CN117495967A - 一种隧道掌子面位移场监测方法 - Google Patents

一种隧道掌子面位移场监测方法 Download PDF

Info

Publication number
CN117495967A
CN117495967A CN202311843087.4A CN202311843087A CN117495967A CN 117495967 A CN117495967 A CN 117495967A CN 202311843087 A CN202311843087 A CN 202311843087A CN 117495967 A CN117495967 A CN 117495967A
Authority
CN
China
Prior art keywords
profile
time
displacement
point
displacement field
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
Application number
CN202311843087.4A
Other languages
English (en)
Other versions
CN117495967B (zh
Inventor
杨九明
杜伟
白皓
李欣
黄兵
刘勇
朱峻枫
傅舰锋
周泽林
朱劲
孟海龙
杨自成
王武斌
刘凯文
唐浩
刘纯玉
杨朝栋
胡瑶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China 19th Metallurgical Group Co ltd
Sichuan Dehui Expressway Co ltd
Sichuan Expressway Construction And Development Group Co ltd
Original Assignee
China 19th Metallurgical Group Co ltd
Sichuan Dehui Expressway Co ltd
Sichuan Expressway Construction And Development 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 China 19th Metallurgical Group Co ltd, Sichuan Dehui Expressway Co ltd, Sichuan Expressway Construction And Development Group Co ltd filed Critical China 19th Metallurgical Group Co ltd
Priority to CN202311843087.4A priority Critical patent/CN117495967B/zh
Publication of CN117495967A publication Critical patent/CN117495967A/zh
Application granted granted Critical
Publication of CN117495967B publication Critical patent/CN117495967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种隧道掌子面位移场监测方法，属于图像处理技术领域，本发明中获取了监测视频中不同时间的多张隧道掌子面图像，并提取出轮廓图，对轮廓图切分处理，找到每个图块中的一个目标点，该目标点即为对比点，根据时间最远的轮廓图和时间最近的轮廓图上图块的目标点的位置，计算出时间最远的轮廓图和时间最近的轮廓图上目标点的位移量，从而初步判断出该段时间内是否存在位移，若存在位移，则根据各张轮廓图上的目标点位置变化，找到该段时间内发生的位移变化，该种位移变化通过位移场阵列表达，无需固定的参考点，避免数据的配准，且在每个图块中设定了一个目标点，得到每个目标点处的位移场，提高了监测精度。

Description

一种隧道掌子面位移场监测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种隧道掌子面位移场监测方法。
背景技术
隧道掌子面是指地下工程或采矿工程中开挖的工作面，监测隧道掌子面的位移场是保护工作人员生命安全的重要环节。
近年来采用三维激光点云对隧道掌子面位移场进行监测，扫描支护和隧道掌子面，需要以支护的位置作为参考对三维激光点云数据进行配准，实现对隧道掌子面形变进行定位和追踪，进而有利于根据配准后的结果展开隧道开挖面稳定性分析。但是实际上，对三维激光点云数据进行配准存在复杂的运算过程，且支护的位置也并非完全固定不变，也会存在移动，因此，采用三维激光点云对隧道掌子面位移场进行监测，存在监测精度不高的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种隧道掌子面位移场监测方法解决了现有采用三维激光点云对隧道掌子面位移场进行监测，存在监测精度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种隧道掌子面位移场监测方法，包括以下步骤：
S1、从隧道掌子面的监测视频中，等时间间距采样多张隧道掌子面图像；
S2、剔除每张隧道掌子面图像上的非轮廓像素点，得到轮廓图；
S3、将每张隧道掌子面图像对应的轮廓图进行切分成多份，得到一张轮廓图对应的多个图块；
S4、根据时间最远的轮廓图和时间最近的轮廓图上图块的目标点的位置，计算位移量；
S5、在位移量大于位移阈值时，隧道掌子面存在位移；
S6、根据各张轮廓图上的目标点位置变化，得到隧道掌子面的位移场阵列。
进一步地，所述S2包括以下分步骤：
S21、将隧道掌子面图像上任一像素点作为中心点；
S22、从中心点的3×3邻域范围内提取出最大像素值和最小像素值，计算最大像素距离；
S23、计算中心点的3×3邻域范围像素点的像素值与中心点的像素值的距离，得到平均像素距离；
S24、在平均像素距离和最大像素距离满足距离条件时，中心点标记为非轮廓像素点；
S25、跳转至步骤S21，选取下一像素点作为中心点，直到隧道掌子面图像上所有像素点遍历完，从隧道掌子面图像上剔除非轮廓像素点，得到轮廓图。
进一步地，所述S22中计算最大像素距离的公式为：
，
其中，dmax为最大像素距离，max为取集合中的最大像素值，min为取集合中的最小像素值，pi为中心点的3×3邻域范围内第i个像素点的像素值，po为中心点的像素值，i为中心点的3×3邻域范围内像素点的编号；
所述平均像素距离的计算公式为：
，
其中，davg为平均像素距离。
进一步地，所述S24中距离条件为：
，
其中，dth为像素距离阈值。
上述进一步地方案的有益效果为：本发明通过遍历隧道掌子面图像上每一个像素点的方式，根据每个像素点邻域范围内像素值的情况，从而确定出中心点是否为非轮廓像素点，在进行非轮廓像素点判断时，一方面通过整个邻域范围内最大像素值和最小像素值的距离，另一方面通过邻域范围内周边像素值与中心像素值的距离，综合两种距离量，避免个别的噪声点影响非轮廓像素点的判断，提高非轮廓像素点的判断精度。
进一步地，所述S4包括以下分步骤：
S41、从每个图块上筛选出目标点；
S42、根据时间最远的轮廓图和时间最近的轮廓图上的所有目标点，计算位移量。
进一步地，所述S41中目标点坐标的表达式为：
，
，
其中，xo为目标点的横坐标，yo为目标点的纵坐标，xj为每个图块上的第j个像素点的横坐标，yj为每个图块上的第j个像素点的纵坐标，N为图块上像素点的数量。
上述进一步地方案的有益效果为：本发明中的多张轮廓图采用相同的划分方式得到多个图块，从每个图块上选取一个目标点，在隧道掌子面不发生形变时，则相同区域的图块的目标点在空间上是同一位置，在图像上的位置也不会发生变化，因此，本发明中对比该段时间内，时间最远的轮廓图和时间最近的轮廓图上目标点的变化，在超过位移阈值时，则隧道掌子面存在移位。
本发明取图块上所有像素点的横坐标均值作为目标点的横坐标，取图块上所有像素点的纵坐标均值作为目标点的纵坐标，从而减少个别异常噪点的影响。
进一步地，所述S42中计算位移量的公式为：
，
其中，L为位移量，xo,old,k为时间最远的轮廓图上第k个图块的目标点的横坐标，yo,old,k为时间最远的轮廓图上第k个图块的目标点的纵坐标，xo,new,k为时间最近的轮廓图上第k个图块的目标点的横坐标，yo,new,k为时间最近的轮廓图上第k个图块的目标点的纵坐标，k为图块的编号，K为轮廓图上图块的数量，所有轮廓图采用相同切分方式，时间最远的轮廓图上第k个图块与时间最近的轮廓图上第k个图块为相同图像区域。
上述进一步地方案的有益效果为：在计算位移量时，综合时间最远的轮廓图和时间最近的轮廓图上所有目标点的对比，提高计算位移量的精度，精确判断出隧道掌子面是否存在位移。
进一步地，所述S6中位移场阵列的表达式为：
，
其中，H为隧道掌子面的位移场阵列，y2,1,1为第2时刻的轮廓图与第1时刻的轮廓图在第1个图块处的位移场，ym,m-1,1为第m时刻的轮廓图与第m-1时刻的轮廓图在第1个图块处的位移场，yM,M-1,1为第M时刻的轮廓图与第M-1时刻的轮廓图在第1个图块处的位移场，y2,1,k为第2时刻的轮廓图与第1时刻的轮廓图在第k个图块处的位移场，ym,m-1,k为第m时刻的轮廓图与第m-1时刻的轮廓图在第k个图块处的位移场，yM,M-1,k为第M时刻的轮廓图与第M-1时刻的轮廓图在第k个图块处的位移场，y2,1,K为第2时刻的轮廓图与第1时刻的轮廓图在第K个图块处的位移场，ym,m-1,K为第m时刻的轮廓图与第m-1时刻的轮廓图在第K个图块处的位移场，yM,M-1,K为第M时刻的轮廓图与第M-1时刻的轮廓图在第K个图块处的位移场，K为轮廓图上图块的数量，m为时刻的编号，M为时刻的数量，k为图块的编号。
上述进一步地方案的有益效果为：本发明中位移场阵列横向表达一个图块上一个目标点相邻时间的位移量，位移场阵列纵向表达相邻时间不同图块目标点的位移量。
进一步地，所述第m时刻的轮廓图与第m-1时刻的轮廓图在第k个图块处的位移场ym,m-1,k的表达式为：
，
，
，
其中，xk为第k个图块上目标点的横向移动距离，yk为第k个图块上目标点的纵向移动距离，xm,k为第m时刻的轮廓图上第k个图块上目标点的横坐标，xm-1,k为第m-1时刻的轮廓图上第k个图块上目标点的横坐标，ym,k为第m时刻的轮廓图上第k个图块上目标点的纵坐标，ym-1,k为第m-1时刻的轮廓图上第k个图块上目标点的纵坐标，exp为以自然常数为底的指数函数，arctan为反正切函数，r为虚数单位。
上述进一步地方案的有益效果为：本发明中位移场包括位移长度和方位，通过相邻时刻的轮廓图上同一个图块目标点的位置变化，计算出在一个图块区域中一段时间内的位移场。
综上，本发明的有益效果为：本发明中获取监测视频中不同时间的多张隧道掌子面图像，并提取出轮廓图，对轮廓图切分处理，找到每个图块中的一个目标点，该目标点即为对比点，根据时间最远的轮廓图和时间最近的轮廓图上图块的目标点的位置，计算出时间最远的轮廓图和时间最近的轮廓图上目标点的位移量，从而初步判断出该段时间内是否存在位移，若存在位移，则根据各张轮廓图上的目标点位置变化，找到该段时间内发生的位移变化，该种位移变化通过位移场阵列表达，无需固定的参考点，本发明中目标点可随时间而变化，避免数据的配准，且在每个图块中设定了一个目标点，得到每个目标点处的位移场，提高了监测精度。
附图说明
图1为一种隧道掌子面位移场监测方法的流程图。
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，一种隧道掌子面位移场监测方法，包括以下步骤：
S1、从隧道掌子面的监测视频中，等时间间距采样多张隧道掌子面图像；
S2、剔除每张隧道掌子面图像上的非轮廓像素点，得到轮廓图；
S3、将每张隧道掌子面图像对应的轮廓图进行切分成多份，得到一张轮廓图对应的多个图块；
在本实施例中，步骤S3中轮廓图切分的数量根据需求而定，例如切分成5×5个图块，即得到25个图块，横向5列，纵向5行，即将轮廓图等分为25份；
S4、根据时间最远的轮廓图和时间最近的轮廓图上图块的目标点的位置，计算位移量；
在本实施例中，时间最远和时间最近是相对于步骤S1中获取的一段时间内的多张隧道掌子面图像而言，即时间最久的图像和时间最新的图像；
S5、在位移量大于位移阈值时，隧道掌子面存在位移；
S6、根据各张轮廓图上的目标点位置变化，得到隧道掌子面的位移场阵列。
在本实施例中录制监测视频的探头保持固定。
所述S2包括以下分步骤：
S21、将隧道掌子面图像上任一像素点作为中心点；
S22、从中心点的3×3邻域范围内提取出最大像素值和最小像素值，计算最大像素距离；
S23、计算中心点的3×3邻域范围像素点的像素值与中心点的像素值的距离，得到平均像素距离；
S24、在平均像素距离和最大像素距离满足距离条件时，中心点标记为非轮廓像素点；
S25、跳转至步骤S21，选取下一像素点作为中心点，直到隧道掌子面图像上所有像素点遍历完，从隧道掌子面图像上剔除非轮廓像素点，得到轮廓图。
所述S22中计算最大像素距离的公式为：
，
其中，dmax为最大像素距离，max为取集合中的最大像素值，min为取集合中的最小像素值，pi为中心点的3×3邻域范围内第i个像素点的像素值，po为中心点的像素值，i为中心点的3×3邻域范围内像素点的编号；
所述平均像素距离的计算公式为：
，
其中，davg为平均像素距离。
所述S24中距离条件为：
，
其中，dth为像素距离阈值。
在本实施例中，像素距离阈值和位移阈值根据经验进行设置。
本发明通过遍历隧道掌子面图像上每一个像素点的方式，根据每个像素点邻域范围内像素值的情况，从而确定出中心点是否为非轮廓像素点，在进行非轮廓像素点判断时，一方面通过整个邻域范围内最大像素值和最小像素值的距离，另一方面通过邻域范围内周边像素值与中心像素值的距离，综合两种距离量，避免个别的噪声点影响非轮廓像素点的判断，提高非轮廓像素点的判断精度。
所述S4包括以下分步骤：
S41、从每个图块上筛选出目标点；
S42、根据时间最远的轮廓图和时间最近的轮廓图上的所有目标点，计算位移量。
所述S41中目标点坐标的表达式为：
，
，
其中，xo为目标点的横坐标，yo为目标点的纵坐标，xj为每个图块上的第j个像素点的横坐标，yj为每个图块上的第j个像素点的纵坐标，N为图块上像素点的数量。
在上述步骤中，剔除了非轮廓像素点，剩余的像素点代表了隧道掌子面的形态，因此，中心点的选取也代表了隧道掌子面的形态，中心点随隧道掌子面的形态变化而变化。
本发明中的多张轮廓图采用相同的划分方式得到多个图块，从每个图块上选取一个目标点，在隧道掌子面不发生形变时，则相同区域的图块的目标点在空间上是同一位置，在图像上的位置也不会发生变化，因此，本发明中对比该段时间内，时间最远的轮廓图和时间最近的轮廓图上目标点的变化，在超过位移阈值时，则隧道掌子面存在移位。
本发明取图块上所有像素点的横坐标均值作为目标点的横坐标，取图块上所有像素点的纵坐标均值作为目标点的纵坐标，从而减少个别异常噪点的影响。
所述S42中计算位移量的公式为：
，
其中，L为位移量，xo,old,k为时间最远的轮廓图上第k个图块的目标点的横坐标，yo,old,k为时间最远的轮廓图上第k个图块的目标点的纵坐标，xo,new,k为时间最近的轮廓图上第k个图块的目标点的横坐标，yo,new,k为时间最近的轮廓图上第k个图块的目标点的纵坐标，k为图块的编号，K为轮廓图上图块的数量，所有轮廓图采用相同切分方式，时间最远的轮廓图上第k个图块与时间最近的轮廓图上第k个图块为相同图像区域。
在计算位移量时，综合时间最远的轮廓图和时间最近的轮廓图上所有目标点的对比，提高计算位移量的精度，精确判断出隧道掌子面是否存在位移。
所述S6中位移场阵列的表达式为：
，
其中，H为隧道掌子面的位移场阵列，y2,1,1为第2时刻的轮廓图与第1时刻的轮廓图在第1个图块处的位移场，ym,m-1,1为第m时刻的轮廓图与第m-1时刻的轮廓图在第1个图块处的位移场，yM,M-1,1为第M时刻的轮廓图与第M-1时刻的轮廓图在第1个图块处的位移场，y2,1,k为第2时刻的轮廓图与第1时刻的轮廓图在第k个图块处的位移场，ym,m-1,k为第m时刻的轮廓图与第m-1时刻的轮廓图在第k个图块处的位移场，yM,M-1,k为第M时刻的轮廓图与第M-1时刻的轮廓图在第k个图块处的位移场，y2,1,K为第2时刻的轮廓图与第1时刻的轮廓图在第K个图块处的位移场，ym,m-1,K为第m时刻的轮廓图与第m-1时刻的轮廓图在第K个图块处的位移场，yM,M-1,K为第M时刻的轮廓图与第M-1时刻的轮廓图在第K个图块处的位移场，K为轮廓图上图块的数量，m为时刻的编号，M为时刻的数量，k为图块的编号。
在本实施例中，m大于m-1，即可以理解为m是较新的时刻，m-1是旧时刻，也可以理解为m-1是较新的时刻，m是旧时刻，但m和m-1在时间上是相邻采样的两个时刻。
本发明中位移场阵列横向表达一个图块上一个目标点相邻时间的位移量，位移场阵列纵向表达相邻时间不同图块目标点的位移量。
在本实施例中，位移场阵列中所有元素按下式进行计算，第m时刻的轮廓图与第m-1时刻的轮廓图在第k个图块处的位移场ym,m-1,k的表达式为：
，
，
，
其中，xk为第k个图块上目标点的横向移动距离，yk为第k个图块上目标点的纵向移动距离，xm,k为第m时刻的轮廓图上第k个图块上目标点的横坐标，xm-1,k为第m-1时刻的轮廓图上第k个图块上目标点的横坐标，ym,k为第m时刻的轮廓图上第k个图块上目标点的纵坐标，ym-1,k为第m-1时刻的轮廓图上第k个图块上目标点的纵坐标，exp为以自然常数为底的指数函数，arctan为反正切函数，r为虚数单位。
本发明中位移场包括位移长度和方位，通过相邻时刻的轮廓图上同一个图块目标点的位置变化，计算出在一个图块区域中一段时间内的位移场。
本发明中获取了监测视频中不同时间的多张隧道掌子面图像，并提取出轮廓图，对轮廓图切分处理，找到每个图块中的一个目标点，该目标点即为对比点，根据时间最远的轮廓图和时间最近的轮廓图上图块的目标点的位置，计算出时间最远的轮廓图和时间最近的轮廓图上目标点的位移量，从而初步判断出该段时间内是否存在位移，若存在位移，则根据各张轮廓图上的目标点位置变化，找到该段时间内发生的位移变化，该种位移变化通过位移场阵列表达，无需固定的参考点，避免数据的配准，且在每个图块中设定了一个目标点，得到每个目标点处的位移场，提高了监测精度。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种隧道掌子面位移场监测方法，其特征在于，包括以下步骤：
S1、从隧道掌子面的监测视频中，等时间间距采样多张隧道掌子面图像；
S2、剔除每张隧道掌子面图像上的非轮廓像素点，得到轮廓图；
S3、将每张隧道掌子面图像对应的轮廓图进行切分成多份，得到一张轮廓图对应的多个图块；
S4、根据时间最远的轮廓图和时间最近的轮廓图上图块的目标点的位置，计算位移量；
S5、在位移量大于位移阈值时，隧道掌子面存在位移；
S6、根据各张轮廓图上的目标点位置变化，得到隧道掌子面的位移场阵列。
2.根据权利要求1所述的隧道掌子面位移场监测方法，其特征在于，所述S2包括以下分步骤：
S21、将隧道掌子面图像上任一像素点作为中心点；
S22、从中心点的3×3邻域范围内提取出最大像素值和最小像素值，计算最大像素距离；
S23、计算中心点的3×3邻域范围像素点的像素值与中心点的像素值的距离，得到平均像素距离；
S24、在平均像素距离和最大像素距离满足距离条件时，中心点标记为非轮廓像素点；
S25、跳转至步骤S21，选取下一像素点作为中心点，直到隧道掌子面图像上所有像素点遍历完，从隧道掌子面图像上剔除非轮廓像素点，得到轮廓图。
3.根据权利要求2所述的隧道掌子面位移场监测方法，其特征在于，所述S22中计算最大像素距离的公式为：
，
其中，dmax为最大像素距离，max为取集合中的最大像素值，min为取集合中的最小像素值，pi为中心点的3×3邻域范围内第i个像素点的像素值，po为中心点的像素值，i为中心点的3×3邻域范围内像素点的编号；
所述平均像素距离的计算公式为：
，
其中，davg为平均像素距离。
4.根据权利要求3所述的隧道掌子面位移场监测方法，其特征在于，所述S24中距离条件为：
，
其中，dth为像素距离阈值。
5.根据权利要求1所述的隧道掌子面位移场监测方法，其特征在于，所述S4包括以下分步骤：
S41、从每个图块上筛选出目标点；
S42、根据时间最远的轮廓图和时间最近的轮廓图上的所有目标点，计算位移量。
6.根据权利要求5所述的隧道掌子面位移场监测方法，其特征在于，所述S41中目标点坐标的表达式为：
，
，
其中，xo为目标点的横坐标，yo为目标点的纵坐标，xj为每个图块上的第j个像素点的横坐标，yj为每个图块上的第j个像素点的纵坐标，N为图块上像素点的数量。
7.根据权利要求5所述的隧道掌子面位移场监测方法，其特征在于，所述S42中计算位移量的公式为：
，
其中，L为位移量，xo,old,k为时间最远的轮廓图上第k个图块的目标点的横坐标，yo,old,k为时间最远的轮廓图上第k个图块的目标点的纵坐标，xo,new,k为时间最近的轮廓图上第k个图块的目标点的横坐标，yo,new,k为时间最近的轮廓图上第k个图块的目标点的纵坐标，k为图块的编号，K为轮廓图上图块的数量，所有轮廓图采用相同切分方式，时间最远的轮廓图上第k个图块与时间最近的轮廓图上第k个图块为相同图像区域。
8.根据权利要求5所述的隧道掌子面位移场监测方法，其特征在于，所述S6中位移场阵列的表达式为：
，
其中，H为隧道掌子面的位移场阵列，y2,1,1为第2时刻的轮廓图与第1时刻的轮廓图在第1个图块处的位移场，ym,m-1,1为第m时刻的轮廓图与第m-1时刻的轮廓图在第1个图块处的位移场，yM,M-1,1为第M时刻的轮廓图与第M-1时刻的轮廓图在第1个图块处的位移场，y2,1,k为第2时刻的轮廓图与第1时刻的轮廓图在第k个图块处的位移场，ym,m-1,k为第m时刻的轮廓图与第m-1时刻的轮廓图在第k个图块处的位移场，yM,M-1,k为第M时刻的轮廓图与第M-1时刻的轮廓图在第k个图块处的位移场，y2,1,K为第2时刻的轮廓图与第1时刻的轮廓图在第K个图块处的位移场，ym,m-1,K为第m时刻的轮廓图与第m-1时刻的轮廓图在第K个图块处的位移场，yM,M-1,K为第M时刻的轮廓图与第M-1时刻的轮廓图在第K个图块处的位移场，K为轮廓图上图块的数量，m为时刻的编号，M为时刻的数量，k为图块的编号。
9.根据权利要求8所述的隧道掌子面位移场监测方法，其特征在于，所述第m时刻的轮廓图与第m-1时刻的轮廓图在第k个图块处的位移场ym,m-1,k的表达式为：
，
，
，
其中，xk为第k个图块上目标点的横向移动距离，yk为第k个图块上目标点的纵向移动距离，xm,k为第m时刻的轮廓图上第k个图块上目标点的横坐标，xm-1,k为第m-1时刻的轮廓图上第k个图块上目标点的横坐标，ym,k为第m时刻的轮廓图上第k个图块上目标点的纵坐标，ym-1,k为第m-1时刻的轮廓图上第k个图块上目标点的纵坐标，exp为以自然常数为底的指数函数，arctan为反正切函数，r为虚数单位。
CN202311843087.4A 2023-12-29 2023-12-29 一种隧道掌子面位移场监测方法 Active CN117495967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311843087.4A CN117495967B (zh) 2023-12-29 2023-12-29 一种隧道掌子面位移场监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311843087.4A CN117495967B (zh) 2023-12-29 2023-12-29 一种隧道掌子面位移场监测方法

Publications (2)

Publication Number Publication Date
CN117495967A true CN117495967A (zh) 2024-02-02
CN117495967B CN117495967B (zh) 2024-04-05

Family

ID=89669347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311843087.4A Active CN117495967B (zh) 2023-12-29 2023-12-29 一种隧道掌子面位移场监测方法

Country Status (1)

Country Link
CN (1) CN117495967B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118033727A (zh) * 2024-02-23 2024-05-14 重庆交通大学 非接触式和单个接触式隧道掌子面检波器及数据处理方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865922A (zh) * 2016-05-20 2016-08-17 天津大学 双线隧道开挖掌子面加卸荷模拟测试系统
JP2017115388A (ja) * 2015-12-24 2017-06-29 前田建設工業株式会社 トンネル切羽面の変位監視装置
WO2018032700A1 (zh) * 2016-08-16 2018-02-22 广州视源电子科技股份有限公司 跟踪指蹼位置的方法及其装置
CN110006333A (zh) * 2019-04-24 2019-07-12 中国矿业大学(北京) 一种围岩三维位移场的监测方法
WO2020114466A1 (zh) * 2018-12-05 2020-06-11 中国铁建重工集团股份有限公司 一种隧道点云数据分析方法及系统
US20210390231A1 (en) * 2020-06-16 2021-12-16 North China Institute Of Science And Technology Method for Rapidly Acquiring Multi-Field Response of Mining-induced Coal Rock
CN115388798A (zh) * 2022-08-15 2022-11-25 上海同岩土木工程科技股份有限公司 一种隧道开挖面变形快速测量方法及装置
CN115479568A (zh) * 2022-08-10 2022-12-16 山东科技大学 一种工作面底板岩层变形测量方法
CN115690184A (zh) * 2022-10-24 2023-02-03 西南交通大学 一种基于三维激光扫描的隧道掌子面位移量测方法
CN115930800A (zh) * 2023-02-21 2023-04-07 西南石油大学 一种基于三维激光点云的隧道掌子面位移场监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017115388A (ja) * 2015-12-24 2017-06-29 前田建設工業株式会社 トンネル切羽面の変位監視装置
CN105865922A (zh) * 2016-05-20 2016-08-17 天津大学 双线隧道开挖掌子面加卸荷模拟测试系统
WO2018032700A1 (zh) * 2016-08-16 2018-02-22 广州视源电子科技股份有限公司 跟踪指蹼位置的方法及其装置
WO2020114466A1 (zh) * 2018-12-05 2020-06-11 中国铁建重工集团股份有限公司 一种隧道点云数据分析方法及系统
CN110006333A (zh) * 2019-04-24 2019-07-12 中国矿业大学(北京) 一种围岩三维位移场的监测方法
US20210390231A1 (en) * 2020-06-16 2021-12-16 North China Institute Of Science And Technology Method for Rapidly Acquiring Multi-Field Response of Mining-induced Coal Rock
CN115479568A (zh) * 2022-08-10 2022-12-16 山东科技大学 一种工作面底板岩层变形测量方法
CN115388798A (zh) * 2022-08-15 2022-11-25 上海同岩土木工程科技股份有限公司 一种隧道开挖面变形快速测量方法及装置
CN115690184A (zh) * 2022-10-24 2023-02-03 西南交通大学 一种基于三维激光扫描的隧道掌子面位移量测方法
CN115930800A (zh) * 2023-02-21 2023-04-07 西南石油大学 一种基于三维激光点云的隧道掌子面位移场监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINYU ZHANG等: "Recognition and Prediction of Safety Pattern for Tunnel Face of Shield Tunneling", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, 13 December 2023 (2023-12-13), pages 1 - 14 *
林明才: "基于隧道断面相对变形率判定围岩稳定性研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2020, 15 March 2020 (2020-03-15), pages 034 - 544 *
瞿万波;刘新荣;: "洞桩法隧道掌子面间距对地层变形的影响研究", 铁道建筑, no. 04, 20 April 2013 (2013-04-20), pages 58 - 60 *
陈博;: "干砂地层盾构隧道掌子面失稳试验研究", 工程建设与设计, no. 12, 30 June 2020 (2020-06-30), pages 77 - 81 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118033727A (zh) * 2024-02-23 2024-05-14 重庆交通大学 非接触式和单个接触式隧道掌子面检波器及数据处理方法

Also Published As

Publication number Publication date
CN117495967B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN117495967B (zh) 一种隧道掌子面位移场监测方法
CN104463903B (zh) 一种基于目标行为分析的行人图像实时检测方法
KR102660837B1 (ko) 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치
CN103164842A (zh) 点云提取系统及方法
CN102768022A (zh) 采用数码照相技术的隧道围岩变形检测方法
CN107220647B (zh) 一种叶片交叉条件下作物中心点定位方法及系统
CN111274939B (zh) 基于单目摄像头的道路路面坑洼破损自动提取方法
CN115035182B (zh) 一种山区滑坡灾害预警方法及系统
CN112686889B (zh) 基于单目视觉自动标签的液压支架推进度检测方法及系统
CN102087747B (zh) 基于单纯形法的对象跟踪方法
CN111396133B (zh) 基于数字摄像技术的巷道全断面变形实时监测装置及方法
CN104019772A (zh) 一种桥梁结构砼表面蜂窝麻面面积测定仪及其检测方法
CN101576957B (zh) 遥感图像快速河流提取方法
CN113591973A (zh) 一种轨道板外观状态变化智能比对方法
CN112734807A (zh) 一种基于计算机视觉的板坯在连铸辊道上自动跟踪的方法
CN116188334B (zh) 一种车道线点云自动修补方法及装置
CN102054278B (zh) 基于网格收缩的对象跟踪方法
CN115496731A (zh) 一种皮带跑偏检测方法、装置及电子设备
CN114549601B (zh) 一种顾及点对可靠性的滑坡多时相tls点云精配准方法
CN113362296B (zh) 一种隧道裂缝提取方法及系统
CN115797411A (zh) 一种利用机器视觉在线识别水电站电缆桥架形变的方法
CN115388798A (zh) 一种隧道开挖面变形快速测量方法及装置
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
CN111583108B (zh) 隧道衬砌面线阵图像tof融合拼接方法、装置及存储介质
CN112964192A (zh) 一种基于图像视频的工程测量在线标定方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant