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。