CN117078627A - 一种淤地坝坝体缺陷监测及安全评价方法及系统 - Google Patents
一种淤地坝坝体缺陷监测及安全评价方法及系统 Download PDFInfo
- Publication number
- CN117078627A CN117078627A CN202311048486.1A CN202311048486A CN117078627A CN 117078627 A CN117078627 A CN 117078627A CN 202311048486 A CN202311048486 A CN 202311048486A CN 117078627 A CN117078627 A CN 117078627A
- Authority
- CN
- China
- Prior art keywords
- dam
- data
- silt
- dam body
- defect
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 108
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000009172 bursting Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 101100126329 Mus musculus Islr2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开了一种淤地坝坝体缺陷监测及安全评价方法,其包括以下步骤:通过三维立体数据网获取多源遥感数据、无人机数据、地面监测数据和遥感影像;基于无人机数据、淤地坝坝体数据库,将遥感影像通过R‑CNN算法和Fast R‑CNN算法进行识别,获取存在缺陷的淤地坝及缺陷类型、缺陷数据和位置数据;按照缺陷类型对被标记的淤地坝进行分类统计;根据位置数据和地面监测数据对分类后的淤地坝进行三维建模;将缺陷数据输入至淤地坝坝体安全性态评价模块进行模拟;根据模拟数据和三维模型,完成评价。本发明通过上述两个算法对遥感影像进行处理,实现对淤地坝群进行全天候、高精度、大范围监测;通过水利模型和三维模型,提高评价准确率。
Description
技术领域
本发明涉及坝体监测和安全评价技术领域,具体涉及一种淤地坝坝体缺陷监测及安全评价方法及系统。
背景技术
淤地坝作为黄土高原地区重要的水利工程之一,截止2019年11月我国黄土高原地区共有淤地坝58776座,研究显示淤地坝在调洪拦淤、淤地造田、水土流失治理及改善生态环境等方面发挥了极其重要的作用,但由于多数淤地坝始建于上世纪90年代初至本世纪初,故存一些在设计、施工方面的缺陷,且经过长时间的运行其自身也遭受了不同程度的破坏,致使其无法及时有效的发挥其效益最大化。同时,在近些年受气候变暖、厄尔尼诺和拉尼娜等因素的影像,持续时间长、短时降雨量大的极端降雨现场出现频率与日俱增,给淤地坝的安全运行及下游人民的生命财产安全造成了巨大威胁。
然而,截止目前传统的淤地坝坝体缺陷监测及评价方法多以人工现场监测和评价为主,存在对淤地坝坝体缺陷的监测范围小且精度低、评价准确度低等问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种淤地坝坝体缺陷监测及安全评价方法及系统解决了现有技术中监测范围小且精度低、评价准确度低的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供了一种淤地坝坝体缺陷监测及安全评价方法,其包括以下步骤:
S1、通过三维立体数据网获取长时间序列多源遥感数据、多源无人机数据以及地面监测数据;对长时间序列多源遥感数据进行处理,得到GF-2高分辨率遥感影像;
S2、基于多源无人机数据、淤地坝坝体特征数据集和淤地坝坝体缺陷特征数据集,将GF-2高分辨率遥感影像输入至淤地坝坝体缺陷识别与监测模块,通过R-CNN算法得到所有淤地坝图像;通过Fast R-CNN算法对淤地坝图像进行识别,确定存在缺陷的淤地坝及缺陷类型,获取对应的缺陷数据并记录其位置数据;
S3、按照缺陷类型对存在缺陷的淤地坝进行分类统计,得到分类后的淤地坝;
S4、根据位置数据和地面监测数据对分类后的淤地坝进行三维建模,得到对应的三维模型并进行实时监测;
S5、根据淤地坝坝体安全评价标准,将上述缺陷数据输入至淤地坝坝体安全性态评价模块进行模拟,得到对应的模拟数据;
S6、根据模拟数据和三维模型,对存在缺陷的淤地坝进行评价,完成评价。
进一步地,步骤S1采用辐射定标、大气校正、正射校正以及图像融合对长时间序列多源遥感数据进行处理。
进一步地,步骤S2的识别过程为:采用RPN区域候选网络对GF-2高分辨率遥感影像进行处理,得到一组原始目标并作为淤地坝候选目标;采用STN空间变换网络对淤地坝候选目标进行调整,得到调整后的淤地坝候选目标;将调整后的淤地坝候选目标输入至CNN卷积神经网络和SVM分类器进行特征提取,得到存在缺陷的淤地坝,其对应公式为:
其中,i表示目标区域索引,{Pi}表示分类层输出,{ti}表示边界框回归层输出,L({Pi},{ti})表示预测目标损失函数,Ncls表示分类层归一化参数,Nreg表示修正层归一化参数,pi表示目标区域i为前景目标的预测概率,表示真实目标区域标签,λ表示平衡系数,表示分类置信度与真实类别误差,/>表示真实目标区与预测候选区间平移缩放参数误差,ti表示候选区域4个参数坐标向量,/>表示真实目标区域坐标向量。
进一步地,步骤S5的淤地坝坝体安全评价标准为:
若淤地坝坝体发生滑坡或漫顶缺陷,则根据滑坡对坝体完整性的损害程度分为“红”、“橙”和“蓝”三个等级;其中,“红”表明该淤地坝无法正常运行,“橙”表明该淤地坝在现场监测条件下低负荷运行,“蓝”表明该淤地坝可在短时内中低负荷运行;
若淤地坝坝体发生洞穿或溃决缺陷,则判定该淤地坝标记为无运行能力坝,无任何应急抗洪能力。
提供了一种系统,其包括三维立体数据网、淤地坝坝体数据库、淤地坝坝体缺陷识别模块、淤地坝坝体缺陷监测模块和淤地坝坝体安全性态评价模块;
三维立体数据网,用于获取长时间序列多源遥感数据、多源无人机数据以及地面监测数据;
淤地坝坝体数据库,用于构建淤地坝坝体特征数据集和淤地坝坝体缺陷特征数据集;
淤地坝坝体缺陷识别模块,用于将GF-2高分辨率遥感影像通过R-CNN算法得到所有淤地坝图像;通过Fast R-CNN算法对淤地坝图像进行识别,确定存在缺陷的淤地坝及缺陷类型,获取对应的缺陷数据并记录其位置数据;
淤地坝坝体缺陷监测模块,用于按照缺陷类型对存在缺陷的淤地坝进行分类统计,得到分类后的淤地坝;根据位置数据和地面监测数据对分类后的淤地坝进行三维建模,得到对应的三维模型并进行实时监测;
淤地坝坝体安全性态评价模块,用于根据淤地坝坝体安全评价标准,对缺陷数据输入进行模拟,得到模拟数据;根据模拟数据和三维模型,对存在缺陷的淤地坝进行评价。
进一步地,三维立体数据网包括卫星、多功能无人机及地面监测数据。
进一步地,淤地坝坝体缺陷特征数据集包括变形、位移、塌陷、洞穿、垮塌和滑坡坝体缺陷样本数据集。
进一步地,淤地坝坝体安全性态评价模块包括水利模型;水利模型为淤地坝缺陷分析模型、淤地坝溃决洪水分析模型或洪水演进模型。
本发明的有益效果为:本发明通过R-CNN算法和Fast R-CNN算法对GF-2高分辨率遥感影像进行处理,可实现对淤地坝群进行全天候、高精度、大范围监测;通过水利模型以及长时间序列高分辨率遥感数据、多源无人机数据和地面监测数据建立的三维模型协同综合分析,提高对淤地坝的评价准确率。
附图说明
图1为本发明的具体流程图;
图2为本发明的结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种淤地坝坝体缺陷监测及安全评价方法包括以下步骤:
S1、通过三维立体数据网获取长时间序列多源遥感数据、多源无人机数据以及地面监测数据;对长时间序列多源遥感数据进行处理,得到GF-2高分辨率遥感影像;
S2、基于多源无人机数据、淤地坝坝体特征数据集和淤地坝坝体缺陷特征数据集,将GF-2高分辨率遥感影像输入至淤地坝坝体缺陷识别与监测模块,通过R-CNN算法得到所有淤地坝图像;通过Fast R-CNN算法对淤地坝图像进行识别,确定存在缺陷的淤地坝及缺陷类型,获取对应的缺陷数据并记录其位置数据;
S3、按照缺陷类型对存在缺陷的淤地坝进行分类统计,得到分类后的淤地坝;
S4、根据位置数据和地面监测数据对分类后的淤地坝进行三维建模,得到对应的三维模型并进行实时监测;
S5、根据淤地坝坝体安全评价标准,将上述缺陷数据输入至淤地坝坝体安全性态评价模块进行模拟,得到对应的模拟数据;
S6、根据模拟数据和三维模型,对存在缺陷的淤地坝进行评价,完成评价。
步骤S1采用辐射定标、大气校正、正射校正以及图像融合对长时间序列多源遥感数据进行处理。
步骤S2的识别过程为:采用RPN区域候选网络对GF-2高分辨率遥感影像进行处理,得到一组原始目标并作为淤地坝候选目标;采用STN空间变换网络对淤地坝候选目标进行调整,得到调整后的淤地坝候选目标;将调整后的淤地坝候选目标输入至CNN卷积神经网络和SVM分类器进行特征提取,得到存在缺陷的淤地坝,其对应公式为:
其中,i表示目标区域索引,{Pi}表示分类层输出,{ti}表示边界框回归层输出,L({Pi},{ti})表示预测目标损失函数,Ncls表示分类层归一化参数,Nreg表示修正层归一化参数,pi表示目标区域i为前景目标的预测概率,表示真实目标区域标签,λ表示平衡系数,表示分类置信度与真实类别误差,/>表示真实目标区与预测候选区间平移缩放参数误差,ti表示候选区域4个参数坐标向量,/>表示真实目标区域坐标向量。
步骤S5的淤地坝坝体安全评价标准为:
若淤地坝坝体发生滑坡或漫顶缺陷,则根据滑坡对坝体完整性的损害程度分为“红”、“橙”和“蓝”三个等级;其中,“红”表明该淤地坝无法正常运行,“橙”表明该淤地坝在现场监测条件下低负荷运行,“蓝”表明该淤地坝可在短时内中低负荷运行;
若淤地坝坝体发生洞穿或溃决缺陷,则判定该淤地坝标记为无运行能力坝,无任何应急抗洪能力。
一种系统包括三维立体数据网、淤地坝坝体数据库、淤地坝坝体缺陷识别模块、淤地坝坝体缺陷监测模块和淤地坝坝体安全性态评价模块;
三维立体数据网,用于获取长时间序列多源遥感数据、多源无人机数据以及地面监测数据;
淤地坝坝体数据库,用于构建淤地坝坝体特征数据集和淤地坝坝体缺陷特征数据集;
淤地坝坝体缺陷识别模块,用于将GF-2高分辨率遥感影像通过R-CNN算法得到所有淤地坝图像;通过Fast R-CNN算法对淤地坝图像进行识别,确定存在缺陷的淤地坝及缺陷类型,获取对应的缺陷数据并记录其位置数据;
淤地坝坝体缺陷监测模块,用于按照缺陷类型对存在缺陷的淤地坝进行分类统计,得到分类后的淤地坝;根据位置数据和地面监测数据对分类后的淤地坝进行三维建模,得到对应的三维模型并进行实时监测;
淤地坝坝体安全性态评价模块,用于根据淤地坝坝体安全评价标准,对缺陷数据输入进行模拟,得到模拟数据;根据模拟数据和三维模型,对存在缺陷的淤地坝进行评价。
三维立体数据网包括卫星、多功能无人机及地面监测数据。
淤地坝坝体缺陷特征数据集包括变形、位移、塌陷、洞穿、垮塌和滑坡坝体缺陷样本数据集。
淤地坝坝体安全性态评价模块包括水利模型;水利模型为淤地坝缺陷分析模型、淤地坝溃决洪水分析模型或洪水演进模型。
在本发明的一个实施例中,淤地坝坝体安全评价标准是组织相关专家或技术人员,对缺陷淤地坝坝体高分辨率图像进行分析研究,就起防洪拦蓄安全性进行安全评价,并对淤地坝按不同预警等级进行划分。3D模型是通过运用高分辨率遥感影像建立研究区3D可视化交互模型,使用户更加直观便捷的了解研究区地形地貌特征,以及运用无人机航测技术获取重点淤地坝实时图像数据,并建立各重点淤地坝的3D可视化模型,便于用户更好更快的了解重点淤地坝的坝体情况。同时,为了方便相关责任人及时了解管辖区内淤地坝和缺陷淤地坝分布及其他情况,系统将存在缺陷的淤地坝及缺陷类型,获取对应的缺陷数据并记录其位置数据与3D可视化模型进行同步展现。
如图2所示,基于Django、Unity3D、WebGL、Three.js和Vue搭建系统,其包括PC端、移动端和坝体缺陷报警发送模块,PC端包括Windows、Mac和Linx操作系统,移动端包括ipad和手机,坝体缺陷报警发送模块包括短信和邮件;其中,Django为Web运用框架,Unity3D为3D图形开发引擎,WebGL为3D绘图协议,Three.js为WebCL引擎,Vue为JavaScript框架。在得到评价结果后,充分运用系统的跨平台数据同步应用功能,将预警预报信息通过短信、邮件和系统通讯体系发送至各淤地坝现场管理人员及下游老百姓,确保淤地坝预警通知发布不漏一职、不漏一人,保证淤地坝及下游人民群众的安全,并实现淤地坝多数据监测集成化、信息化和智慧化,更加方便相关管理人员的管理工作。
综上所述,本发明通过R-CNN算法和Fast R-CNN算法对GF-2高分辨率遥感影像进行处理,可实现对淤地坝群进行全天候、高精度、大范围监测;通过水利模型以及长时间序列高分辨率遥感数据、多源无人机数据和地面监测数据建立的三维模型协同综合分析,提高对淤地坝的评价准确率。
Claims (8)
1.一种淤地坝坝体缺陷监测及安全评价方法,其特征在于:包括以下步骤:
S1、通过三维立体数据网获取长时间序列多源遥感数据、多源无人机数据以及地面监测数据;对长时间序列多源遥感数据进行处理,得到GF-2高分辨率遥感影像;
S2、基于多源无人机数据、淤地坝坝体特征数据集和淤地坝坝体缺陷特征数据集,将GF-2高分辨率遥感影像输入至淤地坝坝体缺陷识别与监测模块,通过R-CNN算法得到所有淤地坝图像;通过Fast R-CNN算法对淤地坝图像进行识别,确定存在缺陷的淤地坝及缺陷类型,获取对应的缺陷数据并记录其位置数据;
S3、按照缺陷类型对存在缺陷的淤地坝进行分类统计,得到分类后的淤地坝;
S4、根据位置数据和地面监测数据对分类后的淤地坝进行三维建模,得到对应的三维模型并进行实时监测;
S5、根据淤地坝坝体安全评价标准,将上述缺陷数据输入至淤地坝坝体安全性态评价模块进行模拟,得到对应的模拟数据;
S6、根据模拟数据和三维模型,对存在缺陷的淤地坝进行评价,完成评价。
2.根据权利要求1所述的淤地坝坝体缺陷监测及安全评价方法,其特征在于:所述步骤S1采用辐射定标、大气校正、正射校正以及图像融合对长时间序列多源遥感数据进行处理。
3.根据权利要求1所述的淤地坝坝体缺陷监测及安全评价方法,其特征在于:所述步骤S2的识别过程为:采用RPN区域候选网络对GF-2高分辨率遥感影像进行处理,得到一组原始目标并作为淤地坝候选目标;采用STN空间变换网络对淤地坝候选目标进行调整,得到调整后的淤地坝候选目标;将调整后的淤地坝候选目标输入至CNN卷积神经网络和SVM分类器进行特征提取,得到存在缺陷的淤地坝,其对应公式为:
其中,i表示目标区域索引,{Pi}表示分类层输出,{ti}表示边界框回归层输出,L({Pi},{ti})表示预测目标损失函数,Ncls表示分类层归一化参数,Nreg表示修正层归一化参数,pi表示目标区域i为前景目标的预测概率,表示真实目标区域标签,λ表示平衡系数,表示分类置信度与真实类别误差,/>表示真实目标区与预测候选区间平移缩放参数误差,ti表示候选区域4个参数坐标向量,/>表示真实目标区域坐标向量。
4.根据权利要求1所述的淤地坝坝体缺陷监测及安全评价方法,其特征在于:所述步骤S5的淤地坝坝体安全评价标准为:
若淤地坝坝体发生滑坡或漫顶缺陷,则根据滑坡对坝体完整性的损害程度分为“红”、“橙”和“蓝”三个等级;其中,“红”表明该淤地坝无法正常运行,“橙”表明该淤地坝在现场监测条件下低负荷运行,“蓝”表明该淤地坝可在短时内中低负荷运行;
若淤地坝坝体发生洞穿或溃决缺陷,则判定该淤地坝标记为无运行能力坝,无任何应急抗洪能力。
5.一种基于权利要求1至4任一所述的一种淤地坝坝体缺陷监测及安全评价方法的系统,其特征在于:包括三维立体数据网、淤地坝坝体数据库、淤地坝坝体缺陷识别模块、淤地坝坝体缺陷监测模块和淤地坝坝体安全性态评价模块;
所述三维立体数据网,用于获取长时间序列多源遥感数据、多源无人机数据以及地面监测数据;
所述淤地坝坝体数据库,用于构建淤地坝坝体特征数据集和淤地坝坝体缺陷特征数据集;
所述淤地坝坝体缺陷识别模块,用于将GF-2高分辨率遥感影像通过R-CNN算法得到所有淤地坝图像;通过Fast R-CNN算法对淤地坝图像进行识别,确定存在缺陷的淤地坝及缺陷类型,获取对应的缺陷数据并记录其位置数据;
所述淤地坝坝体缺陷监测模块,用于按照缺陷类型对存在缺陷的淤地坝进行分类统计,得到分类后的淤地坝;根据位置数据和地面监测数据对分类后的淤地坝进行三维建模,得到对应的三维模型并进行实时监测;
所述淤地坝坝体安全性态评价模块,用于根据淤地坝坝体安全评价标准,对缺陷数据输入进行模拟,得到模拟数据;根据模拟数据和三维模型,对存在缺陷的淤地坝进行评价。
6.根据权利要求5所述的系统,其特征在于:所述三维立体数据网包括卫星、多功能无人机及地面监测数据。
7.根据权利要求5所述的系统,其特征在于:所述淤地坝坝体缺陷特征数据集包括变形、位移、塌陷、洞穿、垮塌和滑坡坝体缺陷样本数据集。
8.根据权利要求5所述的系统,其特征在于:所述淤地坝坝体安全性态评价模块包括水利模型;所述水利模型为淤地坝缺陷分析模型、淤地坝溃决洪水分析模型或洪水演进模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048486.1A CN117078627B (zh) | 2023-08-18 | 2023-08-18 | 一种淤地坝坝体缺陷监测及安全评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048486.1A CN117078627B (zh) | 2023-08-18 | 2023-08-18 | 一种淤地坝坝体缺陷监测及安全评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078627A true CN117078627A (zh) | 2023-11-17 |
CN117078627B CN117078627B (zh) | 2024-02-27 |
Family
ID=88709219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311048486.1A Active CN117078627B (zh) | 2023-08-18 | 2023-08-18 | 一种淤地坝坝体缺陷监测及安全评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078627B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708762A (zh) * | 2024-02-06 | 2024-03-15 | 中国电建集团西北勘测设计研究院有限公司 | 一种多监测点联合监测的大坝安全监测模型构建方法 |
CN117809172A (zh) * | 2023-11-20 | 2024-04-02 | 北京师范大学 | 一种基于遥感图片的大坝识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
CN112419690A (zh) * | 2020-11-24 | 2021-02-26 | 中国水利水电科学研究院 | 一种应用于大坝安全智能监控与报警的展示系统 |
CN112750138A (zh) * | 2021-01-14 | 2021-05-04 | 黄河勘测规划设计研究院有限公司 | 一种黄河流域淤地坝空间分布识别方法 |
CN112945595A (zh) * | 2021-01-26 | 2021-06-11 | 西安理工大学 | 一种淤地坝溃决过程的试验设备及试验方法 |
KR20210115245A (ko) * | 2020-03-12 | 2021-09-27 | 이용 | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 |
CN114707227A (zh) * | 2022-04-28 | 2022-07-05 | 水利部南京水利水文自动化研究所 | 一种基于数字孪生的大坝安全预警消警方法及系统 |
CN115223337A (zh) * | 2022-06-30 | 2022-10-21 | 山东大学 | 一种堤防渗流自动监测预警系统及监测预警方法 |
CN115909662A (zh) * | 2022-10-08 | 2023-04-04 | 内蒙古工业大学 | 一种淤地坝防洪预警方法与系统 |
-
2023
- 2023-08-18 CN CN202311048486.1A patent/CN117078627B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
KR20210115245A (ko) * | 2020-03-12 | 2021-09-27 | 이용 | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 |
CN112419690A (zh) * | 2020-11-24 | 2021-02-26 | 中国水利水电科学研究院 | 一种应用于大坝安全智能监控与报警的展示系统 |
CN112750138A (zh) * | 2021-01-14 | 2021-05-04 | 黄河勘测规划设计研究院有限公司 | 一种黄河流域淤地坝空间分布识别方法 |
CN112945595A (zh) * | 2021-01-26 | 2021-06-11 | 西安理工大学 | 一种淤地坝溃决过程的试验设备及试验方法 |
CN114707227A (zh) * | 2022-04-28 | 2022-07-05 | 水利部南京水利水文自动化研究所 | 一种基于数字孪生的大坝安全预警消警方法及系统 |
CN115223337A (zh) * | 2022-06-30 | 2022-10-21 | 山东大学 | 一种堤防渗流自动监测预警系统及监测预警方法 |
CN115909662A (zh) * | 2022-10-08 | 2023-04-04 | 内蒙古工业大学 | 一种淤地坝防洪预警方法与系统 |
Non-Patent Citations (3)
Title |
---|
LIQUAN SUN等: "Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China", 《JOURNAL OF ARID LAND》, vol. 15, pages 34 * |
XIMING ZHANG 等: "Proposal-Based Visual Tracking Using Spatial Cascaded Transformed Region Proposal Network", 《SENSORS》, vol. 20, no. 17, pages 1 - 20 * |
于沭等: "淤地坝系风险预警防控平台研究与应用", 《水土保持通报》, vol. 43, no. 1, pages 84 - 91 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809172A (zh) * | 2023-11-20 | 2024-04-02 | 北京师范大学 | 一种基于遥感图片的大坝识别方法及装置 |
CN117708762A (zh) * | 2024-02-06 | 2024-03-15 | 中国电建集团西北勘测设计研究院有限公司 | 一种多监测点联合监测的大坝安全监测模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117078627B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117078627B (zh) | 一种淤地坝坝体缺陷监测及安全评价方法及系统 | |
CN108170714A (zh) | 一种台风灾害监测与评估的三维模拟系统 | |
CN104021586A (zh) | 基于北斗定位的空地一体城市生态文明管理系统及方法 | |
CN111784082B (zh) | 一种基于大数据的gis山洪预防预警系统 | |
CN111340668B (zh) | 一种台风灾害评估系统 | |
CN114565313A (zh) | 一种地质灾害隐患判识以及分析评估方法及系统 | |
CN110287455A (zh) | 一种结合遥感数据与社会感知数据的pm2.5深度学习反演方法 | |
CN113469278B (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
CN111866453A (zh) | 一种基于人工智能和bim的堰塞坝应急监测预警方法 | |
AU2022283648B2 (en) | Hierarchical context in risk assessment using machine learning | |
KR102564218B1 (ko) | 드론 영상과 인공지능을 이용한 침수 범람 예측 시스템 | |
Kim et al. | Mapping local vulnerabilities into a 3D city model through social sensing and the CAVE system toward digital twin city | |
CN116994156B (zh) | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 | |
CN111966746B (zh) | 一种气象防灾减灾流程监控系统及其监控方法 | |
CN115841014A (zh) | 森林火灾现场处置危险性评估方法 | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
CN115953556A (zh) | 暴雨内涝道路风险ar预警方法及装置 | |
Yang et al. | Flood detection based on unmanned aerial vehicle system and deep learning | |
CN112581301A (zh) | 一种基于深度学习的农田残膜残留量的检测预警方法及系统 | |
CN116884198A (zh) | 铁路路基形变监测及灾害预警的智慧型数字孪生管理系统 | |
CN116524143A (zh) | 一种gis地图构建方法 | |
Yang et al. | An integrated space-air-ground monitoring and early warning system of landslide disaster | |
Li et al. | “3S” Technologies and Application for Dynamic Monitoring Soil and Water Loss in the Yangtze River Basin, China | |
Hewson et al. | Medicane Daniel: an extraordinary cyclone with devastating impacts | |
CN117725370B (zh) | 一种分钟级沙尘天气识别方法、装置、设备及介质 |
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 |