CN114037953A - 边坡安全监测方法、装置、计算机设备及存储介质 - Google Patents
边坡安全监测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114037953A CN114037953A CN202111315815.5A CN202111315815A CN114037953A CN 114037953 A CN114037953 A CN 114037953A CN 202111315815 A CN202111315815 A CN 202111315815A CN 114037953 A CN114037953 A CN 114037953A
- Authority
- CN
- China
- Prior art keywords
- target
- displacement
- pixel
- monitoring
- area
- 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
Images
Classifications
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明实施例公开了边坡安全监测方法、装置、计算机设备及存储介质。方法包括:对监测区域进行全方位扫描,以得到监测区域影像;对监测区域影像进行标靶检测,以得到标靶所在ROI区域;进行像素级别分割,以得到测点像素级别的位移量;对测点像素级别的位移量进行亚像素拟合;通过标靶的实际大小和拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移;根据标靶位移进行边坡安全监测。通过实施本发明实施例的方法可实现全方面的边坡状态监测,不存在盲区,时效性强,泛化能力强,不受环境因素影响,监测成功率高。
Description
技术领域
本发明涉及山体安全监测方法,更具体地说是指边坡安全监测方法、装置、计算机设备及存储介质。
背景技术
由于山体边坡的岩性及地质构造、地形外貌和水文及降雨情况等因素,边坡常常会发生各种各样的破坏,例如崩塌、滑坡以及由边坡失稳引起的边坡位移,这些边坡破坏的危害是极大的,当地形较陡、山体的岩土体比较松软、破碎,尤其是顺坡方向岩层裂缝较多的地方时,边坡很容易发生山体滑坡或山体崩塌等破坏,而这种情况不仅会造成一定范围内的人员伤亡、财产损失,还会对附近道路交通造成严重威胁。
现有的山体边坡安全监测技术包括两种,一种是基于GNSS(全球导航卫星系统,Global Navigation Satellite System)的接触式位移监测技术,另外一种是基于传统图像处理算法的视觉位移监测技术;在基于GNSS的接触式位移监测技术中,山体接触式位移监测设备为GNSS系统,该系统由一个基站加多个测站外加数据分析设备构成。基站和测站定时的接收卫星信号,从而获取各点的三维坐标,最后通过数据分析设备解算测点前后时刻的坐标变化量来获取监测山体的位移形变。并与初始坐标进行对比而获得该监测点变化量,同时根据事先设定的预警值而进行报警,但是这种技术只能做单点层面的监测,即便进行多点布置测点,依然只能监测某一个点的状态,存在较大的盲区;该系统误差较大,通常接近10mm,而且时效性较差,费用也相对较高。在基于传统图像处理算法的视觉位移监测技术中,现有的山体视觉监测系统通常由以下三个部分组成:人工标靶、相机、图像处理服务器,该系统首先在监测山体的风险区域安装人工标靶,然后通过相机实时或定时的采集监测区域的视频数据传输给图像处理服务器,最后图像处理服务器通过模板匹配或特征点匹配等传统的无监督图像处理技术计算视频中标靶前后帧的坐标变化来监测山体的位移形变状态,虽然基于视觉的山体监测相对GNSS系统有更好的全局性,而且一个相机可以进行多点监测,成本相对较低,但当前主要都是使用基于人工标靶+传统图像处理技术,如模板匹配或特征点匹配等无监督算法进行位移的监测,该技术的泛化能力较差,受外界天气、光照变化影响较大,而且在山体监测场景下,标靶容易被动植物遮挡,而导致监测失败,后续维护成本较大。
因此,有必要设计一种新的方法,实现全方面的边坡状态监测,不存在盲区,时效性强,泛化能力强,不受环境因素影响,监测成功率高。
发明内容
本发明的目的在于克服现有技术的缺陷,提供边坡安全监测方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:边坡安全监测方法,包括:
对监测区域进行全方位扫描,以得到监测区域影像;
对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;
对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;
对测点像素级别的位移量进行亚像素拟合,以得到拟合结果;
通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移;
根据所述标靶位移进行边坡安全监测。
其进一步技术方案为:所述对监测区域进行全方位扫描,以得到监测区域影像,包括:
采用球机对监测区域进行全方位扫描,以得到监测区域影像。
其进一步技术方案为:所述对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域,包括:
采用YOLOX-s轻量目标检测算法对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域。
其进一步技术方案为:所述对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量,包括:
采用基于残差模块的U-Net语义分割网络对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;
其中,所述基于残差模块的U-Net语义分割网络的层数为10层,所述基于残差模块的U-Net语义分割网络包括依序连接的输入层、编码层、解码层以及输出层。
其进一步技术方案为:所述对测点像素级别的位移量进行亚像素拟合,以得到拟合结果,包括:
采用二次曲面拟合算法对测点像素级别的位移量进行亚像素拟合,以得到拟合结果。
其进一步技术方案为:所述通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移,包括:
根据标靶的实际大小和所述拟合结果中的标靶像素尺度通过尺度转换因子法进行标靶的像素位移到实际物理空间位移的转换,以得到标靶位移。
其进一步技术方案为:所述对监测区域进行全方位扫描,以得到监测区域影像之后,还包括:
将所述监测区域影像输入至滑坡异常事件识别模型内进行山体异常事件的识别,以得到识别结果;
判断所述识别结果是否是存在山体异常事件的结果;
若所述识别结果是存在山体异常事件的结果,则执行所述对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;
其中,所述滑坡异常事件识别模型是通过若干个带有山体异常事件类别标签和非山体异常事件类别标签的监测区域图像作为样本集训练卷积神经网络所得的。
本发明还提供了边坡安全监测装置,包括:
扫描单元,用于对监测区域进行全方位扫描,以得到监测区域影像;
目标检测单元,用于对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;
分割单元,用于对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;
拟合单元,用于对测点像素级别的位移量进行亚像素拟合,以得到拟合结果;
坐标转换单元,用于通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移;
监测单元,用于根据所述标靶位移进行边坡安全监测。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述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可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过对检测区域的全方位扫描,无盲区的监测,采用轻量目标检测算法确定标靶所在的ROI区域,再进行像素级别分割,亚像素拟合和坐标转换,确定标靶实际的物理位移量,实现全方面的边坡状态监测,不存在盲区,时效性强,泛化能力强,不受环境因素影响,监测成功率高。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的边坡安全监测方法的应用场景示意图;
图2为本发明实施例提供的边坡安全监测方法的流程示意图;
图3为本发明实施例提供的YOLOx-s网络结构示意图;
图4为本发明实施例提供的基于残差模块的U-Net语义分割网络的示意图;
图5为本发明实施例提供的亚像素拟合的示意图;
图6为本发明实施例提供的坐标转换的示意图;
图7为本发明另一实施例提供的边坡安全监测方法的流程示意图;
图8为本发明实施例提供的边坡安全监测装置的示意性框图;
图9为本发明另一实施例提供的边坡安全监测装置的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的边坡安全监测方法的应用场景示意图。图2为本发明实施例提供的边坡安全监测方法的示意性流程图。该边坡安全监测方法应用于服务器中。该服务器与相机、终端进行数据交互,通过相机扫描监测区域,形成对应的影像,并采用深度学习技术进行异常判断,当出现异常事件时进行标靶检测、语义分割、亚像素曲面拟合以及坐标转换,形成标靶的具体位移,根据标靶的具体位移便可判定边坡的安全情况,从而进行边坡安全的监测。
图2是本发明实施例提供的边坡安全监测方法的流程示意图。如图2所示,该方法包括以下步骤S110至S160。
S110、对监测区域进行全方位扫描,以得到监测区域影像。
在本实施例中,监测区域影像是指指定区域的全方位图像。扫描过程所用到的设备包括两台相机,一台枪击,一台球机,对应的数据传输设备和固定支架以及若干个标靶,标靶所在的位置是关键点的位置,本实施例通过关键点的位移进行边坡安全监测。
具体地,采用球机对监测区域进行全方位扫描,以得到监测区域影像。全方面的边坡状态监测,不存在盲区。
采用一台带红外的球机,对监测山体进行10分钟为间隔的360度扫描,获取若干有局部重叠的监测区域影像,用于对监测区域进行全局的异常滑坡事件识别。此外,考虑到位移监测对相机自身的稳定性需求,采用一台带红外的枪击对标靶布设区域进行实时的数据采集,用于对测点的位移监测预警。
在本实施例中,相机是采集影像的关键组件,其性能决定着图像的质量,控制着测量的精度。对于相机的选取主要考虑其类型、像元尺寸、分辨率、帧速、数据接口等参数。根据光学成像计算,相机的像元尺寸即一个像素点的大小越小,分辨率越高,其所拍摄的图片精度越高;相机分辨率越高,帧速越低。由于本实施例是用于300米及以上的远距离、毫米级的高精度的桥梁动位移测量,所以需要选择高分辨率、小像元尺寸的工业相机,同时为了能够实时采集数据,相机的帧率需要大于桥梁过车时的震动频率,相比安防相机,工业相机的分辨率范围更广,帧速更快,体积小,还能提供二次开发包给客户使用,方便系统软件部分的集成与开发,是机器视觉领域普遍应用的图像采集设备。为了优先保证测量精度,选用了像元尺寸3.45μm,分辨率为2064x 1544的高清工业相机,其帧速为38fps,即每秒可拍摄38张照片,对于桥梁动静态位移检测是足够的。相机的接口方面,主要考虑图片数据传输距离与速度的需求,USB3.0接口相机帧速快,但其传输距离只有5米,传输速度也有限,相比之下,选用GigE接口的相机允许的最大传输距离可达100米,传输速度也较快,因此,综合考虑,选用志强视觉科技有限公司的Genie Nano M2020型工业相机。
镜头的选型主要由目标点的观测距离控制,适配匹配算法的要求,分辨率并不需要非常高。在单双目镜头方面,双目镜头理论上能够实现三维变形的测量,但对两个镜头参数标定的要求十分高,而且受到安装条件的限制,双目镜头的有效工作距离只有几米,不适用于大型桥梁结构场景下中远距离的变形测量,而且双目镜头对加工工艺与资金投入的要求高,因此,采用单目镜头作为影像采集的核心元件,根据光学成像计算,镜头的分辨率需要大于相机的分辨率,考虑到成本方面的因素,选用焦距为50mm左右的镜头。另一方面,为了方便整个系统设备的安装、集成与保护,镜头的尺寸不宜过大,综合考虑,选择SV-5014H近红外变倍镜头,该镜头与普通的CCTV镜头相比具有高解像力和高对比度。全机种手动调焦、手动光圈,配有固定用的螺丝,可应用于十几米至500米范围内多种观测距离下的桥梁位移监测。
S120、对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域。
在本实施例中,标靶所在ROI区域是指标靶所在的区域。
具体地,采用YOLOX-s轻量目标检测算法对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域。
为了降低天气、温度、短暂性遮挡和被植被部分遮挡等外界因素对标靶粗定位的干扰,采用轻量目标检测算法YOLOX-s进行检测区域多目标的初步检测定位,从而自动获取标靶的ROI区域,从而提高监测的准确率,泛化能力强,不受环境因素影响。
请参阅图3,YOLOx-s在Mosa数据增强的基础上增加了Mixup数据增强,并使用了SiLu激活函数,检测头改为Decouple Head,并采取了anchor free,multipositives和SimOTA等方式。YOLOx-s对小目标有很好的效果,能够很好的适用于山体环境下的目标检测。
S130、对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量。
在本实施例中,测点像素级别的位移量是指标靶在监测区域影像内的位移。
具体地,采用基于残差模块的U-Net语义分割网络对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量。
其中,所述基于残差模块的U-Net语义分割网络的层数为10层,所述基于残差模块的U-Net语义分割网络包括依序连接的输入层、编码层、解码层以及输出层。
请参阅图4,上述的输入层为3通道图像,第1层到第5层为编码层,采用ResNet34的前5个组合结构,其中,第一层为核为7x7,步长为2的卷积层与核为3x3,步长为2的最大池化层,输出64通道的特征图。第二层采用ResNet34中第2个组合结构,包括3个卷积核为3x3,特征通道为64的残差模块,每个残差模块由两个卷积层组成,其中第二个卷积层的输出与第一个卷积层的输入相连接。第二层所有卷积步长设置为1。第三层为4个卷积核为3x3,特征通道为128的残差模块,步长为2。第四层为6个卷积核为3x3,特征通道为256的残差模块,步长为2。第五层为3个卷积核为3x3,特征通道为512的残差模块,步长为2。前5层每经过一层,特征图尺寸减半,如输入层的输入图像尺寸为736x736,经过第一层输出的特征图尺寸为368x368,经过第二层输出的特征图尺寸为184x184,第三次输出尺寸为92x92,第四层输出尺寸为46x46,第五层输出尺寸为23x23。第六层到第十层为解码层,使用标准的U-Net解码结构,第六到九层包括上采样、卷积层1、跳跃拼接、卷积层2。其中,上采样使用最近邻插值法将特征图尺寸扩大2倍,卷积层的核为3x3,步长为1。第六层与第四层拼接,第七层与第三层拼接,第八层与第二层拼接,第九层与第一层拼接。解码层的所有卷积层均不改变特征图尺寸,每一层的特征图尺寸都为前一层的2倍,由上采样过程产生。第六到九层的特征图通道数分别设置为320、160、96、64,第十层包括上采样和1个核为3x3,步长为1的卷积层,输出特征图通道数为48,尺寸为第九层的2倍,恢复成与输出层相同的736x736尺寸的图像。
采用语义分割网络可以使得位移量的获取不受环境影响,且监测准确率高。
S140、对测点像素级别的位移量进行亚像素拟合,以得到拟合结果。
在本实施例中,拟合结果是指位移量的亚像素拟合之后形成的曲线图。
具体地,采用二次曲面拟合算法对测点像素级别的位移量进行亚像素拟合,以得到拟合结果。
请参阅图5,在像素级别的语义分割下,为了进一步提高位移监测的精度,采用二次曲面拟合算法,对像素级别的位移做进一步的亚像素拟合。
S150、通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移。
在本实施例中,标靶位移是指标靶的实际物理位移量。
请参阅图6,假设相机光轴垂直于监测目标的运动平面,通过尺度转换因子法完成像素位移到实际物理空间位移的转换。具体公式为或者,其中dknown、Iknown和分别表示监测目标的世界坐标系下的物理尺寸,像素点个数和图像空间的物理长度。而D、f和dpixel则分别表示相机到监测目标运动平面的垂直距离、相机焦距和相机的像元尺寸大小。
S160、根据所述标靶位移进行边坡安全监测。
根据标靶位移便可确定山体边坡发生山体滑坡或山体崩塌等破坏的程度,从而进行边坡安全监测。
上述的边坡安全监测方法,通过对检测区域的全方位扫描,无盲区的监测,采用轻量目标检测算法确定标靶所在的ROI区域,再进行像素级别分割,亚像素拟合和坐标转换,确定标靶实际的物理位移量,实现全方面的边坡状态监测,不存在盲区,时效性强,泛化能力强,不受环境因素影响,监测成功率高。
图7是本发明另一实施例提供的一种边坡安全监测方法的流程示意图。如图7所示,本实施例的边坡安全监测方法包括步骤S210-S280。其中步骤S210与上述实施例中的步骤S110类似,步骤S240-S280与上述实施例中的步骤S120-S160类似在此不再赘述。下面详细说明本实施例中所增加的步骤S220-S230。
S220、将所述监测区域影像输入至滑坡异常事件识别模型内进行山体异常事件的识别,以得到识别结果;
在本实施例中,识别结果是指监测区域影像是否存在山体异常事件的结果。
具体地,所述滑坡异常事件识别模型是通过若干个带有山体异常事件类别标签和非山体异常事件类别标签的监测区域图像作为样本集训练卷积神经网络所得的。
鉴于野外山体场景的复杂性,不管是采用GNSS还是视觉传感设备进行多点布点监测,还是会出现较大区域的监测盲点。为了更好的对山体监测区域进行安全监测预警,通过球机定时定角度的采集监测区域八个方位的影像,并基于卷积神经网络VGG16构建滑坡异常事件识别模型,从而起到大幅度降低监测盲点的效果,VGG16网络结构如下表1所示。
表1.VGG16网络结构
S230、判断所述识别结果是否是存在山体异常事件的结果;
若所述识别结果不是存在山体异常事件的结果,则执行所述步骤S210。
在确定监测区域影像出现山体异常事件时才会进行位移的确定,如果未出现山体异常事件,则重复获取监测区域影像。
若所述识别结果是存在山体异常事件的结果,则执行所述步骤S240。
相对监测区域进行异常事件的判断,也就是粗判断,再采用上述步骤S240至步骤S280进行定点的监测,提高监测准确率。
图8是本发明实施例提供的一种边坡安全监测装置300的示意性框图。如图8所示,对应于以上边坡安全监测方法,本发明还提供一种边坡安全监测装置300。该边坡安全监测装置300包括用于执行上述边坡安全监测方法的单元,该装置可以被配置于服务器中。具体地,请参阅图8,该边坡安全监测装置300包括扫描单元301、目标检测单元304、分割单元305、拟合单元306、坐标转换单元307以及监测单元308。
扫描单元301,用于对监测区域进行全方位扫描,以得到监测区域影像;目标检测单元304,用于对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;分割单元305,用于对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;拟合单元306,用于对测点像素级别的位移量进行亚像素拟合,以得到拟合结果;坐标转换单元307,用于通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移;监测单元308,用于根据所述标靶位移进行边坡安全监测。
在一实施例中,所述扫描单元301,用于采用球机对监测区域进行全方位扫描,以得到监测区域影像。
在一实施例中,所述目标检测单元304,用于采用YOLOX-s轻量目标检测算法对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域。
在一实施例中,所述分割单元305,用于采用基于残差模块的U-Net语义分割网络对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;其中,所述基于残差模块的U-Net语义分割网络的层数为10层,所述基于残差模块的U-Net语义分割网络包括依序连接的输入层、编码层、解码层以及输出层。
在一实施例中,所述拟合单元306,用于采用二次曲面拟合算法对测点像素级别的位移量进行亚像素拟合,以得到拟合结果。
在一实施例中,所述坐标转换单元307,用于根据标靶的实际大小和所述拟合结果中的标靶像素尺度通过尺度转换因子法进行标靶的像素位移到实际物理空间位移的转换,以得到标靶位移。
图9是本发明另一实施例提供的一种边坡安全监测装置的示意性框图。如图7所示,本实施例的边坡安全监测装置是上述实施例的基础上增加了异常识别单元以及结果判断单元。
异常识别单元302,用于将所述监测区域影像输入至滑坡异常事件识别模型内进行山体异常事件的识别,以得到识别结果;结果判断单元303,用于判断所述识别结果是否是存在山体异常事件的结果;若识别结果不是存在山体异常事件的结果,则执行对监测区域进行全方位扫描,以得到监测区域影像;若识别结果是存在山体异常事件的结果,则执行对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述边坡安全监测装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述边坡安全监测装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8,图8是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图8,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种边坡安全监测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种边坡安全监测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
对监测区域进行全方位扫描,以得到监测区域影像;对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;对测点像素级别的位移量进行亚像素拟合,以得到拟合结果;通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移;根据所述标靶位移进行边坡安全监测。
在一实施例中,处理器502在实现所述对监测区域进行全方位扫描,以得到监测区域影像步骤时,具体实现如下步骤:
采用球机对监测区域进行全方位扫描,以得到监测区域影像。
在一实施例中,处理器502在实现所述对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域步骤时,具体实现如下步骤:
采用YOLOX-s轻量目标检测算法对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域。
在一实施例中,处理器502在实现所述对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量步骤时,具体实现如下步骤:
采用基于残差模块的U-Net语义分割网络对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;其中,所述基于残差模块的U-Net语义分割网络的层数为10层,所述基于残差模块的U-Net语义分割网络包括依序连接的输入层、编码层、解码层以及输出层。
在一实施例中,处理器502在实现所述对测点像素级别的位移量进行亚像素拟合,以得到拟合结果步骤时,具体实现如下步骤:
采用二次曲面拟合算法对测点像素级别的位移量进行亚像素拟合,以得到拟合结果。
在一实施例中,处理器502在实现所述通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移步骤时,具体实现如下步骤:
根据标靶的实际大小和所述拟合结果中的标靶像素尺度通过尺度转换因子法进行标靶的像素位移到实际物理空间位移的转换,以得到标靶位移。
在一实施例中,处理器502在实现所述对监测区域进行全方位扫描,以得到监测区域影像步骤之后,还实现如下步骤:
将所述监测区域影像输入至滑坡异常事件识别模型内进行山体异常事件的识别,以得到识别结果;判断所述识别结果是否是存在山体异常事件的结果;若所述识别结果是存在山体异常事件的结果,则执行所述对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;
其中,所述滑坡异常事件识别模型是通过若干个带有山体异常事件类别标签和非山体异常事件类别标签的监测区域图像作为样本集训练卷积神经网络所得的。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
对监测区域进行全方位扫描,以得到监测区域影像;将所述监测区域影像输入至滑坡异常事件识别模型内进行山体异常事件的识别,以得到识别结果;判断所述识别结果是否是存在山体异常事件的结果;若所述识别结果是存在山体异常事件的结果,则对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;对测点像素级别的位移量进行亚像素拟合,以得到拟合结果;通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移;根据所述标靶位移进行边坡安全监测。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对监测区域进行全方位扫描,以得到监测区域影像步骤时,具体实现如下步骤:
采用球机对监测区域进行全方位扫描,以得到监测区域影像。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域步骤时,具体实现如下步骤:
采用YOLOX-s轻量目标检测算法对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量步骤时,具体实现如下步骤:
采用基于残差模块的U-Net语义分割网络对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;其中,所述基于残差模块的U-Net语义分割网络的层数为10层,所述基于残差模块的U-Net语义分割网络包括依序连接的输入层、编码层、解码层以及输出层。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对测点像素级别的位移量进行亚像素拟合,以得到拟合结果步骤时,具体实现如下步骤:
采用二次曲面拟合算法对测点像素级别的位移量进行亚像素拟合,以得到拟合结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移步骤时,具体实现如下步骤:
根据标靶的实际大小和所述拟合结果中的标靶像素尺度通过尺度转换因子法进行标靶的像素位移到实际物理空间位移的转换,以得到标靶位移。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对监测区域进行全方位扫描,以得到监测区域影像步骤之后,还实现如下步骤:
将所述监测区域影像输入至滑坡异常事件识别模型内进行山体异常事件的识别,以得到识别结果;判断所述识别结果是否是存在山体异常事件的结果;若所述识别结果是存在山体异常事件的结果,则执行所述对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;
其中,所述滑坡异常事件识别模型是通过若干个带有山体异常事件类别标签和非山体异常事件类别标签的监测区域图像作为样本集训练卷积神经网络所得的。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明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,也可以是两个或两个以上单元集成在一个单元中。
该集成的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,或者该技术方案的全部或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,终端,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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.边坡安全监测方法,其特征在于,包括:
对监测区域进行全方位扫描,以得到监测区域影像;
对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;
对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;
对测点像素级别的位移量进行亚像素拟合,以得到拟合结果;
通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移;
根据所述标靶位移进行边坡安全监测。
2.根据权利要求1所述的边坡安全监测方法,其特征在于,所述对监测区域进行全方位扫描,以得到监测区域影像,包括:
采用球机对监测区域进行全方位扫描,以得到监测区域影像。
3.根据权利要求1所述的边坡安全监测方法,其特征在于,所述对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域,包括:
采用YOLOX-s轻量目标检测算法对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域。
4.根据权利要求1所述的边坡安全监测方法,其特征在于,所述对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量,包括:
采用基于残差模块的U-Net语义分割网络对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;
其中,所述基于残差模块的U-Net语义分割网络的层数为10层,所述基于残差模块的U-Net语义分割网络包括依序连接的输入层、编码层、解码层以及输出层。
5.根据权利要求1所述的边坡安全监测方法,其特征在于,所述对测点像素级别的位移量进行亚像素拟合,以得到拟合结果,包括:
采用二次曲面拟合算法对测点像素级别的位移量进行亚像素拟合,以得到拟合结果。
6.根据权利要求1所述的边坡安全监测方法,其特征在于,所述通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移,包括:
根据标靶的实际大小和所述拟合结果中的标靶像素尺度通过尺度转换因子法进行标靶的像素位移到实际物理空间位移的转换,以得到标靶位移。
7.根据权利要求1所述的边坡安全监测方法,其特征在于,所述对监测区域进行全方位扫描,以得到监测区域影像之后,还包括:
将所述监测区域影像输入至滑坡异常事件识别模型内进行山体异常事件的识别,以得到识别结果;
判断所述识别结果是否是存在山体异常事件的结果;
若所述识别结果是存在山体异常事件的结果,则执行所述对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;
其中,所述滑坡异常事件识别模型是通过若干个带有山体异常事件类别标签和非山体异常事件类别标签的监测区域图像作为样本集训练卷积神经网络所得的。
8.边坡安全监测装置,其特征在于,包括:
扫描单元,用于对监测区域进行全方位扫描,以得到监测区域影像;
目标检测单元,用于对所述监测区域影像进行标靶检测,以得到标靶所在ROI区域;
分割单元,用于对所述标靶所在ROI区域进行像素级别分割,以得到测点像素级别的位移量;
拟合单元,用于对测点像素级别的位移量进行亚像素拟合,以得到拟合结果;
坐标转换单元,用于通过标靶的实际大小和所述拟合结果中的标靶像素尺度进行标靶的坐标转换,以得到标靶位移;
监测单元,用于根据所述标靶位移进行边坡安全监测。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,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中任一项所述的方法。
10.一种存储介质,其特征在于,所述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可实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111315815.5A CN114037953A (zh) | 2021-11-08 | 2021-11-08 | 边坡安全监测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111315815.5A CN114037953A (zh) | 2021-11-08 | 2021-11-08 | 边坡安全监测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037953A true CN114037953A (zh) | 2022-02-11 |
Family
ID=80143460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111315815.5A Pending CN114037953A (zh) | 2021-11-08 | 2021-11-08 | 边坡安全监测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037953A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677624A (zh) * | 2022-03-18 | 2022-06-28 | 南京农业大学 | 基于云边协同的母猪分娩智能监测系统 |
CN115311624A (zh) * | 2022-08-16 | 2022-11-08 | 广州市吉华勘测股份有限公司 | 一种边坡位移监测方法、装置、电子设备及存储介质 |
-
2021
- 2021-11-08 CN CN202111315815.5A patent/CN114037953A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677624A (zh) * | 2022-03-18 | 2022-06-28 | 南京农业大学 | 基于云边协同的母猪分娩智能监测系统 |
CN114677624B (zh) * | 2022-03-18 | 2023-09-15 | 南京农业大学 | 基于云边协同的母猪分娩智能监测系统 |
CN115311624A (zh) * | 2022-08-16 | 2022-11-08 | 广州市吉华勘测股份有限公司 | 一种边坡位移监测方法、装置、电子设备及存储介质 |
CN115311624B (zh) * | 2022-08-16 | 2023-06-30 | 广州市吉华勘测股份有限公司 | 一种边坡位移监测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gruszczyński et al. | Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation | |
CN111260615B (zh) | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 | |
Ashraf et al. | An investigation of interpolation techniques to generate 2D intensity image from LIDAR data | |
CN113108764B (zh) | 一种溃坝过程安全监测、预警与影响评估方法 | |
DE102018108027B4 (de) | Objekterfassungsvorrichtung | |
CN114037953A (zh) | 边坡安全监测方法、装置、计算机设备及存储介质 | |
CN110956069B (zh) | 一种行人3d位置的检测方法及装置、车载终端 | |
CN104902246A (zh) | 视频监视方法和装置 | |
RU2626051C2 (ru) | Способ определения дальностей до объектов по изображениям с цифровых видеокамер | |
WO2007145931A2 (en) | Method and apparatus for obtaining photogrammetric data to estimate impact severity | |
KR102313438B1 (ko) | 초분광영상을 이용한 하상 변동속도 측정 방법 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN113240887A (zh) | 边坡落石崩塌监测方法、装置及设备 | |
CN116625354B (zh) | 一种基于多源测绘数据的高精度地形图生成方法及系统 | |
JP2023029441A (ja) | 計測装置、計測システムおよび車両 | |
CN110532853B (zh) | 遥感超时相数据的分类方法及装置 | |
Ioli et al. | UAV photogrammetry for metric evaluation of concrete bridge cracks | |
CN113763484A (zh) | 基于视频图像分析技术的船舶目标定位及速度估算方法 | |
CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
EP4250245A1 (en) | System and method for determining a viewpoint of a traffic camera | |
Guan et al. | Multi-scale asphalt pavement deformation detection and measurement based on machine learning of full field-of-view digital surface data | |
Liu et al. | Outdoor camera calibration method for a GPS & camera based surveillance system | |
CN114283081B (zh) | 基于金字塔加速的深度恢复方法、电子设备及存储介质 | |
CN113674361B (zh) | 一种车载环视校准实现方法及系统 | |
CN113763261B (zh) | 一种海雾气象条件下的远小目标实时检测方法 |
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 |