多设备融合的水工建筑物水下检测技术

doi:10.3969/j.issn.1008-0198.2025.03.005

湖南电力 ›› 2025, Vol. 45 ›› Issue (3): 35-41.doi: 10.3969/j.issn.1008-0198.2025.03.005

• 源网协调与能源转换利用 • 上一篇下一篇

多设备融合的水工建筑物水下检测技术

张亦可^1,2, 张军¹, 莫剑³, 张学武⁴, 张振⁵

1.国网湖南省电力有限公司电力科学研究院,湖南长沙 410208;
2.长沙理工大学水利与环境工程学院,湖南长沙 410114;
3.国网湖南省电力有限公司,湖南长沙 410004;
4.河海大学,江苏南京 210000;
5.国网湖南省电力有限公司水电分公司,湖南长沙 410004

收稿日期:2025-01-06 发布日期:2025-07-02
作者简介:张亦可(1992),男,工程师,主要从事水电站设备设施电状态评价、故障诊断工作。
基金资助:
国家自然科学基金项目（61671202）; 国网湖南省电力有限公司科技项目（5216A5220020）

Underwater Detection Technology of Hydraulic Structure With Multi-Equipment Integration

ZHANG Yike^1,2, ZHANG Jun¹, MO Jian³, ZHANG Xuewu⁴, ZHANG Zhen⁵

1. State Grid Hunan Electric Power Company Limited Research institute, Changsha 410208, China;
2. School of Hydraulic and Environmental Engineering, Changsha University of Science and Technology,Changsha 410114, China;
3. State Grid Hunan Electric Power Company Limited, Changsha 410004, China;
4. Hohai University, Nanjing 210000, China;
5. State Grid Hunan Electric Power Company Limited Hydropower Branch, Changsha 410004, China

Received:2025-01-06 Published:2025-07-02

摘要/Abstract

摘要： 针对水下大坝复杂环境中缺陷检测精度低的问题,提出一种基于多传感器数据融合的缺陷检测方法,结合声呐设备和光学摄像头,利用卡尔曼滤波对声呐数据进行去噪,并采用限制对比度的自适应直方图均衡算法（CLAHE）增强光学图像对比度,通过加权最小二乘法实现两种数据的融合,生成包含全局轮廓与高清细节的综合图像。基于卷积神经网络（CNN）对融合图像进行处理,实现裂缝和沉积物等缺陷的精准识别和分类。实验结果显示,该方法在被试大坝中成功检测出3处裂缝及2处沉积物堆积区域,可显著提升缺陷检测的精度和可靠性。

关键词: 水下结构, 多传感器融合, 缺陷检测, 数据去噪, 卷积神经网络

Abstract: To solve the problem of low accuracy of defect detection in the complex underwater dams environment, a defect detection method based on multi-sensor data fusion is proposed. By combining the sonar equipment and optical camera, the sonar data is denoised by Kalman filter, and the optical image contrast is enhanced by the contrast limited adaptive histogram equalization(CLAHE) algorithm. At the same time, the weighted least square method is used to achieve the fusion of the two kinds of data, and the comprehensive image containing the global contours and high-definition details is generated. Then, convolutional neural network(CNN) is used to process the fusion image to realize accurate identification and classification of defects such as cracks and sediments. The experimental results show that the method successfully detected 3 cracks and 2 sediment accumulation areas in the test dam, significantly improving the accuracy and reliability of defect detection.

Key words: underwater structure, multi-sensor fusion, defect detection, data denoising, convolutional neural network

中图分类号:

TV36

张亦可, 张军, 莫剑, 张学武, 张振. 多设备融合的水工建筑物水下检测技术[J]. 湖南电力, 2025, 45(3): 35-41.

ZHANG Yike, ZHANG Jun, MO Jian, ZHANG Xuewu, ZHANG Zhen. Underwater Detection Technology of Hydraulic Structure With Multi-Equipment Integration[J]. Hunan Electric Power, 2025, 45(3): 35-41.

参考文献

[l]郑雪玉,吴时强,杨家修. 水工建筑物初生空化数及其比尺效应研究进展[J]. 水利水电科技进展,2021,41(1):87-94.
[2] 臧小为,YURTOV E.V. 对俄罗斯水工建筑物安全生产及监管现状的思考[J]. 水利水电科技进展,2021,41(4):21-28,45.
[3] 任秋兵,沈扬,李明超,等. 水工建筑物安全监控深度分析模型及其优化研究[J]. 水利学报,2021,52(1):71-80.
[4] 陈占龙,李双江,徐永洋,等. 高分影像密集建筑物Correg-YOLOv3检测方法[J]. 测绘学报,2022,51(12):2531-2540.
[5] 姜文龙,周锡芳,杨旭辉,等. 基于水声信号的水下衬砌基础结构破坏检测技术[J]. 人民黄河,2022,44(6):134-138.
[6] 谢文高,张怡孝,刘爱荣,等. 基于水下机器人与数字图像技术的混凝土结构表面裂缝检测方法[J]. 工程力学,2022,39(S1):64-70.
[7] 梁红,金磊磊,杨长生. 小样本情况基于深度学习的水下目标识别研究[J]. 武汉理工大学学报(交通科学与工程版),2019,43(1):6-10.
[8] LOISY,F,FRANÇOIS P,DOUCHET G,et al. Underwater inspection experiment for a long tunnel of EDF's hydroelectric facilities[C]//2010 1st International Conference on Applied Robotics for the Power Industry. Montreal,Canada. IEEE,2010:1-4.
[9] 张维星,党超群,张锁平,等. 基于多传感器融合的波浪谱数据获取与传输方法研究[J]. 海洋与湖沼,2023,54(3):645-652.
[10] 杜光月,刘美丽,周蒙,等. 基于多DS18B20传感器阵列的数据采集方法研究[J]. 电子器件,2023,46(1):16-21.
[11] 林旭梅,刘帅,石智梁. 基于自适应卡尔曼滤波的多传感器信号降噪[J]. 计算机仿真,2022,39(2):507-511.
[12] 张珂,杨鹏宇,石怀涛,等. 基于改进动态偏最小二乘法故障检测方法[J]. 沈阳建筑大学学报(自然科学版),2024,40(1):167-178.
[13] 汪跃龙,李凌云,贺艳,等. 近钻头钻具姿态测量的多传感器最小二乘原理加权融合方法[J]. 石油学报,2021,42(4):500-507.
[14] 梅武军,郑军,金杰,等. 基于滑动聚类的多传感器异步信息融合方法[J]. 仪器仪表学报,2022,43(6):109-117.
[15] 廉家伟,何军红,牛云,等. 基于多尺度压缩卷积神经网络模型的表面缺陷快速检测[J]. 计算机集成制造系统,2022,28(11):3624-3631.
[16] 金磊磊,梁红,杨长生. 基于卷积神经网络的水下目标声呐图像识别方法[J]. 西北工业大学学报,2021,39(2):285-291.
[17] 李牧,张一朗,柯熙政. 多尺度特征提取与融合的红外图像增强算法[J]. 红外与激光工程,2025,54(2):250-263.
[18] 李淑慧,蔡伟,王鑫,等. 深度学习框架下的红外与可见光图像融合方法综述[J/OL]. 计算机工程与应用,1-19.(2025-01-23)[2025-02-25]. http://kns.cnki.net/kcms/detail/11.2127.TP.20250122.1601.007.html.
[19] 邢长达,汪美玲,徐雍倡,等. 具有分类器机制的高光谱图像特征提取方法[J]. 遥感学报,2024,28(2):511-527.
[20] 赵明钧,程英蕾,秦先祥,等. 基于模型微调与AM-Softmax的极化SAR图像分类[J]. 空军工程大学学报,2022,23(5):36-43.

[1]	张大弛, 杨士伟, 丰顺强, 姚狄, 辛昊阔, 肖白. 基于MTF-PSO-CNN的电能质量扰动分类方法[J]. 湖南电力, 2025, 45(3): 103-111.
[2]	莫剑, 张振, 张军, 张弘强. 水工建筑物水下巡检及检测作业平台研发[J]. 湖南电力, 2025, 45(3): 141-146.
[3]	杨芳僚, 黄鑫, 谭鸿志, 闵琦, 祝视, 燕磊. 基于信息融合与一维卷积神经网络的光伏电站传感器健康状态评估方法[J]. 湖南电力, 2024, 44(3): 105-113.
[4]	李振华, 李浩, 黄景光, 张磊, 吴琳. 基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究[J]. 湖南电力, 2022, 42(4): 18-22.

多设备融合的水工建筑物水下检测技术

Underwater Detection Technology of Hydraulic Structure With Multi-Equipment Integration

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 4

编辑推荐

Metrics

本文评价