CN113240887A - 边坡落石崩塌监测方法、装置及设备 - Google Patents
边坡落石崩塌监测方法、装置及设备 Download PDFInfo
- Publication number
- CN113240887A CN113240887A CN202110524989.6A CN202110524989A CN113240887A CN 113240887 A CN113240887 A CN 113240887A CN 202110524989 A CN202110524989 A CN 202110524989A CN 113240887 A CN113240887 A CN 113240887A
- Authority
- CN
- China
- Prior art keywords
- rockfall
- image
- monitoring
- hidden danger
- camera
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 239000011435 rock Substances 0.000 claims description 137
- 238000012806 monitoring device Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 abstract description 14
- 238000012790 confirmation Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Abstract
本申请属于边坡监测技术领域，提出了一种边坡落石崩塌监测方法、装置及设备。实现所述边坡落石崩塌监测方法的系统包括激光雷达和摄像头，所述方法包括：通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，生成所述落石隐患点对应的灾前预警信号；根据所确定的落石隐患点确定所述摄像头的图像采集参数采集第一图像，并传输所述第一图像至监测中心；由监测中心根据所述第一图像进行落石灾害检测，且在根据第一图像检测到落石灾害时，生成落石灾害报警信息。通过激光雷达采集可疑目标，可以提供及时的灾前预警，通过联动方式由摄像头采集包括可疑目标的第一图像进行目标的识别确认，可减少图像传输数据量，提高图像确认效率和准确度。
Description
技术领域
本申请属于边坡监测技术领域，尤其涉及一种边坡落石崩塌监测方法、装置及设备。
背景技术
边坡落石崩塌是一种常见的地质灾害，其发生频率仅次于滑坡。我国每年由崩塌引起的灾害次数几乎都在2000次以上，直接造成几十亿的经济损失。近几年来，岩石崩塌灾害的监测和预警得到越来越多的关注和重视。其中，基于视频影像技术的智能化监测系统被视为一种有效监测落石崩塌的技术手段，其研发工作近几年来得到了一定程度的发展。
目前，基于视频影像技术的智能化落石崩塌识别系统，一般采用可疑目标检测和目标跟踪法。该方法通过对监测场景图像进行分析识别，虽然能够捕捉可疑目标，但是，基于采集的场景图像进行落石识别时，需要传输整个监测场景图像，图像传输成本较高，无法定位灾害隐患点，不能准确的利用图片信息评估监测区域状态，而且不能有效的提供灾前预警。
发明内容
有鉴于此，本申请实施例提供了一种边坡落石崩塌监测方法、装置及设备，以解决现有技术中对落石崩塌进行监测时，图像传输成本较高，无法定位灾害隐患点，不能准确的利用图片信息评估监测区域状态，而且不能有效的提供灾前预警的问题。
本申请实施例的第一方面提供了一种边坡落石崩塌监测方法，实现所述边坡落石崩塌监测方法的系统包括激光雷达和摄像头，所述方法包括：
通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，生成所述落石隐患点对应的灾前预警信号；
根据所确定的落石隐患点确定所述摄像头的图像采集参数；
根据所述图像采集参数采集包括落石隐患点的第一图像，并传输所述第一图像至监测中心；
由监测中心根据所述第一图像进行落石灾害检测，且在根据第一图像检测到落石灾害时，生成落石灾害报警信息。
结合第一方面，在第一方面的第一种可能实现方式中，通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，包括：
确定所述激光雷达所扫描的点云图像中包括的块体；
通过拟合法或重心点法确定所述点云图像中的块体的监测点的坐标；
当所述监测点的位移大于预定的位移阈值时，确定所述监测点为落石隐患点。
结合第一方面，在第一方面的第二种可能实现方式中，所述摄像头为可变焦和可旋转摄像头，根据所确定的落石隐患点确定所述摄像头的图像采集参数，包括：
根据所述落石隐患点相对于所述摄像头的方位，确定所述摄像头的旋转角度；
根据所述落石隐患点与所述摄像头之间的距离，确定所述摄像头的焦距。
结合第一方面，在第一方面的第三种可能实现方式中，根据所述图像采集参数采集并传输包括落石隐患点的第一图像，包括：
根据预先设定的采集频率和/或预先设定的图像尺寸，采集并传输包括落石隐患点的第一图像。
结合第一方面，在第一方面的第四种可能实现方式中，在根据第一图像检测到落石灾害之后，所述方法还包括：
解析并分割所述第一图像中包括的运动目标的图像，对所述运动目标的图像进行去噪和标记处理；
通过激光雷达确定所标记的运动目标的运动轨迹。
结合第一方面的第四种可能实现方式，在第一方面的第五种可能实现方式中，在根据第一图像检测到落石灾害之前，所述方法还包括：
通过工程地质分析的方式确定所述落石隐患点是否为岩石。
结合第一方面，在第一方面的第六种可能实现方式中，将所述第一图像进行传输，包括：
将所述第一图像传输至监测中心，以通过所述监测系统对所述第一图像中的落石隐患点进行落石识别。
本申请实施例的第二方面提供了一种边坡落石崩塌监测装置，实现所述边坡落石崩塌监测装置的系统包括激光雷达和摄像头，所述装置包括：
灾前预警单元，用于通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，生成所述落石隐患点对应的灾前预警信号；
图像采集参数确定单元，用于根据所确定的落石隐患点确定所述摄像头的图像采集参数；
图像采集单元，用于根据所述图像采集参数采集包括落石隐患点的第一图像，并传输所述第一图像至监测中心；
落石灾害报警单元，用于由监测中心根据所述第一图像进行落石灾害检测，且在根据第一图像检测到落石灾害时，生成落石灾害报警信息。
本申请实施例的第三方面提供了一种边坡落石崩塌监测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请通过激光雷达进行监测区域扫描，发现监测区域存在微小位移的落石隐患点时，直接可生成落石隐患点对应的灾前预警信号，系统可以有效的提供灾前预警，有利于保障现场的人身和财产安全，在确定落石隐患点后，可以根据该落石隐患点确定摄像头的图像采集参数，根据所确定的图像采集参数采集包括落石隐患点的第一图像，将第一图像传输和检测，在检测到落石灾害时，生成落石灾害报警信息，由于进行灾害报警检测的第一图像是根据落石隐患点所确定的图像采集参数采集得到，因此，所得到的第一图像所包括检测目标的信息更为精确，可减少无用的图像数据的传输，有利于降低传输成本，提高检测效率和准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种边坡落石崩塌监测方法的实现流程示意图；
图2是本申请实施例提供的又一边坡落石崩塌监测方法的实现示意图；
图3是本申请实施例提供的一种边坡落石崩塌监测装置的示意图；
图4是本申请实施例提供的边坡落石崩塌监测设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
目前的落石崩塌识别系统一般采用可疑目标检测方法，并基于工程地质分析确定落石崩塌目标。但是，这种方式仍然会存在较高的误报错。误报的原因通常是周围环境的干扰。比如，监测现场的树影抖动、摄像机晃动、动物和人类的活动等因素的影响，导致系统产生落石误报。
另外，传统的落石崩塌视频监测方法，通常用于监测落石崩塌发生时，才能够报告警情，缺少灾前预警机制。灾前的监测预警，能够保证一定的灾害应急处置时间，造成逃生不及时和财产转移不及时等问题的发生。同时，摄像设备通常需要定时向用户终端传输监测降噪点的图片信息以供状态分析和记录，由于边坡落石崩塌区域内往往有多处落石隐患点，以往的摄像监测设备无法定位重点灾害隐患点，无针对性的传输监测区域范围的图片，不仅无法准确的利用图片信息评估监测区域状态，同时也大大增加了图片传输的通讯成本。比如，由于监测区域较广，可能需要一次传输多张图片以覆盖所有落石隐患点，并且，在未出现异常时，也需要按照预先设定的采集频率进行图像传输。
为了解决上述问题，本申请实施例提出了一种边坡落石崩塌监测方法，在实施该落石崩塌监测方法的系统，包括设置在监测现场的图像采集设备，可以包括摄像头和激光雷达。
通过激光雷达的监测分析，可以发现监测场景中包括的落石隐患点，从而能够有效的实现灾前预警，使得监测现场的工作人员可以及时的进行灾前转移工作，减少由落石崩塌所带来的损害。
通过所发现的落石隐患点，可以确定摄像头的图像采集参数。根据所述图像采集参数，可控制摄像头联动采集包括落石隐患点的第一图像，可以将包括落石隐患点的第一图像，通过网络传输模块发送至服务器。由于第一图像的发送频率可以根据激光雷达的检测结果来确定，可以通过联动控制的方式准确的采集包括隐患点的监测现场的局部图像，与传输整个监测现场图像的方式相比，能够大大的减少图像传输成本，提高图像检测效率和图像检测准确度。
第一图像可由服务器通过预先训练好的岩石识别网络模型进行识别检测，识别落石隐患点是否为岩石，可以有效的区分落叶、落石等运动物体，从而有效的提高监测的准确率，减少误报。其中，网络传输模块可以为移动通信网络。
图1为本申请实施例提供的一种边坡落石崩塌监测方法的实现流程示意图，如图1所示，该方法包括：
在S101中，通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，生成所述落石隐患点对应的灾前预警信号。
所述落石隐患点为通过激光雷达所检测到的可移动的目标。该落石隐患点可能为落石(即滚动岩石)，也可能为落叶或其它非落石的物体。
本申请实施例中，所述激光雷达可以集激光、全球定位系统和惯性导航功能于一体。可以获取监测场景的数据并生成精确的数字高程模型(英文全称为DEM)。通过准确的定位激光束打在物体上的光斑，可以准确的监测目标是否发生移动。在确定监测目标是否发生移动时，可以采用包括如重心点法等。
通过重心法可以用于监测不规则块体的位移，其步骤可以包括：
1.激光雷达扫描监测场景，生成监测场景的点云图，可通过对点云图的缩放、放置或平衡等操作，选取点云图中的监测块的平面作为计算平面。该监测块可以预先人工布设，也可以为自然块体，比如可以为监测场景中的岩石块体等，可以通过平面法向量一致性的特征，确定监测场景中存在的有效的监测块。
2.可以通过边界特征(比如可以为法向量一致性特征)，确定所选择的计算平面的边界，得到位于边界上的扫描点。
3.计算所得到的边界上的扫描点的平均坐标，该平均坐标即可作为该平面的重心。可将该平均坐标作为对应于该监测块的监测点，根据监测点的位移确定块体是否发生位移。
当监测的块体为球体类或圆形面时，可以通过拟合法确定监测目标是否发生位移。这种块体通常可由人工面设，可以拟合球体类的监测块的球心作为监测点，或者拟合圆形面的圆心作为监测点。
在可能的实现方式，所述激光雷达为三维的激光雷达，即可以对监测场景进行三维空间扫描的激光雷达。
目前，国内外的灾前监测的类型，主要内容有地表变形监测、深部位移监测、力学参数监测以及环境影响因素(地表水、地下水、降雨量等)监测和宏观地质现象监测。而地表变形监测是边坡落石崩塌或山体滑坡监测预警的重要内容和有效手段。
边坡自动化监测领域多采用基于GPS定位功能的全球导航卫星系统(英文简称为GNSS)设备，而人工监测方面多采用全站仪，均是通过对监测点的位置是否发生变化来判断是否发生地表变形。自动化监测和人工监测都存在监测点难以全面覆盖，不能发现无监测点区域的变形情况，而且一旦监测点被破坏，会严重影响监测资料的连续性。
为了解决上述自动化监测或人工监测的缺陷，本申请可通过采用激光雷达，比如可以采用地面三维激光扫描的地面型激光雷达，可以通过格网扫描方式测量地表点。由于地面型激光雷达具有高时间分辨率、高空间分辨率和测量精度均匀等特点，因此，通过地面型激光雷达能详细了解滑坡体细节变形和整体变化。相比于机载型雷达的米到厘米级的点云数据分辨率而言，目前地面型激光雷达可以做到毫米级的空间数据分辨率更适合运用于边坡表面形变的监测，从而能够有效的确定发生变形的落石隐患点的位置。其中，地面型激光雷达，也可以称为地面激光扫描仪，或者也可以称为地面三维激光扫描仪，是一种专门用于地面测绘的仪器。
通过激光雷达获取到监测场景的点云数据时，可以通过监测由点云所确定的监测点的位置，判断监测场景中的监测点是否发生位移。
当监测场景中的监测点发生位移，且位移的大小超过预先设定的预警阈值，则可以根据监测点的位移确定落石隐患点，并生成灾前预警信息。
该灾前预警信息可以在监测现场生成预警信息，使得监测现场人员可以及时的根据该灾前预警信息采取避险措施。其中，监测现场的预警信息可以包括落石隐患点的位置信息，从而便于监测现场人员能够更具针对性的避险工作。或者，也可以由监测现场的工作人员对灾前预警信息进行确认。
该灾前预警信息也可以通过通信模块发送至监测中心或监测终端。监测中心或监测终端在接收到灾前预警信息后，可以结合监测现场的监测数据，及时的对灾前预警信息进行核对和确认，以便有效的进行灾前人员和财产的转移。
在S102中，根据所确定的落石隐患点确定所述摄像头的图像采集参数。
本申请实施例中，预先在监测场景设置有摄像头和激光雷达，并且预先确定了激光雷达和摄像头的相对位置关系。所述摄像头可以为可旋转摄像头。通过旋转扫描的方式，可以采集监测场景的各个角度的图像。所述摄像头可以采集监测场景的光感图像，比如RGB图像等。
当激光雷达获取监测场景中存在移动的落石隐患点时，可以确定落石隐患点相对于激光雷达的方位。落石隐患点相对于激光雷达的方位，可以包括落石隐患点相对于激光雷达的方向，以及落石隐患点相对于激光雷达的距离等。
在确定的落石隐患点相对于激光雷达的方位后，根据预先所确定的激光雷达与摄像头之间的位置关系，即可确定落石隐患点相对于摄像头的方位。根据落石隐患点相对于摄像头的方位，确定摄像头的图像采集参数。
其中，根据落石隐患点相对于摄像头的方位，确定摄像头的图像采集参数时，可以包括：
根据落石隐患点相对于摄像头的方向，确定摄像头的朝向。比如，可以包括由摄像头当前的朝向，确定摄像头所需要旋转的角度。
根据落石隐患点相对于摄像头的距离，确定摄像头的拍摄焦距等参数。
在S103中，根据所述图像采集参数采集包括落石隐患点的第一图像，并传输所述第一图像至监测中心。
根据所确定的图像采集参数，可以调整摄像头的旋转角度，使摄像头对准落石隐患点的方向，调整摄像头的焦距，使得摄像头聚焦于落石隐患点的位置，从而使得摄像头采集得到清晰的、包括落石隐患点的第一图像。
本申请实施例中的第一图像中包括落石隐患点，根据摄像头拍摄角度，结合摄像头与激光雷达的位置关系、落石隐患点与激光雷达的位置关系，可以确定落石隐患点在第一图像中的位置。可以在第一图像中标定该落石隐患点的位置，以便于将第一图像发送至监测中心(或者服务器)进行目标确认时，可以针对所标定的位置进行分析和识别，提高对第一图像中的落石隐患点的分析准确度。
在本申请实施例中，当激光雷达确定了落石隐患点，通过摄像头采集得到标定的第一图像，发送至服务器进行目标确认后，如果落石隐患点确认为落石，则可以通过摄像头持续的采集第一图像，将采集的包括标定信息的第一图像发送至服务器，以便于监测人员可以获得监测场景中的灾情变化信息。
在可能的实现方式中，标定所述落石隐患点在第一图像中的位置时，可以通过背景差法，确定落石隐患点在第一图像中的区域，即落石隐患点区域，将标定了落石隐患点区域的位置的第一图像发送至服务器进行识别分析，进一步提升对落石隐患点的识别精度。
在可能的实现方式中，第一图像可以为裁剪后仅包括落石隐患点区域的图像，从而进一步减少图像传输的数据量，降低网络传输成本。
通过背景差法确定落石隐患点区域时，可以根据中值法确定初始的背景图像，然后通过迭代方法，不断的更新监测过程中的背景图像。
通过中值法初始化背景图像时，可以统计每个像素点在连续多帧的第一图像中的灰度值，通过计算多个灰度值的中间值，从而获取背景的灰度值。由于中值法确定背景图像的灰度值时，需要计算连续多帧图像的灰度值的中间值，在更新计算过程中计算量较大，可以根据预先设定的更新权值，对背景图像进行迭代更新，从而减小系统计算量，提高系统响应效率。
根据预先设定的更新权值对背景图像进行迭代更新时，可以根据公式：
Bk+1＝Bk+α(fk-Bk)
对所述背景图像进行更新，其中，Bk+1为下一帧像素点的背景值，Bk为该像素点当前帧的背景值，fk为该像素点当前帧前景值，α为背景的更新权值，且α＝α1(1-Dk)+α2Dk，其中，Dk为当前帧图像与背景图像做差后的二值图像中该像素点的灰度值，α1和α2分别为背景和前景的加权系数，且1＞α1＞α2＞0。
通过中值法初始化背景图像后，可以将初始化的背景图像作为当前帧，计算下一帧的背景图像。根据所计算的下一帧的背景图像，通过迭代计算即可计算下下帧的背景图像，如此迭代计算，提高背景图像的计算效率。
采用背景差法处理后，可以将第一图像转换化为能够区分落石隐患点和背景的二值图。但未处理的二值图中，往往包括检测对象和噪声斑点，同时也可能存在检测对象显示不完全的现象，同时，各个落石隐患点之间没有明确的辨识标记，因此，需要对图像进行和标记处理。
在本申请实施例中，在对落石隐患点进行标定时，可以通过腐蚀处理和膨胀处理进行初步噪点处理，然后可以通过连通性分析方法对激光雷达图像进行进一步的噪点处理，其中，初步噪点处理所处理的噪点的尺寸，小于连通性分析方法所处理的噪点的尺寸。
通过腐蚀处理消除图像中细小孤立的点和区域，再通过膨胀法填充目标内部缺失的点和小区域。在可能的实现方式中，可以根据监测场景确定噪声区域的大小，比如，可以根据山石破碎程度、裸露岩石尺寸等，确定需要消除的噪声图像的尺寸。
腐蚀膨胀处理后，图片中小的斑点去除，落石隐患点中小的孔隙和区域被填补。但仍有可能存在较大的噪声斑点残留，或者较大的空洞残留。为此，本申请采用连通性分析方法进一步除噪。对于图像中的已知象素区域p，q∈目标S，如果存在一条从像素区域p到像素区域q的路径，且路径上的全部象素都包含在目标S中，则称像素区域p和像素区域q是连通的，如果一个区域内的每一个象素与区域内的其它象素都是连通的，那么该区域称为连通成分。当连通成分的像素的数量超过预先设定的连通阀值时，判断其为真正的连通区域。
若连通成分的像素的数量小于连通阈值，则反转该区域的像素值，比如二值像素值的反转。在背景区域内反转像素值可以消除大的噪声斑点，在落石隐患点区域内反转像素值可以填充大的空洞区域。
在确定落石隐患点区域后，可对所述落石隐患点区域进行标定。将标定了落石隐患点区域的第一图像发送至监测中心或服务器后，可以便于监测中心或服务器根据所标定的落石隐患点区域进行更为准确的目标识别操作。
在S104中，由监测中心根据所述第一图像进行落石灾害检测，且在根据第一图像检测到落石灾害时，生成落石灾害报警信息。
为了进一步确认监测前端所确定的落石隐患点为落石崩塌而非干扰因素。标识有落石隐患点的图像可以传送至监测中心或服务器，监测中心或服务器可以通过事先训练好的图像识别模型，比如可以为岩石识别网络模型进而二次确认。当然，可以不必局限于此，也可以由终端完成对标记图像的二次识别。
在本申请中，进行图像识别计算的时候，捕捉到的落石隐患点可以通过标定操作被准确的识别和定位，因而能够避免场景图像中的静止的岩石被岩石识别网络模型识别而产生的无效计算。所述岩石识别网络模型可以采用卷积神经网络。
本申请实施例中，所述岩石识别网络模型的训练，可以根据监测场景的图像作为训练样本，从而使得训练后的岩石识别网络模型能够更为有效的适应监测场景的识别要求，提高识别准确率。
在本申请可能的实现方式中，在岩石识别网络模型对标定图像进行识别之前，还可以包括基于工程地质分析的落石隐患点确认处理。
当落石隐患点被激光雷达所捕捉时，可以通过摄像头通过工程地质分析的方法，对落石隐患点进行初步确认，以判别落石隐患点是否为岩石。判断方式可以包括判断落石隐患点的形状和尺寸是否属于预先设定的形状和尺寸的范围。其中，预先设定的形状和尺寸范围可以根据监测场景实际确定。还可以根据落石隐患点的运动方向来判断。当落石隐患点的运动方向与重力方向相反时，比如由低处运动至高处，则判断其不是落石。通过初步判断，可以筛选掉非落石的落石隐患点，从而能够减少服务器对落石隐患点进一步识别判断的计算量，提高判断效率。
当岩石识别网络模型经过对标定的第一图像进行识别分析后，确认落石隐患点为岩石，则可以根据确认结果生成报警信息，比如可以由监测中心或服务器向监控人员发送落石灾害的预警信息，或者由监测中心或服务器向监控现场发送报警信息，比如可以在现场播报及时撤离的语音、光电报警信息等。
在可能的实现方式中，当岩石识别网络模型经过对标定的第一图像进行识别分析后，确认落石隐患点为岩石，可以通过激光雷达持续监测所确认的岩石，并可根据所监测的岩石的位置的变化，生成所述岩石的运动轨迹，根据该运动轨迹生成相应的灾情撤离方案或预警方案。比如，可以根据岩石的运动轨迹，确定危险区域和安全区域，根据确定的安全区域，进行人员和财产的转移。
本申请通过激光雷达采集监测场景中的移动的落石隐患点，可以及时的发现监测现场的微小变形和移动，从而能够有效的发现灾前异常，提供及时的灾前预警，从而有更多的时间完成撤离工作。通过激光雷达确定落石隐患点后，通过联动的方式，由摄像头采集包括落石隐患点的第一图像，并将该第一图像发送至监测中心或服务器。与发送整个监测现场图像的方式相比，本申请所发送的预先设定尺寸的第一图像，并通过预警触发的方式，可以减少发送图像的数量和图像的大小，降低图像传输成本。通过服务器对第一图像所标定的位置进行识别，能够针对性的进行识别，有利于提高监测效率和准确度。通过服务器的岩石网络识别模型对落石隐患点进行二次确认，可有效的提高边坡落石崩塌监测的准确性，减少环境干扰因素带来错误报警的影响。
图2为本申请实施例提供的一种边坡落石监测方法实现示意图。如图2所示，该方法包括通过激光雷达进行边坡落石崩塌发生前的变形监测，以及边坡落石崩塌预警时的监测。其中，边坡落石崩塌发生前的变形监测包括：
A1确定监测现场的监测点。
其中，监测点可以通过人工预先布设的方式来确定。或者，也可以通过重心法或者拟合法来确定激光雷达所采集的点云图像中的监测平面所对应的监测点。
A2解析所确定的监测点的位移。
通过激光雷达的连续监测，可以确定监测点在预先设定的时间间隔内所发生的位移。
A3将落石隐患点的表面位移与预先设定的预警阈值进行比较，如果落石隐患点的位移超限，则生成预警信息，由系统预警平台发送该预警信息，并锁定落石隐患点。
将落石隐患点的表面位移与预先设定的预警阈值进行比较，确定落石隐患点的位移超限时，则可以生成预警信息，可由系统预警平台播报该预警信息。比如可以在监测现场进行预警报警，或者将预警信息发送至监测中心或监测终端。
在生成预警信息时，可以根据所确定的监测点的位置，锁定落石崩塌重点隐患区域。可便于确定摄像头的图像采集参数，得到更为清晰有效的第一图像，以及对所摄像头所采集的第一图像中的落石隐患点进行标记，从而有利于监测中心高效的对目标区域进行识别。
在可能的实现方式中，在生成预警信息之前，还可以通过工程地质分析的方式确定所述落石隐患点是否为岩石。如果是岩石，则生成预警信息并触发摄像头采集图像，如果不是，则取消预警。
在边坡落石崩塌预警时，包括：
B1触发摄像头采集包括落石隐患点的第一图像，将传输至监测中心。
根据预先设定的摄像头与激光雷达的方位信息，以及激光雷达所确定的落石隐患点相对于激光雷达的方位信息，确定落石隐患点相对于摄像头的方位。根据落石隐患点相对于摄像头的方位，可得到摄像头拍摄第一图像的图像采集参数，根据该图像采集参数可得到包括落石隐患点的清晰、准确的第一图像。
将第一图像传输至监测中心之前，还可以根据落石隐患点相对于摄像头的方位，确定落石隐患点在第一图像中的位置，并可对该位置进行标定，便于后续快速确定第一图像中需要监测分析的目标区域。
在本申请实施例中，通过摄像头采集得到第一图像后，可以根据落石隐患点的位置，分割落石隐患点，从而得到更为准确的目标图像，减少图像传输成本。
本申请实施例中，在将第一图像传输至监测中心之前，还可以通过工程地质分析的方式确定所述落石隐患点是否为岩石，则可以维持预警状态。如果不是，则可以不用将第一图像传输至监测中心。
其中，基于工程地质分析的方式，可以包括岩石形态和运动特征，包括落石的形状和尺寸(可根据现场岩体情况进行设定)，以及运动物体的运动方向，落石的运动方向应该为由高向低处滚落，且不会反复来回运动，来进行初步的判断过滤。
B2监测中心基于岩石识别网络模型判断落石隐患点是否为岩石。
监测中心或服务器可以基于预先训练完成的岩石识别网络模型对第一图像中所标记的落石监测点进行识别，得到该落石隐患点是否岩石的判断结果。
其中，该岩石识别网络模型可以为卷积神经网络模型。训练该岩石识别网络模型的样本数据，可以为对应的监测现场的样本图像。通过对需要进行监测的监测现场的样本图像进行训练，从而使其能够得到更为准确的识别结果，提高岩石判断的准确率。
B3根据判断结果生成报警信号，并由系统预警平台发送该报警信号。
通过监测中心的分析，如果确定落石隐患点为岩石时，则可以生成报警信号，由系统预警平台发送该报警信号。比如，可以将报警信号发送至监测现场、监测中心或监测终端等。
或者，在可能的实现方式中，在确定落石隐患点为岩石时，可以由激光雷达持续监测该落石隐患点，获取落石隐患点的运动轨迹，可将该运动轨迹发送至监测中心进行运动监测和进行避险指挥。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图3为本申请实施例提供的一种边坡落石崩塌监测装置的示意图，实现所述边坡落石崩塌监测装置的系统包括激光雷达和摄像头，如图3所示，该装置包括：
灾前预警单元301，用于通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，生成所述落石隐患点对应的灾前预警信号；
图像采集参数确定单元302，用于根据所确定的落石隐患点确定所述摄像头的图像采集参数；
图像采集单元303，用于根据所述图像采集参数采集包括落石隐患点的第一图像，并传输所述第一图像至监测中心；
落石灾害报警单元304，用于由监测中心根据所述第一图像进行落石灾害检测，且在根据第一图像检测到落石灾害时，生成落石灾害报警信息。
图3所示的边坡落石崩塌监测装置，与图2所示的边坡落石崩塌监测方法对应。
图4是本申请一实施例提供的边坡落石崩塌监测设备的示意图。如图4所示，该实施例的边坡落石崩塌监测设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如边坡落石崩塌监测程序。所述处理器40执行所述计算机程序42时实现上述各个边坡落石崩塌监测方法实施例中的步骤。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述边坡落石崩塌监测设备4中的执行过程。
所述边坡落石崩塌监测设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是边坡落石崩塌监测设备4的示例，并不构成对边坡落石崩塌监测设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述边坡落石崩塌监测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述边坡落石崩塌监测设备4的内部存储单元，例如边坡落石崩塌监测设备4的硬盘或内存。所述存储器41也可以是所述边坡落石崩塌监测设备4的外部存储设备，例如所述边坡落石崩塌监测设备4上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述边坡落石崩塌监测设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述边坡落石崩塌监测设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种边坡落石崩塌监测方法，其特征在于，实现所述边坡落石崩塌监测方法的系统包括激光雷达和摄像头，所述方法包括：
通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，生成所述落石隐患点对应的灾前预警信号；
根据所确定的落石隐患点确定所述摄像头的图像采集参数；
根据所述图像采集参数采集包括落石隐患点的第一图像，并传输所述第一图像至监测中心；
由监测中心根据所述第一图像进行落石灾害检测，且在根据第一图像检测到落石灾害时，生成落石灾害报警信息。
2.根据权利要求1所述的方法，其特征在于，通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，包括：
确定所述激光雷达所扫描的点云图像中包括的块体；
通过拟合法或重心点法确定所述点云图像中的块体的监测点的坐标；
当所述监测点的位移大于预定的位移阈值时，确定所述监测点为落石隐患点。
3.根据权利要求1所述的方法，其特征在于，所述摄像头为可变焦和可旋转摄像头，根据所确定的落石隐患点确定所述摄像头的图像采集参数，包括：
根据所述落石隐患点相对于所述摄像头的方位，确定所述摄像头的旋转角度；
根据所述落石隐患点与所述摄像头之间的距离，确定所述摄像头的焦距。
4.根据权利要求1所述的方法，其特征在于，根据所述图像采集参数采集并传输包括落石隐患点的第一图像，包括：
根据预先设定的采集频率和/或预先设定的图像尺寸，采集并传输包括落石隐患点的第一图像。
5.根据权利要求1所述的方法，其特征在于，在根据第一图像检测到落石灾害之后，所述方法还包括：
解析并分割所述第一图像中包括的运动目标的图像，对所述运动目标的图像进行去噪和标记处理；
通过激光雷达确定所标记的运动目标的运动轨迹。
6.根据权利要求5所述的方法，其特征在于，在根据第一图像检测到落石灾害之前，所述方法还包括：
通过工程地质分析的方式确定所述落石隐患点是否为岩石。
7.根据权利要求1所述的方法，其特征在于，传输所述第一图像至监测中心，包括：
将所述第一图像传输至监测中心，以通过所述监测系统对所述第一图像中的落石隐患点进行落石识别。
8.一种边坡落石崩塌监测装置，其特征在于，实现所述边坡落石崩塌监测装置的系统包括激光雷达和摄像头，所述装置包括：
灾前预警单元，用于通过激光雷达扫描监测区域，确定监测区域存在的落石隐患点，生成所述落石隐患点对应的灾前预警信号；
图像采集参数确定单元，用于根据所确定的落石隐患点确定所述摄像头的图像采集参数；
图像采集单元，用于根据所述图像采集参数采集包括落石隐患点的第一图像，并传输所述第一图像至监测中心；
落石灾害报警单元，用于由监测中心根据所述第一图像进行落石灾害检测，且在根据第一图像检测到落石灾害时，生成落石灾害报警信息。
9.一种边坡落石崩塌监测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110524989.6A CN113240887A (zh) | 2021-05-14 | 2021-05-14 | 边坡落石崩塌监测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110524989.6A CN113240887A (zh) | 2021-05-14 | 2021-05-14 | 边坡落石崩塌监测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113240887A true CN113240887A (zh) | 2021-08-10 |
Family
ID=77134243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110524989.6A Pending CN113240887A (zh) | 2021-05-14 | 2021-05-14 | 边坡落石崩塌监测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240887A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744291A (zh) * | 2021-09-01 | 2021-12-03 | 江苏徐工工程机械研究院有限公司 | 一种基于深度学习的矿山落石检测方法和装置 |
| CN114166120A (zh) * | 2021-11-30 | 2022-03-11 | 浙江大学 | 一种基于面阵激光雷达的落渣实时检测方法 |
| CN114973564A (zh) * | 2022-04-28 | 2022-08-30 | 北京机械设备研究所 | 一种无光照条件下的远距离人员入侵检测方法以及装置 |
| CN115762064A (zh) * | 2022-11-14 | 2023-03-07 | 华能澜沧江水电股份有限公司 | 一种基于雷视融合的高边坡落石监测预警方法 |
| CN115993600A (zh) * | 2023-03-22 | 2023-04-21 | 湖南华诺星空电子技术股份有限公司 | 一种超宽带边坡形变监测雷达系统及监测方法 |
| CN116612609A (zh) * | 2023-07-21 | 2023-08-18 | 湖北通达数科科技有限公司 | 一种基于山体滑坡危害度预测的灾害预警方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080097087A (ko) * | 2007-04-30 | 2008-11-04 | 강경인 | 중소규모 하천의 교량에 대한 인명방재 시스템 및 이를이용한 인명방재방법 |
| CN105488958A (zh) * | 2015-12-02 | 2016-04-13 | 北京佳讯飞鸿电气股份有限公司 | 一种非接触式滑坡灾害监测系统及其方法 |
| CN109164443A (zh) * | 2018-08-27 | 2019-01-08 | 南京微达电子科技有限公司 | 基于雷达及图像分析的铁路线路异物检测方法及系统 |
| CN109584515A (zh) * | 2018-12-21 | 2019-04-05 | 武汉万集信息技术有限公司 | 山体灾害的预警方法、装置及可读存储介质 |
| CN110481601A (zh) * | 2019-09-04 | 2019-11-22 | 深圳市镭神智能系统有限公司 | 一种轨道检测系统 |
| CN111473739A (zh) * | 2020-04-24 | 2020-07-31 | 中铁隧道集团二处有限公司 | 一种基于视频监控的隧道塌方区围岩变形实时监测方法 |
| CN111664930A (zh) * | 2020-06-08 | 2020-09-15 | 西南交通大学 | 一种基于频率与图像的高边坡落石集成监测系统及方法 |
| CN211827518U (zh) * | 2020-03-06 | 2020-10-30 | 兰州盛锐科技有限公司 | 一种铁路沿线落石监测预警装置 |
| CN112711033A (zh) * | 2020-12-09 | 2021-04-27 | 中科视语(北京)科技有限公司 | 边坡安全监测预警装置和预警方法 |
-
2021
- 2021-05-14 CN CN202110524989.6A patent/CN113240887A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080097087A (ko) * | 2007-04-30 | 2008-11-04 | 강경인 | 중소규모 하천의 교량에 대한 인명방재 시스템 및 이를이용한 인명방재방법 |
| CN105488958A (zh) * | 2015-12-02 | 2016-04-13 | 北京佳讯飞鸿电气股份有限公司 | 一种非接触式滑坡灾害监测系统及其方法 |
| CN109164443A (zh) * | 2018-08-27 | 2019-01-08 | 南京微达电子科技有限公司 | 基于雷达及图像分析的铁路线路异物检测方法及系统 |
| CN109584515A (zh) * | 2018-12-21 | 2019-04-05 | 武汉万集信息技术有限公司 | 山体灾害的预警方法、装置及可读存储介质 |
| CN110481601A (zh) * | 2019-09-04 | 2019-11-22 | 深圳市镭神智能系统有限公司 | 一种轨道检测系统 |
| CN211827518U (zh) * | 2020-03-06 | 2020-10-30 | 兰州盛锐科技有限公司 | 一种铁路沿线落石监测预警装置 |
| CN111473739A (zh) * | 2020-04-24 | 2020-07-31 | 中铁隧道集团二处有限公司 | 一种基于视频监控的隧道塌方区围岩变形实时监测方法 |
| CN111664930A (zh) * | 2020-06-08 | 2020-09-15 | 西南交通大学 | 一种基于频率与图像的高边坡落石集成监测系统及方法 |
| CN112711033A (zh) * | 2020-12-09 | 2021-04-27 | 中科视语(北京)科技有限公司 | 边坡安全监测预警装置和预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐进军等: ""基于三维激光扫描的滑坡变形监测与数据处理"", 《岩土力学》 * |
| 王杰等: ""基于视频图像识别的崩塌落石监测预警系统设计与实现"", 《应用基础与工程科学学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744291A (zh) * | 2021-09-01 | 2021-12-03 | 江苏徐工工程机械研究院有限公司 | 一种基于深度学习的矿山落石检测方法和装置 |
| CN113744291B (zh) * | 2021-09-01 | 2023-07-04 | 江苏徐工工程机械研究院有限公司 | 一种基于深度学习的矿山落石检测方法和装置 |
| CN114166120A (zh) * | 2021-11-30 | 2022-03-11 | 浙江大学 | 一种基于面阵激光雷达的落渣实时检测方法 |
| CN114973564A (zh) * | 2022-04-28 | 2022-08-30 | 北京机械设备研究所 | 一种无光照条件下的远距离人员入侵检测方法以及装置 |
| CN115762064A (zh) * | 2022-11-14 | 2023-03-07 | 华能澜沧江水电股份有限公司 | 一种基于雷视融合的高边坡落石监测预警方法 |
| CN115993600A (zh) * | 2023-03-22 | 2023-04-21 | 湖南华诺星空电子技术股份有限公司 | 一种超宽带边坡形变监测雷达系统及监测方法 |
| CN115993600B (zh) * | 2023-03-22 | 2023-08-08 | 湖南华诺星空电子技术股份有限公司 | 一种超宽带边坡形变监测雷达系统及监测方法 |
| CN116612609A (zh) * | 2023-07-21 | 2023-08-18 | 湖北通达数科科技有限公司 | 一种基于山体滑坡危害度预测的灾害预警方法及系统 |
| CN116612609B (zh) * | 2023-07-21 | 2023-11-03 | 湖北通达数科科技有限公司 | 一种基于山体滑坡危害度预测的灾害预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113240887A (zh) | 边坡落石崩塌监测方法、装置及设备 | |
| CN109029381B (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
| CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
| CN113345019B (zh) | 一种输电线路通道隐患目标测距方法、设备及介质 | |
| CN112147633A (zh) | 一种电力线路安全距离检测方法 | |
| JP6858415B2 (ja) | 海面計測システム、海面計測方法および海面計測プログラム | |
| CN111339826B (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
| CN111473776A (zh) | 一种基于单像近景摄影测量的滑坡裂缝监测方法 | |
| KR101793262B1 (ko) | 균열의 발생 및 진행 분석 시스템 | |
| Huang et al. | Landslide monitoring using change detection in multitemporal optical imagery | |
| CN112106111A (zh) | 一种标定方法、设备、可移动平台及存储介质 | |
| Gonçalves et al. | Monitoring Local Shoreline Changes by Integrating UASs, Airborne LiDAR, Historical Images and Orthophotos. | |
| Tang et al. | Surveying, geomatics, and 3D reconstruction | |
| Feng et al. | Crack assessment using multi-sensor fusion simultaneous localization and mapping (SLAM) and image super-resolution for bridge inspection | |
| CN114067533A (zh) | 一种地质灾害摄影监测预警方法 | |
| CN114037953A (zh) | 边坡安全监测方法、装置、计算机设备及存储介质 | |
| Hooda | IoT and remote sensing | |
| CN108520500B (zh) | 基于禁忌搜索的图像中天空区域的识别方法 | |
| CN106303412A (zh) | 基于监控影像的排土场位移远程实时监测装置与方法 | |
| CN110992291A (zh) | 基于三目视觉的测距方法、系统及存储介质 | |
| CN110687548A (zh) | 一种基于无人船的雷达数据处理系统 | |
| CN114943809A (zh) | 一种地图模型的生成方法、装置及存储介质 | |
| CN112964192A (zh) | 一种基于图像视频的工程测量在线标定方法及系统 | |
| KR100586815B1 (ko) | 3차원 위치 추적 시스템 및 방법 | |
| CN113516703A (zh) | 摄像头覆盖范围检测方法、装置、设备和存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210810 |