一种基于机器学习的微波雷达与图形视觉数据融合方法技术

本发明专利技术公开了一种基于机器学习的微波雷达与图形视觉数据融合方法，包括微波雷达和计算机视觉同时对基坑支护结构进行监测，获取时间序列数据，时间序列数据包括微波雷达测量得到的差频信号和计算机视觉测量得到的位移数据；将差频信号和位移数据进行数据融合；对融合后的数据进行时间序列分析和特征提取；基于机器学习方法构建模型，对数据进行预测和分析；本发明专利技术可以实现高精度、实时、非接触式监测：通过对微波雷达和计算机视觉数据进行融合处理，可以大大提高监测的精度，减少误差；实时监测可及时反馈工程变形情况，为工程管理提供及时准确的数据支持；采用非接触式监测手段，无需对工程进行破坏性检测，能够保护工程结构完整性。完整性。完整性。

【技术实现步骤摘要】
一种基于机器学习的微波雷达与图形视觉数据融合方法


[0001]本专利技术属于基坑支护监测技术
，尤其涉及一种基于机器学习的微波雷达与图形视觉数据融合方法。

技术介绍

[0002]在基坑支护中，结构物的位移和变形监测对于保障施工安全和工程质量至关重要。目前，微波雷达和计算机视觉技术都被广泛应用于基坑支护监测。微波雷达可以测量深埋在地下的结构物变形信息，但其监测精度受到地下介质和工程干扰的影响；而计算机视觉则可以实现对结构物表面位移的高精度测量，但其监测范围受到视野和光照等因素的限制。并且，单一监测手段存在着精度不足和数据处理复杂的问题，因此需要将两种技术进行融合。
[0003]所以研发出一种基于机器学习的微波雷达与图形视觉数据融合方法来解决上述问题。

技术实现思路

[0004]本专利技术的目的就在于为了解决上述问题设计了一种基于机器学习的微波雷达与图形视觉数据融合方法。
[0005]本专利技术通过以下技术方案来实现上述目的：
[0006]一种基于机器学习的微波雷达与图形视觉数据融合方法，包括以下步骤：
[0007]S1、微波雷达和计算机视觉同时对基坑支护结构进行监测，获取时间序列数据，时间序列数据包括微波雷达测量得到的差频信号和计算机视觉测量得到的位移数据；
[0008]S2、将差频信号和位移数据进行数据融合；
[0009]S3、对融合后的数据进行时间序列分析和特征提取；
[0010]S4、基于机器学习方法构建模型，对数据进行预测和分析。r/>[0011]本专利技术的有益效果在于：
[0012]高精度监测：通过对微波雷达和计算机视觉数据进行融合处理，可以大大提高监测的精度，减少误差。
[0013]实时监测：可以实现实时监测，及时反馈工程变形情况，为工程管理提供及时准确的数据支持。
[0014]自动化处理：通过使用计算机视觉技术，可以实现对大量数据的自动化处理和分析，减少人力成本。
[0015]非接触式监测：微波雷达和计算机视觉技术均为非接触式监测手段，无需对工程进行破坏性检测，能够保护工程结构完整性。
附图说明
[0016]图1为本专利技术的方法流程图；
[0017]图2为微波雷达测试信号图；
[0018]图3为微波雷达测试数据图；
[0019]图4为机器视觉测试数据图。
具体实施方式
[0020]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0021]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0023]在本专利技术的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该专利技术产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0024]此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0025]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0026]下面结合附图，对本专利技术的具体实施方式进行详细说明。
[0027]如图1所示，本专利技术提供了一种基于机器学习的微波雷达与图形视觉数据融合方法，包括以下步骤：
[0028]S1、微波雷达和计算机视觉同时对基坑支护结构进行监测，获取时间序列数据，时间序列数据包括微波雷达测量得到的差频信号和计算机视觉测量得到的位移数据；如图2所示，微波雷达连续发射信号，接收到的回波信号经过采样和预处理，获取原始的微波雷达信号；
[0029]在该步骤中，微波雷达和计算机视觉技术同时对基坑支护结构进行监测，以获取时间序列数据。微波雷达技术可实现对结构变形情况的高精度监测，计算机视觉技术则可获取结构的位移信息。两者的数据采集工作相互协作，可以得到更加全面和准确的支护变形信息，为后续的数据融合和分析提供基础数据。
[0030]S2、将差频信号和位移数据进行数据融合；
[0031]在该步骤中，利用微波雷达测量得到的差频信号和计算机视觉测量得到的位移数据进行数据融合，以得到更加全面和准确的支护变形信息。其中，微波雷达差频信号可以反映结构的形变情况，计算机视觉位移数据可以提供结构的相对位移信息，两者的数据相互融合可以更全面地反映支护结构的变形情况。
[0032]S3、对融合后的数据进行时间序列分析和特征提取；
[0033]在该步骤中，对融合后的数据进行时间序列分析和特征提取，以揭示支护结构的变形规律和特征。时间序列分析可以揭示数据的周期性、趋势性等规律，而特征提取则可以将复杂的支护变形信息转化为可量化的特征向量，为后续的机器学习模型提供特征数据。
[0034]S4、基于机器学习方法构建模型，对数据进行预测和分析。
[0035]在该步骤中，基于机器学习方法构建模型，对数据进行预测和分析。通过对已有的支护变形数据进行训练，建立支护变形预测模型，可以预测未来支护结构的变形情况。同时，对已有的支护变形数据进行分析，可以发现支护结构的异常变形情况，并及时进行处理，保证工程的安全性。
[0036]在一些实施例中，在步骤S1中，微波雷达连续发射信号，依据回波信号采样并处理，得到表示目标运动信息的差频信号Sd(t)，如图3所示；计算机视觉在t1和t2时刻对基坑内侧进行图像采集后分析得到位移数据Da(t1)、Da(t2)；计算机视觉在t1和t2时刻对基坑外侧进行图像采集后分析得到位移数据Db(t1)、Db(t2)。如图4所示，计算机视觉处理可以得到基坑内外侧墙在不同时刻的位移监测结果，即位移数据Da(t)和Db(t)。
[0037]本专利提供的差频信号和位移数据的融合技术，是通过对微波雷达和计算机视觉数据进行对应，实现两种监测手段数据的融合。其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的微波雷达与图形视觉数据融合方法，其特征在于，包括以下步骤：S1、微波雷达和计算机视觉同时对基坑支护结构进行监测，获取时间序列数据，时间序列数据包括微波雷达测量得到的差频信号和计算机视觉测量得到的位移数据；S2、将差频信号和位移数据进行数据融合；S3、对融合后的数据进行时间序列分析和特征提取；S4、基于机器学习方法构建模型，对数据进行预测和分析。2.根据权利要求1所述的一种基于机器学习的微波雷达与图形视觉数据融合方法，其特征在于，在步骤S1中，微波雷达连续发射信号，依据回波信号采样并处理，得到表示目标运动信息的差频信号Sd(t)；计算机视觉在t1和t2时刻对基坑内侧进行图像采集后分析得到位移数据Da(t1)、Da(t2)；计算机视觉在t1和t2时刻对基坑外侧进行图像采集后分析得到位移数据Db(t1)、Db(t2)。3.根据权利要求2所述的一种基于机器学习的微波雷达与图形视觉数据融合方法，其特征在于，在步骤S2中，数据融合具体包括：S21、分别计算基坑内侧和外侧在相同时刻的位移差分：ΔDa(t)＝Da(t2)
‑
Da(t1)；ΔDb(t)＝Db(t2)
‑
Db(t1)；S22、计算内外侧位移差分之差，作为融合后的位移特征：ΔD(t)＝ΔDa(t)
‑
ΔDb(t)＝[Da(t2)
‑
Da(t1)]
‑
[Db(t2)
‑
Db(t1)]；S23、建立Sd(t)与ΔD(t)之间的线性对应关系：Sd(t)＝k1*ΔD(t)+k2；其中，k1和k2为待确定的线性相关系数；通过参数拟合，建立微波雷达信号Sd(t)与视觉位移差分ΔD(t)之间的数学对应模型。4.根据权利要求3所述的一种基于机器学习的微波雷达与图形视觉数据融合方法，其特征在于，步骤S3具体包括：S31、基于小波变换，分析融合信号的时频特征：对融合后的数据序列X(t)进行小波变换，分解为不同尺度下的系数分量：其中，c
j，k
—第j层小波变换的第k个尺度系数，d
j，k
—第j层小波变换的第k个细节系数，—第j层的第k个尺度函数，ψ
j，k
—第j层的第k个小波函数；S32、计算多层小波变换后的各层小波系数：遍历小波变换的不同尺度j，计算各层的第j层小波变换的第k个尺度系数c
j，k
和第j层小波变换的第k个细节系数d
j，k
；S33、通过小波系数提取信号的奇异点信息，得到突变特征：分析第j层小波变换的第k个细节系数d
j，k
的正负符号变化，当符号发生改变时，判定该位置k为信号的奇异点：Sk＝{k|sign(d
j，k
)≠sign(d
j，k
‑1)}；其中，Sk表示第j层的奇异点集合；
奇异点强度使用详细系数的幅值表示：Ik＝|d
j，k
|，当k∈Sk；S34、计算每个层次小波系数的能量特征，分析信号能量分布：计算每个尺度下细节系数d
j，k
的能量：Ej＝∑k(d
j，k
)2；其统计特性，能量熵、峭度、方差定义...

【专利技术属性】
技术研发人员：邓树密，任刃，苏波，张俊彦，高建平，赵启强，周会迪，李波，
申请(专利权)人：中国水利水电第十工程局有限公司，
类型：发明
国别省市：