一种深埋地铁车站的暖通空调安装测试方法和系统与流程
本发明属于城市轨道交通建设,尤其是涉及一种深埋地铁车站的暖通空调安装测试方法和系统。
背景技术:
1、某城市的城市轨道交通建设中,由于地形的因素,通常需要将车站建设在地下50米以上的位置,也就是深埋地铁车站。深埋地铁车站(埋深通常大于30米)的暖通空调系统风管保温层安装质量直接关系到车站的制冷效率、防结露性能以及整体能耗水平。在施工与调试交叉进行的复杂环境下,风管保温层表面极易附着导电性粉尘和油污,对后续的质量检测造成了严重干扰。
2、目前,对风管保温层缺陷的检测主要采用红外热成像非接触式检测方法。其基本原理是:当保温层内部存在破损时,绝热层失效导致冷量外泄,在风管表面形成局部异常低温区,通过红外热像仪捕捉该温度异常即可定位缺陷。然而,在深埋地铁车站的实际工程环境中,这一方法面临严重的技术瓶颈——表面脏污层改变了保温材料表面的发射率和吸收率,会产生与内部绝热层真实结构性破损几乎完全相同的热图像特征(均表现为局部异常低温区)。工程统计数据显示,现场误报率高达40%以上,施工方不得不花费大量人工进行“拆开验证—恢复”的操作,严重违背了非接触式检测的初衷。
3、已有学者尝试通过图像融合或语义分割等常规图像处理手段来解决上述问题,例如将可见光图像与红外图像进行叠加分析,或对红外热图像进行区域分割以提取异常区域。但上述方法均默认“热异常等于结构缺陷”,未能从根本上解决表面干扰信号与真实缺陷信号的耦合问题。部分采用神经网络对热成像图像进行处理以鉴定保温层下腐蚀,但其所用神经网络为纯数据驱动型,缺乏物理规律的约束,在表面脏污严重的情况下依然难以准确区分干扰与真实缺陷。此外,也有技术尝试通过瞬态热响应分析进行缺陷识别,但均未将其与表面干扰信号的剔除相结合,也未针对深埋地铁车站这一特定场景进行优化。
4、综上,目前缺乏一种能够从耦合的热辐射信号中有效剥离表面干扰、精准锁定内部真实结构损伤的智能化检测方案。
技术实现思路
1、本发明所要解决的技术问题在于针对上述目前中的不足,提供一种深埋地铁车站的暖通空调安装测试方法。
2、为解决上述技术问题,本发明采用的技术方案是:一种深埋地铁车站暖通空调风管保温层缺陷检测方法,包括以下步骤:
3、采集深埋地铁车站暖通空调风管保温层表面的可见光图像、长波红外热图像和短波红外高光谱图像并进行配准,生成所述风管保温层表面各像素点的多维物理标签;
4、将所述长波红外热图像输入以物理方程约束的神经网络,结合所述多维物理标签分解出所述风管保温层的内部结构层图像,并基于所述内部结构层图像提取候选缺陷区域;
5、采集深埋地铁车站的空调冷媒关闭后所述候选缺陷区域的时序红外图像,计算各像素点的热响应梯度曲率,并依据所述热响应梯度曲率从所述候选缺陷区域中筛选出真实缺陷区域;
6、将所述真实缺陷区域映射至所述可见光图像,对映射后的图像区域进行频域重构,输出所述风管保温层的缺陷边缘锐化图像;
7、将所述缺陷边缘锐化图像输入图神经网络,输出所述风管保温层的缺陷置信度热力图,并根据缺陷置信度热力图判断空调风管保温层的缺陷。
8、进一步,所述多维物理标签包括温度值、表面辐射率动态范围和表面洁净度光谱指数。
9、更进一步,所述表面洁净度光谱指数基于所述短波红外高光谱图像中碳氢键和硅酸盐的特征吸收反射谱带计算得到。
10、进一步,所述物理方程为稳态热扩散方程,所述神经网络将所述长波红外热图像分解为表层干扰层图像和所述内部结构层图像,所述表层干扰层图像表征所述风管保温层表面脏污与湿膜引起的热信号,所述内部结构层图像表征所述风管保温层内部真实结构性破损引起的热信号。
11、更进一步,所述内部结构层图像中的热流密度在均匀介质中满足连续且平滑扩散的物理约束。
12、更进一步,所述表层干扰层图像具有高反射率和低热容量的物理特征,所述表层干扰层图像的热信号随环境气流波动的变化率大于所述内部结构层图像的热信号变化率。
13、进一步,所述热响应梯度曲率表征像素点温度随时间变化的速率,所述真实缺陷区域的热响应梯度曲率大于所述候选缺陷区域中表面脏污区域的热响应梯度曲率,所述预设时间段为深埋地铁车站的空调冷媒关闭后30分钟内。
14、进一步,所述频域重构采用多尺度带通滤波器,所述多尺度带通滤波器包括高频带通滤波器和中低频带通滤波器,所述高频带通滤波器提取与划破、孔洞类力学破损几何特征相匹配的高频分量进行重构,所述中低频带通滤波器滤除所述风管保温层中保温棉受潮或压缩类缺陷对应的中低频分量。
15、进一步,所述缺陷置信度热力图中每个像素点的灰度值代表所述风管保温层在该位置内部绝热层完好度的概率指数,所述概率指数与缺陷严重程度呈负相关,所述缺陷置信度热力图叠加显示在所述风管保温层的bim模型上。
16、基于同一发明构思,发明还提供了一种深埋地铁车站的暖通空调安装测试系统,包括:
17、物理标签采集模块,用于采集深埋地铁车站暖通空调风管保温层表面的可见光图像、长波红外热图像和短波红外高光谱图像并进行配准,生成所述风管保温层表面各像素点的多维物理标签;
18、候选缺陷区域提取模块,用于将所述长波红外热图像输入以物理方程约束的神经网络,结合所述多维物理标签分解出所述风管保温层的内部结构层图像,并基于所述内部结构层图像提取候选缺陷区域;
19、真实缺陷区域筛选模块,用于采集深埋地铁车站的空调冷媒关闭后所述候选缺陷区域的时序红外图像,计算各像素点的热响应梯度曲率,并依据所述热响应梯度曲率从所述候选缺陷区域中筛选出真实缺陷区域;
20、锐化图像生成模块,用于将所述真实缺陷区域映射至所述可见光图像,对映射后的图像区域进行频域重构,输出所述风管保温层的缺陷边缘锐化图像;
21、保温层缺陷判断模块,用于将所述缺陷边缘锐化图像输入图神经网络,输出所述风管保温层的缺陷置信度热力图,并根据缺陷置信度热力图判断空调风管保温层的缺陷。
22、本发明与现有技术相比具有以下优点:
23、1、本发明通过同步采集可见光图像、长波红外热图像和短波红外高光谱图像并进行亚像素级空间配准,为每个像素点赋予温度值、表面辐射率动态范围和表面洁净度光谱指数三个维度的物理标签,实现了对风管保温层表面状态与热辐射信号的全面数字化表征,为后续的信号解耦提供了多维度的数据基础。
24、2、本发明通过构建以传热学稳态热扩散物理方程作为硬约束的物理信息神经网络,将红外热图像分解为表征表面脏污干扰的表层干扰层图像和表征真实结构性破损的内部结构层图像,实现了对表面热干扰信号与内部缺陷热信号的有效解耦,从根本上解决了现有技术中因表面脏污改变发射率而导致热异常与结构缺陷无法区分的误报问题。
25、3、本发明通过在空调系统冷媒关闭后的预设时间段内连续采集红外热图像序列并计算各像素点的热响应梯度曲率,利用真实破损处热响应速度快、表面脏污处热响应速度慢的物理差异进行时序判别,实现了对候选缺陷区域的二次筛选,彻底免疫了表面污损带来的静态温度偏差,大幅降低了误报率。
26、4、本发明通过对真实缺陷区域进行傅里叶变换并采用多尺度带通滤波器提取与力学破损几何特征相匹配的高频频段进行图像重构,实现了缺陷边缘的精准锐化,解决了破损边缘因阴影和管线遮挡而难以清晰定位的工程难题。
27、5、本发明通过图神经网络基于相邻像素点间的物理约束关系对孤立高亮噪点进行抑制并输出叠加于bim模型上的缺陷置信度热力图,实现了对缺陷空间分布和严重程度的定量化评估,为施工整改提供了精确到厘米级的三维空间坐标,使非接触式检测结果具备直接指导现场修复作业的工程实用性。
28、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com