基于机器视觉的公路边坡病害评估方法及系统

本发明涉及公路边坡安全监测与风险评估，尤其涉及一种基于机器视觉的公路边坡病害评估方法及系统。

背景技术：

1、公路边坡是交通基础设施的关键组成部分，其稳定性直接关系到交通安全与人民生命财产安全。当前，边坡监测技术正朝着智能化、自动化方向快速发展。无人机巡检、车载移动测量以及固定监控摄像头等机器视觉手段凭借非接触、全覆盖、高效率等优势已逐步替代传统人工巡查，不仅显著提升了监测效率与覆盖范围，还为边坡病害评估提供了充足的数据支撑，对保障公路运营安全、降低养护成本具有重要社会意义。

2、然而，现有技术仍存在显著局限：首先，现有边坡监测方法未充分考虑光照条件、植被覆盖、大气能见度等环境因素对图像观测质量的影响，导致提取的形变量存在系统性偏差；其次，现有技术往往仅关注可靠监测区的数据分析，盲区内的潜在病害信息缺失，导致风险评估结果不完整，可能遗漏关键隐患区域；此外，现有边坡安全评估多依赖单一的安全系数或稳定性系数进行判定，导致风险等级划分片面。由此，本发明提出基于机器视觉的公路边坡病害评估方法及系统，通过环境状态计算观测影响因子修正第一形变量，利用支护结构性能真实值与地质构造调节系数构建潜在风险系数，以及通过第二形变量对第三形变量的校准，实现了多源数据的深度融合，显著提升了公路边坡病害评估的鲁棒性、自适应性与工程实用性，对于公路边坡病害评估具有重要的工程应用价值。

技术实现思路

1、本发明的目的是要提供基于机器视觉的公路边坡病害评估方法及系统。

2、为达到上述目的，本发明是按照以下技术方案实施的：

3、本发明包括以下步骤：

4、获取监测数据和拓展数据，构建数字表面模型，确定显著病害区域并划分可靠监测区和监测盲区；

5、通过数字表面模型提取第一形变量，根据环境状态计算观测影响因子修正第一形变量得到第二形变量；

6、根据传感器实测数据提取支护结构性能并通过交通荷载和排水系统进行修正，结合盲区类型和地质构造计算潜在风险系数；

7、根据传感器实测数据计算稳定性影响因子，结合工程损伤对岩土物理力学参数进行修正，计算第三形变量；

8、利用第二形变量对第三形变量进行校准得到第四形变量，通过筛选异常形变量计算形变速率；

9、根据形变速率计算安全系数，并与潜在风险系数耦合得到综合风险度和安全等级；

10、所述监测数据包括图像观测、传感器实测、激光雷达点云；传感器实测数据包括岩土状态、支护结构性能；

11、所述拓展数据包括环境状态和人为扰动；所述环境状态包括地形地质、气象、植被；所述地形地质数据包括地形几何参数、岩土物理力学参数、地质构造；所述人为扰动包括交通荷载、排水系统、工程损伤。

12、进一步的，所述得到第二形变量的方法，包括：

13、获取图像观测数据进行配准融合和三维重建，构建数字表面模型；

14、根据病害特征识别病害类型并确定显著病害区域，并根据图像数据质量指标和传感器锚点覆盖状态划分监测盲区；

15、通过多期数字表面模型差分计算提取边坡表面的三维位移场与应变场，得到第一形变量；所述第一形变量表征边坡地表几何形态变化量，包括水平位移、垂直位移、裂缝宽度变化、裂缝长度扩展、坡面起伏度变化、滑体体积增量；

16、根据环境状态计算观测影响因子，并对第一形变量进行数值修正得到第二形变量。

17、进一步的，所述计算潜在风险系数的方法，包括：

18、根据传感器实测数据获取支护结构性能监测值；

19、获取交通荷载和排水系统并对支护结构性能监测值进行修正，得到支护结构性能真实值；所述支护结构性能真实值表征支护结构在当前环境与荷载条件下的健康状态；

20、根据观测影响因子调整区域内监测盲区划分，计算区域内各类监测盲区面积占比并构建数据缺失风险指数，根据地质构造确定地质构造调节系数构建地质构造风险因子，根据支护结构性能真实值计算支护性能折减系数构建支护结构性能调节因子；

21、根据数据缺失风险指数、地质构造风险因子、支护结构性能调节因子采用逻辑斯蒂函数进行映射得到潜在风险系数，表达式为：

22、；

23、其中，为潜在风险系数，为数据缺失风险指数，、、分别为区域内各盲区面积占比，为地质构造调节系数，为支护性能折减系数，、为敏感系数。

24、进一步的，所述得到第四形变量的方法，包括：

25、通过传感器实测数据计算稳定性影响因子，获取工程损伤采用损伤叠加准则统一折减，对岩土物理力学参数进行修正；所述工程损伤表征人为活动对岩土原有结构造成的不可逆劣化；

26、根据修正后的岩土物理力学参数和支护结构性能真实值通过力学模型推演得到第三形变量；所述第三形变量表征边坡理论形变量，包括潜在滑动面处切向位移与法向张开量、关键监测点理论水平位移与沉降、支护结构关联位移、塑性区位移场；

27、利用第二形变量对第三形变量进行校准得到第四形变量。

28、进一步的，所述得到综合风险度和安全等级的方法，包括：

29、采用3准则对第四形变量进行筛选得到异常形变量；

30、根据异常形变量采用移动窗口最小二乘法计算异常点形变速率，得到异常形变速率场；

31、提取异常形变速率场最大速率作为当前速率计算安全系数，表达式为：

32、；

33、其中，为安全系数，为当前速率，为等速蠕变参考速率，为岩土类型敏感系数；

34、将安全系数和潜在风险系数进行耦合得到综合风险度，并根据映射关系输出安全等级和对应工程措施建议；

35、所述综合风险度表达式为：

36、；

37、其中，为综合风险度，为安全系数，为潜在风险系数。

38、第二方面，基于机器视觉的公路边坡病害评估系统，包括：

39、数字模型模块：用于获取监测数据和拓展数据，构建数字表面模型，确定显著病害区域并划分可靠监测区和监测盲区；

40、第二形变模块：用于通过数字表面模型提取第一形变量，根据环境状态计算观测影响因子，并用观测影响因子修正第一形变量得到第二形变量；

41、潜在风险模块：用于根据传感器实测数据计算稳定性影响因子，结合工程损伤对岩土物理力学参数进行修正，计算第三形变量；

42、第三形变模块：用于利用第二形变量对第三形变量进行校准得到第四形变量，通过筛选异常形变量计算形变速率；

43、第四形变模块：用于利用第二形变量对第三形变量进行校准得到第四形变量，通过筛选异常形变量计算形变速率；

44、综合风险模块：用于根据形变速率计算安全系数，并与潜在风险系数耦合得到综合风险度和安全等级。

45、本发明的有益效果是：

46、本发明是基于机器视觉的公路边坡病害评估方法及系统，与现有技术相比，本发明具有以下技术效果：

47、本发明通过引入观测影响因子，对第一形变量进行数值修正，有效消除了复杂气象与植被环境对图像观测的系统性干扰，使第二形变量更真实地反映边坡地表几何形态的实际变化，显著提升了机器视觉在野外复杂环境下的形变测量可靠性与精度；

48、本发明通过图像数据质量指标和传感器锚点空间分布密度系统划分盲区类型并构建数据缺失风险指数，同时结合地质构造风险因子与支护性能折减系数计算潜在风险系数，实现了对监测盲区潜在风险的定量表征，避免了因盲区遗漏导致的关键隐患误判；

49、本发明通过传感器实测数据计算稳定性影响因子，结合工程损伤对岩土物理力学参数进行统一折减修正，并基于力学模型推演得到第三形变量，通过第二形变量校准第三形变量得到第四形变量，实现了机器视觉实测数据与力学理论模型的深度耦合，显著提高了边坡形变评估的可靠性与科学性；

50、本发明通过对第四形变量进行异常筛选，计算异常点形变速率，提取最大速率计算安全系数，并将安全系数与潜在风险系数进行耦合得到综合风险度，实现了对边坡安全状态的综合量化评估与分级预警，为公路边坡养护决策提供了科学、直观的依据。