基于机器视觉的边坡稳定性分析系统及方法与流程

1.本发明涉及边坡稳定性分析技术领域，具体地，涉及基于机器视觉的边坡稳定性分析系统及方法。


背景技术：

2.我国是地质灾害频发的国家，据相关数据表明，近70％的地质灾害与边坡失稳垮塌相关。因此，对边坡稳定状态进行准确、有效、快速的分析及评价，对于边坡地质灾害风险管控具有重要意义。
3.边坡工程是一个具有不确定性、非线性、高复杂性的系统，其稳定性受到多种随机、模糊、复杂因素的影响，尽管使用极限平衡法和数值分析等确定分析方法可以对边坡的稳定状态做出较为精确的评价，但这些方法的使用受到边坡工程地质数据可用性与精度以及评价人员的知识经验等因素的限制。
4.因此，尝试使用不确定分析方法，如模糊层次分析法、粗糙集理论法、直觉模糊集法、贝叶斯方法、机器学习法等对边坡稳定性进行分析，这些方法在边坡稳定性预测中得到了较好的应用，但是由于其所需要的样本过多，而试验过程中的样本数据往往面临着不足的问题，因此预测的精度受限于样本数从而无法得到有效的提高，并且该预测方法虽然克服了单一算法的某些局限性，但是在优化的模型中又引入了新的参数，从而增加了模型的复杂程度，但其预测结果的效率和精度没有得到明显的提高。


技术实现要素：

5.本发明一方面所要解决的问题是提供一种基于机器视觉的边坡稳定性分析方法，该方法不仅能够对边坡表面信息进行实时监控,同时还能对边坡深度信息进行监控,通过结合边坡的表面信息和深度信息,能够提高对边坡稳定性的预测效率。
6.本发明第二方面所要解决的问题是提供一种基于机器视觉的边坡稳定性分析系统，该系统不仅能够对边坡表面信息进行实时监控,同时还能对边坡深度信息进行监控,通过将监测到的边坡的表面信息和深度信息相结合, 能够提高边坡稳定性的预测效率。
7.为了解决上述技术问题，本发明提供了一种基于机器视觉的边坡稳定性分析方法，包括以下步骤：
8.获取不同时段的边坡的图像信息，并生成边坡图像数据集；
9.对获取的边坡图像数据集进行预处理，并对经过预处理后的边坡图像数据集进行时间特征和空间特征的提取，将提取出的时间特征和空间特征关联到边坡图像的每一个像素点中；
10.根据特征提取的结果，将提取的结果进行标准化和归一化的数据处理，根据数据处理的结果进行建模分析，并输出模拟分析结果；
11.根据模拟分析结果生成评价报告。
12.优选地，边坡图像数据集通过红外发射模块、红外接收模块和摄像模块对边坡图
像数据进行收集，所述边坡图像数据包括深度信息和表面图像信息，所述深度信息通过所述红外发射模块和红外接收模块收集，所述表面图像信息通过所述摄像模块收集。通过该优选技术方案，通过收集到的边坡深度信息可用于判断边坡的内部结构特征，以及对边坡的内部结构是否构成滑坡可能性的判断，边坡表面信息可表现出边坡表面的节理特征，以此来判断边坡滑坡的可能性。
13.进一步优选地，所述深度信息的获取方法为：
14.通过所述红外发射模块发射固定频率的正弦光波对边坡进行照射；
15.通过所述红外线接收模块接收反射回的正弦光波信号；
16.当接收到反射回来的正弦光波信号之后，对发射的正弦光波和接收的正弦光波信号的相位差进行计算，从而获得边坡的深度信息；边坡深度的表达式为：
[0017][0018]
式中，d表示边坡的深度；c表示光速；δφ表示发射与接收到的光波相位差；f表示光波的频率。通过该优选技术方案，通过红外发射模块发射出的正弦光波信号对边坡的深度信息进行探测，从而能够准确测量出边坡的深度，方便绘制出边坡的深度图。
[0019]
优选地，所述边坡图像数据集的每一幅图像中，图像像素点与该像素点所代表的空间坐标相关联，从而实现空间坐标系到像素坐标系的转化。通过该优选技术方案，能够对获取的边坡图像中的像素点与改点所代表的空间坐标相关联，以此达到像素坐标所代表的位置与空间坐标所代表位置的统一。
[0020]
进一步优选地，所述预处理包括对遮挡部分的图像修复，通过记录该部分图像从相邻时间段拍摄到的未被遮挡时的空间特征信息，当该部分被遮挡时，采用从相邻时间拍摄记录到的图像对其进行补充后，对该部分图像信息进行获取和信息提取。通过该优选技术方案，能够对被遮挡部分的图像进行修复补充，使得被遮挡的图像形成完整的图像信息，便于后续的图像特征的提取和保证数据的完整性。
[0021]
优选地，所述预处理分别采用标准化和归一化的两种数据处理方式，通过从边坡图像数据集中抽取不同比例的样本数据进行预测研究，以获得边坡稳定性的影响因子，所述标准化处理数据的表达式为：
[0022][0023]
式中，x
*
为处理后的值，μ为图像样本数据的均值，σ为图像样本数据的标准差；
[0024]
所述归一化处理数据的表达式为：
[0025][0026]
式中，x
*
为处理后的值，x
min
为图像样本数据的最小值，x
max
为图像样本数据的最大值。通过该优选技术方案，由于单位,量纲,值域等差异,预处理采用标准化处理和归一化处理两种数据处理方式进行处理，得到的处理数据集代入模型中进行演算,消除了不同样本数据之间的差异性，从而提高了代入边坡中运算的效率。
[0027]
进一步优选地，获取预处理后的深度图像数据集，将捕捉到的关键节点坐标数据
转换为矩阵后，接着采用矩阵合并的方式将抽象的时间特征和空间特征融合，再使用softmax函数将融合的结果归一化处理，并将其输入二分类模型中进行数据处理。通过该优选技术方案，通过将时间特征和空间特征进行融合，并将融合后的特征结果与图像数据归一化处理，有利于将其与图像数据精密关联，提高了两者之间的关联性。
[0028]
优选地，所述二分类模型采用svm模型进行建模分析，所述svm模型对按照固定比例抽取的特征数据进行分析处理，并将经过处理的数据绘制成具有模型参数的稳定性分布情况图。通过该优选技术方案，通过模型对数据进行分析处理，并生成图像，从而能够更加直观的对边坡可能发生的情况进行预测，进而提高了预测边坡滑坡的效率。
[0029]
本发明第二方面提供了一种基于机器视觉的边坡稳定性分析系统，能够实现本发明第一方面所提供的一种基于机器视觉的边坡稳定性分析方法，包括：
[0030]
用于获取边坡图像数据集，并生成边坡图像数据集的图像收集模块；
[0031]
用于对获取的边坡图像数据集进行预处理，并对经过预处理后的边坡图像数据集进行时间特征和空间特征的提取，将提取出的时间特征和空间特征关联到边坡图像的每一个像素点中的数据处理模块；
[0032]
用于提取特征结果，并进行特征数据的建模分析，并输出模拟结果的建模分析模块；
[0033]
用于根据模拟结果生成评价报告的结果评价模块。
[0034]
优选地，所述图像收集模块包括红外发射模块、红外接收模块和摄像模块，所述红外发射模块和红外摄像模块成对设置，其中红外发射模块对测量点发射出正弦光波，红外接收器接收反射回来的光波信号，以能够通过发射的光波信号和接收的信号形成的深度场，所述摄像模块设置在所述图像收集模块的两端，所述图像收集模块能够将收集到的边坡图像信息进行预处理形成完整的图像信息；
[0035]
所述数据处理模块按照一定比例对边坡图像数据集进行数据特征的提取，并使用softmax函数对提取的特征数据进行归一化处理；
[0036]
所述建模分析模块采用二分类模型进行建模分析，所述二分类模型采用 svm模型对经过归一化处理的数据进行整理，所述svm模型对按照一定比例抽取的特征数据进行建模分析处理，并将经过处理的数据绘制成具有模型参数的稳定性分布情况图。
[0037]
通过上述技术特征，本发明提供的一种基于机器视觉的边坡稳定性分析系统和方法，通过对边坡深度图像和表面图像的获取，从而能够更加详尽的对边坡的整体结构，表面节理等特征有直观的表现，以及将时间特征和空间特征与图像像素点相关联，从而能够通过图像准确地观察，预测出边坡可能产生的运动，从而提高了边坡稳定性的预测效率。
附图说明
[0038]
图1是本发明实施例提供的方法流程示意图；
[0039]
图2是本发明实施例提供的svm模型工作流程示意图；
[0040]
图3是本发明实施例提供的图像处理坐标转化示意图；
[0041]
图4是本发明实施例提供的空间坐标系转化为相机坐标系的转化示意图；
[0042]
图5是本发明实施例提供的相机坐标系转化为图像坐标系的转化示意图；
[0043]
图6是本发明实施例提供的图像坐标系转化为像素坐标系的转化示意图。
具体实施方式
[0044]
以下结合附图对本发明的具体实施方式进行详细说明，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0045]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”应做广义理解，例如，术语“连接”可以是固定连接，也可以是可拆卸连接，或者是一体连接；可以是直接连接，也可以是通过中间媒介间接连接，可以是两个元件内部的连通或两个元件的相互作用关系，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发明中的具体含义。
[0046]
本发明的基于机器视觉的边坡稳定性分析方法的一种实施方式，如图1 所述，包括以下步骤：
[0047]
步骤1、获取不同时段的边坡深度信息和表面图像信息，并生成边坡图像数据集。
[0048]
在步骤1中，边坡的深度信息可以通过红外发射模块和红外接收模块相配合获得，红外发射模块对边坡发出正弦光波信号，红外接收模块接收反射回的正弦光波信号，从而根据两者之间产生的相位差，准确测量出边坡的深度并根据绘制出边坡的深度图，
[0049][0050]
式中，d表示边坡的深度；c表示光速；δφ表示发射与接收到的光波相位差；f表示光波的频率。
[0051]
边坡的深度信息不局限于采用红外发射模块和红外接收模块，采用其他探测装置，如探地雷达等均可，只需能够准确测量出该边坡的深度即可，同样的，边坡的表面图像信息的获取可采用任意规格的摄像装置，只要其能够清晰的获取边坡的表面图像信息即可，获取的边坡表面图像信息和深度图像信息进行汇总，形成边坡图像数据集。
[0052]
步骤2、对获取的边坡图像数据集进行预处理，并对经过预处理后的边坡图像数据集进行时间特征和空间特征的提取，将提取出的时间特征和空间特征关联到边坡图像的每一个像素点中。
[0053]
在步骤2中，通过数据处理模块对获取的边坡图像数据集进行预处理，在边坡图像的获取过程中，部分图像难免会被暂时遮挡，因此在进行图像获取的过程中，容易发生部分边坡图像信息的丢失，此时需要对该部分丢失的图像进行补充，在进行图像补充的过程中，采用图像相邻时间段的图像信息对丢失部分进行补充。
[0054]
当数据处理模块确定了图像缺失之后，数据处理模块使部分缺失图像和相邻时间段图像进行重叠，在重叠的过程中，数据处理模块可以使部分缺失图像位于相邻时间段图像下层，使得相邻时间段图像的中心点和部分缺失图像的中心点重合，相邻时间段图像的水平基准线与部分缺失图像的水平轴平行。或者，数据处理模块可以将相邻时间段图像的中心点和部分缺失图像的中心点重合，并使目标图像中的竖直基准线和部分缺失图像的竖直轴平行。当相邻时间段图像的中心点和部分缺失图像重叠之后，数据处理模块可以将相邻时间段图像中未被覆盖的区域确定为图像缺失区域。
[0055]
当数据处理模块确定了图像的缺失区域后，将缺失图像进行备份，数据处理模块可以从重叠的图像中确定缺失图像的像素点为目标像素点，该目标像素点在重叠图像中的位置与缺失图像的位置之间的差异是最小的，即数据处理模块从重叠图像中确定与缺失图
像之间差异最小的像素点为目标像素点，确定了目标像素点和目标区域之后，数据处理模块将目标像素点补充到图像缺失区域，当目标像素点和部分缺失图像重合时，重合部分采用部分缺失图像本身的图像信息。
[0056]
图3至图6是本发明实施例示出的一种空间坐标与像素坐标相关联的方式，如图3所示，坐标系o
w-x
wywzw
代表空间坐标系；o
c-xcyczc代表相机坐标系，相机的光心为坐标原点；o-xy代表图像坐标系；uν代表像素坐标系，原点为图像左上角；p代表空间坐标系中的一点，即现实中的一点； p代表在图像中的成像点，在图像坐标系中的坐标为(x,y),在像素坐标系中的坐标为(u,ν)；f代表相机焦距，等于o与oc的距离，f＝‖o-oc‖。
[0057]
如图4所示，从空间坐标系到相机坐标系涉及到坐标轴的旋转和平移，那么空间坐标系到相机坐标系的转化关系如图4所示，即将空间坐标系旋转 r，平移得到点p(xw,yw,zw)在相机坐标系中的坐标，具体表达式如下：
[0058][0059]
如图5所示，从相机坐标系转化为图像坐标系，属于透视投影关系，即将坐标系从空间坐标转化为平面坐标，具体转化的表达式如下：
[0060][0061]
此时的空间坐标单位为mm，并不是pixel，因此需要进一步转换到像素坐标系。
[0062]
如图6所示，像素坐标系和图像坐标系都在成像平面上，但二者的原点和度量单位不同，图像坐标系的原点为相机光轴与成像平面的交点，通常情况下是成像平面的中点。图像坐标系的单位是mm，而像素坐标系的单位是 pixel，因此需要将二者的单位进行统一转化，这二者之间的转换公式如下：其中dx和dy表示每一列和每一行分别代表若干mm，即1pixel＝dx mm，
[0063][0064]
通过上述的四个坐标系之间的顺次转化，由此可以得到一个点从世界坐标系转化为像素坐标系的表达式，并通过该表达式可将空间坐标与像素坐标相关联，该表达式如下：
[0065][0066]
通过将空间坐标与像素坐标相关联，可以准确的从像素图中确定边坡各个关键节点、内部结构和表面节理中判断出可能存在的问题，从而有利于对边坡滑坡情况进行预测。
[0067]
步骤3、根据特征提取的结果，将提取的结果进行标准化和归一化的数据处理，根据数据处理的结果进行建模分析，并输出模拟分析结果。
[0068]
在步骤3中，标准化和归一化的数据处理方式如下，标准化的处理方式为：
[0069][0070]
式中，x
*
为处理后的值，μ为图像样本数据的均值，σ为图像样本数据的标准差；归一化处理数据的表达式为：
[0071][0072]
式中，x
*
为处理后的值，x
min
为图像样本数据的最小值，x
max
为图像样本数据的最大值。经过标准化和归一化处理过的数据消除了原始数据在单位，量纲，值域等方面存在的显著差异，将其统一成由同样的计量单位组成的数据集合，有利于试验的演算，减少了在演算过程中单位的转化所花费的时间，提高了试验的效率。
[0073]
在步骤3中、通过将获取的深度图像数据集以及数据集中的关键节点坐标数据进行转化，转化方式可采用神经网络模型进行实现，该神经网络模型为：
[0074][0075]
式中，f
out
表示数据的输出；f
in
表示数据的输入；m表示权重矩阵，i 表示单位矩阵；b
1/2
(ak i)b
1/2
表示第k个样本邻接矩阵和关联矩阵的拉普拉斯归一化。该神经网络模型将边坡关键节点数据转化，并融合时间特征和空间特征，从而做到边坡数据的简单化，减少了数据在输入模型过程中的预处理所花费的时间，进而减少了模型的运算量，提高了运算效率。
[0076]
模型处理采用二分类模型中的svm模型进行建模分析，在输入模型前，从经过归一化和标准化处理的数据集中按比例抽取实验数据，抽取比例为 50％，60％，70％，80％，抽取的数据形成模型的预测数据集，且在按比例抽取的过程中，进行多次无规律的按比例抽取，将多次抽取完成的数据集分别输入svm模型中进行预测分析。
[0077]
步骤4、根据模拟结果生成评价报告的结果评价模块。
[0078]
在步骤4中、最后从模型中得到不同比例产生的预测结果，模型所产生的c,g值作
为模型的最终结果参数，将该预测结果通过计算机绘制成稳定性分布情况图。
[0079]
本发明的基于机器视觉的边坡稳定性分析系统，采用了本发明任一实施例的基于机器视觉的边坡稳定性分析方法，采用图像收集模块收集边坡图像信息，图像收集模块包括红外发射模块、红外接收模块和摄像模块，红外发射模块和红外摄像模块成对设置在图像收集模块上，其中红外发射模块对测量点发射出正弦光波，红外接收器接收反射回来的光波信号，通过发射的光波信号和接收的信号形成的深度场，边坡的深度信息采集装置可采用红外发射器和红外接收器配合进行信息采集工作，也可采用探地雷达等装置进行信息的收集，摄像模块设置在所述图像收集模块的两端，图像收集模块将收集到的边坡图像信息进行预处理形成完整的图像信息，该图像收集模块可采用鱼眼摄像头，以及高精度的工业摄像头进行拍摄作业。
[0080]
数据处理模块和建模分析模块均可以为由计算机运行特定的程序实现的功能模块，通过计算机运行相应的程序模块可实现数据处理模块和建模分析模块中的所有功能以及其可以达到效果。根据确定的模型编制计算机程序，属于本领域的常规技术手段，在本说明书中不再赘述。通过运行计算机程序，数据处理模块对边坡图像数据集按照一定比例进行数据特征的提取，并将提取的数据采用softmax函数进行归一化处理，最后形成新的数据集。
[0081]
建模分析模块在计算机中建立svm模型，该模型通过计算机的信息处理模块不断的从新的数据集中按照一定比例提取特征数据，提取的特征数据再代入模型中进行运算，最后将经过运算的数据绘制成具有模型参数的边坡预测稳定性分布情况图。
[0082]
在本发明的描述中，参考术语“一个实施例”、“一些实施例”、“一种实施方式”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本发明中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0083]
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于此。在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，包括各个具体技术特征以任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容，均属于本发明的保护范围。