CN111507300B - 一种保护区内打桩、钻探行为的快速识别方法 - Google Patents

一种保护区内打桩、钻探行为的快速识别方法 Download PDF

Info

Publication number
CN111507300B
CN111507300B CN202010336388.8A CN202010336388A CN111507300B CN 111507300 B CN111507300 B CN 111507300B CN 202010336388 A CN202010336388 A CN 202010336388A CN 111507300 B CN111507300 B CN 111507300B
Authority
CN
China
Prior art keywords
image
piling
drilling
area
behaviors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010336388.8A
Other languages
English (en)
Other versions
CN111507300A (zh
Inventor
刘学增
刘新根
陈莹莹
赵大伟
刘笑娣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Original Assignee
SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD filed Critical SHANGHAI TONGYAN CIVIL ENGINEERING TECHNOLOGY CO LTD
Priority to CN202010336388.8A priority Critical patent/CN111507300B/zh
Publication of CN111507300A publication Critical patent/CN111507300A/zh
Application granted granted Critical
Publication of CN111507300B publication Critical patent/CN111507300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Emergency Alarm Devices (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种保护区内打桩、钻探行为的快速识别方法，主要解决现有隧道、管廊等地下工程的地面保护区内打桩、钻探行为监管不及时、不全面等问题。本发明技术方案包括保护区监控区域内的视频影像和振动数据采集系统，还包括步骤：S1、基于视频图像和固定图像特征区域进行保护区边界半自动划定；S2、基于视频图像，通过图像目标检测算法对区域内的移动物体进行动态监测，并进行打桩、钻探机械侵入初步判定；S3、基于振动信号快速识别保护区打桩、钻探作业行为；S4、基于视频图像和振动信号的打桩、钻探作业行为综合判定和定位；S5、打桩、钻探行为告警信息远程发送及监控点识别自适应学习进化；S6、重复步骤S1（3）、步骤S2、步骤S3、步骤S4、步骤S5，可实现保护区打桩、钻探行为的持续监测。

Description

一种保护区内打桩、钻探行为的快速识别方法
技术领域
本发明涉及保护区内打桩、钻探行为的识别，特别是公开一种运营隧道、管廊等地下工程的地面保护区内打桩、钻探行为的快速识别方法，应用于保护区安全监控领域。
背景技术
为保护隧道、管廊、地下管道等地下隐蔽工程结构的正常使用和安全，常会在其结构及周边的特定范围内设置控制和保护区域，在保护区内严禁从事打桩、钻探、挖掘等大型机械作业活动。尽管有法律条例明文规定，但由于地下工程的隐蔽性，因保护区内打桩、钻探等大型机械作业导致地下结构受损的事件时有发生，给地下工程带来巨大安全隐患，并易造成重大的经济社会影响。
目前人工巡查、警示标识、视频监控等传统的监控手段已逐渐满足不了行业需要，迫切需要一种智能化、自动化的监控手段。不少学者也开展了相关研究，中国专利申请公布号CN 109272052A提出了一种地下构筑物周边桩基施工防侵入智能识别系统及方法，在待监测的结构上预埋设监测传感器，通过采集的振动信号进行分析识别，判定是否有桩基侵入行为并发出预警，该方法须事先在结构上预埋监测传感器，属离散点被动式监测，不能对一定区域内进行监测，且难以判定侵入行为是否在监控范围内。南开大学闫湖的硕士学位论文《土壤振动信号在线分析与识别技术研究》中提出了基于土壤振动信号分析与识别的周界预警与智能感知方法体系，通过对振动信号处理分析识别振动事件，但存在难以定位或定位不准确问题。此外，还有不少学者基于光纤探测技术，通过信号处理和智能分析，实现地下管道、隧道结构的安全监测，监测参数丰富，但须提前在需保护的结构沿线布设光纤、单根光纤有效监测半径一般不超过4米，整个系统部署困难，维护成本较高，且一些城市轨道交通等保护区本身严禁开挖作业，后期难以增布设光纤，故光纤探测技术难以满足已运营隧道、管廊等工程保护区大范围监测需求。
综上，迫切需要一种新型的远程化、自动化、高精度定位的保护区内打桩、钻探行为快速识别方法。
发明内容
本发明的目的是设计一种保护区内打桩、钻探行为的识别方法，主要解决保护区内打桩、钻探行为监管不及时、难以追踪定位的技术问题。本发明能快速准确地识别保护区内打桩、钻探的违规作业行为并及时发出告警信息，实现远程信息化、自动化监测，有效提升保护区监控技术水平。
本发明是这样实现的：一种保护区内打桩、钻探行为的快速识别方法，包括保护区监控区域内的视频影像和振动数据采集系统，其特征在于，还包括以下步骤：
S1、基于视频图像和固定图像特征区域进行保护区边界半自动划定。即利用像素大小为N×M的矩形框，标注截取视频图像中的边界转折点、特征图像的区域，计算截图几何中心并连线，并结合特征图像的自动识别，实现监控点摄像机动态拍摄时基于视频图像和固定图像特征区域的保护区边界半自动划定。
所述步骤S1的具体操作如下：
（1） 待监控点摄像机安装好后，从采集的视频中提取一帧图像，图像记为
Figure DEST_PATH_IMAGE001
，利用像素大小为N×M的矩形框，在图像上于保护区实际边界的转折点上按顺时针或逆时针顺序标出，并截图保存，各边界转点区域截图图集记为
Figure 33322DEST_PATH_IMAGE002
；
（2） 在图像
Figure 950462DEST_PATH_IMAGE001
中，分别计算出各截图
Figure 667882DEST_PATH_IMAGE002
的中心点像素坐标，各中心点集记为
Figure DEST_PATH_IMAGE003
，利用直线段将各中心点依次相连，并与图像
Figure 775DEST_PATH_IMAGE001
的边界一起将图像
Figure 815147DEST_PATH_IMAGE001
进行区域分割；
（3） 利用像素大小为N×M的矩形框在图像
Figure 575292DEST_PATH_IMAGE001
中，将位于保护区内的显著图像特征区域标出，并截图保存，各特征图像截图记为
Figure 278544DEST_PATH_IMAGE004
，位于保护区内的图像区域记为
Figure DEST_PATH_IMAGE005
；
（4） 保存保护区图像区域边界特征信息，包括边界转点区域截图图集
Figure 415127DEST_PATH_IMAGE002
、中心点集
Figure 21689DEST_PATH_IMAGE003
坐标及特征图像截图
Figure 952736DEST_PATH_IMAGE004
。
进一步地，当监控点摄像机拍摄范围变动后，可通过上述的图集
Figure 707065DEST_PATH_IMAGE002
和截图
Figure 880296DEST_PATH_IMAGE004
进行图像特征自动识别匹配，即可快速重构保护区图像边界和保护区域标定。
、基于视频图像，通过图像目标检测算法对区域内的移动物体进行动态监测，并进行打桩、钻探机械侵入初步判定。即基于视频图像，通过图像目标检测算法对区域内的移动物体进行动态监测，计算移动物体区域外接矩形，通过外接矩形的高宽比和宽度与设定阈值的比较，对打桩、钻探机械侵入初步判定。
所述步骤S2的具体操作如下：
（1）获取视频中的图像帧记为
Figure 403681DEST_PATH_IMAGE006
，利用高斯低通滤波进行噪声去除和伽马变换进行图像增强，记为
Figure DEST_PATH_IMAGE007
；
（2）选用sobel边缘检测垂直算子和水平算子，分别获取图像水平方向和垂直方向的边界，同时利用边缘连接和区域生长将边界图进行填充，分别记为
Figure 771208DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
；
（3）对图像进行分割：若采集的图像为灰度图像，则利用基于kmeans聚类的图像分割方法获取目标区域；若采集的图像为彩色图像，则将图像变换到HSV空间，设定打桩、钻探机械设备的H、S分量的阈值[H1,H2]、[S1,S2]……，对图像进行分割，获取目标区域
Figure 888200DEST_PATH_IMAGE010
，并计算目标区域
Figure 163323DEST_PATH_IMAGE010
的中心点位置，记为
Figure DEST_PATH_IMAGE011
；
（4）对于图像
Figure 243013DEST_PATH_IMAGE009
中包含利用边缘检测算子获取的区域，保留
Figure 515862DEST_PATH_IMAGE009
的区域；否则，保留
Figure 244784DEST_PATH_IMAGE010
中相关区域，将两个区域进行结合，得到修正的分割图像，记为
Figure 261281DEST_PATH_IMAGE012
；
（5）对二值图像
Figure 759259DEST_PATH_IMAGE012
进行小区域去除后，利用hough直线检测进行检测，对于长度L>
Figure DEST_PATH_IMAGE013
、角度
Figure 904807DEST_PATH_IMAGE014
的直线进行保留，其他区域进行剔除后的图像，记为
Figure DEST_PATH_IMAGE015
；
（6）获取图像
Figure 793129DEST_PATH_IMAGE015
中的每个区域的外接矩形，计算高度
Figure 675634DEST_PATH_IMAGE016
和宽度
Figure DEST_PATH_IMAGE017
的比值
Figure 965801DEST_PATH_IMAGE018
，若
Figure DEST_PATH_IMAGE019
且
Figure 282251DEST_PATH_IMAGE020
，则初步判定此区域有打桩、钻探机械侵入，式中
Figure DEST_PATH_IMAGE021
、
Figure 657868DEST_PATH_IMAGE022
为预设定的阈值，其取值与监控点摄像机安装高度和拍摄范围有关。
如果初步判定保护区内有打桩、钻探机械侵入则进入下一步，否则持续步骤S2。
、基于快速识别振动信号保护区打桩、钻探作业行为。即利用监控点处时程记录仪及预埋设的加速度传感器对保护区内的振动信号进行采集和分析，通过机器学习方法，对打桩、钻探作业行为快速识别。
所述步骤S3的具体操作如下：
（1）当通过视频图像初步识别保护区内有打桩或钻探机械作业时，启动监控点处时程记录仪及预埋设的加速度传感器，开始对保护区监控范围的土层振动信号进行采集，采集信号通过线缆传输至监控点主控电脑中；
（2）监控点主控电脑自动对采集的信号进行预处理，包括振动信号与非振动信号分割、振动信号去噪与增强等，剔除非振动信号，以减少后续数据处理量；
（3）通过经大量正样本训练完成的多层次神经网络结构机器学习模型，对经预处理后的振动信号进行机器学习，对保护区内的打桩、钻探作业行为进一步辨识。
、基于视频图像和振动信号的打桩、钻探作业行为综合判定和定位。即基于视频图像和振动信号的打桩、钻探作业行为综合判定和定位，利用振动信号的时长或次数判定打桩、钻探作业行为，通过目标图像区域与实际成像区域的对应关系进行目标物定位。
所述步骤S4的具体操作如下：
当视频图像识别的打桩、钻探机械位于保护区处于静止状态，且采集到打桩、钻探振动信号持续时长超过15秒或单个完整振动信号次数超过5次，则判定为保护区存在打桩、钻探作业行为。
进一步，依据步骤S2（3）中确定的目标区域
Figure 78485DEST_PATH_IMAGE010
的中心点位置
Figure 488738DEST_PATH_IMAGE011
，并结合图像区域与实际成像区域的对应关系，可精确确定打桩、钻探机械所处位置，定位精度不低于1米。
、打桩、钻探行为告警信息远程发送及监控点识别自适应学习进化。
所述步骤S5的具体操作如下：
打桩、钻探行为告警信息包括监测点编号、监测点地址、监测点负责人姓名、监测点负责人电话、打桩钻探作业图片、作业时间、振动频谱图、风险等级等信息，告警信息通过有线或无线网络发送至管理人员。
进一步地，后台管理人员收到告警信息后，可通过后台控制平台或移动终端，查看相应监控点视频，对打桩、钻探行为进行人工确定。
进一步地，对人工确定的打桩、钻探行为，通过后台向监控点发出确定指令和备注信息，监控点主控电脑自动将之前采集的且已确定为打桩钻探振动信号作为正样本加入机器学习模型中，通过增量学习模块，并结合视频识别结果和备注信息，实现监控点处打桩、钻探行为机器学习模型的自适应、自学习、自标识功能，进一步提高不同机械、地质、气候、环境条件下监控点处打桩、钻探行为的识别准确度。
、重复步骤S1（3）、步骤S2、步骤S3、步骤S4、步骤S5，可实现保护区打桩、钻探行为的持续监测。
本发明的有益效果是：
（1） 本发明基于视频图像和固定图像特征区域进行保护区边界半自动划定，可自动重构修正摄像机拍摄范围变动后的保护区图像边界，减少行为判定的误报和漏报率。
（2） 本发明通过视频图像进行初步评定，初判定后利用振动信号进一步识别保护区打桩、钻探行为，通过静动结合探测方式可提高行为判别的准确性，又可极大的减少振动信号采集和处理的工作量，显著提升了打桩、钻探行为识别效率。
（3） 本发明监控点基于机器学习进行振动信号类型识别，并结合图像识别和人工复核结果进行自适应、自学习、自标识进化，可提高不同机械、地质、气候、环境条件下监控点处打桩、钻探行为的识别准确度。
附图说明
图1 是本发明方法的操作步骤流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示，一种保护区内打桩、钻探行为的快速识别方法，包括保护区监控区域内的视频影像和振动数据采集系统，其特征在于，还包括以下步骤：
S1、基于视频图像和固定图像特征区域进行保护区边界半自动划定。
所述步骤S1的具体操作如下：
（1） 待监控点摄像机安装好后，从采集的视频中提取一帧图像，图像记为
Figure 602188DEST_PATH_IMAGE001
，利用像素大小为60×50的矩形框，在图像上于保护区实际边界的转折点上按顺时针或逆时针顺序标出，并截图保存，各边界转点区域截图图集记为
Figure 465101DEST_PATH_IMAGE002
；
（2） 在图像
Figure 689409DEST_PATH_IMAGE001
中，分别计算出各截图
Figure 187124DEST_PATH_IMAGE002
的中心点像素坐标，各中心点集记为
Figure 409158DEST_PATH_IMAGE003
，利用直线段将各中心点依次相连，并与图像
Figure 821685DEST_PATH_IMAGE001
的边界一起将图像
Figure 787367DEST_PATH_IMAGE001
进行区域分割；
（3） 利用像素大小为60×50的矩形框在图像
Figure 968950DEST_PATH_IMAGE001
中，将位于保护区内的显著图像特征区域标出，并截图保存，各特征图像截图记为
Figure 96306DEST_PATH_IMAGE004
，位于保护区内的图像区域记为
Figure 996129DEST_PATH_IMAGE005
；
（4） 保存保护区图像区域边界特征信息，包括边界转点区域截图图集
Figure 998457DEST_PATH_IMAGE002
、中心点集
Figure 300126DEST_PATH_IMAGE003
坐标及特征图像截图
Figure 598383DEST_PATH_IMAGE004
。
进一步地，当监控点摄像机拍摄范围变动后，可通过上述的图集
Figure 923185DEST_PATH_IMAGE002
和截图
Figure 292987DEST_PATH_IMAGE004
进行图像特征自动识别匹配，即可快速重构保护区图像边界和保护区域标定。
S2、基于视频图像，通过图像目标检测算法对区域内的移动物体进行动态监测，并进行打桩、钻探机械侵入初步判定。
（1）获取视频中的图像帧记为
Figure 121265DEST_PATH_IMAGE006
，利用高斯低通滤波进行噪声去除和伽马变换进行图像增强，记为
Figure 918320DEST_PATH_IMAGE007
；
OpenCV图像高斯滤波函数：
void GaussianBlur( InputArray src, OutputArray dst, Size ksize,double sigmaX, double sigmaY = 0, int borderType = BORDER_DEFAULT );
（2）选用sobel边缘检测垂直算子和水平算子，分别获取图像水平方向和垂直方向的边界，同时利用边缘连接和区域生长将边界图进行填充，分别记为
Figure 963374DEST_PATH_IMAGE008
和
Figure 136867DEST_PATH_IMAGE009
；
（3）对图像进行分割：若采集的图像为灰度图像，则利用基于kmeans聚类的图像分割方法获取目标区域；若采集的图像为彩色图像，则将图像变换到HSV空间，设定打桩、钻探机械设备的H、S分量的阈值：对于橘色和黄色，H∈[0,0.2]，S∈[0.6,0.9],绿色，H∈[0.45,0.5]，S∈[0.3,0.7]，红色，H∈[0.9,1.0]，S∈[0.7,1.0]。对图像进行分割，获取目标区域
Figure 85231DEST_PATH_IMAGE010
，并计算目标区域
Figure 990870DEST_PATH_IMAGE010
的中心点位置，记为
Figure 87002DEST_PATH_IMAGE011
；
（4）对于图像
Figure 736289DEST_PATH_IMAGE009
中包含利用边缘检测算子获取的区域，保留
Figure 601477DEST_PATH_IMAGE009
的区域；否则，保留
Figure 176553DEST_PATH_IMAGE010
中相关区域，将两个区域进行结合，得到修正的分割图像，记为
Figure 759981DEST_PATH_IMAGE012
；
（5）对二值图像
Figure 947380DEST_PATH_IMAGE012
进行小区域去除后，利用hough直线检测进行检测，对于长度L>
Figure DEST_PATH_IMAGE023
、角度
Figure 870336DEST_PATH_IMAGE024
的直线进行保留，其他区域进行剔除后的图像，记为
Figure 117778DEST_PATH_IMAGE015
；
（6）获取图像
Figure 188502DEST_PATH_IMAGE015
中的每个区域的外接矩形，计算高度
Figure 678127DEST_PATH_IMAGE016
和宽度
Figure 517907DEST_PATH_IMAGE017
的比值
Figure 936250DEST_PATH_IMAGE018
，若
Figure 228691DEST_PATH_IMAGE019
且
Figure 23472DEST_PATH_IMAGE020
，则初步判定此区域有打桩、钻探机械侵入，式中
Figure 655441DEST_PATH_IMAGE021
、
Figure 307003DEST_PATH_IMAGE022
为预设定的阈值，其取值与监控点摄像机安装高度和拍摄范围有关，
Figure 811975DEST_PATH_IMAGE021
值域范围2.0~5.0，
Figure 207184DEST_PATH_IMAGE022
的阈值范围为10~15。
如果初步判定保护区内有打桩、钻探机械侵入则进入下一步，否则持续步骤S2。
S3、基于振动信号快速识别保护区打桩、钻探作业行为。
所述步骤S3的具体操作如下：
（1）当通过视频图像初步识别保护区内有打桩或钻探机械作业时，启动监控点处时程记录仪及预埋设的加速度传感器，开始对保护区监控范围的土层振动信号进行采集，采集信号通过线缆传输至监控点主控电脑中；
（2）监控点主控电脑自动对采集的信号进行预处理，包括振动信号与非振动信号分割、振动信号去噪与增强等，剔除非振动信号，以减少后续数据处理量；
（3）通过经大量正样本训练完成的多层次神经网络结构机器学习模型，对经预处理后的振动信号进行机器学习，对保护区内的打桩、钻探作业行为进一步辨识。
S4、基于视频图像和振动信号的打桩、钻探作业行为综合判定和定位。
当视频图像识别的打桩、钻探机械位于保护区处于静止状态，且采集到打桩、钻探振动信号持续时长超过15秒或单个完整振动信号次数超过5次，则判定为保护区存在打桩、钻探作业行为。
进一步，依据步骤S2（3）中确定的目标区域
Figure 693660DEST_PATH_IMAGE010
的中心点位置
Figure 781702DEST_PATH_IMAGE011
，并结合图像区域与实际成像区域的对应关系，可精确确定打桩、钻探机械所处位置，定位精度不低于1米。
S5、打桩、钻探行为告警信息远程发送及监控点识别自适应学习进化。
打桩、钻探行为告警信息包括监测点编号、监测点地址、监测点负责人姓名、监测点负责人电话、打桩钻探作业图片、作业时间、振动频谱图、风险等级等信息，告警信息通过有线或无线网络发送至管理人员；
//告警信息数据结构体
struct AlarmInformation
{
int nID; //监测点编号
CString strAddress; //监测点地址
CString strManager; //监测点负责人姓名
CString strMgrTel; //监测点负责人电话
CString strJPGPath; //打桩钻探作业图片
DATE nWorkTime; //作业时间
CString strVibSpePath; //振动频谱图
int nSickGrade; //风险等级
};
告警的风险等级依据监控点地质条件、保护对象重要性、机械作业类型、机械作业点距保护对象距离综合评定；
进一步地，后台管理人员收到告警信息后，可通过后台控制平台或移动终端，查看相应监控点视频，对打桩、钻探行为进行人工确定。
进一步地，对人工确定的打桩、钻探行为，通过后台向监控点发出确定指令和备注信息，监控点主控电脑自动将之前采集的且已确定为打桩钻探振动信号作为正样本加入机器学习模型中，通过增量学习模块，并结合视频识别结果和备注信息，实现监控点处打桩、钻探行为机器学习模型的自适应、自学习、自标识功能，进一步提高不同机械、地质、气候、环境条件下监控点处打桩、钻探行为的识别准确度。
S6、重复步骤S1（3）、步骤S2、步骤S3、步骤S4、步骤S5，可实现保护区打桩、钻探行为的持续监测。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由本发明的权利要求书所要求的保护范围内。

Claims (4)

1.一种保护区内打桩、钻探行为的快速识别方法，包括地下工程的地面保护区监控区域内的视频影像和振动数据采集系统，其特征在于，还包括以下步骤：
S1、利用像素大小为N×M的矩形框，标注截取视频图像中的边界转折点、特征图像的区域，计算截图几何中心并连线，并结合特征图像的自动识别，具体操作如下：
（1） 待监控点摄像机安装好后，从采集的视频中提取一帧图像，图像记为I O ，利用像素大小为N×M的矩形框，在图像上于保护区实际边界的转折点上按顺时针或逆时针顺序标出，并截图保存，各边界转点区域截图图集记为I m ；
（2） 在图像I O 中，分别计算出各截图I m 的中心点像素坐标，各中心点集记为
Figure 511212DEST_PATH_IMAGE003
，利用直线段将各中心点依次相连，并与图像I O 的边界一起将图像I O 进行区域分割；
（3） 利用像素大小为N×M的矩形框在图像I O 中，将位于保护区内的显著图像特征区域标出，并截图保存，各特征图像截图记为I b ，位于保护区内的图像区域记为
Figure 987881DEST_PATH_IMAGE005
；
（4） 保存保护区图像区域边界特征信息，包括边界转点区域截图图集I m 、中心点集
Figure 587807DEST_PATH_IMAGE003
坐标及特征图像截图I b ；
S2、基于视频图像，通过图像目标检测算法对区域内的移动物体进行动态监测，计算移动物体区域外接矩形，通过外接矩形的高宽比和宽度与设定阈值的比较，对打桩、钻探机械侵入初步判定；具体操作如下：
（1）获取视频中的图像帧记为I i ，利用高斯低通滤波进行噪声去除和伽马变换进行图像增强，记为I e ；
（2）选用sobel边缘检测垂直算子和水平算子，分别获取图像水平方向和垂直方向的边界，同时利用边缘连接和区域生长将边界图进行填充，分别记为I x 和I y ；
（3）对图像进行分割：若采集的图像为灰度图像，则利用基于kmeans聚类的图像分割方法获取目标区域；若采集的图像为彩色图像，则将图像变换到HSV空间，设定打桩、钻探机械设备的H、S分量的阈值[H1,H2]、[S1,S2]……，对图像进行分割，获取目标区域I s ，并计算目标区域I s 的中心点位置，记为P S ；
（4）对于图像I y 中包含利用边缘检测算子获取的区域，保留I y 的区域；否则，保留I S 中相关区域，将两个区域进行结合，得到修正的分割图像，记为I r ；
（5）对二值图像I r 进行小区域去除后，利用hough直线检测进行检测，对于长度L>Lth、角度
Figure DEST_PATH_IMAGE014
的直线进行保留，其他区域进行剔除后的图像，记为I i ；
（6）获取图像I i 中的每个区域的外接矩形，计算高度
Figure DEST_PATH_IMAGE016
和宽度
Figure 538555DEST_PATH_IMAGE017
的比值
Figure DEST_PATH_IMAGE018
，若k ＞k th 且W＞W th ，则初步判定此区域有打桩、钻探机械侵入，式中k th 、W th 为预设定的阈值，其取值与监控点摄像机安装高度和拍摄范围有关；
如果初步判定保护区内有打桩、钻探机械侵入则进入下一步，否则持续步骤S2；
S3、利用监控点处时程记录仪及预埋设的加速度传感器对保护区内的振动信号进行采集和分析，通过机器学习方法，对打桩、钻探作业行为快速识别；具体操作如下：
（1）当通过视频图像初步识别保护区内有打桩或钻探机械作业时，启动监控点处时程记录仪及预埋设的加速度传感器，开始对保护区监控范围的土层振动信号进行采集，采集信号通过线缆传输至监控点主控电脑中；
（2）监控点主控电脑自动对采集的信号进行预处理，包括振动信号与非振动信号分割、振动信号去噪与增强等，剔除非振动信号，以减少后续数据处理量；
（3）通过经大量正样本训练完成的多层次神经网络结构机器学习模型，对经预处理后的振动信号进行机器学习，对保护区内的打桩、钻探作业行为进一步辨识；
S4、基于视频图像和振动信号的打桩、钻探作业行为综合判定和定位，利用振动信号的时长或次数判定打桩、钻探作业行为，通过目标图像区域与实际成像区域的对应关系进行目标物定位；具体操作如下：
当视频图像识别的打桩、钻探机械位于保护区处于静止状态，且采集到打桩、钻探振动信号持续时长超过15秒或单个完整振动信号次数超过5次，则判定为保护区存在打桩、钻探作业行为；
S5、打桩、钻探行为告警信息远程发送及监控点智能识别自适应学习进化；
S6、重复步骤S1的标注截取视频图像中特征图像的区域、步骤S2、步骤S3、步骤S4、步骤S5，可实现保护区打桩、钻探行为的持续监测。
2.根据权利要求1所述一种保护区内打桩、钻探行为的快速识别方法，其特征在于，当监控点摄像机拍摄范围变动后，通过图集I m 和I b 截图进行图像特征自动识别匹配，即可快速重构保护区图像边界和保护区域标定。
3.根据权利要求1所述一种保护区内打桩、钻探行为的快速识别方法，其特征在于，依据步骤S2（3）中确定的目标区域I S 的中心点位置P S ，并结合图像区域与实际成像区域的对应关系确定所述打桩、钻探作业行为所处位置。
4.根据权利要求1所述一种保护区内打桩、钻探行为的快速识别方法，其特征在于，所述步骤S5的具体操作如下：
打桩、钻探行为告警信息包括监测点编号、监测点地址、监测点负责人姓名、监测点负责人电话、打桩钻探作业图片、作业时间、振动频谱图、风险等级等信息，告警信息通过有线或无线网络发送至管理人员；对人工确定的打桩、钻探行为，通过后台向监控点发出确定指令和备注信息，监控点主控电脑自动将之前采集的且已确定为打桩钻探振动信号作为正样本加入机器学习模型中，通过增量学习模块，并结合视频识别结果和备注信息，实现监控点处打桩、钻探行为机器学习模型的自适应、自学习、自标识功能。
CN202010336388.8A 2020-04-26 2020-04-26 一种保护区内打桩、钻探行为的快速识别方法 Active CN111507300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010336388.8A CN111507300B (zh) 2020-04-26 2020-04-26 一种保护区内打桩、钻探行为的快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010336388.8A CN111507300B (zh) 2020-04-26 2020-04-26 一种保护区内打桩、钻探行为的快速识别方法

Publications (2)

Publication Number Publication Date
CN111507300A CN111507300A (zh) 2020-08-07
CN111507300B true CN111507300B (zh) 2022-07-22

Family

ID=71871364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010336388.8A Active CN111507300B (zh) 2020-04-26 2020-04-26 一种保护区内打桩、钻探行为的快速识别方法

Country Status (1)

Country Link
CN (1) CN111507300B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113421407A (zh) * 2021-06-21 2021-09-21 国网电子商务有限公司 基于车载实时位置追踪的电缆防外破预警系统
CN113673485B (zh) * 2021-10-11 2021-12-31 常州市建筑科学研究院集团股份有限公司 基于机器视觉的静压桩施工远程监控方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110126784A (zh) * 2019-05-23 2019-08-16 广州小鹏汽车科技有限公司 一种汽车周边状况监控方法和系统
CN110378950A (zh) * 2019-06-18 2019-10-25 上海同岩土木工程科技股份有限公司 一种基于灰度和梯度融合的隧道结构裂缝识别方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102938179A (zh) * 2012-11-21 2013-02-20 北京佳讯飞鸿电气股份有限公司 周界防护系统和周界防护方法
CN103824406A (zh) * 2014-02-08 2014-05-28 上海波汇通信科技有限公司 基于光纤传感的隧道电缆入侵探测方法和系统
CN105931402B (zh) * 2016-06-27 2018-06-05 上海波汇科技股份有限公司 基于图像识别的光纤周界入侵监测方法
CN206820884U (zh) * 2017-05-03 2017-12-29 南京朗坤自动化有限公司 智能视频监控系统
CN107180504A (zh) * 2017-06-29 2017-09-19 广东电网有限责任公司佛山供电局 一种输电线路防大型机械破坏的图像识别预警系统及方法
CN108709633B (zh) * 2018-08-29 2020-05-05 中国科学院上海光学精密机械研究所 基于深度学习的分布式光纤振动传感智能安全监测方法
CN109765834A (zh) * 2019-03-21 2019-05-17 江苏亨通光纤科技有限公司 一种厂房综合监控系统和方法
CN110159199B (zh) * 2019-03-31 2020-05-05 精英数智科技股份有限公司 一种基于图像识别的煤矿探水钻孔定位方法
CN109989740B (zh) * 2019-04-10 2022-09-23 中煤科工集团西安研究院有限公司 基于多源信息融合的煤系地层钻进智能识别系统及其方法
CN110503793A (zh) * 2019-07-26 2019-11-26 北京讯腾智慧科技股份有限公司 一种基于人工智能的管道入侵自动预警方法、系统及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110126784A (zh) * 2019-05-23 2019-08-16 广州小鹏汽车科技有限公司 一种汽车周边状况监控方法和系统
CN110378950A (zh) * 2019-06-18 2019-10-25 上海同岩土木工程科技股份有限公司 一种基于灰度和梯度融合的隧道结构裂缝识别方法

Also Published As

Publication number Publication date
CN111507300A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN104535356B (zh) 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统
CN102348128B (zh) 具有摄像机异常检测装置的监视用摄像机系统
CN111507300B (zh) 一种保护区内打桩、钻探行为的快速识别方法
KR102112046B1 (ko) 시설물 안전진단 및 유지관리 방법
CN102496232B (zh) 一种输电设施监控方法及系统
CN106373426A (zh) 基于计算机视觉的停车位及违规占道停车监控方法
CN110929182A (zh) 一种智能采砂监控装置及其监控方法
CN111898563A (zh) 一种保护区安全综合监护装备与监护方法
CN108332927A (zh) 一种桥梁表面裂缝检测装置
CN102445453B (zh) 一种高速铁路线路护栏完整性自动检测装置及识别方法
CN110659546B (zh) 一种违法摊位检测方法及装置
CN110703760B (zh) 一种用于安防巡检机器人的新增可疑物体检测方法
CN112633722A (zh) 车载道路安全风险评估系统及方法
CN110728212B (zh) 一种基于计算机视觉的道路井盖监控装置及监控方法
CN112084892B (zh) 一种道路异常事件检测管理装置及其方法
CN111680610A (zh) 一种施工场景异常监测方法和装置
CN109635717A (zh) 一种基于深度学习的矿用行人检测方法
CN107977531A (zh) 一种基于图像处理和领域数学模型进行接地电阻软测量的方法
CN114494845A (zh) 一种用于施工项目现场人工智能隐患排查系统及其排查方法
CN109873990A (zh) 一种基于计算机视觉的矿山非法开采预警方法
JP3500425B2 (ja) 可視画像式路面状況把握装置における路面状況判定方法
CN112598865B (zh) 一种电缆线路防外力破坏的监控方法及系统
CN112784914B (zh) 一种基于云端处理的管廊视频智能属性检测方法及系统
CN112964192A (zh) 一种基于图像视频的工程测量在线标定方法及系统
CN113420810A (zh) 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant