CN116989679A - 一种基于图像处理的高速公路高边坡位移集成监测方法 - Google Patents

一种基于图像处理的高速公路高边坡位移集成监测方法 Download PDF

Info

Publication number
CN116989679A
CN116989679A CN202310959397.6A CN202310959397A CN116989679A CN 116989679 A CN116989679 A CN 116989679A CN 202310959397 A CN202310959397 A CN 202310959397A CN 116989679 A CN116989679 A CN 116989679A
Authority
CN
China
Prior art keywords
image
slope
monitoring
point
pixel
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.)
Withdrawn
Application number
CN202310959397.6A
Other languages
English (en)
Inventor
叶国永
刘旭玲
邵景干
冯忠居
尚廷东
王保林
张志远
王钰轲
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.)
Henan Communications Vocational And Technical College Henan Provincial Traffic Tv Secondary Professional School
Henan Jiaoyuan Engineering Technology Group Co ltd
Zhengzhou University of Light Industry
Original Assignee
Henan Communications Vocational And Technical College Henan Provincial Traffic Tv Secondary Professional School
Henan Jiaoyuan Engineering Technology Group Co ltd
Zhengzhou University of Light Industry
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 Henan Communications Vocational And Technical College Henan Provincial Traffic Tv Secondary Professional School, Henan Jiaoyuan Engineering Technology Group Co ltd, Zhengzhou University of Light Industry filed Critical Henan Communications Vocational And Technical College Henan Provincial Traffic Tv Secondary Professional School
Priority to CN202310959397.6A priority Critical patent/CN116989679A/zh
Publication of CN116989679A publication Critical patent/CN116989679A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • 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
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • 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
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Geology (AREA)
  • Geometry (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及响应灾难事件的报警器，公开了一种基于图像处理的高速公路高边坡位移集成监测方法，包括高边坡监测桩的安装，图像处理模块，激光测距模块，边坡稳定性预测模块和报警模块。本发明通过安装具有标识圆形的监测桩在高边坡上，利用摄像机拍摄边坡图片并进行图像处理获得中心点坐标与启动时监测到的历史数据进行对比并根据激光测距仪所测位置是否发生改变确定边坡发生位移是否需要发送警报信息警，当边坡位移不足以引起警报是通过边坡稳定性预测来对边坡稳定性进行预警并发送预警信息，具有响应及时、节省人力、监测广度高的优点。

Description

一种基于图像处理的高速公路高边坡位移集成监测方法
技术领域
本发明涉及响应灾难事件的报警器的技术领域，具体为一种基于图像处理的高速公路高边坡位移集成监测方法。
背景技术
根边坡是关系国民经济的重要工程，包括土建施工，市政工程，水利水电，道路，铁路运输和采矿等项目中均会或多或少采用的结构。这中间的大部分边坡是建设在山区城镇的大山边缘。边坡的稳定对于建设工程的建设和使用都是极为重要的。严重的山体滑坡事故不仅造成重大经济损失，还可能夺去人宝贵的生命，危害极其大。随着国民经济的快速发展，工程中边坡的应用越来越多，高度和规模也越来越大，高边坡比比皆是Ⅲ。除此之外近年来全球越来越多气候异常，异常的气候对工程边坡和自然边坡都存在巨大的威胁。
边坡灾害是一种严重威胁人类的生存和生产的灾害，边坡灾害主要指的是边坡滑坡。边坡灾害的预测和预防，是全人类的共同愿望。水利水电项目，山区道路，公路建设和地质灾害的运作中经常会遇到山体滑坡这种灾害，它也是影响道路安全，交通安全的重要因素之一。
目前在边坡安全检测领域，主要的检测手段有基于应力的检测和基于位移的检测两大类。基于应力的检测方法，如传感器法，存在专业化程度高、专业要求高等缺点；基于位移的检测方法，例如GPS检测法、人工现场检测法等，都在不同程度上存在专业化程度高、成本高、危险性等缺点。
公开号为CN107843204A的中国专利公开了一种基于监控级摄像机的边坡三维变形监测方法及系统；具体公开了：包括控制多台监控摄像机同步采集图像；通过全站仪或全球定位系统GPS对多台监控摄像机内外部参数进行标定；对多台监控摄像机采集到的图像进行像差校正；利用网络云平台实时对图像进行分析，获取边坡三维变形，回传结果显示。该方法可以通过对多台监控摄像机采集图像到的边坡三维变形进行结果回传处理，提高测量效率，提高检测的准确性，有效减少灾害的发生。
但是，该现有技术依赖于三维测绘技术，对于测绘人员的专业能力、测绘现场的光学环境、地质稳定情况的要求较高，对后续数据处理时的算力要求，以及对运算器、存储器的硬件要求也较高，设备成本较高，不易大范围推广。
公告号为CN112697050A的中国专利公开了一种基于发光体的夜间边坡位移监测系统；具体公开了：包括三个子系统：1、发光体标志物矩阵系统，发光体标志物按照九宫格方式进行编号并固定在边坡上，固定板预制为黑色方形板，与边坡形成较明显的色彩差异对比，并且防止在夜间灯光下固定板反射带来的影响；2、图像采集系统，在所监测边坡前方两侧设置两台摄像机，摄像机用于拍摄边坡与发光体标志物矩阵的图像；3、数据处理系统，与图像采集系统相连的数据处理系统通过算法识别发光体标志物的坐标以及变化，用以监测边坡位移情况，实现全自动的边坡位移情况监测，可以满足恶劣天气下的边坡监测工作。
但是，该现有技术依赖于可见光的视觉测绘技术，对测绘得到的光学像素数据缺乏有效处理，特别是缺少基于可见光滤波的处理技术，原始数据受到光影、色光反照的影响较大，对边坡危险的识别精度不高。
公开号为CN113267128A的中国专利公开了一种双目视觉自动化边坡位移监测方法；具体公开了：包括以下步骤：对监测对象边坡坡面进行实时监控；使用双目视觉技术与机器视觉手段，实时计算出边坡整体的真实位移值；，通过提前设置的警示值对其实时位移值进行评估，若是超出提前设置的警示值，那么将会触发警报器，同时也会显示到屏幕上告知给管理人员，采用了双目视觉技术与机器视觉技术结合的方法，通过拍摄图像中信息的自动化提取，构建边坡工程中坡面位移的安全状态预警系统，操作简单，提高了安全监控的效率与及时性，大大减少了安全事故发生的概率。
但是，该现有技术同样存在依赖可见光进行边坡危险识别时存在的缺乏数据处理及滤波、原始数据受到光影或色光反照的影响较大、对边坡危险的识别精度不高的技术问题，在实际应用中，误报或漏报的风险较高。
发明内容
为解决上述现有技术的高边坡监测专业化高，风险大，人力成本高的问题，本发明提供如下技术方案：一种基于图像处理的高速公路高边坡位移集成监测方法，包括以下步骤：
在高边坡各级平台安装有红色圆形监测桩；
安装监测摄像机并对摄像机进行标定；
摄像机启动时，对高边坡拍摄图片进行图像处理，获得监测桩标示圆数据并存入储存模块作为历史数据；
摄像机监测时，对高边坡拍摄图片进行图像处理，获得监测桩标示数据与历史数据对比；
若检测到的监测桩标识圆中心数据与历史数据横向位移或纵向位移超过Q1启动激光测距仪进行验证；
若检测到的监测桩标识圆中心数据与历史数据横向位移或纵向位移未超过Q1，进行边坡稳定性预测，更具结果发送预警信息；
若激光测距仪测得数据超过阈值发送警报信息；
对接收到警报信息和预警信息进行处理。
优选地，对摄像机的标定采用张正友标定法，具体如下：
(1)准备一个张正友标定标准棋盘格，棋盘格大小已知；
(2)从不同角度拍摄标准棋盘格图片；
(3)对图像中的特征点，如标准棋盘格角点进行检测得到标准棋盘格角点的像素坐标值，根据已知的棋盘格大小和世界坐标系原点，得到标准棋盘格角点的物理坐标值；
(4)获取摄像机内参与外参；
(5)获取畸变系数；
(6)标定完成。
优选地，对图像进行处理包括：图像预处理，边缘检测，中心点检测；
优选地，包括图像预处理：对所拍摄图像进行最大值法灰度化处理，公式如下：
[f(i，j)]＝[R(i，j)，G(i，j)，B(i，j)]
R′(i，j)＝G′(i，j)＝B′(i，j)＝max(R(i，j)，G(i，j)，B(i，j))
式中，i，j分别表示图片中各像素点横纵坐标，[f(i，j)]表示最大值法灰度化处理后坐标(i，j)的像素点的RGB值，R(i，j)和R′(i，j)分别表示像素点红色基分量，G(i，j)和G′(i，j)分别表示像素点绿色基分量，B(i，j)和B′(i，j)分别表示像素点蓝色基分量；
图像滤波，通过中值滤波是基于图像区域内像素灰度排序的非线性滤波算法，根据像素灰度排序决定滤波像素的灰度值，将像素领域内灰度的中值作为滤波像素新的灰度值；
图像增强，对拍摄高边坡图像进行直方图均化处理，去除和削弱无用信息，突出颜色、边缘、形状等有用信息；直方图均衡化就是把原始灰度图像的灰度直方图变换为均匀分布的灰度直方图，并按均衡直方图对图像中像素点的灰度进行修正计算，使均衡化后的图像具有信息量通过重新计算像点的灰度值，使一定灰度级内的像素数量大致相同；
图像二值化，图像二值化，使用下述公式对所拍摄图像的灰度图按图像的灰度特性将图像分成背景和目标两部分；公式：
式中，image(i，j)表示未处理图片在坐标(i，j)的像素点的RGB值均值，output(i，j)表表示处理后图片在坐标(i，j)的像素点的RGB值，t表示阈值。
背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大。
优选地，使用Roberts算子进行边缘检测。
优选地，对边缘检测后的图像进行中心点检测：
从边缘检测后的图片左上方开始检测；逐行进行扫描，若某行所有灰度值均为0则转入下一行继续进行扫描；当扫描到某点灰度值不为0，则几下该点坐标，并以该点坐标为起点按照顺序检测它的8个领域，若检测到某一点的像素为255记下该点坐标，重复此操作；扫描结束后对所有标记点坐标计算平均值，得到标识圆形的中心点坐标作为历史数据。
优选地，摄像机启动时检测到中心点坐标存为历史数据，将监测获取的中心点坐标与历史数据进行对比，若超过Q1启动激光测距仪进行距离检测。
优选地，摄像机监测时，对所拍摄图片进行图像处理，并提取红色圆形标识的形状特征和颜色特征，通过训练好的神经网络识别出具有圆形标识的图片，对识别出的圆形标识图片进行边缘检测和中心点检测；将获得的中心点坐标与历史数据进行对比；
其中，对神经网络进行训练，收集多张包含红色圆形标识监测桩的图片和不含监测桩的图片，形成数据集，将数据集分为训练集和测试集；
将训练集的数据归一化后输入到神经网络模型中，通过不断地正向传播和误差反向传播使得结果趋于准确，当训练次数达到学习次数T时，停止训练过程保存训练结果，得到训练后的神经网络模型；
对训练后的神经网络模型，输入归一化的测试集的图片，得到识别的结果与测试集的图片继续比对，若精确度达到u0，训练完成；否则增加最大训练次数从新训练直至精确度达到u0为止，得到训练好的神经网络模型。
优选地，启动激光测距仪进行距离检测验证，具体：
式中，c表示光速，表示光线往返一次产生的相位延迟，ω表示调制光角频率；若检测与标定点距离大于Q2则进行警报。
优选地，对未超过Q1的边坡位移进行边坡稳定性预测：
将监测到的边坡位移数据警告预处理和归一化处理后输入到边坡预测模型中，获得边坡未来一段时间内的位移情况，边坡从开始发生变形到最终失稳破坏，累积位移—时间曲线的斜率是在不断发生变化的，因此可以通过累积位移—时间曲线的斜率即切线角的变化来判断边坡所处的变形演化阶段；由于横纵坐标的拉伸会引起切线角的变化，所以需要进行变换处理，使得坐标的量纲保持一致。变换方法为将累积位移除以速率，使得纵坐标与横坐标具有相同的时间量纲，公式如下：
式中，Ti为量纲统一后i时刻的纵坐标值,Si为一个监测周期内位移量，v表示位移速率；进一步得到切线角如下：
式中，a表示切线角，ti表示监测时刻，ti-1为监测时刻前一时刻，Ti-1量纲统一后i-1时刻的纵坐标值；
若a小于或等于45°，边坡处于初始变形阶段无需预警；
若a大于45°且小于85°边坡处于加速变形阶段，发送二级预警；
若a大于或等于85°且小于90°边坡处于高加速变形阶段，发送一级预警。
二级预警表示在未来一周有发生滑坡风险的几率。
一级预警表示在未来数小时如24h内有发生滑坡风险的几率。
优选地，对警报和预警信息进行处理：
在高速公路边坡附近站点设置鸣笛警报装置，对警报信息采用鸣笛报警进行提醒及时封锁路段，发送提醒信息到站点管理人员监测设备上，并对边坡预警信息采取相应措施进行处理；
若监测到二级预警，需要对监测边坡进行加固处理，防止滑坡；
若监测到一级预警，需要紧急封锁路段，避免车辆遇险。
有益效果
本发明的有益效果为：本发明通过摄像机拍摄安装在高边坡上的监测桩标识圆，通过图像分割，边缘检测和中心检测等步骤获取标识圆的中心坐标，将获得的标识圆中心坐标与历史数据进行对比，当对比差值大于阈值Q1时启动激光测距仪对高边坡标定点进行测距并与历史数据作对比，当超定阈值Q2时立即进行警告采取相应的安全处理措施。
进一步，中心点检测从边缘检测后的图片左上方开始检测；逐行进行扫描，若某行所有灰度值均为0则转入下一行继续进行扫描；当扫描到某点灰度值不为0，则几下该点坐标，并以该点坐标为起点按照顺序检测它的8个领域，若检测到某一点的像素为255记下该点坐标，重复此操作；扫描结束后对所有标记点坐标计算平均值，得到标识圆形的中心点坐标。
进一步，采用边坡稳定性预测对边坡未来一段时间内稳定性进行预测，并发送预警信息，进而能够提前采取防护措施。
附图说明
图1为本发明检测流程示意图；
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。
S1、在高边坡的各级边坡平台上间隔地部署多个具有特定标记的监测桩；
其中，监测桩使用长方体柱状物，特定标记使用红色圆形标识；
S2、在高边坡两侧部署摄像机进行高边坡位移实时监测；
进一步，对摄像机位置进行标定，采用张正友标定法；具体步骤如下：
(1)准备一个张正友标定标准棋盘格，棋盘格大小已知；
(2)从不同角度拍摄标准棋盘格图片；
(3)对图像中的特征点，如标准棋盘格角点进行检测得到标准棋盘格角点的像素坐标值，根据已知的棋盘格大小和世界坐标系原点，得到标准棋盘格角点的物理坐标值；
(4)获取摄像机内参与外参；
(5)获取畸变系数；
(6)标定完成。
S3、摄像机启动时，拍摄高边坡图片，对所拍摄图片(即拍摄高边坡图片)进行图像处理获得监测桩上的红色圆形标识中心点坐标；图像处理步骤如下：
S31、图像预处理，具体步骤：
(1)对所拍摄图像进行最大值法灰度化处理，公式如下：
[f(i，j)]＝[R′(i，j)，G′(i，j)，B′(i，j)]
R′(i，j)＝G′(i，j)＝B′(i，j)＝max(R(i，j)，G(i，j)，B(i，j))
式中，i，j分别表示图片中各像素点横纵坐标，[f(i，j)]表示最大值法灰度化处理后坐标(i，j)的像素点的RGB值，R(i，j)和R′(i，j)分别表示像素点红色基分量，G(i，j)和G′(i，j)分别表示像素点绿色基分量，B(i，j)和B′(i，j)分别表示像素点蓝色基分量；
(2)图像滤波，中值滤波是基于图像区域内像素灰度排序的非线性滤波算法，根据像素灰度排序决定滤波像素的灰度值，将像素领域内灰度的中值作为滤波像素新的灰度值；
(3)图像增强，对拍摄高边坡图像进行直方图均化处理，去除和削弱无用信息，突出颜色、边缘、形状等有用信息；直方图均衡化就是把原始灰度图像的灰度直方图变换为均匀分布的灰度直方图，并按均衡直方图对图像中像素点的灰度进行修正计算，使均衡化后的图像具有信息量通过重新计算像点的灰度值，使一定灰度级内的像素数量大致相同；
(4)图像二值化，使用下述公式对所拍摄图像的灰度图按图像的灰度特性将图像分成背景(大于阈值)和目标(小于阈值)两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，公式：
式中，image(i，j)表示未处理图片在坐标(i，j)的像素点的RGB值均值，output(i，j)表表示处理后图片在坐标(i，j)的像素点的RGB值，t表示阈值；
S32、对图片进行膨胀和腐蚀操作；
其中，腐蚀是一种消除边界点、消除噪音使边界向内部收缩的过程，可以用来消除小且无意义的目标物；具体步骤如下：
扫描原图找到第一个像素值为1的点；将预先设定好形状以及原点位置的结构元素的原点移到该点；判断该结构元素所覆盖范围内的像素值是否全部为1如果是则腐蚀后图像的相同位置为1；若果至少有一个像素值为0则腐蚀后图像相同位置为0；对所有像素值为1的点重复腐蚀操作；
其中，膨胀是将与目标区域接触的背景点合并到该目标物中使目标边界向外部扩张的处理；膨胀可以用来填补目标区域中存在的某些空洞以及消除包含在目标区域中的小颗粒噪声，具体步骤如下：
扫描原图，找到第一个像素值为0的点；将预先设定好形状以及原点位置的结构元素的原点移动到该点；判断该结构元素所覆盖范围内的像素值是否存在至少一个为1的点，如果存在，则膨胀后图像中与结构元素原点相同位置上的像素值置为1，如果该覆盖范围内的所有像素的值为0，则膨胀后图像的相同位置上的像素值置为0；对所有为1的点重复膨胀操作；
S33、对于图片进行边缘检测，获得红色圆形标识边缘特征，得到红色圆形标识的边缘坐标信息，边缘检测后除了圆形标识边缘灰度为255，其他部分灰度均为0；使用Roberts算子进行边缘检测，该算子在水平和垂直方向检测效果最好；
S34、对边缘检测处理后的图片进行中心点检测，具体步骤如下：
(1)从边缘检测处理后的图片左上方开始检测；
(2)逐行进行扫描，若某行所有灰度值均为0则转入下一行继续进行扫描；
(3)当扫描到某点灰度值不为0，则几下该点坐标，并以该点坐标为起点按照顺序检测它的8个领域，若检测到某一点的像素为255记下该点坐标，重复此操作；
(4)扫描结束后对所有标记点坐标计算平均值，得到标识圆形的中心点坐标；
S35、设置定位标志点坐标(x，y)，将中心点坐标转化为大地坐标(M，N)；
式中，α表示标志点坐标与大地坐标在x方向的差值，β表示标志点坐标与大地坐标在y方向的差值；
S36、将所有监测桩上的红色圆形标识中心点坐标存入储存模块，作为历史数据进行对比；
S4、摄像机监测时，对所拍摄图片进行图像处理，并提取红色圆形标识的形状特征和颜色特征，通过训练好的神经网络识别出具有圆形标识的图片，对识别出的圆形标识图片进行边缘检测和中心点检测；将获得的中心点坐标与历史数据进行对比；
其中，对神经网络进行训练，收集多张包含红色圆形标识监测桩的图片和不含监测桩的图片，形成数据集，将数据集分为训练集和测试集；
将训练集的数据归一化后输入到神经网络模型中，通过不断地正向传播和误差反向传播使得结果趋于准确，当训练次数达到学习次数T时，停止训练过程保存训练结果，得到训练后的神经网络模型；
对训练后的神经网络模型，输入归一化的测试集的图片，得到识别的结果与测试集的图片继续比对，若精确度达到u0，训练完成；否则增加最大训练次数从新训练直至精确度达到u0为止，得到训练好的神经网络模型；
若每天的垂直位移或水平位移大于Q1，则进入S5；
其中，Q1设定为4mm；
S5、当检测到高边坡发生位移后启动摄像机安装的相位式激光测距仪，对高边坡上的标定点进行距离检测验证；距离测算公式为：
式中，c表示光速，表示光线往返一次产生的相位延迟，ω表示调制光角频率；
若检测到距离与历史数据相比超过阈值Q2则立即进行警报；
其中，阈值的设定采用工程师实际测量值为准；
否则进入S6；
S6、建立边坡预测模型进行边坡稳定性预测，根据累积位移—时间曲线的斜率即切线角的变化来判断边坡是否需要提前采取预警措施；具体如下：
将监测到的边坡位移数据警告预处理和归一化处理后输入到边坡预测模型中，获得边坡未来一段时间内的位移情况，边坡从开始发生变形到最终失稳破坏，累积位移—时间曲线的斜率是在不断发生变化的，因此可以通过累积位移—时间曲线的斜率即切线角的变化来判断边坡所处的变形演化阶段；由于横纵坐标的拉伸会引起切线角的变化，所以需要进行变换处理，使得坐标的量纲保持一致。变换方法为将累积位移除以速率，使得纵坐标与横坐标具有相同的时间量纲，公式如下：
式中，Ti为量纲统一后i时刻的纵坐标值,Si为一个监测周期内位移量，v表示位移速率；进一步得到切线角如下：
式中，a表示切线角，ti表示监测时刻，ti-1为监测时刻前一时刻，Ti-1量纲统一后i-1时刻的纵坐标值；
若a小于或等于45°，边坡处于初始变形阶段无需预警，继续进行监测；
若a大于45°且小于85°边坡处于加速变形阶段，会在未来一周内发生滑坡危险的几率，发送二级预警；
若a大于或等于85°且小于90°边坡处于高加速变形阶段，会在未来数小时发生滑坡危险的几率，发送一级预警；
S7、在高速公路边坡附近站点设置鸣笛警报装置，对警报信息采用鸣笛报警进行提醒及时封锁路段，发送提醒信息到站点管理人员监测设备上，并对边坡预警信息采取相应措施进行处理；
若监测到二级预警，需要对监测边坡进行加固处理，防止滑坡；
若监测到一级预警，需要紧急封锁路段，避免车辆遇险；
在使用时，尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，包括以下步骤：
在高边坡各级平台安装有红色圆形监测桩；
安装监测摄像机并对摄像机进行标定；
摄像机启动时，对高边坡拍摄图片进行图像处理，获得监测桩标示圆数据并存入储存模块作为历史数据；
摄像机监测时，对高边坡拍摄图片进行图像处理，获得监测桩标示数据与历史数据对比；
若检测到的监测桩标识圆中心数据与历史数据横向位移或纵向位移超过Q1启动激光测距仪进行验证；
若检测到的监测桩标识圆中心数据与历史数据横向位移或纵向位移未超过Q1，进行边坡稳定性预测，更具结果发送预警信息；
若激光测距仪测得数据超过阈值发送警报信息；
对接收到警报信息和预警信息进行处理。
2.根据权利要求1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对摄像机的标定采用张正友标定法，具体如下：
(1)准备一个张正友标定标准棋盘格，棋盘格大小已知；
(2)从不同角度拍摄标准棋盘格图片；
(3)对图像中的特征点，如标准棋盘格角点进行检测得到标准棋盘格角点的像素坐标值，根据已知的棋盘格大小和世界坐标系原点，得到标准棋盘格角点的物理坐标值；
(4)获取摄像机内参与外参；
(5)获取畸变系数；
(6)标定完成。
3.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对图像进行处理包括：图像预处理，边缘检测，中心点检测。
4.根据权利3所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，
图像预处理：对所拍摄图像进行最大值法灰度化处理，公式如下：
[f(i，j)]＝[R′(i，j)，G′(i，j)，B′(i，j)]
f(i，j)＝R′(i，j)＝G′(i，j)＝B′(i，j)＝max(R(i，j)，G(i，j)，B(i，j))
式中，i，j分别表示图片中各像素点横纵坐标，[f(i，j)]表示最大值法灰度化处理后坐标(i，j)的像素点的RGB值，R(i，j)和R′(i，j)分别表示像素点红色基分量，G(i，j)和G′(i，j)分别表示像素点绿色基分量，B(i，j)和B′(i，j)分别表示像素点蓝色基分量；
图像滤波，通过中值滤波是基于图像区域内像素灰度排序的非线性滤波算法，根据像素灰度排序决定滤波像素的灰度值，将像素领域内灰度的中值作为滤波像素新的灰度值；
图像增强，对拍摄高边坡图像进行直方图均化处理，去除和削弱无用信息，突出颜色、边缘、形状等有用信息；直方图均衡化就是把原始灰度图像的灰度直方图变换为均匀分布的灰度直方图，并按均衡直方图对图像中像素点的灰度进行修正计算，使均衡化后的图像具有信息量通过重新计算像点的灰度值，使一定灰度级内的像素数量大致相同；
图像二值化，使用下述公式对所拍摄图像的灰度图按图像的灰度特性将图像分成背景和目标两部分；公式：
式中，image(i，j)表示未处理图片在坐标(i，j)的像素点的RGB值均值，output(i，j)表表示处理后图片在坐标(i，j)的像素点的RGB值，t表示阈值。
5.根据权利3所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对边缘检测后的图像进行中心点检测：
从边缘检测后的图片左上方开始检测；逐行进行扫描，若某行所有灰度值均为0则转入下一行继续进行扫描；当扫描到某点灰度值不为0，则几下该点坐标，并以该点坐标为起点按照顺序检测它的8个领域，若检测到某一点的像素为255记下该点坐标，重复此操作；扫描结束后对所有标记点坐标计算平均值，得到标识圆形的中心点坐标作为历史数据。
6.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，将检测到的中心点数据由于历史数据进行对比，若超过Q1启动激光测距仪进行距离检测。
7.根据权利6所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，启动激光测距仪进行距离检测验证，具体：
式中，c表示光速，表示光线往返一次产生的相位延迟，ω表示调制光角频率；若检测与标定点距离大于Q2则进行警报。
8.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，摄像机监测时，对所拍摄图片进行图像处理，并提取红色圆形标识的形状特征和颜色特征，通过训练好的神经网络识别出具有圆形标识的图片，对识别出的圆形标识图片进行边缘检测和中心点检测；将获得的中心点坐标与历史数据进行对比；
其中，对神经网络进行训练，收集多张包含红色圆形标识监测桩的图片和不含监测桩的图片，形成数据集，将数据集分为训练集和测试集；
将训练集的数据归一化后输入到神经网络模型中，通过不断地正向传播和误差反向传播使得结果趋于准确，当训练次数达到学习次数T时，停止训练过程保存训练结果，得到训练后的神经网络模型；
对训练后的神经网络模型，输入归一化的测试集的图片，得到识别的结果与测试集的图片继续比对，若精确度达到u0，训练完成；否则增加最大训练次数从新训练直至精确度达到u0为止，得到训练好的神经网络模型。
9.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对未超过Q1的边坡位移进行边坡稳定性预测：
将累积位移除以速率，使得纵坐标与横坐标具有相同的时间量纲，公式如下：
式中，Ti为量纲统一后i时刻的纵坐标值,Si为一个监测周期内位移量，v表示位移速率；
进一步得到切线角如下：
式中，a表示切线角，ti表示监测时刻，ti-1为监测时刻前一时刻，Ti-1量纲统一后i-1时刻的纵坐标值；
若a小于或等于45°，边坡处于初始变形阶段无需预警；
若a大于45°且小于85°边坡处于加速变形阶段，发送二级预警；
若a大于或等于85°且小于90°边坡处于高加速变形阶段，发送一级预警。
10.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对警报和预警信息进行处理：
在高速公路边坡附近站点设置鸣笛警报装置，对警报信息采用鸣笛报警进行提醒及时封锁路段，发送提醒信息到站点管理人员监测设备上，并对边坡预警信息采取相应措施进行处理。
CN202310959397.6A 2023-08-01 2023-08-01 一种基于图像处理的高速公路高边坡位移集成监测方法 Withdrawn CN116989679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310959397.6A CN116989679A (zh) 2023-08-01 2023-08-01 一种基于图像处理的高速公路高边坡位移集成监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310959397.6A CN116989679A (zh) 2023-08-01 2023-08-01 一种基于图像处理的高速公路高边坡位移集成监测方法

Publications (1)

Publication Number Publication Date
CN116989679A true CN116989679A (zh) 2023-11-03

Family

ID=88522786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310959397.6A Withdrawn CN116989679A (zh) 2023-08-01 2023-08-01 一种基于图像处理的高速公路高边坡位移集成监测方法

Country Status (1)

Country Link
CN (1) CN116989679A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558106A (zh) * 2023-11-24 2024-02-13 中国地质科学院探矿工艺研究所 一种非接触式表面变形定量监测预警方法及监测系统
CN117606362A (zh) * 2023-11-23 2024-02-27 湖南科天健光电技术有限公司 边坡位移的检测方法和检测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117606362A (zh) * 2023-11-23 2024-02-27 湖南科天健光电技术有限公司 边坡位移的检测方法和检测系统
CN117558106A (zh) * 2023-11-24 2024-02-13 中国地质科学院探矿工艺研究所 一种非接触式表面变形定量监测预警方法及监测系统
CN117558106B (zh) * 2023-11-24 2024-05-03 中国地质科学院探矿工艺研究所 一种非接触式表面变形定量监测预警方法及监测系统

Similar Documents

Publication Publication Date Title
CN116989679A (zh) 一种基于图像处理的高速公路高边坡位移集成监测方法
KR100773393B1 (ko) 댐 시설물의 실시간 모니터링시스템 및 그 방법
CN113345019B (zh) 一种输电线路通道隐患目标测距方法、设备及介质
CN113252700B (zh) 一种结构裂缝检测方法、设备及系统
CN111473776A (zh) 一种基于单像近景摄影测量的滑坡裂缝监测方法
CN102768022A (zh) 采用数码照相技术的隧道围岩变形检测方法
CN107798293A (zh) 一种道路裂缝检测装置
CN115035182B (zh) 一种山区滑坡灾害预警方法及系统
CN113781537A (zh) 一种轨道弹条扣件缺陷识别方法、装置和计算机设备
CN115077489B (zh) 一种无人机倾斜摄影土方量计算的方法
CN113744393B (zh) 一种多层级边坡滑坡变化监测方法
CN114295069A (zh) 无人机搭载三维激光扫描仪的边坡形变监测方法及系统
CN115345945A (zh) 利用无人机多目视觉重建高速公路的自动巡检方法及系统
CN114494845A (zh) 一种用于施工项目现场人工智能隐患排查系统及其排查方法
CN110969071A (zh) 一种基于可行驶区域的障碍物检测方法、装置及系统
CN103927523B (zh) 一种基于纵向灰度特征的雾天等级检测方法
CN111784785B (zh) 一种桥梁动态位移识别方法
CN113311507A (zh) 一种台风路径的识别方法及装置
CN117373209A (zh) 基于凹凸体理论的界面型土体滑坡监测预警方法及装置
CN111192283A (zh) 一种限高杆检测和高度计算方法
CN112461345B (zh) 一种基于lsd直线检测算法的汽车衡轧线出界检测方法
Kaushik et al. Pothole Detection System: A Real-Time Solution for Detecting Potholes
CN112422917A (zh) 基于监控视频与高精度dem结合的道路积水监测方法及系统
CN117036611B (zh) 一种非矿山安全监测平台的三维场景构建方法及系统
CN118362058B (zh) 一种隧道形变检测方法、装置、设备、存储介质及车辆

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231103