CN116665422B - 一种公路边坡落石风险监测预警系统 - Google Patents

一种公路边坡落石风险监测预警系统 Download PDF

Info

Publication number
CN116665422B
CN116665422B CN202310613844.2A CN202310613844A CN116665422B CN 116665422 B CN116665422 B CN 116665422B CN 202310613844 A CN202310613844 A CN 202310613844A CN 116665422 B CN116665422 B CN 116665422B
Authority
CN
China
Prior art keywords
module
early warning
falling
monitoring
sound image
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
Application number
CN202310613844.2A
Other languages
English (en)
Other versions
CN116665422A (zh
Inventor
米德才
陈川
唐正辉
刘先林
罗安民
匡波
叶琼瑶
蒋小权
李明智
李开洋
邵羽
李弈杉
胡卫军
韩琳琳
刘富
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.)
Guangxi Communications Design Group Co Ltd
Original Assignee
Guangxi Communications Design Group 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 Guangxi Communications Design Group Co Ltd filed Critical Guangxi Communications Design Group Co Ltd
Priority to CN202310613844.2A priority Critical patent/CN116665422B/zh
Publication of CN116665422A publication Critical patent/CN116665422A/zh
Application granted granted Critical
Publication of CN116665422B publication Critical patent/CN116665422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/30—Noise handling
    • G01V2210/32—Noise reduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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
    • 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

Abstract

本申请公开了一种公路边坡落石风险监测预警系统，包括：落石类型与特征提取模块、声像处理模块、落石灾变声像协同感知模块和智能监测预警模块；落石类型与特征提取模块用于收集公路边坡落石灾变的类型和特征；声像处理模块用于采集声像原始数据并进行降噪与增强处理；落石灾变声像协同感知模块用于实现落石灾变的灾变点定位及稳定性分析评价；智能监测预警模块用于监测是否出现边坡落石灾变并对灾变进行预警。本申请对溶蚀型边坡进行研究与监测预警，保障公路建设过程及后期安全。

Description

一种公路边坡落石风险监测预警系统
技术领域
本申请属于公路交通安全技术领域，具体涉及一种公路边坡落石风险监测预警系统。
背景技术
边坡危岩灾变破坏一般分为岩质崩塌、土质崩塌和混合型崩塌，其最显著的特点是突发性。危岩瞬时崩塌破坏在岩土工程界最为常见，但在监测中成功预警的实例却十分罕见。灾变破坏过程中静力学指标有明显变化且与其发生时刻有较大的时间差，通过不同尺度的时变模型，可识别破坏实现预警，这种方法常在土质滑坡或泥石流等塑性破坏灾害的早期预警方面可以发挥一定作用，但是两者之间充要条件以及预警时效性、正确率和准确性有待进一步商榷，比如一些边坡岩体因弹性或塑性变形引起位移大幅度变化，但灾害却不一定发生；而危岩往往看似危险确有很强的稳定性，看似稳定的岩体却时常又发生滑落。因此，基于“静力学指标”监测预警思路来研究危岩灾变不具有明显的适用性与针对性，而以“环境量”指标的监测预警，虽然可以识别其风险，但是预警的科学性和准确率存在一定不足。
以“静力学指标”或“环境量”为参数的监测手段通常采用“点线”接触式现场布点方式，以点代线或以面代体，若远离灾变失稳区域，测点监测结果并不明显，若要覆盖灾变失稳区域，则需增加测点，成本大幅度翻倍。
发明内容
本申请提出了一种公路边坡落石风险监测预警系统，本申请解决了公路路域溶蚀型边坡危岩体灾变声像演化规律及机理，实现公路路域溶蚀型边坡危岩体灾变声像协同定位、融合评估分析及预判。包括：落石类型与特征提取模块、声像处理模块、落石灾变声像协同感知模块和智能监测预警模块；
所述落石类型与特征提取模块用于收集公路边坡落石灾变的类型和特征；
所述声像处理模块用于采集声像原始数据并进行降噪与增强处理；
所述落石灾变声像协同感知模块基于公路边坡落石灾变的类型、特征和降噪与增强处理后的声像数据实现落石灾变的灾变点定位及稳定性分析评价；
所述智能监测预警模块基于灾变点定位及稳定性分析评价监测是否出现边坡落石灾变并对灾变进行预警。
可选的，所述落石类型与特征提取模块包括危岩体类型子模块和特征提取子模块；
所述危岩体类型子模块用于获得公路路域溶蚀型边坡危岩体灾变结构类型；
所述特征提取子模块用于获取危岩的运动特征、分布特征和发育特征。
可选的，所述声像处理模块包括声像原始数据获取子模块、声像降噪处理子模块和声像增强处理子模块；
所述声像原始数据获取子模块用于采集震源位置、传感器布设位置和岩体结构测定的声学信息与坡表在不同场景下的图像数据；
所述声像降噪处理子模块用于对所述声学信息与图像数据进行降噪处理；
所述声像增强处理子模块用于对所述图像数据的图像细节进行增强处理。
可选的，对声学信息进行降噪处理的过程包括：
对声学信息进行多源信号分解消除背景噪声；
利用变分模态分解和独立成分分析对消除背景噪声后的声学信息进行模态分解与分析，完成降噪处理。
可选的，所述对图像数据进行降噪处理的方法包括：
使用双边滤波算法对所述图像数据进行滤波降噪处理，降低边缘模糊的负面效应。
可选的，对所述图像数据的图像细节进行增强处理的方法包括：
使用Retinex算法锐化图像边缘、轮廓和增强比对度。
可选的，所述落石灾变声像协同感知模块包括单元划分子模块、协同定位子模块和灾变协同分析子模块；
所述单元划分子模块基于危岩体灾变结构类型，对岩体结构进行网格单元划分；
所述协同定位子模块基于机器视觉的公路边坡危岩灾变识别技术与网格单元划分，利用边坡灾变过程中局部或整体的振动和移动特性，一机器视觉靶标为地址稳定性标记，通过设计实现靶标图像的定位与图像内位移分析，结合详见坐标系与世界坐标系之间的转换关系实现声像协同定位；
所述灾变协同分析子模块通过对微震数据处理分析，得到微震活动参数；
将微震活动参数进行结合并分析运营过程中公路边坡危岩稳定性的变化情况。
可选的，所述智能监测预警模块包括预警等级划分子模块、监测预警子模块、结构评估子模块和数据可视化子模块；
所述预警等级划分子模块基于声像协同定位与公路边坡危岩稳定性的变化情况对崩塌预警进行分级；
所述监测预警子模块用于对公路边坡危岩进行监测，获取监测数据，将所述监测数据与预警等级的阈值进行比对并进行预警；
所述结构评估子模块基于所述落石灾变声像协同感知模块得到的公路边坡危岩稳定性的变化情况进行评估；
所述数据可视化子模块用于对监测预警子模块的结果与结构评估子模块的结果进行显示。
与现有技术相比，本申请的有益效果为：
本申请分析微震事件在时空上的分布规律，对边坡在运营过程汇总的微震活动中的微震活动情况进行实时监测，并结合微震信号特征变化规律对公路边坡危岩灾害进行预测预警，提供一种多维度、高时效及高准确性预测预警，为公路驾乘人员充分的避险时间，为管理部门提供发生时间、发生地点，避免历时太久无法起到预警与交通管制，具有重要意义。
附图说明
为了更清楚地说明本申请的技术方案，下面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是本申请的一些实施例，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他的附图。
图1为本申请实施例一种公路边坡落石风险监测预警系统的系统结构图；
图2为本申请实施例一种公路边坡落石风险监测预警系统的图像位移分析流程图；
图3为本申请实施例一种公路边坡落石风险监测预警系统的通过kd树搜索目标点S的最近临点。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为使本申请的上述目的、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申请作进一步详细的说明。
实施例一
在本实施例中，如图1所示，一种公路边坡落石风险监测预警系统，包括：落石类型与特征提取模块、声像处理模块、落石灾变声像协同感知模块和智能监测预警模块；
所述落石类型与特征提取模块用于收集公路边坡落石灾变的类型和特征；
落石类型与特征提取模块包括危岩体类型子模块和特征提取子模块；
所述危岩体类型子模块用于获得公路路域溶蚀型边坡危岩体灾变结构类型；
所述特征提取子模块用于获取危岩的运动特征、分布特征和发育特征。
所述声像处理模块用于采集声像原始数据并进行降噪与增强处理；
声像处理模块包括声像原始数据获取子模块、声像降噪处理子模块和声像增强处理子模块；
所述声像原始数据获取子模块用于采集震源位置、传感器布设位置和岩体结构测定的声学信息与坡表在不同场景下的图像数据；
所述声像降噪处理子模块用于对所述声学信息与图像数据进行降噪处理；
所述声像增强处理子模块用于对所述图像数据的图像细节进行增强处理。
对声学信息进行降噪处理的过程包括：
对声学信息进行多源信号分解消除背景噪声；
利用变分模态分解和独立成分分析对消除背景噪声后的声学信息进行模态分解与分析，完成降噪处理。
对图像数据进行降噪处理的方法包括：
使用双边滤波算法对所述图像数据进行滤波降噪处理，降低边缘模糊的负面效应。
对所述图像数据的图像细节进行增强处理的方法包括：
使用Retinex算法锐化图像边缘、轮廓和增强比对度。
所述落石灾变声像协同感知模块基于公路边坡落石灾变的类型、特征和降噪与增强处理后的声像数据实现落石灾变的灾变点定位及稳定性分析评价；
落石灾变声像协同感知模块包括单元划分子模块、协同定位子模块和灾变协同分析子模块；
所述单元划分子模块基于危岩体灾变结构类型，对岩体结构进行网格单元划分；
所述协同定位子模块基于机器视觉的公路边坡危岩灾变识别技术与网格单元划分，利用边坡灾变过程中局部或整体的振动和移动特性，机器视觉靶标为地址稳定性标记，通过设计实现靶标图像的定位与图像内位移分析，结合详见坐标系与世界坐标系之间的转换关系实现声像协同定位；
如图2所示，所述灾变协同分析子模块对微震数据进行处理与分析，得到微震活动参数；
①微震事件的数量
微震事件密度与微震聚集程度之间的联系为：微震聚集程度越高，围岩破裂次数越多，围岩越不稳定；根据以上微震事件与微震聚集程度之间的联系可以得到微震密度与微震事件间距之间的关系，即微震密度越大，微震事件间距越小。微震事件密度可按下式计算：
其中，dij表示的是微震事件xi与xj之间的距离。dij小的时候，说明两个微震事件间的距离变小，距离变小表现为微震事件逐渐聚拢，由于微震事件实际上是岩体内发生了微破裂，因此当dij减小时，岩体内裂隙贯通为大裂隙的可能性会增大，公路边坡危岩在施工扰动的情况下很可能发生失稳破坏。
②微震事件能量
微震能量密度表示的是区域围岩微震能量在空间上的分布释放程度，结合微震事件密度，判断围岩稳定性更直观有效。微震能量密度可表示为：
Ed＝E/VA
其中，E表示震源体微震能量，VA表示视体积。
③b值
b值是数量比率的统计度量，主要针对小事件与大事件，b值也随着中事件和大事件部分的增加而减小。b值与岩体的非均质性、刚度呈正相关。当事假载荷时岩体抵抗而引起的变形能力为刚度，刚度与外加应力与诱导应变之比成正比例。在硬岩中可以观察到较高的b值。但这些观察结果与应变硬化过程中随着应力增加而b值减小这一规律并不相矛盾。然而，当应变软化时，强度与应变力会降低，b值较低。因此b值可以作为一个预测岩体失稳破坏的指标。
基于视觉测量的靶标位移分析：以图像追踪获取被测目标的像素位移为基础，根据相机的内外参数矩阵或者图像间的单应性矩阵，将标靶在图像域位移转换为现实三维世界中的实际位移。DIC提取的特征为某点周围区域灰度分布，在变形图像中匹配和查询该点的新位置来计算该点的位置移动，利用数字图像相关方法计算滑坡位移场时，首先需要针对山体滑坡图像的特有特征进行处理，然后进行图像相关计算求解位移场。通过图像内位移分析可以获得标靶在图像中的位移信息，而标靶的实际位移还需要通过图像坐标与世界坐标的转换才能获取。
将微震活动参数进行结合并分析运营过程中公路边坡危岩稳定性的变化情况。
所述智能监测预警模块基于灾变点定位及稳定性分析评价监测是否出现边坡落石灾变并对灾变进行预警。
智能监测预警模块包括预警等级划分子模块、监测预警子模块、结构评估子模块和数据可视化子模块；
所述预警等级划分子模块基于声像协同定位与公路边坡危岩稳定性的变化情况对崩塌预警进行分级；
所述监测预警子模块用于对公路边坡危岩进行监测，获取监测数据，将所述监测数据与预警等级的阈值进行比对并进行预警；
所述结构评估子模块基于所述落石灾变声像协同感知模块得到的公路边坡危岩稳定性的变化情况进行评估；
所述数据可视化子模块用于对监测预警子模块的结果与结构评估子模块的结果进行显示。
实施例二
在本实施例中，针对溶蚀型危岩体进行系统调研、排查和信息收集，调查主要内容包括确定危岩的集合形态以及边界条件、查明危岩的形成条件、根据危岩发育特征进行分类以及分析潜在的失稳方式、失稳危岩潜在的运动轨迹以及可能造成的伤害。
常规危岩体灾变模式分为压剪滑移式、拉剪倾倒式、压剪坠落式、拉裂坠落式以及孤立式危岩五个基本类别。从危岩失稳运动模式角度出发，结合危岩自身发育分布特征进行梳理。
落石类型与特征提取模块用于对落石进行分类并计算崩塌落石特征的合成特征综合置信度。
监测崩落石的外部形态特征数据，其中，外部形态特征数据包括但不限于落石截面尺寸、运动范围和瞬时速度等。采用激光红外扫描装置来监测落石的截面尺寸，可以在夜间和恶劣天气下有效工作；根据外部特征数据计算外部形态特征置信度；
检测崩落石的危岩种类、危岩大小、危岩孔隙度和危岩密度等特征数据，并计算内部形态特征置信度；
在落石滚落轨迹中的不同位置检测冲击波，并记录冲击波能量、频率成分、持续时间和到达时间。
根据冲击波能量、频率成分、持续时间等特征确定振动源的振动特征置信度；将检测到的外部形态特征置信度和内部形态特征置信度与振动特征置信度在时空域约束下进行匹配，根据匹配结果计算负荷崩落石特性的合成特征综合置信度。
但是，对于公路边坡危岩而言，公路路域的环境较为复杂，需要考虑微震事件、雾气、水汽、噪声等多种参数。
在本申请中，对爆破作业、岩体震动和外界干扰进行信号提取，利用速度计与加速度计采集的速度细腻与提取的信号进行台网分析，对信号进行调理后进行波形提取，将采集的爆破作业和岩体振动的数据进行处理，对信号与数据后的数据进行干扰剔除，得到微震监测的结果。
本实施例中，微震监测基于同一时基下的微震事件时间、空间的分布情况，而同一时基的建立是通过对传感器采集数据标记时间戳的方式实现。
为保证图像分析的全天候性能，面向危岩崩塌监测多处于多雾气、多水气、市电无法到达的野外环境，通过选用合适的监控设备可以有效的提高图像监控质量，同时也要保证低功耗。通过对各种监控设备的调研与分析，对比了星光级摄像机、红外摄像机，本项目拟选择夜视性能更加强大的红外阵列补光的400W像素红外摄像机，最大分辨率达2560×1440，整机功耗小于15瓦。除定焦距的摄像机监测边坡外，还选用了一款变焦距的球机，如下图所示，可对有特征点的区域进行重点监测，同时该球机具有定点巡查功能，对测点进行更进一步的精细监测，尽早发现事故发生。
声像处理模块用于采集声像原始数据并进行降噪与增强处理。
对危岩体在不同震源、混合震源下的原始微震信号进行采样，根据震源位置、传感器布设位置和岩体结构测定声学参数。与此同时，采集坡表在不同场景下的图像数据。现场试验尽可能地保留声像原始数据，增加后期处理结果的可靠性。
1、微震信号降噪与识别：
(1)多源信号分解
利用变分模态分解(Variational Mode Decomposition，VMD)和独立成分分析(Independent Component Analysis，ICA)结合起来处理微震事件中的波形信号。利用VMD对微震波形信号进行分解；分解后的一些模态分量中还会存在一些噪声，但是如果直接舍弃这些存在噪声的模态分量的话，会失去一部分有用的信号。本申请采用ICA方法将混合信号分离，分离成相互独立的信号，从独立信号中提取能反应微震事件特征的信号，将该信号与之前的经过VMD分解后的有用信号进行相加，得到VMD-ICA降噪信号。
VMD可以将待分解信号分解成一定带宽的不同频率的固有模态分量。VMD模态分量均为调幅-调频信号，即：
其中uk(t)为第k个模态分量；Ak(t)为uk(t)在t时刻的幅值；为uk(t)在t时刻的相位。
待分解信号为各模态分量的总和，在条件约束下计算几个模态的带宽总和最小的情况下的分解模式，采用拉格朗日方程求解该变分模型。
其中，wk是uk的频率中心；δ(t)是狄拉克函数；α是惩罚因子；λ(t)是拉格朗日乘法算子。
独立成分分析ICA基于多个源信号的混合信号分析，利用混合信号的高阶统计特性分析估计后得到相互独立的信号，这些信号就是对源信号的近似。假设M个观测信号X＝[x1,x2,...,xM]由N个独立信号S＝[s1,s2,...,sN]线性组合而成，即
X＝AS
其中，A为M×N阶矩阵，M≥N。
ICA通过观测矩阵X找到分离矩阵W，使得矩阵Y＝WX的分量yi尽可能的相互独立，可得到yi为源信号的独立分量：分离混合信号的主要步骤为：
对混合信号进行中心化和白化，得到均值为0的混合信号；根据均值为0的混合信号得到标准化后的数据z；
设置独立成分的个数N和收敛阀值ε；
令分离矩阵W＝[w1,w2,...,wM]T，对wi初始化，使的模为1；
更新其中g(y)＝tanh(y)，
对矩阵W实施正交化处理，W←(WWT)-1/2W；
判断W是否收敛，若1-min{abs[diagW(k+1)+W(k)]}小于收敛阀值ε，则W为分离矩阵；反之，则继续重复步骤3至步骤6。
由公式Y＝WX求取独立分量。
利用VMD分解应力波形信号，生成不同频率的几个模态分量，一般最后几个模态分量是可以直接剔除的高频噪声，但是，针对中间部分的模态分量，需要通过ICA对混合信号进行分离去掉背景噪声，再将分离出的有用信号与经过VMD分解保留下来的信号相加，得到经过背景噪声消除的应力波信号。
(2)应力波特征提取与微震信号识别
选取信号峰度系数、信号过零率、信号的信噪比、小波包系数香农熵和小波包系数能量比。从不同方面更全面的提取特征，从而筛选出真正的微震信号。
2、图像降噪及增强处理
(1)基于双边滤波算法的图像噪声抑制
针对环境噪声、设备噪声、摄像头抖动导致的图像模糊以及弱光条件下图像噪点多等问题，拟采用双边滤波算法对图像进行滤波处理，该算法在去除噪声的同时能保护图像的细节，并且对比传统的滤波算法，双边滤波算法不仅能有效的去除噪声，更能保护图像边缘细节，降低了边缘模糊的负面效应。下图为采用双边滤波算法对图像滤波的效果对比。
(2)基于Retinex算法的图像细节增强
针对图像采集过程中面临的雨、雾等气候因素导致图像光照不均、光照不佳，使得图像模糊不清等问题，需要对图像进行细节增强处理，以锐化图像边缘、轮廓以及增强对比度，实现改善图像的质量提升，有助于后续识别任务。本项目拟采用Retinex增强算法来降低光照不佳，存在雾气情况下的图像，下图为采用Retinex算法增强的图像。
所述单元划分子模块基于危岩体灾变结构类型，对岩体结构进行网格单元划分；岩体结构包括块状、层状、碎裂状与散体结构等。划分规则为：(1)根据基本类型对边坡分区；(2)根据既有结构面对边坡进行粗略网格划分；(3)结合分区和结构面空间分布对坡面进行网格细化分布，尽量保持划分单元大小一致；(4)边坡横断面在基于各岩层走向基础上，尽量采用竖向线进行网格划分，尽量保持划分单元大小一致。
所述协同定位子模块基于机器视觉的公路边坡危岩灾变识别技术与网格单元划分，利用边坡灾变过程中局部或整体的振动和移动特性，一机器视觉靶标为地址稳定性标记，通过设计实现靶标图像的定位与图像内位移分析，结合详见坐标系与世界坐标系之间的转换关系实现声像协同定位；
基于高维搜索方法对微震进行定位；
建立一个微震震源数据库；利用PCA降维方法对数据库进行降维，对降维后的数据库进行建树和搜索，构建根结点，根据不同维度构造特征空间，构建的kd树包含所有微震事件，该方法可以避免冗余，提高对微震数据处理的效率，如图3所示。
在数据集T＝{A,B,C,D,E,F}中搜索s点。从根结点开始查询S点的叶子结点与相对应的矩阵形区域，从根节点向下比较，当查询点S在当前维的坐标小于分裂节点的坐标时，从该点向左侧子节点开始查询，当查询点S在当前维的坐标大于分裂节点的坐标时，从该向右侧子节点开始查询。重复上述操作到搜索到叶子结点E，设置搜索到的叶子结点为当前最近点，S与E的距离为最近。
设点S为球心，S与E之前的距离为求半径，在超矩形区域里搜索与超球体相交部分，当搜索到相交部分时，计算相交点F与点S之间的距离，若比S与E的距离更近，则更新当前最近点。重复上述操作，直至没有距离更近的相交点，找到最新的当前最近点。
建立好k维树后，如果输入一个查询数据就可以进行搜索。首先从根结点开始，比较输入数据中和当前维相同维度上的采样点数值，如果大于该分裂节点，就说明与输入数据的相似点应该在分裂结点的右边；同理，如果小于分裂结点，就说明相似点在分裂结点的左边。用同样的方式继续向下搜索，直到达到叶子结点。在找到叶子节点之后，为了防止在相邻的结点区域里有更近的距离还要向上进行搜索，也就是回到这个叶子结点的父结点进行搜索，与父结点另一侧的数据进行比较，在这个过程中把当前距离目标最近的点，记录下来，如果在搜索比较的过程中发现了最近的点，记录下来最近的点和距离。这个过程重复到，父结点的另一侧结点没有更近的相似点为止，最后保存搜索结果即为搜索得到的最近邻的波形。
将特征点集中的区域作为图像中待分割的靶标区域，仅对该ROI内的特征点进行相应的处理即可获得标靶的位置信息。通过直方图阈值分割法对图像进行初步分割，根据分割后的图像采用投影法来确定ROI的坐标信息。立体匹配则基于前述步骤所提取的ROI信息，借助SURF算法来实现对ROI内部特征点的匹配，最后通过视差计算获得准确的定位信息。
基于机器视觉的公路边坡危岩灾变识别技术，利用边坡灾变过程中局部或整体的震动和移动特性，以机器视觉靶标为地质稳定性标记，通过设计实现靶标图像的定位与图像内位移分析，结合相机坐标系与世界坐标系之间的转换关系，从而实现声像协同定位。
灾变协同分析子模块通过对微震数据处理分析，得到微震活动参数；
将微震活动参数进行结合并分析运营过程中公路边坡危岩稳定性的变化情况。
智能监测预警模块基于灾变点定位及稳定性分析评价监测是否出现边坡落石灾变并对灾变进行预警。
预警等级划分子模块基于声像协同定位与公路边坡危岩稳定性的变化情况对崩塌预警进行分级；预警等级划分子模块用于基于历史公路边坡危岩崩落数据进行等级划分。
监测预警子模块用于对公路边坡危岩进行监测，获取监测数据，将监测数据与预警等级的阈值进行比对并进行预警；基于监控设备获取监测数据，值得一提的是，本申请的监控设备还可以获取多个方面参数的监测数据，数据平台通过获取多个方面参数的监测数据，综合分析评估边坡变形情况及稳定性，使得监测数据更加全面。
所述结构评估子模块基于所述落石灾变声像协同感知模块得到的公路边坡危岩稳定性的变化情况进行评估；
所述数据可视化子模块用于对监测预警子模块的结果与结构评估子模块的结果进行显示。所述可视化显示包括安全评估报告与当前所处等级与注意事项。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (6)

1.一种公路边坡落石风险监测预警系统，其特征在于，包括：落石类型与特征提取模块、声像处理模块、落石灾变声像协同感知模块和智能监测预警模块；
所述落石类型与特征提取模块用于收集公路边坡落石灾变的类型和特征；
所述声像处理模块用于采集声像原始数据并进行降噪与增强处理；
所述声像处理模块包括声像原始数据获取子模块、声像降噪处理子模块和声像增强处理子模块；
所述声像原始数据获取子模块用于采集震源位置、传感器布设位置和岩体结构测定的声学信息与坡表在不同场景下的图像数据；
所述声像降噪处理子模块用于对所述声学信息与图像数据进行降噪处理；
所述声像增强处理子模块用于对所述图像数据的图像细节进行增强处理；
所述落石灾变声像协同感知模块基于公路边坡落石灾变的类型、特征和降噪与增强处理后的声像数据实现落石灾变的灾变点定位及稳定性分析评价；
所述落石灾变声像协同感知模块包括单元划分子模块、协同定位子模块和灾变协同分析子模块；
所述单元划分子模块基于危岩体灾变结构类型，对岩体结构进行网格单元划分；
所述协同定位子模块基于机器视觉的公路边坡危岩灾变识别技术与网格单元划分，利用边坡灾变过程中局部或整体的振动和移动特性，一机器视觉靶标为地址稳定性标记，通过设计实现靶标图像的定位与图像内位移分析，结合详见坐标系与世界坐标系之间的转换关系实现声像协同定位；
所述灾变协同分析子模块通过对微震数据处理分析，得到微震活动参数；
将微震活动参数进行结合并分析运营过程中公路边坡危岩稳定性的变化情况；
所述智能监测预警模块基于灾变点定位及稳定性分析评价监测是否出现边坡落石灾变并对灾变进行预警。
2.根据权利要求1所述的公路边坡落石风险监测预警系统，其特征在于，所述落石类型与特征提取模块包括危岩体类型子模块和特征提取子模块；
所述危岩体类型子模块用于获得公路路域溶蚀型边坡危岩体灾变结构类型；
所述特征提取子模块用于获取危岩的运动特征、分布特征和发育特征。
3.根据权利要求1所述的公路边坡落石风险监测预警系统，其特征在于，对声学信息进行降噪处理的过程包括：
对声学信息进行多源信号分解消除背景噪声；
利用变分模态分解和独立成分分析对消除背景噪声后的声学信息进行模态分解与分析，完成降噪处理。
4.根据权利要求1所述的公路边坡落石风险监测预警系统，其特征在于，对图像数据进行降噪处理的方法包括：
使用双边滤波算法对所述图像数据进行滤波降噪处理，降低边缘模糊的负面效应。
5.根据权利要求1所述的公路边坡落石风险监测预警系统，其特征在于，对所述图像数据的图像细节进行增强处理的方法包括：
使用Retinex算法锐化图像边缘、轮廓和增强比对度。
6.根据权利要求1所述的公路边坡落石风险监测预警系统，其特征在于，所述智能监测预警模块包括预警等级划分子模块、监测预警子模块、结构评估子模块和数据可视化子模块；
所述预警等级划分子模块基于声像协同定位与公路边坡危岩稳定性的变化情况对崩塌预警进行分级；
所述监测预警子模块用于对公路边坡危岩进行监测，获取监测数据，将所述监测数据与预警等级的阈值进行比对并进行预警；
所述结构评估子模块基于所述落石灾变声像协同感知模块得到的公路边坡危岩稳定性的变化情况进行评估；
所述数据可视化子模块用于对监测预警子模块的结果与结构评估子模块的结果进行显示。
CN202310613844.2A 2023-05-29 2023-05-29 一种公路边坡落石风险监测预警系统 Active CN116665422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310613844.2A CN116665422B (zh) 2023-05-29 2023-05-29 一种公路边坡落石风险监测预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310613844.2A CN116665422B (zh) 2023-05-29 2023-05-29 一种公路边坡落石风险监测预警系统

Publications (2)

Publication Number Publication Date
CN116665422A CN116665422A (zh) 2023-08-29
CN116665422B true CN116665422B (zh) 2024-03-29

Family

ID=87723646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310613844.2A Active CN116665422B (zh) 2023-05-29 2023-05-29 一种公路边坡落石风险监测预警系统

Country Status (1)

Country Link
CN (1) CN116665422B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1996053A (zh) * 2006-11-23 2007-07-11 浙江工业大学 基于全方位视觉的泥石流灾害检测装置
KR101580062B1 (ko) * 2014-12-05 2015-12-28 연세대학교 산학협력단 실시간 산사태 예경보 방법 및 시스템
KR101788104B1 (ko) * 2016-06-03 2017-11-15 한국과학기술원 극한 강우를 고려한 실시간 산사태 예보 및 경보 시스템 및 방법
CN107665570A (zh) * 2017-11-20 2018-02-06 水禾测绘信息技术有限公司 一种高速公路灾害监测预警系统
WO2018205123A1 (zh) * 2017-05-09 2018-11-15 深圳华博高科光电技术有限公司 滑坡体动态监控方法及系统
CN110471108A (zh) * 2019-07-15 2019-11-19 姚国专 远距离非接触式判别危岩稳定性的方法
WO2020189679A1 (ja) * 2019-03-19 2020-09-24 公立大学法人公立諏訪東京理科大学 土石流通知システム及び土石流センサ
JP2021143520A (ja) * 2020-03-12 2021-09-24 基礎地盤コンサルタンツ株式会社 災害監視装置及び災害監視方法
KR102333747B1 (ko) * 2021-09-06 2021-12-01 주식회사 솔디아 고정확도의 도로 위험상황 감지 시스템 및 방법
KR20220025390A (ko) * 2020-08-24 2022-03-03 (유)엠탑코리아 경사지의 붕괴 예경보 시스템 및 그 경사지의 보강방법
CN114743351A (zh) * 2022-04-24 2022-07-12 沈阳工业大学 一种危岩体群失稳预警监测系统
CN114910555A (zh) * 2022-04-29 2022-08-16 中国科学院、水利部成都山地灾害与环境研究所 基于差异化振动特性的交通线路岩质崩滑监测预警方法
KR102455516B1 (ko) * 2021-04-16 2022-10-14 한만재 낙석 감지장치
CN115601945A (zh) * 2022-10-18 2023-01-13 安徽理工大学（Cn） 基于落石视频监测的露天矿岩质滑坡智能预警系统及方法
JP2023034745A (ja) * 2021-08-31 2023-03-13 一般財団法人先端建設技術センター 肌落ち予測装置、機械学習装置、肌落ち予測方法、及び、機械学習方法
CN115830805A (zh) * 2022-10-24 2023-03-21 武汉大学 基于数字孪生的公路边坡监测预警系统及设备
CN116092269A (zh) * 2023-01-10 2023-05-09 广西新发展交通集团有限公司 一种隧道工程岩体灾害预警方法、装置及电子设备
CN116129612A (zh) * 2023-03-02 2023-05-16 西北大学 一种基于物联网的分布式滑坡监测预警系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1996053A (zh) * 2006-11-23 2007-07-11 浙江工业大学 基于全方位视觉的泥石流灾害检测装置
KR101580062B1 (ko) * 2014-12-05 2015-12-28 연세대학교 산학협력단 실시간 산사태 예경보 방법 및 시스템
KR101788104B1 (ko) * 2016-06-03 2017-11-15 한국과학기술원 극한 강우를 고려한 실시간 산사태 예보 및 경보 시스템 및 방법
WO2018205123A1 (zh) * 2017-05-09 2018-11-15 深圳华博高科光电技术有限公司 滑坡体动态监控方法及系统
CN107665570A (zh) * 2017-11-20 2018-02-06 水禾测绘信息技术有限公司 一种高速公路灾害监测预警系统
WO2020189679A1 (ja) * 2019-03-19 2020-09-24 公立大学法人公立諏訪東京理科大学 土石流通知システム及び土石流センサ
CN110471108A (zh) * 2019-07-15 2019-11-19 姚国专 远距离非接触式判别危岩稳定性的方法
JP2021143520A (ja) * 2020-03-12 2021-09-24 基礎地盤コンサルタンツ株式会社 災害監視装置及び災害監視方法
KR20220025390A (ko) * 2020-08-24 2022-03-03 (유)엠탑코리아 경사지의 붕괴 예경보 시스템 및 그 경사지의 보강방법
KR102455516B1 (ko) * 2021-04-16 2022-10-14 한만재 낙석 감지장치
JP2023034745A (ja) * 2021-08-31 2023-03-13 一般財団法人先端建設技術センター 肌落ち予測装置、機械学習装置、肌落ち予測方法、及び、機械学習方法
KR102333747B1 (ko) * 2021-09-06 2021-12-01 주식회사 솔디아 고정확도의 도로 위험상황 감지 시스템 및 방법
CN114743351A (zh) * 2022-04-24 2022-07-12 沈阳工业大学 一种危岩体群失稳预警监测系统
CN114910555A (zh) * 2022-04-29 2022-08-16 中国科学院、水利部成都山地灾害与环境研究所 基于差异化振动特性的交通线路岩质崩滑监测预警方法
CN115601945A (zh) * 2022-10-18 2023-01-13 安徽理工大学（Cn） 基于落石视频监测的露天矿岩质滑坡智能预警系统及方法
CN115830805A (zh) * 2022-10-24 2023-03-21 武汉大学 基于数字孪生的公路边坡监测预警系统及设备
CN116092269A (zh) * 2023-01-10 2023-05-09 广西新发展交通集团有限公司 一种隧道工程岩体灾害预警方法、装置及电子设备
CN116129612A (zh) * 2023-03-02 2023-05-16 西北大学 一种基于物联网的分布式滑坡监测预警系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
变形监测在滑坡处治中的应用;鱼安卿;西部交通科技;20220528;66-69 *
某高速公路古滑坡路段稳定性分析及防治措施研究;李晓峰;道路工程;20230328;38-41 *
边坡全维度监测技术与模型试验研究进展;程刚;高校地质学报;20230509;1-10 *
针对滑坡位移监测的数据预处理方法研究;王勇;西部交通科技;20220328;11-13 *

Also Published As

Publication number Publication date
CN116665422A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN103279957A (zh) 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法
CN105630897A (zh) 一种内容感知的地理视频多层次关联方法
CN101493943B (zh) 一种粒子滤波跟踪方法和跟踪装置
JP2015513680A (ja) ４ｄライダ・データ・セットに基づく群葉貫通
CN111429698A (zh) 一种地质灾害预警系统
CN105809954B (zh) 交通事件检测方法以及系统
CN108765453B (zh) 基于视频流数据的高速公路团雾识别方法
CN105701798A (zh) 柱状物体的点云提取方法及装置
Jeng et al. Wavelet–k nearest neighbor vehicle classification approach with inductive loop signatures
Filin Surface classification from airborne laser scanning data
Sun et al. Roads and intersections extraction from high-resolution remote sensing imagery based on tensor voting under big data environment
CN115205796B (zh) 轨道线路异物侵限监测与风险预警方法及系统
Li et al. A fast progressive TIN densification filtering algorithm for airborne LiDAR data using adjacent surface information
Joshi et al. Damage identification and assessment using image processing on post-disaster satellite imagery
CN116203537A (zh) 基于星载光子计数激光雷达的森林冠层高度提取方法
CN116665422B (zh) 一种公路边坡落石风险监测预警系统
CN113836484A (zh) 基于路径点邻近域与地面滤波的自适应点云抽稀方法
Hofmann et al. Derivation of roof types by cluster analysis in parameter spaces of airborne laserscanner point clouds
Li et al. Spilled load detection based on lightweight YOLOv4 trained with easily accessible synthetic dataset
CN116805409A (zh) 一种利用行车视频进行路面状态识别与平整性评估的方法
CN116958911A (zh) 一种面向恶劣天气下的交通监控图像目标检测方法
Arefi et al. A hierarchical procedure for segmentation and classification of airborne LIDAR images
Younis et al. Accelerated fog removal from real images for car detection
Ballinas-Hernández et al. Marked and unmarked speed bump detection for autonomous vehicles using stereo vision
CN111881233B (zh) 分布式点云地图构建方法和装置、服务器、计算机可读存储介质

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