目前存在的问题：
- 隧道错位识别方法只能针对特定错位形式；
- 将点云转化为灰度图像会受到环境的影响。
文章主要研究内容：
- 将点云无损展开
- 将2.5D点云转化为2D图像进行语义分割
- 提取螺栓孔感兴趣区域，最小拟合方法获取错位值
论文翻译：
摘要：盾构隧道环片错位对隧道结构稳定性和防水造成不利影响。 目前的方法只能检测圆形隧道中有限类型的位错，这给满足实际要求带来了挑战。 介绍了一种适用于各种形状盾构隧道的错位检测方法，可实现环间错位和环内错位的检测。 首先，引入了点云无损展开方法，允许在不影响点云特征的情况下展开任意截面形状的隧道点云。 随后，提出了地铁隧道点云分割工作流程，使得图像深度学习网络能够直接应用于隧道点云。 然后将螺栓识别为位错测量的标记，并介绍了一种螺栓感兴趣区域定位和配对的方法。 该方法通过从感兴趣区域拟合参考面来计算位错值。 在总长 2.45 km、包含 200 亿个点的圆形和类矩形盾构隧道上进行的一系列实验表明，所提出的分割工作流程与图像语义分割模型相结合，最大 mIoU 达到 90.2%，比传统隧道高出 10%。 直接分割隧道点云。 该方法经过反复的精度测试，并与全站仪测量、RANSAC平面拟合、扫描线法等其他方法进行了比较。 该方法的结果显示出高精度和稳定性，测量精度 RMSE 为 0.89 mm，MAE 为 0.69 mm，效率比全站仪测量高 20 倍。
INTRODUCTION
全球城市地区的扩张带来了越来越严峻的挑战，特别是交通拥堵和城市土地稀缺的加剧，在大城市尤其明显，中国就是一个典型的例子。 作为缓解地面交通压力不断升级的战略应对措施，地铁建设在主要城市中心发挥着举足轻重的作用[1]。由隧道掘进机（TBM）开挖的盾构隧道已成为新建地铁网络建设的主要方法[2]。 这种偏好归因于盾构隧道开挖速度快、对环境保护的承诺以及综合效益的优势积累等值得称赞的属性[3]。 尽管盾构隧道具有这些优点，但随着使用寿命的延长，也可能出现各种缺陷[4-6]，包括变形、裂纹、渗漏、错位等现象。为保证地铁隧道的持续安全运营，需要解决以下问题： 必须进行定期检查，以便尽早发现并纠正这些潜在缺陷。盾构隧道中的术语“错位”是指隧道衬砌段之间发生的错位或位移[7]。 在盾构隧道施工过程中，多个环段共同构成隧道的单个环。 随后，多个这样的环相互连接以形成完整的隧道结构。 这些位错有可能损害盾构隧道的防水和整体机械性能，降低其承载能力，从而影响隧道运营的安全[8-10]。 盾构隧道中的位错可分为环间位错和环内位错两类。 环间位错是指两个相邻环段之间的位错，而环内位错是指同一环段中相邻环段之间的位错。 与裂缝和泄漏等其他隧道缺陷相比，位错表现出更隐蔽的性质。 由于它通常表现为垂直位移，因此很难检测和测量。 目前，盾构隧道错位的检测通常仅限于地铁夜间停运期间的维护时段。 该过程依赖于人工检测或全站仪测量，存在检测效率低、体力劳动强度大、容易疏忽等问题。 随着地铁里程的增加、运营寿命的延长以及劳动力成本的飙升，目前事实证明，地铁巡检模式已不能满足铁路养护部门的实际需求。 近年来，激光扫描技术以其非接触、高精度、高频等优点在隧道测量中得到了广泛的应用[11-14]。 然而，从隧道海量离散点云数据中准确提取错位位置并测量错位值，特别是排除电缆、通风、照明和其他辅助设施的干扰仍然是一个重大挑战。 为了克服上述挑战，我们的研究研究了 MLS 点云位错的精确测量。 本文的贡献主要体现在以下三个方面：
1.本文提出了一种适用于铁路隧道MLS的点云语义分割框架。 该框架将各种形状的铁路隧道的点云转换为二维图像，同时保留强度和几何特征。 图像语义分割方法可以直接应用于铁路隧道点云，与传统点云语义分割方法相比，分割精度显着提高。
2.在点云语义分割的基础上，提出了一种适用于各种形状盾构隧道环间和环内错位的自动化错位定位和测量方法。
3.通过圆形和类矩形盾构隧道的综合试验验证了本文方法的精度、效率和可靠性。
本文的其余部分结构如下：第二部分概述了有关盾构隧道错位检测的相关文献，第三部分概述了所提出的方法，第四部分介绍了隧道点云分割和错位测量的结果，以及 第五节提供讨论和结论。
II. RELATED WORKS
一般来说，现有盾构隧道位移检测方法可分为直接法、全站仪测量法、位移传感器法和激光扫描法等。 直接法是直接用直尺或卡尺测量两个环段之间的错位，是最直接的测量方法。 然而，由于其基于接触的性质，该方法是最耗时和劳动密集型的，通常仅用于具有明显错位的隧道部分的位错定量测量。 全站仪作为隧道领域应用最广泛的测量仪器，也应用于位移检测[15]。 与直接法相比，全站仪位移测量的效率有所提高。 但由于测量角度的限制，全站仪仍然需要连续的站台移动来测量隧道中不同位置的错位。 因此，其测量效率对于满足盾构隧道的运营和维护需求仍然具有挑战性。 一些研究人员采用光纤传感器等位移传感器来检测盾构隧道中的错位[16]。 在这种方法中，分布式光纤线路预先安装在隧道中，通过监测光纤的变形来检测错位。 该方法可以实现近乎实时的在线检测，测量精度高。 但需要在错位发生之前预先安装传感器。 摄影测量技术已广泛应用于隧道变形、渗漏和裂缝检测[17,18]。 然而，段之间的错位沿隧道垂直方向分布，由于测量角度的限制，通过二维图像进行检测具有挑战性。 因此，该技术在应用于盾构隧道的错位检测时面临困难。 激光扫描技术因其非接触式、高测量频率和优越的精度等特点，已成为盾构隧道掘进中管片错位检测的主要方法[19]。 近年来，人们在这一领域投入了大量的研究工作。 在早期阶段，主要采用地面激光扫描仪（TLS）。 Xie和Liu[20]利用TLS获取盾构隧道的点云，对隧道横截面进行圆形和椭圆形拟合。 这种方法有助于检测同一盾构隧道环内各段之间的位错。 徐等人。 [7] 在盾构隧道施工过程中采用 TLS 来测量管片之间的错位，确保装配误差保持在规定的公差范围内。 通过识别段之间的接缝，该方法不仅可以计算一个环内相邻段之间的位错，而且有利于计算相邻环之间的位错。 当采用TLS测量隧道等细长目标时，需要设置多个站点并将点云拼接在一起才能获得隧道的完整表示[21]，导致数据采集效率相对较低。因此，一些学者开始利用能够在铁路轨道上运行的移动激光扫描仪（MLS）来获取地铁隧道的点云。 与 TLS 相比，这种方法显着提高了数据采集效率。 回顾了 MLS 在地铁隧道错位检测中应用的文献，我们将结果整理于表 1 中。使用 MLS 点云检测盾构隧道错位的典型流程如下。 首先，沿隧道中心线展开隧道点云，生成灰度图像以供后续处理。 其次，识别错位指标以定位错位位置。 一些研究人员采用计算机视觉[22-24]或深度学习方法[25]来直接识别节段之间的接头，而另一些研究人员则通过识别节段上的螺栓孔来间接定位节段接头[26]。 最后，测量直接根据节段关节的位置计算位错[27]或对节段的不同截面进行圆形拟合来计算位错[28]。 对于不同类型的位错，这些文献采用不同的名称。 例如，一些出版物[24,28]将环间位错称为周向位错，而其他出版物[25]则使用术语纵向位错。 同样，对于环内位错，一些文献[22-24,27,28]将其标记为径向位错。 在本文中，我们将它们的命名标准化为环间位错和环内位错。除了岳等人。 [24] 和杜等人。 [28]，目前基于MLS的位错检测方法只能检测特定类型的位错，难以实现全面的检测。 以岳等人为例。 [24] 和杜等人。 [28]，环间和环内位错都可以通过各种图像处理算子和圆形拟合来检测。 考虑到目前的方法通常将隧道点云展开为灰度图像，这些图像容易受到隧道壁污渍或辅助设施的干扰。 因此，这两篇文献中方法的稳定性还有待在复杂条件下验证。 此外，由于非圆形盾构隧道的空间效率优势，在新地铁线路的建设中越来越普遍[30-34]，这些方法是专门针对圆形盾构隧道开发的，可能无法直接适用。 除了表1中的方法外，Amberg Technologies提出了可以检测环间错位的GRP 5000 [29]，它通过评估与隧道中心线相关的管片接头两侧的点云距离来计算相邻环之间的错位。 然而，这种方法依赖于有限数量的扫描线来计算位移值，这在扫描线存在中断的情况下可能导致显着的误差。 鉴于上述方法的缺点和不断出现的需求，研究适合各种形状盾构隧道的综合自动化错位检测方法势在必行。
III. METHODOLOGY
本文提出的盾构隧道错位检测方法包括四个主要步骤，如图1所示。首先，以MLS点云为数据源，采用无损展开处理，将盾构隧道海量的三维点云转化为二维数据。 术语“无损”意味着在展开过程中不存在遮挡，同时保留强度和几何特征。 随后，在第一步的基础上，对隧道点云进行深度学习语义分割。 接下来，根据语义分割结果定位螺栓孔，以定位感兴趣区域 (AOI)。 最后对AOI进行平面拟合，计算位错值。 更详细的描述将在以下部分中详细阐述。
A. Point cloud lossless unfolding
在大多数有关隧道点云的相关文献中，后续处理的关键步骤是将它们沿着隧道中心线展开并投影成二维图像。 这种将大量三维点云转换为二维图像的方法显着降低了处理复杂性和计算需求。 然而，这种方法有一些缺点。 首先，在点云变换过程中，仅保留点云的强度特征，忽略其大部分几何特征。 其次，沿着隧道中心线展开点云假设TLS/MLS点云是在中心线上精确采集的，但数据采集过程中视角的变化可能会导致展开过程中的相互遮挡。 此外，现有的展开方法通常对圆柱形隧道采用圆形拟合，忽略了其他形状的隧道。 为了解决这些限制，
（1）我们提出了一种适用于各种形状隧道的点云无损展开方法。 该方法在展开过程中保留了点云的几何特征，同时减轻了与点云遮挡相关的问题。 用于地铁隧道检查的 MLS 系统通常安装在手动或电动轨道小车上，配备定位和定向系统 (POS) 以及车轮编码器。 所采用的激光扫描仪通常以二维横截面扫描模式操作。 当轨道小车沿着隧道前进时，激光扫描仪进行扫描，生成隧道的密集三维点云，如图2（a，b）所示。扫描过程中，MLS中心点相对于地铁隧道断面保持稳定，地铁隧道断面的几何参数保持不变。 因此，通过构建地铁隧道断面的参考形状，可以根据参考形状沿MLS扫描中心线展开隧道点云，以适应地铁隧道的各种形状。 此外，沿着扫描轨迹而不是隧道中心线展开，有助于避免隧道点云展开过程中的相互遮挡问题。 该场景下地铁隧道任意点点云展开示意图如图2（c）所示。 其中，S 表示 MLS 扫描轨迹点，外侧黑色截面为类矩形隧道的参考截面，O 为 S 与参考截面的垂线交点，P 表示 隧道，代表隧道墙或辅助设施（P 可以在参考断面内部或外部），D 为 SP 与参考断面的交点，α 为 SO 与 SP 之间的角度 。
对于地铁隧道任意点P，其无损展开坐标为𝑥𝑡、𝑦𝑡、𝑧𝑡，其中𝑥𝑡为MLS扫描线相对于起点的长度，𝑦𝑡为α内参考断面的长度 范围，𝑧𝑡是SP和SD之间的长度差。 在地铁隧道三维点云的生成过程中，已经获得了POS的运动轨迹。 根据 MLS 系统的设计参数对其进行移动即可产生 MLS 轨迹。 通过定位轨迹上距离P点最近的点来确定S。通过这种方法，保留了隧道点云的几何特征，并解决了传统隧道点云展开方法的缺点。 准矩形隧道点云无损展开结果如图3所示。图3（a）表示原始点云，图3（b）和图3（c）表示展开后的点云 。 展开的点云在 z 方向上没有重叠，因此称为 2.5D 点云。 展开的点云为深度学习语义分割和位错检测等后续任务提供了优势。
B. Semantic segmentation of tunnel point cloud
与在原始点云或 2D 图像上进行标记相比，在展开的 2.5D 点云上进行标记具有优势。 与在原始点云上进行标记相比，它显着减少了与点云遮挡相关的问题。 与在 2D 图像上进行标记相比，它可以从 2.5D 点云的侧视图快速注释隧道壁外的电缆和走道等基础设施。 图4显示了准矩形和圆形盾构隧道的原始点云和标记结果。 点云被标记为11类，准矩形隧道环形固定螺栓分为大螺栓和小螺栓，而圆形隧道只有小螺栓。
（2）随后，我们提出了基于2.5D展开点云的深度学习（DL）语义分割工作流程，如图5所示。蓝色箭头表示DL网络的训练过程。 对 2.5D 点云进行标记并将其投影为 2D 后，结果包括四个通道：标记通道、强度通道、高度 (H) 通道和 Z 通道。 H通道表示点云中某个点的原始高度与隧道底部的高度差。 Z通道代表2.5D点云中某个点的Z值。 后三个通道被组合成一个 8 位 3 通道图像，该图像与标签图像一起用于训练 2D DL 语义分割网络。 正如后续实验将证明的那样，2D 网络具有更高的精度，因此选择不使用 3D DL 语义分割网络是合理的。 红色箭头表示使用DL网络分割2.5D点云的过程。 未标记的 2.5D 点云被投影到强度通道、H 通道和 Z 通道中，然后输入到经过训练的 2D DL 语义分割网络中。 然后将预测的标签图像屏蔽到未标记的 2.5D 点云上，从而生成标记的 2.5D 点云。 点云无损展开过程中，点云的原始坐标作为附加属性保存在点云源文件中。 可以恢复这些坐标，最终获得带标签的 3D 隧道点云。
C. Area of interest positioning
盾构隧道衬砌管片中接头的定位是进行隧道位移检测的先决条件。 许多先前的方法直接检测隧道投影图像上的管段接缝。 然而，这种方法在处理各种类型和使用条件的地铁隧道中的复杂情况时面临挑战。 首先，地铁隧道内线状物体较多，会干扰管片接头的检测。 其次，随着地铁运营周期的延长，隧道壁上的各种污渍（水渍、锈渍等）逐渐增多，对管段接头检测产生负面影响。 盾构隧道衬砌的管片通常通过螺栓固定，每个管片都有特定形状的螺栓孔。 图6展示了矩形和圆形隧道的无损展开点云，图6（c，d）是局部放大图。 对于类矩形盾构隧道，环内相邻衬砌段通过四个螺栓紧固在一起，形成一对大螺栓孔。 衬里中相邻环的节段使用单排小螺栓紧固在一起。 对于圆形盾构隧道，相邻衬砌段由两个螺栓紧固，形成两对小螺栓孔。 相邻的环段用两排螺栓固定。 螺栓孔与管片接头之间的位置关系是固定的。 通过采用将管片接头与螺栓孔位置对齐的策略，可以避免与直接识别管片接头相关的各种负面因素。 此外，与沿段接头周围的扫描线使用点云相比，在特定区域内使用点云可以减少干扰。 因此，本文选择通过螺栓孔定位进行AOI定位，以后续测量段错位。矩形隧道，(b) (a) 的局部放大图，(c) 圆形隧道，(d) (c) 的局部放大图。 通过语义分割得到的点云准确识别隧道中的锚点； 然而，这些点是离散的并且缺乏模型整合。 将区域生长方法应用于语义分割预测的二维标签图像。 通过遍历属于螺栓孔标签但不进行区域生长的每个像素，可以区分每个螺栓孔的点云，实现模型合并。 对于准矩形隧道小锚杆的AOI，位于锚杆一侧管片接头的两侧。 准矩形隧道大螺栓和圆形隧道螺栓的AOI定位在一对螺栓之间的管片接头两侧，需要螺栓配对进行AOI定位。 对于准矩形隧道大螺栓来说，螺栓配对相对简单，因为成对的螺栓彼此最接近。 然而，对于圆形隧道螺栓，最近的螺栓可能不会配对，从而产生了针对圆形隧道的螺栓孔配对算法。 具体步骤如算法 1 所示：最初，为每个螺栓中心点创建 valid_flag 并将其设置为 0。 按照算法步骤依次生成成对的螺栓中心点，其中 𝑇1 和 𝑇2 分别设置为 0.6 m 和 0.3 m。准矩形和圆形盾构隧道AOI定位结果如图7所示。图7(a)为准矩形隧道，图7(b)为局部放大图，其中红点代表大螺栓中点 ，红色区域表示大螺栓的 AOI，蓝色区域表示小螺栓的 AOI。 图 7 (c) 表示圆形隧道，图 7 (d) 表示局部放大，其中红点表示螺栓对的中点，橙色区域表示螺栓的 AOI。 被电缆遮挡或 AOI 内非隧道壁点云超过 30% 的螺栓不予考虑。
D. Segments dislocation value calculation
通过AOI定位，提取关键点，用于计算环段之间的错位。 根据这些关键点拟合两个关键平面，并计算环段处两个平面之间的距离差，从而产生环段之间的位错值。 在本研究中，采用最小二乘法来拟合2.5D展开点云上的关键平面。 由于关键平面不一定垂直于 XY 平面，因此可以假设关键平面的通式如式 1 所示。 最小二乘拟合平面的系数，涉及 n 个点（n≥3） 在关键点云中，可以使用公式 2 确定。
在平面拟合之前，首先应用半径过滤器来消除异常点。 半径滤波器的搜索半径设置为0.02 m，对于点云的法平面，大约有40个相邻点。 考虑到边缘点，建议将半径过滤器的负邻居设置为 15。 在平面拟合过程之后，计算每个点与拟合平面之间的距离。 如果距离超过 5 毫米，该点也被视为异常点。 排除所有异常点后，重复平面拟合过程以确定最终的拟合平面。拟合平面 f1 和 f2 上的值分别以绿色和洋红色显示，异常值以红色表示。 蓝色和橙色平面代表垂直参考平面 V1 和 V2，均与 XOY 平面正交。 V1包含线段关节，而V2垂直于V1并包含两侧关键点的质心。 P1是平面V1、V2和f1的交点，而P2是平面V1、V2和f2的交点。 P1和P2之间的距离对应于位错值。
IV. EXPERIMENTS AND RESULTS
A. Dataset generation
实验装置利用了铁路移动测量系统（RMMS），这是我们之前的工作中使用的移动测量设备[26]。 RMMS配备惯性测量单元（IMU）和编码器，与盾构隧道内的CPIII控制点结合，能够获取高精度绝对坐标点云。 实验涉及来自准矩形和圆形盾构隧道的地铁隧道数据，这两个隧道都积极用于地铁服务。 深圳地铁获取的准矩形盾构隧道数据全长约1.35公里，包含113亿个点。 从武汉地铁获取的圆形盾构隧道数据，全长约1.1公里，包含88亿个点。 为了比较环段间位移测量的精度，使用全站仪在三种类型的AOI中测量了位移值：准矩形隧道中的大螺栓、准矩形隧道中的小螺栓和圆形隧道中的螺栓。 隧道。 本研究涉及的步骤（不包括点云标记和语义分割）是使用 Visual Studio 2022 在 C++ 中实现的。该实现利用了第三方库，包括点云库 (PCL)、OpenCV 和 LAStools。 点云标注由熟悉地铁隧道的专家使用CloudCompare v2.14.1进行。 为了便于标记，隧道点云被以 10 米的间隔分割成多个部分。 圆形隧道和类矩形隧道的周长约为15米，导致每个展开的点云在X方向上具有10米的尺寸，在Y方向上具有15米的尺寸。 数据预处理时，将展开的点云投影在XY平面上，生成Z通道、强度通道、H通道和标签通道的8bit 1通道图像，每个通道的尺寸为2408*3076。 前三个通道组合成 8 位 3 通道图像。 如果投影图像中的单个像素对应于多个点，则前三个通道中的值被计算为这些点的平均值，而标签通道被分配最常出现的点的标签。 如果没有点对应于投影图像中的像素，从而导致像素丢失，则根据周围的像素值填充这些值。 最终获得圆形隧道图像110组，类矩形隧道图像130组。
B. Point cloud semantic segmentation
在点云语义分割的执行过程中，隧道点云以图像和点云两种形式存在。 在点云模态中，点云分布密集，单个场景中的点数量超过700万，与Semantic3D[35]数据集具有相似的特征。 因此，选择在 Semantic3D 中表现出色的 SCF-Net [36] 和 RandLA-Net [37] 作为实验网络。 在图像模态中，每个点云的尺寸为2408*3076，类似于Cityscapes [38]数据集，展示大场景和高分辨率。 因此，Cityscapes 中的代表性网络，包括 SegFormer [39]、DeepLabv3+ [40]、PSPNet [41]、OCRNet [42] 和 HRNet [43] 被选为实验网络。 实验采用语义分割中常用的指标，即IoU（Intersection over Union）和mIoU（mean Intersection over Union）作为评价标准。 计算公式如公式3和公式4所示。在这些公式中，TP表示正确预测数据的数量，FP表示不属于某一类别的数据被错误分类为属于该类别的实例的数量，FN表示 属于某个类别的数据被错误分类为另一个类别的实例数。 mIoU 计算为所有类别的平均 IoU。 在本研究中，k 的值设置为 10。所有 2D 语义分割模型都是通过开源语义分割框架 MMsegmentation [44] 实现的。 实验在具有以下规格的计算机上进行：Intel® Core i713700k CPU、NVIDIA RTX 4090 GPU、64GB RAM 和 Ubuntu 20.02 操作系统。 3D 语义分割网络 RandLA-Net 和 SCF-Net 在另一台具有以下配置的计算机上运行：Intel® Xeon W-2145 CPU、NVIDIA TITAN RTX GPU、64GB RAM、Ubuntu 18.04 操作系统。 圆形和类矩形隧道的数据按 4:1 的比例划分为训练集和测试集。 对于3D语义分割网络，点云预处理网格大小设置为0.02米，其他参数保持默认值。 在二维语义分割网络中，采用了缩放、随机裁剪和随机翻转等数据增强技术。 此外，每个模型都使用 Cityscapes 预训练模型作为初始模型。 每个模型训练200个epoch，训练损失达到稳定状态。 每5个epoch对测试集进行一次评估，并保存mIoU最高的模型检查点。 最终的语义分割结果如表 2 所示。与 2D 语义分割网络相比，3D 语义分割网络 RandLA-Net 和 SCFNet 的 mIoU 降低了 3% 到 10%。 这差异最大的类别是“附件”，下降了近20%，而差异最小的类别是“隧道墙”，仅下降了3%左右。 RandLA-Net 在分割“人”类别方面取得了良好的结果，而 SCF-Net 和 PSPNet 得分较低。 在定位AOI的关键部件“大螺栓”和“小螺栓”的分割结果上，SegFormer表现出全面领先，而3D网络则落后。 图 9 提供了每个网络的语义分割点云结果的定性比较。 第一列表示强度图，第二列是标签结果，第3至7列描述2D语义分割网络，包括HRNet、OCRNet、PSPNet、SegFormer和DeepLabv3+，而第8和9列展示3D语义分割网络，即RandLA-Net 和 SCF-Net。 第一行展示了类矩形隧道“大锚杆”和“小锚杆”的分割结果。 可以看出，2D 语义分割结果总体良好，而 3D 网络在边缘处表现出不规则和过度分割的趋势。 第二行显示“人”分割的结果。 RandLA-Net 和 SCF-Net 的表现较差，PSPNet 的结果最差。 其他四个 2D 网络取得了相对较好的结果，尽管有证据表明边缘过度分割。 第三行显示了圆形隧道“小螺栓”的分割结果，显示出与第一行类似的模式，3D 网络表现出不规则的边缘和过度分割的趋势。 第四行显示“附件”和“电缆”的结果。 PSPNet 和 DeepLabv3+ 在分段小电缆方面表现不佳，而其他 2D 网络则表现良好。 总体而言，与 2D 网络相比，3D 网络的性能较差。 第五行说明了“附件”的分割结果，特别是交通灯。 很明显，3D 网络在分割交通灯方面优于 2D 网络，但在分割电缆和右侧附件方面表现较差。 这可能是由于交通信号灯和背景点之间的距离更大，使得 3D 网络更适合此类场景。 最后一行详细介绍了矩形隧道“大锚杆”和“小锚杆”的分割结果，表明3D网络容易出现过度分割，而小锚杆的分割结果较差。 这可能是由于 3D 网络难以区分距离背景点太近的点。 “大螺栓”和“小螺栓”的分割精度直接关系到AOI定位的精度。 如果它们的分割精度太低，如SCF-Net和RandLA-Net的情况，将直接导致AOI定位误差增大，从而导致位错计算误差增大。 从表2和图9可以看出，2D语义分割网络对于“大螺栓”和“小螺栓”都实现了较高的分割精度。 分割结果与实际目标差异很小，AOI定位精度高。
基于对点云分割结果的综合分析和定性比较，SegFormer在分割“大螺栓”和“小螺栓”方面表现出最佳性能。 在效率方面，我们统计了每个模型训练超过 200 个 epoch 所需的时间以及训练模型在整个数据集上的运行时间，如表所示。 S1。 的补充文件。 SegFormer的效率是最低的，但与最好的相差并不显着。 为了提高分割精度而牺牲一小部分效率是可以接受的。 因此，选择SegFormer作为后续错位AOI定位的基础模型。
圆形和类矩形隧道特殊情况的分割结果分别如图10和图11所示。 据观察，盾构隧道中的螺栓孔可能故意用水泥密封，特别是在隧道内较低的位置。 在这种情况下，这些螺栓孔在数据中无法清晰辨别，因为它们的高度与周围的隧道壁对齐，仅显示出细微的颜色变化，如图 10 (a) 和 11 (a) 所示。 本研究中的标记过程不包括对此类密封螺栓孔的标记，因此导致所有语义分割网络无法识别这些被阻塞的螺栓孔。
C. Dislocation calculation and accuracy verification
在分段的2.5D展开点云上，按照3.3和3.4节中概述的方法进行AOI定位和位错计算。 图12给出了位错计算参考平面点云与2.5D点云的综合结果。 图 12 (a) 描绘了准矩形隧道结果的正视图，图 12 (b) 提供了局部放大图。 图 12 (c) 显示了圆形隧道结果的前视图，图 12 (d) 提供了局部放大。 在这些面板中，黑点代表 AOI 范围内的地铁隧道点，洋红色和绿色点代表 AOI 参考平面的点云，蓝点代表参考垂直平面上的点，红点代表被识别为异常值的点。 可以观察到，大多数螺栓 AOI 已被检测到，尽管有少数螺栓被遮挡或位于由于障碍物而未执行 AOI 计算的区域。 这种方法可以有效识别 AOI 定位和错位计算中的错误并及时发现其原因。在类矩形隧道的一些环段上，结合有凹槽以方便组装，结合凹槽以方便组装。 这些凹槽分布在 K 块上的接头附近，如图 13(a) 所示。 这些凹槽内的点包含在 AOI 点云中，可能会对位错测量造成不利影响。 为了消除 AOI 内凹槽对应的点云，将 AOI 点云投影到 YZ 平面上。 从关节开始，沿 Z 轴距离增加的点被识别为凹槽的开始。 仅利用从接头到凹槽起始位置的点云进行平面拟合，从而减轻了凹槽点云对位错值的影响。 K块连接处AOI点云的平面拟合结果如图11(c)所示，其中红色点云代表凹槽点云，已被标记为异常值。为了评估本文提出的错位测量算法的重复性，对错位进行了两轮计算，并根据隧道类型和锚杆类型随机选取100组结果进行比较，如图14所示。 图14 (a)至(c)分别对应于类矩形隧道中的大螺栓、类矩形隧道中的小螺栓和圆形隧道中的螺栓。 从图中可以看出，两轮加工得到的位错均方根误差（RMSE）范围为0.57毫米至0.60毫米，而平均绝对误差（MAE）范围为0.48毫米至0.53毫米。 ，表现出良好的一致性。采用全站仪（徕卡TS03，平均精度1 mm±1.5 ppm）测量了测试矩形和圆形盾构隧道的位移值，以进行精度比较。 在测量过程中，选择了隧道环上的无障碍螺栓，并将全站仪直接面向管片接头定位。 测量节段接头每侧约 4 cm 处的点之间的距离。 两侧的距离差代表该节段关节的错位值。 在矩形和圆形隧道中分别测量了180组和90组错位值。 在矩形隧道内，分别测量了90组环间和环内位错。 在圆形隧道中，分别测量了 56 组和 34 组环间和环内位错。 除全站仪测量外，本文选取其他常用的基于MLS点云的位错测量方法进行比较，包括平面拟合法和RANSAC扫描线法。 从上节表1的文献总结中可以看出，圆形拟合方法也被广泛采用。 但由于实验数据涉及类矩形隧道，本研究并未采用该方法。 在后续章节中，所提出的方法、扫描线方法和RANSAC平面拟合方法将分别缩写为P-LSF、SL和P-RANSAC。 与P-LSF相比，P-RANSAC仅在AOI点云的平面拟合方法上有所不同，从最小二乘法过渡到RANSAC； 所有其他组件保持相同。 具体地，RANSAC的最大迭代次数设置为90000次，距离阈值设置为8mm。 SL是在2.5D展开的点云上进行的，选择位于纵向环缝两侧4cm的扫描线作为参考线。 错位值可以通过相邻螺栓或螺栓对附近的参考线的 Z 值差异计算出来。 如图 15 所示，紫色和橙色线代表一对参考线线，蓝色标记指示螺栓的相应高度。TS 与其他方法之间的误差比较箱线图如图 16 所示。由于 SL 只能测量环间位错，因此环内位错的比较（图 16 a 和 c）仅限于两种方法。 对于环间位错的测量（图 16 b 和 d），比较了三种方法。 图中的红点代表误差值，每组误差的标准差 (SD)、平均值和最大值 (Max) 均标注在每个框上方。 图 16 中的 Y 轴在 [0, 1] 范围内具有线性刻度，并且对于大于 1 的值切换到对数刻度。可以观察到，P-LSF 在所有比较方法中表现出最小的误差，最大误差为 误差为 2.24 毫米，平均误差小于 0.79 毫米，标准差小于 0.95 毫米。 SL和P-RANSAC方法都存在多个超过10mm的误差。通过比较位错计算的细节，我们找到了P-RANSAC和SL误差较大的原因，如图17所示。图17（a）展示了P-RANSAC的一个特例，并与PLSF进行了比较。 中央蓝色平面表示垂直参考平面，灰色点表示 AOI 点云，红色点表示 P-LSF 检测到的异常值，品红色和绿色平面表示 P-LSF 拟合平面，橙色和紫色平面表示 P-RANSAC 拟合平面。 可以看出，P-RANSAC拟合平面与实际最佳拟合平面存在一定偏差。 出现这个问题的原因在于，此时AOI点云到RANSAC拟合平面的距离均在距离阈值（8mm）以内，迭代达到停止条件。 虽然降低距离阈值似乎是一个潜在的解决方案，但我们进一步的实验表明，由于点云测量误差，AOI点云不符合理想的平面结构，降低距离阈值可能会阻碍RANSAC收敛。 图17（b）显示了使用SL方法进行位错测量的特殊情况，其中参考线受到相关设施点云的干扰，导致出现显着误差。测量效率是实际应用中需要考虑的关键因素。 表 3 比较了所提出的方法、PRANSAC 和全站仪测量的测量效率。 SL 方法不包括在内，因为它不能检测环内错位。 该方法的实验数据覆盖了整个数据集（1.35公里的准矩形隧道，包含113亿个数据）点，1.1公里的圆形隧道有88亿个点）。 该方法点云展开和投影耗时105分钟，DL语义分割耗时10分钟，P-LSF位错计算耗时143分钟，总时间为258分钟。 如果使用P-RANSAC进行位错计算，需要202分钟，总共需要317分钟。 深度学习语义分割是使用前面部分训练的 Segformer 网络进行的，计算机规格为 Intel® Core i713700k CPU、NVIDIA RTX 4090 GPU、64GB RAM 和 Ubuntu 20.02 操作系统。 点云展开、投影和位移测量使用VS2022开发的C++软件实现，计算机规格为Intel® Core i7-12700H CPU、NVIDIA RTX 3060 GPU、32GB RAM和Windows 11操作系统。 所提出的方法测量了总共 13,006 个环段接头的位错值，使用 P-LSF 实现了每分钟约 50.41 次计数的效率，使用 P-RANSAC 实现了每分钟约 41.1 次计数的效率。 相比之下，全站仪在 105 分钟内测量了 270 个环段接头的错位值，结果约为每分钟 2.57 个接头的效率。 所提出的方法证明了环段接头的位错测量效率比全站仪高约 20 倍。
V. DISCUSSION AND CONCLUSION
为了解决与当前盾构隧道错位检测方法相关的挑战，包括检测非圆形隧道中的错位或识别同一环段内的环内错位的问题，本文介绍了一种基于螺栓孔定位的错位检测方法，该方法利用高分辨力密度 MLS 点云进行螺栓孔定位。 首先针对地铁隧道场景中海量点云的处理，介绍了点云无损展开方法。 该方法逆转了激光扫描仪的移动测量过程，利用盾构隧道断面形状规律和扫描轨迹相对固定的特点，将地铁隧道沿扫描路径展开为预定的2.5D点云。 形状。 同时，该方法保留了点云强度和局部几何特征。 随后，提出了隧道点云语义分割工作流程。 该工作流程以 2.5D 点云为基础，直接将大量隧道点云转换为图像分割。 然后，基于隧道点云的语义分割，识别螺栓孔作为位移测量的标记，并提出一种螺栓孔AOI定位方法，提取环缝两侧的点云。 最后，利用AOI定位提取的点云，通过最小二乘拟合参考面计算出定位值。 在圆形和类矩形盾构隧道上进行了一系列试验，总长2.45公里，包含200亿个点。 对于语义分割，实验比较了五种图像语义分割模型和两种点云语义分割模型。 结果表明，所提出的隧道点云语义分割工作流程在采用图像语义分割模型时，达到了 90.2% 的最高 mIoU，比隧道点云的直接分割高出 10%。 本研究中有几个关键因素影响位错测量的准确性。 首先，MLS点云测量的准确性，这是基础条件。 其次，螺栓孔语义分割的精度，在我们的研究中，除了被隧道设施遮挡或被水泥密封的螺栓外，几乎所有螺栓都被检测到。 第三，AOI定位的准确性，主要受螺栓孔语义分割精度的影响。 为了解决这个问题，我们选择了在分割螺栓方面表现出最高精度的 Segformer 作为基础语义分割网络。 第四，位错计算的精度，主要受拟合平面与实际情况误差的影响。 为了最大限度地减少误差，采用了各种方法来消除异常值。 通过重复精度测试，本文提出的方法的重复性 RMSE 小于 0.6 mm，MAE 小于 0.51 mm。 为了验证位移检测方法的准确性，将位移值与全站仪测量、RANSAC平面拟合和扫描线法等方法的结果进行了比较。 我们提出的方法的结果显示出高精度和稳定性，与全站仪测量相比，测量精度 RMSE 为 0.89 mm，MAE 为 0.69 mm。 此外，本文提出的位错测量方法在测量效率上明显优于全站仪测量方法，测量速度提高了近20倍。 目前文献中公开的盾构隧道错位检测方法仅适用于圆形隧道。 然而，本文提出的方法是通用的，可以应用于各种形状的隧道，据我们所知，代表了该领域的开创性进步。 另一方面，本文提出的位移检测方法依赖于使用螺栓孔作为标记来定位环接头位置并随后检测位移值。 然而，在使用中的盾构隧道中，大量电缆和辅助设备可能会堵塞或完全遮盖螺栓孔。 此外，在某些情况下，螺栓孔可能会被故意用水泥密封，这给检测带来了挑战。 这些因素共同导致无法全面检测盾构隧道的位错值。 未来的工作将集中于检测被密封或部分堵塞的螺栓孔，测量这些位置的错位值，实现盾构隧道错位的全面检测。
