CN113705108A - 实时滑坡灾害监测预警方法及系统 - Google Patents
实时滑坡灾害监测预警方法及系统 Download PDFInfo
- Publication number
- CN113705108A CN113705108A CN202111027241.1A CN202111027241A CN113705108A CN 113705108 A CN113705108 A CN 113705108A CN 202111027241 A CN202111027241 A CN 202111027241A CN 113705108 A CN113705108 A CN 113705108A
- Authority
- CN
- China
- Prior art keywords
- landslide
- target area
- monitoring
- early warning
- time sequence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 238000006073 displacement reaction Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种实时滑坡灾害监测预警方法及系统，首先获取目标区域的滑坡监测数据，滑坡监测数据包括目标区域在第一预设时间段内的目标影像数据以及目标区域内地物的三维空间绝对坐标时间序列；然后采用滑坡灾害监测模型，得到未来第二预设时间段内目标区域的滑坡灾害监测结果；最后当滑坡灾害监测结果是第二预设时间段内目标区域存在滑坡灾害时对目标区域进行滑坡灾害预警发布。本发明实施例中滑坡灾害监测模型结合了卷积神经网络模块和深度置信网络模块，能够同时提取目标影像数据的影像特征、解析三维空间绝对坐标时间序列的时序特征来综合判断滑坡灾害发生的可能性。相比于人工解译，该方法自动化程度高且精度可靠。
Description
技术领域
本发明涉及地质灾害监测技术领域，尤其涉及一种实时滑坡灾害监测预警方法及系统。
背景技术
滑坡是在重力影响下由于土壤岩石及植物内在阻力减少(往往体现为滑动、松动、崩塌和流失)而带来的特定复杂形式的坡体运动，自然界发生最频繁的地质灾害。近年来，由于城市群的扩张和气候变化带来的极端天气事件频发，地表质量损失/移动情况呈上升趋势，滑坡灾害频发，因此如何对滑坡灾害进行有效地监测预警十分重要。
传统的滑坡灾害监测预警方法包括使用陆地激光扫描仪、航空摄影测量等，随着空间遥感技术的不断发展及各种高分辨率卫星的相继升空，运用遥感技术进行滑坡灾害监测预警已成为高效快捷的途径。
但是目前包括卫星遥感图像(全色/多光谱/合成孔径雷达)在内的滑坡监测数据，依赖于人工判读解译，且自动化程度、识别准确度等方面有限，难以对大面积、多时相的滑坡监测数据进行快速、准确的滑坡灾害监测预警。
发明内容
本发明提供一种实时滑坡灾害监测预警方法及系统，用以解决现有技术中存在的缺陷。
本发明提供一种实时滑坡灾害监测预警方法，包括：
实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；
将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；
若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；
其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
根据本发明提供的一种实时滑坡灾害监测预警方法，所述目标影像数据包括基于搭载有北斗导航定位系统的网络双目摄像头布设群采集的第一类影像数据以及基于搭载有北斗导航定位系统、惯性测量单元以及航空摄影系统的无人机布设群采集的第二类影像数据；相应的，
所述三维空间绝对坐标时间序列基于如下方法确定：
基于所述网络双目摄像头布设群搭载的北斗导航定位系统，确定所述网络双目摄像头布设群的位移时间序列；
基于所述第一类影像数据以及所述网络双目摄像头布设群搭载的北斗导航定位系统，确定所述目标区域内地物的第一类三维空间绝对坐标时间序列；
基于所述第二类影像数据以及所述无人机布设群搭载的北斗导航定位系统，确定所述目标区域内地物的第二类三维空间绝对坐标时间序列；
将所述位移时间序列、所述第一类三维空间绝对坐标时间序列以及所述第二类三维空间绝对坐标时间序列进行联合解算，确定所述三维空间绝对坐标时间序列。
根据本发明提供的一种实时滑坡灾害监测预警方法，所述卷积神经网络模块包括卷积子模块、注意力子模块以及反卷积子模块；
所述卷积子模块用于提取所述目标影像数据中的影像特征图；
所述注意力子模块用于分别基于空间注意力机制以及通道注意力机制，提取所述影像特征图中的空间特征图以及通道特征图；
所述反卷积子模块用于对所述空间特征图以及所述通道特征图进行反卷积，得到所述影像特征。
根据本发明提供的一种实时滑坡灾害监测预警方法，所述滑坡灾害决策模块，具体用于：
基于所述卷积神经网络模块提取的影像特征，确定所述目标区域的位移距离，并基于所述深度置信网络模块解析的时序特征，确定所述目标区域在所述第二预设时间段内的位移特征；
基于所述位移距离以及所述位移特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
根据本发明提供的一种实时滑坡灾害监测预警方法，所述滑坡灾害决策模块，具体用于：
若判断获知所述位移距离大于等于位移阈值，和/或，若判断获知所述位移特征与滑坡灾害发生前所述第二预设时间段内的目标特征匹配，则确定所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害。
根据本发明提供的一种实时滑坡灾害监测预警方法，所述对所述目标区域进行滑坡灾害预警发布，具体包括：基于5G无线通信网络，将所述滑坡灾害监测结果播发至所述目标区域内的终端设备。
根据本发明提供的一种实时滑坡灾害监测预警方法，所述滑坡灾害监测模型中采用的激活函数包括Sigmoid激活函数和ReLu激活函数。
本发明还提供一种实时滑坡灾害监测预警系统，包括：
获取模块，用于实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；
监测模块，用于将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；
预警模块，用于若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；
其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上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上述任一种所述实时滑坡灾害监测预警方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其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上述任一种所述实时滑坡灾害监测预警方法的步骤。
本发明提供的实时滑坡灾害监测预警方法及系统，首先获取目标区域的滑坡监测数据，滑坡监测数据包括目标区域在第一预设时间段内的目标影像数据以及目标区域内地物的三维空间绝对坐标时间序列；然后采用滑坡灾害监测模型，得到未来第二预设时间段内目标区域的滑坡灾害监测结果；最后当滑坡灾害监测结果是第二预设时间段内目标区域存在滑坡灾害时对目标区域进行滑坡灾害预警发布。本发明实施例中滑坡灾害监测模型结合了卷积神经网络模块和深度置信网络模块，能够同时提取目标影像数据的影像特征、解析三维空间绝对坐标时间序列的时序特征来综合判断滑坡灾害发生的可能性。相比于人工解译，该方法自动化程度高且精度可靠。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的实时滑坡灾害监测预警方法的流程示意图之一；
图2是本发明提供的实时滑坡灾害监测预警方法的流程示意图之二；
图3是本发明提供的滑坡监测数据的采集流程示意图；
图4是本发明提供的实时滑坡灾害监测预警系统的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做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。
由于现有技术中的滑坡灾害监测预警方法，其采用的包括卫星遥感图像(全色/多光谱/合成孔径雷达)在内的滑坡监测数据，依赖于人工判读解译，且自动化程度、识别准确度等方面有限，难以对大面积、多时相的滑坡监测数据进行快速、准确的滑坡灾害监测预警。此外，滑坡监测数据从获取到分析，再到预警发布，传统蜂窝数据传输速度无法满足大范围高效预警的需求，会导致局部预警滞后，容易出现因预警不及时而带来的严重后果。为此，本发明实施例中提供了一种实时滑坡灾害监测预警方法。
图1为本发明实施例中提供的一种实时滑坡灾害监测预警方法的流程示意图，如图1所示，该方法包括：
S1，实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；
S2，将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；
S3，若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；
其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
可选地，本发明实施例中提供的实时滑坡灾害监测预警方法，其执行主体为服务器，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机、平板电脑以及智能手机等，本发明实施例中对此不作具体限定。服务器内可以保存实时滑坡灾害监测预警方法的核心决策代码及5G无线网络传输接收/播发数据的程序。
首先执行步骤S1，实时获取目标区域的滑坡监测数据，滑坡监测数据可以存储于外部存储器中，服务器可以与外部存储器通信连接，以获取外部存储器内的滑坡监测数据，通信方式可以包括5G无线通信方式等。服务器内可以配置有内部存储器，用于存储实时获取的目标区域的滑坡监测数据。
目标区域是指需要预测未来第二预设时间段内是否会有出现滑坡灾害的区域，为滑坡监测区域。第二预设时间段是指当前时刻之后且与当前时刻临近的一个时间段，第二预设时间段的长度可以根据需要进行设定，例如可以设定为半小时或一小时等。滑坡监测数据可以包括目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列。其中，第一预设时间段是当前时刻之前且与当前时刻临近的一个时间段，第一预设时间段的长度可以根据需要进行设定，本发明实施例中对此不作具体限定，例如可以设定为5分钟、10分钟、半小时、一小时等。本发明实施例中，当前时刻是指服务器获取滑坡监测数据的时刻。
目标影像数据可以通过采集设备采集得到，采集设备可以包括由多个网络双目摄像头组成的网络双目摄像头布设群、由多个无人机组成的无人机布设群等。采集设备可以与服务器通信连接，通信方式可以包括5G无线通信方式等。目标影像数据可以包括以预设时间采样间隔采样得到的多帧影像。目标区域内地物的三维空间绝对坐标时间序列可以是每帧影像中地物的三维空间绝对坐标信息按时间排序的结果。
三维空间绝对坐标信息是指地物在世界坐标系下的坐标，可以通过定位系统确定，该定位系统可以搭载在采集设备上，也可以内置于采集设备内，该定位系统可以是北斗导航定位系统。
然后执行步骤S2，引入滑坡灾害监测，将滑坡监测数据输入至滑坡灾害监测模型，由滑坡灾害监测模型通过目标影像数据以及目标区域内地物的三维空间绝对坐标时间序列，对未来第二预设时间段内目标区域的滑坡灾害发生情况进行监测，得到目标区域的滑坡灾害监测结果。该滑坡灾害监测结果可以包括目标区域在未来第二预设时间段内会发生滑坡灾害或者不会发生滑坡灾害。
本发明实施例中采用的滑坡灾害监测模型(Warning deep Neural networkplus，WNET+)，其结构上可以包括卷积神经网络模块、深度置信网络(Deep BeliefNetworks，DBN)模块和滑坡灾害决策模块。如图2所示，在将从外部存储器内获取的滑坡监测数据输入至滑坡灾害监测模型之后，通过卷积神经网络模块对目标影像数据中的单帧影像进行影像特征提取，并通过深度置信网络模块对目标区域内地物的三维空间绝对坐标时间序列进行时序特征解析，最后将提取的影像特征以及解析的时序特征汇总至滑坡灾害决策模块，通过滑坡灾害决策模块根据提取的影像特征以及解析的时序特征，对第二预设时间段内的目标区域进行滑坡灾害监测，得到滑坡灾害监测结果。
在对滑坡灾害监测模型进行训练时，可以先根据历史滑坡监测数据中的影像数据样本训练得到卷积神经网络模块，影像数据样本中人工标记有滑坡发生区域。根据历史滑坡监测数据中的三维空间绝对坐标时间序列训练得到深度置信网络模块，以使卷积神经网络模块具有影像特征提取功能，使深度置信网络模型具有时序特征解析功能。最后对滑坡灾害决策模块进行训练，使滑坡灾害决策模块具有滑坡灾害监测功能。在滑坡灾害监测模型训练过程中，滑坡灾害监测模型将对影像数据样本中的目标点位的相对位移进行计算并判断阈值大于多少时会发生滑坡灾害事件。同时，通过逐帧分解的影像计算得到滑坡区域三维空间绝对坐标时间序列，也一并作为输入值再次进行深度学习，得到更精细化的滑坡灾害监测模型，优化滑坡发生区域的时空变化特性。
本发明实施例中，通过滑坡灾害监测模型提取的影像特征、解析的时序特征以及最终得到的滑坡灾害监测结果均可以存储于服务器的内部存储器内。服务器还可以配置有显示器，通过该显示器可以显示滑坡灾害监测结果，方便核对检查。
最后执行步骤S3，根据滑坡灾害监测结果确定是否需要对目标区域进行滑坡灾害预警发布。如果滑坡灾害监测结果是第二预设时间段内目标区域存在滑坡灾害，则需要对目标区域进行滑坡灾害预警发布，即将滑坡灾害监测结果传输至目标区域内的终端设备，以使持有终端设备的用户可以及时知晓该滑坡灾害监测结果。
如果滑坡灾害监测结果是第二预设时间段内目标区域不存在滑坡灾害，则持续获取目标区域的滑坡监测数据，以对第二预设时间段内的目标区域进行滑坡灾害监测。
本发明实施例中提供的实时滑坡灾害监测预警方法，首先获取目标区域的滑坡监测数据，滑坡监测数据包括目标区域在第一预设时间段内的目标影像数据以及目标区域内地物的三维空间绝对坐标时间序列；然后采用滑坡灾害监测模型，得到未来第二预设时间段内目标区域的滑坡灾害监测结果；最后当滑坡灾害监测结果是第二预设时间段内目标区域存在滑坡灾害时对目标区域进行滑坡灾害预警发布。本发明实施例中滑坡灾害监测模型结合了卷积神经网络模块和深度置信网络模块，能够同时提取目标影像数据的影像特征、解析三维空间绝对坐标时间序列的时序特征来综合判断滑坡灾害发生的可能性。相比于人工解译，该方法自动化程度高且精度可靠。
由于滑坡灾害的特殊性，在进行滑坡灾害监测预警时对滑坡监测数据有着高时空分辨率的要求，而目前的卫星遥感图像无法较好兼容经济成本和时空分辨率需求。
为此，在上述实施例的基础上，本发明实施例中提供了一种实时滑坡灾害监测预警方法，所述目标影像数据包括基于搭载有北斗导航定位系统的网络双目摄像头布设群采集的第一类影像数据以及基于搭载有北斗导航定位系统、惯性测量单元以及航空摄影系统的无人机布设群采集的第二类影像数据；相应的，
所述三维空间绝对坐标时间序列基于如下方法确定：
基于所述网络双目摄像头布设群搭载的北斗导航定位系统，确定所述网络双目摄像头布设群的位移时间序列；
基于所述第一类影像数据以及所述网络双目摄像头布设群搭载的北斗导航定位系统，确定所述目标区域内地物的第一类三维空间绝对坐标时间序列；
基于所述第二类影像数据以及所述无人机布设群搭载的北斗导航定位系统，确定所述目标区域内地物的第二类三维空间绝对坐标时间序列；
将所述位移时间序列、所述第一类三维空间绝对坐标时间序列以及所述第二类三维空间绝对坐标时间序列进行联合解算，确定所述三维空间绝对坐标时间序列。
可选地，本发明实施例中，如图3所示，为滑坡监测数据的采集流程示意图。目标影像数据可以通过网络双目摄像头布设群结合无人机布设群获取，即目标影像数据包括第一类影像数据以及第二类影像数据，第一类影像数据通过网络双目摄像头布设群采集得到，第二类影像数据通过无人机布设群采集得到。网络双目摄像头布设群中每个网络双目摄像头的时间采样间隔可达每秒钟一次，第一类影像数据的单帧影像空间分辨率可达到厘米级。
在每个网络双目摄像头上可以搭载高精度的北斗导航定位系统，通过北斗导航定位系统可以得到网络双目摄像头的三维空间绝对坐标信息以及网络双目摄像头的位移时间序列。其中，位移时间序列可以包括网络双目摄像头在水平方向和垂直方向的位移时间序列，是指随着滑坡灾害的发生，网络双目摄像头相应的位移跳变按时间的排列。
网络双目摄像头采用双像立体测图原理，模仿人眼的天然立体视觉，通过立体摄影测量原理，在已知双目摄像头内外方位元素及两个摄像头已标定过的相对位置的基础上，第一类影像数据经过立体校正、消除几何畸变、图像裁剪等操作后，通过前方交会可以得到第一类影像数据的单帧影像中每个像素点与摄像头的三维空间相对坐标信息。
通过网络双目摄像头的三维空间绝对坐标信息，可以对第一类影像数据的单帧影像中每个像素点与摄像头的三维空间相对坐标信息进行修正，得到第一类影像数据的单帧影像中目标区域内地物的三维空间绝对坐标信息，第一类影像数据中所有帧影像对应的三维空间绝对坐标信息构成第一类三维空间绝对坐标时间序列。其中，两个摄像头已标定过的相对位置可以通过右摄像头相对于左摄像头的平移向量和旋转矩阵表示。
由于网络双目摄像头架设位置固定，拍摄范围有限，存在拍摄盲区，因此为避免因网络双目摄像头布设群存在拍摄盲区而未能完整获取目标区域内地物的三维空间绝对坐标信息，引入无人机布设群获取第二类影像数据，无人机布设群中每个无人机可以定期进行高精度航拍飞行。每个无人机上可以搭载有北斗导航定位系统、惯性测量单元(InertialMeasurement Unit，IMU)以及航空摄影系统。通过每个无人机可以直接得到第二类影像数据，并可以快速方便获取每个无人机采集第二类影像数据时的内外方位元素及无人机的三维空间绝对坐标信息，通过对第二类影像数据进行立体校正、消除几何畸变、图像裁剪等操作后，通过前方交会可以得到目标区域内地物的第二类三维空间绝对坐标时间序列。
将网络双目摄像头布设群的位移时间序列、第一类三维空间绝对坐标时间序列以及第二类三维空间绝对坐标时间序列存储至外部存储器，并进行联合解算，可以确定出目标区域内地物的三维空间绝对坐标时间序列。联合解算得到的三维空间绝对坐标时间序列为综合了网络双目摄像头的第一类影像数据以及无人机的第二类影像数据得到的综合三维空间绝对坐标时间序列。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警方法，所述卷积神经网络模块包括卷积子模块、注意力子模块以及反卷积子模块；
所述卷积子模块用于提取所述目标影像数据中的影像特征图；
所述注意力子模块用于分别基于空间注意力机制以及通道注意力机制，提取所述影像特征图中的空间特征图以及通道特征图；
所述反卷积子模块用于对所述空间特征图以及所述通道特征图进行反卷积，得到所述影像特征。
可选地，本发明实施例中采用的卷积神经网络模块，可以包括卷积子模块、注意力子模块以及反卷积子模块，通过卷积子模块提取所述目标影像数据中的影像特征图，卷积子模块可以借助卷积神经网络在处理图像方面的优势，利用一系列卷积滑动计算方式，根据卷积核大小与滑动步长，在输入影像和时间序列上做卷积运算，从而得到输入影像的深层次时空语义信息。在该卷积子模块的设计中，不仅设置了若干卷积层以提取逐帧影像中的深层信息，同时也可将前几个卷积层提取出的影像特征与当前卷积层提取的影像特征进行运算，更加充分地利用浅层与深层信息，从而提高运算效率。
在卷积子模块以及反卷积子模块之间引入注意力子模块，该注意力子模块可以基于空间注意力机制与通道注意力机制实现。在注意力子模块中，两类注意力机制呈并联设置，在执行通道注意力机制时，可学习出每个通道的权重，从而产生通道特征图。与通道注意力机制不同，空间注意力机制主要关注于位置信息，首先在通道的维度上使用最大池化和平均池化得到两个不同的特征层，然后将两个特征层合并，并使用卷积操作生成空间特征图。
最后通过反卷积子模块对空间特征图以及通道特征图进行反卷积，即可得到影像特征。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警方法，为针对网络双目摄像头的位移时间序列及联合网络双目摄像头采集的第一类影像数据和无人机采集的第二类影像数据提取的目标区域内地物的三维空间绝对坐标时间序列进行细致分析，加入了深度置信网络模块。通过深度置信网络特有的时间序列分析能力及快速收敛速度可以进行滑坡监测预警。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警方法，所述滑坡灾害监测模型中采用的激活函数(active function)包括Sigmoid激活函数和修正线性单元(Rectified Linear Units，ReLu)激活函数。
可选地，通过激活函数，将卷积神经网络模块中的线性连接转变为非线性连接，使得各神经元的输入输出之间的映射情况更加符合真实情况，可以对网络提取的多维时空语义信息进行自动决策。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警方法，所述滑坡灾害决策模块，具体用于：
基于所述卷积神经网络模块提取的影像特征，确定所述目标区域的位移距离，并基于所述深度置信网络模块解析的时序特征，确定所述目标区域在所述第二预设时间段内的位移特征；
基于所述位移距离以及所述位移特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
可选地，本发明实施例中的滑坡灾害决策模块，可以根据卷积神经网络模块提取的影像特征，确定出目标区域的位移距离，并根据深度置信网络模块解析的时序特征，确定出目标区域在第二预设时间段内的位移特征；然后结合位移距离以及位移特征，对第二预设时间段内的目标区域进行滑坡灾害监测。例如，可以给定位移阈值以及滑坡灾害发生前所述第二预设时间段内的目标特征，通过将位移距离与位移阈值进行比较，将位移特征与目标特征进行匹配，并根据比较结果与匹配结果确定出第二预设时间段内目标区域的滑坡灾害监测结果。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警方法，所述滑坡灾害决策模块，具体用于：
若判断获知所述位移距离大于等于位移阈值，和/或，若判断获知所述位移特征与滑坡灾害发生前所述第二预设时间段内的目标特征匹配，则确定所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害。
可选地，本发明实施例中的滑坡灾害决策模块，可以将位移距离与位移阈值进行比较，将位移特征与目标特征进行匹配，如果有：
位移距离大于等于位移阈值；
位移特征与目标特征匹配；
上述两个条件中至少一个条件满足，则可以确定出滑坡灾害监测结果为第二预设时间段内目标区域存在滑坡灾害。其中，位移阈值以及目标特征均可以是滑坡灾害监测模型训练过程中确定，本发明实施例中对此不作具体限定。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警方法，所述对所述目标区域进行滑坡灾害预警发布，具体包括：基于5G无线通信网络，将所述滑坡灾害监测结果播发至所述目标区域内的终端设备。
可选地，本发明实施例中当需要对目标区域进行滑坡灾害预警发布时，可以采用5G无线通信网络，将滑坡灾害监测结果播发至目标区域内的终端设备，能够兼顾数据质量和速度，并可以迅速预警响应。其中，终端设备可以是职能部门配置的设备以及目标区域内的居民所持有的设备。播发的形式可以包括短信、微信小程序平台及网页公布等。
综上所述，本发明实施例中提供的实时滑坡灾害监测预警方法，利用架设在目标区域的网络双目摄像头及无人机拍摄到的影像数据，及通过联合解算预处理得到的目标区域三维空间绝对坐标信息，通过滑坡灾害监测模型对目标区域的动态变化进行实时自动化多源高精度监测，并通过5G无线网络进行大数据传输与播发，起到对滑坡灾害发生提前预警的作用。
如图4所示，在上述实施例的基础上，本发明实施例中提供了一种实时滑坡灾害监测预警系统，包括：
获取模块41，用于实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；
监测模块42，用于将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；
预警模块43，用于若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；
其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警系统，所述目标影像数据包括基于搭载有北斗导航定位系统的网络双目摄像头布设群采集的第一类影像数据以及基于搭载有北斗导航定位系统、惯性测量单元以及航空摄影系统的无人机布设群采集的第二类影像数据；相应的，
所述实时滑坡灾害监测预警系统还包括时间序列确定模块，用于：
基于所述双目摄像头布设群搭载的北斗导航定位系统，确定所述网络双目摄像头布设群的位移时间序列；
基于所述第一类影像数据以及所述双目摄像头布设群搭载的北斗导航定位系统，确定所述目标区域内地物的第一类三维空间绝对坐标时间序列；
基于所述第二类影像数据以及所述无人机布设群搭载的北斗导航定位系统，确定所述目标区域内地物的第二类三维空间绝对坐标时间序列；
将所述位移时间序列、所述第一类三维空间绝对坐标时间序列以及所述第二类三维空间绝对坐标时间序列进行联合解算，确定所述三维空间绝对坐标时间序列。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警系统，所述卷积神经网络模块包括卷积子模块、注意力子模块以及反卷积子模块；
所述卷积子模块用于提取所述目标影像数据中的影像特征图；
所述注意力子模块用于分别基于空间注意力机制以及通道注意力机制，提取所述影像特征图中的空间特征图以及通道特征图；
所述反卷积子模块用于对所述空间特征图以及所述通道特征图进行反卷积，得到所述影像特征。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警系统，所述滑坡灾害决策模块，具体用于：
基于所述卷积神经网络模块提取的影像特征，确定所述目标区域的位移距离，并基于所述深度置信网络模块解析的时序特征，确定所述目标区域在所述第二预设时间段内的位移特征；
基于所述位移距离以及所述位移特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警系统，所述滑坡灾害决策模块，具体用于：
若判断获知所述位移距离大于等于位移阈值，和/或，若判断获知所述位移特征与滑坡灾害发生前所述第二预设时间段内的目标特征匹配，则确定所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警系统，所述预警模块，具体用于：基于5G无线通信网络，将所述滑坡灾害监测结果播发至所述目标区域内的终端设备。
在上述实施例的基础上，本发明实施例中提供的实时滑坡灾害监测预警系统，所述滑坡灾害监测模型中采用的激活函数包括Sigmoid激活函数和ReLu激活函数。
具体地，本发明实施例中提供的实时滑坡灾害监测预警系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行上述各实施例提供的实时滑坡灾害监测预警方法，该方法包括：实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
此外，上述的存储器530中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行实时滑坡灾害监测预警方法，该方法包括：实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行实时滑坡灾害监测预警方法，该方法包括：实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种实时滑坡灾害监测预警方法，其特征在于，包括：
实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；
将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；
若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；
其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
2.根据权利要求1所述的实时滑坡灾害监测预警方法，其特征在于，所述目标影像数据包括基于搭载有北斗导航定位系统的网络双目摄像头布设群采集的第一类影像数据以及基于搭载有北斗导航定位系统、惯性测量单元以及航空摄影系统的无人机布设群采集的第二类影像数据；相应的，
所述三维空间绝对坐标时间序列基于如下方法确定：
基于所述网络双目摄像头布设群搭载的北斗导航定位系统，确定所述网络双目摄像头布设群的位移时间序列；
基于所述第一类影像数据以及所述网络双目摄像头布设群搭载的北斗导航定位系统，确定所述目标区域内地物的第一类三维空间绝对坐标时间序列；
基于所述第二类影像数据以及所述无人机布设群搭载的北斗导航定位系统，确定所述目标区域内地物的第二类三维空间绝对坐标时间序列；
将所述位移时间序列、所述第一类三维空间绝对坐标时间序列以及所述第二类三维空间绝对坐标时间序列进行联合解算，确定所述三维空间绝对坐标时间序列。
3.根据权利要求1所述的实时滑坡灾害监测预警方法，其特征在于，所述卷积神经网络模块包括卷积子模块、注意力子模块以及反卷积子模块；
所述卷积子模块用于提取所述目标影像数据中的影像特征图；
所述注意力子模块用于分别基于空间注意力机制以及通道注意力机制，提取所述影像特征图中的空间特征图以及通道特征图；
所述反卷积子模块用于对所述空间特征图以及所述通道特征图进行反卷积，得到所述影像特征。
4.根据权利要求1所述的实时滑坡灾害监测预警方法，其特征在于，所述滑坡灾害决策模块，具体用于：
基于所述卷积神经网络模块提取的影像特征，确定所述目标区域的位移距离，并基于所述深度置信网络模块解析的时序特征，确定所述目标区域在所述第二预设时间段内的位移特征；
基于所述位移距离以及所述位移特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
5.根据权利要求4所述的实时滑坡灾害监测预警方法，其特征在于，所述滑坡灾害决策模块，具体用于：
若判断获知所述位移距离大于等于位移阈值，和/或，若判断获知所述位移特征与滑坡灾害发生前所述第二预设时间段内的目标特征匹配，则确定所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害。
6.根据权利要求1-5中任一项所述的实时滑坡灾害监测预警方法，其特征在于，所述对所述目标区域进行滑坡灾害预警发布，具体包括：基于5G无线通信网络，将所述滑坡灾害监测结果播发至所述目标区域内的终端设备。
7.根据权利要求1-5中任一项所述的实时滑坡灾害监测预警方法，其特征在于，所述滑坡灾害监测模型中采用的激活函数包括Sigmoid激活函数和ReLu激活函数。
8.一种实时滑坡灾害监测预警系统，其特征在于，包括：
获取模块，用于实时获取目标区域的滑坡监测数据，所述滑坡监测数据包括所述目标区域在第一预设时间段内的目标影像数据以及所述目标区域内地物的三维空间绝对坐标时间序列；
监测模块，用于将所述滑坡监测数据输入至滑坡灾害监测模型，得到由所述滑坡灾害监测模型输出的未来第二预设时间段内所述目标区域的滑坡灾害监测结果；
预警模块，用于若判断获知所述滑坡灾害监测结果为所述第二预设时间段内所述目标区域存在滑坡灾害，则对所述目标区域进行滑坡灾害预警发布；
其中，所述滑坡灾害监测模型包括卷积神经网络模块、深度置信网络模块和滑坡灾害决策模块，所述卷积神经网络模块用于对所述目标影像数据进行影像特征提取，所述深度置信网络模块用于对所述三维空间绝对坐标时间序列进行时序特征解析，所述滑坡灾害决策模块用于基于所述卷积神经网络模块提取的影像特征以及所述深度置信网络模块解析的时序特征，对所述第二预设时间段内的所述目标区域进行滑坡灾害监测。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述实时滑坡灾害监测预警方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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任一项所述实时滑坡灾害监测预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111027241.1A CN113705108B (zh) | 2021-09-02 | 2021-09-02 | 实时滑坡灾害监测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111027241.1A CN113705108B (zh) | 2021-09-02 | 2021-09-02 | 实时滑坡灾害监测预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705108A true CN113705108A (zh) | 2021-11-26 |
| CN113705108B CN113705108B (zh) | 2022-06-24 |
Family
ID=78657512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111027241.1A Active CN113705108B (zh) | 2021-09-02 | 2021-09-02 | 实时滑坡灾害监测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705108B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863645A (zh) * | 2022-07-04 | 2022-08-05 | 四川省华地建设工程有限责任公司 | 一种地质灾害监测预警方法及系统 |
| CN115457739A (zh) * | 2022-11-11 | 2022-12-09 | 四川师范大学 | 一种地质灾害预警方法、装置、电子设备及存储介质 |
| CN115797764A (zh) * | 2022-11-18 | 2023-03-14 | 江苏星月测绘科技股份有限公司 | 一种应用于耕地非农化监测的遥感大数据解译方法及系统 |
| CN115952410A (zh) * | 2023-03-13 | 2023-04-11 | 中国地震局地球物理研究所 | 一种基于深度学习的滑坡灾害检测系统 |
| CN116086306A (zh) * | 2023-04-13 | 2023-05-09 | 中国铁塔股份有限公司 | 坝体的监测信息的生成方法、装置、设备及可读存储介质 |
| CN116299446A (zh) * | 2022-12-27 | 2023-06-23 | 速度时空信息科技股份有限公司 | 一种基于insar技术的地表形变监测方法及系统 |
| 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 |
| CN117132907A (zh) * | 2023-05-10 | 2023-11-28 | 淮南师范学院 | 一种基于深度学习的滑坡检测系统 |
| CN118314698A (zh) * | 2024-06-11 | 2024-07-09 | 四川凉山水洛河电力开发有限公司 | 一种边坡崩塌预警方法 |
| CN118332504A (zh) * | 2024-06-12 | 2024-07-12 | 江西省地质局地理信息工程大队 | 一种用于地质滑坡的地质监测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
| CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
| CN112598881A (zh) * | 2020-12-03 | 2021-04-02 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
-
2021
- 2021-09-02 CN CN202111027241.1A patent/CN113705108B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
| CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
| CN112598881A (zh) * | 2020-12-03 | 2021-04-02 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
Non-Patent Citations (3)
| Title |
|---|
| LEIJIN LONG等: "The use of remote sensing satellite using deep learning in emergency monitoring of high‑level landslides disaster in Jinsha River", 《THE JOURNAL OF SUPERCOMPUTING》 * |
| 王威等: "基于三维GIS的滑坡灾害监测预警系统及应用", 《岩土力学》 * |
| 韩斐等: "基于变分模态分解和深度置信神经网络模型的滑坡位移预测", 《长江科技院院报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863645B (zh) * | 2022-07-04 | 2022-09-16 | 四川省华地建设工程有限责任公司 | 一种地质灾害监测预警方法及系统 |
| CN114863645A (zh) * | 2022-07-04 | 2022-08-05 | 四川省华地建设工程有限责任公司 | 一种地质灾害监测预警方法及系统 |
| CN115457739A (zh) * | 2022-11-11 | 2022-12-09 | 四川师范大学 | 一种地质灾害预警方法、装置、电子设备及存储介质 |
| CN115457739B (zh) * | 2022-11-11 | 2023-02-28 | 四川师范大学 | 一种地质灾害预警方法、装置、电子设备及存储介质 |
| CN115797764A (zh) * | 2022-11-18 | 2023-03-14 | 江苏星月测绘科技股份有限公司 | 一种应用于耕地非农化监测的遥感大数据解译方法及系统 |
| CN115797764B (zh) * | 2022-11-18 | 2023-05-30 | 江苏星月测绘科技股份有限公司 | 一种应用于耕地非农化监测的遥感大数据解译方法及系统 |
| CN116299446B (zh) * | 2022-12-27 | 2023-11-10 | 速度科技股份有限公司 | 一种基于insar技术的地表形变监测方法及系统 |
| CN116299446A (zh) * | 2022-12-27 | 2023-06-23 | 速度时空信息科技股份有限公司 | 一种基于insar技术的地表形变监测方法及系统 |
| CN115952410A (zh) * | 2023-03-13 | 2023-04-11 | 中国地震局地球物理研究所 | 一种基于深度学习的滑坡灾害检测系统 |
| CN116086306A (zh) * | 2023-04-13 | 2023-05-09 | 中国铁塔股份有限公司 | 坝体的监测信息的生成方法、装置、设备及可读存储介质 |
| CN117132907A (zh) * | 2023-05-10 | 2023-11-28 | 淮南师范学院 | 一种基于深度学习的滑坡检测系统 |
| 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 |
| 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 |
| CN118314698A (zh) * | 2024-06-11 | 2024-07-09 | 四川凉山水洛河电力开发有限公司 | 一种边坡崩塌预警方法 |
| CN118332504A (zh) * | 2024-06-12 | 2024-07-12 | 江西省地质局地理信息工程大队 | 一种用于地质滑坡的地质监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705108B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113705108B (zh) | 实时滑坡灾害监测预警方法及系统 | |
| Milella et al. | In-field high throughput grapevine phenotyping with a consumer-grade depth camera | |
| US9942440B2 (en) | Image-based field boundary detection and identification | |
| CN109034018B (zh) | 一种基于双目视觉的低空小型无人机障碍物感知方法 | |
| CN109272530B (zh) | 面向空基监视场景的目标跟踪方法与装置 | |
| CN111326023B (zh) | 一种无人机航线预警方法、装置、设备及存储介质 | |
| CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
| CN110147714B (zh) | 基于无人机的煤矿采空区裂缝识别方法及检测系统 | |
| Bonnet et al. | Comparison of UAS photogrammetric products for tree detection and characterization of coniferous stands | |
| CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
| Mathews | Object-based spatiotemporal analysis of vine canopy vigor using an inexpensive unmanned aerial vehicle remote sensing system | |
| CN114255407A (zh) | 基于高分辨率的反无人机多目标识别和跟踪视频探测方法 | |
| Ye et al. | Pine pest detection using remote sensing satellite images combined with a multi-scale attention-UNet model | |
| CN113192646A (zh) | 目标检测模型构建方法及不同目标间距离监控方法、装置 | |
| CN115861823B (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
| CN112966548A (zh) | 一种大豆地块识别方法及系统 | |
| EP3543910A1 (en) | Cloud detection in aerial imagery | |
| Rumora et al. | Spatial video remote sensing for urban vegetation mapping using vegetation indices | |
| Zou et al. | Density estimation method of mature wheat based on point cloud segmentation and clustering | |
| CN116612059B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| Azhar et al. | A framework for multiscale intertidal sandflat mapping: A case study in the Whangateau estuary | |
| CN117274375A (zh) | 基于迁移学习网络模型与图像匹配的目标定位方法及系统 | |
| CN114742955A (zh) | 洪灾预警方法、装置、电子设备及存储介质 | |
| CN112016484B (zh) | 植物侵扰评估方法、装置、计算机设备及存储介质 | |
| CN113379797A (zh) | 一种无人机观测目标的实时跟踪方法及系统 |
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 |