基于PS-InSAR技术的桥梁形变监测结果的误差剔除方法及系统与流程

基于ps-insar技术的桥梁形变监测结果的误差剔除方法及系统
技术领域
1.本发明实施例涉及桥梁形变监测技术领域，具体涉及一种基于ps-insar技术的桥梁形变监测结果的误差剔除方法及系统。


背景技术：

2.桥梁作为交通设施的组成部分，其是否健康直接影响了相关交通路线的畅通，且桥梁的坍塌极容易导致交通事故，因此对其运行状况进行跟踪监测是一项必须的工作。目前，主要通过人工定点观测或者通过传感器进行监测，前者工作量大，后者价格昂贵，难以全面覆盖，急需一种可全面监测且价格合理的监测手段。基于ps-insar技术的桥梁形变监测技术正好符合这样需求，该技术作为一种新的桥梁形变监测技术在近些年受到了广泛关注。
3.ps-insar技术对桥梁进行监测过程中，将具备全天时、全天候、成本低、精度高等优势。随着角反射器的发明，对于一些弱散射性的桥梁形变监测提供了新的应对策略，为其在桥梁形变监测领域的应用提供了新的保障。
4.桥梁在某段时间产生的形变是由自身相关的永久形变与可变作用导致的非永久形变组成的，其中非永久形变主要由车辆荷载、温度作用、风荷载等因素导致的。非永久形变会对目标桥梁健康状况的正确评估产生影响，因此需要进行去除。
5.目前来说在桥梁形变监测中涉及的非永久性形变的去除主要依赖于人工监测、传感器等，极大地限制了桥梁形变监测技术的推广。因此，提出一项便捷高效的改善方法对桥梁形变监测的推广具有重大意义。


技术实现要素：

6.为此，本发明实施例提供一种基于ps-insar技术的桥梁形变监测结果的误差剔除方法，以解决现有技术中由于桥梁形变监测中非永久性形变的去除工作均通过人工完成而导致的检测成本高、效率低、可推广应用难度大的问题。
7.为了实现上述目的，本发明的实施方式提供如下技术方案：
8.在本发明的实施方式中，提供了一种基于ps-insar技术的桥梁形变监测结果的误差剔除方法，该方法包括如下步骤：
9.步骤s1：对sar影像集进行删选，再基于ps-insar技术获取目标桥梁所在区域的形变监测结果，最后基于光学卫星影像和sar卫星影像确认属于桥梁上的ps形变点；
10.步骤s2:结合ps-insar技术形变监测特点与桥梁形变特点对所述目标桥梁模型的特征点进行适用性判定；
11.步骤s3:影响因素数据获取以及对获取的原始影响因素相关数据进行预处理以符合模型处理要求；
12.步骤s4:基于数据特征进行训练模型设计；
13.步骤s5:对预处理完成数据进行进一步处理，对模型进行多次训练，最终对多组拟合参数进行合并生成最终参数；
14.步骤s6:将每组的拟合误差从原始形变监测结果中去除，得到目标ps点实际发生的累积形变监测结果。
15.进一步地，所述步骤s1中，所述影像删选方法，包括：
16.获取覆盖目标桥梁的经过裁剪后的sar影像集；
17.获取影像的强度数据；
18.求取每幅影像的平均强度值；
19.根据强度值分布统计设定阈值，数据分布统计中主要查看绝大多数影像的平均强度值波动范围，将这个范围的下限设为阈值；
20.对明显低于设定阈值的当期sar影像进行删除。
21.进一步地，所述步骤s2中，所述适用性判定的方法包括：
22.确认桥梁结构的影响因素，判断所述特征点受影响因素导致的形变与基于ps-insar技术监测得到的形变存在的相关性；
23.对每个特征点与影响因素数据进行相关性分析；
24.所述相关性分析的计算公式为：
[0025][0026]
经过对各个特征点与影像因素进行相关性计算得到相关系数大于0.3的特征点占比大于80％则符合后续构建模型的需求。
[0027]
进一步地，所述影响因素主要包括车辆荷载、温度作用、风荷载。
[0028]
进一步地，所述步骤s3，具体包括：
[0029]
通过假定条件与误差分析，确定影响因素，并收集影响因素数据；
[0030]
对影响因素数据进行one-hot编码，形成数字化标记；
[0031]
将数字化标记的影响因素数据进行拼接，形成模型训练的待输入数据。
[0032]
进一步地，所述步骤s4，具体包括：
[0033]
所述训练模型的设计可通过多元线性回归方程计算得出；
[0034]
多元线性回归方程为：
[0035][0036]
通过计算确认损失补偿，相关损失函数为：
[0037][0038]
其中，y为实际长期形变值，x为输入影响因子数据。
[0039]
进一步地，所述步骤s4，具体包括：
[0040]
所述训练模型的设计还可通过岭回归方程计算得出；
[0041]
岭回归方程为：
[0042][0043]
通过计算确认损失补偿，相关损失函数为：
[0044][0045]
其中，y为实际长期形变值，x为输入影响因子数据。
[0046]
进一步地，所述步骤s5，具体包括：
[0047]
获取覆盖目标桥梁的多期影像，保证数量大于30景；
[0048]
将每个特征点数据所在的时序形变与影响因素进行相干性计算，按照绝对值大小由大到小排列，取前50％为拟合特征点，将形变较大的特征点、噪声点进行有效剔除，得到完全拟合的特征点；
[0049]
对筛选后的每个特征点进行单独拟合，对每个特征点相关数据依次进行分组，如影像序号1到序号24为第1组、影像序号1到序号25为第2组、影像序号1到序号26为第3组等等，依次类推形成n组训练数据，越先获取的数据对结果的影响越大，即赋予更高的权重；
[0050]
对每组数据中的数据与前一项做差形成相应差值数据，即为每次训练的输入项；
[0051]
基于ps-insar形变监测结果获取每个特征点在两期sar影像中产生的形变差值，与每组输入数据对应形变拟合结果数据；
[0052]
基于每个特征点的多组数据，依次对每个特征点进行多组数据的拟合训练；
[0053]
对每组数据拟合得到的系数进行求平均作为对应特征点最后的改正系数。
[0054]
进一步地，所述步骤6，具体包括：
[0055]
将桥梁上形变特征点分成两类，一类属于已经经过拟合运算的，记作a类点，另一类属于未经过拟合运算的，记作b类点；
[0056]
对于a类点，应用对应的拟合方程计算每个时间段可变作用导致的误差，然后在每个时间段中将这部分误差去除；
[0057]
对于b类点，搜索距离所求目标点最近的三处a类点，利用反距离权重法确定各自权重，然后计算b类点对应的拟合方程系数，再采取同a类点类似的方法将误差去除。
[0058]
在本发明的另一个实施方式中，提供了一种基于ps-insar技术的桥梁形变监测结果的误差剔除系统，该系统包括：
[0059]
形变信息获取模块：基于ps-insar技术通过雷达影像提取监测对象形变信息，该形变信息包括桥梁的ps点；
[0060]
模型训练模块：根据既定的模型训练公式，设计相应的训练模型，并根据因素数据信息拟合形成参数；
[0061]
处理模块：对获取的形变信息数据处理，以及介入的的影响因素信息数字化处理，对拟合结果信息与原始检测信息对比并剔除。
[0062]
根据本发明的实施方式，该方法具有如下优点：
[0063]
1、其通过对ps-insar技术监测结果本身与桥梁形变变化特征进行适应性的运算调整、划分，从而实现对形变监测中误差的剔除，相对于传统方法中误差剔除需要依赖大量
仪器监测数据的情形表现出极大的优势与便捷性，且相对于现有技术降低成本，提高监测效率与准确性。
[0064]
2、该方法以桥梁形变监测实际场景为依据，将ps-insar技术与桥梁永久形变的精确提取进行优势结合，同时非永久性形变的剔除的处理采取了针对性策略，使得到的桥梁的永久性形变结果最大程度满足桥梁健康状况评估的需求，对桥梁形变监测的推广具有重大意义。
附图说明
[0065]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
[0066]
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
[0067]
图1为本发明实施例提供的基于ps-insar技术的桥梁形变监测结果的误差剔除方法的流程图；
[0068]
图2为本发明实施例提供的方法公开的影像质量剔除过程图；
[0069]
图3为本发明实施例提供的公开的桥梁ps点判断时需同时依据高分辨率光学影像和sar卫星影像；
[0070]
图4为本发明实施例提供的公开的基于所依据的高分辨率光学影像和sar卫星影像删选出的属于桥梁的ps点分布示意图；
[0071]
图5为本发明实施例提供的公开的预处理后训练数据样例示意图；
[0072]
图6为本发明实施例提供的方法公开的某目标ps点拟合得到的改正值时序结果与原时序形变结果示意图；
[0073]
图7为本发明实施例提供的方法公开的特征点经过本方法进行非永久形变剔除后得到的时序形变结果示意图；
[0074]
图8为本发明实施例提供的基于ps-insar技术的桥梁形变监测结果的误差剔除系统的结构图。
具体实施方式
[0075]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0076]
本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
[0077]
如图1所示，其示出了本发明实施例提供的基于ps-insar技术的桥梁形变监测结果的误差剔除方法，该方法包括如下步骤：
[0078]
步骤s1、对sar影像集进行删选，再基于ps-insar技术获取目标桥梁所在区域的形变监测结果，最后基于光学卫星影像和sar卫星影像确认属于桥梁上的ps形变点；
[0079]
影像删选方法具体包括：
[0080]
确定监测周期，选取合适sar影像集；
[0081]
确定覆盖桥梁的矩形裁剪矢量，即裁剪矢量长度可比桥身长1km以上，宽度可设置为1km-2km；
[0082]
将主影像与所有辅影像进行裁剪；
[0083]
获取覆盖目标桥梁的经过裁剪后的sar影像集；
[0084]
获取影像的强度数据；
[0085]
求取每幅影像的平均强度值；
[0086]
根据强度值分布统计设定阈值，数据分布统计中主要查看绝大多数影像的平均强度值波动范围，将这个范围的下限设为阈值；
[0087]
对强度明显低于设定阈值的当期sar影像进行删除；
[0088]
基于上述步骤完成基于ps-insar技术应用过程中对影像集的删选、确认主影像；
[0089]
将主影像和辅影像(影像集中除去主影像的其他部分)进行配准、干涉处理、ps点删选、相位建模与参数估计、形变提取；
[0090]
结合高分辨率光学影像与sar影像确认属于桥梁上的ps点。
[0091]
如图2所示，基于设定的规则获取目标区域的裁剪sar影像，计算每幅sar影像的平均强度，设定阈值删除质量差的sar影像，提高监测结果，本次实例设定的阈值为0.33，删除了低于该阈值的影像；
[0092]
如图3所示，其显示了所依据的高分辨率光学影像(反应地物种类信息)和sar卫星影像(反应地物强度信息)；对桥梁形变监测结果进行计算与分析需要基于属于桥梁的有效形变监测点的基础上，因此可结合高分辨率光学影像与sar卫星影像进行判断。
[0093]
通过上述的对特征点的删选方法，为必须保证删选特征点是一定属于桥梁的，一个可用于查看地物种类信息，一个用于查看地物强度信息，结合起来看保证准确性，基于所依据的高分辨率光学影像(反应地物种类信息)和sar卫星影像(反应地物强度信息)删选出的属于桥梁的ps点分布，删选结果如图4所示，双重信息依据可保证删选ps点的准确性。
[0094]
步骤s2、结合ps-insar技术形变监测特点(桥梁各类因素叠加的总形变)与桥梁形变特点(形变一部分表现出趋势性、周期性的特征，另一部分由环境导致的形变表现出复杂性)的目标桥梁模型适用性判定；
[0095]
具体包括：
[0096]
桥梁结构表现出形变主要受到永久作用和可变作用的影响，可变作用主要包括车辆荷载、温度作用、风荷载等，因此形变表现出一定的周期性、复杂性；
[0097]
同一sar卫星获取同一覆盖面积的影像每天的时间点非常接近。根据实际应用设定假定条件信息，由于出行车辆主要根据某一地区的日常活动、工作安排来进行，因此车辆荷载具有极大相似性，再基于ps-insar技术进行形变提取时会被极大抵消掉。基于ps-insar技术监测得到的桥梁形变包括永久形变和受外界影响的可变形变。基于以上分析，在
基于ps-insar技术提时序形变时可忽略车辆荷载的影响。同时，在桥梁相对稳定的情况下，特征点受温度变化、环境变化等因子导致的形变与基于ps-insar技术监测得到的形变存在一定的相关性；
[0098]
根据sar卫星影像获取的时间获取当天最高气温、最低气温、平均气温、天气气象等数据，其中气象数据、温度数据与风荷载、温度导致的形变、环境影响的周期性形变均存在潜在的联系，本发明将在对其逻辑性进行简化的基础上，同时保证结果的准确性，更加适合大范围的推广和实际应用；
[0099]
对每个特征点与温度数据x、天气气象数据y进行相关性分析；
[0100]
相关性计算公式为：
[0101][0102]
经过对各个特征点与影像因素进行相关性计算得到相关系数大于0.3的特征点占比大于80％则符合后续构建模型的需求。
[0103]
步骤s3、影响因素数据获取以及对获取的原始影响因素相关数据进行预处理以符合模型处理要求；
[0104]
具体包括：
[0105]
根据步骤2中的假定条件与误差分析，确定主要误差影响因子为气温因子和气象因子；
[0106]
气温相关因子包括影像获取当天的最高气温、最低气温、平均气温；
[0107]
气象因子为当日的天气状况，主要划分为小雨、多云、晴天、阴天、阵雨、大雨；
[0108]
对气象数据进行one-hot编码，实现类别数字化；
[0109]
将温度数据与气象数据进行拼接，作为模型训练的待输入数据。
[0110]
训练数据的预处理作为模型训练的重要一步，如图5所示，其示出了预处理的训练数据示例。
[0111]
步骤s4、基于数据特征进行训练模型设计；
[0112]
具体包括：
[0113]
可以通过多元线性回归模型或岭回归方程计算，可根据实际情况选择，一般选择多元线性回归模型即可，在预处理后的数据受噪声影响较大的情况下选择岭回归模型；
[0114]
多元线性回归模型方程为：
[0115][0116]
岭回归方程为：
[0117][0118]
相关损失函数为：
[0119][0120]
上述式中，其中：y为实际长期形变值，x为输入影响因子数据，其它的为待训练的变量；
[0121]
步骤s5、对预处理完成数据进行进一步处理，对模型进行多次训练，最终对多组拟合参数进行合并生成最终参数；
[0122]
具体包括：
[0123]
在模型训练过程中，由于监测周期中时间跨度越短，监测得到的形变结果中由温度变化、气象变化导致的形变所占的比例越大，因此，在拟合模型训练过程中赋予越早的温度数据、环境数据越高的权重；
[0124]
获取覆盖目标桥梁的多期影像，保证数量大于30景；
[0125]
将筛选后的每个特征点数据所在的时序形变与影响因素进行相干性计算，按照绝对值大小由大到小排列，取前50％为拟合特征点(相关性低的点由两种情况导致，一方面由于局部长期形变值较大，另一方面由于局部噪声过大导致无法拟合)，本方法中将一些存在形变较大的特征点、噪声点进行有效剔除，使得剩下的特征点能够更好的拟合环境等因素导致的形变特征；
[0126]
对于每个特征点进行单独拟合，对每个特征点相关数据依次进行分组，如影像序号1到序号24为第1组、影像序号1到序号25为第2组、影像序号1到序号26为第3组等等，依次类推形成n组训练数据(越先获取的数据对结果的影响越大，即赋予更高的权重)；
[0127]
对每组数据中的数据与前一项做差形成相应差值数据，即为每次训练的输入项；
[0128]
基于ps-insar形变监测结果获取每个特征点在两期sar影像中产生的形变差值，与每组输入数据对应形变拟合结果数据；
[0129]
基于每个特征点的多组数据，依次对每个特征点进行多组数据的拟合训练；
[0130]
对每组数据拟合得到的系数进行求平均作为对应特征点最后的改正系数。
[0131]
步骤s6、将每组的拟合误差从原始形变监测结果中去除，得到目标ps点实际发生的累积形变监测结果；
[0132]
具体包括：
[0133]
将桥梁上形变特征点分成两类，一类属于已经经过拟合运算的，记作a类点，另一类属于未经过拟合运算的，记作b类点；
[0134]
对于a类点，应用对应的拟合方程计算每个时间段可变作用导致的误差，然后在每个时间段中将这部分误差去除；
[0135]
对于b类点，搜索距离所求目标点最近的三处a类点，利用反距离权重法确定各自权重，然后计算b类点对应的拟合方程系数，再采取同a类点类似的方法将误差去除。
[0136]
如图6，显示了某目标ps点拟合得到的改正值时序结果与原时序形变结果；
[0137]
如图7，显示了该特征点经过本方法进行非永久形变剔除后得到的时序形变结果，该结果对桥梁健康的判断具有重要意义。
[0138]
本发明中涉及的监测方法不仅适用于滑坡场景下的形变监测，同时适用其它场景的形变监测。
[0139]
实施例2：
[0140]
如图8所示，其示出了本发明实施例提供的基于ps-insar技术的桥梁形变监测结果的误差剔除，该系统包括：
[0141]
形变信息获取模块10：基于ps-insar技术通过雷达影像提取监测对象形变信息，该形变信息包括桥梁的ps点；
[0142]
模型训练模块20：根据既定的模型训练公式，设计相应的训练模型，并根据因素数据信息拟合形成参数；
[0143]
处理模块30：对获取的形变信息数据处理，以及介入的的影响因素信息数字化处理，对拟合结果信息与原始检测信息对比并剔除。
[0144]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。