基于机载LiDAR技术的城市地下排水管道泄露点检测方法

2023-11-02修明军丁鸽孙傲

城市勘测 2023年5期

修明军,丁鸽,孙傲

(济南市勘察测绘研究院,山东济南 50000)

0 引言

在城市化迅速发展的进程下,城市地下排水工程的建设复杂性不断增加,城市地下排水管道纵横交错,地下排水管道覆土后隐蔽性较高,地表数据复杂,管道之间的联系较为密切,系统性较强。在不同的地段,管道的动态化程度不同,为此,正确检测城市地下排水管道泄漏点对于城市地下安全具有至关重要的作用。目前的城市地下排水管道泄漏点检测方法多采取遥感技术获取水利基本信息,针对点云图像匹配泄漏点定位数据,进一步提升定点检测的有效性。

文献[1]基于深度学习研究排水管道的特征图像,同时对图像数据进行模型训练,精准程度较高。文献[2]基于卷积神经网络构建自动检测排水管道缺陷,有效识别管道类型,科学性较高。但以上方法难以对地表数据进行有效分析,对于覆土后某一程度的排水管泄漏点定位检测速度过慢,无法及时获取泄漏点信息,进而导致排水管道泄漏处理不及时,造成较大的施工安全隐患,为此,针对上述问题,本文提出一种新式基于机载LiDAR技术的城市地下排水管道泄露点检测方法对以上问题进行分析与解决。

本文加强对地下排水管道位置数据信息的处理,通过LiDAR技术提取多项技术参数,有效获取精准的泄漏点数据特征,通过数据位置信息划分确定检测位置,及时检测泄漏点位置,达到高效检测的目的。

1 城市地下排水管道数据提取

1.1 水流动态点监测信息提取

由于机载LiDAR技术需要多系统共同运转,本文强化系统装置,设置激光扫描仪集中收集城市地表数据信息,利用发射的激光雷达信号检验发射点与目标的距离信息,选取匹配度较高的信号接收系统将激光采样后的数据传回至数据提取中心内部[3-4]。水流动态点监测信息提取过程如图1所示:

图1 水流动态点监测信息提取过程

获取扫描仪中的地下排水管道水流动态点监测信息,记录瞬时参数,将LiDAR采集的地下排水管道三维坐标、地理影像以及回波响应时长数据收录至数据存储中心。匹配不同属性的点云数据等待系统数据提取处理[5-6]。

1.2 排水管道泄漏点参数提取

在地下排水管道水流速度较快的地区加固管道壁,记录加固的厚度。设置激光扫描点,当扫描的目标被激光射中后,标记该点位置,并对比该点与其他位置的管道壁厚度,若该厚度数据大于周边区域管道厚度数据,则将该标记点信息提取至数据处理空间中等待数据滤波操作,并设置数据滤波方程式如下所示:

(1)

式中,s为数据滤波指标数值;K表示为管道厚度数据;o表示为位置标记点信息;t表示为管道壁加固程度参数;△t表示为相应扫描时长数值;V表示为数据处理空间存储容量,由此获取滤波后的数据,并根据滤波的数据调节激光脉冲的信号绑定模式,当被测目标的激光发生反射时,标记反射位置,将该区域判定为标准管道位置记录区域,获取真实度较高的排水管道泄漏点参数[7-8]。

1.3 数据标记参数提取

筛选检测区域范围内的排水管道数据,确定其基本结构,集中管理结构类似的管道信息,按相关度分类提取的地下排水管道泄漏点数据,构建泄漏点信息标记体系,进而找出隐蔽性较强的泄漏点,设置数据标记提取公式:

(2)

式中,Z表示为数据标记提取参数;P表示排水管道复杂程度参数;△t·α为排水管道泄漏的时间区间与结构的乘积。在提取数据标记后,分析不同地理位置对泄漏点数据提取的影响,获取清晰的位置图像信息,从而实现城市地下排水管道数据的初步提取操作[9]。

2 基于机载LiDAR技术的点云数据分类

2.1 地下排水管道位置数据划分

根据提取的地下排水管道位置数据将管道分为泄漏与不泄漏两种状况,结合机载LiDAR技术手动添加分类标签数据,按照滤波算法的计算法则将地下排水管道的泄漏状态参数记录下来,设置泄漏标准值,当记录的数据超出该标准值,则将该点判定为目标泄漏点,反之,将其判定为非泄漏点[10]。地下排水管道位置数据划分流程如图2所示:

图2 地下排水管道位置数据划分流程

根据图2可知,确定城市研究区域的建筑物面积,固定滤波窗口数值,限定分析数据的邻域,设置最小值替代滤波通道内的腐蚀系数,同时设置最大值替代滤波通道内的膨胀系数[11-12]。对比城市地标建筑物的高程,将城市地表等分为小块区域,根据迭代先行最小二乘法确定划分区域内的全部数据点拟合数值,标记峰值区域位置,确定管道泄漏点拟合权重,构建泄漏点数据划分公式,如公式(3)所示:

(3)

式中,J为泄漏点数据划分指标参数;Cb为泄漏点拟合权重数值;A为数据变化峰值区域数值;Q为相关滤波通道内部系数代表值。

若获取的划分数值在0至1之间,则该区域为管道泄漏区域,若数值为0,则该区域为非泄漏区域。将划分后的数据与实际管道状态反馈信息进行对比,地下排水管道泄漏点位置反馈的信息完整度较低,拟合权重数值较小。

2.2 基于波速计算的数据分类

利用负压波测量该位置管道内流体状况,当泄漏产生时,该位置的管道两端将生成压力脉冲信号,泄漏口的压强瞬间增大。根据管道负压波波速数据判断管道的泄漏程度,构建波速计算公式:

N=e2×(S-0.8e1/2+0.2e1/4d)+I

(4)

其中,N为计算的波速数值;S为排水管道泄露程度指标;d为排水管道泄露时长;I为压力脉冲信号参数。

由于部分区域的管道分布较为密集,在进行泄漏点数据分类判断的同时需排除管道内流体类型对分类结果的影响。分析管道隐含层的流体状态,完善泄漏分类数据空间,达到城市地下排水管道泄漏数据精准分类的目的[13-14]。

3 基于数据扫描的泄漏点位置检测

3.1 数据精密分析

按照分类后的地下排水管道泄漏点数据精密分析数据点位置及所处空间状态。根据扫描装置获取的城市正射影像图判断城市区域面积与地下排水管道泄漏区域的关系指标。在区域判断的过程中避免高程过大的建筑物对数据收集的影响,针对不同的区域地形信息合理规划管道图像获取路线,减少检测的复杂程度[15]。

3.2 数据录入

在实现数据精密分析后,得到图像平断面如图3所示:

图3 图像平断面

根据图3提取图像平断面信息,利用机载LiDAR技术获得管道数据检测选线平台,精准提取管道线路内部的特征平断面参数,记录平断面高度以及测量的距离数据,通过预测高程的方式判断选定的选线平台是否合理。考虑因城市地形差距过大的数据信息的影响,对比不同的选线方案实现良好的平断面提取路线的选择,构建平面坐标处理模型,将提取的平断面数据录入该模型中,设置数据录入公式:

(5)

式中,L为数据录入准则;β为测量得到的距离数据;G为选线平台判断参数;q为最佳提取路线指标。

3.3 泄漏点位置检测

收集完成录入的信息至数据检测中心,进行下一步骤的地下排水管道泄漏点数据检测操作。采集管道压力信号,将信号数据进行小波变换处理,得到管道内部负压波传导时间参数,捕捉泄漏点与非泄漏点的时间差信息,将其代入泄漏点位置检测公式中:

(6)

其中,M为检测的泄漏点位置参数;y为该点纵坐标,xμ为该点横坐标参数。由此获取相应的位置信息检测结果数据,判断检测的结果数据,标记泄漏点位置的纵坐标数据为原始数据,利用LiDAR技术将浅层雷达图转换成深层剖面图,实现泄漏点检测,泄漏点检测结果如图4所示:

图4 泄漏点检测结果

根据图4的泄漏点检测结果转化数据滤波频率参数,构建低频信号收录系统,当检测的位置出现泄漏点信息时,该区域将发射压力信号至信号收录系统中,此时数据检测系统将开启定位模式,发射激光信号至泄漏点位置,同时将泄漏点数据转化为可编码的程序信息,利用机载LiDAR技术增强数据的检测速率,检测系统内部网络得到延展将自动创建数据检测训练板块,泄漏点数据被收录至训练板块中进行样本训练操作,同时输入特征值向量,判断检测的泄漏点数据是否为真实数值,提升泄漏点检测的可靠性,由此实现城市地下排水管道泄漏点的数据检测。

4 实例研究

为了验证本文提出的基于机载LiDAR技术的城市地下排水管道泄露点检测方法的实际应用效果,选用某城区的地下排水管道作为实验对象,排水管道为T型管道,管道结构如图5所示:

图5 管道结构

观察图5可知,管道的粗糙度为0.05 mm,总长度为 1 000 m,需要 30 s才能完成水流的运输,在水流运输到第 10 s时,出现了泄露,选用机载LiDAR技术检测泄漏点,得到的实验结果如图6所示:

图6 机载LiDAR技术泄漏点检测结果

根据图6可知,本文提出的泄漏点检测方法通过机载LiDAR得到地下排水管道的雷达检测图,雷达检测图显示共有3个泄漏点,处于地下0.2～0.3的深度之间,泄露位置在雷达图上清晰可见,由此证明本文提出的检测方法能够准确地检测出泄漏点位置。

为进一步验证本文提出的检测方法实际效果,同时选用基于深度学习的排水管道泄漏点检测方法和基于卷积神经网络的排水管道泄漏点检测方法与本文方法进行实验对比,对不同深度的故障点进行检测,比较三种检测方法的检测时间,得到的实验结果如图7所示:

图7 检测时间实验结果

观察图7可知,随着故障点所处深度不断增加,三种检测方法花费的检测时间也不断增加,但是本文提出的检测方法检测速度更快,检测时间更短,检测时间始终低于 2 min,能够快速识别到泄漏点位置,启动安全保护措施,而传统的基于卷积神经网络的检测方法和深度学习检测时间在最大可以达到 8 min和 18 min,很容易造成不可挽回的地下水泄漏事故。造成这种现象的原因是通过机载LiDAR技术对泄漏点进行检测,在检测过程中仅需要确定特征样本,分析输入向量,就能够确定泄漏点位置,不需要再进一步检测未知输入参量,而传统的检测方法在检测过程中需要深入分析输入向量,通过展开学习判断检测位置,检测耗时更长,造成的安全事故更严重。