CN115588027A - 一种落石冲击力非接触式重构方法及系统 - Google Patents

一种落石冲击力非接触式重构方法及系统 Download PDF

Info

Publication number
CN115588027A
CN115588027A CN202211290751.2A CN202211290751A CN115588027A CN 115588027 A CN115588027 A CN 115588027A CN 202211290751 A CN202211290751 A CN 202211290751A CN 115588027 A CN115588027 A CN 115588027A
Authority
CN
China
Prior art keywords
rockfall
motion image
falling
motion
rock
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
Application number
CN202211290751.2A
Other languages
English (en)
Other versions
CN115588027B (zh
Inventor
田永丁
张丽君
余志祥
杨啸宇
许浒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202211290751.2A priority Critical patent/CN115588027B/zh
Publication of CN115588027A publication Critical patent/CN115588027A/zh
Application granted granted Critical
Publication of CN115588027B publication Critical patent/CN115588027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/23—Dune restoration or creation; Cliff stabilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Devices Affording Protection Of Roads Or Walls For Sound Insulation (AREA)

Abstract

本发明涉及一种落石冲击力非接触式重构方法及系统，涉及地质灾害防护结构智能监测领域，该方法包括：采集落石冲击防护网的全过程运动图像序列；将落石运动图像序列输入落石运动轨迹预测模型，输出落石运动图像序列对应的落石轨迹；落石运动轨迹预测模型为利用深度神经网络训练获得；落石轨迹为落石掉落到防护网直到脱离所述防护网的运动轨迹；根据落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力。本发明克服了接触式传感技术容易遭受落石冲击破坏的问题、降低了监测难度。

Description

一种落石冲击力非接触式重构方法及系统
技术领域
本发明涉及地质灾害防护结构智能监测技术领域，特别是涉及一种落石冲击力非接触式重构方法及系统。
背景技术
据中国地质灾害分布统计，中国西部地区为地质灾害极重度区，受地形地质条件影响，滑坡、崩塌、泥石流、地震等地质灾害频发。
滑坡、崩塌和泥石流的发生经常伴随不同形状和数量的落石滚落，且具有速度快、多发、随机性强及难预料的特点，一旦发生极易中断交通枢纽。每年由落石灾害引起的交通事故不计其数，对艰险山区桥梁造成了不同程度的损伤，对人民的生命安全构成了巨大威胁。柔性防护网系统是一种复杂的柔性结构系统，因其防护能力强、施工简便，被广泛应用于铁路、公路、能源、国防等领域的防护工程。落石冲击实际上是一种脉冲式的碰撞行为，冲击过程伴随弹塑性变形、粘性、刚化和摩擦耗能等行为。落石-柔性防护网系统冲击动力行为研究是防护结构设计及性能验证的关键技术。既有落石冲击力研究主要集中在理论计算、数值模拟与现场测试三方面，由于接触式传感器在现场监测中容易遭受落石撞击损坏，因此，落石冲击力监测难度大，同时未见落石冲击力非接触式远程高精度监测方面的技术。
发明内容
本发明的目的是提供一种落石冲击力非接触式重构方法及系统，降低了监测难度。
为实现上述目的，本发明提供了如下方案：
一种落石冲击力非接触式重构方法，包括：
采集落石冲击防护网的落石运动图像序列；
将所述落石运动图像序列输入落石运动轨迹预测模型，输出所述落石运动图像序列对应的落石轨迹；所述落石运动轨迹预测模型为对深度神经网络训练获得的；所述落石轨迹为落石掉落到所述防护网直到脱离所述防护网反弹的运动轨迹；
根据所述落石轨迹确定所述落石运动图像序列中各落石运动图像中落石的冲击角度；
根据所述落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力。
可选地，所述根据所述落石轨迹确定所述落石运动图像序列中各落石运动图像中落石的冲击角度，具体包括：
根据第i帧落石运动图像中预测框的左上角点和右下角点的坐标，以及参考帧落石运动图像中预测框的左上角点和右下角点的坐标，确定据第i帧落石运动图像相对于参考帧落石运动图像中落石的竖向像素位移和横向像素位移；
根据落石的竖向像素位移和横向像素位移确定第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度。
可选地，第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度为：
Figure 702544DEST_PATH_IMAGE001
；
Figure 163743DEST_PATH_IMAGE002
；
其中，θ i表示第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度，
Figure 777215DEST_PATH_IMAGE003
为第i帧落石运动图像相对于参考帧落石运动图像中落石的横向像素位移，
Figure 889527DEST_PATH_IMAGE004
为第i帧落石运动图像相对于参考帧落石运动图像中落石的纵向像素位移，（x 10，y 10）为参考帧落石运动图像左上角点的坐标，（x 20，y 20）为参考帧落石运动图像右下角点的坐标，（x 1i，y 1i）为第i帧落石运动图像左上角点的坐标，（x 2i，y 2i）为第i帧落石运动图像右下角点的坐标。
可选地，所述根据所述落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力，具体包括：
根据各帧落石运动图像对应的竖向像素位移，确定各帧落石运动图像的竖向物理位移；
根据公式
Figure 568902DEST_PATH_IMAGE005
确定第i帧时消除噪声后的落石运动的速度信息；
根据公式
Figure 517397DEST_PATH_IMAGE006
确定落石作用于防护网的竖向动态冲击力；
其中，
Figure 940419DEST_PATH_IMAGE007
为落石在第i-k帧落石运动图像的竖向物理位移；
Figure 907238DEST_PATH_IMAGE008
为落石在第i帧时消除噪声后的落石运动的竖向速度信息；σ和u分别为竖向速度信息的均值和标准差；Np为高斯平滑的窗函数长度；F y 为落石作用于防护网的竖向动态冲击力，m为落石质量，a y 为落石竖向运动加速度向量，Δt为相邻两帧落石运动图像之间的间隔时间，i的取值范围为1至N-1，N表示落石运动图像的帧数量；
根据落石竖向动态冲击力F y 和与所述落石轨迹对应的落石冲击角度θ i，确定第i帧落石运动图像时对应的落石冲击角度上对防护网的冲击力
Figure 23093DEST_PATH_IMAGE009
：
Figure 921867DEST_PATH_IMAGE010
；
其中，
Figure 148580DEST_PATH_IMAGE011
表示落石竖向动态冲击力F y 中第i帧落石运动图像对应的落石竖向冲击力；
根据各帧落石运动图像时对应的落石冲击角度上对防护网的冲击力
Figure 969906DEST_PATH_IMAGE009
，确定落石作用于防护网的动态冲击力F：
Figure 256662DEST_PATH_IMAGE012
。
可选地，所述深度神经网络的训练过程包括：
构建落石运动图像数据集；所述数据集中各样本数据包括不同重量或者不同形状的落石对应的落石运动图像序列和与各所述落石运动图像序列对应的落石运动轨迹；
以所述落石运动图像数据集中落石运动图像序列为输入，落石运动轨迹为输出训练所述深度神经网络，将训练过的所述深度神经网络作为所述落石运动轨迹预测模型。
可选地，所述采集落石冲击防护网的落石运动图像序列，具体包括：
采用高速相机在与所述防护网设定距离上，采集落石冲击防护网的落石运动图像序列。
本发明公开了一种落石冲击力非接触式重构系统，包括：
落石运动图像序列采集模块，用于采集落石冲击防护网的落石运动图像序列；
落石轨迹预测模块，用于将所述落石运动图像序列输入落石运动轨迹预测模型，输出所述落石运动图像序列对应的落石轨迹；所述落石运动轨迹预测模型为对深度神经网络训练获得的；所述落石轨迹为落石掉落到所述防护网直到脱离所述防护网反弹的运动轨迹；
冲击角度确定模块，用于根据所述落石轨迹确定所述落石运动图像序列中各落石运动图像中落石的冲击角度；
动态冲击力重构模块，用于根据所述落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明采集落石冲击防护网的落石运动图像序列，采用深度神经网络预测落石运动图像序列对应的落石轨迹，通过落石轨迹确定落石对防护网的冲击角度变化轨迹和动态冲击力，实现了非接触式监测落石冲击力，降低了监测设备受到落石装机的可能性，降低了监测难度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明一种落石冲击力非接触式重构方法流程示意图；
图2为本发明落石冲击力非接触式重构方法原理示意图；
图3为本发明落石运动图像序列获取示意图；
图4为本发明落石运动图像序列示意图；
图5为本发明基于落石运动轨迹预测模型的落石运动轨迹预测流程示意图；
图6为本发明落石位移与数值模拟对比示意图；
图7为本发明落石速度与数值模拟对比示意图；
图8为本发明落石冲击力与数值模拟对比示意图；
图9为本发明一种落石冲击力非接触式重构系统结构示意图。
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，所描述的实施例仅仅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。
本发明的目的是提供一种落石冲击力非接触式重构方法、系统、电子设备及存储介质，降低了监测难度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明一种落石冲击力非接触式重构方法流程示意图。图2为本发明落石冲击力非接触式重构方法原理示意图。如图2所示，本发明一种落石冲击力非接触式重构方法包括落石运动非接触式监测、落石运动轨迹实时追踪和落石冲击力重构三个部分，其中，落石运动非接触式监测为采用高速相机远距离非接触式监测落石冲击防护网系统的全过程图像序列，防护网系统包括防护网。落石运动轨迹实时追踪为利用轻量化深度学习网络对拍摄的落石运动图像进行识别，提取从落石掉落瞬间到撞击防护网系统直至反弹全过程的运动轨迹。落石冲击力重构为对落石运动二维位移进行提取，采用差分算法获取落石运动速度并利用自适应变分模态分解算法对其进行噪声消除，进而获取落石运动加速度，将其与落石重量相乘便可以获得落石作用于防护网系统的动态冲击力。
如图1所示，一种落石冲击力非接触式重构方法，包括以下步骤：
步骤101：采集落石冲击防护网的落石运动图像序列。
其中，步骤101具体包括：
采用高速相机在与所述防护网设定距离上，实时采集落石冲击防护网的落石运动图像序列，实现落石运动的非接触式监测。
根据落石运动范围，选择合适焦距的镜头，设置高速相机拍摄的位置与距离，并根据现场测试环境，调整高速相机的清晰度与曝光时间，从而获取高清晰度和高对比度的落石运动图像序列，即时刻t 1 ，t 2 ，…，t i …，t j 的落石运动图像构成的落石运动图像序列，j表示落石运动图像序列的数量，i取值范围为1至j。
如图3所示。图3中落石防护系统包括防护网，非接触式视觉测量系统包括高速相机，数据分析系统用于实现本发明一种落石冲击力非接触式重构方法。
步骤102：将所述落石运动图像序列输入落石运动轨迹预测模型，输出所述落石运动图像序列对应的落石轨迹；所述落石运动轨迹预测模型为对深度神经网络训练获得的；所述落石轨迹为落石掉落到所述防护网直到脱离所述防护网反弹的运动轨迹。
所述深度神经网络的训练过程包括：
构建落石运动图像数据集；所述数据集中各样本数据包括不同重量或者不同形状的落石对应的落石运动图像序列和与各所述落石运动图像序列对应的落石运动轨迹。
以所述落石运动图像数据集中落石运动图像序列为输入，落石运动轨迹为输出训练所述深度神经网络，将训练过的所述深度神经网络作为所述落石运动轨迹预测模型。
本发明落石运动轨迹预测模型为轻量化深度神经网络，轻量化深度神经网络的网络结构由输入端、Backbone、Neck和Head四个部分组成，利用以下损失函数对搭建的网络模型进行训练：
Figure 914170DEST_PATH_IMAGE013
；
其中，L 1，L 2和L 3分别为定位损失、置信度损失和分类损失；α,β和γ分别设置为0.05，1和0.5。
在深度神经网络训练过程中，当损失函数的值小于设定阈值时，将训练好的深度神经网络作为落石运动轨迹预测模型。
将实时采集的落石运动图像序列作为落石运动轨迹预测模型的输入，便可以实时预测落石轨迹。
步骤103：根据所述落石轨迹确定所述落石运动图像序列中各落石运动图像中落石的冲击角度。
其中，步骤103具体包括：
根据第i帧落石运动图像中预测框的左上角点和右下角点的坐标，以及参考帧落石运动图像中预测框的左上角点和右下角点的坐标，确定据第i帧落石运动图像相对于参考帧落石运动图像中落石的竖向像素位移和横向像素位移。
参考帧落石运动图像为落石运动图像序列中初始时刻的落石运动图像。
Figure 678995DEST_PATH_IMAGE002
；
其中，θ i表示第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度，
Figure 184905DEST_PATH_IMAGE003
为第i帧落石运动图像相对于参考帧落石运动图像中落石的横向像素位移，
Figure 517928DEST_PATH_IMAGE004
为第i帧落石运动图像相对于参考帧落石运动图像中落石的纵向像素位移，（x 10，y 10）为参考帧落石运动图像左上角点的坐标，（x 20，y 20）为参考帧落石运动图像右下角点的坐标，（x 1i，y 1i）为第i帧落石运动图像左上角点的坐标，（x 2i，y 2i）为第i帧落石运动图像右下角点的坐标。
根据斜光轴相机成像模型，像素位移与物理位移之间的转换系数为：
Figure 521788DEST_PATH_IMAGE014
；
其中，s为转换系数，L为高速相机测量位置与落石运动平面之间距离；f为相机焦距；d pixel 为像元尺寸；a为相机光轴与水平面的夹角。
将转换系数s与像素位移相乘便可以的落石运动实际位移（物理位移）。
根据落石的竖向像素位移和横向像素位移确定第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度。
第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度为：
Figure 214937DEST_PATH_IMAGE001
；
其中，θ i表示第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度。
基于落石运动图像序列和深度学习，实现落石运动的实时追踪，从而确定落石运动轨迹和与落石轨迹对应的落石冲击角度，如图5所示。
步骤104：根据所述落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力。
其中，步骤104具体包括：
根据各帧落石运动图像对应的竖向像素位移，确定各帧落石运动图像的竖向物理位移。
考虑竖向落石冲击效应，对提取的落石竖向位移（竖向物理位移）进行数值差分计算可得到落石运动的速度信息，采用高斯移动平均方法对其进行消噪处理，即：
根据公式
Figure 620642DEST_PATH_IMAGE005
确定第i帧时消除噪声后的落石运动的速度信息。
进一步利用差分算法计算落石竖向加速度信息，将其与落石质量相乘，便可以得到落石作用于防护网系统的动态冲击力，即：
根据公式
Figure 858987DEST_PATH_IMAGE006
确定落石作用于防护网的竖向动态冲击力。
其中，
Figure 734496DEST_PATH_IMAGE007
为落石在第i-k帧落石运动图像的竖向物理位移；
Figure 841124DEST_PATH_IMAGE008
为落石在第i帧时消除噪声后的落石运动的竖向速度信息；σ和u分别为竖向速度信息的均值和标准差；Np为高斯平滑的窗函数长度；F y 为落石作用于防护网的竖向动态冲击力，m为落石质量，a y 为落石竖向运动加速度向量，Δt为相邻两帧落石运动图像之间的间隔时间，i的取值范围为1至N-1，N表示落石运动图像的帧数量。
根据落石竖向动态冲击力F y 和与落石轨迹对应的落石冲击角度θ i，确定落石时刻
Figure 976701DEST_PATH_IMAGE015
在落石冲击角度上对防护网的冲击力，即：
Figure 635216DEST_PATH_IMAGE010
；
从而得到落石作用于防护网的冲击力向量（动态冲击力F）为：
Figure 223454DEST_PATH_IMAGE016
。
本发明首先利用高速摄像系统非接触式监测落石冲击防护结构全过程的动态图像序列，进而利用深度学习算法实现落石运动信息追踪，包括落石竖向、横向运动位移提取与冲击角度计算；其次，实现了落石冲击力非接触式高精度重构。不同于传统落石冲击力理论计算与数值模拟方法，本发明方法能够非接触式、远距离、高精度获取落石动态冲击力，克服了常规方法与现场测试差异大、精度低以及接触式传感技术容易遭受冲击破坏的问题。本发明方法可直接应用于落石、崩塌等地质灾害防治，对保障民生与生命线安全具有迫切性和现实意义。
实施例2
通过三跨柔性防护结构案例来说明本发明一种落石冲击力非接触式重构方法，具体包括以下步骤。
1）落石运动图像采集：本实施例防护网系统为三跨柔性防护结构，利用高速相机拍摄落石冲击防护网结构中间跨的全过程图像序列（如图3所示），为保证捕捉落石冲击全过程，需根据监测视场范围，准确布置相机距离并选择合适的相机镜头。
2）落石运动轨迹实时追踪：利用高速相机拍摄的250kJ和750kJ能量冲击下的落石运动图像序列构建深度学习算法训练数据库（图4），搭建轻量化深度学习网络，将实时采集的落石运动图像作为网络的输入，对落石冲击下的运动轨迹进行预测（图5），具体而言，利用搭建的深度学习网络可以准确预测落石位置，比较当前帧图像与参考帧图像预测的落石位置角点坐标，便可以得到落石的竖向、横向二维像素位移；进一步根据斜光轴成像模型计算像素位移与物理位移之间的转换系数，对于本实施例，其转换系数为9.88mm/像素，将此系数与提取的像素位移相乘，可得到落石运动的实际位移；最后计算落石的冲击角度。总的来看，本发明方法能够非接触式监测落石运动图像，并准确提取落石运动的二维位移信息以及冲击角度信息，为后续防护结构的设计与性能验证提供关键数据支撑。
图4中第一行为冲击能量750kJ对应的落石运动图像序列，第二行为冲击能量为250kJ的落石运动图像序列，第三行也是冲击能量为250kJ的落石运动图像序列。
3）落石冲击力高精度重构：本发明方法可以从高速相机拍摄视频中提取落石冲击防护网结构的全过程的位移信息，利用数值差分算法计算其竖向速度信息，并采用高斯平均移动方法对其进行消噪处理，进而获取其竖向加速度信息，将其与落石质量(m=0.75t)相乘，便可以获取其落石冲击力。为验证本发明方法的正确性，建立改三跨柔性防护系统的落石冲击数值模型，本发明方法与数值模拟结果对比如图6-图8所示，图6的纵坐标为落石位移（m），图7的纵坐标为落石速度（m/s），图8的纵坐标为落石冲击力（N），图6-图8的横坐标为时间（s），从图6-图8中可以看出，本发明方法提取的落石竖向位移、速度和动态冲击力与数值模拟结果一致，验证了本发明方法的正确性与鲁棒性。
实施例3
图9为本发明一种落石冲击力非接触式重构系统结构示意图，如图9所示，一种落石冲击力非接触式重构系统，包括：
落石运动图像序列采集模块201，用于采集落石冲击防护网的落石运动图像序列。
落石轨迹预测模块202，用于将所述落石运动图像序列输入落石运动轨迹预测模型，输出所述落石运动图像序列对应的落石轨迹；所述落石运动轨迹预测模型为对深度神经网络训练获得的；所述落石轨迹为落石掉落到所述防护网直到脱离所述防护网反弹的运动轨迹。
冲击角度确定模块203，用于根据所述落石轨迹确定所述落石运动图像序列中各落石运动图像中落石的冲击角度。
动态冲击力重构模块204，用于根据所述落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种落石冲击力非接触式重构方法，其特征在于，包括：
采集落石冲击防护网的落石运动图像序列；
将所述落石运动图像序列输入落石运动轨迹预测模型，输出所述落石运动图像序列对应的落石轨迹；所述落石运动轨迹预测模型为对深度神经网络训练获得的；所述落石轨迹为落石掉落到所述防护网直到脱离所述防护网反弹的运动轨迹；
根据所述落石轨迹确定所述落石运动图像序列中各落石运动图像中落石的冲击角度；
根据所述落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力。
2.根据权利要求1所述的落石冲击力非接触式重构方法，其特征在于，所述根据所述落石轨迹确定所述落石运动图像序列中各落石运动图像中落石的冲击角度，具体包括：
根据第i帧落石运动图像中预测框的左上角点和右下角点的坐标，以及参考帧落石运动图像中预测框的左上角点和右下角点的坐标，确定据第i帧落石运动图像相对于参考帧落石运动图像中落石的竖向像素位移和横向像素位移；
根据落石的竖向像素位移和横向像素位移确定第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度。
3.根据权利要求2所述的落石冲击力非接触式重构方法，其特征在于，第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度为：
Figure 909069DEST_PATH_IMAGE001
；
Figure 763893DEST_PATH_IMAGE002
；
其中，θ i表示第i帧落石运动图像相对于参考帧落石运动图像的落石冲击角度，
Figure 497625DEST_PATH_IMAGE003
为第i帧落石运动图像相对于参考帧落石运动图像中落石的横向像素位移，
Figure 237042DEST_PATH_IMAGE004
为第i帧落石运动图像相对于参考帧落石运动图像中落石的纵向像素位移，（x 10，y 10）为参考帧落石运动图像左上角点的坐标，（x 20，y 20）为参考帧落石运动图像右下角点的坐标，（x 1i，y 1i）为第i帧落石运动图像左上角点的坐标，（x 2i，y 2i）为第i帧落石运动图像右下角点的坐标。
4.根据权利要求2所述的落石冲击力非接触式重构方法，其特征在于，所述根据所述落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力，具体包括：
根据各帧落石运动图像对应的竖向像素位移，确定各帧落石运动图像的竖向物理位移；
根据公式
Figure 983238DEST_PATH_IMAGE005
确定第i帧时消除噪声后的落石运动的速度信息；
根据公式
Figure 25274DEST_PATH_IMAGE006
确定落石作用于防护网的竖向动态冲击力；
其中，
Figure 636515DEST_PATH_IMAGE007
为落石在第i-k帧落石运动图像的竖向物理位移；
Figure 304257DEST_PATH_IMAGE008
为落石在第i帧时消除噪声后的落石运动的竖向速度信息；σ和u分别为竖向速度信息的均值和标准差；Np为高斯平滑的窗函数长度；F y 为落石作用于防护网的竖向动态冲击力，m为落石质量，a y 为落石竖向运动加速度向量，Δt为相邻两帧落石运动图像之间的间隔时间，i的取值范围为1至N-1，N表示落石运动图像的帧数量；
根据落石竖向动态冲击力F y 和与所述落石轨迹对应的落石冲击角度θ i，确定第i帧落石运动图像时对应的落石冲击角度上对防护网的冲击力
Figure 317343DEST_PATH_IMAGE009
：
Figure 530281DEST_PATH_IMAGE010
；
其中，
Figure 380817DEST_PATH_IMAGE011
表示落石竖向动态冲击力F y 中第i帧落石运动图像对应的落石竖向冲击力；
根据各帧落石运动图像时对应的落石冲击角度上对防护网的冲击力
Figure 586671DEST_PATH_IMAGE009
，确定落石作用于防护网的动态冲击力F：
Figure 798471DEST_PATH_IMAGE012
。
5.根据权利要求1所述的落石冲击力非接触式重构方法，其特征在于，所述深度神经网络的训练过程包括：
构建落石运动图像数据集；所述数据集中各样本数据包括不同重量或者不同形状的落石对应的落石运动图像序列和与各所述落石运动图像序列对应的落石运动轨迹；
以所述落石运动图像数据集中落石运动图像序列为输入，落石运动轨迹为输出训练所述深度神经网络，将训练过的所述深度神经网络作为所述落石运动轨迹预测模型。
6.根据权利要求1所述的落石冲击力非接触式重构方法，其特征在于，所述采集落石冲击防护网的落石运动图像序列，具体包括：
采用高速相机在与所述防护网设定距离上，采集落石冲击防护网的落石运动图像序列。
7.一种落石冲击力非接触式重构系统，其特征在于，包括：
落石运动图像序列采集模块，用于采集落石冲击防护网的落石运动图像序列；
落石轨迹预测模块，用于将所述落石运动图像序列输入落石运动轨迹预测模型，输出所述落石运动图像序列对应的落石轨迹；所述落石运动轨迹预测模型为对深度神经网络训练获得的；所述落石轨迹为落石掉落到所述防护网直到脱离所述防护网反弹的运动轨迹；
冲击角度确定模块，用于根据所述落石轨迹确定所述落石运动图像序列中各落石运动图像中落石的冲击角度；
动态冲击力重构模块，用于根据所述落石轨迹和各落石运动图像中落石的冲击角度重构所述落石冲击防护网的动态冲击力。
CN202211290751.2A 2022-10-21 2022-10-21 一种落石冲击力非接触式重构方法及系统 Active CN115588027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211290751.2A CN115588027B (zh) 2022-10-21 2022-10-21 一种落石冲击力非接触式重构方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211290751.2A CN115588027B (zh) 2022-10-21 2022-10-21 一种落石冲击力非接触式重构方法及系统

Publications (2)

Publication Number Publication Date
CN115588027A true CN115588027A (zh) 2023-01-10
CN115588027B CN115588027B (zh) 2023-09-08

Family

ID=84780171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211290751.2A Active CN115588027B (zh) 2022-10-21 2022-10-21 一种落石冲击力非接触式重构方法及系统

Country Status (1)

Country Link
CN (1) CN115588027B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556650A (zh) * 2023-08-25 2024-02-13 西南交通大学 深度学习辅助的落石冲击力非接触自动预测方法及系统
CN118395650A (zh) * 2024-04-23 2024-07-26 西南交通大学 一种考虑防护网阻尼作用的落石抛掷轨迹高精度计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020108348A1 (en) * 2000-12-20 2002-08-15 Isao Yukimoto Structural unit for construction, construction of said structural units, and method for the preparation of said structural units and said construction
CN111737871A (zh) * 2020-06-23 2020-10-02 重庆交通大学 一种结合岩土材料特性的落石轨迹三维预测分析方法
CN112528746A (zh) * 2020-11-11 2021-03-19 中南大学 危岩落石防护网设置方法
CN112818453A (zh) * 2021-02-08 2021-05-18 西南交通大学 高陡边坡落石灾害的柔性防护4d能量控制设计方法
CN113737672A (zh) * 2021-04-18 2021-12-03 西南交通大学 用于落石防护的抛掷式韧性缓冲网单元及其临界抛掷角的设计方法
CN115115872A (zh) * 2022-06-07 2022-09-27 腾讯科技（深圳）有限公司 图像识别方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020108348A1 (en) * 2000-12-20 2002-08-15 Isao Yukimoto Structural unit for construction, construction of said structural units, and method for the preparation of said structural units and said construction
CN111737871A (zh) * 2020-06-23 2020-10-02 重庆交通大学 一种结合岩土材料特性的落石轨迹三维预测分析方法
CN112528746A (zh) * 2020-11-11 2021-03-19 中南大学 危岩落石防护网设置方法
CN112818453A (zh) * 2021-02-08 2021-05-18 西南交通大学 高陡边坡落石灾害的柔性防护4d能量控制设计方法
CN113737672A (zh) * 2021-04-18 2021-12-03 西南交通大学 用于落石防护的抛掷式韧性缓冲网单元及其临界抛掷角的设计方法
CN115115872A (zh) * 2022-06-07 2022-09-27 腾讯科技（深圳）有限公司 图像识别方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556650A (zh) * 2023-08-25 2024-02-13 西南交通大学 深度学习辅助的落石冲击力非接触自动预测方法及系统
CN118395650A (zh) * 2024-04-23 2024-07-26 西南交通大学 一种考虑防护网阻尼作用的落石抛掷轨迹高精度计算方法

Also Published As

Publication number Publication date
CN115588027B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN115588027B (zh) 一种落石冲击力非接触式重构方法及系统
Zaurin et al. Structural health monitoring using video stream, influence lines, and statistical analysis
US20240273744A1 (en) A non-contact visual monitoring system and method for a flexible protective structure against rockfall disaster
CN103810717B (zh) 一种人体行为检测方法及装置
Zhao et al. Video‐based multiscale identification approach for tower vibration of a cable‐stayed bridge model under earthquake ground motions
CN105547635A (zh) 一种用于风洞试验的非接触式结构动力响应测量方法
Zhu et al. Deep learning-based key-block classification framework for discontinuous rock slopes
CN105405150A (zh) 基于融合特征的异常行为检测方法和装置
CN105160703A (zh) 一种使用时域视觉传感器的光流计算方法
CN102521842B (zh) 一种实现快速移动检测的方法和装置
CN102930248A (zh) 基于机器学习的人群异常行为检测方法
CN109753906B (zh) 基于域迁移的公共场所异常行为检测方法
Wu et al. Non-contact measurement method of beam vibration with laser stripe tracking based on tilt photography
CN105654061A (zh) 基于估计补偿的三维人脸动态重建方法
Huang et al. A deep learning augmented vision-based method for measuring dynamic displacements of structures in harsh environments
Gao et al. Structural displacement estimation by a hybrid computer vision approach
Tian et al. Noncontact vision-based impact force reconstruction and spatial-temporal deflection tracking of a flexible barrier system under rockfall impact
CN117669389B (zh) 基于深度学习的地震-车-桥系统随机振动分析方法
Fang et al. Visual measurement of lateral relative displacement of wheel-rail of high-speed train under earthquake
Li et al. Structural health monitoring response reconstruction based on UAGAN under structural condition variations with few-shot learning [J]
TWI636276B (zh) 人工智能地震判斷方法及地震偵測系統
CN116030598A (zh) 一种微震点云特征学习的岩爆智能预警方法
CN114677647A (zh) 一种公路运行状态的安全监测系统及方法
JP7204604B2 (ja) 原子力プラントの健全性評価装置、方法及びプログラム
CN117556650B (zh) 深度学习辅助的落石冲击力非接触自动预测方法及系统

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