CN113537141B - 一种堤坝管涌和滑坡病害快速检测方法及系统 - Google Patents
一种堤坝管涌和滑坡病害快速检测方法及系统 Download PDFInfo
- Publication number
- CN113537141B CN113537141B CN202110884833.9A CN202110884833A CN113537141B CN 113537141 B CN113537141 B CN 113537141B CN 202110884833 A CN202110884833 A CN 202110884833A CN 113537141 B CN113537141 B CN 113537141B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- cloud data
- piping
- landslide
- 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 33
- 201000010099 disease Diseases 0.000 title abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 7
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
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 & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种堤坝管涌和滑坡病害快速检测方法及系统,包括:获取待检测区域的堤坝点云数据;将堤坝点云数据输入管涌和滑坡特征识别模型中,所述管涌和滑坡特征识别模型用于对点云数据进行特征提取得到点云数据的边缘特征点,并对边缘特征点进行管涌和滑坡特征识别得到管涌和滑坡部位数据;解决了如何避免对点云缺失的“孔洞”的边缘部分产生影响造成的数据失真,以及在大范围堤坝检测过程中管涌隐蔽性强、发育迅速且容易危害检测人员的难题,对于管涌和滑坡检测降低了人工干预提高了自动化程度,实现对堤坝管涌和滑坡高精度检测。
Description
技术领域
本公开属于堤坝边坡检测领域,涉及一种堤坝管涌和滑坡病害快速检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成现有技术。
大量的洪涝灾害资料表明,堤基管涌是江河大堤在汛期的主要险情之一,其不仅发生的数量多而且分布范围广,易于诱发溃堤险情;堤坝滑坡则会导致堤坝后方土体大量脱落,极易引起溃坝。鉴于上述两种病害的分布随机性以及灾害的严重性,开发一种适用于大范围高精度的管涌和滑坡快速检测系统是整个水利行业的迫切需求。
管涌的无损检测方法主要包括探地雷达法、直流电阻率法、地震勘探等,但是上述方法存在大范围巡检工程量大、耗时长、数据处理复杂、成本高以及检测结果滞后等弊端
现阶段滑坡检测主要有以下手段:宏观地质法、大地测量法、近景摄影测量法和分布式光纤监测技术等,但是各种手段存在各自的不足。宏观地质法检测精度低,人力成本高;大地测量法,测量周期长且不能连续观测;近景摄影测量法,专业化程度要求高;分布式光纤监测技术成本及运行费用比较高。
我国已在防洪领域取得了非凡的成就,全国堤坝长度已超过30万公里。但是,目前还存在约三分之一的老旧堤坝未达到防洪要求。管涌和滑坡是堤坝的重要病害,易引发决堤、漫顶险情,将造成重大人员伤亡和经济损失。滑坡是堤坝整体或分散地顺斜坡向下滑动的现象。管涌是堤坝细颗粒在渗流作用下沿骨架颗粒间隙流失的现象,在堤坝下游堤脚处形成砂环及涌水口。
传统堤坝管涌和滑坡病害的巡检和识别主要依靠人工的方式开展,识别效率低下,易遗漏重大险情。随着激光扫描技术的发展,搭载激光扫描仪的车载或机载堤坝病害巡检装备逐渐进入水利检测市场。通过快速移动测量获取堤坝的激光点云数据,实现大范围堤坝滑坡病害的快速巡检。
堤坝一次巡检将获得数百G点云数据,从其中识别管涌和滑坡病害并提取特征参数主要依赖人工操作。目前,堤坝管涌和滑坡点云提取还存在两方面的问题:(1)数据处理过程中对点云缺失的“孔洞”的边缘部分产生影响造成的数据失真;(2)人工干扰大,精度低。
发明内容
为了解决上述问题,本公开提出了一种堤坝管涌和滑坡病害快速检测方法及系统,可通过无人机搭载的激光雷达扫描得到堤坝总体数据,而后通过携带的微型计算机通过相应算法实时处理数据,而后将检测出的管涌病害位置信息通过无线传输装置发送至工作人员所在的监测中心,并可根据需求安排无人机到达病害部位并通过录像设备监测管涌和滑坡发育状况。
第一方面,本公开提供了一种堤坝管涌和滑坡检测方法,包括:
获取待检测区域的堤坝点云数据;
将堤坝点云数据输入管涌特征识别模型中,所述管涌特征识别模型用于对点云数据进行特征提取得到点云数据的边缘特征点,并对边缘特征点进行管涌特征识别得到管涌部位数据。
第二方面,本公开提供了一种堤坝管涌和滑坡检测系统,包括数据获取模块、管涌检测模块和管涌特征识别模型:
数据获取模块,用于获取待检测区域的堤坝点云数据;
管涌检测模块,用于将堤坝点云数据输入管涌特征识别模型中,所述管涌特征识别模型用于对点云数据进行特征提取得到点云数据的边缘特征点,并对边缘特征点进行管涌特征识别得到管涌部位数据。
第三方面,本公开提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成如第一方面所述的堤坝管涌检测方法。
第四方面,本公开提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如第一方面所述的堤坝管涌检测方法。
与现有技术对比,本公开具备以下有益效果:
1、由于激光遇水折射的特性会使点云在有水的部位产生点云数据缺失,产生许多边缘区域,本公开通过对点云数据进行特征提取,得到堤坝点云的所有的边缘特征点。在特征提取完成后,根据管涌自身的特点进行特征识别,将识别出的部位进行算法标注并将其坐标信息与GPS信息结合,输出绝对坐标信息和区域坐标信息;对于管涌检测降低了人工干预提高了自动化程度,实现对堤坝管涌高精度检测。
2、本公开采用管涌和滑坡特征识别方法,解决了如何避免对点云缺失的“孔洞”的边缘部分产生影响造成的数据失真,以及在大范围堤坝检测过程中管涌隐蔽性强、发育迅速且容易危害检测人员的难题,并考虑到了无人机飞行姿态与堤坝坡度对点云数据造成的影响,并对管涌数据进行修正,没有选择常用的投影手段,减少了不必要的误差,采用本方法实现的检测系统结构简单,自动化程度高,巡检速度快,适用于大范围堤坝检测。
3、本公开将数据处理终端集成到无人机上,只需无线传输检测结果至检测人员,解决了堤坝点云数据量大,传输速度慢的问题,提高了堤坝巡检的效率;在检测结果出来后安排无人机通过录像设备实时监控管涌、滑坡发育状况,不仅有利于后期对管涌、滑坡灾害的治理,而且在管涌、滑坡病害迅速发育阶段这种自动化监测能保证工作人员的生命安全。
4、本公开采用管涌和滑坡特征识别模型通过对点云数据进行特征提取得到点云数据的边缘特征点,对边缘特征点进行管涌特征识别并输出管涌和滑坡部位数据,并针对管涌这一病害提出了具体的点云数据检测指标,能够将管涌病害的检测系统化。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本公开的一种堤坝管涌检测系统的工作流程示意图。
图2是本公开的管涌及滑坡特征识别方法工作流程示意图。
图3是本公开的管涌特征识别方法中边缘特征点以及内部特征点的分布状态图,其中图3a为边缘特征点图,图3b为内部特征点的分布状态图。
图4是本公开滑坡特征识别算法流程示意图。
图5是本公开的管涌特征识别方法管涌边缘识别、提取结果示意图,其中图5a为管涌边缘识别示意图,图5b为提取结果示意图。
图6是本公开的滑坡特征识别算法滑坡平面分割前后示意图,其中图6a为滑坡平面分割前示意图,图6b为滑坡平面分割后示意图。
图7是本公开滑坡特征识别算法滑坡边缘识别、提取结果示意图,其中图7a为滑坡边缘识别示意图,图7b为提取结果示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
如图1所示,一种堤坝管涌检测方法,其特征在于,包括:
获取待检测区域的堤坝点云数据;
将堤坝点云数据输入管涌特征识别模型中,所述管涌特征识别模型用于对点云数据进行特征提取得到点云数据的边缘特征点,并对边缘特征点进行管涌特征识别得到管涌部位数据。
所述将堤坝点云数据输入管涌特征识别模型中步骤还包括:对堤坝点云数据进行预处理获得预处理后的堤坝点云数据;将预处理后的堤坝点云数据输入管涌特征识别模型中。
其中,所述对点云数据进行特征提取得到点云数据的边缘特征点包括:对点云数据进行邻域搜索、最小包围盒划分和栅格化处理,并根据预设的角度序列差获取边缘特征点。对边缘特征点进行管涌特征识别并输出管涌部位数据具体为将边缘特征点组成的点云数据进行管涌特征识别,将识别出的管涌部位进行标注并输出管涌部位坐标信息。
本公开通过构建管涌特征识别模型,实现了管涌特征识别,能够解决在大范围堤坝检测过程中管涌隐蔽性强、发育迅速且容易危害检测人员的难题。由于激光遇水折射的特性会使点云图像在有水的部位产生点云数据缺失,产生许多边缘区域。本公开通过对点云数据进行特征提取,得到堤坝点云的所有的边缘特征点。在特征提取完成后,根据管涌自身的特点进行特征识别,将识别出的部位进行算法标注并将其坐标信息与GPS信息结合,输出绝对坐标信息和区域坐标信息。
作为一种具体实施方式,所述获取待检测区域的堤坝点云数据包括,通过无人机搭载激光雷达进行堤坝扫描,机载微型电脑实时解算和修正点云数据获取堤坝点云数据。激光的本质决定了它会遇水折射,因此本公开可以将其这一特性应用于堤坝管涌病害检测领域。通过对点云缺失区域进行特征识别来判断是否发生管涌或滑坡。其中,作为一种具体实施方式,机载微型电脑实时解算、修正点云数据,并通过一种管涌、滑坡特征识别方法进行管涌、滑坡特征识别与定位,从而得到管涌、滑坡病害的位置信息。无人机飞行姿态是平行于地面,堤坝相对于地面存在一定的坡度,因此根据堤坝坡度不同输入不同的参数s作为无人机点云修正参数,得解算出来的坡面数据平行于坐标平面,减少后续算法识别误差。并可通过微型电脑经过无线传输设备将病害位置信息发送至工作人员所在的监测中心,并根据指令使无人机返回已识别管涌、滑坡部位,开启录像设备,实时传输管涌现场情况。
其中,对点云数据进行预处理获得规则的堤坝点云数据步骤包括:通过点云滤波算法进行建筑物分类,去除植被等噪点点云,得到相对规则的堤坝点云数据。
所述通过对点云数据进行邻域搜索、最小包围盒划分和栅格化处理的具体为:
获取点云数据中的任一点P的邻域集内任意两点间的欧氏距离函数;
将整组点云数据的最小包围盒进行空间分块,然后将数据点放入到唯一的栅格中;
待所有数据点全部放入栅格后得到全部的栅格数目;
并估算整组栅格数目的点云数据的平均密度;根据平均密度设置两点间的距离阈值,并依据距离阈值筛选点云数据获得筛选后的点云数据。
点云数据中的任一点P都存在邻域集Np,Np中每个点都符合一定的邻域类型,本算法中邻域是指欧式距离与P点最近的K个点,对于任意两点Pi(xi,yi,z,ki)和Pj(xj,yj,zj,kj),其欧氏距离D的计算公式如下:
具体策略是将整组点云数据的最小包围盒进行空间分块,然后将数据点放入到唯一的栅格中,具体步骤如下:
对一组三维点云数据,能够包含该组点云体积的最小长方体被称作点云数据的最小包围盒。将其点云数据根据其点云形状建立起最小包围盒。
用与三个坐标面平行的平面在空间内对管涌点云的最小包围盒划分,分割后的小立方体被称为栅格,边界一列通常为长方体。计算出最小包围盒后得到X、Y、Z三个轴上的长度,采用公式(3-5)计算栅格的边长:
式中,L是栅格边长,dx、dy和dz分别为包围盒X、Y、Z方向的长度,n为点云的数目,α是一常数,用来调节栅格边长大小。
用长宽高均为L的立方体栅格化最小包围盒之后,得到全部的栅格数目,并采用下列公式估算出整组点云数据的平均密度:
式中,AvgDis表示整组点云数据的平均密度,L是栅格的边长,Ncell是所有非空栅格的数量,N是包含非空栅格在内的所有栅格的数量。
根据计算结果设置两点间的距离阈值d,通常情况下d是AvgDis的常数倍,即d=C×AvgDis,其中C为常数,可通过调节C来改变距离阈值d,以此来筛选部分点。
作为另一种实施方式,所述根据预设的角度序列差获取边缘特征点,将边缘特征点组成的点云数据进行管涌特征识别,输出管涌部位坐标信息步骤包括:
根据预先获取的管涌特征设定角度序列差;
获取经过栅格化筛选后的点云数据中其中任意一点的最大角度序列差,依据最大角度序列差和角度序列差筛选边缘特征点;
将边缘特征点组成的点云数据进行管涌特征识别,输出管涌部位坐标信息。
其中,根据预先获取的管涌特征设定角度序列差步骤包括:
管涌部位有水会造成类圆面点云数据缺失,根据管涌的类圆形外部轮廓设定在二维平面中至少一个象限部位没有点云数据,设定最小角度序列差为90°,可根据实际管涌特征进行调节最小角度序列差。
其中,将边缘特征点组成的点云数据进行管涌特征识别,输出管涌部位坐标信息步骤包括:识别出的边缘特征点根据点云滤波算法进行分类,以一组点云数据的曲率作为判定标准,提取出满足曲率要求且具有管涌特征的边缘特征点云数据并将其各点坐标输出。
具体的实施方式为,步骤1:根据管涌特征设定角度序列差L’max;
步骤2:遍历所有点云,求一点Pi的的最大角度序列差Lmax(i),并将其与设定角度序列差L’max比较,筛选出边缘特征点,并将其标注;
步骤3:将边缘特征点组成的点云数据进行管涌特征识别,输出管涌部位坐标信息。
其中,根据管涌点云特征来设定角度序列差L’max步骤包括:因为管涌在二维图像中是类圆灾害,且管涌部位有水会造成类圆面点云数据缺失,根据其类圆形外部轮廓,可以设定其在二维平面中至少一个象限部位没有点云数据,因此可设定最小角度序列差L’max为90°,并根据实际工程需求在此基础上调整。
作为一种具体的实施方式,所述遍历所有点云,求一点Pi的的最大角度序列差Lmax(i),并将其与设定角度序列差L’max比较,筛选出边缘特征点,并将其标注具体步骤包括:
栅格中某一点Pi的邻域点可能存在于Pi点所在的栅格或其附近的26个栅格中。之后将所有栅格放于三维数组A中,然后遍历所有的点云数据,将每个点云都置于唯一的栅格中。
计算出每个点云数据P在数组A中的下标位置,得出P点与栅格中数据点Qi的距离,此距离记为s,如果s≤d,那么就把Qi加入到P点的邻域点集中,然后遍历所有的邻近栅格,直到所有点云的邻域全都搜索计算完毕。
建立邻域为边缘特征点检测提供了基础,由于点云中点分布的均匀性,若P是边缘特征点,其邻域点分布会偏向一侧;若P是内部点,其邻域点会在P点周围较均匀地分布(如附图3所示)。
计算待检测点P与邻域点构成向量之间的夹角,接下来根据Lmax的大小判断点云数据点P是否为边缘特征点,若Lmax超过阈值L’max,则P的邻域点分布不均,P为边缘特征点;反之则为内部点。而后将检测出的每个边缘特征点在点云数据中凸显标注。
其中,将边缘特征点组成的点云数据进行管涌特征识别,输出管涌部位坐标信息步骤包括:将步骤2识别出的边缘特征点云根据点云滤波算法进行分类,以一组点云数据的曲率作为判定标准,提取出满足曲率要求且具有管涌特征的边缘特征点云数据并将其各点坐标输出。
实施例2
本实施例提供了一种堤坝管涌检测系统,包括数据获取模块、管涌检测模块和管涌特征识别模型:
数据获取模块,用于获取待检测区域的堤坝点云数据;
管涌检测模块,用于将堤坝点云数据输入管涌特征识别模型中,所述管涌特征识别模型用于对点云数据进行特征提取得到点云数据的边缘特征点,并对边缘特征点进行管涌特征识别得到管涌部位数据。
其中堤坝管涌检测系统还包括预处理模块,用于对堤坝点云数据进行预处理获得预处理后的堤坝点云数据;
所述数据获取模块、预处理模块、管涌特征识别模型和管涌检测模块的具体应用对于上述实施例1所述的堤坝管涌检测方法。
实施例3
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成如上述实施例中所述的堤坝管涌检测检测方法。
实施例4
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如上述实施例中所述的堤坝管涌检测方法。
实施例5
本实施例提供了一种大范围内堤坝滑坡病害快速检测方法,包括:
获取待检测区域的堤坝点云数据,通过点云滤波算法进行建筑物分类,去除植被等噪点点云,得到相对规则的堤坝点云数据;
通过算法获取平面拟合过程中在同一个平面内的坝点云数据;
应用实施例1中的管涌识别模型中的特征识别方法对同一个平面内的坝点云数据开展滑坡轮廓识别。
具体的,步骤一:输入待检测区域的堤坝点云数据。
步骤二:通过点云滤波算法进行建筑物分类,去除植被等噪点点云,得到相对规则的堤坝点云数据。
步骤三:
算法具体步骤如下:
(1)设样本集P的规模是m,那么对于平面拟合来说,模型参数估计的最小样本数量是3,随机抽取3个数据样本,样本构成样本子集D;
(2)计算样本子集D的拟合模型M;
(3)数据中剩余的样本集P*=P-D,设定误差阈值为t,剩余样本集P*中与拟合模型M的误差小于设定值t的记为P’,与子集D一同归入到样本集D*,即D*=P′+D,D*被称为有效样本集(Consensus Set)。
(4)重复步骤(1)-(3),当达到迭代次数上限值时,算法结束。
在平面拟合过程中,判定的中是其他点到该平面的距离,需要根据实际情况设定合理的t值,如果点到平面的距离小于t,就认为是处在同一个平面的点;若同一平面上的点超过m个则保存平面,并将此平面上的点标记为已匹配。终止条件是迭代N次后找到的平面上的点小于m,或找不到三个未标记点。
步骤四:
应用管涌识别算法中的特征识别方法开展滑坡轮廓识别。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (7)
1.一种堤坝管涌和滑坡检测方法,其特征在于,包括:
获取待检测区域的堤坝点云数据;
将堤坝点云数据输入管涌和滑坡特征识别模型中,所述管涌和滑坡特征识别模型用于对点云数据进行特征提取得到点云数据的边缘特征点,并对边缘特征点进行管涌和滑坡特征识别得到管涌和滑坡部位数据;
所述对点云数据进行特征提取得到点云数据的边缘特征点包括:对点云数据进行邻域搜索、最小包围盒划分和栅格化处理,并根据预设的角度序列差获取边缘特征点;
所述对点云数据进行邻域搜索、最小包围盒划分和栅格化处理的具体为:
获取点云数据中的任一点P的邻域集内任意两点间的欧氏距离函数;
将整组点云数据的最小包围盒进行空间分块,然后将数据点放入到唯一的栅格中;
待所有数据点全部放入栅格后得到全部的栅格数目;
并估算整组栅格数目的点云数据的平均密度;根据平均密度设置两点间的距离阈值,并依据距离阈值筛选点云数据获得筛选后的点云数据;
点云数据中的任一点P都存在邻域集Np,Np中每个点都符合一定的邻域类型,本算法中邻域是指欧式距离与P点最近的K个点,对于任意两点Pi(xi,yi,zi,ki)和Pj(xj,yj,zj,kj),其欧氏距离D的计算公式如下:
具体策略是将整组点云数据的最小包围盒进行空间分块,然后将数据点放入到唯一的栅格中,具体步骤如下:
对一组三维点云数据,能够包含该组点云体积的最小长方体被称作点云数据的最小包围盒,将其点云数据根据其点云形状建立起最小包围盒;
用与三个坐标面平行的平面在空间内对管涌点云的最小包围盒划分,分割后的小立方体被称为栅格,边界一列为长方体或立方体,计算出最小包围盒后得到X、Y、Z三个轴上的长度,采用如下公式计算栅格的边长:
式中,L是栅格边长,dx、dy和dz分别为包围盒X、Y、Z方向的长度,n为点云的数目,α是一常数;
用长宽高均为L的立方体栅格化最小包围盒之后,得到全部的栅格数目,并采用下列公式估算出整组点云数据的平均密度:
式中,AvgDis表示整组点云数据的平均密度,L是栅格的边长,Ncell是所有非空栅格的数量,N是包含非空栅格在内的所有栅格的数量;
根据计算结果设置两点间的距离阈值d,d是AvgDis的常数倍,d=C×AvgDis,其中C为常数,通过调节C来改变距离阈值d,以此来筛选部分点;
遍历所有点云,求一点Pi的最大角度序列差Lmax(i),并将其与设定角度序列差L’max比较,筛选出边缘特征点,并将其标注具体步骤包括:
栅格中某一点Pi的邻域点存在于Pi点所在的栅格或其附近的26个栅格中,之后将所有栅格放于三维数组A中,然后遍历所有的点云数据,将每个点云都置于唯一的栅格中;
计算出每个点云数据P在数组A中的下标位置,得出P点与栅格中数据点Qi的距离,此距离记为s,如果s≤d,那么就把Qi加入到P点的邻域点集中,然后遍历所有的邻近栅格,直到所有点云的邻域全都搜索计算完毕;
建立邻域为边缘特征点检测提供了基础,由于点云中点分布的均匀性,若P是边缘特征点,其邻域点分布会偏向一侧;若P是内部点,其邻域点会在P点周围较均匀地分布;
计算待检测点P与邻域点构成向量之间的夹角,接下来根据Lmax的大小判断点云数据点P是否为边缘特征点,若Lmax超过阈值L’max,则P的邻域点分布不均,P为边缘特征点;反之则为内部点,而后将检测出的每个边缘特征点在点云数据中凸显标注;
将边缘特征点组成的点云数据进行管涌和滑坡特征识别,输出管涌和滑坡部位坐标信息步骤包括:识别出的边缘特征点根据点云滤波算法进行分类,以一组点云数据的曲率作为判定标准,提取出满足曲率要求且具有管涌和滑坡特征的边缘特征点云数据并将其各点坐标输出。
2.如权利要求1所述的堤坝管涌和滑坡检测方法,其特征在于,所述将堤坝点云数据输入管涌和滑坡特征识别模型中步骤还包括:对堤坝点云数据进行预处理获得预处理后的堤坝点云数据;将预处理后的堤坝点云数据输入管涌和滑坡特征识别模型中。
3.如权利要求1所述的堤坝管涌和滑坡检测方法,其特征在于,所述根据预设的角度序列差获取边缘特征点步骤包括:
根据预先获取的管涌和滑坡特征设定角度序列差;
获取点云数据中其中任意一点的最大角度序列差,依据最大角度序列差和角度序列差筛选边缘特征点。
4.如权利要求3所述的堤坝管涌和滑坡检测方法,其特征在于,根据预先获取的管涌和滑坡特征设定角度序列差步骤包括:管涌部位有水会造成类圆面点云数据缺失,根据管涌的类圆形外部轮廓设定在二维平面中至少一个象限部位没有点云数据,设定最小角度序列差为90°;滑坡部位为舌状轮廓,且因滑坡面积较大,其轮廓分割为无数短线段,于是设定最小角度序列差为180°。
5.一种堤坝管涌和滑坡检测系统,其特征在于,包括数据获取模块、管涌和滑坡检测模块和管涌和滑坡特征识别模型:
数据获取模块,用于获取待检测区域的堤坝点云数据;
管涌和滑坡检测模块,用于将堤坝点云数据输入管涌和滑坡特征识别模型中,所述管涌和滑坡特征识别模型用于对点云数据进行特征提取得到点云数据的边缘特征点,并对边缘特征点进行管涌和滑坡特征识别得到管涌和滑坡部位数据;
所述对点云数据进行特征提取得到点云数据的边缘特征点包括:对点云数据进行邻域搜索、最小包围盒划分和栅格化处理,并根据预设的角度序列差获取边缘特征点;
所述对点云数据进行邻域搜索、最小包围盒划分和栅格化处理的具体为:
获取点云数据中的任一点P的邻域集内任意两点间的欧氏距离函数;
将整组点云数据的最小包围盒进行空间分块,然后将数据点放入到唯一的栅格中;
待所有数据点全部放入栅格后得到全部的栅格数目;
并估算整组栅格数目的点云数据的平均密度;根据平均密度设置两点间的距离阈值,并依据距离阈值筛选点云数据获得筛选后的点云数据;
点云数据中的任一点P都存在邻域集Np,Np中每个点都符合一定的邻域类型,本算法中邻域是指欧式距离与P点最近的K个点,对于任意两点Pi(xi,yi,zi,ki)和Pj(xj,yj,zj,kj),其欧氏距离D的计算公式如下:
具体策略是将整组点云数据的最小包围盒进行空间分块,然后将数据点放入到唯一的栅格中,具体步骤如下:
对一组三维点云数据,能够包含该组点云体积的最小长方体被称作点云数据的最小包围盒,将其点云数据根据其点云形状建立起最小包围盒;
用与三个坐标面平行的平面在空间内对管涌点云的最小包围盒划分,分割后的小立方体被称为栅格,边界一列为长方体或立方体,计算出最小包围盒后得到X、Y、Z三个轴上的长度,采用如下公式计算栅格的边长:
式中,L是栅格边长,dx、dy和dz分别为包围盒X、Y、Z方向的长度,n为点云的数目,α是一常数;
用长宽高均为L的立方体栅格化最小包围盒之后,得到全部的栅格数目,并采用下列公式估算出整组点云数据的平均密度:
式中,AvgDis表示整组点云数据的平均密度,L是栅格的边长,Ncell是所有非空栅格的数量,N是包含非空栅格在内的所有栅格的数量;
根据计算结果设置两点间的距离阈值d,d是AvgDis的常数倍,d=C×AvgDis,其中C为常数,通过调节C来改变距离阈值d,以此来筛选部分点;
遍历所有点云,求一点Pi的最大角度序列差Lmax(i),并将其与设定角度序列差L’max比较,筛选出边缘特征点,并将其标注具体步骤包括:
栅格中某一点Pi的邻域点存在于Pi点所在的栅格或其附近的26个栅格中,之后将所有栅格放于三维数组A中,然后遍历所有的点云数据,将每个点云都置于唯一的栅格中;
计算出每个点云数据P在数组A中的下标位置,得出P点与栅格中数据点Qi的距离,此距离记为s,如果s≤d,那么就把Qi加入到P点的邻域点集中,然后遍历所有的邻近栅格,直到所有点云的邻域全都搜索计算完毕;
建立邻域为边缘特征点检测提供了基础,由于点云中点分布的均匀性,若P是边缘特征点,其邻域点分布会偏向一侧;若P是内部点,其邻域点会在P点周围较均匀地分布;
计算待检测点P与邻域点构成向量之间的夹角,接下来根据Lmax的大小判断点云数据点P是否为边缘特征点,若Lmax超过阈值L’max,则P的邻域点分布不均,P为边缘特征点;反之则为内部点,而后将检测出的每个边缘特征点在点云数据中凸显标注;
将边缘特征点组成的点云数据进行管涌和滑坡特征识别,输出管涌和滑坡部位坐标信息步骤包括:识别出的边缘特征点根据点云滤波算法进行分类,以一组点云数据的曲率作为判定标准,提取出满足曲率要求且具有管涌和滑坡特征的边缘特征点云数据并将其各点坐标输出。
6.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时,完成如权利要求1-4任一所述的堤坝管涌和滑坡检测方法。
7.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如权利要求1-4任一所述的堤坝管涌和滑坡检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110884833.9A CN113537141B (zh) | 2021-08-03 | 2021-08-03 | 一种堤坝管涌和滑坡病害快速检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110884833.9A CN113537141B (zh) | 2021-08-03 | 2021-08-03 | 一种堤坝管涌和滑坡病害快速检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537141A CN113537141A (zh) | 2021-10-22 |
CN113537141B true CN113537141B (zh) | 2023-10-03 |
Family
ID=78090209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110884833.9A Active CN113537141B (zh) | 2021-08-03 | 2021-08-03 | 一种堤坝管涌和滑坡病害快速检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537141B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782823B (zh) * | 2022-06-14 | 2022-09-02 | 江西省水利科学院 | 一种基于钻孔取芯和孔内图像识别的砌石坝容重检测方法 |
CN115223337A (zh) * | 2022-06-30 | 2022-10-21 | 山东大学 | 一种堤防渗流自动监测预警系统及监测预警方法 |
CN115356051A (zh) * | 2022-08-12 | 2022-11-18 | 吉林大学 | 一种堤坝渗漏监测系统、方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616349A (zh) * | 2015-01-30 | 2015-05-13 | 天津大学 | 基于局部曲面变化因子的散乱点云数据精简处理方法 |
CN107993242A (zh) * | 2017-12-14 | 2018-05-04 | 天津大学 | 基于机载LiDAR点云数据缺失区域边界提取方法 |
CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
CN112731440A (zh) * | 2020-12-25 | 2021-04-30 | 中国铁道科学研究院集团有限公司 | 高速铁路边坡形变检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782015A (zh) * | 2019-03-21 | 2019-05-21 | 同方威视技术股份有限公司 | 激光测速方法、控制装置和激光测速仪 |
-
2021
- 2021-08-03 CN CN202110884833.9A patent/CN113537141B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616349A (zh) * | 2015-01-30 | 2015-05-13 | 天津大学 | 基于局部曲面变化因子的散乱点云数据精简处理方法 |
CN107993242A (zh) * | 2017-12-14 | 2018-05-04 | 天津大学 | 基于机载LiDAR点云数据缺失区域边界提取方法 |
CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
CN112731440A (zh) * | 2020-12-25 | 2021-04-30 | 中国铁道科学研究院集团有限公司 | 高速铁路边坡形变检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Feature extraction of point clouds based on region clustering segmentation;XiaoHui Wang 等;《Multimedia Tools and Applications》;第11861-11888页 * |
三维点云中关键点误匹配剔除方法;熊风光 等;《光学学报》;第38卷(第2期);第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537141A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537141B (zh) | 一种堤坝管涌和滑坡病害快速检测方法及系统 | |
CN110285792B (zh) | 一种无人机倾斜摄影精细格网土方计量方法 | |
Ukhwah et al. | Asphalt pavement pothole detection using deep learning method based on YOLO neural network | |
CN105783810B (zh) | 基于无人机摄影技术的工程土方量测量方法 | |
CN103020342B (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN102521884B (zh) | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 | |
CN102096072B (zh) | 一种城市部件自动化测量方法 | |
CN106887020A (zh) | 一种基于LiDAR点云的道路纵横断面获取方法 | |
CN101915570B (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
CN105787281A (zh) | 一种海浪有效波高场的融合反演方法和装置 | |
CN114419085A (zh) | 建筑物轮廓线自动提取方法、装置、终端设备及存储介质 | |
CN103969656A (zh) | 基于机载激光雷达的建筑物建模方法和装置 | |
CN107918953B (zh) | 基于三维空间的激光扫描电力线点云的提取方法及装置 | |
CN109242862A (zh) | 一种实时的数字表面模型生成方法 | |
KR100963651B1 (ko) | 항공라이다자료를 이용한 건물외곽선 자동 추출 방법 | |
CN105701862A (zh) | 一种基于点云的地物关键点提取方法 | |
CN113033390B (zh) | 一种基于深度学习的大坝遥感智能检测方法 | |
CN110726998B (zh) | 一种激光雷达扫描测定矿区采煤塌陷盆地的方法 | |
CN103256914B (zh) | 一种基于dem计算淤地坝淹没面积的方法及系统 | |
CN109341665B (zh) | 一种淤地坝淤积状况调查系统和方法 | |
CN116645789A (zh) | 一种基于无人机测绘的土地自然灾害预警管控系统 | |
CN111260714B (zh) | 一种洪涝受灾评估方法、装置、设备及计算机存储介质 | |
KR102156085B1 (ko) | 고해상도 드론 영상을 활용한 산림지역 변화 탐지 및 변화지역 투수/불투수도 갱신 방법 | |
CN116012613B (zh) | 一种基于激光点云的露天矿的土方量变化测算方法和系统 | |
CN110148218B (zh) | 一种大批量机载LiDAR点云数据整体优化的方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230815 Address after: 250061, No. ten, No. 17923, Lixia District, Ji'nan City, Shandong Province Applicant after: SHANDONG University Applicant after: Water Conservancy Management Service Center of Xiaoqing River Basin of Haihe Huaihe River in Shandong Province Address before: 250061, No. ten, No. 17923, Lixia District, Ji'nan City, Shandong Province Applicant before: SHANDONG University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |