CN112966885B - 坡面破坏模式概率预测方法、装置、设备及可读存储介质 - Google Patents
坡面破坏模式概率预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112966885B CN112966885B CN202110515726.9A CN202110515726A CN112966885B CN 112966885 B CN112966885 B CN 112966885B CN 202110515726 A CN202110515726 A CN 202110515726A CN 112966885 B CN112966885 B CN 112966885B
- Authority
- CN
- China
- Prior art keywords
- slope
- slope surface
- mode
- image
- probability
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000006378 damage Effects 0.000 claims abstract description 148
- 230000007704 transition Effects 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 description 30
- 239000011159 matrix material Substances 0.000 description 27
- 238000012544 monitoring process Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000005336 cracking Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了坡面破坏模式概率预测方法、装置、设备及可读存储介质，所述方法包括：获取每种边坡坡面破坏模式的历史图像、当前边坡坡面的图像和所述边坡坡面破坏模式之间的转移概率；根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间；基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式；根据所述当前边坡坡面所属的破坏模式和所述边坡坡面破坏模式之间的转移概率计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。本发明方法可实现快速、实时反馈边坡当前破坏模式，并能可靠地预测边坡经过一段时间后可能出现不同破坏模式的概率。
Description
技术领域
本发明涉及山地灾害技术领域，具体而言，涉及坡面破坏模式概率预测方法、装置、设备及可读存储介质。
背景技术
当前边坡安全性监测主要集中在边坡稳定性监测与边坡变形预测，而不能有效的预测边坡破坏发展过程中会出现那些破坏类型，更不能对边坡的破坏提供针对性的治理措施。边坡稳定性监测主要采用应力或应变传感器埋入边坡的方式，通过传感器的应力或应变变化判断边坡的稳定性，该方法成本高、生命周期短、人为误差大。当前的边坡变形预测主要采用神经网络的方法对已有数据进行训练、拟合与反演，进而预测边坡的变形值。但上述预测方法一是忽略了边坡破坏是一个逐渐发展的过程，不同的发展阶段可能出现不同的破坏模式；二是上述方法不能预测边坡的具体破坏模式，不能对边坡提供针对性的治理方案。
发明内容
本发明的目的在于提供坡面破坏模式概率预测方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了坡面破坏模式概率预测方法，所述方法包括：
获取每种边坡坡面破坏模式的历史图像、当前边坡坡面的图像和所述边坡坡面破坏模式之间的转移概率；
根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间；
基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式；
根据所述当前边坡坡面所属的破坏模式和所述边坡坡面破坏模式之间的转移概率计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
可选的，所述根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间，包括：
对所述每种边坡坡面破坏模式的历史图像进行灰度处理，得到第一图像集合；
对所述第一图像集合中的每张图像进行分形维数计算，得到每种边坡坡面破坏模式的维数值集合；
识别所述每种边坡坡面破坏模式的维数值集合中的最大值和最小值,将所述最大值和最小值之间的范围识别为所述每种边坡坡面破坏模式的维数值区间。
可选的，所述边坡坡面破坏模式之间的转移概率的计算，包括：
获取第二图像集合和第三图像集合，所述第二图像集合包括一时间段内若干个边坡坡面的最初图像，所述第三图像集合包括一时间段内所述若干个边坡坡面的最终图像；
根据所述第二图像集合和第三图像集合，统计经过所述一时间段后所述边坡坡面均由一种破坏模式变成另一种破坏模式的最初图像的个数，得到转移个数；
根据所述转移个数和所述最初图像的个数，计算得到经过所述一段时间后所述边坡坡面由一种破坏模式变成另一种破坏模式的概率。
可选的，所述基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式，包括：
对所述当前边坡坡面的图像进行灰度处理，得到处理后的图像；
对所述处理后的图像进行分形维数计算，得到所述处理后的图像的维数值；
识别所述处理后的图像的维数值所属的维数值区间；
将所述处理后的图像的维数值所属的维数值区间所对应的破坏模式定义为所述当前边坡坡面所属的破坏模式。
可选的，所述根据所述当前边坡坡面所属的破坏模式和所述转移概率矩阵计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率，包括：
根据所述当前边坡坡面所属的破坏模式建立所述当前边坡坡面的初始矩阵；
根据所述边坡坡面破坏模式之间的转移概率，建立转移概率矩阵；
根据所述当前边坡坡面的初始矩阵和所述转移概率矩阵计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
可选的，所述根据所述当前边坡坡面所属的破坏模式和所述边坡坡面破坏模式之间的转移概率计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率后，还包括：
根据所述当前边坡坡面下一时间段演变为另一破坏模式的概率，生成提示数据，所述提示数据包括所述当前边坡坡面下一时间段演变为另一破坏模式的概率；
获取所述提示数据对应的阈值，若所述提示数据大于所述阈值，则获取第一数据，所述第一数据包括所述当前边坡坡面处设置的激光位移传感器到边坡表面固定监测点的距离信息；
根据所述第一数据计算出所述边坡表面固定监测点的位移和位移速率，根据所述边坡表面固定监测点的位移和位移速率确定所述当前边坡坡面的稳定性结果，将所述稳定性结果发送至相关工作人员，以提示相关人员进行相应的处理。
第二方面，本申请实施例提供了坡面破坏模式概率预测装置，所述装置包括第一获取模块、第一计算模块、确定模块和第二计算模块。
所述第一获取模块，用于获取每种边坡坡面破坏模式的历史图像、当前边坡坡面的图像和所述边坡坡面破坏模式之间的转移概率；
所述第一计算模块，用于根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间；
所述确定模块，用于基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式；
所述第二计算模块，用于根据所述当前边坡坡面所属的破坏模式和所述边坡坡面破坏模式之间的转移概率计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
可选的，所述第一计算模块，包括：
第一处理单元，用于对所述每种边坡坡面破坏模式的历史图像进行灰度处理，得到第一图像集合；
第一计算单元，用于对所述第一图像集合中的每张图像进行分形维数计算，得到每种边坡坡面破坏模式的维数值集合；
第一识别单元，用于识别所述每种边坡坡面破坏模式的维数值集合中的最大值和最小值,将所述最大值和最小值之间的范围识别为所述每种边坡坡面破坏模式的维数值区间。
可选的，所述第一获取模块，包括：
获取单元，用于获取第二图像集合和第三图像集合，所述第二图像集合包括一时间段内若干个边坡坡面的最初图像，所述第三图像集合包括一时间段内所述若干个边坡坡面的最终图像；
统计单元，用于根据所述第二图像集合和第三图像集合，统计经过所述一时间段后所述边坡坡面均由一种破坏模式变成另一种破坏模式的最初图像的个数，得到转移个数；
第二计算单元，用于根据所述转移个数和所述最初图像的个数，计算得到经过所述一段时间后所述边坡坡面由一种破坏模式变成另一种破坏模式的概率。
可选的，所述确定模块，包括：
第二处理单元，用于对所述当前边坡坡面的图像进行灰度处理，得到处理后的图像；
第三计算单元，用于对所述处理后的图像进行分形维数计算，得到所述处理后的图像的维数值；
第二识别单元，用于识别所述处理后的图像的维数值所属的维数值区间；
定义单元，用于将所述处理后的图像的维数值所属的维数值区间所对应的破坏模式定义为所述当前边坡坡面所属的破坏模式。
可选的，所述第二计算模块，包括：
第一建立单元，用于根据所述当前边坡坡面所属的破坏模式建立所述当前边坡坡面的初始矩阵；
第二建立单元，用于根据所述边坡坡面破坏模式之间的转移概率，建立转移概率矩阵；
第四计算单元，用于根据所述当前边坡坡面的初始矩阵和所述转移概率矩阵计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
可选的，所述装置还包括：
生成模块，用于根据所述当前边坡坡面下一时间段演变为另一破坏模式的概率，生成提示数据，所述提示数据包括所述当前边坡坡面下一时间段演变为另一破坏模式的概率；
第二获取模块，用于获取所述提示数据对应的阈值，若所述提示数据大于所述阈值，则获取第一数据，所述第一数据包括所述当前边坡坡面处设置的激光位移传感器到边坡表面固定监测点的距离信息；
发送模块，用于根据所述第一数据计算出所述边坡表面固定监测点的位移和位移速率，根据所述边坡表面固定监测点的位移和位移速率确定所述当前边坡坡面的稳定性结果，将所述稳定性结果发送至相关工作人员，以提示相关人员进行相应的处理。
第三方面，本申请实施例提供了坡面破坏模式概率预测设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述坡面破坏模式概率预测方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述坡面破坏模式概率预测方法的步骤。
本发明的有益效果为：
1、本发明基于上述缺陷，确定各种边坡破坏模式对应的状态分类区间与状态转移概率矩阵，然后识别边坡当前时刻所处状态，确定当前状态的初始概率矩阵，即可推算当前边坡状态经过几个时段之后出现各种状态的概率，即各种破坏模式的概率。现场人员根据最大概率对应的破坏模式可对边坡进行针对性的治理措施，从而为边坡安全性预测提供了一种经济、便捷、可靠的分异化破坏模式概率预测方法。
2、本发明方法可实现快速、直接、非接触、低成本、实时反馈边坡当前破坏模式，并根据当前坡面特征可靠地预测边坡经过一段时间后可能出现不同破坏模式的概率的功能。本发明方法为边坡的分异化破坏模式提供了一种经济、可靠、直接的概率预测方法，本方法可广泛适用于铁路、公路沿线边坡的破坏模式预测，根据破坏模式进一步可提出针对性的治理措施。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的坡面破坏模式概率预测方法流程示意图；
图2是本发明实施例中所述的坡面破坏模式概率预测装置结构示意图；
图3是本发明实施例中所述的坡面破坏模式概率预测设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了坡面破坏模式概率预测方法，该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取每种边坡坡面破坏模式的历史图像、当前边坡坡面的图像和所述边坡坡面破坏模式之间的转移概率；
步骤S2、根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间；
步骤S3、基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式；
步骤S4、根据所述当前边坡坡面所属的破坏模式和所述边坡坡面破坏模式之间的转移概率计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
目前，边坡安全性监测主要集中在边坡稳定性监测与边坡变形预测方面，而不能有效的预测边坡破坏发展过程中会出现那些破坏类型，进而不能对边坡的破坏提供针对性的治理措施。边坡的基本破坏类型大致可以分为开裂、滑坡、滑坡、倾倒破坏等，而各种边坡破坏模式之间具有一定的相关性，且不同的破坏模式必然伴随相应的坡面破坏特征。
因此本实施例根据坡面的图像变化，采集各种边坡破坏模式的坡面图像，计算分析各图像的分形维数值，确定每种边坡破坏模式对应的分形维数值区间，将其定义为边坡的状态分类区间。同时，根据实际边坡的破坏过程，统计一种边坡破坏模式经过一段时间后转变为其它破坏模式的变化概率，建立边坡破坏模式的转移概率矩阵。然后，计算边坡当前时刻坡面图像的维数值，并根据状态分类区间确定边坡当前时刻所处状态，由此建立边坡初始状态矩阵。最后，根据边坡当前时刻的初始矩阵和概率转移矩阵，即可推算下一阶段边坡出现各种状态的概率。
根据上述特征，本实施例可实现快速、直接、非接触、低成本、实时反馈边坡当前破坏模式，并根据当前坡面特征可靠地预测边坡经过一段时间后可能出现不同破坏模式的概率的功能。本方法为边坡的分异化破坏模式提供了一种经济、可靠、直接的概率预测方法，本方法可广泛适用于铁路、公路沿线边坡的破坏模式预测，根据破坏模式进一步可提出针对性的治理措施。
本实施例实现了预测过程中的无后效性，即某阶段的状态一旦确定，下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。与传统的人工神经网络方法相比，本发明所述方法与边坡破坏过程中的状态变化特征更相符合。根据现有统计资料即可根据边坡当前破坏状态推算下一阶段各种可能出现状态的可靠概率，进而为边坡的安全性预测与危害治理提供针对性的措施。
在本公开的一种具体实施方式中，所述步骤S1，还可以包括步骤S11、步骤S12和步骤S13。
步骤S11、获取第二图像集合和第三图像集合，所述第二图像集合包括一时间段内若干个边坡坡面的最初图像，所述第三图像集合包括一时间段内所述若干个边坡坡面的最终图像；
步骤S12、根据所述第二图像集合和第三图像集合，统计经过所述一时间段后所述边坡坡面均由一种破坏模式变成另一种破坏模式的最初图像的个数，得到转移个数；
步骤S13、根据所述转移个数和所述最初图像的个数，计算得到经过所述一段时间后所述边坡坡面由一种破坏模式变成另一种破坏模式的概率。
在本实施例中，例如采集5个边坡坡面24小时前的图像，命名为图像1、图像2、图像3、图像4、图像5，以及采集这5个边坡坡面经过24小时后的图像，命名为图像11，图像22，图像33，图像44，图像55，若图像1和图像2的破坏模式均为开裂，图像11和图像22的破坏模式均为滑坡，则开裂这种破坏模式经过24小时转移为滑坡破坏模式的概率就为2/5，为40%。
在本公开的一种具体实施方式中，所述步骤S2，还可以包括步骤S21、步骤S22和步骤S23。
步骤S21、对所述每种边坡坡面破坏模式的历史图像进行灰度处理，得到第一图像集合；
步骤S22、对所述第一图像集合中的每张图像进行分形维数计算，得到每种边坡坡面破坏模式的维数值集合；
步骤S23、识别所述每种边坡坡面破坏模式的维数值集合中的最大值和最小值,将所述最大值和最小值之间的范围识别为所述每种边坡坡面破坏模式的维数值区间。
本实施例中，统计实际边坡不同破坏模式的图像，利用分形维数原理计算各种破坏模式对应的维数值区间，在本实施例中将各种破坏模式对应的维数值区间定义为各种破坏模式的状态分类区间。具体的计算方法为：
（1）将采集得到的图像进行灰度处理，将彩色图像变为灰度图，其原理在于：
在计算机中的图像中，不同颜色是由R（红色）、G（绿色）、B（蓝色）按照不同比例形成的，通过浮点算法将的摄像机拍摄到的图像的色彩转为灰度，其中浮点算法为：
式中R为红色，G为绿色，B为蓝色，Gray为转化后的灰色；灰度图计算后得到不同的值分为256个等级，0为全黑，255为全白，并将计算得到的灰度Gray转化为x、y轴为图像长宽，z轴为灰度值的三维图；
（2）将转化为灰度图的图像进行分形维数计算，其中分形维数的计算方法为差分
盒维数法，其中差分盒维数的计算方法为，用边长为
的正方体盒子覆盖灰度图，得到将所
有灰度图覆盖所需的盒子数量
，选用不同边长的正方体盒子覆盖得到不同的盒子数量，
则该灰度图的分形维数为：
式中，d——图像维数值；
——计算用小立方体一边的长度；
——用小立方
体覆盖被测形体所得的数目，针对平面图像
。
（3）将边坡可能出现的开裂、滑坡、崩塌、倾倒等破坏模式分别定义为状态1、状态2、…、状态i、…、状态n（n为边坡可能出现的破坏模式类别数）。大量收集整理边坡各种破坏模式的图像，利用分形维数原理计算每张图像的维数值。
（4）整理第i种边坡破坏模式图像的最大与最小图像维数值，得到其对应的状态区间
；
——第i种破坏模式的状态区间，
为第 i种破坏模式的最小图像维数值，
为第 i种破坏模式的最大图像维数值。
在本公开的一种具体实施方式中，所述步骤S3，还可以包括步骤S31、步骤S32、步骤S33、和步骤S34。
步骤S31、对所述当前边坡坡面的图像进行灰度处理，得到处理后的图像；
步骤S32、对所述处理后的图像进行分形维数计算，得到所述处理后的图像的维数值；
步骤S33、识别所述处理后的图像的维数值所属的维数值区间；
步骤S34、将所述处理后的图像的维数值所属的维数值区间所对应的破坏模式定义为所述当前边坡坡面所属的破坏模式。
在本公开的一种具体实施方式中，所述步骤S4，还可以包括步骤S41、步骤S42和步骤S43。
步骤S41、根据所述当前边坡坡面所属的破坏模式建立所述当前边坡坡面的初始矩阵；
步骤S42、根据所述边坡坡面破坏模式之间的转移概率，建立转移概率矩阵；
步骤S43、根据所述当前边坡坡面的初始矩阵和所述转移概率矩阵计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
在本实施例中，步骤S41中将边坡可能出现的开裂、滑坡、崩塌、倾倒等破坏模式分
别定义为状态1、状态2、…、状态i、…、状态n，根据图像分类识别得到
时刻边坡处于状态i，
也即当前时刻边坡正处于状态i，故边坡当前时刻处于状态i的概率为1，其他状态的概率为
0。因此，图像中边坡的初始矩阵
为：
步骤S42中，将边坡破坏过程中第i种状态经过一段时间
后转变为第j种状态的
概率定义为
。整理所有状态之间的转移概率，建立转移概率矩阵
，最终根据当前边
坡坡面的初始矩阵和所述转移概率矩阵就可计算所述当前边坡坡面下一时间段演变为另
一破坏模式的概率，其中转移概率矩阵
为：
在本公开的一种具体实施方式中，所述步骤S4后，还可以包括步骤S5、步骤S6和步骤S7。
步骤S5、根据所述当前边坡坡面下一时间段演变为另一破坏模式的概率，生成提示数据，所述提示数据包括所述当前边坡坡面下一时间段演变为另一破坏模式的概率；
步骤S6、获取所述提示数据对应的阈值，若所述提示数据大于所述阈值，则获取第一数据，所述第一数据包括所述当前边坡坡面处设置的激光位移传感器到边坡表面固定监测点的距离信息；
步骤S7、根据所述第一数据计算出所述边坡表面固定监测点的位移和位移速率，根据所述边坡表面固定监测点的位移和位移速率确定所述当前边坡坡面的稳定性结果，将所述稳定性结果发送至相关工作人员，以提示相关人员进行相应的处理。
在本实施例中，例如第一种破坏模式经过24小时后转变为第二转破坏模式的概率为60%，若第一种破坏模式经过24小时后转变为第二转破坏模式的概率的阈值为50%，则超过了此阈值，则当前边坡坡面则需要对其进行重点监控，监控在这一过程中边坡坡面的变化。
因为本实施例中采用获取边坡坡面设置的激光位移传感器的数据对其进行稳定性的监控，在本实施例中，根据激光位移传感器到边坡表面固定监测点的距离信息可以计算出所述边坡表面固定监测点的位移和位移速率，根据边坡表面固定监测点的位移和位移速率可以对边坡坡面的稳定性进行判断，在本实施例中，可预先制定根据位移和位移速率对稳定性进行分类的分类表，然后根据实时采集到的位移和位移速率直接获取当前边坡坡面的稳定性等级，最终根据稳定性等级进行相应的处理，例如分析得到当前坡面的稳定性等级为很不稳定，则需要进行预警，本实施例中，工作人员可以控制边坡坡面的预警装置进行警示。通过本实施例中采用的这种方式，可以加强对边坡坡面的监控以及优化边坡坡面工作人员对边坡坡面的治理措施，进而有效避免人员伤亡及经济损失。
除此之外，还可以直接识别所述当前边坡坡面下一时间段演变为另一破坏模式的概率中的最大值，针对性的对最大值所对应的破坏模式进行相应的治理措施，例如在本实施例中，当前边坡坡面的破坏模式为开裂，经过24小时后转变为滑坡的概率为50%，转变为崩塌的概率为40%，转变为倾倒的概率为70%，则当前边坡坡面经过24小时后转变为倾倒的概率最大，则工作人员可以直接针对倾倒这种破坏模式进行相应的处理。采用这种处理方式可以避免在边坡中埋设监测传感器，可有效的降低监测成本，并避免传感器埋设过程中的人为损坏造成的预测误差。
实施例2
如图2所示，本实施例提供了坡面破坏模式概率预测装置，所述装置包括第一获取模块701、第一计算模块702、确定模块703和第二计算模块704。
所述第一获取模块701，用于获取每种边坡坡面破坏模式的历史图像、当前边坡坡面的图像和所述边坡坡面破坏模式之间的转移概率；
所述第一计算模块702，用于根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间；
所述确定模块703，用于基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式；
所述第二计算模块704，用于根据所述当前边坡坡面所属的破坏模式和所述边坡坡面破坏模式之间的转移概率计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
本实施例中的装置可实现快速、直接、非接触、低成本、实时反馈边坡当前破坏模式，并根据当前坡面特征可靠地预测边坡经过一段时间后可能出现不同破坏模式的概率的功能。为边坡的分异化破坏模式提供了一种经济、可靠、直接的概率预测装置，本装置可广泛适用于铁路、公路沿线边坡的破坏模式预测，根据破坏模式进一步可提出针对性的治理措施。
在本公开的一种具体实施方式中，所述第一获取模块701包括获取单元7011、统计单元7012和第二计算单元7013。
所述获取单元7011，用于获取第二图像集合和第三图像集合，所述第二图像集合包括一时间段内若干个边坡坡面的最初图像，所述第三图像集合包括所述一时间段内所述若干个边坡坡面的最终图像；
所述统计单元7012，用于根据所述第二图像集合和第三图像集合，统计经过所述一时间段后由第一破坏模式变成第二破坏模式的最初图像的个数，得到转移个数，所述第一破坏模式为所述边坡坡面的全部破坏模式中的一种，所述第二破坏模式为所述边坡坡面的全部破坏模式中的另一种；
所述第二计算单元7013，用于根据所述转移个数和所述最初图像的个数，计算得到所述第一破坏模式经过所述一段时间后转移为所述第二破坏模式的概率。
在本公开的一种具体实施方式中，所述第一计算模块702包括第一处理单元7021、第一计算单元7022和第一识别单元7023。
所述第一处理单元7021，用于对所述每种边坡坡面破坏模式的历史图像进行灰度处理，得到第一图像集合；
所述第一计算单元7022，用于对所述第一图像集合中的每张图像进行分形维数计算，得到每种边坡坡面破坏模式的维数值集合；
所述第一识别单元7023，用于识别所述每种边坡坡面破坏模式的维数值集合中的最大值和最小值,将所述最大值和最小值之间的范围识别为所述每种边坡坡面破坏模式的维数值区间。
在本公开的一种具体实施方式中，所述确定模块703包括第二处理单元7031、第三计算单元7032、第二识别单元7033和定义单元7034。
所述第二处理单元7031，用于对所述当前边坡坡面的图像进行灰度处理，得到处理后的图像；
所述第三计算单元7032，用于对所述处理后的图像进行分形维数计算，得到所述处理后的图像的维数值；
所述第二识别单元7033，用于识别所述处理后的图像的维数值所属的维数值区间；
所述定义单元7034，用于将所述处理后的图像的维数值所属的维数值区间所对应的破坏模式定义为所述当前边坡坡面所属的破坏模式。
在本公开的一种具体实施方式中，所述第二计算模块704包括第一建立单元7041、第二建立单元7042和第四计算单元7043。
所述第一建立单元7041，用于根据所述当前边坡坡面所属的破坏模式建立所述当前边坡坡面的初始矩阵；
所述第二建立单元7042，用于根据所述边坡坡面破坏模式之间的转移概率，建立转移概率矩阵；
所述第四计算单元7043，用于根据所述当前边坡坡面的初始矩阵和所述转移概率矩阵计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
在本公开的一种具体实施方式中，所述装置，还包括生成模块705、第二获取模块706和发送模块707。
所述生成模块705，用于根据所述当前边坡坡面下一时间段演变为另一破坏模式的概率，生成提示数据，所述提示数据包括所述当前边坡坡面下一时间段演变为另一破坏模式的概率；
所述第二获取模块706，用于获取所述提示数据对应的阈值，若所述提示数据大于所述阈值，则获取第一数据，所述第一数据包括所述当前边坡坡面处设置的激光位移传感器到边坡表面固定监测点的距离信息；
所述发送模块707，用于根据所述第一数据计算出所述边坡表面固定监测点的位移和位移速率，根据所述边坡表面固定监测点的位移和位移速率确定所述当前边坡坡面的稳定性结果，将所述稳定性结果发送至相关工作人员，以提示相关人员进行相应的处理。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了坡面破坏模式概率预测设备，下文描述的坡面破坏模式概率预测设备与上文描述的坡面破坏模式概率预测方法可相互对应参照。
图3是根据一示例性实施例示出的坡面破坏模式概率预测设备800的框图。如图3所示，该坡面破坏模式概率预测设备800可以包括：处理器801，存储器802。该坡面破坏模式概率预测设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该坡面破坏模式概率预测设备800的整体操作，以完成上述的坡面破坏模式概率预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该坡面破坏模式概率预测设备800的操作，这些数据例如可以包括用于在该坡面破坏模式概率预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该坡面破坏模式概率预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，该坡面破坏模式概率预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的坡面破坏模式概率预测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的坡面破坏模式概率预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该坡面破坏模式概率预测设备800的处理器801执行以完成上述的坡面破坏模式概率预测方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的坡面破坏模式概率预测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的坡面破坏模式概率预测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.坡面破坏模式概率预测方法，其特征在于，包括：
获取每种边坡坡面破坏模式的历史图像、当前边坡坡面的图像和所述边坡坡面破坏模式之间的转移概率；
根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间；
基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式；
根据所述当前边坡坡面所属的破坏模式和所述边坡坡面破坏模式之间的转移概率计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
2.根据权利要求1所述的坡面破坏模式概率预测方法，其特征在于，所述根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间，包括：
对所述每种边坡坡面破坏模式的历史图像进行灰度处理，得到第一图像集合；
对所述第一图像集合中的每张图像进行分形维数计算，得到每种边坡坡面破坏模式的维数值集合；
识别所述每种边坡坡面破坏模式的维数值集合中的最大值和最小值,将所述最大值和最小值之间的范围识别为所述每种边坡坡面破坏模式的维数值区间。
3.根据权利要求1所述的坡面破坏模式概率预测方法，其特征在于，所述边坡坡面破坏模式之间的转移概率的计算，包括：
获取第二图像集合和第三图像集合，所述第二图像集合包括一时间段内若干个边坡坡面的最初图像，所述第三图像集合包括一时间段内所述若干个边坡坡面的最终图像；
根据所述第二图像集合和第三图像集合，统计经过所述一时间段后所述边坡坡面均由一种破坏模式变成另一种破坏模式的最初图像的个数，得到转移个数；
根据所述转移个数和所述最初图像的个数，计算得到经过所述一时间段后所述边坡坡面由一种破坏模式变成另一种破坏模式的概率。
4.根据权利要求1所述的坡面破坏模式概率预测方法，其特征在于，所述基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式，包括：
对所述当前边坡坡面的图像进行灰度处理，得到处理后的图像；
对所述处理后的图像进行分形维数计算，得到所述处理后的图像的维数值；
识别所述处理后的图像的维数值所属的维数值区间；
将所述处理后的图像的维数值所属的维数值区间所对应的破坏模式定义为所述当前边坡坡面所属的破坏模式。
5.坡面破坏模式概率预测装置，其特征在于，包括：
第一获取模块，用于获取每种边坡坡面破坏模式的历史图像、当前边坡坡面的图像和所述边坡坡面破坏模式之间的转移概率；
第一计算模块，用于根据所述每种边坡坡面破坏模式的历史图像，计算所述每种边坡坡面破坏模式的维数值区间；
确定模块，用于基于所述当前边坡坡面的图像和所述每种边坡坡面破坏模式的维数值区间确定所述当前边坡坡面所属的破坏模式；
第二计算模块，用于根据所述当前边坡坡面所属的破坏模式和所述边坡坡面破坏模式之间的转移概率计算所述当前边坡坡面下一时间段演变为另一破坏模式的概率。
6.根据权利要求5所述的坡面破坏模式概率预测装置，其特征在于，所述第一计算模块，包括：
第一处理单元，用于对所述每种边坡坡面破坏模式的历史图像进行灰度处理，得到第一图像集合；
第一计算单元，用于对所述第一图像集合中的每张图像进行分形维数计算，得到每种边坡坡面破坏模式的维数值集合；
第一识别单元，用于识别所述每种边坡坡面破坏模式的维数值集合中的最大值和最小值,将所述最大值和最小值之间的范围识别为所述每种边坡坡面破坏模式的维数值区间。
7.根据权利要求5所述的坡面破坏模式概率预测装置，其特征在于，所述第一获取模块，包括：
获取单元，用于获取第二图像集合和第三图像集合，所述第二图像集合包括一时间段内若干个边坡坡面的最初图像，所述第三图像集合包括一时间段内所述若干个边坡坡面的最终图像；
统计单元，用于根据所述第二图像集合和第三图像集合，统计经过所述一时间段后所述边坡坡面均由一种破坏模式变成另一种破坏模式的最初图像的个数，得到转移个数；
第二计算单元，用于根据所述转移个数和所述最初图像的个数，计算得到经过所述一时间段后所述边坡坡面由一种破坏模式变成另一种破坏模式的概率。
8.根据权利要求5所述的坡面破坏模式概率预测装置，其特征在于，所述确定模块，包括：
第二处理单元，用于对所述当前边坡坡面的图像进行灰度处理，得到处理后的图像；
第三计算单元，用于对所述处理后的图像进行分形维数计算，得到所述处理后的图像的维数值；
第二识别单元，用于识别所述处理后的图像的维数值所属的维数值区间；
定义单元，用于将所述处理后的图像的维数值所属的维数值区间所对应的破坏模式定义为所述当前边坡坡面所属的破坏模式。
9.坡面破坏模式概率预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述坡面破坏模式概率预测方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述坡面破坏模式概率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110515726.9A CN112966885B (zh) | 2021-05-12 | 2021-05-12 | 坡面破坏模式概率预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110515726.9A CN112966885B (zh) | 2021-05-12 | 2021-05-12 | 坡面破坏模式概率预测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966885A CN112966885A (zh) | 2021-06-15 |
| CN112966885B true CN112966885B (zh) | 2021-07-13 |
Family
ID=76279838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110515726.9A Active CN112966885B (zh) | 2021-05-12 | 2021-05-12 | 坡面破坏模式概率预测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966885B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134080A (zh) * | 2014-08-01 | 2014-11-05 | 重庆大学 | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 |
| CN107194114A (zh) * | 2017-06-15 | 2017-09-22 | 内蒙古科技大学 | 一种岩石结构面多重分形参数的计算方法 |
| CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
| CN112232138A (zh) * | 2020-09-25 | 2021-01-15 | 天津大学 | 基于超像素特征的渠道边坡破坏智能识别方法 |
-
2021
- 2021-05-12 CN CN202110515726.9A patent/CN112966885B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134080A (zh) * | 2014-08-01 | 2014-11-05 | 重庆大学 | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 |
| CN107194114A (zh) * | 2017-06-15 | 2017-09-22 | 内蒙古科技大学 | 一种岩石结构面多重分形参数的计算方法 |
| CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
| CN112232138A (zh) * | 2020-09-25 | 2021-01-15 | 天津大学 | 基于超像素特征的渠道边坡破坏智能识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于分形理论和显著性分析的滑坡提取研究;陶洁;《中国优秀硕士学位论文全文数据库 基础科学辑》;20200815(第8期);第A008-129页 * |
| 基于灰色—马尔科夫模型的高边坡变形预测应用;莫文涛;《山西建筑》;20200331;第46卷(第6期);第73-74页 * |
| 高陡边坡沿高程地震动响应演化规律研究;安旭 等;《高速铁路技术》;20200831;第11卷(第4期);第1-5页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966885A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN115908424A (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
| CN113919513A (zh) | 一种联邦学习安全聚合方法、装置及电子设备 | |
| CN116577788B (zh) | 输电线路异物侵限监测方法、装置和计算机设备 | |
| CN116415931A (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
| CN115907639A (zh) | 一种基于cim的区块链工程协同监管系统及方法 | |
| CN115546628A (zh) | 一种水利工程堤坝裂缝监测方法、装置、设备及介质 | |
| CN115045714A (zh) | 矿物开采预警方法、设备及计算机可读存储介质 | |
| CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
| CN111126801A (zh) | 针对装备保障能力的基于信息熵的层次分析评估系统 | |
| CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
| CN112966885B (zh) | 坡面破坏模式概率预测方法、装置、设备及可读存储介质 | |
| CN113034499B (zh) | 边坡坡面危险区预测方法、装置、设备及可读存储介质 | |
| CN117669384A (zh) | 基于物联网的温度传感器生产智能监测方法及系统 | |
| CN116883611A (zh) | 一种结合gis航道信息的航道淤泥分布主动探测识别方法 | |
| TWI636276B (zh) | 人工智能地震判斷方法及地震偵測系統 | |
| CN116245412A (zh) | 一种建筑工程现场安全监测管理系统 | |
| CN114187751B (zh) | 预警系统的适应性评价方法、装置、设备及可读存储介质 | |
| CN115063143A (zh) | 账户数据处理方法、装置、计算机设备和存储介质 | |
| CN117227551B (zh) | 新能源设备安全监控方法、装置、设备及可读存储介质 | |
| CN111144714A (zh) | 针对装备保障能力的基于信息熵的层次分析评估方法 | |
| CN116631172B (zh) | 一种基于门锁和电子门铃联动的预警方法及装置 | |
| CN117354495B (zh) | 基于深度学习的视频监控质量诊断方法及系统 | |
| CN116730226B (zh) | 悬臂起重机的安全智能监管系统及其方法 |
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 |