基于图像智能识别的边坡监测方法及装置制造方法及图纸

本发明专利技术实施例公开了基于图像智能识别的边坡监测方法及装置，首先进行采集已被标记的边坡图像，将已被标记的边坡图像进行预处理，然后采用Canny算子进行检测，获得圆饼标记的边缘坐标，将坐标转化为绝对坐标，采用外旋法计算圆饼的面积和中心点坐标，计算边坡圆饼的面积和中心点坐标，个体变化率和总体变化率计算，初次采集的安全态图像经处理后数将数据输入数据库内减少人工的使用，减少人为判断，可以对无人看守高边坡进行图像实时监测，通过边坡位移的变化来判断高边坡的稳定性，若个体变化率与总体变化率中任何有一个超过阈值进行告警。告警。告警。

【技术实现步骤摘要】
基于图像智能识别的边坡监测方法及装置


[0001]本公开涉及图像识别
，尤其涉及一种基于图像智能识别的边坡监测方法及装置。

技术介绍

[0002]边坡是岩土工程建设中一种常见的工程形式，边坡失稳会对生产建设和生命财产造成巨大的损失。因此，保证边坡的稳定性具有重要的工程意义。高边坡是指超过一定高度的人工或自然边坡。在山区尤其是西南山区，高陡边坡是工程建设中的主要工程载体。高边坡常处于地质条件复杂地区，因此高边坡的稳定性对于保证工程建设的安全至关重要。
[0003]边坡的稳定性可利用极限平衡法、数值计算法、塑性极限分析法等进行分析，也可以将可靠度分析应用在稳定性分析中。对于我国西南山区的天然高边坡，处于复杂的地质水文环境中，崩塌、滑坡和泥石流等自然灾害频发，也会严重危害到工程建设和生命财产的安全。
[0004]传统的土压力传感器、孔隙水压力传感器以及测斜仪等，具有一定的埋深，但是存活率不高，在外界扰动的条件下精度不够。光纤技术所使用的传感光纤容易在施工过程中被破坏，而且其监测精度有待提高。
[0005]综上所述，对于处于西南山区的岩质高边坡，所处环境恶劣，通过埋设传感器或者人工监测，难以完成对边坡的全天候的监测，因无人值守的图像监测方法更加适合对高边坡的监测。因此对于高边坡的动态监测显得尤为重要，通过对高边坡尤其是岩质高边坡开展实时监测，对边坡的稳定性进行评价，能够保证边坡的长期稳定性。

技术实现思路

[0006]提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0007]本公开实施例提供了一种基于图像智能识别的边坡监测方法及装置，可以对无人看守高边坡进行图像实时监测，通过边坡位移的变化来判断高边坡的稳定性，减少人工的使用，及时将边坡相关结果传达给相关部门，辅助其做好防治滑坡灾害等的工作。
[0008]第一方面，本公开实施例提供了基于图像智能识别的边坡监测方法，包括：采集已被标记的边坡图像；将已被标记的边坡图像进行预处理；将已经预处理的图像采用Canny算子进行边缘检测，获得预处理的图像中各个圆饼标记的边缘坐标；将图像坐标转化为绝对坐标，采用外旋法计算某一个圆饼的面积和中心点坐标，然后计算某段边坡的所有圆饼的面积和中心点坐标；个体变化率和总体变化率计算，根据数据库内多次边坡滑坡实验结果事先设定的阈值，若个体变化率与总体变化率中任何有一个超过阈值进行告警。
[0009]结合第一方面的实施例，在一些实施例中，所述采集已被标记的边坡图像，包括：边坡上涂刷红色圆饼状油漆；
将涂刷的数个圆饼刷成N行N列的网格状，网格状的圆饼均匀分布于整个需检测的边坡；网格状圆饼的空隙使用红色油漆涂刷两个正方形，此为定位标识，对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离；每隔预设时间采集一下此时边坡图像。
[0010]结合第一方面的实施例，在一些实施例中，所述将已经预处理的图像采用Canny算子进行边缘检测，获得预处理的图像中各个圆饼标记的边缘坐标，包括：对预处理的图像进行第一次滤波，滤波公式为，pg为滤波模板，为中心点，预处理的图像，为第一次滤波后的图像；对第二次滤波，滤波公式为，为混合滤波器对预处理的图像进行平滑处理后的图像；采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测，在像素8邻域内计算x方向、y方向、45
°
方向和135
°
方向的梯度幅值，四个方向下的偏导数数学表达式如下：数学表达式如下：数学表达式如下：数学表达式如下：梯度幅值梯度的角度；为黑塞矩阵，是一个多元函数的二阶偏导数构成的方阵；为图像在存储数组中的行的位置，为图像在存储数组中的列的位置；对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度，另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度；将目前像素的梯度强度同一时刻和其它两个像素作类比，当发现目前像素最大，那么当前像素点可以保存，并且可以作为边缘点，如果结果并非如此，那么当前像素点就被抑制；抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘，假设图像整个灰度级为［0，L－1］，灰度级低于s的像素点构成B0类，即灰度级为［0，s］的像素点
归为B0类，灰度级为［s+1，L－1］的像素点为B1类，公式为，为灰度级i出现的概率，为B0类平均灰度级，为B1类平均灰度级；图像的类间方差可以表示为：当类间方差值最大时为高阈值当类间方差值最大时为高阈值，低阈值；利用高阈值和低阈值得到预处理的图像中各个圆饼边缘，获得预处理的图像中各个圆饼标记的边缘坐标。
[0011]结合第一方面的实施例，在一些实施例中，所述将图像坐标转化为绝对坐标，采用外旋法计算某一个圆饼的面积和中心点坐标，然后计算某段边坡的所有圆饼的面积和中心点坐标，包括通过已知的定位标识，确定定位标识的图像坐标和绝对坐标在x方向上的差值为A，在y方向上的差值为B，则有图像坐标和绝对坐标之间的关系为X=x+A，Y=y+B，（x,y）为图像坐标，（X,Y）为绝对坐标；对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描，若为首次检测，则以初始状态圆饼中心点坐标开始向外旋转式扫描；依次检查每一个像素点的灰度值，若灰度值为255就记录该点，若灰度值为0就舍去该点；对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成；计算一共记录点的总数，该点的总数为此圆饼的面积；将所有记录点的灰度值设置为0；直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。
[0012]第二方面，本公开实施例提供了一种花键疲劳寿命分布确定装置，包括：采集标记单元，用于采集已被标记的边坡图像；图像预处理单元，用于对已被标记的边坡图像进行预处理；边缘检测单元，用于将已经预处理的图像采用Canny算子进行边缘检测，获得预处理的图像中各个圆饼标记的边缘坐标；计算单元，用于将图像坐标转化为绝对坐标，采用外旋法计算某一个圆饼的面积和中心点坐标，然后计算某段边坡的所有圆饼的面积和中心点坐标；警报单元，用于个体变化率和总体变化率计算，根据数据库内多次边坡滑坡实验
结果事先设定的阈值，若个体变化率与总体变化率中任何有一个超过阈值，将相关结果传达给相关部门，辅助其做好防治滑坡灾害等的工作。
[0013]结合第二方面的实施例，在一些实施例中，所述采集标记单元，用于采集已被标记的边坡图像，包括边坡上涂刷红色圆饼状油漆；将涂刷的数个圆饼刷成N行N列的网格状，网格状的圆饼均匀分布于整个需检测的边坡；网格状圆饼的空隙使用红色油漆涂刷两个正方形，此为定位标识，对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离；每隔预设时间采集一下此时边坡图像。
[0014]结合第二方面的实施例，在一些实施例中，所述边缘检测单元，用于将已经预处理的图像采用Canny算子进行边缘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像智能识别的边坡监测方法，其特征在于，所述方法包括：采集已被标记的边坡图像；将已被标记的边坡图像进行预处理；将已经预处理的图像采用Canny算子进行边缘检测，获得预处理的图像中各个圆饼标记的边缘坐标；将图像坐标转化为绝对坐标，采用外旋法计算某一个圆饼的面积和中心点坐标，然后计算某段边坡的所有圆饼的面积和中心点坐标；个体变化率和总体变化率计算，根据数据库内多次边坡滑坡实验结果事先设定的阈值，若个体变化率与总体变化率中任何有一个超过阈值发出告警。2.根据权利要求1所述的方法，其特征在于，所述采集已被标记的边坡图像，包括：边坡上涂刷红色圆饼状油漆；将涂刷的数个圆饼刷成N行N列的网格状，网格状的圆饼均匀分布于整个需检测的边坡；网格状圆饼的空隙使用红色油漆涂刷两个正方形，此为定位标识，对此定位标识的坐标进行测量并且测量定位标识到每一个圆饼的距离；每隔预设时间采集一下此时边坡图像。3.根据权利要求1所述的方法，其特征在于，将已经预处理的图像采用Canny算子进行边缘检测，获得预处理的图像中各个圆饼标记的边缘坐标，包括：对预处理的图像进行第一次滤波，滤波公式为，pg为滤波模板，为中心点，预处理的图像，为第一次滤波后的图像，为像素点；对第二次滤波，滤波公式为，为混合滤波器对预处理的图像进行平滑处理后的图像，为图像像素坐标系中的坐标点，为图像在存储数组中的行的位置，为图像在存储数组中的列的位置，混合滤波器为均值滤波和中值滤波混合的滤波器；采用四个方向的梯度模板作为边缘梯度算子对混合滤波器进行平滑处理后的图像进行检测，在像素8邻域内计算x方向、y方向、45
°
方向和135
°
方向的梯度幅值，四个方向下的偏导数数学表达式如下：数学表达式如下：数学表达式如下：数学表达式如下：
梯度幅值梯度的角度；为黑塞矩阵，是一个多元函数的二阶偏导数构成的方阵；为图像在存储数组中的行的位置，为图像在存储数组中的列的位置；对计算后的梯度图像的比较的一个是目前像素所拥有的梯度强度，另一个是与沿正负梯度方向上所拥有的两个像素的梯度强度；将目前像素的梯度强度同一时刻和其它两个像素作类比，当发现目前像素最大，那么当前像素点可以保存，并且可以作为边缘点，如果结果并非如此，那么当前像素点就被抑制；抑制处理后的图像利用高阈值和低阈值来确定实际存在和隐藏起来的边缘，假设图像整个灰度级为［0，L－1］，灰度级低于s的像素点构成B0类，即灰度级为［0，s］的像素点归为B0类，灰度级为［s+1，L－1］的像素点为B1类，公式为，为灰度级i出现的概率，为B0类平均灰度级，为B1类平均灰度级；图像的类间方差可以表示为：当类间方差值最大时为高阈值当类间方差值最大时为高阈值，低阈值；利用高阈值和低阈值得到预处理的图像中各个圆饼边缘，获得预处理的图像中各个圆饼标记的边缘坐标。4.根据权利要求2所述的方法，其特征在于，将图像坐标转化为绝对坐标，采用外旋法计算某一个圆饼的面积和中心点坐标，然后计算某段边坡的所有圆饼的面积和中心点坐标，包括通过已知的定位标识，确定定位标识的图像坐标和绝对坐标在x方向上的差值为A，在y方向上的差值为B，则有图像坐标和绝对坐标之间的关系为X=x+A，Y=y+B，（x,y）为图像坐标，（X,Y）为绝对坐标；对整幅图像的某个圆饼以前一次检测出的圆饼中心点坐标开始向外旋转式扫描，若为首次检测，则以初始状态圆饼中心点坐标开始向外旋转式扫描；依次检查每一个像素点的灰度值，若灰度值为255就记录该点，若灰度值为0就舍去该
点；对这个圆饼的扫描直到某层被检测的所有像素点的灰度值全部为0时扫描完成；计算一共记录点的总数，该点的总数为此圆饼的面积；将所有记录点的灰度值设置为0；直到扫描完毕整幅图像中所有圆饼直到遍历完整图像。5.基于图像智能识别的边坡监测装置，其特征在于，所述装置包括：采集标记单元，用于采集已被标记的边坡图像；图像预处理单元，用于对已被标记的边坡图像进行预处理；边缘检测单元...

【专利技术属性】
技术研发人员：何云勇，杨柳，刘自强，沈乐，周庆，蓝枧卿，张曦，梅本强，丁春，冉小松，陈福江，刘太亮，赵澳平，
申请(专利权)人：四川省公路规划勘察设计研究院有限公司，
类型：发明
国别省市：