CN115953453B - 基于图像错位分析和北斗卫星的变电站地质形变监测方法 - Google Patents
基于图像错位分析和北斗卫星的变电站地质形变监测方法 Download PDFInfo
- Publication number
- CN115953453B CN115953453B CN202310197029.2A CN202310197029A CN115953453B CN 115953453 B CN115953453 B CN 115953453B CN 202310197029 A CN202310197029 A CN 202310197029A CN 115953453 B CN115953453 B CN 115953453B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- plane
- double
- image
- geological
- 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 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229910052711 selenium Inorganic materials 0.000 description 2
- 239000011669 selenium Substances 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了基于图像错位分析和北斗卫星的变电站地质形变监测方法，依据双摄像雷达获取的地质平面图像及其分布式点云数据生成各地表状态点云分布图，搭建R‑FCN网络模型后进行特征提取，依据提取点云拟合成的平面获取不同时间下拟合平面的高度差值范围；本发明通过双摄像雷达将地表沉降范围进行大幅放大，相较于现有的双卫星勘测分析提高了监测的精度，能够将形变信息的计算程度精确到0.1mm以内，同时也解决了双卫星结合使用时无法保证绝对连贯的时序周期性问题。
Description
技术领域
本发明涉及地质形态监测的技术领域，尤其涉及基于图像错位分析和北斗卫星的变电站地质形变监测方法。
背景技术
地表沉降是指由于自然因素或者人类工程活动引发的地下松散岩层固结压缩并导致一定区域范围内地面高程降低的地质现象，是一种缓变性地质灾害，对变电站、输电线路等电力设施产生直接影响，严重影响到变电站的安全运行。
由于地质形变往往在发展初期，形变量相对较小，一般在mm-cm级，不容易发现，另外由于地形形变发展后期，往往呈现出突发性和高强度性，目前国网对于电站设施的沉降形变监测主要还是依赖于人工现场测量，存在效率低、周期较长和监测数据不连续等问题，无法对地质形变进行有效的监测预警。
现有也存在对变电站地质形变进行相通相位分析的方法，结合干涉SAR及北斗卫星进行地表高程信息及形变信息的实时监测，一定程度实现了相应的地质形变监测，但此种方式一方面SAR卫星在通过地表高程信息获取形变信息的过程中计算程度无法保证精确到0.1mm以内，另一方面SAR卫星及北斗卫星在进行双卫星结合使用时无法保证绝对连贯的时序周期性。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有变电站地质形变监测方法存在的问题，提出了本发明。
因此，本发明解决的技术问题是：解决现有通过SAR卫星结合北斗卫星进行变电站地质形变监测过程中一方面SAR卫星在通过地表高程信息获取形变信息的过程中计算程度无法保证精确到0.1mm以内，另一方面SAR卫星及北斗卫星在进行双卫星结合使用时无法保证绝对连贯的时序周期性问题。
为解决上述技术问题，本发明提供如下技术方案：基于图像错位分析和北斗卫星的变电站地质形变监测方法，选定区域内于地表对位配置双摄像雷达，双摄像雷达内均配置有信息采集单元、信息分析单元及信息传输单元，所述监测方法包括以下步骤，双摄像雷达获取当前对位摄像范围内各自的地质平面图像；获取所述地质平面图像对应的分布式点云数据后以csv格式存入信息分析单元中；读取各相应点云数据，并进行带通滤波，分离成各地表状态点云分布图；搭建包括有图像通道和隐写分析通道的R-FCN网络模型，将所述地表状态点云分布图分别输入至所述R-FCN网络模型中进行特征提取，并将各自提取出的特征点云通过信息传输单元传输至服务器中；依据各自提取出的特征点云采用RANSAC方法拟合成平面；实时获取不同时间下拟合平面的高度差值范围，并当所述高度差值范围达到预定阈值时进行状态预警。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：双摄像雷达内配置的信息采集单元处于同一水平线，且距离摄像范围内地表最高点的高度不高于10cm；双摄像雷达配置的间隔距离不小于50m，且呈现点条式连接分布；双摄像雷达配置时两者直线连接通道上无障碍物。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：获取所述地质平面图像对应的分布式点云数据后还包括，依据分布式点云数据获取当前采集范围内的所有地表形态目标；读取所述地质平面图像对应的所有地表形态目标的真值掩膜图像；选取所述真值掩膜图像特征面积顺序排列前三的区域，将所选区域对应的所述真值掩膜图像从当前所述地质平面图像中进行对应截取，并将其对应黏贴至所述地表状态点云分布图中进行集中展示。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：搭建所述R-FCN网络模型具体包括如下步骤，获取所述地表状态点云分布图中黏贴所述真值掩膜图像的区域；对所有所述真值掩膜图像的区域图通过双线性插值法进行尺寸调整；将调整后的所述真值掩膜图像的区域图作为区域建议网络RPN的输入；接收所述地表状态点云分布图的输出和所述区域建议网络RPN的输出为位置敏感区域池化部分的输入；对所述位置敏感区域池化部分进行双线性回归。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：通过如下公式对所有所述真值掩膜图像的区域图通过双线性插值法进行尺寸调整，
；
其中，表示受调整的第i个真值掩膜图像区域的面积调整量且赋值为正，/>表示原始真值掩膜图像区域k的面积特征量，插值权重/>取决于i和k两个真值掩膜图像区域面积特征量的差值比；
插值权重获取公式如下：
；
其中，为插值权重；/>表示原始真值掩膜图像区域k的面积特征量；/>表示受调整的第i个真值掩膜图像区域的面积特征量。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：将所述地表状态点云分布图分别输入至所述R-FCN网络模型中进行特征提取具体包括如下步骤，获取所述地表状态点云分布图中黏贴所述真值掩膜图像区域的点云；将相应点云投影到矢量为0的地表平面上；采用RANSAC进行直线提取；将直线回归至三维点云，并对二维点云进行提取和裁剪；定义二维点云的剩余点为初始特征点云；将所述初始特征点云投影到矢量为0的地表平面上；采用RANSAC进行二次直线提取；将直线回归至三维点云，并对所述初始特征点云进行提取和裁剪，获得特征点云；定义双摄像雷达内配置的信息采集单元的采集高度为基础参照，距离摄像范围内地表最低点为矢量为0的地表平面。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：依据各自提取出的特征点云采用RANSAC方法拟合成平面具体包括如下步骤，从提取出的特征点云中各选取出2个点，作为点云代表；获取选取出的4个点之间的平面方程，作为初步拟合平面；获取所述初步拟合平面到矢量为0的地表平面的距离；统计所有距离小于设定阈值的inliners个数；定义inliners个数最多的平面即为拟合平面。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：所述设定阈值为0.1mm。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：当所述高度差值范围达到预定阈值时，北斗卫星进行相应区域的图像采集，并标定相应警示区域，连通用户客户端，并将预警信号传输至相应用户客户端。
作为本发明所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法的一种优选方案，其中：北斗卫星标定相应警示区域时，依据所述高度差值范围进行标定，所述高度差值范围越大，标定警示的程度越高。
本发明的有益效果：本发明提供基于图像错位分析和北斗卫星的变电站地质形变监测方法，依据双摄像雷达获取的地质平面图像及其分布式点云数据生成各地表状态点云分布图，搭建R-FCN网络模型后进行特征提取，依据提取点云拟合成的平面获取不同时间下拟合平面的高度差值范围；本发明通过双摄像雷达将地表沉降范围进行大幅放大，相较于现有的双卫星勘测分析提高了监测的精度，能够将形变信息的计算程度精确到0.1mm以内，同时也解决了双卫星结合使用时无法保证绝对连贯的时序周期性问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的基于图像错位分析和北斗卫星的变电站地质形变监测方法的整体方法流程图。
图2为本发明提供的获取地质平面图像对应分布式点云数据后的方法流程图。
图3为本发明提供的搭建R-FCN网络模型的方法流程图。
图4为本发明提供的将地表状态点云分布图分别输入至R-FCN网络模型中进行特征提取的方法流程图。
图5为本发明提供的依据各自提取出的特征点云采用RANSAC方法拟合成平面的方法流程图。
图6为本发明提供的区域建议网络RPN的结构图。
图7为本发明提供的双线性插值调整过程示意图。
图8为本发明提供的所搭建的RFCN网络模型的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
现有对变电站地质形变进行相通相位分析的方法，通过结合干涉SAR及北斗卫星进行地表高程信息及形变信息的实时监测，一定程度实现了相应的地质形变监测，但此种方式一方面SAR卫星在通过地表高程信息获取形变信息的过程中计算程度无法保证精确到0.1mm以内，另一方面SAR卫星及北斗卫星在进行双卫星结合使用时无法保证绝对连贯的时序周期性。
故此，请参阅图1，本发明提供基于图像错位分析和北斗卫星的变电站地质形变监测方法，选定区域内于地表对位配置双摄像雷达，双摄像雷达内均配置有信息采集单元、信息分析单元及信息传输单元；
需要说明的是，双摄像雷达内配置的信息采集单元处于同一水平线，且距离摄像范围内地表最高点的高度不高于10cm；双摄像雷达配置的间隔距离不小于50m，且呈现点条式连接分布；双摄像雷达配置时两者直线连接通道上无障碍物。
其中，信息采集单元为双摄像雷达的摄像单元，信息分析单元及信息传输单元均为现有技术的软件代码实现。
本发明整个检测过程可选用在Ubuntu 16.04.6系统下的深度学习开源框架TensorFlow下运行，显卡型号为Nvidia GeForce RTX 2080 TI，CPU型号为Intel Core i9-9900K，CUDA版本为CUDA 10.1，cuDNN版本为cuDNN v7.5.0。
监测方法包括以下步骤：
S1：双摄像雷达获取当前对位摄像范围内各自的地质平面图像；
S2：获取地质平面图像对应的分布式点云数据后以csv格式存入信息分析单元中；
需要说明的是，采用雷达作为信息的采集设备，精度更高、抗干扰能力更强，并且可以通过计算地表点的高度，得到精确的地表点云数据。
点云数据就是几万个xyz坐标值，csv存数据比较方便对数据进行读取和存储。
进一步的，请参阅图2，获取地质平面图像对应的分布式点云数据后还包括如下步骤：
依据分布式点云数据获取当前采集范围内的所有地表形态目标；
读取地质平面图像对应的所有地表形态目标的真值掩膜图像；
选取真值掩膜图像特征面积顺序排列前三的区域，将所选区域对应的真值掩膜图像从当前地质平面图像中进行对应截取，并将其对应黏贴至地表状态点云分布图中进行集中展示。
需要说明的是，当摄像雷达获取分布式点云数据后，不同点云数据能够将地表中的目标进行相应的点云展示，能够依据不同的点云分布获取到当前采集范围内的所有地表形态目标，获取过程为直观辨别，无需进行多余赘述。
读取真值掩膜图像为软件程序当前技术的直观运用，无需进行相应的细节展示，由程序直接对地质平面图像上的所有地表形态目标进行扫描分析，读取出不同目标对应的真值掩膜图像，其中，真值掩膜图像用以表示相应目标的特征，可以理解为特征点，通过面积量进行相应的量化显示。
利用selenium库驱动浏览器访问当前地质平面图像中的所选区域，并对目标所选区域进行截图；
程序定义如下：
from selenium import webdriver
driver = webdriver.Chrome()
driver.get('url')
driver.get_screenshot_as_png()
driver.save_screenshot('file_path')
S3：Socket读取各相应点云数据，并进行带通滤波，分离成各地表状态点云分布图；
由于在高度上不同地表点的点云是分开的，所以各点云数据进行带通滤波，分离成各地表状态点云分布图；
需要说明的是，Socket是网络交换数据的机制，为现有的专业通信手段；并且进行带通滤波过程中，根据摄像高度范围得到高度阈值，就可以带通滤波。
S4：搭建包括有图像通道和隐写分析通道的R-FCN网络模型，将地表状态点云分布图分别输入至R-FCN网络模型中进行特征提取，并将各自提取出的特征点云通过信息传输单元传输至服务器中；
其中，服务器为中央处理器，用以建立模型和处理输入至模型中的数据，处理过程及信息分析的软件实现均为现有技术的体现，在此不做多余赘述。
进一步的，请参阅图3，搭建R-FCN网络模型具体包括如下步骤：
获取地表状态点云分布图中黏贴真值掩膜图像的区域；
对所有真值掩膜图像的区域图通过双线性插值法进行尺寸调整；
将调整后的真值掩膜图像的区域图作为区域建议网络RPN的输入，其中，该网络一部分进行锚的生成和前景与背景的筛选，另一部分进行候选框的微调，区域建议网络RPN的结构如图6所示；
接收地表状态点云分布图的输出和区域建议网络RPN的输出为位置敏感区域池化部分的输入，包括一个用于降维的1x1x1024的卷积层，一个生成k2 * (C+1)维位置敏感得分图的卷积层以及对位置敏感得分图进行池化操作的池化层；
对位置敏感区域池化部分进行双线性回归，包含一个对来自双通道信息进行组合的池化层，最终分类须使用组合后的信息，而边界框的回归仅使用彩色图像通道的信息。
其中，彩色图像通道的特征提取部分为ResNet101的conv1，conv2_x，conv3_x，conv4_x，用来对地表状态点云分布图进行特征提取；隐写分析通道的特征提取部分，包括SRM滤波器层和ResNet101的conv1，conv2_x，conv3_x，conv4_x，用来对真值掩膜图像进行特征提取，其中，SRM滤波器层的参数如下所示：
需要说明的是：
①ResNet101作为模型的骨干网络，它的基本组成单位是残差学习模块，这种结构不仅可以将原始的输入通过卷积层与非线性函数映射到下一层，还允许原始的输入信息直接映射到后面的层，通过这种连接方式实现残差网络结构输入与输出的加叠，在减少计算量的同时，缓解了网络层数的增加造成的梯度消失现象；
②特征提取部分中每个卷积块生成的特征图使用双线性插值法进行尺寸调整，其过程示意图如图7所示，通过将特征提取网络中每一个堆叠卷积层输出的特征图调整为更大尺寸，来缓解检测中小目标信息缺失的问题；
③搭建的基于双通道RFCN的网络模型的结构如图8所示；
④根据模型与数据集，设置模型的相关参数：学习率设置为0.0001，最大迭代次数为110000次，将输入图像的短边调整为600像素，在区域建议网络RPN部分，将4个锚的尺寸分别设置为82，162，322，642，并将长宽比分别设置为1:2，1:1以及2:1，将区域建议网络RPN中用于判断正样本(可能为篡改区域)的IOU阈值设置为0.7，负样本设置为0.3，非极大值抑制的阈值设置为0.3；
⑤在模型的隐写分析通道，需要对RGB图像进行隐写分析操作，空间富模型（spatial rich models, SRM）是一种高效的隐写方法，此处将其设计为预处理层，作为模型的一部分。
其中，通过如下公式对所有真值掩膜图像的区域图通过双线性插值法进行尺寸调整：
；
其中，表示受调整的第i个真值掩膜图像区域的面积调整量且赋值为正，/>表示原始真值掩膜图像区域k的面积特征量，插值权重/>取决于i和k两个真值掩膜图像区域面积特征量的差值比；
插值权重获取公式如下：
；
其中，为插值权重；/>表示原始真值掩膜图像区域k的面积特征量；/>表示受调整的第i个真值掩膜图像区域的面积特征量。
更进一步的，请参阅图4，将地表状态点云分布图分别输入至R-FCN网络模型中进行特征提取具体包括如下步骤：
获取地表状态点云分布图中黏贴真值掩膜图像区域的点云；
将相应点云投影到矢量为0的地表平面上；
采用RANSAC进行直线提取；
将直线回归至三维点云，并对二维点云进行提取和裁剪；
定义二维点云的剩余点为初始特征点云；
将所述初始特征点云投影到矢量为0的地表平面上；
采用RANSAC进行二次直线提取；
将直线回归至三维点云，并对初始特征点云进行提取和裁剪，获得特征点云；
定义双摄像雷达内配置的信息采集单元的采集高度为基础参照，距离摄像范围内地表最低点为矢量为0的地表平面。
需要说明的是，回归过程中，分割出来的点云恢复高度后会得到一整个面点云的坐标，又因为所在面点云就是最高处，所以设一个高度阈值取面点云maxH到maxH-40的这一块的点云，这些点云就代表了特征点云，求高度平均值即可；
实际二维点云方法中采用了两次分割，原理如下：
其中表示滤波完的二维点云集合，/>表示原始二维点云集合，/>表示分割出的第一条直线的平均深度。
因为二维点云相较于三维点云仅仅改变了三维点云的z坐标，所以它们在内存中存储的顺序是完全一样的，所以Line1的分割结果，可以直接回归到三维得到Line1直线所在面的所有点云，Line1从二维到三维的分割回归结果，Line1索引映射关系如下：
相较于Line1的回归，Line2的回归就显得稍加复杂，因为Line2的回归索引需根据其和Line1的相对深度距离而改变，这是由于Line2是从滤波后的二维点云中分割出来的，所以如果Line2是深度距离更远的那根线，则相较于三维点云，相同点的索引值，可能发生了改变，而如果Line1是深度距离更远的那根弦，则Line1及其深度距离邻点在二维点云上的提取，并不会影响Line2的回归索引，由此可得Line2索引映射关系如下：
其中表示分割结果在三维点云上的索引，/>表示分割结果在二维点云上的索引，/>表示回归高度阈值，/>表示二维点云上分割结果直线点云的平均高度。
S5：依据各自提取出的特征点云采用RANSAC方法拟合成平面；
需要说明的是，RANSAC方法为现有的方法，具备计算量小、速度快的优势；雷达点云是有xyz坐标的，把点云旋转到水平坐标系后的高度值就是这里所指的高度值。
进一步的，请参阅图5，依据各自提取出的特征点云采用RANSAC方法拟合成平面具体包括如下步骤：
从提取出的特征点云中各选取出2个点，作为点云代表；
获取选取出的4个点之间的平面方程，作为初步拟合平面；
获取所述初步拟合平面到矢量为0的地表平面的距离；
统计所有距离小于设定阈值的inliners个数；
定义inliners个数最多的平面即为拟合平面。
更进一步的，设定阈值为0.1mm。
具体的，平面模型和地表平面模型如下：
RanSac方法每次会随机采样4个点来拟合平面，重复以上算法M次，最终选择内点个数最多的平面参数，用该平面来拟合此刻的初步拟合平面，其中， 公式中的X 区别与前述的X，此处的X 仅仅表示数学函数公式中的自变量。
S6：实时获取不同时间下拟合平面的高度差值范围，并当高度差值范围达到预定阈值时进行状态预警。
额外需要说明的是，当高度差值范围达到预定阈值时，北斗卫星进行相应区域的图像采集，并标定相应警示区域，连通用户客户端，并将预警信号传输至相应用户客户端。
北斗卫星标定相应警示区域时，依据高度差值范围进行标定，高度差值范围越大，标定警示的程度越高。
本发明提供基于图像错位分析和北斗卫星的变电站地质形变监测方法，依据双摄像雷达获取的地质平面图像及其分布式点云数据生成各地表状态点云分布图，搭建R-FCN网络模型后进行特征提取，依据提取点云拟合成的平面获取不同时间下拟合平面的高度差值范围；本发明通过双摄像雷达将地表沉降范围进行大幅放大，相较于现有的双卫星勘测分析提高了监测的精度，能够将形变信息的计算程度精确到0.1mm以内，同时也解决了双卫星结合使用时无法保证绝对连贯的时序周期性问题。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.基于图像错位分析和北斗卫星的变电站地质形变监测方法，其特征在于：选定区域内于地表对位配置双摄像雷达，双摄像雷达内均配置有信息采集单元、信息分析单元及信息传输单元，所述监测方法包括以下步骤，
双摄像雷达获取当前对位摄像范围内各自的地质平面图像；
获取所述地质平面图像对应的分布式点云数据后以csv格式存入信息分析单元中；
读取各相应点云数据，并进行带通滤波，分离成各地表状态点云分布图；
搭建包括有图像通道和隐写分析通道的R-FCN网络模型，将所述地表状态点云分布图分别输入至所述R-FCN网络模型中进行特征提取，并将各自提取出的特征点云通过信息传输单元传输至服务器中；
依据各自提取出的特征点云采用RANSAC方法拟合成平面；
实时获取不同时间下拟合平面的高度差值范围，并当所述高度差值范围达到预定阈值时进行状态预警；
其中，获取所述地质平面图像对应的分布式点云数据后还包括：
依据分布式点云数据获取当前采集范围内的所有地表形态目标；
读取所述地质平面图像对应的所有地表形态目标的真值掩膜图像；
选取所述真值掩膜图像特征面积顺序排列前三的区域，将所选区域对应的所述真值掩膜图像从当前所述地质平面图像中进行对应截取，并将其对应黏贴至所述地表状态点云分布图中进行集中展示；
其中，搭建所述R-FCN网络模型具体包括如下步骤：
获取所述地表状态点云分布图中黏贴所述真值掩膜图像的区域；
对所有所述真值掩膜图像的区域图通过双线性插值法进行尺寸调整；
将调整后的所述真值掩膜图像的区域图作为区域建议网络RPN的输入；
接收所述地表状态点云分布图的输出和所述区域建议网络RPN的输出为位置敏感区域池化部分的输入；
对所述位置敏感区域池化部分进行双线性回归；
其中，通过如下公式对所有所述真值掩膜图像的区域图通过双线性插值法进行尺寸调整，
；
其中，表示受调整的第i个真值掩膜图像区域的面积调整量且赋值为正，/>表示原始真值掩膜图像区域k的面积特征量，插值权重/>取决于i和k两个真值掩膜图像区域面积特征量的差值比；
插值权重获取公式如下：
；
其中，为插值权重；/>表示原始真值掩膜图像区域k的面积特征量；/>表示受调整的第i个真值掩膜图像区域的面积特征量；
其中，将所述地表状态点云分布图分别输入至所述R-FCN网络模型中进行特征提取具体包括如下步骤，
获取所述地表状态点云分布图中黏贴所述真值掩膜图像区域的点云；
将相应点云投影到矢量为0的地表平面上；
采用RANSAC进行直线提取；
将直线回归至三维点云，并对二维点云进行提取和裁剪；
定义二维点云的剩余点为初始特征点云；
将所述初始特征点云投影到矢量为0的地表平面上；
采用RANSAC进行二次直线提取；
将直线回归至三维点云，并对所述初始特征点云进行提取和裁剪，获得特征点云；
定义双摄像雷达内配置的信息采集单元的采集高度为基础参照，距离摄像范围内地表最低点为矢量为0的地表平面；
其中，依据各自提取出的特征点云采用RANSAC方法拟合成平面具体包括如下步骤，
从提取出的特征点云中各选取出2个点，作为点云代表；
获取选取出的4个点之间的平面方程，作为初步拟合平面；
获取所述初步拟合平面到矢量为0的地表平面的距离；
统计所有距离小于设定阈值的inliners个数；
定义inliners个数最多的平面即为拟合平面；
其中，双摄像雷达内配置的信息采集单元处于同一水平线，且距离摄像范围内地表最高点的高度不高于10cm；双摄像雷达配置的间隔距离不小于50m，且呈现点条式连接分布；双摄像雷达配置时两者直线连接通道上无障碍物。
2.根据权利要求1所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法，其特征在于：所述设定阈值为0.1mm。
3.根据权利要求2所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法，其特征在于：当所述高度差值范围达到预定阈值时，北斗卫星进行相应区域的图像采集，并标定相应警示区域，连通用户客户端，并将预警信号传输至相应用户客户端。
4.根据权利要求3所述的基于图像错位分析和北斗卫星的变电站地质形变监测方法，其特征在于：北斗卫星标定相应警示区域时，依据所述高度差值范围进行标定，所述高度差值范围越大，标定警示的程度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310197029.2A CN115953453B (zh) | 2023-03-03 | 2023-03-03 | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310197029.2A CN115953453B (zh) | 2023-03-03 | 2023-03-03 | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953453A CN115953453A (zh) | 2023-04-11 |
| CN115953453B true CN115953453B (zh) | 2023-08-15 |
Family
ID=87286309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310197029.2A Active CN115953453B (zh) | 2023-03-03 | 2023-03-03 | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953453B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10282834B1 (en) * | 2018-06-22 | 2019-05-07 | Caterpillar Inc. | Measurement platform that automatically determines wear of machine components based on images |
| CN110012268A (zh) * | 2019-04-02 | 2019-07-12 | 浙江璟恩物联网科技有限公司 | 管网ai智能监控方法、系统、可读存储介质和设备 |
| CN110992238A (zh) * | 2019-12-06 | 2020-04-10 | 上海电力大学 | 一种基于双通道网络的数字图像篡改盲检测方法 |
| CN111709307A (zh) * | 2020-05-22 | 2020-09-25 | 哈尔滨工业大学 | 一种基于分辨率增强的遥感图像小目标检测方法 |
| CN113192086A (zh) * | 2021-05-11 | 2021-07-30 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
| CN113393426A (zh) * | 2021-05-24 | 2021-09-14 | 南京耘瞳科技有限公司 | 一种轧钢板表面缺陷检测方法 |
| CN113744395A (zh) * | 2021-11-08 | 2021-12-03 | 辽博信息科技(山东)有限公司 | 一种建筑地基沉降的监测预警方法及系统 |
| CN113947605A (zh) * | 2021-11-02 | 2022-01-18 | 南京林业大学 | 基于yolact的行道树靶标点云分割方法 |
| CN114267155A (zh) * | 2021-11-05 | 2022-04-01 | 国能大渡河革什扎水电开发有限公司 | 一种基于视频识别技术的地质灾害监测预警系统 |
| CN114519689A (zh) * | 2020-11-18 | 2022-05-20 | 中国移动通信有限公司研究院 | 图像篡改检测方法、装置、设备及计算机可读存储介质 |
| WO2022108745A1 (en) * | 2020-11-23 | 2022-05-27 | Argo AI, LLC | Systems and methods for object detection with lidar decorrelation |
| CN114858238A (zh) * | 2022-04-29 | 2022-08-05 | 南方科技大学 | 地下水蓄变监测预警系统 |
| CN115456970A (zh) * | 2022-08-30 | 2022-12-09 | 苏州星航综测科技有限公司 | 一种基于降维回归的干舷分割船舶载重线识别方法 |
-
2023
- 2023-03-03 CN CN202310197029.2A patent/CN115953453B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10282834B1 (en) * | 2018-06-22 | 2019-05-07 | Caterpillar Inc. | Measurement platform that automatically determines wear of machine components based on images |
| CN110012268A (zh) * | 2019-04-02 | 2019-07-12 | 浙江璟恩物联网科技有限公司 | 管网ai智能监控方法、系统、可读存储介质和设备 |
| CN110992238A (zh) * | 2019-12-06 | 2020-04-10 | 上海电力大学 | 一种基于双通道网络的数字图像篡改盲检测方法 |
| CN111709307A (zh) * | 2020-05-22 | 2020-09-25 | 哈尔滨工业大学 | 一种基于分辨率增强的遥感图像小目标检测方法 |
| CN114519689A (zh) * | 2020-11-18 | 2022-05-20 | 中国移动通信有限公司研究院 | 图像篡改检测方法、装置、设备及计算机可读存储介质 |
| WO2022108745A1 (en) * | 2020-11-23 | 2022-05-27 | Argo AI, LLC | Systems and methods for object detection with lidar decorrelation |
| CN113192086A (zh) * | 2021-05-11 | 2021-07-30 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
| CN113393426A (zh) * | 2021-05-24 | 2021-09-14 | 南京耘瞳科技有限公司 | 一种轧钢板表面缺陷检测方法 |
| CN113947605A (zh) * | 2021-11-02 | 2022-01-18 | 南京林业大学 | 基于yolact的行道树靶标点云分割方法 |
| CN114267155A (zh) * | 2021-11-05 | 2022-04-01 | 国能大渡河革什扎水电开发有限公司 | 一种基于视频识别技术的地质灾害监测预警系统 |
| CN113744395A (zh) * | 2021-11-08 | 2021-12-03 | 辽博信息科技(山东)有限公司 | 一种建筑地基沉降的监测预警方法及系统 |
| CN114858238A (zh) * | 2022-04-29 | 2022-08-05 | 南方科技大学 | 地下水蓄变监测预警系统 |
| CN115456970A (zh) * | 2022-08-30 | 2022-12-09 | 苏州星航综测科技有限公司 | 一种基于降维回归的干舷分割船舶载重线识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953453A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Polat et al. | An investigation of DEM generation process based on LiDAR data filtering, decimation, and interpolation methods for an urban area | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN111323788B (zh) | 建筑物变化的监测方法、装置及计算机设备 | |
| CN111932591B (zh) | 典型地质灾害遥感智能提取的方法与系统 | |
| CN112445241A (zh) | 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质 | |
| Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
| CN115861527A (zh) | 实景三维模型的构建方法、装置、电子设备及存储介质 | |
| CN115471634B (zh) | 一种城市绿植孪生的建模方法及装置 | |
| CN116343103B (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
| CN111339989A (zh) | 一种水体提取方法、装置、设备及存储介质 | |
| CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
| CN116824396A (zh) | 一种多卫星数据融合自动化解译的方法 | |
| CN116468869A (zh) | 一种基于遥感卫星影像的实景三维建模方法、设备及介质 | |
| Hooda | IoT and remote sensing | |
| Krooks et al. | WebGL visualisation of 3D environmental models based on finnish open geospatial data sets | |
| CN115953453B (zh) | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 | |
| CN117433513A (zh) | 一种地形测绘的地图构建方法及系统 | |
| Fernandez et al. | An overview of lidar point cloud processing software | |
| Brivio et al. | Urban pattern characterization through geostatistical analysis of satellite images | |
| Momm et al. | Methods for gully characterization in agricultural croplands using ground-based light detection and ranging | |
| Chen et al. | Rapid 3d modeling using photogrammetry applied to google earth | |
| Kothencz et al. | Urban vegetation extraction from VHR (tri-) stereo imagery–a comparative study in two central European cities | |
| Fissore et al. | DSM and DTM for extracting 3D building models: advantages and limitations | |
| Menges et al. | Use of airborne video data for the characterization of tropical savannas in northern Australia: The optimal spatial resolution for remote sensing applications | |
| CN114882169A (zh) | 一种基于三维数据的电网工程大数据智能分析系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |