一种青藏高原公路路表沉降变形监测方法技术

本发明专利技术提供了一种青藏高原公路路表沉降变形监测方法，包括：根据青藏高原公路历史路表SAR图像建立数据集；基于深度学习方式构建路表沉降变形监测模型；基于所述数据集对所述路表沉降变形监测模型进行训练与测试；将青藏高原公路路表SAR图像输入至训练与测试后的所述路表沉降变形监测模型中，获得路表沉降变形结果。本发明专利技术相对于现有的监测方式，所花费步骤和时间少，成本低，仅通过将SAR图像输入至训练好的模型中即可识别沉降变形结果，不断将最新图像数据与实际高程结果补充到训练数据里，保证模型的识别精度，使监测结果更加准确。使监测结果更加准确。使监测结果更加准确。

【技术实现步骤摘要】
一种青藏高原公路路表沉降变形监测方法


[0001]本专利技术属于路表监测
，尤其涉及一种青藏高原公路路表沉降变形监测方法。

技术介绍

[0002]青藏高原环境恶劣，气压低，高辐射，空气稀薄，地势起伏大，以及受常年冻土影响，使用传统的水准测量、GPS测量、埋设沉降仪器(水平测斜仪和磁环沉降仪)以及探地雷达等手段对多年冻土区的公路路表沉降变形监测的难度十分大，成本高，并且无法获取大范围连续的路表形变信息。
[0003]近几十年，合成孔径雷达(Synthetic aperture radar，SAR)是一种新兴的微波传感器，由于雷达发射的微波信号不受云雾的影响且有较强的穿透能力，因此它能全天时、全天候工作。合成孔径雷达干涉测量技术(interferometry synthetic aperture radar，InSAR)监测精度很高，可达厘米级，且监测范围广大，它能通过SAR的行为信息反演监测区域的三维地表信息和高程变化。高速公路路面具有较强的反射性，在SAR影像上呈现出明显的线状特征。因此，现有的关于公路路表沉降变形监测方法大都是基于InSAR实现的，基于InSAR监测公路路面沉降方式的步骤基本包括干涉处理、相位解缠、修正以及再通过数据反演来获得路表沉降变形信息，实质为通过算法对SAR影像进行处理，不仅算法步骤繁多，而且各个步骤的算法里面需要涉及诸多的参数选取，参数的选择直接影响影像分析结果的准确性，在实际操作过程中常常因为参数的选取问题而造成结果结果的误差，并且还会受到研究区域地质及水文等复杂物理参数的限制；综上，上述方式存在参数选取困难、算法步骤繁多以及过程中容易出现误差影响监测结果准确性的问题。因此，亟需一种简便快速且精准的路表沉降变形监测方式。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出一种青藏高原公路路表沉降变形监测方法，降低青藏高原公路路表沉降变形监测监测成本，避免繁多的数据处理步骤，实现监测的快速和准确性。
[0005]一方面为实现上述目的，本专利技术提供了一种青藏高原公路路表沉降变形监测方法，包括：
[0006]根据青藏高原公路历史路表SAR图像建立数据集；
[0007]基于深度学习方式构建路表沉降变形监测模型；
[0008]基于所述数据集对所述路表沉降变形监测模型进行训练与测试；
[0009]将青藏高原公路路表SAR图像输入至训练与测试后的所述路表沉降变形监测模型中，获得路表沉降变形结果。
[0010]可选地，所述数据集包括原始路表SAR图像和对应的实际测量出的高程结果。
[0011]可选地，建立所述数据集前还包括：对所述青藏高原公路历史路表SAR图像进行预
处理和图像增强；
[0012]所述预处理包括：图像滤波和地理编码；
[0013]所述图像增强包括：图像水平镜像、图像垂直镜像、图像顺时针旋转90
°
、180
°
、270
°
及图像垂直镜像且顺时针旋转90
°
、图像水平镜像且顺时针旋转90
°
。
[0014]可选地，所述路表沉降变形监测模型包括：卷积神经子模型、堆栈自编码子模型、拼接单元和分类优化单元；
[0015]所述卷积神经子模型通过所述拼接单元与所述堆栈自编码子模型连接；
[0016]所述拼接单元与所述分类优化单元连接。
[0017]可选地，所述卷积神经子模型包括：5个卷积层、3个池化层、1个Dropout层和3个softmax输出层。
[0018]可选地，所述堆栈自编码子模型包括降维单元和特征提取单元；
[0019]所述降维单元采用主成分分析方法对输入样本图像进行降维；
[0020]所述特征提取单元通过自编码器对降维后的所述样本图像进行特征提取。
[0021]可选地，所述拼接单元采用Concat的方式将所述卷积神经子模型输出的特征向量与所述堆栈自编码子模型的特征向量进行融合。
[0022]可选地，所述分类优化单元包括：softmax分类器和Adam优化器；
[0023]所述sofemax分类器根据所述融合结果计算交叉熵损失；
[0024]所述Adam优化器根据所述交叉熵损失对所述路表沉降变形监测模型进行训练，获取模型参数，基于所述模型参数加载训练后的所述路表沉降变形监测模型。
[0025]与现有技术相比，本专利技术具有如下优点和技术效果：
[0026]本专利技术通过构建路表沉降变形监测模型，将采集的路表SAR图像输入模型中，即能够识别出路表沉降变形信息，实现对青藏高原公路路表的快速便捷监测，相对于现有的监测方式，所花费时间少，成本低，无需经过复杂算法步骤，本专利技术不受研究区域地质及水文等复杂物理参数的限制，将路表SAR图像输入至构建的模型中直接获得路表沉降变形结果，不断将最新图像数据与实际高程结果补充到训练数据里，保证模型的持续识别精度，提高识别结果的准确性；路表沉降变形监测模型基于卷积神经网络和堆栈自编码网络拼接构建而成，具有更高的识别精度，对噪声表现出一定的适应性，具有较高的综合性能。
附图说明
[0027]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0028]图1为本专利技术实施例的一种青藏高原公路路表沉降变形监测方法流程示意图；
[0029]图2为本专利技术实施例的路表沉降变形监测模型识别流程示意图。
具体实施方式
[0030]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0031]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不
同于此处的顺序执行所示出或描述的步骤。
[0032]实施例
[0033]如图1所示，本专利技术提供一种青藏高原公路路表沉降变形监测方法，包括如下步骤：
[0034]根据青藏高原公路历史路表SAR图像建立数据集；
[0035]基于深度学习方式构建路表沉降变形监测模型；
[0036]基于数据集对路表沉降变形监测模型进行训练与测试；
[0037]将青藏高原公路路表SAR图像输入至训练与测试后的路表沉降变形监测模型中，获得路表沉降变形结果。
[0038]进一步地，数据集包括原始路表SAR图像和对应的实际测量出的高程结果。
[0039]进一步地，建立数据集前还包括：对青藏高原公路历史路表SAR图像进行预处理和图像增强；
[0040]预处理包括：图像滤波和地理编码；
[0041]其中，图像滤波采用均值滤波方法，处理噪声干扰；地理编码为将SAR数据从斜距或地距投影转化为地理坐标投影，通过几何配准、几何校正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种青藏高原公路路表沉降变形监测方法，其特征在于，包括：根据青藏高原公路历史路表SAR图像建立数据集；基于深度学习方式构建路表沉降变形监测模型；基于所述数据集对所述路表沉降变形监测模型进行训练与测试；将青藏高原公路路表SAR图像输入至训练与测试后的所述路表沉降变形监测模型中，获得路表沉降变形结果。2.根据权利要求1所述的青藏高原公路路表沉降变形监测方法，其特征在于，所述数据集包括原始路表SAR图像和对应的实际测量出的高程结果。3.根据权利要求1所述的青藏高原公路路表沉降变形监测方法，其特征在于，建立所述数据集前还包括：对所述青藏高原公路历史路表SAR图像进行预处理和图像增强；所述预处理包括：图像滤波和地理编码；所述图像增强包括：图像水平镜像、图像垂直镜像、图像顺时针旋转90
°
、180
°
、270
°
及图像垂直镜像且顺时针旋转90
°
、图像水平镜像且顺时针旋转90
°
。4.根据权利要求1所述的青藏高原公路路表沉降变形监测方法，其特征在于，所述路表沉降变形监测模型包括：卷积神经子模型、堆栈自编码子模型...

【专利技术属性】
技术研发人员：李思李，田波，权磊，李立辉，谢晋德，何哲，张盼盼，陆相霖，朱旭伟，
申请(专利权)人：交通运输部公路科学研究所，
类型：发明
国别省市：