CN113034499B - 边坡坡面危险区预测方法、装置、设备及可读存储介质 - Google Patents

边坡坡面危险区预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN113034499B
CN113034499B CN202110562079.7A CN202110562079A CN113034499B CN 113034499 B CN113034499 B CN 113034499B CN 202110562079 A CN202110562079 A CN 202110562079A CN 113034499 B CN113034499 B CN 113034499B
Authority
CN
China
Prior art keywords
identification
slope surface
dimensional image
dimensional
slope
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
CN202110562079.7A
Other languages
English (en)
Other versions
CN113034499A (zh
Inventor
杨长卫
陈桂龙
张志方
张凯文
童心豪
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110562079.7A priority Critical patent/CN113034499B/zh
Publication of CN113034499A publication Critical patent/CN113034499A/zh
Application granted granted Critical
Publication of CN113034499B publication Critical patent/CN113034499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了边坡坡面危险区预测方法、装置、设备及可读存储介质，所述方法包括：获取边坡坡面的二维图像和边坡坡面处于危险状态的概率阈值；根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵；获取图像集，所述图像集包括一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果；根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域。本发明能有效降低监测成本，有效降低边坡破坏导致的人员伤亡及经济损失。

Description

边坡坡面危险区预测方法、装置、设备及可读存储介质
技术领域
本发明涉及山地灾害技术领域，具体而言，涉及边坡坡面危险区预测方法、装置、设备及可读存储介质。
背景技术
目前，岩质边坡危险性的判定方法主要通过在边坡中布设监测点采用传感器直接监测，或者测绘边坡地形数据建立三维模型进行位移分析计算。在岩质边坡中埋设传感器的方法会对边坡产生不同程度的扰动，所测数据并不能代表边坡实际状态；基于边坡地形数据的三维模型分析计算方法精度较高，但监测成本较高、效率较低。此外，上述监测方法忽略了边坡破坏过程中的状态变化过程。
发明内容
本发明的目的在于提供边坡坡面危险区预测方法、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边坡坡面危险区预测方法，所述方法包括：
获取边坡坡面的二维图像和边坡坡面处于危险状态的概率阈值；
根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵；
获取图像集，所述图像集包括一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，所述识别区域的边坡坡面发生破坏后，则将发生破坏的识别区域定义为分析区域，根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果，所述第一结果包括每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率；
根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域。
可选的，所述根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵，包括：
对每个所述识别区域的二维图像进行灰度处理，得到每个所述识别区域处理后的二维图像；
根据所述每个所述识别区域处理后的二维图像，计算每个所述识别区域处理后的二维图像的维数值，根据所述每个所述识别区域处理后的二维图像的维数值构建各所述识别区域的初始维数值矩阵。
可选的，所述边坡处于危险状态的概率阈值的计算，包括：
获取第一二维图像集合和第二二维图像集合，所述第一二维图像集合包括一统计周期内至少两个边坡坡面的最初二维图像，所述第二二维图像集合包括所述一统计周期内所述至少两个边坡坡面的最终二维图像；
根据所述第一二维图像集合和第二二维图像集合，统计经过所述一统计周期后边坡坡面变为危险状态的个数，得到危险个数；
根据所述危险个数和所述第一二维图像集合中二维图像的个数，计算得到所述边坡处于危险状态的概率阈值。
可选的，所述根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果，包括：
获取一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，计算所述全部所述识别区域对应的二维图像中每张二维图像的的维数值，得到数据集；
根据所述数据集计算每个所述识别区域的边坡坡面发生破坏后对全部所述识别区域的影响维数值，将所述每个所述识别区域的边坡坡面发生破坏后对全部识别区域的影响维数值作为矩阵元素构建第一矩阵；
将所述第一矩阵和所述各所述识别区域的初始维数值矩阵相减，得到第二矩阵，将所述第二矩阵中的元素进行归一化处理，得到每个所述识别区域单独发生破坏时，对各个所述识别区域的破坏影响概率。
可选的，所述根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域，包括：
将所述每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率作为矩阵元素，构建第三矩阵；
根据所述第三矩阵计算得到各所述分析区域的定态破坏概率；
将所述概率阈值与所述各所述分析区域的定态破坏概率进行比较，若所述各所述分析区域的定态破坏概率大于或等于所述概率阈值，则将此分析区域识别为危险区域。
可选的，所述根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域后，还包括：
获取距离数据，所述距离数据包括识别出来的危险区域的表面固定监测点到所述边坡坡面设置的激光位移传感器处的距离信息；
根据所述距离数据计算出所述识别出来的危险区域的表面固定监测点的位移和位移速率；
根据所述识别出来的危险区域的表面固定监测点的位移和位移速率确定所述识别出来的危险区域的稳定性结果，将所述识别出来的危险区域的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边坡坡面危险区预测装置，所述装置包括第一获取模块、第一计算模块、第二获取模块和识别模块。
所述第一获取模块，用于获取边坡坡面的二维图像和边坡坡面处于危险状态的概率阈值；
所述第一计算模块，用于根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵；
所述第二获取模块，用于获取图像集，所述图像集包括一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，所述识别区域的边坡坡面发生破坏后，则将发生破坏的识别区域定义为分析区域，根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果，所述第一结果包括每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率；
所述识别模块，用于根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域。
可选的，所述第一计算模块，包括：
处理单元，用于对每个所述识别区域的二维图像进行灰度处理，得到每个所述识别区域处理后的二维图像；
第一计算单元，用于根据所述每个所述识别区域处理后的二维图像，计算每个所述识别区域处理后的二维图像的维数值，根据所述每个所述识别区域处理后的二维图像的维数值构建各所述识别区域的初始维数值矩阵。
可选的，所述第一获取模块，包括：
第一获取单元，用于获取第一二维图像集合和第二二维图像集合，所述第一二维图像集合包括一统计周期内至少两个边坡坡面的最初二维图像，所述第二二维图像集合包括所述一统计周期内所述至少两个边坡坡面的最终二维图像；
统计单元，用于根据所述第一二维图像集合和第二二维图像集合，统计经过所述一统计周期后边坡坡面变为危险状态的个数，得到危险个数；
第二计算单元，用于根据所述危险个数和所述第一二维图像集合中二维图像的个数，计算得到所述边坡处于危险状态的概率阈值。
可选的，所述第二获取模块，包括：
第二获取单元，用于获取一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，计算所述全部所述识别区域对应的二维图像中每张二维图像的的维数值，得到数据集；
第三计算单元，用于根据所述数据集计算每个所述识别区域的边坡坡面发生破坏后对全部所述识别区域的影响维数值，将所述每个所述识别区域的边坡坡面发生破坏后对全部识别区域的影响维数值作为矩阵元素构建第一矩阵；
第四计算单元，用于将所述第一矩阵和所述各所述识别区域的初始维数值矩阵相减，得到第二矩阵，将所述第二矩阵中的元素进行归一化处理，得到每个所述识别区域单独发生破坏时，对各个所述识别区域的破坏影响概率。
可选的，所述识别模块，包括：
第五计算单元，用于将所述每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率作为矩阵元素，构建第三矩阵；
第六计算单元，用于根据所述第三矩阵计算得到各所述分析区域的定态破坏概率；
对比单元，用于将所述概率阈值与所述各所述分析区域的定态破坏概率进行比较，若所述各所述分析区域的定态破坏概率大于或等于所述概率阈值，则将此分析区域识别为危险区域。
可选的，所述装置，还包括：
第三获取模块，用于获取距离数据，所述距离数据包括识别出来的危险区域的表面固定监测点到所述边坡坡面设置的激光位移传感器处的距离信息；
第二计算模块，用于根据所述距离数据计算出所述识别出来的危险区域的表面固定监测点的位移和位移速率；
发送模块，用于根据所述识别出来的危险区域的表面固定监测点的位移和位移速率确定所述识别出来的危险区域的稳定性结果，将所述识别出来的危险区域的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边坡坡面危险区预测设备，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边坡坡面危险区预测方法的步骤。
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边坡坡面危险区预测方法的步骤。
本发明的有益效果为：
1、本发明将单一破坏模式的岩质边坡坡面划分为多个识别区域，不同识别区域代表边坡的不同破坏状态，然后利用图像维数分析原理计算各识别区域间的相互破坏影响概率并统计岩质边坡危险状态的概率阈值，再利用不确定性概率原理中的定态概率理论计算各分析区域的定态破坏概率，快速识别定态破坏概率超过阈值概率的分析区域为边坡危险区域。从而为单一破坏模式岩质边坡提供一种快速、便捷、经济、可靠的危险区预测方法。
2、本发明较传统应力或应变监测方法能有效降低监测成本，并非接触式快速识别岩质边坡单一破坏模式情况下的危险区域，进而为现场人员提供针对性的治理措施，有效降低边坡破坏导致的人员伤亡及经济损失。
3、本发明基于图像维数值分析原理与不确定概率分析原理，边坡区域破坏概率推演过程更符合岩质边坡的实际破坏过程，实现了岩质边坡破坏概率的可靠预测。
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边坡坡面危险区预测方法流程示意图；
图2是本发明实施例中所述的边坡坡面危险区预测装置结构示意图；
图3是本发明实施例中所述的边坡坡面危险区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，本实施例提供了边坡坡面危险区预测方法，该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取边坡坡面的二维图像和边坡坡面处于危险状态的概率阈值；
步骤S2、根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵；
步骤S3、获取图像集，所述图像集包括一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，所述识别区域的边坡坡面发生破坏后，则将发生破坏的识别区域定义为分析区域，根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果，所述第一结果包括每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率；
步骤S4、根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域。
本实施例中采集边坡图像所用的设备为超高速动态摄像存储设备。本实施例将单一破坏模式的岩质边坡坡面划分为多个识别区域，不同识别区域代表边坡的不同破坏状态，然后利用图像维数分析原理计算各识别区域间的相互破坏影响概率并统计岩质边坡危险状态的概率阈值，再利用不确定性概率原理中的定态概率理论计算各分析区域的定态破坏概率，快速识别定态破坏概率超过概率阈值的分析区域为边坡危险区域。从而为单一破坏模式岩质边坡提供一种快速、便捷、经济、可靠的危险区预测方法。
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、获取第一二维图像集合和第二二维图像集合，所述第一二维图像集合包括一统计周期内至少两个边坡坡面的最初二维图像，所述第二二维图像集合包括所述一统计周期内所述至少两个边坡坡面的最终二维图像；
步骤S12、根据所述第一二维图像集合和第二二维图像集合，统计经过所述一统计周期后边坡坡面变为危险状态的个数，得到危险个数；
步骤S13、根据所述危险个数和所述第一二维图像集合中二维图像的个数，计算得到所述边坡处于危险状态的概率阈值。
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均不是危险状态，图像11和图像22均是危险状态，其他图像也不是危险状态，则边坡处于危险状态的概率阈值为2/5*100%=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和步骤S22。
步骤S21、对每个所述识别区域的二维图像进行灰度处理，得到每个所述识别区域处理后的二维图像；
步骤S22、根据所述每个所述识别区域处理后的二维图像，计算每个所述识别区域处理后的二维图像的维数值，根据所述每个所述识别区域处理后的二维图像的维数值构建各所述识别区域的初始维数值矩阵。
本实施例中，将边坡坡面均匀划分为9个识别区域，并分别命名为
Figure 597912DEST_PATH_IMAGE001
，编号依 次为1~9，每个所述识别区域处理后的二维图像的维数值为
Figure 164023DEST_PATH_IMAGE002
，i=1~9；因此，根据所述每个 所述识别区域处理后的二维图像的维数值构建的各所述识别区域的初始维数值矩阵
Figure 134865DEST_PATH_IMAGE003
为：
Figure 761019DEST_PATH_IMAGE004
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和步骤S33。
步骤S31、获取一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，计算所述全部所述识别区域对应的二维图像中每张二维图像的维数值，得到数据集；
步骤S32、根据所述数据集计算每个所述识别区域的边坡坡面发生破坏后对全部所述识别区域的影响维数值，将所述每个所述识别区域的边坡坡面发生破坏后对全部识别区域的影响维数值作为矩阵元素构建第一矩阵；
步骤S33、将所述第一矩阵和所述各所述识别区域的初始维数值矩阵相减，得到第二矩阵，将所述第二矩阵中的元素进行归一化处理，得到每个所述识别区域单独发生破坏时，对各个所述识别区域的破坏影响概率。
本实施例中，具体步骤为：
步骤（1）：采集仅
Figure 882559DEST_PATH_IMAGE005
识别区域发生破坏后
Figure 190043DEST_PATH_IMAGE001
识别区域的二维图像，计算
Figure 346218DEST_PATH_IMAGE006
识别 区域的破坏对
Figure 143273DEST_PATH_IMAGE001
识别区域二维图像的影响维数值
Figure 752109DEST_PATH_IMAGE007
（i、j=1~9，其中，i代表发生破坏 的识别区域的编号，j代
Figure 660022DEST_PATH_IMAGE001
中任意一个识别区域的编号，
Figure 608386DEST_PATH_IMAGE008
代表第i个识别区域单独破 坏后，第j个识别区域的维数值，例如：
Figure 576342DEST_PATH_IMAGE009
表示
Figure 672474DEST_PATH_IMAGE010
识别区域单独发生破坏后，
Figure 384078DEST_PATH_IMAGE011
识别区域 当前二维图像的维数值），得到
Figure 514845DEST_PATH_IMAGE001
识别区域破坏维数值矩阵
Figure 591386DEST_PATH_IMAGE012
，即第一矩阵 为：
Figure 909235DEST_PATH_IMAGE013
步骤（2）：计算维数变化值矩阵，即第二矩阵
Figure 424530DEST_PATH_IMAGE014
式中，
Figure 409803DEST_PATH_IMAGE015
——第i个识别区域单独破坏时，第j个识别区域的维数变化值。
步骤（3）：将维数变化值矩阵中元素进行归一化处理，得到每个识别区域单独发生破坏时，对各个识别区域的破坏影响概率。
Figure 719562DEST_PATH_IMAGE016
式中，
Figure 462390DEST_PATH_IMAGE018
——第i个识别区域单独破坏时对第j个识别区域的破坏影响概率；
在本实施例中，为了保证数据的准确性，本实施例重复步骤（1）-（3），取三次计算得到的结果的平均值为第i个识别区域单独破坏时对第j个识别区域的破坏影响概率。
Figure 515796DEST_PATH_IMAGE019
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、将所述每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率作为矩阵元素，构建第三矩阵；
步骤S42、根据所述第三矩阵计算得到各所述分析区域的定态破坏概率；
步骤S43、将所述概率阈值与所述各所述分析区域的定态破坏概率进行比较，若所述各所述分析区域的定态破坏概率大于或等于所述概率阈值，则将此分析区域识别为危险区域。
本实施例中，具体步骤为：
步骤（1）：先构建各区域破坏影响概率矩阵
Figure 355576DEST_PATH_IMAGE021
为：
Figure 836236DEST_PATH_IMAGE022
步骤（2）：构建全区域破坏影响概率矩阵
Figure 394257DEST_PATH_IMAGE023
，即第三矩阵，全区域破坏影响概率矩 阵
Figure 985775DEST_PATH_IMAGE024
为各区域破坏影响概率矩阵
Figure 883324DEST_PATH_IMAGE025
的列矩阵。
Figure 534885DEST_PATH_IMAGE026
步骤（3）：计算各分析区域的定态破坏概率
Figure 314622DEST_PATH_IMAGE027
，具体为：
Figure 709831DEST_PATH_IMAGE028
(1)
又因岩质边坡全区域最后一定会发生不同程度破坏，故各区域的破坏概率之和为1，即，
Figure 524204DEST_PATH_IMAGE029
（2）
故，联立方程(1）和方程（2）即可计算得到各分析区域的定态破坏概率
Figure 284349DEST_PATH_IMAGE030
，对比 各分析区域的定态破坏概率
Figure 551383DEST_PATH_IMAGE030
与概率阈值
Figure 750283DEST_PATH_IMAGE031
，当
Figure 419161DEST_PATH_IMAGE033
时，对应的分析区域被识 别为岩质边坡危险区域。
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、获取距离数据，所述距离数据包括识别出来的危险区域的表面固定监测点到所述边坡坡面设置的激光位移传感器处的距离信息；
步骤S6、根据所述距离数据计算出所述识别出来的危险区域的表面固定监测点的位移和位移速率；
步骤S7、根据所述识别出来的危险区域的表面固定监测点的位移和位移速率确定所述识别出来的危险区域的稳定性结果，将所述识别出来的危险区域的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，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区域的稳定性等级，最终根据稳定性等级进行相应的处理，例如分析得到当前区域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，还可以直接将识别到的危险区域发送给相关工作人员，提醒工作人员对其进行相应的处理。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，本实施例提供了边坡坡面危险区预测装置，所述装置包括第一获取模块701、第一计算模块702、第二获取模块703和识别模块704。
所述第一获取模块701，用于获取边坡坡面的二维图像和边坡坡面处于危险状态的概率阈值；
所述第一计算模块702，用于根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵；
所述第二获取模块703，用于获取图像集，所述图像集包括一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，所述识别区域的边坡坡面发生破坏后，则将发生破坏的识别区域定义为分析区域，根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果，所述第一结果包括每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率；
所述识别模块704，用于根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域。
本装置将单一破坏模式的岩质边坡坡面划分为多个识别区域，不同识别区域代表边坡的不同破坏状态，然后利用图像维数分析原理计算各识别区域间的相互破坏影响概率并统计岩质边坡危险状态的概率阈值，再利用不确定性概率原理中的定态概率理论计算各分析区域的定态破坏概率，快速识别定态破坏概率超过阈值概率的分析区域为边坡危险区域。从而为单一破坏模式岩质边坡提供一种快速、便捷、经济、可靠的危险区预测装置。
在本公开的一种具体实施方式中，所述第一获取模块701包括第一获取单元7011、统计单元7012和第二计算单元7013。
所述第一获取单元7011，用于获取第一二维图像集合和第二二维图像集合，所述第一二维图像集合包括一统计周期内至少两个边坡坡面的最初二维图像，所述第二二维图像集合包括所述一统计周期内所述至少两个边坡坡面的最终二维图像；
所述统计单元7012，用于根据所述第一二维图像集合和第二二维图像集合，统计经过所述一统计周期后边坡坡面变为危险状态的个数，得到危险个数；
所述第二计算单元7013，用于根据所述危险个数和所述第一二维图像集中二维图像的个数，计算得到所述边坡处于危险状态的概率阈值。
在本公开的一种具体实施方式中，所述第一计算模块702包括处理单元7021和第一计算单元7022。
所述处理单元7021，用于对每个所述识别区域的二维图像进行灰度处理，得到每个所述识别区域处理后的二维图像；
所述第一计算单元7022，用于根据所述每个所述识别区域处理后的二维图像，计算每个所述识别区域处理后的二维图像的维数值，根据所述每个所述识别区域处理后的二维图像的维数值构建各所述识别区域的初始维数值矩阵。
在本公开的一种具体实施方式中，所述第二获取模块703包括第二获取单元7031、第三计算单元7032和第四计算单元7033。
所述第二获取单元7031，用于获取一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，计算所述全部所述识别区域对应的二维图像中每张二维图像的维数值，得到数据集；
所述第三计算单元7032，用于根据所述数据集计算每个所述识别区域的边坡坡面发生破坏后对全部所述识别区域的影响维数值，将所述每个所述识别区域的边坡坡面发生破坏后对全部识别区域的影响维数值作为矩阵元素构建第一矩阵；
所述第四计算单元7033，用于将所述第一矩阵和所述各所述识别区域的初始维数值矩阵相减，得到第二矩阵，将所述第二矩阵中的元素进行归一化处理，得到每个所述识别区域单独发生破坏时，对各个所述识别区域的破坏影响概率。
在本公开的一种具体实施方式中，所述识别模块704包括第五计算单元7041、第六计算单元7042和对比单元7043。
所述第五计算单元7041，用于将所述每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率作为矩阵元素，构建第三矩阵；
所述第六计算单元7042，用于根据所述第三矩阵计算得到各所述分析区域的定态破坏概率；
所述对比单元7043，用于将所述概率阈值与所述各所述分析区域的定态破坏概率进行比较，若所述各所述分析区域的定态破坏概率大于或等于所述概率阈值，则将此分析区域识别为危险区域。
在本公开的一种具体实施方式中，所述装置还包括第三获取模块705、第二计算模块706和发送模块707。
所述第三获取模块705，用于获取距离数据，所述距离数据包括识别出来的危险区域的表面固定监测点到所述边坡坡面设置的激光位移传感器处的距离信息；
所述第二计算模块706，用于根据所述距离数据计算出所述识别出来的危险区域的表面固定监测点的位移和位移速率；
所述发送模块707，用于根据所述识别出来的危险区域的表面固定监测点的位移和位移速率确定所述识别出来的危险区域的稳定性结果，将所述识别出来的危险区域的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边坡坡面危险区预测设备，下文描述的边坡坡面危险区预测设备与上文描述的边坡坡面危险区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边坡坡面危险区预测设备800的框图。如图3所示，该边坡坡面危险区预测设备800可以包括：处理器801，存储器802。该边坡坡面危险区预测设备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用于控制该边坡坡面危险区预测设备800的整体操作，以完成上述的边坡坡面危险区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边坡坡面危险区预测设备800的操作，这些数据例如可以包括用于在该边坡坡面危险区预测设备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(Static RandomAccess 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用于该边坡坡面危险区预测设备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，该边坡坡面危险区预测设备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，用于执行上述的边坡坡面危险区预测方法。
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边坡坡面危险区预测方法的步骤。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边坡坡面危险区预测设备800的处理器801执行以完成上述的边坡坡面危险区预测方法。
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边坡坡面危险区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边坡坡面危险区预测方法的步骤。
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 (8)

1.边坡坡面危险区预测方法，其特征在于，包括：
获取边坡坡面的二维图像和边坡坡面处于危险状态的概率阈值；
根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵；
获取图像集，所述图像集包括一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，所述识别区域的边坡坡面发生破坏后，则将发生破坏的识别区域定义为分析区域，根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果，所述第一结果包括每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率；
根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域；
其中，所述根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果，包括：
获取一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，计算所述全部所述识别区域对应的二维图像中每张二维图像的的维数值，得到数据集；
根据所述数据集计算每个所述识别区域的边坡坡面发生破坏后对全部所述识别区域的影响维数值，将所述每个所述识别区域的边坡坡面发生破坏后对全部识别区域的影响维数值作为矩阵元素构建第一矩阵；
将所述第一矩阵和所述各所述识别区域的初始维数值矩阵相减，得到第二矩阵，将所述第二矩阵中的元素进行归一化处理，得到每个所述识别区域单独发生破坏时，对各个所述识别区域的破坏影响概率；
其中，所述根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域，包括：
将所述每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率作为矩阵元素，构建第三矩阵；
根据所述第三矩阵计算得到各所述分析区域的定态破坏概率；
将所述概率阈值与所述各所述分析区域的定态破坏概率进行比较，若所述各所述分析区域的定态破坏概率大于或等于所述概率阈值，则将此分析区域识别为危险区域。
2.根据权利要求1所述的边坡坡面危险区预测方法，其特征在于，所述根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵，包括：
对每个所述识别区域的二维图像进行灰度处理，得到每个所述识别区域处理后的二维图像；
根据所述每个所述识别区域处理后的二维图像，计算每个所述识别区域处理后的二维图像的维数值，根据所述每个所述识别区域处理后的二维图像的维数值构建各所述识别区域的初始维数值矩阵。
3.根据权利要求1所述的边坡坡面危险区预测方法，其特征在于，所述边坡处于危险状态的概率阈值的计算，包括：
获取第一二维图像集合和第二二维图像集合，所述第一二维图像集合包括一统计周期内至少两个边坡坡面的最初二维图像，所述第二二维图像集合包括所述一统计周期内所述至少两个边坡坡面的最终二维图像；
根据所述第一二维图像集合和第二二维图像集合，统计经过所述一统计周期后边坡坡面变为危险状态的个数，得到危险个数；
根据所述危险个数和所述第一二维图像集合中二维图像的个数，计算得到所述边坡处于危险状态的概率阈值。
4.边坡坡面危险区预测装置，其特征在于，包括：
第一获取模块，用于获取边坡坡面的二维图像和边坡坡面处于危险状态的概率阈值；
第一计算模块，用于根据所述边坡坡面的二维图像将所述边坡坡面均匀划分为至少两个识别区域，并基于各个所述识别区域的二维图像构建各个识别区域的初始维数值矩阵；
第二获取模块，用于获取图像集，所述图像集包括一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，所述识别区域的边坡坡面发生破坏后，则将发生破坏的识别区域定义为分析区域，根据所述各个识别区域的初始维数值矩阵和所述图像集，得到第一结果，所述第一结果包括每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率；
识别模块，用于根据所述边坡坡面处于危险状态的概率阈值与所述第一结果，识别所有所述分析区域中的危险区域；
其中，所述第二获取模块，包括：
第二获取单元，用于获取一个所述识别区域的边坡坡面发生破坏后，全部所述识别区域对应的二维图像，计算所述全部所述识别区域对应的二维图像中每张二维图像的的维数值，得到数据集；
第三计算单元，用于根据所述数据集计算每个所述识别区域的边坡坡面发生破坏后对全部所述识别区域的影响维数值，将所述每个所述识别区域的边坡坡面发生破坏后对全部识别区域的影响维数值作为矩阵元素构建第一矩阵；
第四计算单元，用于将所述第一矩阵和所述各所述识别区域的初始维数值矩阵相减，得到第二矩阵，将所述第二矩阵中的元素进行归一化处理，得到每个所述识别区域单独发生破坏时，对各个所述识别区域的破坏影响概率；
其中，所述识别模块，包括：
第五计算单元，用于将所述每个所述识别区域的边坡坡面单独发生破坏时，对各个所述识别区域的破坏影响概率作为矩阵元素，构建第三矩阵；
第六计算单元，用于根据所述第三矩阵计算得到各所述分析区域的定态破坏概率；
对比单元，用于将所述概率阈值与所述各所述分析区域的定态破坏概率进行比较，若所述各所述分析区域的定态破坏概率大于或等于所述概率阈值，则将此分析区域识别为危险区域。
5.根据权利要求4所述的边坡坡面危险区预测装置，其特征在于，所述第一计算模块，包括：
处理单元，用于对每个所述识别区域的二维图像进行灰度处理，得到每个所述识别区域处理后的二维图像；
第一计算单元，用于根据所述每个所述识别区域处理后的二维图像，计算每个所述识别区域处理后的二维图像的维数值，根据所述每个所述识别区域处理后的二维图像的维数值构建各所述识别区域的初始维数值矩阵。
6.根据权利要求4所述的边坡坡面危险区预测装置，其特征在于，所述第一获取模块，包括：
第一获取单元，用于获取第一二维图像集合和第二二维图像集合，所述第一二维图像集合包括一统计周期内至少两个边坡坡面的最初二维图像，所述第二二维图像集合包括所述一统计周期内所述至少两个边坡坡面的最终二维图像；
统计单元，用于根据所述第一二维图像集合和第二二维图像集合，统计经过所述一统计周期后边坡坡面变为危险状态的个数，得到危险个数；
第二计算单元，用于根据所述危险个数和所述第一二维图像集合中二维图像的个数，计算得到所述边坡处于危险状态的概率阈值。
7.边坡坡面危险区预测设备，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3任一项所述边坡坡面危险区预测方法的步骤。
8.一种可读存储介质，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3任一项所述边坡坡面危险区预测方法的步骤。
CN202110562079.7A 2021-05-24 2021-05-24 边坡坡面危险区预测方法、装置、设备及可读存储介质 Active CN113034499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110562079.7A CN113034499B (zh) 2021-05-24 2021-05-24 边坡坡面危险区预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110562079.7A CN113034499B (zh) 2021-05-24 2021-05-24 边坡坡面危险区预测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113034499A CN113034499A (zh) 2021-06-25
CN113034499B true CN113034499B (zh) 2021-09-21

Family

ID=76455528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110562079.7A Active CN113034499B (zh) 2021-05-24 2021-05-24 边坡坡面危险区预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113034499B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238533B (zh) * 2022-09-23 2022-12-20 西南交通大学 边坡块体稳定性评价方法、系统、设备及可读存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118817A (ja) * 2002-09-26 2004-04-15 Toshitaka Kamai 谷（くぼ地）埋め盛土等の人工地形改変地域の災害発生予測の調査、解析手法および、それらにより作成した災害危険度予測図（ハザードマップ）の発明。
CN104899437A (zh) * 2015-05-29 2015-09-09 杭州辰青和业科技有限公司 强降雨型滑坡灾害预警方法
CN105044774A (zh) * 2015-08-26 2015-11-11 长安大学 一种地震作用下边坡稳定性预测方法
CN106844628A (zh) * 2017-01-19 2017-06-13 北京辰安科技股份有限公司 滑坡预测方法和装置
CN107067333A (zh) * 2017-01-16 2017-08-18 长沙矿山研究院有限责任公司 一种高寒高海拔高陡边坡稳定性监控方法
CN107358327A (zh) * 2017-07-21 2017-11-17 重庆大学 基于无人机遥感影像的滑坡易发性评定方法
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
CN108254782A (zh) * 2018-02-09 2018-07-06 中国地质大学（北京） 一种边坡地震破坏失稳概率的获取方法及系统
CN110210774A (zh) * 2019-06-10 2019-09-06 中国地质调查局西安地质调查中心 滑坡风险评价方法及系统
CN111504268A (zh) * 2020-04-22 2020-08-07 深圳市地质局 一种土质边坡险情智能预警预报方法
CN111784829A (zh) * 2020-06-01 2020-10-16 重庆地质矿产研究院 一种基于三维地质模型的滑坡监测关键点的布置方法
CN112232321A (zh) * 2020-12-14 2021-01-15 西南交通大学 一种振动数据干扰降噪方法、装置、设备及可读存储介质
CN112508252A (zh) * 2020-11-27 2021-03-16 四川大学 一种地质滑坡预测计算方法
CN112668244A (zh) * 2021-01-06 2021-04-16 西南交通大学 边坡地震稳定性预测方法、装置、设备及可读存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268420B (zh) * 2013-05-24 2016-06-22 河海大学 一种岩石高边坡的危险性评价方法
CN103306722B (zh) * 2013-06-21 2015-08-05 中国矿业大学 一种冲击危险区的微震多维信息综合区域探测评价方法
CN103728664B (zh) * 2013-12-24 2016-04-13 辽宁工程技术大学 一种露天矿边坡在地震中稳定性的分析方法
MX2014012034A (es) * 2014-10-06 2016-04-06 Armando Javier Ramírez Rascón Tablestaca permeable y pantalla para drenaje del agua subterranea y para la captacion y la conduccion de agua superficial y subterranea.
CN106709182B (zh) * 2016-12-26 2020-02-14 华中科技大学 一种地震作用下顺层岩质边坡稳定可靠性安全评价方法
CN108595878B (zh) * 2018-05-09 2020-09-22 河南理工大学 一种边坡失稳机制判定方法
CN110390169A (zh) * 2019-07-25 2019-10-29 西南交通大学 一种基于力学模型的地震滑坡危险性定量评价方法
CN110362955A (zh) * 2019-07-25 2019-10-22 四川大学 岩质高边坡稳定性分析三维地质力学模型试验方法及应用
CN112200419A (zh) * 2020-09-16 2021-01-08 绍兴文理学院 基于激光扫描、BQ、改进Mathews稳定图的围岩稳定性评价方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118817A (ja) * 2002-09-26 2004-04-15 Toshitaka Kamai 谷（くぼ地）埋め盛土等の人工地形改変地域の災害発生予測の調査、解析手法および、それらにより作成した災害危険度予測図（ハザードマップ）の発明。
CN104899437A (zh) * 2015-05-29 2015-09-09 杭州辰青和业科技有限公司 强降雨型滑坡灾害预警方法
CN105044774A (zh) * 2015-08-26 2015-11-11 长安大学 一种地震作用下边坡稳定性预测方法
CN107067333A (zh) * 2017-01-16 2017-08-18 长沙矿山研究院有限责任公司 一种高寒高海拔高陡边坡稳定性监控方法
CN106844628A (zh) * 2017-01-19 2017-06-13 北京辰安科技股份有限公司 滑坡预测方法和装置
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
CN107358327A (zh) * 2017-07-21 2017-11-17 重庆大学 基于无人机遥感影像的滑坡易发性评定方法
CN108254782A (zh) * 2018-02-09 2018-07-06 中国地质大学（北京） 一种边坡地震破坏失稳概率的获取方法及系统
CN110210774A (zh) * 2019-06-10 2019-09-06 中国地质调查局西安地质调查中心 滑坡风险评价方法及系统
CN111504268A (zh) * 2020-04-22 2020-08-07 深圳市地质局 一种土质边坡险情智能预警预报方法
CN111784829A (zh) * 2020-06-01 2020-10-16 重庆地质矿产研究院 一种基于三维地质模型的滑坡监测关键点的布置方法
CN112508252A (zh) * 2020-11-27 2021-03-16 四川大学 一种地质滑坡预测计算方法
CN112232321A (zh) * 2020-12-14 2021-01-15 西南交通大学 一种振动数据干扰降噪方法、装置、设备及可读存储介质
CN112668244A (zh) * 2021-01-06 2021-04-16 西南交通大学 边坡地震稳定性预测方法、装置、设备及可读存储介质

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Distributed probability of slope failure in Thailand under climate change;Daisuke Komori等;《Climate Risk Management》;20181231;第20卷;第126-137页 *
Integrated risk assessment due to slope instabilities in the roadway network of Gipuzkoa, Basque Country;Olga Mavrouli等;《Natural Hazards and Earth System Sciences》;20190228;第399-419页 *
Three Dimensional Space-Time Analysis Theory of Geotechnical Seismic Engineering;Changwei Yang等;《Science Press》;20191231;第1-371页 *
周叔举等.边坡稳定性的破坏概率计算与分析.《 边坡稳定的岩石力学分析学术会议》.1987,第1-16页. *
基于Barton-Bandis非线性破坏准则的边坡破坏概率分析;陈欢欢;《金属矿山》;20201130(第533期);第44-52页 *
岩质边坡的地震动特性及基覆型边坡的滑坡成因机理、稳定性判识、危害范围评价体系的研究;杨长卫;《中国博士学位论文全文数据库 基础科技辑》;20160115(第（2016）01期);A011-14 *
考虑活动状态与破坏概率的岸坡动态危险性评价;龙奎等;《灾害学》;20201031;第35卷(第4期);第66-71页 *
边坡工程灾变监测预警研究述评;任广丽等;《防灾科技学院学报》;20210331;第23卷(第1期);第6-16页 *

Also Published As

Publication number Publication date
CN113034499A (zh) 2021-06-25

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
US10444038B2 (en) Detecting personnel, their activity, falls, location, and walking characteristics
CN109766534B (zh) 报表生成方法、装置、计算机设备及可读存储介质
US10237297B2 (en) System and method for threat incident corroboration in discrete temporal reference using 3D dynamic rendering
CN114021487B (zh) 一种山坡崩塌的预警方法、装置、设备及可读存储介质
CN112766429B (zh) 一种异常检测的方法、装置、计算机设备和介质
CN113034499B (zh) 边坡坡面危险区预测方法、装置、设备及可读存储介质
CN116028499B (zh) 检测信息生成方法、电子设备和计算机可读介质
CN113919513A (zh) 一种联邦学习安全聚合方法、装置及电子设备
CN111767192B (zh) 基于人工智能的业务数据检测方法、装置、设备和介质
CN110223489A (zh) 一种工程对象的监测方法及装置
CN115546628A (zh) 一种水利工程堤坝裂缝监测方法、装置、设备及介质
CN112597238A (zh) 基于人员信息的知识图谱构建方法、系统、设备及介质
CN114002332A (zh) 一种结构损伤监测预警方法及结构完整性数字孪生系统
Singh et al. Roof bolt identification in underground coal mines from 3D point cloud data using local point descriptors and artificial neural network
CN110321582B (zh) 一种传销活动分析方法及装置
Pailoplee et al. CU-PSHA: A Matlab software for probabilistic seismic hazard analysis
TWI636276B (zh) 人工智能地震判斷方法及地震偵測系統
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
CN113420070B (zh) 排污监测数据处理方法、装置、电子设备及存储介质
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
CN115063143A (zh) 账户数据处理方法、装置、计算机设备和存储介质
KR102362808B1 (ko) 상황별 근로자위험도 측정 방법
CN114218574A (zh) 一种数据检测方法、装置、电子设备以及存储介质
Luca et al. Anomaly detection using the Poisson process limit for extremes

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