-
重慶沙坪壩區融匯溫泉城童話里D區5棟1905
-
cqzhongrui160322@163.com
-
王總： 13708368233
排水管道缺陷檢測發展現狀及展望
來源：www.shzsy.cn 發布時間：2023年06月05日
國內外發展環境與趨勢
排水系統發展趨勢
排水系統是收集、輸送、處理和排放城市污水和雨水的工程設施系統，是城市基礎設施的重要組成部分，承擔著城市污水的收集輸送職能，其運行狀況直接影響到城市的生產和生活環境。
隨著國民經濟水平提升背景下，整體污水排放量持續增長，截止2020年我國污水排放已達到571.4億立方米，而排水管道的建立是污水排放的基本設施，隨著待處理運輸污水持續增長，我國排水管道整體需求將持續增長。
就我國城市排水管道長度而言，隨著國家推動基建逐步完善，加之老舊小區改造等持續推進驅動，我國城市排水管道長度保持持續增長趨勢。根據數據顯示，我國排水管道長度從2012年的43.9萬公里增長至2020年的80.3萬公里。
2009-2021年全國排水管網規模及增速
管道問題與檢測技術
大多數城市的市政排水管道已有幾十年的歷史，有些管道的使用年限甚至超過百年。隨著管道使用年限的增長，管段呈現出一些缺陷，例如管道變形、堵塞、滲漏、坍塌等。
針對城市排水管網各種不同的實際工況，通過封堵、導流和降水等措施，可以借助QV潛望鏡檢測、CCTV視頻檢測、聲納檢測等多種技術手段，為以下管道問題提供檢測報告并給出管道修復建議。
查找排水系統隱藏或被覆蓋的檢修井或去向不明管段；
查找和確定非法排放污水的源頭及接駁口；
對管路淤積、排水不暢等原因進行調查；
對管道的腐蝕、破損、接口錯位、淤積、污水泄漏污染等進行檢測；
對管道結構缺陷和管道功能進行評估；
…
于目前對污水管網健康狀況的重要性認識不足，沒有形成規范有序的“預測—診斷—反饋”流程。對于污水管道的檢測多處于地毯式的盲目檢測階段，管道的修復工作也多是發生在可見的污水泄漏后被動式的搶修，造成極大的資源浪費和環境污染。為保障污水管網的健康穩定運行，需要建立科學、實用的方法對城鎮污水管網健康狀況進行評價，以了解污水管網運行現狀，為污水管網的檢測、修復以及養護提供理論依據。
排水管道檢測技術
CCTV檢測技術
CCTV檢測技術已經普遍用于管道狀態檢測，貫穿于管道施工、驗收、運營等各個階段，可用于雨水管道、污水管道、檢查井等的檢測。
該技術無法檢測出被水和淤泥覆蓋的地方，檢測開始之前，需要對排水管道進行必要的封堵，抽水和清洗工作，確保管內積水、積泥均不大于管道直徑的 20%，且水位、淤泥厚度均小于200mm。CCTV收集到的影像資料的質量及評估的準確性，在很大程度上取決于攝像機的規格、拍攝方向和位置，以及下水道的光照條件和背景噪聲。基于拍攝圖片和視頻的質量，一些微小裂縫并不能被判讀人員捕捉到，且缺陷檢測與判讀實踐的準確性很大程度上會受到工作人員的經驗和技能水平的影響。
激光檢測技術
激光管道檢測技術是近幾年來新出現的一種管道無損檢測技術，從激光檢測技術延伸出了很多新的檢測方法，包括激光全息、激光超聲、激光散斑和激光輪廓測量技術。
激光檢測技術主要用于檢測管道的幾何形變、表面裂紋、斷裂等結構性缺陷，能夠相對準確地定位管線和識別管道缺陷的基本形狀。
激光傳感器在完全黑暗的環境中工作效率最高，因為黑暗條件下激光束可以保持較高的對比度，但也為操作人員操縱和控制機器帶來了困難。在黑暗環境中，一些微小裂縫很容易被忽略，而且激光檢測不到水的流入或流出。此外，表面粗糙度會降低光信號，從而影響檢測結果。
潛望鏡檢測技術
潛望鏡檢測技術又稱QV(quickview)檢測，是一種快速檢測技術。QV檢測是利用可調節長度的操作桿攜帶高清探頭放入檢查井中，通過變焦和俯仰調節功能，能夠清晰地捕捉管道內部信息并形成錄像。
QV檢測的探測距離較短，且不能檢測水面以下的管道狀況，但可以識別排水管道水面以上的大部分缺陷。在實際應用中，QV檢測多與CCTV檢測技術配合使用，用于檢測短距離管道或獨立的檢查井等管道附屬構筑物。
其他技術
紅外熱成像檢測技術是利用管道內的紅外線源和紅外線掃描器來產生管道的溫度圖，因此，它主要根據管道的內表面溫度來收集缺陷信息。用紅外熱成像技術檢測管道時，紅外線源會使管道內的溫度升高，由于排水管道內物質較為復雜，管道溫度升高容易引發管道事故。
超聲波檢測通過產生高頻，短波長的超聲波脈沖來檢測管道缺陷，管道材料與缺陷之間存在聲學上的差異，通過觀察反射波的波形特征可以判斷管道缺陷的尺寸和形狀。超聲波檢測技術主要被用來檢測壓力管道的焊縫問題，但與激光檢測一樣，當檢測物表面較粗糙時，反射波信號就會被減弱，從而影響檢測結果。
探地雷達是利用電磁穿透地面，探測埋在地下的管道和周圍土層。探地雷達是一種無損檢測技術，主要用于淺層地下管線的普查，可以探查排水管道是否存在暗管和暗溝問題。由于制造污水管的黏土、混凝土和塑料等材料的相對介電常數接近空氣，這就導致探地雷達技術在檢測此類管道時有難度。
表1 排水管道檢測技術對比
管道缺陷分析技術
隨著CCTV機器人、QV等基礎設施視覺檢測技術的廣泛發展和應用，在檢測過程中會產生大量的檢測圖像或視頻，用人工來分類和判讀這些影像資料，效率低且不準確。目前，很多研究學者基于計算機視覺和圖像處理技術提出了自動化缺陷判讀技術，尤其是最新提出的深度學習技術，在管道缺陷識別及分析方面具有較好的應用前景。
傳統計算機視覺和圖像處理基礎
計算機視覺是指計算機或機器像人類一樣從數字圖像中獲取信息。計算機視覺方法的應用一般包括圖像預處理、圖像分割、特征提取、目標識別和結構分析等。傳統的計算機視覺技術被用于CCTV圖像的自動判讀，這一過程需要大量的圖像預處理和復雜特征提取器的設計，如對污水管道圖像進行特征提取和分類。
傳統計算機視覺技術也遇到了很多問題，如低分辨率和噪聲視頻的處理，圖像失真與結構運動及光照和拍攝距離的影響。在管道缺陷識別領域，傳統的計算機視覺技術面臨兩個最主要的問題，其一是需要設計一個特定任務的復雜特征提取器;其二是在準備訓練數據集時需要大量的圖像預處理，訓練過程煩瑣。此外，目前的研究主要集中在識別和檢索單個缺陷(如裂紋)，對其他常見的缺陷(如樹根入侵和滲透)的自動識別與定位的研究很有限。
其他技術
近年來，出現了一種圖像分類的深度學習算法，其中卷積神經網絡(convolutional neural net-works，CNNs)的應用最為廣泛。
CNNs模型通常是通過輸入圖像的卷積、激活和極化等網絡層進行特征提取，然后通過完全連接層進行分類，之后輸出每個類的預測分數。每個網絡層有不同的功能，并使用前一層的結果作為輸入端。
CNNs的運行程序一般包括:①從原始圖像中提取特征;②使用初始隨機權重和偏差分配的過濾器來預測類別，將特征向前傳遞;③計算預測分數與真實值之間的誤差;④通過反向傳播不斷調整濾波器的權值和偏置，最終得到最 優類別。
與傳統的計算機視覺和圖像處理技術相比，CNNs是通過訓練學習提取圖像的特征，因此需要較少的圖像預處理，不需要用專業人員設計復雜的特征提取器。近年來，CNNs在圖像分類、目標識別和定位等方面具有良好的應用前景。然而，CNNs在管道檢測方面的應用還處于初始階段，使用CNNs進行排水管道缺陷檢測的研究也很有限。
總的來說，CCTV、QV是最成熟穩定的檢測方式，也是廣受認可的方式。CCTV和QV檢測分為外業和內業兩個環節。外業技術成熟，是指作業人員操作機器人獲取檢測視頻。內業是指管道缺陷判讀和評估，完全依賴作業人員的豐富經驗及工作狀態，存在主觀性強、容易視疲勞、易導致錯判和誤判，判讀標準因人而異、判讀一致性差等問題。鑒于此，亟需對管道缺陷分析技術進行進一步研究，以提高內業效率與準確率。
未來發展方向及展望
“十四五”時期，我國已進入“后黑臭河道時代”，管網問題亦成為“十四五”污水治理的重點，可以預見，此后我國排水管網檢測診斷工作項目數量與投入金額將會出現持續增長的現象。隨著與海綿城市建設、黑臭水體治理、污水處理提質增效、內澇治理等相關政策的陸續發布，排水管網評估、檢測、診斷工作擁有廣闊的發展前景。
CCTV管道機器人檢測方法已經相對成熟，其后期圖像資料的判讀可以借助于計算機視覺和深度學習等圖像處理技術。結合CCTV與自動化缺陷識別技術，將可能實現排水管道檢測領域的全自動化，為排水管網資產管理與狀態評估奠定堅實的基礎，這也將成為排水管道檢測領域的主要發展方向。
但目前管道缺陷的自動化缺陷識別仍處于發展階段，技術還不是十分成熟。利用計算機視覺和深度學習等圖像處理技術檢測管道缺陷的準確性與前期訓練模型的數據類型和參數息息相關，雖然已有一些建立好的數據庫用于模型訓練，但由于排水管道缺陷類型的相似性和復雜性，數據庫仍然要不斷擴大和優化，建立全面的用于模型訓練的數據庫將是實現排水管網缺陷自動化檢測的主要難點。
此外，目前提出的自動化缺陷檢測方法僅適用于靜態圖像的處理，考慮到大量檢測視頻的積累，在未來的研究中，對視頻資料的轉化和處理也將成為實現管道缺陷自動化檢測的另一個重點和難點。
本文來源智制治水人公眾號
上一條
小區地下管道漏水檢測常用方法
下一條
住建局提前部署 ：疏通清理管網 消除防汛隱患
返回列表
版權聲明：本網站所刊內容未經本網站及作者本人許可，不得下載、轉載或建立鏡像等，違者本網站將追究其法律責任。 本網站所用文字圖片部分來源于公共網絡或者素材網站，凡圖文未署名者均為原始狀況，但作者發現后可告知認領， 我們仍會及時署名或依照作者本人意愿處理，如未及時聯系本站，本網站不承擔任何責任。備案號：渝ICP備2021002381號-1
渝公網安備 50010602503057號