CN118349951A - 一种多参数融合的边坡监测系统 - Google Patents
一种多参数融合的边坡监测系统 Download PDFInfo
- Publication number
- CN118349951A CN118349951A CN202410639157.2A CN202410639157A CN118349951A CN 118349951 A CN118349951 A CN 118349951A CN 202410639157 A CN202410639157 A CN 202410639157A CN 118349951 A CN118349951 A CN 118349951A
- Authority
- CN
- China
- Prior art keywords
- slope
- data
- module
- monitoring
- processing module
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims abstract description 57
- 230000008859 change Effects 0.000 claims abstract description 45
- 238000007499 fusion processing Methods 0.000 claims abstract description 32
- 239000003673 groundwater Substances 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012300 Sequence Analysis Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 230000002265 prevention Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及边坡监测技术领域，尤指一种多参数融合的边坡监测系统，包括：多参数采集单元，用于采集边坡的应力数据、内部位移数据、表面位移数据、地下水数据以及雨水数据；数据融合处理模块，用于对多参数采集单元采集到的数据进行预处理，并根据预处理后的数据分析边坡的状态变化趋势，并预测边坡移动位置；后台处理模块，用于获取预测到的边坡移动位置的图像信息，将边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度，将边坡移动角度与预设的移动角度阈值进行比较，如果边坡移动角度大于预设的移动角度阈值，则判定边坡移动超限，并生成相应的报警信号。本发明具有高精度监测和及时预警等优点。
Description
技术领域
本发明涉及边坡监测技术领域，尤指一种多参数融合的边坡监测系统。
背景技术
在边坡工程中，边坡的稳定性是一个重要的问题，如何及时准确地监测边坡的变化并提前进行预警成为了工程领域关注的焦点。传统的边坡监测方法单一，无法全面地了解边坡的变化情况，因此需要一种能够同时监测多个参数并进行数据融合处理的边坡监测系统。
发明内容
为解决上述问题，本发明提供一种多参数融合的边坡监测系统，其通过获取边坡的应力、位移、地下水和雨水数据，全面准确地了解边坡状况；并经过预处理和数据融合分析，可以得出边坡状态变化趋势以及预测移动位置；后台处理模块将预测到的移动位置图像与原始图像进行比对，得出移动角度，与预设移动角度阈值进行比较，若超过则判定边坡移动超限并生成报警信号，现场预警模块根据报警信号发出警报，及时提醒人们边坡移动情况，以便采取措施；提前预警边坡滑坡等事故的发生，确保边坡安全稳定。
为实现上述目的，本发明采用的技术方案是：
一种多参数融合的边坡监测系统，包括：
多参数采集单元，用于采集边坡的应力数据、内部位移数据、表面位移数据、地下水数据以及雨水数据；
数据融合处理模块，用于对所述多参数采集单元采集到的数据进行预处理，并根据预处理后的数据分析边坡的状态变化趋势，并预测边坡移动位置；
后台处理模块，用于获取预测到的边坡移动位置的图像信息，将边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度，将所述边坡移动角度与预设的移动角度阈值进行比较，如果边坡移动角度大于预设的移动角度阈值，则判定边坡移动超限，并生成相应的报警信号；
现场预警模块：与数据融合处理模块和后台处理模块连接，用于根据所述报警信号发出现场警报；
其中，
所述数据融合处理模块设有边坡移动位置预测算法，所述边坡移动位置预测算法用于根据预处理后的数据分析边坡的状态变化趋势，并预测边坡移动位置；
所述边坡移动位置预测算法的训练包括以下步骤：
数据收集：收集历史的边坡的应力数据、内部位移数据、表面位移数据、地下水数据、雨水数据以及边坡的状态数据；
数据预处理：对收集到的数据进行预处理并生成训练集和测试集；
特征提取：从预处理后的数据中提取边坡状态变化趋势特征；
建立模型：选择SVR模型作为预测边坡移动位置的算法模型；
训练模型：使用训练集对构建的算法模型进行训练；
模型评估：使用测试集对训练得到的模型进行评估。
进一步，所述将边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度，这一步骤，其具体包括：
提取边坡原始图像中与边坡相关的区域；
在预测到的位置周围进行图像区域的裁剪；
使用特征提取算法，提取裁剪后的图像区域的特征向量；
将特征向量与保存的边坡原始图像的特征向量进行对比，得到比对结果；
根据比对结果，得到边坡的移动角度。
进一步，所述根据比对结果，得到边坡的移动角度这一步骤，其具体包括：
通过计算变换矩阵或者直接计算角度差来获得边坡的移动角度。
进一步，所述从预处理后的数据中提取边坡状态变化趋势特征这一步骤，其具体包括：
通过时间序列分析方法从预处理后的数据中提取边坡状态变化趋势特征。
进一步，多参数融合的边坡监测系统还包括数据传输模块，所述数据传输模块的输入端与数据融合处理模块连接，所述数据传输模块的输出端与后台处理模块连接。
进一步，所述数据传输模块设有SHA-3算法，所述SHA-3算法用于对所述数据融合处理模块输出的数据进行加密。
进一步，所述多参数采集单元包括雨水监测模块、地下水监测模块、应力监测模块、内部位移监测模块以及表面位移监测模块，所述数据融合处理模块与雨水监测模块、地下水监测模块、应力监测模块、内部位移监测模块以及表面位移监测模块连接；
其中，所述雨水监测模块：用于实时监测边坡周边的雨水信息；
所述地下水监测模块：用于实时监测边坡的地下水信息；
所述应力监测模块：用于实时监测边坡的应力信息；
所述内部位移监测模块：用于实时监测边坡的内部位移信息；
所述表面位移监测模块：用于实时监测边坡的表面位移信息。
进一步，所述多参数融合的边坡监测系统还包括：第一储存模块、第二储存模块和第三储存模块，第一储存模块与数据融合处理模块连接，第二储存模块与后台处理模块连接，第三储存模块与现场预警模块连接。
进一步，所述训练集与测试集的比例为6:4或7:3。
本发明的有益效果在于：
该系统通过多参数采集单元可以获取边坡的应力数据、位移数据、地下水数据以及雨水数据，能够全面、准确地了解边坡的状况。通过预处理和数据融合处理模块的分析，可以得到边坡状态的变化趋势，并预测边坡的移动位置。后台处理模块将预测到的边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度。将边坡移动角度与预设的移动角度阈值进行比较，如果超过预设的移动角度阈值，则可以判定边坡移动超限，并生成相应的报警信号。现场预警模块可以根据报警信号发出现场警报，能够及时提醒人们边坡的移动情况，以便采取相应的措施。边坡在移动超限之前及时发出警报，可以提前预防边坡滑坡等事故的发生。通过对边坡状态的全面监测和预测，可以采取必要的维护和防护措施，确保边坡的安全稳定。多参数采集单元采集到的大量数据经过预处理和融合处理模块的分析，可以得到边坡的状态变化趋势以及移动位置的预测。这些分析结果可以为相关部门、工程师和决策者提供重要的参考，用于制定科学合理的边坡管理和维护策略。总之，这种多参数融合的边坡监测系统具有高精度监测、及时预警、预防事故发生以及数据分析和决策支持等优点。
附图说明
图1 是本发明的多参数融合的边坡监测系统的示意图。
具体实施方式
请参阅图1所示，本发明提供一种多参数融合的边坡监测系统，其通过获取边坡的应力、位移、地下水和雨水数据，全面准确地了解边坡状况；并经过预处理和数据融合分析，可以得出边坡状态变化趋势以及预测移动位置；后台处理模块将预测到的移动位置图像与原始图像进行比对，得出移动角度，与预设移动角度阈值进行比较，若超过则判定边坡移动超限并生成报警信号，现场预警模块根据报警信号发出警报，及时提醒人们边坡移动情况，以便采取措施；提前预警边坡滑坡等事故的发生，确保边坡安全稳定。
一种多参数融合的边坡监测系统，包括：
多参数采集单元，用于采集边坡的应力数据、内部位移数据、表面位移数据、地下水数据以及雨水数据；
数据融合处理模块，用于对所述多参数采集单元采集到的数据进行预处理，并根据预处理后的数据分析边坡的状态变化趋势，并预测边坡移动位置；
后台处理模块，用于获取预测到的边坡移动位置的图像信息，将边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度，将所述边坡移动角度与预设的移动角度阈值进行比较，如果边坡移动角度大于预设的移动角度阈值，则判定边坡移动超限，并生成相应的报警信号；
现场预警模块：与数据融合处理模块和后台处理模块连接，用于根据所述报警信号发出现场警报；
在上述方案中，该系统通过多参数采集单元可以获取边坡的应力数据、位移数据、地下水数据以及雨水数据，能够全面、准确地了解边坡的状况。通过预处理和数据融合处理模块的分析，可以得到边坡状态的变化趋势，并预测边坡的移动位置。后台处理模块将预测到的边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度。将边坡移动角度与预设的移动角度阈值进行比较，如果超过预设的移动角度阈值，则可以判定边坡移动超限，并生成相应的报警信号。现场预警模块可以根据报警信号发出现场警报，能够及时提醒人们边坡的移动情况，以便采取相应的措施。边坡在移动超限之前及时发出警报，可以提前预防边坡滑坡等事故的发生。通过对边坡状态的全面监测和预测，可以采取必要的维护和防护措施，确保边坡的安全稳定。多参数采集单元采集到的大量数据经过预处理和融合处理模块的分析，可以得到边坡的状态变化趋势以及移动位置的预测。这些分析结果可以为相关部门、工程师和决策者提供重要的参考，用于制定科学合理的边坡管理和维护策略。总之，这种多参数融合的边坡监测系统具有高精度监测、及时预警、预防事故发生以及数据分析和决策支持等优点。
其中，所述数据融合处理模块设有边坡移动位置预测算法，所述边坡移动位置预测算法用于根据预处理后的数据分析边坡的状态变化趋势，并预测边坡移动位置；
所述边坡移动位置预测算法的训练包括以下步骤：
数据收集：收集历史的边坡的应力数据、内部位移数据、表面位移数据、地下水数据、雨水数据以及边坡的状态数据；
数据预处理：对收集到的数据进行预处理并生成训练集和测试集；
特征提取：从预处理后的数据中提取边坡状态变化趋势特征；
建立模型：选择SVR模型作为预测边坡移动位置的算法模型；
训练模型：使用训练集对构建的算法模型进行训练；
模型评估：使用测试集对训练得到的模型进行评估。
在本实施例中，所述数据融合处理模块中的边坡移动位置预测算法具有以下有益效果：
1.边坡移动位置预测能力：通过分析预处理后的数据，该算法能够有效地分析边坡的状态变化趋势，并预测边坡的移动位置。这对于边坡稳定性评估和防灾减灾工作具有重要意义，可以提前发现潜在的边坡移动风险，采取相应的措施来避免和减轻可能导致灾害的情况。
2.基于多种数据源的综合分析：所述算法利用历史边坡的应力数据、内部位移数据、表面位移数据、地下水数据、雨水数据以及边坡的状态数据进行训练。通过综合分析多个数据源，能够提高预测模型的准确性和可靠性，减少误差和偏差。
3.数据预处理和特征提取：在数据收集之后，进行预处理操作，如数据清洗、噪声过滤等，以确保数据的质量和可靠性。同时，从预处理后的数据中提取边坡状态变化趋势的特征，这有助于捕捉边坡移动的规律和趋势，为建立预测模型提供基础。
4. SVR模型的选择：所述算法选择支持向量回归（SVR）模型作为预测边坡移动位置的算法模型。SVR模型具有强大的非线性拟合能力和高精度的预测能力，在处理复杂的非线性问题上表现优秀。通过选择SVR模型，能够更准确地预测边坡的移动位置。
5.模型训练和评估：通过使用训练集对建立的算法模型进行训练，并使用测试集对训练得到的模型进行评估。这可以有效评估模型的预测性能和准确度。
综上所述，所述数据融合处理模块中的边坡移动位置预测算法通过综合分析多种数据源、进行数据预处理和特征提取、选择合适的算法模型、进行模型训练和评估等步骤，可以准确预测边坡的移动位置，为边坡稳定性评估和防灾减灾提供有益的支持和指导。
进一步地，所述将边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度，这一步骤，其具体包括：
提取边坡原始图像中与边坡相关的区域；
在预测到的位置周围进行图像区域的裁剪；
使用特征提取算法，提取裁剪后的图像区域的特征向量；
将特征向量与保存的边坡原始图像的特征向量进行对比，得到比对结果；
根据比对结果，得到边坡的移动角度。进一步地，所述根据比对结果，得到边坡的移动角度这一步骤，其具体包括：
通过计算变换矩阵或者直接计算角度差来获得边坡的移动角度。
在本实施例中，所述的将边坡移动位置的图像信息与边坡原始图像信息进行比对的方法，并通过比对结果获得边坡的移动角度；具有以下优点：
1.自动化识别与测量：该方法利用图像处理和特征提取算法，自动提取边坡相关区域的特征向量，并与保存的边坡原始图像的特征向量进行比对。通过自动化的方式，实现了对边坡移动角度的识别和测量，减少了人工操作的需求。
2.高精度测量：利用特征提取算法对裁剪后的图像区域进行特征向量提取，并与保存的边坡原始图像的特征向量进行对比，可以实现对边坡移动角度的高精度测量。相比传统的手动测量方法，该方法可以提供更准确的结果。
3.实时监测与预警：通过不断对边坡移动位置的图像信息与边坡原始图像信息进行比对，可以实时监测边坡的移动情况。一旦边坡发生异常移动，比如超过预定的角度范围，系统可以及时给出预警，提前采取必要的措施，以防止边坡滑坡等事故的发生。
4.降低安全风险：边坡移动角度的准确测量和实时监测可以帮助工程人员及时掌握边坡的变化情况，及早发现潜在的安全隐患。通过预警和采取相应的应对措施，可以降低由于边坡移动引起的土石流、泥石流等地质灾害风险，保障工程的安全性。
总体而言，以上方法通过图像比对和特征提取算法，实现了对边坡移动角度的自动测量与实时监测，具有自动化、高精度、实时性和安全性的优势，对于边坡稳定性的评估和工程安全管理具有重要的意义。
进一步地，所述从预处理后的数据中提取边坡状态变化趋势特征这一步骤，其具体包括：
通过时间序列分析方法从预处理后的数据中提取边坡状态变化趋势特征。
在本实施例中，通过对边坡状态的变化趋势进行分析，可以评估边坡的稳定性。将预处理后的数据输入时间序列分析模型中，可以得到边坡状态的变化趋势，从而判断边坡是否存在稳定性问题。通过时间序列分析方法提取边坡状态变化趋势特征，可以帮助预测边坡未来的状态。通过对边坡状态的变化趋势进行观察和分析，可以提前发现边坡发生变化的可能性，从而及时采取必要的措施来避免灾害事故的发生。时间序列分析方法能够对边坡状态变化趋势进行量化和分析，从而为决策提供重要的依据。通过对边坡状态变化趋势特征的提取和分析，可以了解边坡的演化规律，为边坡管理者提供决策支持。比如，根据分析结果，可以确定边坡的维护周期、采取相应的补救措施等，从而提高边坡管理的效果。时间序列分析方法可以对边坡状态变化趋势进行长期观察和研究。通过对多个时间点的数据进行分析，可以揭示边坡状态变化的规律和趋势，为进一步的研究和评估提供数据基础。总之，通过时间序列分析方法从预处理后的数据中提取边坡状态变化趋势特征，可以对边坡的稳定性进行评估、提前预警、提供决策支持，同时也有利于边坡工程的研究和评估。需要说明的是，时间序列分析是一种用于研究随时间变化的数据的统计方法。该方法基于数据的时间顺序，通过观察和分析数据的趋势、周期性、季节性和随机性等特征，来预测未来的数值或者了解数据的规律性。
进一步地，多参数融合的边坡监测系统还包括数据传输模块，所述数据传输模块的输入端与数据融合处理模块连接，所述数据传输模块的输出端与后台处理模块连接。进一步地，所述数据传输模块设有SHA-3算法，所述SHA-3算法用于对所述数据融合处理模块输出的数据进行加密。需要说明的是，SHA-3算法是一种高度安全和抗攻击性能强的哈希算法，使用它对数据进行加密可以保证数据的机密性和完整性。通过对数据融合处理模块输出的数据进行加密，可以有效防止数据在传输过程中被非法获取、篡改或窃取。数据传输过程中的数据加密可以防止敏感信息被未经授权的人员访问。SHA-3算法的加密特性能够有效保护数据不被泄露，从而提高数据的安全性。SHA-3算法具有较强的抗碰撞性能，即使数据在传输过程中被篡改，也能通过校验算法检测到篡改行为。因此，使用SHA-3算法加密数据可以帮助检测和抵御数据篡改，确保数据的完整性。尽管SHA-3算法是一种相对较新的算法，但其计算速度较快。在数据传输过程中使用SHA-3算法加密，可以在保证数据安全的同时，不会过多地增加传输时间和成本。
进一步地，所述多参数采集单元包括雨水监测模块、地下水监测模块、应力监测模块、内部位移监测模块以及表面位移监测模块，所述数据融合处理模块与雨水监测模块、地下水监测模块、应力监测模块、内部位移监测模块以及表面位移监测模块连接；
其中，所述雨水监测模块：用于实时监测边坡周边的雨水信息；
所述地下水监测模块：用于实时监测边坡的地下水信息；
所述应力监测模块：用于实时监测边坡的应力信息；
所述内部位移监测模块：用于实时监测边坡的内部位移信息；
所述表面位移监测模块：用于实时监测边坡的表面位移信息。
在本实施例中，所述雨水监测模块可以实时监测边坡周边的雨水信息。通过收集雨水数据，可以及时了解边坡附近的降雨情况，判断是否存在雨水入渗或积聚的问题，从而进行相应的应对措施。所述地下水监测模块可以实时监测边坡的地下水信息。地下水的变化对边坡的稳定性有重要影响，通过监测地下水位的变动，可以评估边坡的稳定性状况，提前发现地下水位异常上涨的情况，及时采取相应措施防止边坡滑坡的发生。所述应力监测模块可以实时监测边坡的应力信息。边坡承受着来自地表、地下水、土体内部等方向的各种力，应力的变化可能会引起边坡的破坏或滑移。通过实时监测边坡的应力变化，可以及时判断边坡的变形趋势，预测潜在的破坏风险，并采取相应的加固和稳定措施。所述内部位移监测模块可以实时监测边坡的内部位移信息。边坡的内部位移是评估其稳定性和变形情况的重要参数之一。通过监测边坡的内部位移，可以及时发现位移异常或者逐渐增加的迹象，为边坡的安全评估和维护提供有效依据。所述表面位移监测模块可以实时监测边坡的表面位移信息。边坡的表面位移可用于评估边坡的稳定性和变形情况。通过监测边坡的表面位移变化，可以及时发现位移异常或者速率变化过快的情况，预警边坡滑移的风险，并采取必要的措施进行防治。综上所述，这些技术模块能够实时监测边坡的雨水、地下水、应力、内部位移和表面位移等信息，为边坡的安全评估和维护提供了重要的数据支持，可以帮助预警边坡灾害，并及时采取相应的防治措施，从而提高边坡的稳定性和安全性。
进一步地，所述多参数融合的边坡监测系统还包括：第一储存模块、第二储存模块和第三储存模块，第一储存模块与数据融合处理模块连接，第二储存模块与后台处理模块连接，第三储存模块与现场预警模块连接。
进一步地，所述训练集与测试集的比例为6:4或7:3。
与现有技术相比，本发明的有益效果至少如下所述：
本发明通过多参数采集单元可以获取边坡的应力数据、位移数据、地下水数据以及雨水数据，能够全面、准确地了解边坡的状况。通过预处理和数据融合处理模块的分析，可以得到边坡状态的变化趋势，并预测边坡的移动位置。后台处理模块将预测到的边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度。将边坡移动角度与预设的移动角度阈值进行比较，如果超过预设的移动角度阈值，则可以判定边坡移动超限，并生成相应的报警信号。现场预警模块可以根据报警信号发出现场警报，能够及时提醒人们边坡的移动情况，以便采取相应的措施。边坡在移动超限之前及时发出警报，可以提前预防边坡滑坡等事故的发生。通过对边坡状态的全面监测和预测，可以采取必要的维护和防护措施，确保边坡的安全稳定。多参数采集单元采集到的大量数据经过预处理和融合处理模块的分析，可以得到边坡的状态变化趋势以及移动位置的预测。这些分析结果可以为相关部门、工程师和决策者提供重要的参考，用于制定科学合理的边坡管理和维护策略。
以上实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。
Claims (10)
1.一种多参数融合的边坡监测系统，其特征在于，包括：
多参数采集单元，用于采集边坡的应力数据、内部位移数据、表面位移数据、地下水数据以及雨水数据；
数据融合处理模块，用于对所述多参数采集单元采集到的数据进行预处理，并根据预处理后的数据分析边坡的状态变化趋势，并预测边坡移动位置；
后台处理模块，用于获取预测到的边坡移动位置的图像信息，将边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度，将所述边坡移动角度与预设的移动角度阈值进行比较，如果边坡移动角度大于预设的移动角度阈值，则判定边坡移动超限，并生成相应的报警信号；
现场预警模块：与数据融合处理模块和后台处理模块连接，用于根据所述报警信号发出现场警报；
其中，
所述数据融合处理模块设有边坡移动位置预测算法，所述边坡移动位置预测算法用于根据预处理后的数据分析边坡的状态变化趋势，并预测边坡移动位置。
2.根据权利要求1所述的多参数融合的边坡监测系统，其特征在于，所述将边坡移动位置的图像信息与边坡原始图像信息进行比对，通过图像比对获得边坡移动角度，这一步骤，其具体包括：
提取边坡原始图像中与边坡相关的区域；
在预测到的位置周围进行图像区域的裁剪；
使用特征提取算法，提取裁剪后的图像区域的特征向量；
将特征向量与保存的边坡原始图像的特征向量进行对比，得到比对结果；
根据比对结果，得到边坡的移动角度。
3.根据权利要求2所述的多参数融合的边坡监测系统，其特征在于，所述根据比对结果，得到边坡的移动角度这一步骤，其具体包括：
通过计算变换矩阵或者直接计算角度差来获得边坡的移动角度。
4.根据权利要求1所述的多参数融合的边坡监测系统，其特征在于，所述从预处理后的数据中提取边坡状态变化趋势特征这一步骤，其具体包括：
通过时间序列分析方法从预处理后的数据中提取边坡状态变化趋势特征。
5.根据权利要求1所述的多参数融合的边坡监测系统，其特征在于，还包括数据传输模块，所述数据传输模块的输入端与数据融合处理模块连接，所述数据传输模块的输出端与后台处理模块连接。
6.根据权利要求5所述的多参数融合的边坡监测系统，其特征在于，所述数据传输模块设有SHA-3算法，所述SHA-3算法用于对所述数据融合处理模块输出的数据进行加密。
7.根据权利要求1所述的多参数融合的边坡监测系统，其特征在于，所述多参数采集单元包括雨水监测模块、地下水监测模块、应力监测模块、内部位移监测模块以及表面位移监测模块，所述数据融合处理模块与雨水监测模块、地下水监测模块、应力监测模块、内部位移监测模块以及表面位移监测模块连接；
其中，
所述雨水监测模块：用于实时监测边坡周边的雨水信息；
所述地下水监测模块：用于实时监测边坡的地下水信息；
所述应力监测模块：用于实时监测边坡的应力信息；
所述内部位移监测模块：用于实时监测边坡的内部位移信息；
所述表面位移监测模块：用于实时监测边坡的表面位移信息。
8.根据权利要求1所述的多参数融合的边坡监测系统，其特征在于，所述多参数融合的边坡监测系统还包括：第一储存模块、第二储存模块和第三储存模块，第一储存模块与数据融合处理模块连接，第二储存模块与后台处理模块连接，第三储存模块与现场预警模块连接。
9.根据权利要求1所述的多参数融合的边坡监测系统，其特征在于，所述边坡移动位置预测算法的训练包括以下步骤：
数据收集：收集历史的边坡的应力数据、内部位移数据、表面位移数据、地下水数据、雨水数据以及边坡的状态数据；
数据预处理：对收集到的数据进行预处理并生成训练集和测试集；
特征提取：从预处理后的数据中提取边坡状态变化趋势特征；
建立模型：选择SVR模型作为预测边坡移动位置的算法模型；
训练模型：使用训练集对构建的算法模型进行训练；
模型评估：使用测试集对训练得到的模型进行评估。
10.根据权利要求9所述的多参数融合的边坡监测系统，其特征在于，所述训练集与测试集的比例为6:4或7:3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410639157.2A CN118349951A (zh) | 2024-05-22 | 2024-05-22 | 一种多参数融合的边坡监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410639157.2A CN118349951A (zh) | 2024-05-22 | 2024-05-22 | 一种多参数融合的边坡监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118349951A true CN118349951A (zh) | 2024-07-16 |
Family
ID=91817345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410639157.2A Pending CN118349951A (zh) | 2024-05-22 | 2024-05-22 | 一种多参数融合的边坡监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118349951A (zh) |
-
2024
- 2024-05-22 CN CN202410639157.2A patent/CN118349951A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109656793A (zh) | 一种基于多源异构数据融合的信息系统性能立体监测方法 | |
| CN117953664B (zh) | 一种基于人工智能的地质灾害预测方法及系统 | |
| CN108650139A (zh) | 一种电力通信网络监测系统 | |
| CN102768638A (zh) | 基于状态转移图的软件行为可信性检测方法 | |
| CN116579601B (zh) | 矿山安全生产风险监测预警系统及方法 | |
| CN116105802A (zh) | 一种基于物联网的地下设施安全监测预警方法 | |
| CN112598319A (zh) | 一种基于bim的智慧桥梁运维管理方法、系统、计算机设备及存储介质 | |
| CN107609330B (zh) | 基于门禁日志挖掘的内部威胁异常行为分析方法 | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN118095813B (zh) | 基于bim技术的地基沉降的可视化监测方法及系统 | |
| CN116665421A (zh) | 机械设备的预警处理方法、装置及计算机可读存储介质 | |
| Liu et al. | Performance evaluation for three pollution detection methods using data from a real contamination accident | |
| CN106680574B (zh) | 一种变电站设备过电压感知和数据处理方法 | |
| CN117423201A (zh) | 一种餐厅智能化消防状态监测方法及系统 | |
| CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
| CN117150445B (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
| CN117932268A (zh) | 一种核电设备智能运行监测与故障诊断系统 | |
| CN118349951A (zh) | 一种多参数融合的边坡监测系统 | |
| CN116992208A (zh) | 一种基于物联网的油气设备数据预警管理系统及方法 | |
| CN113742814A (zh) | 大坝安全预警方法、装置、计算机设备和存储介质 | |
| Li et al. | Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage | |
| Sohn et al. | A STATISTICAL PATTERN RECOGNITION | |
| CN118246731B (zh) | 一种tbm卡机风险预测方法及系统 | |
| CN117035352A (zh) | 一种基于精准快速诊断方法的库坝系统自然灾害损害应急处置决策系统 | |
| CN118072493A (zh) | 基于深度学习的施工期边坡开挖实时监测预警方法及系统 |
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 |