CN116625588A - 一种堤坝渗水预警系统及方法 - Google Patents

一种堤坝渗水预警系统及方法 Download PDF

Info

Publication number
CN116625588A
CN116625588A CN202310598881.0A CN202310598881A CN116625588A CN 116625588 A CN116625588 A CN 116625588A CN 202310598881 A CN202310598881 A CN 202310598881A CN 116625588 A CN116625588 A CN 116625588A
Authority
CN
China
Prior art keywords
early warning
image
dam
data
monitoring
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
Application number
CN202310598881.0A
Other languages
English (en)
Inventor
范宏辉
张清
卓彦会
陈诗欣
陈美玲
谢建平
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.)
China ComService Construction Co Ltd
Original Assignee
China ComService Construction Co Ltd
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 China ComService Construction Co Ltd filed Critical China ComService Construction Co Ltd
Priority to CN202310598881.0A priority Critical patent/CN116625588A/zh
Publication of CN116625588A publication Critical patent/CN116625588A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/20—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using special tracer materials, e.g. dye, fluorescent material, radioactive material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Emergency Management (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种堤坝渗水预警系统及方法，涉及堤坝监测预警技术领域。该系统包括用于采集堤坝数据信息和图像信息的采集模块、用于监测堤坝并标记渗水点位置的监测模块、用于发出预警信号进行提示的预警模块、用于生成指令并分析处理数据的云数据端、用于根据图像信息处理图像的图像处理模块、用于构建危险预测模型并进行危险等级评估的危险预测模块以及用于紧急处理堤坝隐患的紧急处理模块。本发明获取堤坝实时状态，采用图像处理技术实现同步监控；引入云数据端提供海量存储空间和极致运行速度提高效率；通过构建危险预测模型提前规避决堤风险保障安全；采用多种检测手段提高数据准确性和可靠性，降低堤坝决堤风险且避免安全危害。

Description

一种堤坝渗水预警系统及方法
技术领域
本发明属于堤坝监测预警技术领域，尤其涉及一种堤坝渗水预警系统及方法。
背景技术
堤坝是水利设施的基础建设，在防洪抗洪中起到核心作用，它是重要的防洪屏障，具有疏水导流、护滩保田的作用。然而一些堤坝因为修筑时间久远、维护不得当或者根基较浅，在面临大险、恶险的情况下，一旦抢护不及时，就容易发生跑堤的危险。因此，尽早发现险情，并进行及时抢救，避免人员生命安全受到威胁，也避免造成重大的经济损失。
现代堤坝主要有土石坝和混凝土坝两种，而近年来大型坝堤都采用高科技的钢筋水泥建筑。土石坝是用土或石头建造的宽坝，因为底部承受的水压比顶部的大的多，所以底部较顶部宽；土石坝多是横越大河建成的，用的都是既普通又便宜的材料；由于物料较松散，能承受地基的动摇，但水会慢慢渗入堤坝，降低堤坝的坚固程度，常会在堤坝表面加上一层防水的黏土，或设计一些通道，让一部分的水流走。混凝土坝多用混凝土建成，通常建筑在深而窄的山谷，因为只有混凝土才能承受堤坝底部的高水压；混凝土坝可以细分为混凝土重力坝、混凝土拱坝、混凝土支墩坝等，混凝土坝的主要特点是利用自身的重量来支撑水体压力。而在堤坝造成的危害中，影响最大的主要有漏洞、渗漏和管涌。
为了防止堤坝被冲毁水灾泛滥带来不可估量的损失，实时监测堤坝的安全是必不可少的环节。以往，为了监测堤坝，人工徒步查验。这种操作方法人力成本高、投入费用大，并且受到天气等因素的影响，难以推广。并且针对不同类型的堤坝以及造成不同堤坝危害的因素，需要采用的监测手段也会有所区别。
发明内容
本发明的目的在于提供一种堤坝渗水预警系统及方法，通过分析不同质地的堤坝组成以及造成堤坝危害的不同影响因素，采用不同的监测技术手段，实现堤坝监测的全面性、实时性和多样性，并针对监测结果进行实时预警。
本发明的目的可以通过以下技术方案实现：
第一方面，本申请实施例提供了一种堤坝渗水预警系统，包括依次通信连接的采集模块、监测模块、预警模块、云数据端、图像处理模块和危险预测模块；
所述采集模块，用于采集堤坝的数据信息和图像信息，并将所述数据信息和所述图像信息发送至所述云数据端；
所述云数据端，用于根据所述数据信息和所述图像信息生成监测指令；
所述监测模块，用于根据所述监测指令对所述堤坝进行实时监测，获取监测结果；还用于对所述堤坝的渗水点进行标记，获取标记位置；将所述监测结果和所述标记位置发送至所述云数据端；
所述云数据端，还用于根据所述标记位置对所述渗水点进行定位并生成预警指令；
所述预警模块，用于根据所述预警指令发出预警信号并进行预警提示；
所述云数据端，还用于传输、分析、处理并存储各模块数据；
所述图像处理模块，用于对所述图像信息进行图像处理并输出处理结果图；
所述危险预测模块，用于根据所述处理结果图构建危险预测模型；
其中，所述数据信息包括堤坝信息、环境信息和水流信息；
其中，所述预警信号的预警信号等级由低到高依次包括：蓝色预警/Ⅳ级预警、黄色预警/Ⅲ级预警、橙色预警/Ⅱ级预警以及红色预警/Ⅰ级预警。
优选的，所述采集模块包括数据采集单元和图像采集单元；
所述数据采集单元，用于通过数据采集装备采集所述堤坝的所述数据信息；
所述图像采集单元，用于通过摄像装备采集所述堤坝的所述图像信息；
其中，所述数据采集装备包括温湿度探测器、漏水检测器和流速仪；所述摄像装备包括高清摄像机和无人机。
优选的，所述监测模块包括依次通信连接的监控单元、检测单元和标记单元；
所述监控单元，用于对所述堤坝进行实时监控，生成监控结果报告；所述监控结果报告包括堤坝危害因素；
所述检测单元，用于根据所述监控结果报告采用检测手段对所述堤坝进行检测；
所述标记单元，用于对检测出的所述渗水点进行标记，获取标记位置；
其中，监控方式包括定点监控、移动监控、交替监控和组合监控。
优选的，所述检测手段包括压力检测、声音检测和裂缝检测；所述堤坝危害因素包括渗漏和管涌；所述渗水点包括疑似渗水点和实际渗水点。
优选的，所述云数据端用于统一处理所述数据信息，其包括依次通信连接的数据传输单元、数据清洗单元、数据分析单元、数据处理单元、数据存储单元和指令生成单元；
所述数据传输单元，用于接收和发送所述数据信息；
所述数据清洗单元，用于采用清洗方法对所述数据信息进行清洗操作；
所述数据分析单元，用于采用分析方法对接收到的所述数据信息进行分析；
所述数据处理单元，用于采用处理方法对分析后的所述数据信息进行处理；
所述数据存储单元，用于存储处理后的所述数据信息；
所述指令生成单元，用于生成系统指令；
其中，所述清洗操作包括筛选、过滤、去重和填充；
其中，所述清洗方法包括手动清洗和自动清洗；
其中，所述系统指令包括监测指令和预警指令。
优选的，所述分析方法包括：关联分析法、对比分析法、聚类分析法、留存分析法、帕累托分析法和路径分析法中的一种或多种；
所述处理方法包括：缺失数据处理、数据重采样处理、离群值处理、数据融合处理和数据降维处理中的一种或多种。
优选的，所述图像处理模块包括依次通信连接的图像变换单元、图像增强单元、图像复原单元、图像识别比对单元和图像分析单元；
所述图像变换单元，用于提取所述视频图像的图像特征；
所述图像增强单元，用于增强所述视频图像的整体特性/局部特性；还用于抑制噪声，改善所述视频图像的图像质量；
所述图像复原单元，用于对退化和失真的所述视频图像进行复原，输出复原图；
所述图像识别比对单元，用于对所述复原图进行识别，并将其与所述视频图像进行对比，输出对比图；
所述图像分析单元，用于对所述对比图进行分析，输出所述处理结果图。
优选的，所述危险预测模块采用卷积神经网络构建所述危险预测模型；所述危险预测模型与所述预警信号等级关联，用于对所述渗水点进行预测，并对其危险等级进行评估，获取风险评估结果。
优选的，还包括与所述危险预测模块通信连接的紧急处理模块，其用于根据所述风险评估结果和所述标记位置对所述堤坝进行紧急处理。
第二方面，本申请提供了一种坝渗水预警方法，包括以下步骤：
S1，采集堤坝的数据信息和图像信息，并将所述数据信息和所述图像信息发送至云数据端；
S2，所述云数据端根据所述数据信息和所述图像信息生成监测指令；
S3，根据所述监测指令对所述堤坝进行实时监测，获取监测结果并对所述堤坝的渗水点进行标记，获取标记位置；
S4，将所述监测结果和所述标记位置发送至所述云数据端；
S5，根据所述标记位置对所述渗水点进行定位并生成预警指令；
S6，根据所述预警指令发出预警信号并进行预警提示；
S7，对所述图像信息进行图像处理并输出处理结果图；
S8，根据所述处理结果图构建危险预测模型；
S9，根据所述危险预测模型对所述渗水点进行预测，并对其危险程度进行评估，获取风险评估结果；
S10，根据所述风险评估结果对所述渗水点进行紧急处理。
其中，所述预警信号被划分为若干预警信号等级，并将所述危险预测模型与所述预警信号等级进行关联。
本发明的有益效果为：
(1)本发明通过对堤坝的相关数据信息进行采集和分析，获取到堤坝实时的现场信息，再通过云数据端生成相关操作指令控制堤坝附近的监控设备进行实时监控，使得云数据端可以掌握堤坝的实时状态，从而便于工作人员根据实际情况和需要对堤坝进行处理。
(2)本发明采用图像处理技术，通过对堤坝的相关图像信息进行采集和分析，获取到堤坝现场的实时信息；再通过图像处理技术对采集的图像进行处理和分析，得到堤坝渗水点的局部剖析图，可以通过观测实时图像信息，实现堤坝渗水点的同步监控。
(3)本发明引入云数据端，用于对数据进行传输、分析、处理、存储和清洗，其具有庞大的数据库和海量的存储空间，可以迅速地处理数据；云数据端还具有生成各种操控指令的功能，通过各种指令控制相关设备进行监控、检测、定位以及预警，使得堤坝的渗水预防具有实时性，同时也极大地提高了后续工作人员的处理效率。
(4)本发明引入卷积神经网络并构建危险预测模型，利用该模型对堤坝的图像信息进行处理、分析和比对识别，通过比对分析原始图像和处理后的图像对堤坝渗水点进行预测，进而对渗水点的危险程度进行评估；卷积神经网络能够主动学习和训练，利用该方法可以准确地找到堤坝渗水点并且能够观察到每个时间节点渗水点的变化，有利于工作人员根据渗水点的渗透程度进行相应的处理；另一方面，本发明将渗水点分为实际渗水点和疑似渗水点两类，根据针对不同的类别进行对应处理。
(5)本发明将预警信号的等级由低到高划分为：蓝色预警/Ⅳ级预警、黄色预警/Ⅲ级预警、橙色预警/Ⅱ级预警以及红色预警/Ⅰ级预警分级，并将预警信号与危险预测模型关联在一起，为危险预测模型预测到的渗水点赋予不同的预警等级，有利于工作人员根据实际情况和预警等级对实际渗水点和疑似渗水点进行对应的处理，进一步提高了堤坝渗水的预警效率和准确性。
(6)本发明通过采用压力检测、声音检测、裂缝检测和示踪检测等多种检测技术手段来检测堤坝渗水，并将两种或两种以上的检测手段进行组合，提高了堤坝渗水检测的准确性，让检测数据更加可靠；上述多种检测手段结合采集到的堤坝数据信息对堤坝进行实时检测和实时监控，极大程度降低堤坝决堤风险的同时，也使得堤坝渗水时能够及时被处理，进一步避免了人员生命安全受到威胁，也避免了造成重大的经济损失。
附图说明
为了更好地理解和实施，下面结合附图详细说明本申请的技术方案。
图1为本申请实施例提供的一种堤坝渗水预警系统的结构示意图；
图2为本申请实施例提供的监测模块的结构示意图；
图3为本申请实施例提供的压力检测法的步骤流程图；
图4为本申请实施例提供的声音检测法的步骤流程图；
图5为本申请实施例提供的云数据端的结构示意图；
图6为本申请实施例提供的图像处理模块的结构示意图；
图7为本申请实施例提供的一种堤坝渗水预警方法的步骤流程图；
附图标记说明
图中：1、采集模块；2、监测模块；4、预警模块；5、云数据端；6、图像处理模块；7、危险预测模块；8、紧急处理模块；11、数据采集单元；12、图像采集单元；21、监控单元；22、检测单元；23、标记单元；51、数据传输单元；52、数据清洗单元；53、数据分析单元；54、数据处理单元；55、数据存储单元；56、指令生成单元；61、图像变换单元；62、图像增强单元；63、图像复原单元；64、图像识别比对单元；65、图像分析单元。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法和系统的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
以下结合附图及较佳实施例，对依据本发明的具体实施方式、特征及其功效做详细说明。
实施例1
请参阅图1～图6，在图1中，本发明提供一种堤坝渗水预警系统，包括依次通信连接的采集模块1、监测模块2、预警模块4、云数据端5、图像处理模块6、危险预测模块7和紧急处理模块8；
采集模块1，用于采集堤坝的数据信息和图像信息，并将数据信息和图像信息发送至云数据端5；
云数据端5，用于根据数据信息和图像信息生成监测指令；
监测模块2，用于根据监测指令对堤坝进行实时监测，获取监测结果；还用于述堤坝的渗水点进行标记，获取标记位置；将监测结果和标记位置发送至云数据端5；
云数据端5，还用于根据标记位置对渗水点进行定位并生成预警指令；
预警模块4，用于根据预警指令发出预警信号并进行预警提示；
云数据端5，还用于传输、分析、处理并存储各模块数据；
图像处理模块6，用于对图像信息进行图像处理并输出处理结果图；
危险预测模块7，用于根据处理结果图构建危险预测模型；
紧急处理模块8，用于根据风险评估结果和标记位置对堤坝进行紧急处理；
其中，数据信息包括堤坝信息、环境信息和水流信息；
其中，预警信号的预警信号等级由低到高依次包括：蓝色预警/Ⅳ级预警、黄色预警/Ⅲ级预警、橙色预警/Ⅱ级预警以及红色预警/Ⅰ级预警；
其中，危险预测模型与预警信号等级关联，用于对渗水点进行预测，并对其危险等级进行评估，获取风险评估结果。
具体地，在本发明系统中，采集模块1会采集堤坝的相关信息，包括但不限于数据信息和图像信息。当采集到堤坝信息后会将其发送至云数据端5，云数据端5根据数据信息和图像信息生成用于监测堤坝的监测指令。紧接着监测模块2会根据监测指令对堤坝进行实时监测并获得监测结果，并将监测过程中发现的堤坝渗水点进行标记，记录下标记位置，然后将监测结果和标记位置发送至云数据端5；紧接着云数据端5根据标记位置对渗水点进行定位并生成预警指令，可以根据该预警指令发出预警信号并进行预警提示，使得相关工作人员可以尽快对堤坝渗水点进行及时处理。在本申请实施例中，云数据端5还可以传输、分析、处理并存储系统各模块数据。
具体地，本发明通过对堤坝的相关数据信息进行采集和分析，获取到堤坝实时的现场信息，再通过云数据端5生成相关操作指令控制堤坝附近的监控设备进行实时监控，使得云数据端5可以掌握堤坝的实时状态，从而便于工作人员根据实际情况和需要对堤坝进行处理。
并且在本实施例中，数据信息包括堤坝信息、环境信息和水流信息。具体地，堤坝信息主要包括堤坝静态信息和堤坝动态信息；其中，堤坝静态信息包括但不限于：堤坝的形状、堤坝的结构、堤坝建设时间、堤坝建筑用材、堤坝尺寸大小以及堤坝决堤发生次数等堤坝的基础信息；堤坝动态信息包括但不限于：位移、裂缝、渗流量和破损程度等堤坝动态变化的信息。环境信息包括当日天气、历史天气、自然灾害记录、堤坝周围环境、土壤湿度以及堤坝是否存在蚁穴等；水流信息包括上下游水位信息、历史水位、上下游水量、水流以及水流冲击压力等。堤坝的上述数据信息主要用作堤坝发生决堤情况的参考，这些信息综合起来可以判断堤坝是否存在决堤风险。
而在本实施例中，预警信号的等级由低到高依次包括：蓝色预警/Ⅳ级预警、黄色预警/Ⅲ级预警、橙色预警/Ⅱ级预警以及红色预警/Ⅰ级预警。具体地，预警信号依据堤坝渗水点的具体情况以及发生决堤的风险系数被分为多个不同的等级，用以根据不同等级对堤坝进行不同程度的处理。蓝色预警/Ⅳ级预警表示监测到的堤坝渗水点有将要产生裂缝/漏洞/管涌的迹象，风险较低，可以继续观察，但需要持续进行关注；黄色预警/Ⅲ级预警表示堤坝渗水点已经产生微小的裂缝/漏洞/管涌，具有一定发生决堤的风险，需要进行及时处理，防止裂缝/漏洞/管涌持续扩大；橙色预警/Ⅱ级预警表示堤坝渗水点已经开始大范围渗水，裂缝/漏洞/管涌持续扩大，决堤风险持续上升，需要相关工作人员在短时间内进行紧急处理，否则堤坝将会决堤，造成重大影响；红色预警/Ⅰ级预警表示堤坝已经决堤，风险变为最高，堤坝上游蓄水开始顺着决堤点泄出，预示着此时需要立刻进行处理，疏散下游相关民众并开始渗水点的封堵工作。
具体地，本发明将预警信号的等级由低到高划分为：蓝色预警/Ⅳ级预警、黄色预警/Ⅲ级预警、橙色预警/Ⅱ级预警以及红色预警/Ⅰ级预警分级，并将预警信号与危险预测模型关联在一起，为危险预测模型预测到的渗水点赋予不同的预警等级，有利于工作人员根据实际情况和预警等级对实际渗水点和疑似渗水点进行对应的处理，进一步提高了堤坝渗水的预警效率和准确性。
下面将对上述模块做详细说明。
进一步地，采集模块1包括数据采集单元11和图像采集单元12；
数据采集单元11，用于通过数据采集装备采集堤坝的数据信息；
图像采集单元12，用于通过摄像装备采集堤坝的图像信息；
其中，数据采集装备包括温湿度探测器、漏水检测器和流速仪；摄像装备包括高清摄像机和无人机。
具体地，在堤坝相关信息的采集过程中，本发明所采用的采集装备包括但不限于上述的温湿度探测器、漏水检测器和流速仪；其中，温湿度探测器用于检测堤坝附近的环境信息，检测堤坝附近温度和湿度是否有异常；漏水检测器主要与温湿度探测器相互配合，通过测量堤坝内部空气的绝对湿度和环境空气的绝对湿度,将两者进行对比,从而判断堤坝内部是否发生漏水；流速仪主要用于检测水的流速，因为渗水点或泄露点的水流流速会比相邻区域的快，所以可以通过流速仪检测水流的相对流速，进而判断该位置是否发生渗透和渗漏现象，也可以发现是否发生管涌。
本发明采用高清摄像机和无人机等摄像装备进行堤坝的图像信息的采集，高清摄像头安装在固定位置，而无人机通过远程控制进而可以拍摄到固定位置拍摄不到的地方，通过固定位置的高清摄像头与移动位置的无人机的相互配合，使得摄像装备可以拍摄到任意位置的堤坝图像，进一步提高了堤坝图像信息采集的准确性和完整性；同时上述摄像装备还可以用于监控堤坝，使得堤坝的监控不存在死角，全方位、大范围地提高了堤坝的安全性。
进一步地，如图2所示，监测模块2包括依次通信连接的监控单元21、检测单元22和标记单元23；
监控单元21，用于对堤坝进行实时监控，生成监控结果报告；监控结果报告包括堤坝危害因素；
检测单元22，用于根据监控结果报告采用检测手段对堤坝进行检测；
标记单元23，用于对检测出的所述渗水点进行标记，获取标记位置；
其中，监控方式包括定点监控、移动监控、交替监控和组合监控。
进一步地，检测手段包括压力检测、声音检测、裂缝检测和示踪检测；堤坝危害因素包括渗漏和管涌；渗水点包括疑似渗水点和实际渗水点。
具体地，监测模块2主要用于堤坝的监控和检测，根据监控到的堤坝信息采用相应的检测手段进行手段，并根据最后的检测结果对堤坝进行相应的处理。在监测模块2中，监控单元21会通过上述摄像装备对堤坝进行监控，摄像设备具有的上述几种特点可以保证堤坝的安全性以及处理的及时性；监控单元21会将监控结果生成监控结果报告，该报告主要包括监控到的堤坝的实时信息，以及关于堤坝的危害因素，在本实施例中，堤坝危害因素包括但不限于渗漏和管涌。总结来说，当监控单元21通过摄像装备监控到堤坝具有上述渗漏和管涌等决堤危害因素时，会将这些危害因素写进监控结果报告中，并通过后续阶段进行相应的处理。
检测单元22会根据上述监控结果报告采用相应的检测手段对堤坝进行检测，并通过标记单元23对检测出的渗水点进行标记，进而获取到标记位置；其中，堤坝的渗水点包括疑似渗水点和实际渗水点。疑似渗水点表示堤坝在该位置具有一定的渗水或决堤的风险，疑似为发生渗水的位置，但具体是否真的发生了渗水，需要通过进一步的检测和判断；而实际渗水点表示该位置已经发生了渗水，需要进行标记并尽快进行后续处理。
在本发明提供的实施例中，上述检测单元22中所采用的检测手段包括但不限于压力检测法、声音检测法、裂缝检测法和示踪检测法。
具体地，关于压力检测法，其主要用于检测堤坝内部水流对堤坝施加的压力，并结合电阻率法，可以保证水压监测具有全面性和完整性。其中，压力检测所采用的检测装置设置在堤坝内部，包括压力传感器、信号线和延时开关等；电阻率法所采用检测装置设置在堤坝外部，用于采集堤坝整体的电性数据，其包括供电电源、电缆线和电极等。在本实施例中，上述压力传感器采用适用于堤坝的投入式液位传感器。
需要说明的是，堤坝隐患由多种原因形成，如在筑建堤坝过程中存在的质量不达标或地质本身存在的缺陷却没有被发现的、部分洞穴、裂缝或人为的破坏也是形成隐患的原因之一；造成堤坝隐患的不利因素是堤坝建设或抗洪抢险时请留下的麻袋、抗洪废品等物质，此类隐患相对较易排查，隐患部位与其他无隐患部位有明显的差别，但可以通过探测技术高效寻找隐患或渗漏。
在本发明实施例中采取的电阻率法包括常规电阻率法和高密度电阻率法；其中，常规电阻率法是针对堤坝相同位置不同深浅、不同位置相同探测时电阻率的变化观察确定堤坝是否存在隐患的方法，利用电阻率法的原理，研究分析堤坝隐患处电阻线的变化，在普查堤坝隐患时，可以利用电阻率剖面法，通过总结电阻线的变化推测隐患的存在点。在堤坝隐患探测工作中，常规电阻率法所用的仪器成本低、操作简单，探测时间短，反应灵敏，又能确定工程裂缝、洞穴或堤坝薄厚不均的位置，处理起资料来比较方便。而高密度电阻率法在堤坝隐患探测中，具有采集数据丰富、精确、快速、抗干扰力强、有成像功能，在堤坝隐患数据采集中实现了自动化，大大降低了人工操作的失误。
如图3所示，压力检测法包括如下步骤：
S301，将若干压力传感器布置在堤坝内部；
S302，压力传感器将水中的液体静压转化为电信号；
S303，根据温度补偿和线性修正，将电信号转化为标准电信号；
S304，信号线接收标准电信号并将其传输至延时开关；
S305，延时开关对标准电信号的水压值与预设水压值的大小进行判断；若标准电信号的水压值小于预设水压值，则形成开路，电阻率法装置延时关闭；若标准电信号的水压值大于预设水压值，则形成通路，执行步骤S306；
S306，电阻率法装置开始运作，采集电性数据；
S307，对电性数据进行处理和分析，根据分析结果发出预警。
在上述压力检测法中，压力传感器布置在堤坝内部，可以监测大坝内部的水压变化；电阻率法装置布置在堤坝外部，可以采集堤坝整体电性数据，两者相互配合，相辅相成，相互制约，通过提供电性数据使得相关技术人员具有更多的参考；通过布置延时开关，将压力检测装置与电阻率法检测装置进行结合，使得压力检测与电性数据的采集处于可控的范围内。上述方法将两种检测方法进行结合，进一步提高了堤坝检测的准确性和全面性。
关于声音检测法，是通过设置压力传感器和水声采集器获得的实时压力数据和水声数据计算出堤坝渗漏的位置。在本实施中，水声采集器包括水听器和水下超声波传感器等。
如图4所示，声音检测法包括以下步骤：
S401，将水听器放入堤坝水中并采用压力传感器测量水听器的入水深度；
S402，水听器采集水声信号并将其进行模拟，生成模拟水声信号；
S403，将模拟水声信号进行数字化处理，变换为数字化水声信号；
S404，读取数字化水声信号并通过显示器显示；
S405，根据水声信号傅里叶变换后幅度频谱的峰值判断堤坝是否渗漏。
在本实施例中，上述声音检测法将压力检测和声音检测结合，利用压力传感器和水听器获得的实时压力数据和水声数据计算出堤坝渗漏的位置，实现了堤坝渗漏点检测的高精度和低局限性，通过声音检测贯穿性堤坝裂缝，预防了水库堤坝的溃坝风险，使得相关人员可以及时对其进行止水和防渗。
关于示踪检测法，其将示踪法与稀释浓度法相结合，通过示踪法初步确定渗漏通道，再通过稀释浓度法进一步确定渗漏部位和高程，提高了渗流探测的效率及精度。示踪检测法也可以被称为同位素检测法，借助放射性示踪剂在渗流场中不同部位的不同表现进而推断其渗流特征。
具体地，本发明通过采用压力检测、声音检测、裂缝检测和示踪检测等多种检测技术手段来检测堤坝渗水，并将两种或两种以上的检测手段进行组合，提高了堤坝渗水检测的准确性，让检测数据更加可靠，使得堤坝渗水时能够及时被处理，进一步避免了人员生命安全受到威胁，也避免了造成重大的经济损失。本发明只是列举了一部分检测法，还有如瞬变电磁法、磁感式探测技术、地电影成像技术、微重力探测技术和弹性波探测技术等。需要说明的是，本发明采用上述检测技术并结合堤坝数据信息，对堤坝的结构和可能发生渗漏的渗水点进行实时检测以及实时监控，使得堤坝的决堤风险被降到了最低，极大程度上保护了堤坝下游的人员安全。
进一步地，如图5所示，云数据端5用于统一处理数据信息，其包括依次通信连接的数据传输单元51、数据清洗单元52、数据分析单元53、数据处理单元54、数据存储单元55和指令生成单元56；
数据传输单元51，用于接收和发送数据信息；
数据清洗单元52，用于采用清洗方法对数据信息进行清洗操作；
数据分析单元53，用于采用分析方法对接收到的数据信息进行分析；
数据处理单元54，用于采用处理方法对分析后的数据信息进行处理；
数据存储单元55，用于存储处理后的数据信息；
指令生成单元56，用于生成系统指令；
其中，清洗操作包括筛选、过滤、去重和填充；
其中，清洗方法包括手动清洗和自动清洗；
其中，系统指令包括监测指令和预警指令。
进一步地，分析方法包括：关联分析法、对比分析法、聚类分析法、留存分析法、帕累托分析法和路径分析法中的一种或多种；处理方法包括：缺失数据处理、数据重采样处理、离群值处理、数据融合处理和数据降维处理中的一种或多种。需要说明的是，上述分析方法和处理方法并不限于以上列举的内容，本实施例中可以选择其中一种或多种方法对数据进行分析和处理。
具体地，本发明引入云数据端5，用于对数据进行传输、分析、处理、存储和清洗，其具有庞大的数据库和海量的存储空间，可以迅速地处理数据；云数据端5还具有生成各种操控指令的功能，通过各种指令控制相关设备进行监控、检测、定位以及预警，使得堤坝的渗水预防具有实时性，同时也极大地提高了后续工作人员的处理效率。
进一步地，如图6所示，本发明系统还包括与云数据端5通信连接的图像处理模块6，其用于对图像信息中的视频图像进行图像处理并输出处理结果图；图像处理模块6包括依次通信连接的图像变换单元61、图像增强单元62、图像复原单元63、图像识别比对单元64和图像分析单元65；
图像变换单元61，用于提取视频图像的图像特征；
图像增强单元62，用于增强视频图像的整体特性/局部特性；还用于抑制噪声，改善视频图像的图像质量；
图像复原单元63，用于对退化和失真的视频图像进行复原，输出复原图；
图像识别比对单元64，用于对复原图进行识别，并将其与视频图像进行对比，输出对比图；
图像分析单元65，用于对对比图进行分析，输出处理结果图。
具体地，本发明采用图像处理技术，通过对堤坝的相关图像信息进行采集和分析，获取到堤坝现场的实时信息；再通过图像处理技术对采集的图像进行处理和分析，得到堤坝渗水点的局部剖析图，可以通过观测实时图像信息，实现堤坝渗水点的同步监控。
进一步地，本发明系统还包括与图像处理模块6通信连接的危险预测模块7，其用于采用卷积神经网络并根据处理结果图构建危险预测模型；危险预测模型与预警信号等级关联，用于对渗水点进行预测，并对其危险等级进行评估。
具体地，本申请通过图像处理模块6输出的处理结果图构建一个危险预测模型，该模型构建成功后，将采集模块1采集到的图像信息输入该模型，该模型会对输入的图像信息进行分析和危险程度预测，输出对应的图像信息并对其危险程度作出评估，得到风险评估结果。该风险评估结果分为低风险、中风险、高风险、最高风险四个风险等级。因为渗水点包括疑似渗水点和实际渗水点，并且疑似渗水点表示此时并没有发生渗水，所以在风险评估结果中将疑似渗水点设定为低风险。又由于该危险预测模型与预警信号等级是关联在一起的，所以风险评估结果会适用于预警信号等级。具体对应关系为：低风险对应蓝色预警/Ⅳ级预警、中风险对应黄色预警/Ⅲ级预警、高风险对应橙色预警/Ⅱ级预警、最高风险对应红色预警/Ⅰ级预警。
例如：若风险评估结果为低风险，则在预警信号等级中对应于蓝色预警/Ⅳ级预警，表明此时的渗水点为疑似渗水点，其有将要产生裂缝/漏洞/管涌的迹象，风险较低，可以继续观察，但需要持续进行关注；若危险等级的评估为最高级风险，则在预警信号等级中对应于红色预警/Ⅰ级预警，表明此时渗水点为实际渗水点，并且堤坝已经决堤，风险变为最高，堤坝上游蓄水开始顺着决堤点泄出，预示着此时需要立刻进行处理。
本发明引入卷积神经网络并构建危险预测模型，利用该模型对堤坝的图像信息进行处理、分析和比对识别，通过比对分析原始图像和处理后的图像对堤坝渗水点进行预测，进而对渗水点的危险程度进行评估；卷积神经网络能够主动学习和训练，利用该方法可以准确地找到堤坝渗水点并且能够观察到每个时间节点渗水点的变化，有利于工作人员根据渗水点的渗透程度进行相应的处理；另一方面，本发明将渗水点分为实际渗水点和疑似渗水点两类，根据针对不同的类别进行对应处理。
进一步地，本申请系统还包括与危险预测模块7通信连接的紧急处理模块8，其用于根据危险等级和标记位置对堤坝进行紧急处理。上述紧急处理的手段包括但不限于漏洞封堵、蓄水引流以及人员疏散等。
具体地，在上述危险预测模块7做出预测评估结果之后，因为其具有不同的等级会产生不同的预警信号，所以与危险预测模块7通信连接的紧急处理模块8会根据上述风险评估结果的危险等级进行不同的程度的紧急处理。该紧急处理模块8在处理的时候会引入监测模块2中的标记位置，以便于工作人员可以迅速找到需要进行处理的渗水点位置。在本申请中，紧急处理模块8的一些紧急处理方式对应危险预测模块7的风险等级，工作人员可以根据不同的风险等级进行不同的紧急处理。紧急处理具体可以包括：处理方式一为：继续观察，持续进行关注；处理方式二为：及时处理，防止裂缝/漏洞/管涌持续扩大；处理方式三为：短时间内尽快处理；处理方式四为：立刻处理，疏散民众并开始封堵。需要说明的是，上述的四种处理方式并不仅限于上述内容，还可以是其他的处理方式，本申请对其内容不作具体限定。
上述紧急处理方式与风险等级对应的关系为：低风险对应处理方式一、中风险对应处理方式二、高风险对应处理方式三、最高风险对应处理方式四。例如：若风险评估结果显示为低风险，则紧急处理选择处理方式一，即：对渗水点继续观察，进行持续关注。
综上所述，本发明具有以下有益效果：
(1)本发明通过对堤坝的相关数据信息进行采集和分析，获取到堤坝实时的现场信息，再通过云数据端5生成相关操作指令控制堤坝附近的监控设备进行实时监控，使得云数据端5可以掌握堤坝的实时状态，从而便于工作人员根据实际情况和需要对堤坝进行处理。
(2)本发明采用图像处理技术，通过对堤坝的相关图像信息进行采集和分析，获取到堤坝现场的实时信息；再通过图像处理技术对采集的图像进行处理和分析，得到堤坝渗水点的局部剖析图，可以通过观测实时图像信息，实现堤坝渗水点的同步监控。
(3)本发明引入云数据端5，用于对数据进行传输、分析、处理、存储和清洗，其具有庞大的数据库和海量的存储空间，可以迅速地处理数据；云数据端5还具有生成各种操控指令的功能，通过各种指令控制相关设备进行监控、检测、定位以及预警，使得堤坝的渗水预防具有实时性，同时也极大地提高了后续工作人员的处理效率。
(4)本发明引入卷积神经网络并构建危险预测模型，利用该模型对堤坝的图像信息进行处理、分析和比对识别，通过比对分析原始图像和处理后的图像对堤坝渗水点进行预测，进而对渗水点的危险程度进行评估；卷积神经网络能够主动学习和训练，利用该方法可以准确地找到堤坝渗水点并且能够观察到每个时间节点渗水点的变化，有利于工作人员根据渗水点的渗透程度进行相应的处理；另一方面，本发明将渗水点分为实际渗水点和疑似渗水点两类，根据针对不同的类别进行对应处理。
(5)本发明将预警信号的等级由低到高划分为：蓝色预警/Ⅳ级预警、黄色预警/Ⅲ级预警、橙色预警/Ⅱ级预警以及红色预警/Ⅰ级预警分级，并将预警信号与危险预测模型关联在一起，为危险预测模型预测到的渗水点赋予不同的预警等级，有利于工作人员根据实际情况和预警等级对实际渗水点和疑似渗水点进行对应的处理，进一步提高了堤坝渗水的预警效率和准确性。
(6)本发明通过采用压力检测、声音检测、裂缝检测和示踪检测等多种检测技术手段来检测堤坝渗水，并将两种或两种以上的检测手段进行组合，提高了堤坝渗水检测的准确性，让检测数据更加可靠；上述多种检测手段结合采集到的堤坝数据信息对堤坝进行实时检测和实时监控，极大程度降低堤坝决堤风险的同时，也使得堤坝渗水时能够及时被处理，进一步避免了人员生命安全受到威胁，也避免了造成重大的经济损失。
实施例2
如图7所示，本发明提供一种堤坝渗水预警方法，包括以下步骤：
S1，采集堤坝的数据信息和图像信息，并将所述数据信息和所述图像信息发送至云数据端；
S2，所述云数据端根据所述数据信息和所述图像信息生成监测指令；
S3，根据所述监测指令对所述堤坝进行实时监测，获取监测结果并对所述堤坝的渗水点进行标记，获取标记位置；
S4，将所述监测结果和所述标记位置发送至所述云数据端；
S5，根据所述标记位置对所述渗水点进行定位并生成预警指令；
S6，根据所述预警指令发出预警信号并进行预警提示；
S7，对所述图像信息进行图像处理并输出处理结果图；
S8，根据所述处理结果图构建危险预测模型；
S9，根据所述危险预测模型对所述渗水点进行预测，并对其危险程度进行评估，获取风险评估结果；
S10，根据所述风险评估结果对所述渗水点进行紧急处理。
其中，所述预警信号被划分为若干预警信号等级，并将所述危险预测模型与所述预警信号等级进行关联。
具体地，首先采集堤坝的数据信息和图像信息，并将其发送至云数据端，云数据端根据上述信息生成监测指令；紧接着，根据监测指令对堤坝进行实时监测，生成监测结果报告的同时对监测到的渗水点进行标记并获得标记位置；紧接着，云数据端根据标记位置对渗水点进行定位；紧接着，在定位后生成预警信号并发出预警指令；紧接着，采用卷积神经网络并输入采集到的图像信息生成堤坝的危险预测模型，对堤坝的危险程度进行评估以及对其溃堤风险进行预测评估，获取到风险评估报告，可以提前进行防治和规避以及对渗水点进行一些紧急处理；最后，根据风险评估报告采用对应的紧急处理方式对预测的堤坝渗水点进行提前处理或紧急处理。在本实施例中将危险预测模型与预警信号等级进行关联，可以进一步提高堤坝渗水点处理的及时性。
本发明通过对堤坝的相关数据信息进行采集和分析，获取到堤坝实时的现场信息，再通过云数据端生成相关操作指令控制堤坝附近的监控设备进行实时监控，使得云数据端可以掌握堤坝的实时状态，从而便于工作人员根据实际情况和需要对堤坝进行处理。
本发明采用图像处理技术，通过对堤坝的相关图像信息进行采集和分析，获取到堤坝现场的实时信息；再通过图像处理技术对采集的图像进行处理和分析，得到堤坝渗水点的局部剖析图，可以通过观测实时图像信息，实现堤坝渗水点的同步监控。
本发明引入云数据端，用于对数据进行传输、分析、处理、存储和清洗，其具有庞大的数据库和海量的存储空间，可以迅速地处理数据；云数据端还具有生成各种操控指令的功能，通过各种指令控制相关设备进行监控、检测、定位以及预警，使得堤坝的渗水预防具有实时性，同时也极大地提高了后续工作人员的处理效率。
本发明引入卷积神经网络并构建危险预测模型，利用该模型对堤坝的图像信息进行处理、分析和比对识别，通过比对分析原始图像和处理后的图像对堤坝渗水点进行预测，进而对渗水点的危险程度进行评估；卷积神经网络能够主动学习和训练，利用该方法可以准确地找到堤坝渗水点并且能够观察到每个时间节点渗水点的变化，有利于工作人员根据渗水点的渗透程度进行相应的处理；另一方面，本发明将渗水点分为实际渗水点和疑似渗水点两类，根据针对不同的类别进行对应处理。
本发明将预警信号的等级由低到高划分为：蓝色预警/Ⅳ级预警、黄色预警/Ⅲ级预警、橙色预警/Ⅱ级预警以及红色预警/Ⅰ级预警分级，并将预警信号与危险预测模型关联在一起，为危险预测模型预测到的渗水点赋予不同的预警等级，有利于工作人员根据实际情况和预警等级对实际渗水点和疑似渗水点进行对应的处理，进一步提高了堤坝渗水的预警效率和准确性。
本发明通过采用压力检测、声音检测、裂缝检测和示踪检测等多种检测技术手段来检测堤坝渗水，并将两种或两种以上的检测手段进行组合，提高了堤坝渗水检测的准确性，让检测数据更加可靠；上述多种检测手段结合采集到的堤坝数据信息对堤坝进行实时检测和实时监控，极大程度降低堤坝决堤风险的同时，也使得堤坝渗水时能够及时被处理，进一步避免了人员生命安全受到威胁，也避免了造成重大的经济损失。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成。实施例中的各功能单元、模块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，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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方法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。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。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种堤坝渗水预警系统，其特征在于：包括依次通信连接的采集模块、监测模块、预警模块、云数据端、图像处理模块和危险预测模块；
所述采集模块，用于采集堤坝的数据信息和图像信息，并将所述数据信息和所述图像信息发送至所述云数据端；
所述云数据端，用于根据所述数据信息和所述图像信息生成监测指令；
所述监测模块，用于根据所述监测指令对所述堤坝进行实时监测，获取监测结果；还用于对所述堤坝的渗水点进行标记，获取标记位置；将所述监测结果和所述标记位置发送至所述云数据端；
所述云数据端，还用于根据所述标记位置对所述渗水点进行定位并生成预警指令；
所述预警模块，用于根据所述预警指令发出预警信号并进行预警提示；
所述云数据端，还用于传输、分析、处理并存储各模块数据；
所述图像处理模块，用于对所述图像信息进行图像处理并输出处理结果图；
所述危险预测模块，用于根据所述处理结果图构建危险预测模型；
其中，所述数据信息包括堤坝信息、环境信息和水流信息；
其中，所述预警信号的预警信号等级由低到高依次包括：蓝色预警/Ⅳ级预警、黄色预警/Ⅲ级预警、橙色预警/Ⅱ级预警以及红色预警/Ⅰ级预警。
2.根据权利要求1所述的一种堤坝渗水预警系统，其特征在于：所述采集模块包括数据采集单元和图像采集单元；
所述数据采集单元，用于通过数据采集装备采集所述堤坝的所述数据信息；
所述图像采集单元，用于通过摄像装备采集所述堤坝的所述图像信息；
其中，所述数据采集装备包括温湿度探测器、漏水检测器和流速仪；所述摄像装备包括高清摄像机和无人机。
3.根据权利要求1所述的一种堤坝渗水预警系统，其特征在于：所述监测模块包括依次通信连接的监控单元、检测单元和标记单元；
所述监控单元，用于对所述堤坝进行实时监控，生成监控结果报告；所述监控结果报告包括堤坝危害因素；
所述检测单元，用于根据所述监控结果报告采用检测手段对所述堤坝进行检测；
所述标记单元，用于对检测出的所述渗水点进行标记，获取标记位置；
其中，监控方式包括定点监控、移动监控、交替监控和组合监控。
4.根据权利要求3所述的一种堤坝渗水预警系统，其特征在于：所述检测手段包括压力检测法、声音检测法、裂缝检测法和示踪检测法；所述堤坝危害因素包括渗漏和管涌；所述渗水点包括疑似渗水点和实际渗水点。
5.根据权利要求1所述的一种堤坝渗水预警系统，其特征在于：所述云数据端用于统一处理所述数据信息，其包括依次通信连接的数据传输单元、数据清洗单元、数据分析单元、数据处理单元、数据存储单元和指令生成单元；
所述数据传输单元，用于接收和发送所述数据信息；
所述数据清洗单元，用于采用清洗方法对所述数据信息进行清洗操作；
所述数据分析单元，用于采用分析方法对接收到的所述数据信息进行分析；
所述数据处理单元，用于采用处理方法对分析后的所述数据信息进行处理；
所述数据存储单元，用于存储处理后的所述数据信息；
所述指令生成单元，用于生成系统指令；
其中，所述清洗操作包括筛选、过滤、去重和填充；
其中，所述清洗方法包括手动清洗和自动清洗；
其中，所述系统指令包括监测指令和预警指令。
6.根据权利要求5所述的一种堤坝渗水预警系统，其特征在于：所述分析方法包括：关联分析法、对比分析法、聚类分析法、留存分析法、帕累托分析法和路径分析法中的一种或多种；
所述处理方法包括：缺失数据处理、数据重采样处理、离群值处理、数据融合处理和数据降维处理中的一种或多种。
7.根据权利要求1所述的一种堤坝渗水预警系统，其特征在于：所述图像处理模块包括依次通信连接的图像变换单元、图像增强单元、图像复原单元、图像识别比对单元和图像分析单元；
所述图像变换单元，用于提取所述视频图像的图像特征；
所述图像增强单元，用于增强所述视频图像的整体特性/局部特性；还用于抑制噪声，改善所述视频图像的图像质量；
所述图像复原单元，用于对退化和失真的所述视频图像进行复原，输出复原图；
所述图像识别比对单元，用于对所述复原图进行识别，并将其与所述视频图像进行对比，输出对比图；
所述图像分析单元，用于对所述对比图进行分析，输出所述处理结果图。
8.根据权利要求1所述的一种堤坝渗水预警系统，其特征在于：所述危险预测模块采用卷积神经网络构建所述危险预测模型；所述危险预测模型与所述预警信号等级关联，用于对所述渗水点进行预测，并对其危险等级进行评估，获取风险评估结果。
9.根据权利要求8所述的一种堤坝渗水预警系统，其特征在于：还包括与所述危险预测模块通信连接的紧急处理模块，其用于根据所述风险评估结果和所述标记位置对所述堤坝进行紧急处理。
10.一种堤坝渗水预警方法，其特征在于：包括以下步骤：
S1，采集堤坝的数据信息和图像信息，并将所述数据信息和所述图像信息发送至云数据端；
S2，所述云数据端根据所述数据信息和所述图像信息生成监测指令；
S3，根据所述监测指令对所述堤坝进行实时监测，获取监测结果并对所述堤坝的渗水点进行标记，获取标记位置；
S4，将所述监测结果和所述标记位置发送至所述云数据端；
S5，根据所述标记位置对所述渗水点进行定位并生成预警指令；
S6，根据所述预警指令发出预警信号并进行预警提示；
S7，对所述图像信息进行图像处理并输出处理结果图；
S8，根据所述处理结果图构建危险预测模型；
S9，根据所述危险预测模型对所述渗水点进行预测，并对其危险程度进行评估，获取风险评估结果；
S10，根据所述风险评估结果对所述渗水点进行紧急处理。
其中，所述预警信号被划分为若干预警信号等级，并将所述危险预测模型与所述预警信号等级进行关联。
CN202310598881.0A 2023-05-25 2023-05-25 一种堤坝渗水预警系统及方法 Pending CN116625588A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310598881.0A CN116625588A (zh) 2023-05-25 2023-05-25 一种堤坝渗水预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310598881.0A CN116625588A (zh) 2023-05-25 2023-05-25 一种堤坝渗水预警系统及方法

Publications (1)

Publication Number Publication Date
CN116625588A true CN116625588A (zh) 2023-08-22

Family

ID=87602169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310598881.0A Pending CN116625588A (zh) 2023-05-25 2023-05-25 一种堤坝渗水预警系统及方法

Country Status (1)

Country Link
CN (1) CN116625588A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688659A (zh) * 2024-02-04 2024-03-12 四川省内江水利电力勘察设计院有限公司 水库大坝的深厚覆盖层坝基防渗墙的渗漏风险预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688659A (zh) * 2024-02-04 2024-03-12 四川省内江水利电力勘察设计院有限公司 水库大坝的深厚覆盖层坝基防渗墙的渗漏风险预测方法
CN117688659B (zh) * 2024-02-04 2024-04-12 四川省内江水利电力勘察设计院有限公司 水库大坝的深厚覆盖层坝基防渗墙的渗漏风险预测方法

Similar Documents

Publication Publication Date Title
CN111006137B (zh) 一种供水管线漏损监测与泄漏定位方法及系统
CN201561826U (zh) 基于应变的高风险区管道本体应力监测系统
CN111561974A (zh) 一种桥梁冲刷多源监测系统及其监测方法、冲深评定方法
CN108412547B (zh) 一种承压断层活化突水多场信息协同监测临突预报方法及监测系统
Beck et al. Thermal monitoring of embankment dams by fiber optics
CN108755898B (zh) 一种分析地下管网地下水渗入和管道污水渗出分布的方法
CN116625588A (zh) 一种堤坝渗水预警系统及方法
CN210464550U (zh) 一种河道清淤工程的监测系统
US11645842B2 (en) Method for tracing pollution at drainage outlet of culvert
CN109297658A (zh) 一种测试盾构管片防水密封垫密封性能的方法
CN108317948A (zh) 阻值机敏格栅地基位移测试系统及方法
CN105574663A (zh) 基于海底电缆保护的船舶外力破坏风险评估方法
CN112900504B (zh) 一种基坑止水帷幕渗漏水识别方法和系统
Simm et al. Interpreting sensor measurements in dikes-experiences from UrbanFlood pilot sites
CN108166547A (zh) 阻值机敏格栅地基沉降测试系统及方法
Zhu et al. Seepage and settlement monitoring for earth embankment dams using fully distributed sensing along optical fibers
Moya et al. Alternative geohazard risk assessment and monitoring for pipelines with limited access: Amazon jungle example
Krebs et al. Development of a sensor-based dike monitoring system for coastal dikes
CN102829987A (zh) 一种测量海洋平台冰荷载的方法
CN111257925B (zh) 一种地震预警系统
JP2004205467A (ja) 構造物の被災度推定方法および構造物の被災度推定表示方法
EP2965124A1 (en) A system and method for evaluating a dam state
CN210487976U (zh) 地下空间工程渗漏声纳检测装置
Michalis et al. Current practices and future directions of monitoring systems for the assessment of geomorphological conditions at bridge infrastructure
CN207963759U (zh) 阻值机敏格栅地基位移测试系统

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