一种卷积神经网络边坡裂缝变化的动态预警方法及系统技术方案

本发明专利技术公开了一种卷积神经网络边坡裂缝变化的动态预警方法及系统，包括，在边坡对侧安装视频监控设备；对所述视频监控设备拍摄的图片进行定时处理；利用卷积神经网络图像识别算法判断处理后的所述图片中边坡是否存在新增裂缝，对多张图片进行深度学习，识别出所述裂缝开展的位置和变化情况；结合测距和三角函数关系，确定所述边坡发生滑移的范围和初步估算的变形情况并进行预警。本发明专利技术提高对同一边坡数据的采集范围和采集效率，在精准的数据识别方法下，可以对边坡发生变形的范围进行标定，从而自动向管理人员预警，确保边坡运营期的安全。的安全。的安全。

【技术实现步骤摘要】
一种卷积神经网络边坡裂缝变化的动态预警方法及系统


[0001]本专利技术涉及运营期边坡裂缝监测预警的
，尤其涉及一种卷积神经网络边坡裂缝变化的动态预警方法及系统。

技术介绍

[0002]众所周知，已经建成一段时间的边坡可能出现安全备下降、边坡安全隐患逐渐加剧的情况，然而，现有的监测体系中，主要通过在边坡可能存在滑移的区域布设变形监测点，通过光学或北斗卫星定位技术进行变形监测，从而进行监测预警。
[0003]虽然现有方法可以精准的获得边坡滑移的相对变化量，并通过测点关系分析出滑移区域，但该方法仍然存在监测成本高，监测范围有限的情况，对于多山地区的大型、超大型边坡而言，这种方法的成本会随着监测范围的增大而显著增大；同时，由于监测设备大多位于野外，其设备防护、设备寿命都难以保证多年稳定，因此虽然目前在地质灾害监测、市政边坡监测方面已经有大量应用成果，但利用既有方法的代价仍然高昂，对于承担安全管控责任的单位而言，压力颇重，近年来，随着高清、超高清摄像技术以及基于神经网络的深度学习技术的飞速发展，基于图像识别技术的边坡裂缝识别预警系统的设计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络边坡裂缝变化的动态预警方法，其特征在于：包括，在边坡对侧安装视频监控设备；对所述视频监控设备拍摄的图片进行定时处理；利用卷积神经网络图像识别算法判断处理后的所述图片中边坡是否存在新增裂缝，对多张图片进行深度学习，识别出所述裂缝开展的位置和变化情况；结合测距和三角函数关系，确定所述边坡发生滑移的范围和初步估算的变形情况并进行预警。2.根据权利要求1所述的卷积神经网络边坡裂缝变化的动态预警方法，其特征在于：包括，获取所述拍摄图片1080*1080像素区域内各点的R、G、B值，将其转化为灰度图像，转化公式如下：R
g
＝(R
h
+G
h
+B
h
)/3；G
g
＝(R
h
+G
h
+B
h
)/3B
g
＝(R
h
+G
h
+B
h
)/3其中，R
g
是灰度化后R值、G
g
灰度化后G值、B
g
灰度化后B值，R
h
是灰度化前R值，G
h
是灰度化前G值，B
h
是灰度化前B值；将原始图像中R、G、B三个通道量值调平。3.根据权利要求2所述的卷积神经网络边坡裂缝变化的动态预警方法，其特征在于：为了加快图片处理速度，则对图像区域进行编码，包括，将所述灰度图像分割为4*4的16个网格；分割后的网格大小为270*270,并依次编号1～16；在数据处理时逐个对分割后的网格内图像进行分析、识别，输入层参数为270*270*16的格式作为输入层数据。4.根据权利要求1或3所述的卷积神经网络边坡裂缝变化的动态预警方法，其特征在于：卷积神经网络结构包括，输入层1个、卷积层5个、池化层3个、全连接层2个和输出层1个；所述卷积层分为特征提取层即C层、特征映射层即S层，即将上一层输出图像与本层卷积核即权重参数W卷积得到各个所C层，通过下采样得到各个所述S层，所述C层和所述S层的输出统称为特征图。5.根据权利要求4所述的卷积神经网络边坡裂缝变化的动态预警方法，其特征在于：包括，计算出其卷积后特征图像feature map输出的大小为：N＝(W
‑
F+2P)/S+1其中，N表示卷积后宽高(wide/height)大小，W表示输入层尺寸，F表示卷积核尺寸(kernel_size)，P表示边缘填充尺寸，S表示步长(padding)。6.根据权利要求5所述的卷积神经网络边坡裂缝变化的动态预警方法，其特征在于：所述神...

【专利技术属性】
技术研发人员：池汇海，庹斌，李东旭，杨林，袁超，殷才华，
申请(专利权)人：贵州中建建筑科研设计院有限公司，
类型：发明
国别省市：