CN117078045B - 一种交通基础设施全息检监测方法及系统 - Google Patents
一种交通基础设施全息检监测方法及系统 Download PDFInfo
- Publication number
- CN117078045B CN117078045B CN202311315935.4A CN202311315935A CN117078045B CN 117078045 B CN117078045 B CN 117078045B CN 202311315935 A CN202311315935 A CN 202311315935A CN 117078045 B CN117078045 B CN 117078045B
- Authority
- CN
- China
- Prior art keywords
- information
- regional
- analysis
- disaster
- traffic infrastructure
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007689 inspection Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 181
- 230000004044 response Effects 0.000 claims abstract description 29
- 238000007906 compression Methods 0.000 claims abstract description 16
- 230000006835 compression Effects 0.000 claims abstract description 16
- 230000002265 prevention Effects 0.000 claims abstract description 12
- 230000007547 defect Effects 0.000 claims description 43
- 238000005516 engineering process Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000005067 remediation Methods 0.000 claims description 23
- 230000036541 health Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000012876 topography Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000004566 building material Substances 0.000 claims description 4
- 230000010485 coping Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000001771 impaired effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004643 material aging Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Optics & Photonics (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种交通基础设施全息检监测方法及系统,包括:对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据区域地形信息和地表高程信息进行分析,得到第一分析结果信息;对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,得到第二分析结果信息;对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,得到第三分析结果信息;对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案;获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案。提高了交通基础设施监测的全面性和便捷性。
Description
技术领域
本发明涉及交通基础设施检测和监测技术领域,尤其涉及一种交通基础设施全息检监测方法及系统。
背景技术
交通基础设施在现代城市化进程中起着至关重要的作用,为人们的出行和物流提供了必要的支持。然而,由于不断增长的交通负荷、自然灾害以及材料老化等因素,交通基础设施的安全性和稳定性面临严重挑战。因此,实时监测和评估交通基础设施的状态,及时发现可能的结构问题和缺陷,制定相应的预防和维护措施,已经成为当今城市规划和管理的重要课题。
目前,传统的基础设施监测方法主要依靠人工巡查和定期检测,其存在人力成本高、响应不及时、数据覆盖不全面等问题。随着科技的不断发展,卫星通信、遥感技术、无人机等技术的应用为交通基础设施的监测和评估提供了新的机会。然而,单一技术的应用往往难以全面捕捉设施状态的多样性和复杂性,需要一种更为综合、高效、全面的方法来实现对交通基础设施的监测。
发明内容
本发明克服了现有技术的缺陷,提供了一种交通基础设施全息检监测方法及系统,其重要目的在于提高交通基础设施监测的全面性和便捷性。
为实现上述目的本发明第一方面提供了一种交通基础设施全息检监测方法,包括:
对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,得到第一分析结果信息;
对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,得到第二分析结果信息;
对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,得到第三分析结果信息;
对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案;
获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案。
本方案中,所述对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,具体为:
基于卫星遥感技术获取目标区域的高分辨率图像,包括建筑物、道路、水体、山体和植被,得到区域地形信息,对所述区域地形信息进行去噪和几何失真校正处理;
基于图像分割算法将区域地形信息进行图像分割,结合YOLO算法对进行图像分割后的区域地形信息进行目标检测,得到区域道路信息;
基于边缘检测算法对所述区域道路信息进行特征提取,获取道路的几何形状、宽度和长度,根据提取的特征信息将区域道路进行连接,形成道路拓扑结构;
根据所述道路拓扑结构提取道路方向和交叉口位置,从而构建道路网络,得到道路网络信息;
基于INSAR技术获取目标区域的地表高程信息,结合区域地形信息进行影像重采样及匹配处理;
建立标准地理坐标网,对区域地形信息和地表高程信息进行双线性插值,将其转化为标准格网上的灰度信息,得到不同影像的配准映射信息;
将地表高程信息中的低置信度起始点剔除,利用配准映射信息将地表高程信息与区域地形信息进行匹配融合,得到融合区域地形信息;
对所述融合区域地形信息进行归一化处理和掩膜生成,同时进行特征提取,获取目标区域道路的地基形变信息;
构建第一分析模型,将所述融合区域地形信息、地基形变信息和道路网络信息导入第一分析模型进行分析,得到第一分析结果信息。
本方案中,所述对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,具体为:
获取目标区域地质信息,基于LIDAR技术获取目标区域详细的地形和地表信息,得到区域地理信息;
通过计算激光脉冲多次发射和返回的时间差,从而计算光线的往返距离,获取不同位置上的地表坐标,得到目标区域点云数据,结合区域地理信息构建区域地表高程模型;
基于大数据检索获取不同地质数据或地理数据变更导致对应的地质和地形改变的实例,构成对比数据集;
将所述区域地理信息和区域地质信息与对比数据集进行相似度计算,获取相似度值,作为区域异常分数,得到区域异常分数信息;
预设异常判断阈值,将所述区域异常分数信息与异常判断阈值进行判断,得到判断结果信息;
根据所述判断结果信息结合区域地表高程模型进行地质分析,分析目标区域的地质数据变化和影响,得到第二分析结果信息。
本方案中,所述对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,具体为:
对目标区域进行设施详查,获取区域交通基础设施信息,包括:交通基础设施结构信息、交通基础设施材料信息、交通基础设施年限信息和交通基础设施缺陷信息;
对交通基础设施缺陷信息进行特征提取,提取区域交通基础设施结构形变和裂缝及缺陷数量和类型,得到缺陷特征信息;
预设若干判断阈值,将缺陷特征信息判断阈值进行判断,分析缺陷的数量和程度,得到缺陷分析信息;
构建寿命预测模型,将所述缺陷分析信息和区域交通基础设施信息导入寿命预测模型进行寿命预测,得到寿命预测结果信息;
构建结构健康评估模型,将所述缺陷分析信息和区域交通基础设施信息导入结构健康评估模型中进行健康评估,得到健康评估信息;
结合寿命预测结果信息和健康评估信息构成第三分析结果信息。
本方案中,所述对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案,具体为:
获取第一分析结果信息、第二分析结果信息、第三分析结果信息;
构建综合分析模型,通过第一分析结果信息、第二分析结果信息和第三分析结果信息对目标区域的交通基础设施进行综合分析,分析地表变化和地形变化的影响,得到综合分析结果信息;
基于大数据检索获取各种潜在危害的诱因数据,构成训练数据集,构建潜在危害预测模型,通过训练数据集进行深度学习和训练,得到符合期望的潜在危害预测模型;
将所述综合分析结果信息导入潜在危害预测模型中进行预测,得到潜在危害预测结果信息;
根据潜在危害预测结果信息进行预防方案制定,基于目标道路网络信息进行撤离路线规划,同时生成预警信息进行预警提示。
本方案中,所述获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案,具体为:
获取灾害预报信息和实时监测信息,所述灾害预报信息包括区域气象信息、灾害程度信息和灾害种类信息;
对所述灾害预报信息进行特征提取,提取灾害荷载数据和灾害类型数据,得到灾害特征信息;
获取区域设施基本信息,所述区域设施基本信息包括交通基础设施的结构数据、建材数据以及承受能力数据;
根据区域设施基本信息结合灾害特征信息进行结构响应分析,计算灾害中结构的位移、形变和承重数据,得到结构响应分析信息;
构建抗压能力分析模型,将所述实时监测信息、区域设施基本信息、结构响应分析信息和灾害特征信息导入抗压能力分析模型进行抗压能力分析,得到抗压能力分析信息;
预设判断阈值,将所述抗压能力分析信息与判断阈值进行判断,若抗压能力分析信息大于判断阈值,则得到能够进行紧急补救的判断结果信息;
根据所述实时监测信息基于数字孪生技术构建灾害模拟分析模型,根据灾害特征信息、实时监测信息和区域设施基本信息进行灾害模拟,分析不同灾害影响时间下的交通基础设施的受损情况和承受能力,得到模拟分析信息;
根据灾害预报信息、模拟分析信息和判断结果信息进行补救综合评估,判断是否能够进行补救以及能够安全进行补救的时间,得到补救综合评估信息;
根据所述补救综合评估信息进行应对方案制定,并根据道路网络信息和灾害预报信息进行路线规划,从而进行灾害补救。
本发明第二方面提供了一种交通基础设施全息检监测系统,该系统包括:存储器、处理器,所述存储器中包含交通基础设施全息检监测方法程序,所述交通基础设施全息检监测方法程序被所述处理器执行时实现如下步骤:
对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,得到第一分析结果信息;
对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,得到第二分析结果信息;
对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,得到第三分析结果信息;
对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案;
获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案。
本发明公开了一种交通基础设施全息检监测方法及系统,包括:对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,得到第一分析结果信息;对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,得到第二分析结果信息;对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,得到第三分析结果信息;对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案;获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案。提高了交通基础设施监测的全面性和便捷性。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案,下面将对实施例或示例性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的前提下,还可以按照这些附图示出的获得其他的附图。
图1为本发明一实施例提供的一种交通基础设施全息检监测方法流程图;
图2为本发明一实施例提供的一种交通基础设施全息检监测方法的灾情处理流程图;
图3为本发明一实施例提供的一种交通基础设施全息检监测系统框图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1为本发明一实施例提供的一种交通基础设施全息检监测方法流程图;
如图1所示,本发明提供了一种交通基础设施全息检监测方法流程图,包括:
S102,对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,得到第一分析结果信息;
基于卫星遥感技术获取目标区域的高分辨率图像,包括建筑物、道路、水体、山体和植被,得到区域地形信息,对所述区域地形信息进行去噪和几何失真校正处理;
基于图像分割算法将区域地形信息进行图像分割,结合YOLO算法对进行图像分割后的区域地形信息进行目标检测,得到区域道路信息;
基于边缘检测算法对所述区域道路信息进行特征提取,获取道路的几何形状、宽度和长度,根据提取的特征信息将区域道路进行连接,形成道路拓扑结构;
根据所述道路拓扑结构提取道路方向和交叉口位置,从而构建道路网络,得到道路网络信息;
基于INSAR技术获取目标区域的地表高程信息,结合区域地形信息进行影像重采样及匹配处理;
建立标准地理坐标网,对区域地形信息和地表高程信息进行双线性插值,将其转化为标准格网上的灰度信息,得到不同影像的配准映射信息;
将地表高程信息中的低置信度起始点剔除,利用配准映射信息将地表高程信息与区域地形信息进行匹配融合,得到融合区域地形信息;
对所述融合区域地形信息进行归一化处理和掩膜生成,同时进行特征提取,获取目标区域道路的地基形变信息;
构建第一分析模型,将所述融合区域地形信息、地基形变信息和道路网络信息导入第一分析模型进行分析,得到第一分析结果信息。
需要说明的是,首先,利用卫星遥感技术获取目标区域的高分辨率图像,包括建筑物、道路、水体、山体和植被等。这些图像提供了区域的地形特征。通过使用图像分割算法将区域地形信息进行分割,然后结合YOLO(You Only Look Once)算法进行目标检测,特别是对道路进行检测,以得到区域的道路信息。接着,使用边缘检测算法从区域道路信息中提取几何形状、宽度和长度等特征。基于这些特征将道路进行连接,建立道路的拓扑结构,包括道路方向和交叉口位置。INSAR技术获取地表高程信息:使用INSAR技术获取目标区域的地表高程信息,以补充地形数据。这有助于更准确地描述地形变化。将区域地形信息和地表高程信息进行影像重采样和匹配处理,将它们转化为标准格网上的灰度信息,以便将不同影像进行配准。利用配准映射信息将地表高程信息与区域地形信息进行匹配融合,得到融合的区域地形信息。这有助于综合利用不同数据源的信息。对融合的区域地形信息进行归一化处理,并通过特征提取方法提取目标区域道路的地基形变信息,即道路的沉降或变形情况。通过第一分析模型对融合的区域地形信息、地基形变信息和道路网络信息进行道路稳定性、承载能力等因素的分析,从目标区域的地表变化分析可能出现的灾害问题和交通问题。
进一步的,获取洪涝灾害实时信息、融合区域地形信息和道路网络信息;设定截取时间,根据截取时间对所述洪涝灾害实时信息进行截取,分析洪涝灾害的走向,得到洪涝走向分析信息;基于随机森林算法构建预测模型,将所述洪涝灾害走向分析信息和融合区域地形信息导入预测模型中进行洪涝走势分析,预测洪涝的走势和涉及区域,得到洪涝预测结果信息;根据洪涝预测结果信息获取预测受灾区域位置信息,结合洪涝灾害实时信息和融合区域地形信息对洪涝到达预测区域的时间进行计算,得到各区域的洪涝预计到达时间信息;对各区域的洪涝预计到达时间信息进行排序,得到洪涝到达时间排序表;预设选取阈值,通过选取阈值结合洪涝到达时间排序表进行施救区域选取,得到第一施救区域信息;根据融合区域地形信息结合洪涝到达时间排序表和预测受灾区域位置信息进行施救可行性分析,通过分析受灾区域的地势和洪涝达到时间判断是否可以施救,得到第二施救区域信息;根据融合区域地形信息和洪涝预测结果信息分别对第一施救区域和第二施救区域进行洪涝施救方案制定,同时根据道路网络信息通过道路网络信息进行救援路线与撤离路线规划,从而能够及时救援并保证交通基础设施及区域内人员安全;根据第一施救区域信息、第二施救区域信息和洪涝预测结果信息得到不能第一时间进行施救的区域,得到需紧急救援区域信息;通过融合区域地形信息和需紧急救援区域信息进行救援优先级分析,通过分析需紧急救援区域的地势和地形从而预测受灾程度,将受灾程度作为救援优先级,得到救援优先级分析信息;根据救援优先级分析信息进行受灾区域紧急救援,制定救援方案,保证区域内人员安全。
S104,对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,得到第二分析结果信息;
获取目标区域地质信息,基于LIDAR技术获取目标区域详细的地形和地表信息,得到区域地理信息;
通过计算激光脉冲多次发射和返回的时间差,从而计算光线的往返距离,获取不同位置上的地表坐标,得到目标区域点云数据,结合区域地理信息构建区域地表高程模型;
基于大数据检索获取不同地质数据或地理数据变更导致对应的地质和地形改变的实例,构成对比数据集;
将所述区域地理信息和区域地质信息与对比数据集进行相似度计算,获取相似度值,作为区域异常分数,得到区域异常分数信息;
预设异常判断阈值,将所述区域异常分数信息与异常判断阈值进行判断,得到判断结果信息;
根据所述判断结果信息结合区域地表高程模型进行地质分析,分析目标区域的地质数据变化和影响,得到第二分析结果信息。
需要说明的是,通过对目标区域的地质结构和地表信息进行分析,从更详细的层面进一步判断目标区域的地质问题,通过目标区域的地质数据的变化和地质结构改变进行分析,进而判断是否会造成影响,预测地质变化对交通基础设施的潜在影响,从而采取相应的预防和干预措施,减少可能的损失。
S106,对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,得到第三分析结果信息;
对目标区域进行设施详查,获取区域交通基础设施信息,包括:交通基础设施结构信息、交通基础设施材料信息、交通基础设施年限信息和交通基础设施缺陷信息;
对交通基础设施缺陷信息进行特征提取,提取区域交通基础设施结构形变和裂缝及缺陷数量和类型,得到缺陷特征信息;
预设若干判断阈值,将缺陷特征信息判断阈值进行判断,分析缺陷的数量和程度,得到缺陷分析信息;
构建寿命预测模型,将所述缺陷分析信息和区域交通基础设施信息导入寿命预测模型进行寿命预测,得到寿命预测结果信息;
构建结构健康评估模型,将所述缺陷分析信息和区域交通基础设施信息导入结构健康评估模型中进行健康评估,得到健康评估信息;
结合寿命预测结果信息和健康评估信息构成第三分析结果信息。
需要说明的是,通过对交通基础设施的缺陷分析,对采集到的缺陷数据进行分析判断,分析缺陷类型和数量、判断裂缝深度和宽度以及数量,结合区域交通基础设施信息进行寿命评估和健康评估;寿命预测考虑设施的结构性能、材料老化、缺陷影响等因素;健康评估综合考虑设施的缺陷、结构老化、变形等多个因素,从而为有效管理和维护提供科学依据,进一步提升城市交通基础设施的性能和可靠性。
S108,对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案;
获取第一分析结果信息、第二分析结果信息、第三分析结果信息;
构建综合分析模型,通过第一分析结果信息、第二分析结果信息和第三分析结果信息对目标区域的交通基础设施进行综合分析,分析地表变化和地形变化的影响,得到综合分析结果信息;
基于大数据检索获取各种潜在危害的诱因数据,构成训练数据集,构建潜在危害预测模型,通过训练数据集进行深度学习和训练,得到符合期望的潜在危害预测模型;
将所述综合分析结果信息导入潜在危害预测模型中进行预测,得到潜在危害预测结果信息;
根据潜在危害预测结果信息进行预防方案制定,基于目标道路网络信息进行撤离路线规划,同时生成预警信息进行预警提示。
S110,获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案;
获取灾害预报信息和实时监测信息,所述灾害预报信息包括区域气象信息、灾害程度信息和灾害种类信息;
对所述灾害预报信息进行特征提取,提取灾害荷载数据和灾害类型数据,得到灾害特征信息;
获取区域设施基本信息,所述区域设施基本信息包括交通基础设施的结构数据、建材数据以及承受能力数据;
根据区域设施基本信息结合灾害特征信息进行结构响应分析,计算灾害中结构的位移、形变和承重数据,得到结构响应分析信息;
构建抗压能力分析模型,将所述实时监测信息、区域设施基本信息、结构响应分析信息和灾害特征信息导入抗压能力分析模型进行抗压能力分析,得到抗压能力分析信息;
预设判断阈值,将所述抗压能力分析信息与判断阈值进行判断,若抗压能力分析信息大于判断阈值,则得到能够进行紧急补救的判断结果信息;
根据所述实时监测信息基于数字孪生技术构建灾害模拟分析模型,根据灾害特征信息、实时监测信息和区域设施基本信息进行灾害模拟,分析不同灾害影响时间下的交通基础设施的受损情况和承受能力,得到模拟分析信息;
根据灾害预报信息、模拟分析信息和判断结果信息进行补救综合评估,判断是否能够进行补救以及能够安全进行补救的时间,得到补救综合评估信息;
根据所述补救综合评估信息进行应对方案制定,并根据道路网络信息和灾害预报信息进行路线规划,从而进行灾害补救。
进一步的,获取城市多源大数据信息和道路网络信息,所述城市多源大数据信息包括:公交出租轨迹数据、道路监控数据、气象数据和终端设备指令及位置标签数据;根据所述城市多源大数据信息和道路网络信息对各车道的车流量进行分析,得到各车道的车流量分析信息;对各车道的车流量分析信息进行特征提取,提取不同天气各车道各时间段的车流量特征、车辆行驶频率特征和各车道的路线特征,得到交通路网特征信息;构建道路流量预测模型,通过所述交通路网特征信息对道路流量预测模型进行训练,得到符合期望的道路流量预测模型;获取实时异常道路信息,将所述实时异常道路信息导入所述道路流量预测模型中进行流量预测,得到异常道路流量预测信息;预设分流判断阈值,将所述异常道路流量预测信息与分流判断阈值进行判断分析,判断是否需要进行分流,得到分流判断结果信息;基于聚类算法根据所述实时异常道路信息和道路路网信息进行相关道路聚类分析,提取异常道路的关联道路,得到关联道路信息;根据交通路网特征信息获取关联道路的车流量特征、车辆行驶频率特征和路线特征,作为权重对关联道路信息进行加权计算,根据加权计算结果选取n条关联车道进行分流规划,得到待分流道路信息;获取异常道路的道路质量信息和路线特征信息,基于马氏距离算法计算异常道路与待分流道路的马氏距离,进行相关性分析并进行排序,得到相关性排序表;预设筛选阈值,通过筛选阈值对相关性排序表进行筛选,得到最终分流道路信息;根据所述最终分流道路信息结合道路网络信息和交通路网特征信息进行分流方案制定,对道路上的车辆进行路线调整和规划,保证城市交通安全,避免交通事故发生。
图2为本发明一实施例提供的一种交通基础设施全息检监测方法的灾情处理流程图;
如图2所示,本发明提供了一种交通基础设施全息检监测方法的灾情处理流程图,包括:
S202,获取灾害预报信息,对所述灾害预报信息进行特征提取;
S204,获取区域设施基本信息结合灾害特征信息进行结构响应分析;
根据区域设施基本信息结合灾害特征信息进行结构响应分析,计算灾害中结构的位移、形变和承重数据,得到结构响应分析信息;
需要说明的是,通过有限元分析模型,根据据交通基础设施的几何形状、材料特性和支撑情况,建立数值模型;定义适当的加载条件,可以是风荷载、洪水荷载等,根据不同的灾害类型进行设置;从数值模拟结果中提取基础设施各节点的数据,这代表结构在灾害负荷下的形变情况;提取的交通基础设施内部各节点的重量数据,这表示结构在不同位置承受力的强度;通过形变情况和承受强度分析交通基础设施的结构位移。
S206,获取实时监测信息,结合结构响应分析信息和灾害特征分析信息进行抗压能力分析;
构建抗压能力分析模型,将所述实时监测信息、区域设施基本信息、结构响应分析信息和灾害特征信息导入抗压能力分析模型进行抗压能力分析,得到抗压能力分析信息。
S208,根据抗压能力分析信息判断是否需要进行紧急补救,通过灾害模拟分析模型进行受损情况和承受能力模拟;
S210,进行补救综合评估,判断是否能够进行补救以及能够安全进行补救的时间;
根据灾害预报信息、模拟分析信息和判断结果信息进行补救综合评估,判断是否能够进行补救以及能够安全进行补救的时间;
S212,根据所述补救综合评估信息进行应对方案制定,并根据道路网络信息和灾害预报信息进行路线规划;
基于道路网络信息进行线路规划,选取最近路线进行补救,计算路线花费时长,与安全补救时间进行相减计算,获取差值,将差值与预设阈值进行判断,根据判断结果进行智能决策,分析补救的可能性和安全性。
需要说明的是,通过实时监测交通基础设施在灾害中的情况,判断交通基础设施的抗灾能力,在需要补救时,对目标基础设施机型受损模拟,计算从受损轻微至受损严重的时间,结合补救路线消耗时间进行判断,是否拥有充足的时间进行补救并且在救援队到达时目标建通基础设施处于安全的状况,从而补救交通基础设施,并保证救援队的安全。
图3为本发明一实施例提供的一种交通基础设施全息检监测系统框图3,该系统包括:存储器31、处理器32,所述存储器31中包含交通基础设施全息检监测方法程序,所述交通基础设施全息检监测方法程序被所述处理器32执行时实现如下步骤:
对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,得到第一分析结果信息;
对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,得到第二分析结果信息;
对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,得到第三分析结果信息;
对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案;
获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案。
需要说明的是,本发明通过建立全域普查-区域详查-单体设施实时监测和详查的机制对目标区域进行全面检监测,通过多层次的数据融合并对各种检监测数据进行数据解算及深度分析,实现关键因子的全息检监测,及时准确评估交通基础设施的性能状态,有效提升城市交通基础设施性能状态的检监测水平,同时满足了结构性能状态关键因子、测点全面精准覆盖的需求。考虑设施不同单元、不同部位关键因子状态及演变规律的异质性特征,研究全覆盖低冗余的结构物检监测传感器空间分布规划。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种交通基础设施全息检监测方法,其特征在于,包括:
对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,得到第一分析结果信息;
对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,得到第二分析结果信息;
对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,得到第三分析结果信息;
对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案;
获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案;
所述获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案,具体包括:
获取灾害预报信息和实时监测信息,所述灾害预报信息包括区域气象信息、灾害程度信息和灾害种类信息;
对所述灾害预报信息进行特征提取,提取灾害荷载数据和灾害类型数据,得到灾害特征信息;
获取区域设施基本信息,所述区域设施基本信息包括交通基础设施的结构数据、建材数据以及承受能力数据;
根据区域设施基本信息结合灾害特征信息进行结构响应分析,计算灾害中结构的位移、形变和承重数据,得到结构响应分析信息;
构建抗压能力分析模型,将所述实时监测信息、区域设施基本信息、结构响应分析信息和灾害特征信息导入抗压能力分析模型进行抗压能力分析,得到抗压能力分析信息;
预设判断阈值,将所述抗压能力分析信息与判断阈值进行判断,若抗压能力分析信息大于判断阈值,则得到能够进行紧急补救的判断结果信息;
根据所述实时监测信息基于数字孪生技术构建灾害模拟分析模型,根据灾害特征信息、实时监测信息和区域设施基本信息进行灾害模拟,分析不同灾害影响时间下的交通基础设施的受损情况和承受能力,得到模拟分析信息;
根据灾害预报信息、模拟分析信息和判断结果信息进行补救综合评估,判断是否能够进行补救以及能够安全进行补救的时间,得到补救综合评估信息;
根据所述补救综合评估信息进行应对方案制定,并根据道路网络信息和灾害预报信息进行路线规划,从而进行灾害补救。
2.根据权利要求1所述的一种交通基础设施全息检监测方法,其特征在于,所述对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,具体包括:
基于卫星遥感技术获取目标区域的高分辨率图像,包括建筑物、道路、水体、山体和植被,得到区域地形信息,对所述区域地形信息进行去噪和几何失真校正处理;
基于图像分割算法将区域地形信息进行图像分割,结合YOLO算法对进行图像分割后的区域地形信息进行目标检测,得到区域道路信息;
基于边缘检测算法对所述区域道路信息进行特征提取,获取道路的几何形状、宽度和长度,根据提取的特征信息将区域道路进行连接,形成道路拓扑结构;
根据所述道路拓扑结构提取道路方向和交叉口位置,从而构建道路网络,得到道路网络信息;
基于INSAR技术获取目标区域的地表高程信息,结合区域地形信息进行影像重采样及匹配处理;
建立标准地理坐标网,对区域地形信息和地表高程信息进行双线性插值,将其转化为标准格网上的灰度信息,得到不同影像的配准映射信息;
将地表高程信息中的低置信度起始点剔除,利用配准映射信息将地表高程信息与区域地形信息进行匹配融合,得到融合区域地形信息;
对所述融合区域地形信息进行归一化处理和掩膜生成,同时进行特征提取,获取目标区域道路的地基形变信息;
构建第一分析模型,将所述融合区域地形信息、地基形变信息和道路网络信息导入第一分析模型进行分析,得到第一分析结果信息。
3.根据权利要求1所述的一种交通基础设施全息检监测方法,其特征在于,所述对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,具体包括:
获取目标区域地质信息,基于LIDAR技术获取目标区域详细的地形和地表信息,得到区域地理信息;
通过计算激光脉冲多次发射和返回的时间差,从而计算光线的往返距离,获取不同位置上的地表坐标,得到目标区域点云数据,结合区域地理信息构建区域地表高程模型;
基于大数据检索获取不同地质数据或地理数据变更导致对应的地质和地形改变的实例,构成对比数据集;
将所述区域地理信息和区域地质信息与对比数据集进行相似度计算,获取相似度值,作为区域异常分数,得到区域异常分数信息;
预设异常判断阈值,将所述区域异常分数信息与异常判断阈值进行判断,得到判断结果信息;
根据所述判断结果信息结合区域地表高程模型进行地质分析,分析目标区域的地质数据变化和影响,得到第二分析结果信息。
4.根据权利要求1所述的一种交通基础设施全息检监测方法,其特征在于,所述对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,具体包括:
对目标区域进行设施详查,获取区域交通基础设施信息,包括:交通基础设施结构信息、交通基础设施材料信息、交通基础设施年限信息和交通基础设施缺陷信息;
对交通基础设施缺陷信息进行特征提取,提取区域交通基础设施结构形变和裂缝及缺陷数量和类型,得到缺陷特征信息;
预设若干判断阈值,将缺陷特征信息判断阈值进行判断,分析缺陷的数量和程度,得到缺陷分析信息;
构建寿命预测模型,将所述缺陷分析信息和区域交通基础设施信息导入寿命预测模型进行寿命预测,得到寿命预测结果信息;
构建结构健康评估模型,将所述缺陷分析信息和区域交通基础设施信息导入结构健康评估模型中进行健康评估,得到健康评估信息;
结合寿命预测结果信息和健康评估信息构成第三分析结果信息。
5.根据权利要求1所述的一种交通基础设施全息检监测方法,其特征在于,所述对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案,具体包括:
获取第一分析结果信息、第二分析结果信息、第三分析结果信息;
构建综合分析模型,通过第一分析结果信息、第二分析结果信息和第三分析结果信息对目标区域的交通基础设施进行综合分析,分析地表变化和地形变化的影响,得到综合分析结果信息;
基于大数据检索获取各种潜在危害的诱因数据,构成训练数据集,构建潜在危害预测模型,通过训练数据集进行深度学习和训练,得到符合期望的潜在危害预测模型;
将所述综合分析结果信息导入潜在危害预测模型中进行预测,得到潜在危害预测结果信息;
根据潜在危害预测结果信息进行预防方案制定,基于目标道路网络信息进行撤离路线规划,同时生成预警信息进行预警提示。
6.一种交通基础设施全息检监测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包含交通基础设施全息检监测方法程序,所述交通基础设施全息检监测方法程序被所述处理器执行时实现如下步骤:
对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,得到第一分析结果信息;
对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,得到第二分析结果信息;
对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,得到第三分析结果信息;
对目标区域进行综合分析和评估,分析评估潜在危害,进行危害预警并制定预防方案;
获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案;
所述获取目标区域气象信息和灾害预报信息,进行承受能力和抗压能力分析,判断是否能够进行紧急补救并制定应对方案,具体包括:
获取灾害预报信息和实时监测信息,所述灾害预报信息包括区域气象信息、灾害程度信息和灾害种类信息;
对所述灾害预报信息进行特征提取,提取灾害荷载数据和灾害类型数据,得到灾害特征信息;
获取区域设施基本信息,所述区域设施基本信息包括交通基础设施的结构数据、建材数据以及承受能力数据;
根据区域设施基本信息结合灾害特征信息进行结构响应分析,计算灾害中结构的位移、形变和承重数据,得到结构响应分析信息;
构建抗压能力分析模型,将所述实时监测信息、区域设施基本信息、结构响应分析信息和灾害特征信息导入抗压能力分析模型进行抗压能力分析,得到抗压能力分析信息;
预设判断阈值,将所述抗压能力分析信息与判断阈值进行判断,若抗压能力分析信息大于判断阈值,则得到能够进行紧急补救的判断结果信息;
根据所述实时监测信息基于数字孪生技术构建灾害模拟分析模型,根据灾害特征信息、实时监测信息和区域设施基本信息进行灾害模拟,分析不同灾害影响时间下的交通基础设施的受损情况和承受能力,得到模拟分析信息;
根据灾害预报信息、模拟分析信息和判断结果信息进行补救综合评估,判断是否能够进行补救以及能够安全进行补救的时间,得到补救综合评估信息;
根据所述补救综合评估信息进行应对方案制定,并根据道路网络信息和灾害预报信息进行路线规划,从而进行灾害补救。
7.根据权利要求6所述的一种交通基础设施全息检监测系统,其特征在于,所述对目标区域进行全域普查,获取区域地形信息和地表高程信息,根据所述区域地形信息和地表高程信息进行分析,具体包括:
基于卫星遥感技术获取目标区域的高分辨率图像,包括建筑物、道路、水体、山体和植被,得到区域地形信息,对所述区域地形信息进行去噪和几何失真校正处理;
基于图像分割算法将区域地形信息进行图像分割,结合YOLO算法对进行图像分割后的区域地形信息进行目标检测,得到区域道路信息;
基于边缘检测算法对所述区域道路信息进行特征提取,获取道路的几何形状、宽度和长度,根据提取的特征信息将区域道路进行连接,形成道路拓扑结构;
根据所述道路拓扑结构提取道路方向和交叉口位置,从而构建道路网络,得到道路网络信息;
基于INSAR技术获取目标区域的地表高程信息,结合区域地形信息进行影像重采样及匹配处理;
建立标准地理坐标网,对区域地形信息和地表高程信息进行双线性插值,将其转化为标准格网上的灰度信息,得到不同影像的配准映射信息;
将地表高程信息中的低置信度起始点剔除,利用配准映射信息将地表高程信息与区域地形信息进行匹配融合,得到融合区域地形信息;
对所述融合区域地形信息进行归一化处理和掩膜生成,同时进行特征提取,获取目标区域道路的地基形变信息;
构建第一分析模型,将所述融合区域地形信息、地基形变信息和道路网络信息导入第一分析模型进行分析,得到第一分析结果信息。
8.根据权利要求6所述的一种交通基础设施全息检监测系统,其特征在于,所述对目标区域进行区域详查,获取区域地质信息,根据所述区域地质信息进行地质分析,具体包括:
获取目标区域地质信息,基于LIDAR技术获取目标区域详细的地形和地表信息,得到区域地理信息;
通过计算激光脉冲多次发射和返回的时间差,从而计算光线的往返距离,获取不同位置上的地表坐标,得到目标区域点云数据,结合区域地理信息构建区域地表高程模型;
基于大数据检索获取不同地质数据或地理数据变更导致对应的地质和地形改变的实例,构成对比数据集;
将所述区域地理信息和区域地质信息与对比数据集进行相似度计算,获取相似度值,作为区域异常分数,得到区域异常分数信息;
预设异常判断阈值,将所述区域异常分数信息与异常判断阈值进行判断,得到判断结果信息;
根据所述判断结果信息结合区域地表高程模型进行地质分析,分析目标区域的地质数据变化和影响,得到第二分析结果信息。
9.根据权利要求6所述的一种交通基础设施全息检监测系统,其特征在于,所述对目标区域进行设施详查,获取区域交通基础设施信息,根据所述区域单体设施信息进行分析,具体包括:
对目标区域进行设施详查,获取区域交通基础设施信息,包括:交通基础设施结构信息、交通基础设施材料信息、交通基础设施年限信息和交通基础设施缺陷信息;
对交通基础设施缺陷信息进行特征提取,提取交通基础设施结构形变和裂缝及缺陷数量和类型,得到缺陷特征信息;
预设若干判断阈值,将缺陷特征信息判断阈值进行判断,分析缺陷的数量和程度,得到缺陷分析信息;
构建寿命预测模型,将所述缺陷分析信息和交通基础设施信息导入寿命预测模型进行寿命预测,得到寿命预测结果信息;
构建结构健康评估模型,将所述缺陷分析信息和交通基础设施信息导入结构健康评估模型中进行健康评估,得到健康评估信息;
结合寿命预测结果信息和健康评估信息构成第三分析结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315935.4A CN117078045B (zh) | 2023-10-12 | 2023-10-12 | 一种交通基础设施全息检监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315935.4A CN117078045B (zh) | 2023-10-12 | 2023-10-12 | 一种交通基础设施全息检监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078045A CN117078045A (zh) | 2023-11-17 |
CN117078045B true CN117078045B (zh) | 2024-01-30 |
Family
ID=88719792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311315935.4A Active CN117078045B (zh) | 2023-10-12 | 2023-10-12 | 一种交通基础设施全息检监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078045B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118521121B (zh) * | 2024-07-19 | 2024-09-17 | 南京智慧交通信息股份有限公司 | 基于雷视融合的公交巡检中道路病害闭环处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719053A (zh) * | 2016-01-13 | 2016-06-29 | 天津中科智能识别产业技术研究院有限公司 | 基于多终端的灾害预警及信息发布系统 |
CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
US11392897B1 (en) * | 2020-08-10 | 2022-07-19 | United Services Automobile Association (Usaa) | Intelligent system and method for assessing structural damage using aerial imagery |
CN115169771A (zh) * | 2022-01-18 | 2022-10-11 | 长安大学 | 一种洪涝灾害影响下的交通网效率受损快速评估方法 |
CN115391882A (zh) * | 2022-08-09 | 2022-11-25 | 中信建筑设计研究总院有限公司 | 一种多元数据融合全息空间系统的构建方法 |
CN115439018A (zh) * | 2022-10-24 | 2022-12-06 | 广西电网有限责任公司电力科学研究院 | 一种大范围输变电设施地质灾害监测方法和系统 |
CN116246429A (zh) * | 2022-12-27 | 2023-06-09 | 西藏大学 | 一种地质灾害预警系统 |
CN116503027A (zh) * | 2023-06-27 | 2023-07-28 | 成都智达万应科技有限公司 | 一种公路资产智能化管理系统 |
-
2023
- 2023-10-12 CN CN202311315935.4A patent/CN117078045B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719053A (zh) * | 2016-01-13 | 2016-06-29 | 天津中科智能识别产业技术研究院有限公司 | 基于多终端的灾害预警及信息发布系统 |
CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
US11392897B1 (en) * | 2020-08-10 | 2022-07-19 | United Services Automobile Association (Usaa) | Intelligent system and method for assessing structural damage using aerial imagery |
CN115169771A (zh) * | 2022-01-18 | 2022-10-11 | 长安大学 | 一种洪涝灾害影响下的交通网效率受损快速评估方法 |
CN115391882A (zh) * | 2022-08-09 | 2022-11-25 | 中信建筑设计研究总院有限公司 | 一种多元数据融合全息空间系统的构建方法 |
CN115439018A (zh) * | 2022-10-24 | 2022-12-06 | 广西电网有限责任公司电力科学研究院 | 一种大范围输变电设施地质灾害监测方法和系统 |
CN116246429A (zh) * | 2022-12-27 | 2023-06-09 | 西藏大学 | 一种地质灾害预警系统 |
CN116503027A (zh) * | 2023-06-27 | 2023-07-28 | 成都智达万应科技有限公司 | 一种公路资产智能化管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117078045A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Integrating travel demand modeling and flood hazard risk analysis for evacuation and sheltering | |
KR101856490B1 (ko) | 폭우에 대한 재해취약성 정보 자동처리방법 | |
CN117078045B (zh) | 一种交通基础设施全息检监测方法及系统 | |
CN110858334A (zh) | 道路安全评估方法、装置及道路安全预警系统 | |
CN116580532A (zh) | 一种基于雷达遥感技术的地质灾害预警系统 | |
CN114881381B (zh) | 基于改进卷积神经网络的城市积水水位预测方法及系统 | |
CN118195424B (zh) | 一种基于开源数据的应急避难场所适应性评价方法 | |
CN113344735B (zh) | 电网设备的防灾减灾监测预警系统 | |
KR102642540B1 (ko) | 스마트 시티 안전 서비스 제공 방법 및 이를 실행하는 서버 | |
CN116775930B (zh) | 一种基于bim+gis的数据结合和可视化展示的方法及系统 | |
Karimzadeh et al. | A deep learning model for road damage detection after an earthquake based on synthetic aperture radar (SAR) and field datasets | |
CN117133099A (zh) | 一种用于高速公路高边坡灾变的自动监测系统 | |
Yum et al. | Development of vulnerability curves of buildings to windstorms using insurance data: An empirical study in South Korea | |
CN116109462A (zh) | 一种自然灾害后饮水水源地污染监测预警方法及系统 | |
CN115170980A (zh) | 一种基于卫星影像识别的输气管道高后果区智能识别方法 | |
CN113759374A (zh) | 一种城市基础设施的结构健康问题的监测系统和监测方法 | |
CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
CN117575059A (zh) | 一种高塔型综合气象平台设计方法及系统 | |
Davis et al. | Post-Hurricane Michael damage assessment using ADCIRC storm surge hindcast, image classification, and LiDAR | |
CN113821895A (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
CN113570133B (zh) | 一种应对强降雨的输配电线路风险预测方法及系统 | |
Kamari et al. | Semantic detection of potential wind-borne debris in construction jobsites: Digital twining for hurricane preparedness and jobsite safety | |
CN114048693A (zh) | 一种大风临灾预警方法及装置 | |
Li et al. | Study on road damage assessment based on RS and GIS |
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 |