病害综合检测程序，其中，处理器1001调用存储器1005中存储的隧道隐蔽病害综合检测程序时，执行以下各个实施例中隧道隐蔽病害综合检测方法的步骤。
51.本发明还提供一种隧道隐蔽病害综合检测方法，应用于一隧道检测车，参照图2，图2为本发明隧道隐蔽病害综合检测方法第一实施例的流程示意图。
52.本实施例中，该方法包括以下步骤：
53.步骤s101，获取隧道内沿各条测线的实时数据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；
54.本实施例中，隧道检测车在隧道内运行工作时，可以对隧道内的病害进行检测，隧道内的病害类型可以分为表观病害和隐蔽病害，其中，表观病害一般为较明显的病害，包括：裂缝、掉块、表面水迹等，而隐蔽病害为内部潜伏病害，包括：衬砌背后脱空、不密实、内部渗漏水等，在现有技术中，隧道检测车常用激光和可见光视觉等检测表观病害，而隐蔽病害则主要通过对雷达获取的数据进行分析从而检测是否存在以及存在的位置，然而对于内部钢筋密集隧道，雷达的检测效果下降，需联合其它手段进行综合检测。
55.具体地，隧道检测车上搭载了各种检测系统，通过车载中控系统对其进行协同控制，隧道检测车的中控系统获取隧道内沿各条测线的实时数据信号，并进行数据的时空对齐，该实时数据信号包括三个数据源的信号，即探地雷达电磁信号、冲击回波弹性波信号以及声波信号，其中，通过探地雷达天线可以获取实时的探地雷达信号，通过冲击回波传感器可以获取实时的冲击回波弹性波信号，通过声波接收器可以获取实时的声波信号。
56.步骤s102，对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；
57.本实施例中，获得各个实时数据信号后，需要对各个实时数据信号形成的数据集进行特征提取与多源特征流融合的操作，以获得待分析特征集，例如，实时数据信号划分为探地雷达电磁信号、冲击回波弹性波信号以及声波信号三个数据源的信号，对探地雷达电磁信号、冲击回波弹性波信号以及声波信号形成的数据集进行特征提取，获得特征向量，再对特征向量进行数据标准化以及基于权重优化的串联融合，从而组成一个综合特征数据集，并将该综合特征数据集作为待分析特征集，后续可以将该待分析特征集输入预先建立的两级堆栈式学习模型，即可根据该模型输出的结果对隧道内的隐蔽病害情况进行判断。
58.可选地，还可以通过主成分提取、压缩小波变换、矩阵构建与非线性降维等方法融合出高阶特征，再将该高阶特征作为待分析特征集。
59.步骤s103，将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。
60.本实施例中，预先建立的两级堆栈式学习模型由初级学习模型和次级模型组成，即可利用训练特征集对初级学习算法进行训练，从而得到初级学习模型，再利用初级学习模型的预测概率作为次级学习算法的输入、状态指标作为输出，从而得到次级检测模型，最终即可根据初级学习模型以及次级检测模型建立该两级堆栈式学习模型。
61.具体地，将待分析特征集输入该两级堆栈式学习模型后，即可获得该两级堆栈式学习模型的输出结果，该输出结果至少包括待分析特征集对应的实时数据信号处于病害状态的预测概率，根据该预测概率是否达到预设阈值即可判断隧道内是否存在隐蔽病害，若
超过预设阈值，则说明存在隐蔽病害，再通过次级模型进行病害类型与等级的投票分类，根据该输出结果中投票占优的类型和数值等级判断该隐蔽病害的分类和严重程度等级。
62.可选地，将待分析特征集输入两级堆栈式学习模型获得的正确输出结果与纠正后的分析结果，还可用于标记当前实时数据，进而在特征提取与融合后作为该两级堆栈式学习模型的新增训练集，根据该训练集对该两级堆栈式学习模型进行优化更新，提高该两级堆栈式学习模型输出结果的准确性。
63.在本实施例中，通过获取隧道内沿各条测线的实时数据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。使得隧道检测车在隧道内工作时，可以实现隐蔽病害的移动式多手段协同综合检测，提高了隧道隐蔽病害综合检测的效率以及智能化水平，达到了更好的检测效果。
64.基于第一实施例，提出本发明隧道隐蔽病害综合检测方法的第二实施例，在本实施例中，步骤s102包括：
65.步骤s201，对所述数据集进行提取，获得所述探地雷达信号、所述冲击回波信号以及所述声波信号的特征向量；
66.步骤s202，将所述特征向量进行数据标准化以及根据特征重要性引入优化权重的串联融合，获得所述待分析特征集。
67.本实施例中，隧道检测车在隧道内工作时，为了进行隐蔽病害的检测，首先需要获取隧道内沿各条测线的实时数据信号，该实时数据信号为隐蔽病相关的实时数据信号，包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号三个数据源的信号，而后对探地雷达电磁信号、冲击回波弹性波信号以及声波信号的数据集进行特征提取与多源特征流融合的操作，以获得待分析特征集。
68.具体地，对探地雷达电磁信号、冲击回波弹性波信号以及声波信号的数据集进行特征提取，获取探地雷达电磁信号、冲击回波弹性波信号以及声波信号的特征向量，并对特征向量进行数据标准化以及串联融合的操作，以获得待分析特征集，例如，对特征向量进行数据标准化以及串联融合的操作的步骤包括：通过信号调理器将实时数据信号转化为常见的标准信号，再由模数转换器将标准信号转换为数字信号，而后对数字信号转化为的物理量进行时空对齐、特征提取、特征向量构建以及根据特征重要性引入优化权重的串联融合，以形成该待分析特征集。后续将待分析特征集输入预先建立的两级堆栈式学习模型，即可检测各个数据源是否存在隐蔽病害。
69.在本实施例中，通过对所述数据集进行提取，获得所述探地雷达信号、所述冲击回波信号以及所述声波信号的特征向量；将所述特征向量进行数据标准化以及串联融合，获得所述待分析特征集。该待分析特征集将多个数据源的数据信号进行特征融合，形成了互补，使得隧道检测车在隧道内工作时，实现了隐蔽病害的移动式多手段协同综合检测，提高了隐蔽病害的检测效率以及识别精度，达到了更好的检测效果。
70.基于第一实施例，提出本发明隧道隐蔽病害综合检测方法的第三实施例，在本实施例中，步骤s101之前，还包括：
71.步骤s301，建立所述两级堆栈式学习模型。
72.本实施例中，隧道检测车在隧道内沿各条测线进行隐蔽病害相关的多个数据源的实时数据信号的获取之前，需要先建立两级堆栈式学习模型，后续通过将多个数据源的实时数据信号进行特征提取与融合得到的待分析特征集输入该两级堆栈式学习模型，即可进行隐蔽病害的综合检测。
73.具体地，首先需要利用隧道检测车上搭载的各种检测系统，对病害隐蔽病害相关的多源数据信号进行采集，累积形成包含探地雷达电磁波历史信号、冲击回波弹性波历史信号以及声波历史信号的数据库，根据数据库中的历史信号数据即可建立用于对实时数据信号进行检测的两级堆栈式学习模型。
74.可选地，建立所述两级堆栈式学习模型的方法，具体步骤包括：
75.步骤s401，获取隧道内沿所述各条测线的历史信号数据，并基于所述历史信号数据确定正常信号和异常信号；
76.步骤s402，基于所述正常信号和所述异常信号建立所述两级堆栈式学习模型。
77.本实施例中，在对隧道内的实时数据信号进行隐蔽病害的综合检测之前，需要预先建立两级堆栈式学习模型，为了建立该两级堆栈式学习模型，则需要预先获取隧道内沿各条测线的历史信号数据，并根据历史信号数据确定正常信号和异常信号，从而根据正常信号和异常信号建立两级堆栈式学习模型。
78.具体地，可以对历史信号数据进行状态标记，该状态标记可以包括正常状态标记以及病害状态标记，而后将历史信号数据中标记为正常状态的信号作为正常信号，将历史信号数据中标记为病害状态的信号作为异常信号，而后，根据正常信号和异常信号，即可建立该两级堆栈式学习模型。
79.在本实施例中，通过获取隧道内沿所述各条测线的历史信号数据，并基于所述历史信号数据确定正常信号以及异常信号；基于所述正常信号以及所述异常信号建立所述两级堆栈式学习模型。根据面向大量数据的离线建模与面向少量数据的在线分析相结合，使得后续可以通过两级堆栈式学习模型对实时数据信号进行分析，可以提高隧道隐蔽病害检测的效率以及智能化水平，达到更好的检测效果。
80.可选地，获取隧道内沿所述各条测线的历史信号数据，并基于所述历史信号数据确定正常信号以及异常信号的方法，具体步骤包括：
81.步骤s501，获取隧道内沿所述各条测线的历史信号数据；
82.步骤s502，对所述历史信号数据进行状态标记，其中，所述状态标记至少包括正常状态标记以及病害状态标记；
83.步骤s503，将所述历史信号数据中存在所述正常状态标记的信号作为所述正常信号，将所述历史信号中存在所述病害状态标记的信号作为所述异常信号。
84.本实施例中，为了获得用于建立两级堆栈式学习模型的正常信号和异常信号，首先需要获取隧道内沿各条测线的多个数据源的历史信号，并建立相关的数据库，而后对历史信号数据进行状态标记，其中，状态标记至少包括正常状态标记以及病害状态标记，将历史信号数据中标记为正常状态的信号作为正常信号，将历史信号数据中标记为病害状态的信号作为异常信号，例如，对隧道内沿各条测线的多个数据源的历史信号数据，可以通过人工或机器进行判断，从而进行状态标记，状态标记包括正常状态标记和病害状态标记，其
中，病害状态标记的内容还可以包括病害类型、严重程度等级等，若存在衬砌背后脱空、不密实等隧道内隐蔽病害相关的历史信号数据，则可以通过这种方式筛选出这些隐蔽病害对应的探地雷达电磁信号、冲击回波弹性波信号以及声波信号，并进行病害状态标记，以作为异常信号，使得后续可以根据正常信号和异常信号获得训练特征集，而后根据训练特征集建立两级堆栈式学习模型。
85.在本实施例中，通过获取隧道内沿所述各条测线的历史信号数据；对所述历史信号数据进行状态标记，其中，所述状态标记至少包括正常状态标记以及病害状态标记；将所述历史信号数据中存在所述正常状态标记的信号作为所述正常信号，将所述历史信号中存在所述病害状态标记的信号作为所述异常信号。使得对隧道内的隐蔽病害进行检测的两级堆栈式学习模型根据丰富的隐蔽病害数据信号建立，提高了后续通过该模型对隧道内隐蔽病害进行综合检测时的识别精度，达到了更好的检测效果。
86.可选地，基于所述正常信号以及所述异常信号建立所述两级堆栈式学习模型的方法，具体步骤包括：
87.步骤s601，基于所述正常信号以及所述异常信号获得训练特征集；
88.步骤s602，基于所述训练特征集生成初级学习模型；
89.步骤s603，基于所述初级学习模型的预测概率生成次级检测模型；
90.步骤s604，基于所述初级学习模型以及所述次级检测模型获得所述两级堆栈式学习模型。
91.本实施例中，根据隧道内沿各条测线的历史信号数据的数据库获得正常信号以及异常信号后，可以对正常信号以及异常信号的数据集进行特征提取，分别获得探地雷达电磁信号、冲击回波弹性波信号以及声波信号在正常状态以及病害状态下的特征向量，而后根据特征向量获得训练特征集，其中，训练特征集至少包括一个，也可以存在多个，例如，可以对特征向量进行预处理，先进行数据标准化，而后再进行特征向量间的串联融合的操作，从而获得若干个训练特征集，获得若干个训练特征集后，利用训练特征集对初级学习算法进行训练，以获得若干个初级学习模型，将各个初级学习模型的预测概率作为次级学习算法的输入，训练次级检测模型，从而实现宏观角度的整体检测识别效果，而后，即可根据初级学习模型以及次级检测模型构建两级堆栈式学习模型。
92.例如，构建两级堆栈式学习模型的具体流程为：在若干个训练特征集{d1,d2,
…
d9,d
10
}上，分别训练和测试相应的lightgbm检测识别算法，从而得到初级训练模型{l1,l2,
…
l9,l
10
}，其中，lightgbm检测识别算法即为初级学习算法；而后，将各个初级学习模型的预测概率作为检测识别算法random forest的输入，利用众多决策树的集成，有效地对差异性分类器的结果d'＝{ε1,ε2,
…
,ε
k-1
,εk}进行整合训练，得到次级训练模型r，其中，检测识别算法random forest即为次级学习算法。最终，以此建立一个两级堆栈式学习模型h(x1,x2,
…
,x9,x
10
)＝r(l1(x1),l2(x2),
…
,l9(x9),l
10
(x
10
))，得到检测识别结果z＝h(x1,x2,
…
,x9,x
10
)。
93.在本实施例中，通过基于所述正常信号以及所述异常信号获得训练特征集；基于所述训练特征集生成初级学习模型；基于所述初级学习模型的预测概率生成次级检测模型；基于所述初级学习模型以及所述次级检测模型获得所述两级堆栈式学习模型。由于该两级堆栈式学习模型经过正常与异常信号对应的多源数据特征集训练，因此可以用于对实
时数据信号进行综合分析，可以提高隐蔽病害的检测效率以及识别精度，达到更好的检测效果。
94.在本实施例中，通过建立所述堆栈式模型。使得后续隧道检测车在隧道内工作时，可以通过该预先建立的堆栈式模型实时对隧道内的隐蔽病害进行综合检测，通过该模型的输出结果可以判断隧道内是否存在隐蔽病害、病害类型及严重程度，实现移动式多手段协同综合检测，提高了隧道隐蔽病害检测效率以及综合智能化水平，达到了更好的检测效果。
95.基于上述各个实施例，提出本发明隧道隐蔽病害综合检测方法的第四实施例，在本实施例中，步骤s101包括：
96.步骤s701，基于探地雷达天线实时获取所述探地雷达电磁信号；
97.步骤s702，基于冲击回波传感器实时获取所述冲击回波弹性波信号；
98.步骤s703，基于声波接收器实时获取所述声波信号。
99.本实施例中，隧道检测车搭载了各种检测系统，其拥有完善的装备技术，包括：检测技术、中控系统、云脑(大数据平台)、无线通信、车体、机理分析、诊断评估等，隧道隐蔽病害综合检测也属于其检测技术的一部分。
100.具体地，根据探地雷达天线，可以实时获取探地雷达电磁信号；根据冲击回波传感器，可以实时获取冲击回波弹性波信号；根据声波接收器，可以实时获取声波信号。所要获取的实时数据信号即为隐蔽病害相关的几个数据源的信号，包括上述的探地雷达电磁信号、冲击回波弹性波信号以及声波信号，根据实时数据信号，后续可以对隧道内隐蔽病害情况进行识别。
101.在本实施例中，通过基于探地雷达天线实时获取所述探地雷达电磁信号；基于冲击回波传感器实时获取所述冲击回波弹性波信号；基于声波接收器实时获取所述声波信号。使得后续隧道检测车将该实时数据信号转换为待分析特征集输入预先建立的两级堆栈式学习模型，从而通过输出结果可以判断隧道内是否存在隐蔽病害、病害类型及严重程度，多个数据源的数据信号的特征可以形成互补，以提高隐蔽病害检测的综合智能化水平，达到更好的检测效果。
102.此外，本发明实施例还提出一种隧道隐蔽病害综合检测系统，该隧道隐蔽病害综合检测系统包括：
103.采集模块10，用于获取隧道内沿各条测线的实时数据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；
104.特征提取与融合模块20，用于对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；
105.识别模块30，用于将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。
106.进一步地，所述特征提取与融合模块20，还用于：
107.对所述数据集进行提取，获得所述探地雷达信号、所述冲击回波信号以及所述声波信号的特征向量；
108.将所述特征向量进行数据标准化以及串联融合，获得所述待分析特征集。
109.进一步地，所述隧道隐蔽病害综合检测系统，还用于：
110.建立所述两级堆栈式学习模型。
111.进一步地，所述隧道隐蔽病害综合检测系统，还用于：
112.获取隧道内沿所述各条测线的历史信号数据，并基于所述历史信号数据确定正常信号以及异常信号；
113.基于所述正常信号以及所述异常信号建立所述两级堆栈式学习模型。
114.进一步地，所述隧道隐蔽病害综合检测系统，还用于：
115.获取隧道内沿所述各条测线的历史信号数据；
116.对所述历史信号数据进行状态标记，其中，所述状态标记至少包括正常状态标记以及病害状态标记；
117.将所述历史信号数据中存在所述正常状态标记的信号作为所述正常信号，将所述历史信号中存在所述病害状态标记的信号作为所述异常信号。
118.进一步地，所述隧道隐蔽病害综合检测系统，还用于：
119.基于所述正常信号以及所述异常信号获得训练特征集；
120.基于所述训练特征集生成初级学习模型；
121.基于所述初级学习模型的预测概率生成次级检测模型；
122.基于所述初级学习模型以及所述次级检测模型获得所述两级堆栈式学习模型。
123.进一步地，所述隧道隐蔽病害综合检测系统，还用于：
124.基于探地雷达天线实时获取所述探地雷达电磁信号；
125.基于冲击回波传感器实时获取所述冲击回波弹性波信号；
126.基于声波接收器实时获取所述声波信号。
127.上述隧道隐蔽病害综合检测系统所执行的方法可参照本发明隧道隐蔽病害综合检测方法各个实施例，此处不再赘述。
128.此外，本发明实施例还提出一种隧道隐蔽病害综合检测设备，该隧道隐蔽病害综合检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的隧道隐蔽病害综合检测程序，所述隧道隐蔽病害综合检测程序被所述处理器执行时实现如上所述的隧道隐蔽病害综合检测方法的步骤。
129.此外，本发明实施例还提出一种计算机可读存储介质，所述介质优选为计算机可读存储介质，其上存储有隧道隐蔽病害综合检测程序，所述隧道隐蔽病害综合检测程序被处理器执行时实现如上所述的隧道隐蔽病害综合检测方法的步骤。
130.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
131.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
132.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是计算
机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
133.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：

1.一种隧道隐蔽病害综合检测方法，其特征在于，应用于一隧道检测车，所述隧道隐蔽病害综合检测方法包括以下步骤：获取隧道内沿各条测线的实时数据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。2.如权利要求1所述的隧道隐蔽病害综合检测方法，其特征在于，所述对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集的步骤包括：对所述数据集进行提取，获得所述探地雷达信号、所述冲击回波信号以及所述声波信号的特征向量；将所述特征向量进行数据标准化以及基于权重优化的串联融合，获得所述待分析特征集。3.如权利要求1所述的隧道隐蔽病害综合检测方法，其特征在于，所述获取隧道内沿各条测线的实时数据信号的步骤之前，还包括：建立所述两级堆栈式学习模型。4.如权利要求3所述的隧道隐蔽病害综合检测方法，其特征在于，所述建立所述两级堆栈式学习模型的步骤包括：获取隧道内沿所述各条测线的历史信号数据，并基于所述历史信号数据确定正常信号以及异常信号；基于所述正常信号以及所述异常信号建立所述两级堆栈式学习模型。5.如权利要求4所述的隧道隐蔽病害综合检测方法，其特征在于，所述获取隧道内沿所述各条测线的历史信号数据，并基于所述历史信号数据确定正常信号以及异常信号的步骤包括：获取隧道内沿所述各条测线的历史信号数据；对所述历史信号数据进行状态标记，其中，所述状态标记至少包括正常状态标记以及病害状态标记；将所述历史信号数据中存在所述正常状态标记的信号作为所述正常信号，将所述历史信号中存在所述病害状态标记的信号作为所述异常信号。6.如权利要求4所述的隧道隐蔽病害综合检测方法，其特征在于，所述基于所述正常信号以及所述异常信号建立所述两级堆栈式学习模型的步骤包括：基于所述正常信号以及所述异常信号获得训练特征集；基于所述训练特征集生成初级学习模型；基于所述初级学习模型的预测概率生成次级检测模型；基于所述初级学习模型以及所述次级检测模型获得所述两级堆栈式学习模型。7.如权利要求1至6任一项所述的隧道隐蔽病害综合检测方法，其特征在于，所述获取隧道内沿各条测线的实时数据信号的步骤包括：
基于探地雷达天线实时获取所述探地雷达电磁信号；基于冲击回波传感器实时获取所述冲击回波弹性波信号；基于声波接收器实时获取所述声波信号。8.一种隧道隐蔽病害综合检测系统，其特征在于，所述隧道隐蔽病害综合检测系统包括：采集模块，用于获取隧道内沿各条测线的实时数据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；特征提取与融合模块，用于对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；识别模块，用于将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。9.一种隧道隐蔽病害综合检测设备，其特征在于，所述隧道隐蔽病害综合检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的隧道隐蔽病害综合检测程序，所述隧道隐蔽病害综合检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的隧道隐蔽病害综合检测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有隧道隐蔽病害综合检测程序，所述隧道隐蔽病害综合检测程序被处理器执行时实现如权利要求1至7中任一项所述的隧道隐蔽病害综合检测方法的步骤。

技术总结

本发明公开了一种隧道隐蔽病害综合检测方法，包括：获取隧道内沿各条测线的实时数据信号，其中，所述实时数据信号包括探地雷达电磁信号、冲击回波弹性波信号以及声波信号；对所述探地雷达信号、所述冲击回波信号以及所述声波信号的数据集进行特征提取与多源特征流融合操作，获得待分析特征集；将所述待分析特征集输入预先建立的两级堆栈式学习模型，基于所述两级堆栈式学习模型的输出结果判断隧道内的隐蔽病害情况。本发明还公开了一种隧道隐蔽病害综合检测系统、设备及存储介质。本发明通过隧道检测车在隧道内实现移动式多手段协同综合检测，提高了隧道隐蔽病害检测的效率以及智能化水平，达到了更好的检测效果。达到了更好的检测效果。达到了更好的检测效果。