CN117558106B - 一种非接触式表面变形定量监测预警方法及监测系统 - Google Patents

一种非接触式表面变形定量监测预警方法及监测系统 Download PDF

Info

Publication number
CN117558106B
CN117558106B CN202311581961.1A CN202311581961A CN117558106B CN 117558106 B CN117558106 B CN 117558106B CN 202311581961 A CN202311581961 A CN 202311581961A CN 117558106 B CN117558106 B CN 117558106B
Authority
CN
China
Prior art keywords
image
camera
displacement
monitoring
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311581961.1A
Other languages
English (en)
Other versions
CN117558106A (zh
Inventor
李扬
倪化勇
彭江
梁翔春
陈文俊
罗光强
赵燕来
李忠
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.)
Institute of Exploration Technology Chinese Academy of Geological Sciences
Original Assignee
Institute of Exploration Technology Chinese Academy of Geological Sciences
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 Institute of Exploration Technology Chinese Academy of Geological Sciences filed Critical Institute of Exploration Technology Chinese Academy of Geological Sciences
Priority to CN202311581961.1A priority Critical patent/CN117558106B/zh
Publication of CN117558106A publication Critical patent/CN117558106A/zh
Application granted granted Critical
Publication of CN117558106B publication Critical patent/CN117558106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • 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
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control
    • 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
    • G06T2207/20081—Training; Learning
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/23—Dune restoration or creation; Cliff stabilisation

Abstract

本发明提供了一种非接触式表面变形定量监测预警方法及监测系统，属于数字视频监测技术领域。所采用的图像采集系统仅设置了一个摄像头，借助于一个摄像头实现了双目视觉，且其基线距离可调，能够满足野外远距离监测的需要，借助于该图像采集系统，能够获得更多的深度信息，在深度信息确定后，能够基于蒙板，获得图像位移形变监测区域，结合区域内植被、土、石等结构进行预警位移量的综合考量，在进行边坡地灾的预警时，更加科学，能有效的减少误报。

Description

一种非接触式表面变形定量监测预警方法及监测系统
技术领域
本发明属于数字视频监测技术领域，具体涉及一种非接触式表面变形定量监测预警方法及监测系统。
背景技术
随着全球气候变化和城市化进程的加快，地质灾害事故的频率和规模不断增加，对人们的生命财产安全造成了巨大威胁，其中，边坡地灾是一种常见而严重的地质灾害形式，每年都有大量的边坡崩塌、滑坡、泥石流等地质灾害发生。为了减少边坡地灾带来的损失，监测边坡的变化和风险成为了一项重要任务。
目前，人们对边坡进行监测的主要方式有：1、通过人工进行勘探识别；2、在边坡上设置传感器、锚杆等来进行边坡位移或变形的监测；3、利用摄像机等数字视频产品进行远程监测。其中，人工勘探识别存在费时费力、无法持续监测的问题，且其高度依赖于勘探人员的经验，监测结果的准确性无法得到保障；而安装传感器、锚杆等的方式存在监测区域范围小、无法实现非接触安装等缺点。由于摄像机等数字视频产品具有非接触式的特点，且其能够实现全天候、持续性监测，因而越来越受到人们的青睐。
然而，目前在利用摄像机等数字视频产品进行远程监测时还存在一定的问题，主要体现在：1、目前的大多数摄像机实时监测系统一般只提供影像数据以辅助决策，常作为监控使用，并不能直接获取表面变形数据；2、目前也有利用无人机航拍以获取不同角度的坡体影像数据的摄影测量监测技术，其根据影像数据建立坡体的三维模型，监测坡体的位移变化，该技术具有非接触、信息容量高的监测优点，但监测精度不高，难以适应全天候的工作环境，且难以稳定持续的监测；3、目前的数字视频产品在利用影像数据进行图像分析时，一般是通过图像按像素的分析比对，这种方式的缺点在于，其无法识别图像中物体的真实含义，当图像上出现导致图像变化的情形（例如，植被生长或被风吹动，人或动物的移动入侵视场）时，现有的算法便会认为相应的图像区域发生了位移形变从而引发误报。为了弥补这种不足，现有技术也提出了一些改进方法，例如采用人工进行区域标定划分（分区警戒）以及时间持续性等方法，这些方法虽然能够在一定程度上克服传上述不足，但其依然存在颗粒度粗或工作量过大的问题，同时，其无法对临时出现后又持续存在的物体进行区分，所以在实际工程应用中其依然存在可用度或可实现性不高的问题。另外，目前的主流监测方案是采用人工设立图像靶标结合视频采集的方式，由于其只对靶标的位移做监测，因此监测区域有限，而人工设置靶标无法实现非接触安装。
有鉴于此，需要对现有技术进行进一步改进。
发明内容
针对现有技术存在的不足，本发明提供了一种非接触式表面变形定量监测预警方法及监测系统，目的是为了实现对被监测边坡的表面变形进行高精度的定量监测，减少误报，降低计算工作量，提高监测的可用性和操作性。
为实现以上技术目的，本发明采用以下技术方案：
一种非接触式表面变形定量监测预警方法，其包括以下步骤：
S101、将图像采集系统安装在待测坡面前方预定位置；
S102、利用图像采集系统的摄像头在第一位置处持续监测待测坡面，获取待测坡面的第一图像；
S103、将图像采集系统的摄像头移动至第二位置，继续监测待测坡面并获取待测坡面的第二图像；
S104、基于YOLO算法分别识别第一图像和第二图像中的物体类型，确定相关物体在图像上的位置和大小，并基于特征相似匹配原理，建立起第一图像和第二图像上的所述相关物体的一一映射关系；
S105、基于所述一一映射关系，将第一图像与第二图像进行配准对齐，由此确定第一图像和第二图像的相交区域；
S106、分别对第一图像和第二图像上的相交区域进行网格划分，并在每一网格中抓取若干相对应的特征点对，基于双目测距原理，计算各特征点对所对应的深度距离，由此通过对第一图像和第二图像进行计算，实现对场景的三维重建，生成场景的深度图像；
S107、基于三维重建结果，按照预先设置的距离过滤条件，对场景的深度图像进行过滤，生成用于确定图像位移形变监测区域的蒙板区；
S108、将生成的蒙板区投影覆盖到当前所实时采集的第三图像上并对第三图像上未被蒙板区所覆盖的所述图像位移形变监测区域进行图像语义分割，将其对应的场景分类，形成不同的分区区块并分别赋予具体的含义，分配对应的位移修正系数；
S109、基于所述位移修正系数和各分区区块经位移解算后得到的解算位移量，输出各分区区块经修正后的位移结果，将其作为预警位移量，带入预设的预警模型中，并判断是否发出预警信号。
另外，还提供了一种非接触式表面变形定量监测系统，其至少包括图像采集系统和与之相配套的控制器，所述图像采集系统包括摄像机单元，所述摄像机单元包括摄像头、伸缩调平单元、安装柱、滑台、滑轨、安装座和激光发射测距单元，其中，滑轨呈L形，其具有水平段和竖直段，摄像头安装固定在伸缩调平单元的上方，伸缩调平单元的下方与安装柱相连接，安装柱的底部与滑台固定连接，滑台滑动设置在滑轨的水平段上，滑轨固定设置在安装座上，竖直段的面向摄像头的一侧安装有激光发射测距单元，摄像头的面向激光发射测距单元的一侧形成有感光面，伸缩调平单元与控制器相连接，控制器能够根据感光面所接收到的来自于激光发射测距单元的激光信号发出调节指令，以对摄像头的姿态进行调整；当滑台在滑轨上滑动时，滑台沿着靠近或远离激光发射测距单元的方向移动，从而将摄像头由第一位置移动至第二位置。
与现有技术相比，本发明至少具有以下有益效果：
1、通过滑轨搭载摄像头的方法，利用一个摄像头即实现了双目视觉，且其基线距离可调，这对野外进行远距离的监测是极为有利的，由于采用特殊的激光测距方式，加之同一个摄像头不会产生因畸变参数不同而带来的误差，因此能够实现对被监测边坡的表面变形进行高精度的定量监测；
2、在本发明中，借助于YOLO算法进行物体识别，一方面可利用YOLO识别出的物体进行配准对齐，在保证对齐精度的情况下降低了以往配准对齐的计算复杂度；另一方面，能有效的降低临时性移动物体的干扰，降低产生误报的几率；此外，YOLO识别出的物体，还可用于后期位移形变监测区域的修正，一次YOLO识别实现了对齐、过滤和修正三重功能，避免了额外调用其它算法而导致对算力的浪费。另外，通过蒙板确定了有限的监测区域-图像位移形变监测区域，这样，计算工作量大大降低；
3、经修正的预警位移量综合考虑了画面中植被、土、石等结构，因各成分对滑坡的稳定性影响不同，表土层的位移对滑坡整体稳定性影响较小，岩石结构的位移则说明滑坡存在大范围变形的风险。因此综合考虑预警区域成分及适当修正形成综合预警位移，再代入预警模型，较传统的根据直接解算出的位移量进行直接预警，更加科学，可有效减少误报。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明的非接触式表面变形定量监测预警方法的主体流程图；
图2是本发明所使用的图像采集系统的结构示意图；
图3是图2中的感光面的结构示意图；
图4是借助于图3所示感光面而用于驱动电机或马达工作的电路图结构示意图；
图5是本发明所使用的一种示例性的伸缩调平单元的结构示意图；
图6是本发明的摄像头与激光发射测距单元相配合的原理性示意图；
图7是本发明进行相交区域确定的原理性示意图；
图8是本发明进行三维重建而生成的场景深度图像的示意图；
图9是本发明的图像采集系统当前所实时采集的第三图像的示意图；
图10是本发明将生成的蒙板区投影到第三图像上的示意图；
图11是图10所示示意图经第一次修正后的效果图；
图12是图10所示示意图经第二次修正后的效果图；
图13是图12所示示意图经语义分割后的示意图；
其中，1-摄像头，2-伸缩调平单元，3-安装柱，4-滑台，5-滑轨，6-安装座，7-竖直段，8-激光发射测距单元，9-感光面，10-遮光筒，
21-第一平板，22-伸缩节，23-第二平板，
81-第一激光测距仪，82-第二激光测距仪，83-第三激光测距仪，
101-第一位置，102-第二位置，103-第三位置，
201-第一待修正区，202-第二待修正区，203-蒙板区，
301-图像位移形变监测区域，
91-第一感光区，92-反射区，93-第二感光区，T1-第一光敏三极管，T2-第二光敏三极管，T3-第三光敏三极管，T4-第四光敏三极管，M-电机。
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的一部分实施例，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的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。
实施例一
如图1至图13所示，本发明提供了一种非接触式表面变形定量监测预警方法，其包括以下步骤：
S101、将图像采集系统安装在待测坡面前方预定位置。
具体而言，图像采集系统可以是安装在待测坡面的正前方，也可以是安装在待测坡面的侧前方。
在本实施例中，图像采集系统主要包括摄像机单元、数据分析计算主控板、太阳能电源和电池模块等，当然还配套有相应的系统软件，系统软件主要具备数据及视频采集服务、数据存储服务、系统配置服务、远程通讯及控制服务、数据分析及预警服务五大功能，系统软件部署运行于linux或windows平台上。
在一个优选的实施例中，所述摄像机单元至少包括滑轨5和设置在滑轨5上的摄像头1，摄像头1有且仅有一台，摄像头1能够在滑轨5上自由滑动以实现在不同位置处进行待测坡面的图像采集。优选的，摄像头1距离待测坡面10~200m。当然，可以理解的是，摄像头1与待测坡面的距离也可以是其它尺寸，例如250m或者更远。
为保证拍摄的视频图像的质量和监测图像解算需求，需要选用具有全天候工作性能，并且可在野外多雾、多水气、缺电以及通讯信号不理想的环境下持续工作输出的摄像头1。
S102、利用图像采集系统的摄像头1在第一位置101处持续监测待测坡面，获取待测坡面的第一图像。需要说明的是，这里的第一图像可以是一段时间内采集的多帧图像（连续的或间断的），也可以是仅一帧图像。
S103、将图像采集系统的摄像头1移动至第二位置102，继续监测待测坡面并获取待测坡面的第二图像。同样的，这里的第二图像可以是一段时间内采集的多帧图像，也可以是仅一帧图像。为了方便计算，第二图像和第一图像的帧数优选的保持一致。
需要说明的是，为了确保图像的质量，方便后续进行计算，在第一位置和第二位置处，相机的姿态应保持一致。这样的目的是为了在后续计算时，保证图像对之间的配准对齐，确保采集到的监测图像可应用于监测分析。
S104、基于YOLO算法分别识别第一图像和第二图像中的物体类型，确定相关物体在图像上的位置和大小，并基于特征相似匹配原理，建立起第一图像和第二图像上的所述相关物体的一一映射关系。
示例性的，所述物体类型包括树木、岩石块、裂缝、草、天空、水体，等等。所述相关物体为从识别出的物体类型中选取而来，例如根据其在图像上的面积占比、位置、种类等因素来进行综合选取（具体根据现场实际情况确定，可通过特征提取算法结合图像位置等方式来选取，也可通过人工来指定）。
需要说明的是，这里进行特征相似匹配是以选取出的相关物体进行的匹配，例如，第一图像和第二图像上均识别并选取出位于某一位置的裂缝，然后以该裂缝的特征进行相似匹配。这样的好处在于，无需进行图像的大范围比对，例如，现有技术在图像配准比对时，通常采用逐像素对齐法或者中心像素对齐法等，逐像素对齐法对齐过程的计算量巨大，耗时非常长，而中心像素对齐法无法满足精度要求，特别是针对距离较远的边坡进行监测。利用本发明的技术方案，由于只需对图像中所选取出的具有典型性的几个物体进行配准对齐，在经YOLO识别出的物体对齐后，整个图像即实现了配准对齐，因此计算量大大减小。为了实现后续进行图像的配准对齐，这里所识别出的相关物体应不少于3处，且3处相关物体不在一条直线上。应当理解的是，所识别出的相关物体数量越多，则配准对齐的准确度越高，但计算量会大幅增加，因此，根据需要选取一定量的相关物体即可。优选的，所识别出的物体在对应的图像（第一图像或第二图像）上不少于5处，其分散在对应图像的各处（至少应确保不共线）。此外，还需要说明的是，这里的一一映射关系指代的是第一图像上的物体与第二图像上的物体之间的一一映射关系。
优选的，在基于YOLO算法分别识别出第一图像和第二图像中的物体类型后，在进行配准对齐之前，还包括对场景中的物体进行辨别，判断其是否为临时性的移动物体（主要为人、车辆、动物等），当在场景图像中发现临时性的移动物体时，标识当前图像无效，不参与后续计算。很明显的，要进行移动物体的辨识，所需要的图像需要是一段时间内的，且为多帧，因此，在该优选的实施例中，第一图像和第二图像均为多帧图像。为了更好的实现本方案的技术目的，在YOLO识别时还可引入置信度信息，这里不再赘述。
这里采用YOLO算法的好处在于，一方面可利用YOLO识别出的物体进行配准对齐，在保证对齐精度的情况下降低了以往配准对齐的计算复杂度；另一方面，能有效的降低临时性移动物体的干扰，降低产生误报的几率。
S105、基于所述一一映射关系，将第一图像与第二图像进行配准对齐，由此确定第一图像和第二图像的相交区域。
需要说明的是，在进行第一位置和第二位置的移动时，摄像头1实质上是属于平移，这样，摄像头1在两个位置处的视野是会存在差异的，为此，通过配准对齐确定相交区域，可以将无效区域去除，方便后续仅对有效的相交区域进行解算，减少计算中对算力的浪费；参见图7，A、B两张图像分别代表第一图像和第二图像，在对齐后能够确定出相交区域和无效区域。
S106、分别对第一图像和第二图像上的相交区域进行网格划分，并在每一网格中抓取若干相对应的特征点对，基于双目测距原理，计算各特征点对所对应的深度距离，由此通过对第一图像和第二图像进行计算，实现对场景的三维重建，生成场景的深度图像。
为了确保双目测距的准确性，第一图像和第二图像的采集时间间隔不宜太长，例如在采集完第一图像后立即移动摄像头1至第二位置处进行第二图像的采集。通过网格划分，然后在每一网格中抓取若干相对应的特征点对，这样就确保了对整个图像上的处理精度。
由于本发明仅仅通过一个摄像头1的移动来进行图像的采集，相较于以往采用两个摄像头的双目相机，可有效降低因两个摄像头的畸变参数不同而带来的误差。另外，由于本发明的摄像头1在滑轨5上移动，因此，双目视觉中的基线距离是可调的。我们知道，双目视觉中，基线距离（在本发明中，对应的可以是第一位置和第二位置之间的距离）与深度距离有关，基线距离越大，我们就能够获得更多的深度信息，反之，深度感就会相对减弱。因此，本发明通过移动摄像头1的方式能够提高获取更多深度信息的可能，这对于在野外进行较远区域（例如100m开外）的监测是极为有利的。
S107、基于三维重建结果，按照预先设置的距离过滤条件，对场景的深度图像进行过滤，生成用于确定图像位移形变监测区域301的蒙板区203。
在本步骤S107中，基于三维重建结果可以设置按距离的图像过滤条件，如：设置只过滤距离在80~100米范围内的图像，由此可以把一些远处或近处的物体过滤，如：远处的天空、山体、建筑，近处的树、栏杆等。
S108、将生成的蒙板区203投影覆盖到当前所实时采集的第三图像上并对第三图像上未被蒙板区203所覆盖的所述图像位移形变监测区域301进行图像语义分割，将其对应的场景分类，形成不同的分区区块并分别赋予具体的含义，分配对应的位移修正系数；
需要说明的是，本发明的第三图像仍然是在第二位置处进行采集而获得的，第三图像在第二图像采集之后才进行采集，可以是紧接着第二图像进行采集而获得，也可以是间隔一段时间后再进行采集而获得。第一图像和第二图像相当于准备阶段所拍摄的图像，第三图像为后期实时采集的图像，也即，正式进入监测时所采集的图像。另外，在图像处理过程中，若每一次都对整张图片进行计算处理，其工作量将是巨大的，本发明通过形成的蒙板区203对第三图像进行遮盖限制，这样在计算时可以仅对未遮盖的有效的区域进行计算处理，因此能够极大的减少计算的工作量。本方案针对于仅需局部边坡监测的情形将更加适用。
优选的，在进行图像语义分割时使用AI神经网络进行语义分割处理，所述AI神经网络为针对具体应用场景优化并重新训练的网络模型。AI神经网络具体为Deeplab语义分割神经网络，在进行处理时，选取所采集的第三图像并将其导入Deeplab（全卷积神经网络和条件随机场），然后在蒙板203的作用下仅对图像位移形变监测区域301进行语义分割，将像素按照图像中表达语义含义的不同进行分组（Grouping）／分割（Segmentation）），由此生成该图像的语义分割图像。图像语义分割的输出结果为图像语义掩模图像（对应的区域所表达的语义在图像是以“索引”值存在）以及对应相关索引值对应的语义列表信息（列表信息是以CSV文本文件格式存在，顺序与索引值对应），两者数据结合就可以准确的描述图像中各个区域的物体实际含义，如：岩石或植被。
在一个示例中，在所匹配的场景下，经Deeplab语义分割处理后，第三图像上所识别出的图像位移形变监测区域301被分割为不同种类（参见图13），例如分配为四大类：植被层、岩石结构层、浮土层和其它层。示例性的可以设定：树、草、灌木对应到植被层，岩石、墙体对应到岩石结构层，沙土、泥土、河滩对应到浮土层，天空、水体、其它类型对应为其它层。由于在每一类下其移动幅度对边坡位移的表征会存在差异，因此，基于语义层换算可以为不同的层配备对应的位移修正系数，本实施例中，植被层的位移修正系数为0.3，岩石结构层的位移修正系数为1.0，浮土层的位移修正系数为0～0.6（具体所使用系数按该区域的表面特性定，浮土层表面特性有三种：沙化表面、砾石类表面、结板化表面），其它层的位移修正系数为0；
位移修正系数生成表达式如下：
其中，表示位移修正系数。
在一个优选的示例中，在得到位移修正系数表达式后，可生成全图系数表，即生成与原图像高宽一致的二维数组，数组的每个单元填入与语义层相对应的位移修正系数，即每个单元所对应的位移修正系数的表达式为，/>为每个单元所对应的位移修正系数。
S109、基于所述位移修正系数和各分区区块经位移解算后得到的解算位移量，输出各分区区块经修正后的位移结果，将其作为预警位移量，然后根据预警位移量判断是否发出预警信号。
当被监测的边坡表面发生位移变形时，借助于现有的位移解算算法，例如模板匹配法、特征匹配法、CREStereo算法等可以获得相应位置处的位移解算量V0；然后将其与生成的位移修正系数相乘获得经修正后的位移计算结果，将其作为预警位移量，其表达式为：
。
之后，可以将预警位移量带入预先设置的预警模型中，示例性的，可按照预设的阈值过滤条件，将所述经修正后的相应的位移结果即预警位移量中小于阈值的结果置0，仅输出大于或等于阈值的位移结果，并将其作为最终的输出位移结果，预警模型的处理表达式如下：
，
在得到最终的输出位移结果后，即可判断是否发出预警信号，例如最终的输出位移结果为0时不报警，而当最终的输出位移结果为时则进行报警。当然，对于最终的输出位移结果为/>的情况，还可设定不同的等级进行报警，这里不再赘述。通过将小于阈值的结果置0，可以极大的减小误报的几率。
为了更好的实现本发明的目的，本实施例还涉及到对图像位移形变监测区域301的修正。参见图9至图12，在将蒙板区203投影到第三图像上时，蒙板区203并不能将所有的本应遮挡的区域遮挡，例如图10所示的第一待修正区201。可见，仅仅依靠深度信息进行过滤是存在不足的。另外，蒙板区203也有存在过度遮挡的情况，例如图10所示的第二待修正区202，这是由于蒙板区203是根据深度条件进行过滤来获取的，深度距离范围选取不合适时就会出现。以上区域若不加以去除，则将会导致无效运算，浪费计算算力。
为了解决以上问题，本方案中进一步引用步骤104所识别出的物体类型以进行图像位移形变监测区域301的修正，将图像位移形变监测区域301的最终结果以二值化的掩码图像（黑白图像）进行输出。由于第三图像和第二图像均是在第二位置处进行监测的，在不考虑位移变形的情况下，其第二图像上的天空、树木与第三图像上的天空、树木等应是对应的，因此，可以将步骤S104所识别出的第二图像上的天空、树木等作为是否将图像区域划入第三图像上的图像位移形变监测区域301的依据，例如，将同时存在树木和天空的区域以数值0显示（数值0表示“假”），不参与后续的计算和分析（进行一次修正，其结果如图11所示），而对于第三图像上的图像位移形变监测区域301，还要判定其内部是否存在“假”的情况，例如，周围均以数值1（数值1表示“真”）显示，而中部出现了0，也即，出现了0被1所包围的情形（可以是同时有多个0被1包围），此时需要进行反转（进行二次修正，其结果如图12所示）。例如当出现以下表达方式时进行反转：
，
反转的结果为：
。
还需要说明的是，本发明的方法还包括对第三图像上的图像位移形变监测区域301进行YOLO识别，判断其上是否存在临时性的移动物体，当发现临时性的移动物体时，标识当前图像无效，不参与后续计算。
实施例二
在实施例一的基础上，本发明还进一步提供了一种非接触式表面变形定量监测系统，参见图2至图6，其至少包括图像采集系统和与之相配套的控制器，所述图像采集系统包括摄像机单元，所述摄像机单元包括摄像头1、伸缩调平单元2、安装柱3、滑台4、滑轨5、安装座6和激光发射测距单元8，其中，滑轨5呈L形，其具有水平段和竖直段7，摄像头1安装固定在伸缩调平单元2的上方，伸缩调平单元2的下方与安装柱3相连接，安装柱3的底部与滑台4固定连接，滑台4滑动设置在滑轨5的水平段上，滑轨5固定设置在安装座6上，竖直段7的面向摄像头1的一侧安装有激光发射测距单元8，摄像头1的面向激光发射测距单元8的一侧形成有感光面9，伸缩调平单元2与控制器相连接，控制器能够根据感光面9所接收到的来自于激光发射测距单元8的激光信号发出调节指令，以对摄像头1的姿态进行调整；当滑台4在滑轨5上滑动时，滑台4沿着靠近或远离激光发射测距单元8的方向移动，从而将摄像头1由第一位置101移动至第二位置102。
本发明采用以上设置，通过采用有且仅有的一个摄像头1在滑轨5上滑动，实现在第一位置101结合第二位置102的图像采集，再基于第一位置101和第二位置102采集的图像实现双目视觉，这样就可以获得边坡上某点P的深度距离。由于仅采用了一个摄像头，因此能够避免现有技术因采用两个摄像头而畸变参数不同所带来的误差。此外，激光发射测距单元8能够对摄像头1的位移距离进行测量，因此，在由第一位置101移动至第二位置102处时，激光发射测距单元8能够快速的获取对应的基线距离，而基线距离的获取对于深度距离的获取是至关重要的，由于激光测距的精度非常高，因此所获得的双目视觉下的基线距离（摄像头在第一位置和第二位置之间的距离）是非常精确的，因此，在移动的过程中，能够确保后续所计算的深度距离的可靠。此外，基线距离的大小直接影响了对深度距离的获取，采用本发明的技术方案，能够进行第一位置101和第二位置102的调整，从而调整并选取有利的基线距离，更有利于确保获取更多的深度信息。
在一个优选的实施方式中，激光发射测距单元8包括至少两个水平设置的激光测距仪，所述至少两个水平设置的激光测距仪位于同一水平线上，例如图6中示出的激光发射测距单元8包括第一激光测距仪81、第二激光测距仪82和第三激光测距仪83共三个激光测距仪。
由于滑台4与滑轨5之间通常采用滑槽等方式来滑动，实际加工及安装过程中，滑台4、滑轨5以及滑轨5上的滑槽等都会存在偏差，例如，安装座6本身不平，导致滑轨5在安装后存在一定的弯曲、翘起等，又如，在第一位置101和第二位置102处，滑台4与滑轨5上的滑槽的配合面产生了偏差（例如配合间隙改变），等等，而当滑台4沿着靠近或远离激光发射测距单元8的方向移动时，随着滑动距离的渐远，这种偏差可能会加大，导致摄像头1在移动指定的基线距离后并不一定到达预定的第二位置102，例如图6所示的第三位置103，也即发生了偏转（当然，附图所示存在一定的夸大，但实际上，即使存在微小的角度偏转，其对计算的结果也将带来较大的影响），此时，借助于至少两个水平设置的激光测距仪能够确保在两点位置处的位移距离是相同的，例如由第一位置101移动至第二位置102处，摄像头1始终保持在同一朝向。当然，需要理解的是，摄像头1处还可设置转动单元等调节机构（图中未示出，此为现有技术，不进行详细描述），以根据激光发射测距单元8所采集的距离信息，调整摄像头1的姿态，使得在第二位置102处的摄像头1与第一位置101处的摄像头1整体上保持基本平行。
为了更好的实现本发明的目的，感光面9包括第一感光区91、反射区92和第二感光区93，反射区92为一水平矩形区域，第一感光区91和第二感光区93分别位于反射区92的上下两侧，初始时，激光发射测距单元8的至少两个水平设置的激光测距仪均朝向感光面9发射激光信号，且所发射的激光光线均照射在反射区92上，当摄像头1在滑台4的带动下沿着滑轨5滑动时，因在竖直方向的偏差而导致所发射的激光光线照射在第一感光区91或第二感光区93上时，第一感光区91或第二感光区93能够产生相应的信号，这一信号能够被控制器所获取，这样，控制器就能够生成对应的调节指令，调节伸缩调平单元2，促使其在竖直方向上伸缩，使得激光光线再次回到反射区92，从而实现摄像头1在竖直方向上的姿态调整。
图4示出了本发明的摄像头1借助于感光面9在竖直方向上进行姿态调节的基本原理图，以采用电机M来调节伸缩调平单元2进行伸缩为例，电路上设置有四个光敏三极管，分别为第一光敏三极管T1、第二光敏三极管T2、第三光敏三极管T3和第四光敏三极管T4，其中，所述四个光敏三级管均为两引脚的光敏三极管，其基极均为受光面，第一光敏三极管T1与第二光敏三极管T2通过第一导线串接，第三光敏三极管T3和第四光敏三极管T4通过第二导线串接，电机M通过第三导线跨接在第一导线和第二导线之间，第一光敏三极管T1与第三光敏三极管T3通过各自的剩余引脚相连接，第二光敏三极管T2与第四光敏三极管T4通过各自的剩余引脚相连接，第一光敏三极管T1和第四光敏三极管T4的受光面同时位于第一感光区91上或者同时位于第二感光区92上，第二光敏三极管T2和第三光敏三极管T3的受光面同时位于第二感光区92上或者同时位于第一感光区91上。通过这样的设置，当由激光发射测距单元8发射而来的激光光线照射在第一感光区91或第二感光区92上时，电机M所在的电路就会被导通，从而可带动电机M工作，这样就能够调节伸缩调平单元2进行伸缩动作，使得摄像头1感光面9的始终维持在期望的高度。
为了更好的实现本发明的目的，伸缩调平单元2至少包括第一平板21、伸缩节22和第二平板23，第一平板21的上表面安装摄像头1，第二平板23的下表面与安装柱3相连接，伸缩节22连接在第一平板21和第二平板23之间。伸缩节22可以设置为多个且设置在不同的方向上，还可根据不同的激光测距仪所接收到的不同的激光信号进行分别调节，这里只需增加控制电机或阀门等即可，不再赘述。
为了更好的实现本发明的目的，在伸缩调平单元2上还设置有倾角传感器（图中未示出），通过倾角传感器的设置，配合激光发射测距单元8的使用来共同调节，使得在第一位置101和第二位置102处，摄像头1的姿态保持朝向一致。
为了更好的实现本发明的目的，摄像头1在感光面9的外侧还朝向激光发射测距单元8的方向延伸设置有遮光筒10，遮光筒10的内表面设置有吸光性材料。由于本发明的摄像头1应用于野外环境，在使用时，感光面9容易受到外界自然光的影响。为了降低这种影响，通过设置遮光筒10，遮光筒10的内表面设置有吸光性材料，这样能够有效降低外界自然光的影响，确保来自于激光发射测距单元8的呈水平照射的激光光线才能够照射至感光面9上。
还需要说明的是，本发明的摄像头1是可以在滑轨5上移动的，因此，当需要调整监测位置时，原本的第三图像可以转变为下一时刻的第一图像，第二位置可以转变为下一时刻的第一位置，如此往复，实现不同位置的切换监测。
最后，还需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种非接触式表面变形定量监测预警方法，其特征在于，所述方法包括以下步骤：
S101、将图像采集系统安装在待测坡面前方预定位置；
S102、利用图像采集系统的一个摄像头（1）在第一位置（101）处持续监测待测坡面，获取待测坡面的第一图像；
S103、将图像采集系统的所述摄像头（1）移动至第二位置（102），继续监测待测坡面并获取待测坡面的第二图像；
S104、基于YOLO算法分别识别第一图像和第二图像中的物体类型，确定相关物体在图像上的位置和大小，并基于特征相似匹配原理，建立起第一图像和第二图像上的所述相关物体的一一映射关系；
S105、基于所述一一映射关系，将第一图像与第二图像进行配准对齐，由此确定第一图像和第二图像的相交区域；
S106、分别对第一图像和第二图像上的相交区域进行网格划分，并在每一网格中抓取若干相对应的特征点对，基于双目测距原理，计算各特征点对所对应的深度距离，由此通过对第一图像和第二图像进行计算，实现对场景的三维重建，生成场景的深度图像；
S107、基于三维重建结果，按照预先设置的距离过滤条件，对场景的深度图像进行过滤，生成用于确定图像位移形变监测区域（301）的蒙板区（203）；
S108、将生成的蒙板区（203）投影覆盖到当前所实时采集的第三图像上并对第三图像上未被蒙板区（203）所覆盖的所述图像位移形变监测区域（301）进行图像语义分割，将其对应的场景分类，形成不同的分区区块并分别赋予具体的含义，分配对应的位移修正系数；
S109、基于所述位移修正系数和各分区区块经位移解算后得到的解算位移量，输出各分区区块经修正后的位移结果，将其作为预警位移量，代入预设的预警模型中，并判断是否发出预警信号。
2.如权利要求1所述的一种非接触式表面变形定量监测预警方法，其特征在于，所述图像采集系统包括摄像机单元，所述摄像机单元至少包括滑轨（5）和设置在滑轨（5）上的摄像头（1），摄像头（1）有且仅有一个，摄像头（1）能够在滑轨（5）上自由滑动以实现在不同位置处进行待测坡面的图像采集。
3.如权利要求1所述的一种非接触式表面变形定量监测预警方法，其特征在于，在步骤S104基于YOLO算法分别识别出第一图像和第二图像中的物体类型后，且在步骤S105进行配准对齐之前，还包括对场景中的物体进行辨别，判断其是否为临时性的移动物体，当在场景图像中发现临时性的移动物体时，标识当前图像无效，不参与后续计算。
4.如权利要求1所述的一种非接触式表面变形定量监测预警方法，其特征在于，在步骤S108中，在进行图像语义分割时使用Deeplab语义分割神经网络进行语义分割处理，图像语义分割的输出结果为图像语义掩模图像以及与对应相关索引值相对应的语义列表信息；在语义分割处理后，将第三图像上所识别出的图像位移形变监测区域分割为不同种类并配备对应的位移修正系数。
5.如权利要求4所述的一种非接触式表面变形定量监测预警方法，其特征在于，步骤S109中，在“基于所述位移修正系数和各分区区块经位移解算后得到的解算位移量，输出各分区区块经修正后的位移结果”之后，按照预设的阈值过滤条件，将所述经修正后的相应的位移结果中小于阈值的结果置0，仅输出大于或等于阈值的位移结果，并将其作为最终的输出位移结果；基于最终的输出位移结果，判断是否发出预警信号。
6.如权利要求1-5中任一项所述的一种非接触式表面变形定量监测预警方法，其特征在于，所述图像采集系统包括摄像机单元，所述摄像机单元包括摄像头（1）、伸缩调平单元（2）、安装柱（3）、滑台（4）、滑轨（5）、安装座（6）和激光发射测距单元（8），其中，滑轨（5）呈L形，其具有水平段和竖直段（7），摄像头（1）安装固定在伸缩调平单元（2）的上方，伸缩调平单元（2）的下方与安装柱（3）相连接，安装柱（3）的底部与滑台（4）固定连接，滑台（4）滑动设置在滑轨（5）的水平段上，滑轨（5）固定设置在安装座（6）上，竖直段（7）的面向摄像头（1）的一侧安装有激光发射测距单元（8），摄像头（1）的面向激光发射测距单元（8）的一侧形成有感光面（9），伸缩调平单元（2）与控制器相连接，控制器能够根据感光面（9）所接收到的来自于激光发射测距单元（8）的激光信号发出调节指令，以对摄像头（1）的姿态进行调整；当滑台（4）在滑轨（5）上滑动时，滑台（4）沿着靠近或远离激光发射测距单元（8）的方向移动，从而将摄像头（1）由第一位置（101）移动至第二位置（102）。
7.如权利要求6所述的一种非接触式表面变形定量监测预警方法，其特征在于，所述激光发射测距单元（8）包括至少两个水平设置的激光测距仪，所述至少两个水平设置的激光测距仪位于同一水平线上。
8.如权利要求6所述的一种非接触式表面变形定量监测预警方法，其特征在于，所述感光面（9）包括第一感光区（91）、反射区（92）和第二感光区（93），反射区（92）为一水平矩形区域，第一感光区（91）和第二感光区（93）分别位于反射区（92）的上下两侧，初始时，激光发射测距单元（8）的至少两个水平设置的激光测距仪均朝向感光面（9）发射激光信号，且所发射的激光光线均照射在反射区（92）上，当摄像头（1）在滑台（4）的带动下沿着滑轨（5）滑动时，因在竖直方向的偏差而导致所发射的激光光线照射在第一感光区（91）或第二感光区（93）上时，第一感光区（91）或第二感光区（93）能够产生相应的信号，这一信号能够被控制器所获取并生成对应的调节指令，调节伸缩调平单元（2），促使其在竖直方向上伸缩，使得激光光线再次回到反射区（92），从而实现摄像头（1）在竖直方向上的姿态调整。
9.一种非接触式表面变形定量监测系统，其特征在于，借助于所述非接触式表面变形定量监测系统能够实现权利要求6-8中任一项所述的一种非接触式表面变形定量监测预警方法。
CN202311581961.1A 2023-11-24 2023-11-24 一种非接触式表面变形定量监测预警方法及监测系统 Active CN117558106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311581961.1A CN117558106B (zh) 2023-11-24 2023-11-24 一种非接触式表面变形定量监测预警方法及监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311581961.1A CN117558106B (zh) 2023-11-24 2023-11-24 一种非接触式表面变形定量监测预警方法及监测系统

Publications (2)

Publication Number Publication Date
CN117558106A CN117558106A (zh) 2024-02-13
CN117558106B true CN117558106B (zh) 2024-05-03

Family

ID=89810676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311581961.1A Active CN117558106B (zh) 2023-11-24 2023-11-24 一种非接触式表面变形定量监测预警方法及监测系统

Country Status (1)

Country Link
CN (1) CN117558106B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110286382A (zh) * 2019-06-12 2019-09-27 泉州装备制造研究所 一种基于深度摄像头的公路边坡安全智能监测及预警装置
CN113129449A (zh) * 2021-04-16 2021-07-16 浙江孔辉汽车科技有限公司 一种基于双目视觉的车辆路面特征识别及三维重建方法
KR102305468B1 (ko) * 2021-05-12 2021-09-30 씨티씨 주식회사 딥러닝-기반 산사태 분산 감지 시스템
CN114067533A (zh) * 2021-11-27 2022-02-18 四川大学 一种地质灾害摄影监测预警方法
CN115409691A (zh) * 2022-07-11 2022-11-29 闽江学院 融合激光测距和监控图像的双模态学习边坡风险检测方法
CN115601945A (zh) * 2022-10-18 2023-01-13 安徽理工大学（Cn） 基于落石视频监测的露天矿岩质滑坡智能预警系统及方法
CN115762063A (zh) * 2022-11-12 2023-03-07 高精特(成都)大数据科技有限公司 基于影像和雷达的泥石流预警方法、装置、系统及介质
CN116295074A (zh) * 2023-02-13 2023-06-23 中国矿业大学 基于深度图像的煤矿巷道围岩变形破坏监测装置及方法
CN116385948A (zh) * 2023-06-07 2023-07-04 成都考拉悠然科技有限公司 一种预警铁路边坡异常的系统和方法
CN116499427A (zh) * 2023-03-23 2023-07-28 河北钢铁集团司家营研山铁矿有限公司 一种边坡滑坡的智能预警方法
CN116989679A (zh) * 2023-08-01 2023-11-03 河南交院工程技术集团有限公司 一种基于图像处理的高速公路高边坡位移集成监测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103796004B (zh) * 2014-02-13 2015-09-30 西安交通大学 一种主动结构光的双目深度感知方法
US20210370993A1 (en) * 2020-05-27 2021-12-02 University Of South Carolina Computer vision based real-time pixel-level railroad track components detection system

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110286382A (zh) * 2019-06-12 2019-09-27 泉州装备制造研究所 一种基于深度摄像头的公路边坡安全智能监测及预警装置
CN113129449A (zh) * 2021-04-16 2021-07-16 浙江孔辉汽车科技有限公司 一种基于双目视觉的车辆路面特征识别及三维重建方法
KR102305468B1 (ko) * 2021-05-12 2021-09-30 씨티씨 주식회사 딥러닝-기반 산사태 분산 감지 시스템
CN114067533A (zh) * 2021-11-27 2022-02-18 四川大学 一种地质灾害摄影监测预警方法
CN115409691A (zh) * 2022-07-11 2022-11-29 闽江学院 融合激光测距和监控图像的双模态学习边坡风险检测方法
CN115601945A (zh) * 2022-10-18 2023-01-13 安徽理工大学（Cn） 基于落石视频监测的露天矿岩质滑坡智能预警系统及方法
CN115762063A (zh) * 2022-11-12 2023-03-07 高精特(成都)大数据科技有限公司 基于影像和雷达的泥石流预警方法、装置、系统及介质
CN116295074A (zh) * 2023-02-13 2023-06-23 中国矿业大学 基于深度图像的煤矿巷道围岩变形破坏监测装置及方法
CN116499427A (zh) * 2023-03-23 2023-07-28 河北钢铁集团司家营研山铁矿有限公司 一种边坡滑坡的智能预警方法
CN116385948A (zh) * 2023-06-07 2023-07-04 成都考拉悠然科技有限公司 一种预警铁路边坡异常的系统和方法
CN116989679A (zh) * 2023-08-01 2023-11-03 河南交院工程技术集团有限公司 一种基于图像处理的高速公路高边坡位移集成监测方法

Also Published As

Publication number Publication date
CN117558106A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
WO2022170878A1 (zh) 一种无人机测量输电线路影像距离的系统及方法
US11002669B2 (en) Device and method for analyzing objects
CN111275750B (zh) 基于多传感器融合的室内空间全景图像生成方法
Toschi et al. Accuracy evaluation of a mobile mapping system with advanced statistical methods
Li Potential of high-resolution satellite imagery for national mapping products
Cavegn et al. Benchmarking high density image matching for oblique airborne imagery
Fruh et al. Fast 3D model generation in urban environments
CN112147633A (zh) 一种电力线路安全距离检测方法
CN108983248A (zh) 一种基于3d激光雷达及v2x的网联车定位方法
CN110570466A (zh) 三维实景点云模型的生成方法和装置
CN106327573A (zh) 一种针对城市建筑的实景三维建模方法
CN109191533B (zh) 基于装配式建筑的塔吊高空施工方法
US20200357141A1 (en) Systems and methods for calibrating an optical system of a movable object
CN113012292B (zh) 一种基于无人机航拍的ar远程施工监控方法及系统
Vacca et al. The use of the UAV images for the building 3D model generation
CN103868504B (zh) 自主测绘机
CN115937288A (zh) 一种变电站三维场景模型构建方法
CN115468567A (zh) 一种面向越野环境的激光视觉融合slam方法
JP2001328600A (ja) 着陸地点探索装置、それを用いた飛行体、および着陸地点評価装置
CN111964599A (zh) 基于倾斜摄影测量技术的公路高边坡表面变形监测及分析方法
Jiang et al. Determination of construction site elevations using drone technology
Ergun et al. A case study on the historical peninsula of Istanbul based on three-dimensional modeling by using photogrammetry and terrestrial laser scanning
CN117558106B (zh) 一种非接触式表面变形定量监测预警方法及监测系统
Rebelo et al. Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies
Brook et al. Monitoring active landslides in the Auckland region utilising UAV/structure-from-motion photogrammetry

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