详情

原文传递一种基于图像处理的高速公路高边坡位移集成监测方法

专利名称：	一种基于图像处理的高速公路高边坡位移集成监测方法
摘要：	本发明涉及响应灾难事件的报警器，公开了一种基于图像处理的高速公路高边坡位移集成监测方法，包括高边坡监测桩的安装，图像处理模块，激光测距模块，边坡稳定性预测模块和报警模块。本发明通过安装具有标识圆形的监测桩在高边坡上，利用摄像机拍摄边坡图片并进行图像处理获得中心点坐标与启动时监测到的历史数据进行对比并根据激光测距仪所测位置是否发生改变确定边坡发生位移是否需要发送警报信息警，当边坡位移不足以引起警报是通过边坡稳定性预测来对边坡稳定性进行预警并发送预警信息，具有响应及时、节省人力、监测广度高的优点。
专利类型：	发明专利
申请人：	河南交院工程技术集团有限公司;河南交通职业技术学院(河南省交通电视中等专业学校);郑州轻工业大学
发明人：	叶国永;刘旭玲;邵景干;冯忠居;尚廷东;王保林;张志远;王钰轲
专利状态：	有效
申请日期：	2023-08-01T00:00:00+0800
发布日期：	2023-11-03T00:00:00+0800
申请号：	CN202310959397.6
公开号：	CN116989679A
代理机构：	深圳市众元信科专利代理有限公司
代理人：	徐佳辰
分类号：	G01B11/02;G08B21/10;G08B31/00;G06T7/66;G06T7/13;G06T5/00;G06T5/40;G06T7/80;G06T5/30;G06N3/08;G06N3/084;G;G01;G08;G06;G01B;G08B;G06T;G06N;G01B11;G08B21;G08B31;G06T7;G06T5;G06N3;G01B11/02;G08B21/10;G08B31/00;G06T7/66;G06T7/13;G06T5/00;G06T5/40;G06T7/80;G06T5/30;G06N3/08;G06N3/084
申请人地址：	450000 河南省郑州市二七区航海中路165号;;
主权项：	1.一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，包括以下步骤：在高边坡各级平台安装有红色圆形监测桩；安装监测摄像机并对摄像机进行标定；摄像机启动时，对高边坡拍摄图片进行图像处理，获得监测桩标示圆数据并存入储存模块作为历史数据；摄像机监测时，对高边坡拍摄图片进行图像处理，获得监测桩标示数据与历史数据对比；若检测到的监测桩标识圆中心数据与历史数据横向位移或纵向位移超过Q1启动激光测距仪进行验证；若检测到的监测桩标识圆中心数据与历史数据横向位移或纵向位移未超过Q1，进行边坡稳定性预测，更具结果发送预警信息；若激光测距仪测得数据超过阈值发送警报信息；对接收到警报信息和预警信息进行处理。 2.根据权利要求1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对摄像机的标定采用张正友标定法，具体如下： (1)准备一个张正友标定标准棋盘格，棋盘格大小已知； (2)从不同角度拍摄标准棋盘格图片； (3)对图像中的特征点，如标准棋盘格角点进行检测得到标准棋盘格角点的像素坐标值，根据已知的棋盘格大小和世界坐标系原点，得到标准棋盘格角点的物理坐标值； (4)获取摄像机内参与外参； (5)获取畸变系数； (6)标定完成。 3.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对图像进行处理包括：图像预处理，边缘检测，中心点检测。 4.根据权利3所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，图像预处理：对所拍摄图像进行最大值法灰度化处理，公式如下： [f(i，j)]＝[R′(i，j)，G′(i，j)，B′(i，j)] f(i，j)＝R′(i，j)＝G′(i，j)＝B′(i，j)＝max(R(i，j)，G(i，j)，B(i，j)) 式中，i，j分别表示图片中各像素点横纵坐标，[f(i，j)]表示最大值法灰度化处理后坐标(i，j)的像素点的RGB值，R(i，j)和R′(i，j)分别表示像素点红色基分量，G(i，j)和G′(i，j)分别表示像素点绿色基分量，B(i，j)和B′(i，j)分别表示像素点蓝色基分量；图像滤波，通过中值滤波是基于图像区域内像素灰度排序的非线性滤波算法，根据像素灰度排序决定滤波像素的灰度值，将像素领域内灰度的中值作为滤波像素新的灰度值；图像增强，对拍摄高边坡图像进行直方图均化处理，去除和削弱无用信息，突出颜色、边缘、形状等有用信息；直方图均衡化就是把原始灰度图像的灰度直方图变换为均匀分布的灰度直方图，并按均衡直方图对图像中像素点的灰度进行修正计算，使均衡化后的图像具有信息量通过重新计算像点的灰度值，使一定灰度级内的像素数量大致相同；图像二值化，使用下述公式对所拍摄图像的灰度图按图像的灰度特性将图像分成背景和目标两部分；公式：式中，image(i，j)表示未处理图片在坐标(i，j)的像素点的RGB值均值，output(i，j)表表示处理后图片在坐标(i，j)的像素点的RGB值，t表示阈值。 5.根据权利3所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对边缘检测后的图像进行中心点检测：从边缘检测后的图片左上方开始检测；逐行进行扫描，若某行所有灰度值均为0则转入下一行继续进行扫描；当扫描到某点灰度值不为0，则几下该点坐标，并以该点坐标为起点按照顺序检测它的8个领域，若检测到某一点的像素为255记下该点坐标，重复此操作；扫描结束后对所有标记点坐标计算平均值，得到标识圆形的中心点坐标作为历史数据。 6.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，将检测到的中心点数据由于历史数据进行对比，若超过Q1启动激光测距仪进行距离检测。 7.根据权利6所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，启动激光测距仪进行距离检测验证，具体：式中，c表示光速，表示光线往返一次产生的相位延迟，ω表示调制光角频率；若检测与标定点距离大于Q2则进行警报。 8.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，摄像机监测时，对所拍摄图片进行图像处理，并提取红色圆形标识的形状特征和颜色特征，通过训练好的神经网络识别出具有圆形标识的图片，对识别出的圆形标识图片进行边缘检测和中心点检测；将获得的中心点坐标与历史数据进行对比；其中，对神经网络进行训练，收集多张包含红色圆形标识监测桩的图片和不含监测桩的图片，形成数据集，将数据集分为训练集和测试集；将训练集的数据归一化后输入到神经网络模型中，通过不断地正向传播和误差反向传播使得结果趋于准确，当训练次数达到学习次数T时，停止训练过程保存训练结果，得到训练后的神经网络模型；对训练后的神经网络模型，输入归一化的测试集的图片，得到识别的结果与测试集的图片继续比对，若精确度达到u0，训练完成；否则增加最大训练次数从新训练直至精确度达到u0为止，得到训练好的神经网络模型。 9.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对未超过Q1的边坡位移进行边坡稳定性预测：将累积位移除以速率，使得纵坐标与横坐标具有相同的时间量纲，公式如下：式中，Ti为量纲统一后i时刻的纵坐标值,Si为一个监测周期内位移量，v表示位移速率；进一步得到切线角如下：式中，a表示切线角，ti表示监测时刻，ti-1为监测时刻前一时刻，Ti-1量纲统一后i-1时刻的纵坐标值；若a小于或等于45°，边坡处于初始变形阶段无需预警；若a大于45°且小于85°边坡处于加速变形阶段，发送二级预警；若a大于或等于85°且小于90°边坡处于高加速变形阶段，发送一级预警。 10.根据权利1所述的一种基于图像处理的高速公路高边坡位移集成监测方法，其特征在于，对警报和预警信息进行处理：在高速公路边坡附近站点设置鸣笛警报装置，对警报信息采用鸣笛报警进行提醒及时封锁路段，发送提醒信息到站点管理人员监测设备上，并对边坡预警信息采取相应措施进行处理。
所属类别：	发明专利