CN113240735A - 一种边坡位移活动性监测方法 - Google Patents
一种边坡位移活动性监测方法 Download PDFInfo
- Publication number
- CN113240735A CN113240735A CN202110137473.6A CN202110137473A CN113240735A CN 113240735 A CN113240735 A CN 113240735A CN 202110137473 A CN202110137473 A CN 202110137473A CN 113240735 A CN113240735 A CN 113240735A
- Authority
- CN
- China
- Prior art keywords
- image
- slope
- points
- area
- positions
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种边坡位移活动性监测方法,包括如下步骤:对边坡图像进行区域划分,分为植被区、裸岩区和风化土区;对于风化土区,选取部分像素点作为散斑点形成散斑场;对于裸岩区,寻找多尺度空间中极值点作为稳定的关键点,并提取关键点的特征向量;对于双目的边坡图像的散斑场和关键点,提取对应的散斑点的位置和关键点特征向量的位置,求解出监测点的三维坐标;提取不同时刻散斑点的位置和关键点特征向量的位置,从而算出边坡三维位移场信息。采用本申请的方案,能够方便快捷对边坡进行监测,并且图像中首先剔除了易于发生变化的植被区,减少了干扰,并且可根据发现的裸岩和风化土的在图像上的区别进行区分,采用不同的方法分别处理实施监测。
Description
技术领域
本发明涉及岩土工程技术领域,具体属于岩土工程监测技术领域,尤其涉及一种边坡位移活动性监测方法。
背景技术
边坡已经成为了人类工程建设中的主要地质环境,水利水电工程、铁路公路建设、露天矿开采均会造成大量的人工边坡。边坡上的岩体或者土体在重力作用下受到降雨、爆破振动、坡脚开挖及地下人为开采等因素影响会整体或分散地向下发生滑移,对人类的生产生活和生命财产安全造成严重危害。近年来,随着人类活动对地质环境的扰动程度不断加大,发生滑坡灾害的频率也愈来愈频繁,因此加强对边坡的监测显得尤为重要。减少滑坡灾害问题的关键在于对边坡进行变形监测,边坡变形监测可以为防治滑坡及可能的滑动提供技术依据,预测和预报今后边坡的位移、变形的发展趋势。
目前,国内边坡灾害监测主要分为地表位移监测、深部位移监测、力学参数监测及环境影响因素监测等,针对不同地质条件、不同类型的边坡所选择的监测方法也不同。常用的监测方法有:大地测量法、GPS法、TDR法、三维激光扫描法、合成孔径雷达法、宏观地质监测法等。以上监测方法,如大地测量法需要监测人员在滑坡体上进行工作,对监测人员的人身安全造成严重威胁,而且采集周期长,工作量大,同时受环境、气候等条件限制;GPS法和TDR法是基于点的测量,很难反映边坡全局的位移信息;对于雷达和三维激光扫描法,受气候条件限制,造价昂贵,且作业方式复杂。因此开展低成本、全天候、全场测量的边坡位移活动性监测的研究显得尤为重要。
发明内容
本发明的目的在于解决上述任一问题的监测方法,具体而言:本发明提供一种边坡位移活动性监测方法,其特征在于,包括如下步骤:
对边坡图像进行区域划分,分为植被区、裸岩区和风化土区;
对于风化土区,选取部分像素点作为散斑点形成散斑场;
对于裸岩区,寻找多尺度空间中极值点作为稳定的关键点,并提取关键点的特征向量;
提取对应的散斑点的位置和关键点特征向量的位置,并结合双目标定结果,求解出监测点的三维坐标;
提取不同时刻左右相机图像中散斑点的位置和关键点特征向量的位置,计算得到不同时刻的待测点的三维坐标,从而算出边坡三维位移场信息。
在一个方案中,其特征在于:所述对边坡图像进行区域划分具体包括,依据光测方法特点,结合边坡地貌和岩土体类型,利用不同的图像分割算法对边坡光测区域进行分类和整合。
在一个方案中,其特征在于:第一步为提取出边坡植被区,第二步再将岩土区域分为裸岩和风化土区域。
在一个方案中,其特征在于:所述提取出边坡植被区包括:
采用如下公式对图像处理
VI′=E*G-E*R=(2*G′-R′-B′)-(1.4*R′-G′) 式(1)
根据式(1)对边坡图像进行植被区域提取,将0作为阈值进行二值化处理,根据提取出来的二值化图像,白色区域代表植被区域,黑色则为岩土区域。
在一个方案中,其特征在于:使用形态学处理算法,选择合适的结构函数,对二值化图像进行闭操作处理,提取并计算图像上连通域大小,删去一定面积区间以内的连通域,使得提取出的植被区域更具有整体性和连续性,通过上述方法将边坡图像植被区域和岩土区域分离开
在一个方案中,其特征在于:将岩土区域分为裸岩和风化土区域,包括结合岩土区域图像的灰度分布特征,以3个聚类簇为初始聚类数量,对图像进行聚类,通过观察图像灰度聚类结果,将岩土区域划分为两种类别:其中部分区域由于灰度值较大以及分布位置较为接近,为裸岩区域,另一部分区域灰度分布比较随机,呈现3个量级灰度值交替分布的特点,为风化土区域。
在一个方案中,其特征在于:所述选取部分像素点作为散斑点形成散斑场,具体包括,以图像中一个像素为大小,按照一定像素数量为间隔选取散斑点形成散斑场。
在一个方案中,其特征在于:所述散斑场内的散斑点均匀布置。
在一个方案中,其特征在于:所述计算出边坡三维位移场信息,包括通过相关系数函数来计算形变前后的散斑场中散斑点的位移的变化。
在一个方案中,其特征在于:对于双目的边坡图像的散斑场和关键点进行匹配形成三维图像包括:采用全站仪打点的形式,获取均匀布设的有明显特征的点的三维坐标,然后分别提取左右图像对应的特征点的图像坐标,根据相机标定模型,采用两步法求解出左右相机的内外参数和相对位置。
采用本申请的方案,能够方便快捷对边坡进行监测,并且图像中首先剔除了易于发生变化的植被区减少了干扰,并且根据发现的裸岩和风化土的在图像上的区别,进行区分,并采用不同的方法分别处理实施监测。此外,采用双目相机方式,实现了三维边坡位移场的监测。
附图说明
图1是本发明方法流程图;
图2是本发明散斑点和关键点三维坐标的求解方法示意图;
图3是本发明计算边坡三维位移场的示意图。
图4是边坡原始图像;
图5是对图4聚类处理后图像;
图6是聚类图像二值化处理后图像;
图7是对图6连通域提取后图像。
具体实施方式
为了使本发明的技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
本发明的一种边坡位移活动性监测方法,如图1所示,包括如下步骤:
1)对边坡图像进行区域划分,分为植被区、裸岩区和风化土区;
2)对于风化土区,选取部分像素点作为散斑点形成散斑场;
3)对于裸岩区,寻找多尺度空间中极值点作为稳定的关键点,并提取关键点的特征向量;
4)提取对应的散斑点的位置和关键点特征向量的位置,并结合双目标定结果,求解出监测点的三维坐标;
5)提取不同时刻散斑点的位置和关键点特征向量的位置,计算得到不同时刻的待测点的三维坐标,从而算出边坡三维位移场信息。
其中,如图2所示,所述结合双目标定结果,求解出监测点的三维坐标包括,根据双目标定得到的左右相机参数和相对位置,计算得出左侧图像中散斑点和关键点对应在右图像中的位置,得到右相机参考图像的对应散斑点和特征点的位置并进行立体匹配,得到散斑点和特征点的三维坐标。
其中,如图3所示,所述提取不同时刻散斑点的位置和关键点特征向量的位置,计算得到不同时刻的待测点的三维坐标,从而算出边坡三维位移场信息,包括,首先在左侧图像中确定散斑点和关键点的位置,随后根据目标定得到的左右相机参数和相对位置,计算得出右侧图像中对应散斑点和特征点的位置并进行立体匹配,得到变形后散斑点和特征点的三维坐标。之后将变形前后的散斑点和特征点的三维坐标比较得到边坡三维位移场信息。
采用本申请的方案,能够方便快捷对边坡进行监测,并且图像中首先剔除了易于发生变化的植被区减少了干扰,并且根据发现的裸岩和风化土的在图像上的区别,进行区分,并采用不同的方法分别处理实施监测。此外,采用双目相机方式,实现了三维边坡位移场的监测。
在一个方案中,所述对边坡图像进行区域划分具体包括,依据光测方法特点,结合边坡地貌和岩土体类型,利用不同的图像分割算法对边坡光测区域进行分类和整合。具体包括两步,第一步为提取出边坡植被区,例如通过计算植被指数,提取出边坡植被区域。第二步再将岩土区域分为裸岩和风化土区域,例如通过对图像灰度信息进行聚类分析。
具体地,对自然因素,对边坡进行光测区域划分。具体步骤如下:
(1)对图像二值化
采用如下公式对RGB图像处理
VI′=E*G-E*R=(2*G′-R′-B′)-(1.4*R′-G′) 式(1)
根据式(1)对边坡图像进行植被区域提取,将0作为阈值进行二值化处理,完成边坡图像植被区域的初提取。
根据提取出来的二值化图像,二值化图像中的白色区域代表植被区域,黑色则为岩土区域(裸岩区域和风化土区域)。
优选的,方案中,使用形态学处理算法,选择合适的结构函数,对二值化图像进行闭操作处理,达到平滑并融合相邻边界的目的。具体地,提取并计算图像上连通域大小,删去一定面积区间以内的连通域,使得提取出的植被区域更具有整体性和连续性。
通过上述方法将边坡图像植被区域和岩土区域分离开。
(2)结合岩土区域图像的灰度分布特征,以3个聚类簇为初始聚类数量,在图像上对应三个灰度区间,对图像灰度值进行聚类,将图像各像素点的灰度值分属于这3个不同的灰度区间,每个灰度区间对应一个量级,从而形成三个灰度量级,达到图像降维的目的。具体地,如图4和5所示。通过观察降维后图像中3个灰度量级的分布情况,结合原始图像进行对比,可以发现,边坡岩石区域(如图5区域1,图中右侧部分)各像素点灰度量值最大以及分布位置较为统一,边坡土体区域(如图5区域3,图中左上侧部分)各像素点灰度值杂乱无序,呈现3个量级灰度值交替分布的特点,于是根据上述判断,将岩土区域划分为两种类别:裸岩区域和风化土区域。
根据聚类结果,边坡岩石区域灰度量级较为一致,因此可以通过获取连通域的办法将岩石区域提取出来。以灰度值最大的量级作为阈值,对上述图像进行二值化操作,见图6,通过计算和比较图像中各个连通域大小,提取出连通域面积最大的一块区域,即认为是裸岩区域,然后通过canny算子提取连通域边界,将岩土区域分为裸岩和风化土两部分,见图7。
通过以上流程分别提取植被区域和裸岩区域,可以完成对边坡的分区处理。
在一个方案中,所述选取部分图像中的天然像素点作为散斑点形成散斑场,具体包括,以图像中一个像素为大小,按照一定像素数量为间隔选取散斑点形成散斑场。优选地所述散斑点均匀布置。
采用这样的方案,是申请人发现风化土区域灰度分布较为随机,在边坡移动过程中,其灰度不会发生变化,即风化土区图像在变形过程中保持相同的灰度值,通过搜索相关系数来确定变形前后对应点位置的信息,测量精度可达亚像素级别
在一个方案中,所述计算出边坡三维位移场信息,包括通过相关系数函数来计算形变前后的散斑场中散斑点的位移的变化。具体地,通过相关函数来计算变形前后图像子区的相似程度,找到相关系数的极值对应的图像子区即为目标子区,参考子区和目标子区中心像素坐标差就是该点的位移信息。一个方案中,所述子区为像素点周围8共9个像素点大小。
在一个方案中,所述位散斑场内散斑点的位移变化采用如下函数实现:
式中,C代表子区的相关系数,f(x,y)和g(x′,y′)分别为变形前和变形后图像散斑场区域的灰度,fm(x,y)和gm(x′,y′)为散斑场区域内平均灰度,2M+1为散斑场区域大小,M代表子区中心点到子区边界的距离。。
其中,所述相关系数的值在-1到1之间,值越大说明相关度越高,取最大的点为所述散斑点变形后的点。
在一个方案中,所述寻找多尺度空间中极值点作为稳定的关键点,并提取关键点的特征向量,包括如下步骤:
(1)构造尺度空间:通过高斯模糊生成不同尺度下的图像,利用高斯微分函数检测出对于尺度和旋转不变的空间极值点。
(2)关键点定位:通过拟合函数来精确确定空间极值点的位置和所在尺度,筛选出初始关键点,同时一些不稳定的极值点,如角点、边缘点等。
(3)确定特征点方向:根据关键点邻域像素的梯度分布特征,计算每个关键点邻域窗口内的梯度方向直方图,将直方图峰值所在方向作为关键点的主方向。
(4)关键点描述:首先将坐标轴旋转为关键点的主方向,计算关键点在尺度空间下4×4窗口中8个方向的梯度信息,作为描述关键点的特征向量。
在一个方案中,对于双目的边坡图像的散斑场和关键点进行匹配形成三维图像包括:
采用全站仪获取均匀布设的有明显特征的点的三维坐标,然后分别提取左右图像对应的特征点的图像坐标,根据相机标定模型,将全站仪得到的三维坐标和左右相机的图像坐标代入到相机标定模型中,通过以上步骤求解出左右相机各自的内参数矩阵、旋转和平移矩阵,这里我们采用两步法进行求解。
其中,所述相机标定模型为:
式中,(u,v)为待测物在图像上的坐标,αx,αy为相机的等效焦距,(u0,v0)为相机主点坐标,R为相机的3*3旋转矩阵,T为相机的1*3平移矩阵,(Xw,Yw,Zw,1)为世界坐标系下三维点的世界齐次坐标,(u,v,1)为相应的图像齐次坐标。
在一个方案中,对于双目立体视觉,还需要标定出左右相机坐标系之间的相对关系。由相机标定模型可知,位于世界坐标系中的待测物体,经过平移和旋转,移动到相机坐标系对应的位置,然后再通过相机内部参数,得到位于相机图像坐标系中的位置,因此,我们要求得左右两个相机坐标系之间的关系,可以将相机标定模型简化为只包含旋转和平移两个向量,如式(4)和式(5)所示,分别代表世界坐标系的一点Pw,经过旋转和平移后,转移到左右相机坐标系相对于的位置。
Pl=RlPw+Tl 式(4)
Pr=RrPw+Tr 式(5)
对于式(4),Pw为相机坐标系下的坐标,Pw为空间中某点P在世界坐标系下的坐标,Rl代表点P到相机的旋转矩阵,Tl代表点P到相机的平移矩阵。
下面我们用旋转矩阵R和平移矩阵T来分别表示两个相机坐标系的相对关系,通过联立式(4)和式(5),可得式(6),求解出左相机的坐标转换到右相机旋转矩阵R和平移矩阵T,旋转矩阵R和平移矩阵T表达式分别为式(7)和式(8)。
Pr=RPl+T 式(6)
Pl=Tr-RlTl 式(8)
进一步地,根据上述不同位移计算方法,分别提取不同时刻左右相机对应点的图像坐标,根据双目视觉原理,如式(9)和式(10)所示,是由式(3)变形所得,通过将相机的内外参数进行相乘,得到也就是相机的投影矩阵,根据求解得到的相机内外参数和相对位置,这里投影矩阵作为已知量,利用最小二乘法即可求解出边坡三维位移场信息。
其中,(Xw,Yw,Zw,1)为世界坐标系下三维点的世界齐次坐标,(u,v,1)为相应的图像齐次坐标,mij为相机投影矩阵M的第i行第j列元素,Zc可通过联立式(9)和式(10)进行消除。
在一个方案中,考虑到光照变化和其他天气因素产生的干扰,采用如下方法进行处理:
(1)通过直方图均衡化处理,使图像有较大的灰度动态范围和较高的对比度,同时使图像的细节更为丰富。具体地,可以使得灰度拉伸后的图像灰度布满整个0-255灰度区间,分布更加均衡合理。
(2)通过提取图像的光照不变特征,处理掉光照过强和光照不足条件下造成图像灰度分布严重不均匀的现象,使其满足灰度不变假设,增强图像的细节信息。
(3)基于暗通道先验算法对雨雾天采集到的图像进行操作,实现去雨雾处理。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种边坡位移活动性监测方法,包括如下步骤:
1)对边坡图像进行区域划分,分为植被区、裸岩区和风化土区;
2)对于风化土区,选取部分像素点作为散斑点形成散斑场;
3)对于裸岩区,寻找多尺度空间中极值点作为稳定的关键点,并提取关键点的特征向量;
4)提取对应的散斑点的位置和关键点特征向量的位置,并结合双目标定结果,求解出监测点的三维坐标;
5)提取不同时刻散斑点的位置和关键点特征向量的位置,计算得到不同时刻的待测点的三维坐标,从而算出边坡三维位移场信息。
2.根据权利要求1所述的一种边坡位移活动性监测方法,其特征在于:所述对边坡图像进行区域划分具体包括,依据光测方法特点,结合边坡地貌和岩土体类型,利用不同的图像分割算法对边坡光测区域进行分类和整合。
3.根据权利要求2所述的一种边坡位移活动性监测方法,其特征在于:第一步为提取出边坡植被区,第二步再将岩土区域分为裸岩和风化土区域。
5.根据权利要求4所述的一种边坡位移活动性监测方法,其特征在于:使用形态学处理算法,选择合适的结构函数,对二值化图像进行闭操作处理,提取并计算图像上连通域大小,删去一定面积区间以内的连通域,使得提取出的植被区域更具有整体性和连续性,通过上述方法将边坡图像植被区域和岩土区域分离开。
6.根据权利要求5所述的一种边坡位移活动性监测方法,其特征在于:将岩土区域分为裸岩和风化土区域,包括结合岩土区域图像的灰度分布特征,以3个聚类簇为初始聚类数量,对图像进行聚类,通过观察图像灰度聚类结果,将岩土区域划分为两种类别:其中部分区域由于灰度值较大以及分布位置较为接近,为裸岩区域,另一部分区域灰度分布比较随机,呈现3个量级灰度值交替分布的特点,为风化土区域。
7.根据权利要求1-6任一项所述的一种边坡位移活动性监测方法,其特征在于:所述选取部分像素点作为散斑点形成散斑场,具体包括,以图像中一个像素为大小,按照一定像素数量为间隔选取散斑点形成散斑场。
8.根据权利要求7所述的一种边坡位移活动性监测方法,其特征在于:所述散斑场内的散斑点均匀布置。
9.根据权利要求8述的一种边坡位移活动性监测方法,其特征在于:对于双目的边坡图像的散斑场和关键点进行匹配形成三维图像包括:采用全站仪打点的形式,获取均匀布设的有明显特征的点的三维坐标,然后分别提取左右图像对应的特征点的图像坐标,根据相机标定模型,采用两步法求解出左右相机的内外参数和相对位置。
10.根据权利要求1-6任一项所述的一种边坡位移活动性监测方法,其特征在于:所述计算出边坡三维位移场信息,包括通过相关系数函数来计算形变前后的图像中散斑点和关键点的位移的变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137473.6A CN113240735B (zh) | 2021-02-01 | 2021-02-01 | 一种边坡位移活动性监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137473.6A CN113240735B (zh) | 2021-02-01 | 2021-02-01 | 一种边坡位移活动性监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240735A true CN113240735A (zh) | 2021-08-10 |
CN113240735B CN113240735B (zh) | 2023-06-23 |
Family
ID=77130172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110137473.6A Active CN113240735B (zh) | 2021-02-01 | 2021-02-01 | 一种边坡位移活动性监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240735B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673632A (zh) * | 2021-10-22 | 2021-11-19 | 交通运输部公路科学研究所 | 边坡视频监测方法及装置 |
CN115265398A (zh) * | 2022-07-28 | 2022-11-01 | 成都理工大学 | 多期次地震作用下斜坡损伤累积的监测方法 |
CN116363835A (zh) * | 2023-03-30 | 2023-06-30 | 湖南科技大学 | 一种地质灾害诱发性滑坡监测装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103021137A (zh) * | 2012-12-04 | 2013-04-03 | 中铁二十一局集团有限公司 | 表面位移法高边坡稳定性远程三维数字预警方法与系统 |
US20190177932A1 (en) * | 2016-12-02 | 2019-06-13 | Dalian University Of Technology | Combined energy dissipation scaffolding structure for preventing falling rock for high and steep slope in seismic region |
CN112085921A (zh) * | 2020-08-20 | 2020-12-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种基于位移与动力多参数的滑坡综合监测预警方法 |
CN112258643A (zh) * | 2020-09-16 | 2021-01-22 | 中国人民解放军陆军工程大学 | 岩土边坡任意形状落石运动轨迹三维分析方法 |
-
2021
- 2021-02-01 CN CN202110137473.6A patent/CN113240735B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103021137A (zh) * | 2012-12-04 | 2013-04-03 | 中铁二十一局集团有限公司 | 表面位移法高边坡稳定性远程三维数字预警方法与系统 |
US20190177932A1 (en) * | 2016-12-02 | 2019-06-13 | Dalian University Of Technology | Combined energy dissipation scaffolding structure for preventing falling rock for high and steep slope in seismic region |
CN112085921A (zh) * | 2020-08-20 | 2020-12-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种基于位移与动力多参数的滑坡综合监测预警方法 |
CN112258643A (zh) * | 2020-09-16 | 2021-01-22 | 中国人民解放军陆军工程大学 | 岩土边坡任意形状落石运动轨迹三维分析方法 |
Non-Patent Citations (5)
Title |
---|
FEI XU等: "Back analysis of displacement based on support vector machine and continuous tabu search", 《2011 INTERNATIONAL CONFERENCE ON ELECTRIC TECHNOLOGY AND CIVIL ENGINEERING (ICETCE)》, pages 2016 - 2019 * |
ŁUKASZ PAWLIK等: "Surface processes and interactions with forest vegetation on a steep mudstone slope, Stołowe Mountains, SW Poland", 《CATENA》, vol. 109, pages 203 - 216, XP028568956, DOI: 10.1016/j.catena.2013.03.011 * |
刘桂强等: "基于实时位移监测的风化花岗岩边坡安全风险动态调控技术", 《公路交通技术》, vol. 36, no. 2, pages 14 - 19 * |
贺志杰: "边坡活动性监测的数字图像相关方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 01, pages 034 - 211 * |
贺志杰等: "基于DSCM的边坡变形监测方法及应用研究", 《工程勘察》, no. 1, pages 8 - 12 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673632A (zh) * | 2021-10-22 | 2021-11-19 | 交通运输部公路科学研究所 | 边坡视频监测方法及装置 |
CN113673632B (zh) * | 2021-10-22 | 2022-02-01 | 交通运输部公路科学研究所 | 边坡视频监测方法及装置 |
CN115265398A (zh) * | 2022-07-28 | 2022-11-01 | 成都理工大学 | 多期次地震作用下斜坡损伤累积的监测方法 |
CN116363835A (zh) * | 2023-03-30 | 2023-06-30 | 湖南科技大学 | 一种地质灾害诱发性滑坡监测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113240735B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
Charaniya et al. | Supervised parametric classification of aerial lidar data | |
Esch et al. | Characterization of land cover types in TerraSAR-X images by combined analysis of speckle statistics and intensity information | |
Schiewe | Segmentation of high-resolution remotely sensed data-concepts, applications and problems | |
Zhou et al. | Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study | |
Che et al. | Multi-scan segmentation of terrestrial laser scanning data based on normal variation analysis | |
Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
Korzeniowska et al. | Mapping gullies, dunes, lava fields, and landslides via surface roughness | |
CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN111323788B (zh) | 建筑物变化的监测方法、装置及计算机设备 | |
Nex et al. | Automatic roof outlines reconstruction from photogrammetric DSM | |
Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
Ruban et al. | The method for selecting the urban infrastructure objects contours | |
Mayr et al. | Mapping eroded areas on mountain grassland with terrestrial photogrammetry and object-based image analysis | |
Lee et al. | Extraction of weather information on road using CCTV video | |
Saba et al. | Comparison of pixel, sub-pixel and object-based image analysis techniques for co-seismic landslides detection in seismically active area in Lesser Himalaya, Pakistan | |
CN101464148A (zh) | 三维影像侦测、编修及重建系统 | |
CN110427961B (zh) | 一种基于规则和样本融合的建筑信息提取方法及系统 | |
Tian et al. | A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region | |
Kollár et al. | Aerial image classification for the mapping of riparian vegetation habitats | |
CN115063698A (zh) | 斜坡地表变形裂缝自动识别与信息提取方法及系统 | |
Feizizadeh et al. | A semi-automated object based image analysis approach for landslide delineation | |
CN113963270A (zh) | 一种高分遥感影像建筑物检测方法 | |
Koneru et al. | Detection and enumeration of trees using cartosat2 high resolution satellite imagery | |
Li et al. | A new region growing-based segmentation method for high resolution remote sensing imagery |
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 |