深度学习法检测大坝安全监测异常数据

有效检测出异常数据在大坝安全监测领域具有重要意义,但传统方法检测时受异常数据偏离大小和数量影响,鲁棒性较差。提出一种基于深度学习的大坝安全监测异常数据检测算法,模拟人工识别异常数据的过程,按分类和识别两个阶段检测异常数据,适用于检测变化趋势不确定的数据,其中标签数据集采取自动制作方式,具备反馈机制。试验结果表明该算法对各类异常添加模式的试验数据查准率平均达到0.97以上,查全率平均达到0.97以上,准确率平均达到0.99以上,尤其能有效找出小数值异常,比传统异常数据检测方法具有更好的检测稳定性、鲁棒性和实用性。

基于改进随机森林的大坝监测数据质量评价算法

针对大坝安全监测数据质量评价效率低下、智慧化不足等难题,为了满足大坝高频率自动化采集的实时数据质量评价需要,从准确性、完整性、时效性和连续性4个方面出发提出了6项评价因子及由相关评价规范构成的安全监测历史数据质量评价标准,通过基于AUC值改进的随机森林算法建立了大坝安全监测历史数据质量评价算法,并将该算法应用于新疆柳树沟面板堆石坝多年安全监测历史数据评价。结果表明:通过AUC值改进的随机森林算法优于原始算法,在特征属性数量取3时效果最好,测试集的泛化误差最小仅为0.0195,平均准确率稳定在96.97%附近,10折交叉验证平均准确率达到97.77%,证明了该算法的可行性。

基于DBSCAN的大坝安全监测异常数据检测算法

为有效识别出安全监测数据中的异常值,考虑环境因素对观测值的影响,提出了一种基于DBSCAN聚类算法的大坝安全监测异常数据检测算法,通过引入数学回归模型获取残差序列,再结合DBSCAN算法对残差序列进行分析,并对大坝安全监测中常见的周期性、趋势性和不规则性数据进行异常检测试验。试验结果表明,该算法对各类异常添加模式下的试验数据查准率、查全率、准确率均达到0.99以上,相比于传统方法具有更好的适用性和鲁棒性。

耦合DWT-IFLOF的大坝监测数据异常检测算法

基于数据驱动的模型已广泛应用于大坝运行状态建模与短期变形预测等领域中,而监测数据中存在的异常值会削弱甚至破坏数据驱动模型的可信度和鲁棒性。针对上述问题,提出一种耦合DWT-IFLOF的大坝监测数据异常检测算法。首先,采用小波降噪技术减少监测数据集中采集噪声对模型建模的负面干扰。其次设计一种耦合孤立森林(iForest)异常检测算法与归一化局部离群因子值(LOF_(nor))的全新监测数据异常度量化表达式。最后通过引入拉伊达准则,依据计算得到的异常分数,对异常值进行定性筛查。试验结果表明,相较于热门异常检测算法,在查全率层面提升18.32%以上;查准率提升20.14%以上;准确率提升0.71%以上。可针对大坝安全监测数据中的异常值进行有效检测。

一种基于深度学习与图像局部特征提取的边坡异常监测技术

为提升边坡险情的监测能力,本文提出了一种基于深度学习与图像局部特征提取的边坡异常监测技术。该技术通过提取边坡自然特征物的二维坐标构成目标三角网络,以三角网络的变化区域圈定边坡险情范围,并提取变化范围内的同名特征点,以同名特征点的位移情况对边坡的变化进行描述。首先,拍摄边坡发生险情前后的图像,利用目标检测模型YOLOv5识别边坡自然特征物,利用语义分割模型DeepLabV3+对提取的自然特征物进行语义分割得到其二值化区域,提取区域中心得到二维坐标,以所有自然特征物的二维坐标点阵构建目标三角网络,并以三角网络变化圈定边坡的变化范围。然后,利用图像特征提取技术,提取变化范围之内的同名特征点,并统计其位移距离与方向,以此反馈边坡的变化情况。最后,设计了试验验证该方法的稳定性与可靠性,并在真实的边坡验证了方法的实用性。试验结果表明,该技术能够对边坡的变化进行有效监测,是边坡监测工程中的一种可行技术。

基于VMD-KSVD字典学习降噪的大坝变形预测

提出一种自适应变分模态分解和KSVD字典学习相结合的降噪算法。该方法对监测序列分解后的子序列进行降噪,同时考虑残差序列的特征,从而充分保留监测序列中的有效信息。以某大坝变形监测数据为例进行测试,结果表明,该方法能够较好地保留监测序列中的有效信息,相较于传统的降噪算法更适用于复杂情况下的大坝变形预测,能进一步提高预测模型的泛化能力。

基于Blending-Clustering集成学习的大坝变形预测模型

【目的】变形是反映大坝结构性态最直观的效应量,构建科学合理的变形预测模型是保障大坝安全健康运行的重要手段。针对传统大坝变形预测模型预测精度低、误报率高等问题导致的错误报警现象,【方法】选取不同预测模型和聚类算法集成,构建了一种Blending-Clustering集成学习的大坝变形预测模型,该模型以Blending对单一预测模型集成提升预测精度为核心,并通过Clustering聚类优选预测值改善模型稳定性。以新疆某面板堆石坝变形监测数据为实例分析,通过多模型预测性能比较,对所提出模型的预测精度和稳定性进行全面评估。【结果】结果显示:Blending-Clustering模型将预测模型和聚类算法集成,均方根误差(RMSE)和归一化平均百分比误差(nMAPE)明显降低,模型的预测精度得到显著提高;回归相关系数(R~2)得到提升,模型具备更强的拟合能力;在面板堆石坝上22个测点变形数据集上的预测评价指标波动范围更小,模型的泛化性和稳定性得到有效增强。【结论】结果表明:Blending-Clustering集成预测模型对于预测精度、泛化性和稳定性均有明显提升,在实际工程具有一定的应用价值。

基于M-DBT框架的岩质边坡落石跟踪算法研究

边坡落石是一种常见的自然灾害,构建高效准确的落石监测方法对边坡安全监控十分重要。传统基于视频图像的落石监测方法缺乏对落石运动的关注。针对该问题,选取YOLOv5s和DeepSort模型,基于DBT框架,从框架、算法两个层面对模型进行改进,提出了基于M-DBT框架的落石跟踪算法。框架层面,基于Background Matting算法搭建了运动检测器,并融入原有的DBT框架中,依据运动检测结果动态调用落石跟踪算法,提出了M-DBT目标跟踪算法框架,提高了设备算力的使用效率。算法层面,基于CBAM注意力机制、ASPP空间金字塔池化、SIoU损失函数和Swin Transformer网络集成优化了YOLOv5s和DeepSort算法,提高了算法对落石特征的提取能力、预测框的准确率及检测目标ID分配精度。使用自建目标检测和图像分类数据集进行模型训练与试验,试验结果表明:基于M-DBT框架的落石跟踪算法与基于DBT框架的算法相比,能有效减少算力资源消耗(最高可减少21.5%);改进后的YOLOv5s模型检测精度提高了8.4%,岩块检测准确率最高达87%;改进后DeepSort模型的跟踪精度提升了8.9%,跟踪准确率最高达84%。所提落石跟踪算法能够实现边坡落石的检测与跟踪,具有较强的实用价值。

微距拍摄条件下的裂缝二维变化测量算法

结构性裂缝变化是建筑结构中常见的病害种类。针对微距拍摄下现有裂缝二维检测技术不足的问题,本文根据裂缝变化等效物理模型设计了一种能够适应微距拍摄的标靶,并提出了裂缝二维变化检测算法。本文算法由标靶靶别定位、畸变参数修正、裂缝参数计算等部分构成,由树莓派及摄像头组合形成微距图像采集装置,并基于室内试验验证。结果表明,该算法在微距拍摄下裂缝宽度变化测量精度在0.1 mm以内。

基于融合特征的CNN-Transformer墙体瓷砖粘贴空鼓检测算法

建筑墙体瓷砖粘贴空鼓的敲击检查方法是目前无损检测中应用最多的检测方法。为实现对复杂敲击位置下的识别和智能化检测,使用敲击法获取空鼓声音信号,提取连续小波变换(CWT)时频图和梅尔倒谱系数(MFCC)等时序特征。设计轻量化注意力CNN-Transformer双分支网络GATRNet,提出一种基于门控机制的特征融合模块,对CWT时频图和融合时序特征分别提取深度特征并进行融合。试验结果表明,所提方法测试精度可达99.10%,特征融合模块能够充分融合多种特征;相较于机器学习和神经网络识别方法,GATRNet在面对复杂敲击位置的声音时,多样性评价指标明显较优异。

基于FFT-STL的大坝监测数据时效分量提取与分析算法

研判监测物理量的变化趋势是否向危险方向发展是大坝监测资料定量分析的主要目的,但传统方法易受人为因素的影响。为此,提出了一种基于FFT-STL的大坝监测数据时效分量提取与分析算法,该算法采用FFT算法计算监测数据的周期,并将其作为输入参数传递给STL分解算法,自动提取数据的时效分量,采用不同类型的时效分量模型分别回归拟合优选最佳模型,最后依据变化速率对时效分量的趋势进行研判。经实例分析证明,与传统算法相比,所提算法能准确可靠地反映大坝安全监测数据的变化和发展趋势,且具有更好的适应性。

基于深度学习的水管式沉降仪数据采集方法

传统水管式沉降仪主要通过压力传感器来测量水位进而计算坝体内部沉降量,其存在测量稳定性差的问题。针对此弊端,提出一种基于深度学习的水管式沉降仪数据采集方法,包含特制水尺及相应算法。通过摄像机从上至下分段拍摄特制水尺并筛选出水位所在图像;采用二维码标识对图像进行角度校正并切割出水尺及测量管区域,同时读取厘米级水位坐标;基于UNet搭建图像抠图模型精确分割测量管中水位;最后结合水位线坐标,采用YOLOv5模型识别标尺毫米级坐标。试验结果表明,该技术环境适应性强,测量结果与人工读值相比,其误差均小于0.3 mm,满足实际工程的需要。

基于Prophet-GMM的大坝监测数据异常检测算法

大坝监测数据受环境等因素影响,往往存在异常数据,异常数据的检测对于大坝的正常运行起着不可或缺的作用,但是传统异常检测算法对于大坝监测数据往往达不到精度要求。提出了一种基于Prophet-GMM的异常检测算法,利用Prophet算法较好的拟合性能对大坝数据进行拟合,由拟合数据与实测数据求残差序列,再利用GMM算法对残差序列进行聚类,从而准确识别出异常值。结果表明:Prophet-GMM法对于不同类型的大坝监测数据都能准确识别出异常值,与传统检测算法相比,在查准率、查全率及准确率3个检测指标上,均有较为明显的提升。

基于机器视觉的滑坡体夜间不间断监测技术研究

为了提升对滑坡体险情的实时感知能力,提出了一种基于机器视觉的滑坡体夜间不间断监测技术,该技术通过提取夜间滑坡体特征物的位移,来监测滑坡体的局部变形情况:首先利用二值化方法提取滑坡体特征点阵;然后利用不同点阵的特征三角形对像素坐标系进行变换,实现特征点的匹配,并计算像素位移;最后基于单目测距原理将像素移动距离转换为实际距离,进而实现边坡的夜间不间断监测。试验结果表明,该技术在保持较高精度的同时,能够在夜间持续对滑坡体进行监测,可运用于实际工程中。

基于IF-Encoder的大坝监测异常数据检测算法

大坝安全监测数据中的异常值会对大坝安全分析、决策的正确性和及时性产生影响。为准确高效地检测大坝安全监测数据中的异常值,提出一种基于IF-Encoder的异常数据检测算法,基于时间序列间的相关性对目标序列进行重构,对比重构序列与目标序列残差的大小来识别异常值。另外依据规范要求,提出一种基于相关性的异常值鉴定方法,针对检测出的异常值进行真实异常、虚假异常划分,在保留真实异常值的情况下,对虚假异常值进行剔除处理。结果表明:相比四分位法、拉伊达准则、KNN最近邻法、DBSCAN聚类法,IF-Encoder算法检测异常值的查全率、查准率、准确率有所提升,其对异常值的识别更加可靠、有效。基于相关性的异常值鉴定方法对真实异常的鉴定准确率为92%,对虚假异常的鉴定准确率为100%,可有效对异常值进行划分。

基于模板匹配的接缝宽度变化测量方法

为了解决传统接缝宽度变化测量算法在倾斜条件下拍摄出来的图像检测结果精度不足的问题,提出一种适应倾斜拍摄条件下的接缝宽度变化测量算法。分别采用三角形以及正方形靶标作为左右模板。首先选取合适大小的模板并通过模板匹配对拍摄图像进行匹配,然后获取左右模板并对其进行二值化处理,以获得左右两个模板的角点,利用交比不变性获得靶标的距离,以得到接缝的宽度变化。经过试验证明,该方法适用于远距离、倾斜拍摄下的接缝宽度变化测量,测量精度在0.2 mm以内,检测时间小于10 s,且减少了接缝宽度变化监测的成本,为工程应用提供了一定的价值。

基于机器视觉的非接触式滑坡体监测技术研究

为降低监测成本有效提升滑坡体险情感知能力,文章提出了一种基于机器视觉的非接触式监测技术,并使用大型室内滑坡模拟装置对其可靠性进行验证。该技术采用特定标识物作为滑坡体的监测对象,并设计了以HSV色彩空间与Hough圆检测算法为基础的标识物提取定位算法,融合了单目测距技术对标识物的位移进行定量计算。采用该技术监测分析大型室内滑坡模拟装置的滑坡体险情发展全过程,结果表明,此技术能够较为精确地反映滑坡体的位移情况,为滑坡监测提供了一种经济、全面的监测方案。

面向大坝变形的重构预测的稀疏表示算法研究

传感器中采集的大坝原始监测序列不可避免地存在外界及人为造成的噪声,给准确预测大坝变形带来挑战,为解决该问题,提出降噪重构训练集方法来预测大坝变形。针对传统降噪方法受冗余基函数影响,引入K-SVD方法来稀疏表示大坝原始监测序列,自适应地更新原子提高重构的大坝监测序列的有效信息。以真实大坝为例,验证本研究方法的有效性,以预测能力不同的机器学习模型进行试验,试验表明本研究训练集降噪重构算法可以提高大坝变形预测精度,有效展现了大坝变形序列的特征,面对传统降噪算法有着较好的表现,具有一定鲁棒性和可靠性。

无人机倾斜摄影测量技术支持下的裸露边坡表面变化识别

为克服传统人工边坡调查方法效率低、风险高、难度大等缺陷,针对高陡裸露边坡,本文提出了基于无人机倾斜摄影的边坡三维重建和灾害识别分类方法,即利用无人机多视角序列影像重构裸露边坡三维实景模型,并将不同时期的边坡三维模型统一在相同的坐标系内。经试验验证,重建模型精度优于2 cm,基于点云与点云比较算法的三维点云数据变化检测算法,能够分析两个时期点云模型的细微差异,通过在三维实景模型中进行标记,结合PointNet++分类神经网络算法自制点云数据集,成功地实现对标记区域的识别与分类,从而实现边坡滑坡、坍塌、落石等灾害场景的智能化识别。

基于影响因子分解法的大坝监测数据异常检测算法

如何快速检测出大坝安全监测系统内的异常数据(例如粗差和告警值)对于大坝安全运行具有极其重要的意义,但传统方法容易漏检较小数值异常而对后续建模产生不利影响。提出了一种基于影响因子分解的异常值检测方法,通过快速小波变换及离散傅里叶变换提取监测序列中的显著趋势与周期,剥离环境因子的影响,构建余项序列,并结合小概率事件思想准确判定余项序列中保留的异常值,从而精确检测出监测序列中较小数值异常。实例验证结果表明:此方法具有较好的实用性与稳定性,各类监测序列中异常检测准确率均达98%以上,查准率与查全率均值分别为93%与92%,与传统检测方法相比,检测精确程度及泛化能力明显提升。