基于残差卷积网络分类三维差值图的边坡位移监测方法

1.本发明涉及边坡安全监测技术领域，特别涉及一种基于残差卷积网络分类三维差值图的边坡位移监测方法。


背景技术：

2.我国全国各地分布大量已开采和正开采的矿山。矿山边坡监测是进行安全生产以及环境保护的重要工作。矿山边坡监测主要用于监测整体滑坡、大块落石、暴雨冲刷导致边坡表面泥土大量被冲走等安全事件和隐患，做到及时预警。
3.目前，边坡滑坡常采用人工巡视辅以监测设备的方法，常用的监测方法主要有坡表测量(测距仪、全站仪、水准仪﹑经纬仪等)、多点位移计。深层水平位移测斜、gps测量﹑合成孔径雷达干涉测量﹑微震监测、分布式光纤位移测量和时域反射测试等。这些监测方法的缺点是：1、预置传感器设备后只能监测单点位置的情况，以点代面监测容易导致数据失真，但多点预置会带来高成本。2、自动化程度低，安装不方便，很难实时采集。传统测量工作费时、费力，更重要的是现场测量人员的人身安全无法保障。
4.目前矿山边坡监测中大量采用先进的激光测距仪进行监测，三维激光测距监测突破了传统方法中点对点监测的限制，具有采集范围大距离远﹑数据密度大、连续性高等优点。近年来，已逐步应用于高陡边坡等重大危险源的监测。但出于成本和效益综合考虑，目前大多采用的是单点的激光测距设备，在边坡面上进行单点轮询或随机扫描测距，如图1所示。这种连续改变测量点位需通过设备机械转动或光学调整空间角度，导致很难每次轮询监测测距到的都是同一点位。同时因为坡面岩土和植被等复杂状况，导致每次测距数据本身也存在误差。以上两因素叠加，使得直接根据同一点位前后两次扫描的数据结果会产生大量的虚假报警。对此，一些方法中采用多点投票的方式来提高报警的稳定性，但这种方式可以抵抗个别随机测量噪声，但对于轮询中激光设备发生连续点位定位偏差时就无效，仍然产生误报警。且对于雨水冲刷产生的坡面变薄不敏感。
5.因此，另一些方法采用多点位三维坡面重建的方式进行处理，再通过传统机器学习方法进行坡面分析，可以监测整个平面或局部平面的变化，大大提高的监测的稳定性和能监测出的边坡风险模式。但这种方法存在的主要问题是：1、当监测风险场景较多时，传统人工设计特征提取器和分类器存在主观盲目性和随机性，难以适应多场景的情况；2、采集的数据存在噪声，在此基础上构建的三位坡面也含有噪声，噪声过滤器难以设计；3、当监测模式较多时，通过预设阈值，或采用传统的特征提取器和分类器来判断风险模式会带来各种参数设置的主观性，难以调校。


技术实现要素：

6.本发明要解决的技术问题，在于提供一种基于残差卷积网络分类三维差值图的边坡位移监测方法，基于三维点云建模算法和深度学习算法，建立位移监测三维分析模型，为坡面滑坡检测系统提供准确、实时的预警服务，减少误报警概率。
7.为了解决上述技术问题，本发明是这样实现的：
8.一种基于残差卷积网络分类三维差值图的边坡位移监测方法，包括：基准坡面图构建过程、监测坡面图构建过程、模型训练过程以及模型分类过程；
9.所述基准坡面图构建过程包括：根据激光测距设备单点轮询扫描初始坡面的离散点数据，去除异常值点和离群点后，利用重采样插值算法进行三维插值，根据三维数据点构建基准坡面图，所述基准坡面图每一点的像素值为对应位置三维数据点的高度值；
10.所述监测坡面图构建过程包括：根据激光测距设备单点轮询扫描位移后坡面的离散点数据，去除异常值点和离群点后，利用重采样插值算法进行三维插值，根据三维数据点构建监测坡面图，所述监测坡面图每一点的像素值为对应位置三维数据点的高度值；
11.所述模型训练过程包括：将所述监测坡面图的与基准坡面图的高度值相减得到边坡三维高度差值图；采集得到大量差值图样本，然后对差值图样本进行位移类型标注，再输入深度学习分类网络进行训练，训练完成后得到边坡位移监测分类模型；
12.所述模型分类过程包括：根据激光测距设备单点轮询扫描目标坡面的离散点数据，去除异常值点和离群点后，利用重采样插值算法构建目标基准坡面图和目标监测坡面图，然后相减得到目标边坡三维高度差值图；将所述目标边坡三维高度差值图输入所述边坡位移监测分类模型，得到分类结果。
13.进一步地，所述基准坡面图构建过程具体包括：
14.步骤a1、在单点激光测距设备安装完成后，确定坡面扫描区域，然后进行网格划分确定网格点，轮询扫描所有网格点的三维空间位置(x,y,z)，然后去除扫描到的异常值点；
15.步骤a2、在x轴、y轴和z轴上分别去除剩余网格点中的离群点，然后记录x轴的区域范围(xmin,xmax)，y轴的区域范围(ymin,ymax)和z轴的区域范围(zmin,zmax)，得到基准区域；
16.步骤a3、通过重采样插值算法，利用去除异常和离群点后的所有网格点，在x轴上(xmin,xmax)和y轴上(ymin,ymax)分别设置插值点网络tnet，利用三次线性插值函数得到对应插值点的高度值z，构建三维数据点(m,n,z)；
17.步骤a4、将构建的三维数据点(m,n,z)映射为二维图片，其中m,n对应图片的宽和高的索引点，z对应图片像素值，即得到基准坡面图。
18.进一步地，所述监测坡面图构建过程具体包括：
19.步骤b1、再次轮询扫描网格点的三维空间位置(x,y,z)，然后去除扫描到的异常值点；
20.步骤b2、在x轴、y轴和z轴上去除基准区域以外的点，通过重采样插值算法构建三维数据点(m,n,z)；
21.步骤b3、将构建的三维数据点(m,n,z)映射为二维图片，其中m,n对应图片的宽和高的索引点，z对应图片像素值，即得到监测坡面图。
22.进一步地，所述步骤b1中，再次轮询时按网格点基准数量的1/n扫描，其中n为大于1的自然数
23.进一步地，所述步骤a2中，在x轴、y轴和z轴上分别去除剩余网格点中的离群点，具体包括：
24.步骤c1、输入一轮坡面上所有扫描点的位置数据(x,y,z)；
25.步骤c2、在x轴上以扫描点在x轴上平均间隔的s倍距离为格子，统计扫描点在x轴上的直方图投影分布，s为自然数；
26.步骤c3、直方图上以最高点向两边扩展延伸，左右分别遇到第一个格子数量为0时结束区间，确定x轴区间[xmin,xmax]；按x轴同样方法，确定y轴的区间[ymin,ymax]以及z轴的区间[zmin,zmax]；
[0027]
步骤c4、去除x轴区间[xmin,xmax]以外的离群点，去除y轴的区间[ymin,ymax]以外的离群点，去除z轴的区间[zmin,zmax]以外的离群点。
[0028]
进一步地，所述步骤a3具体包括：
[0029]
步骤d1、在xy平面上，在xy方向上每隔t米，在x轴区间[xmin,xmax]和y轴的区间[ymin,ymax]构建插值点网络tnet，其中，t为设定值且t》0；
[0030]
步骤d2、输入去除异常点和离群点后的坡面扫描点数据，将数据点投影在xy平面上，利用delaunay三角剖分算法构建delaunay三角网；
[0031]
步骤d3、计算每个tnet点落在delaunay三角网哪个三角内，然后利用该三角三个点xyz坐标计算该平面方程z＝f(x,y)，将插值点tnet点xy值代入z＝f(x,y)计算对应z值，遍历插值计算出tnet中的所有点的z值；
[0032]
步骤d4、将tnet的xy值用索引坐标代替，得到插值点的新数据点集(m,n,z)。
[0033]
本发明至少具有如下技术效果或优点：
[0034]
1、通过构建三维高度差值图，将三维数据中挖掘区域位移变化问题转化为图片的模式检测问题，可以直接采用各种以卷积运算为核心的图像分类和检测的深度学习算法，利用大量数据样本驱动训练的方式来提高分类和检测能力；深度学习算法具有根据样本自动提取有效特征，忽略干扰噪声的能力，避免了人工设计特征的盲目性和噪声处理的复杂性。
[0035]
2、自动特征提取代替人工设计特征，根据数据驱动自动提取最优特征，更加精确可靠。深度学习的一个巨大优势是使用数据驱动，自动从数据中发现对分类和检测最有效的特征。这种数据驱动的自动特征提取方法，可很大程度上避免传统人工设计的特征提取方法的盲目性和随机性。尤其是当边坡的风险种类增加时，人工特征会越来越难以胜任。而数据驱动的方式，只需增加训练样本就可以生效。
[0036]
3、避免复杂的噪声处理，避免靠经验调整阈值等各种参数，算法适应性更好。利用传统的机器学习方法进行边坡的风险分类或区域定位时，噪声干扰会严重影响最终性能，通常在特征提取前需设计各种复杂的噪声滤波器。这种设计或多或少都和经验知识和预设场景挂钩，当实际应用中经验知识和预设场景不成立时，容易失效。此外特征提取器，以及最终分类器中都有各种参数需要设计，为算法简单，通常用各种实验参数值，甚至经验值作为参数预设值。这种参数的科学性、有效性和鲁棒性都有待考验。而以数据驱动的深度学习方法，可自动关注对分类最核心的特征，自动避免噪声的影响，也没有太多的预设参数值，极大的提高了算法的有效性。对于新场景下的情况，只需增加该场景下的训练样本，就能迭代更新模型，极大提高模型的扩展能力。
[0037]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
[0038]
下面参照附图结合实施例对本发明作进一步的说明。
[0039]
图1为现有技术的单点激光测距设备应用于边坡监测的扫描点示意图；
[0040]
图2为本发明实施例算法的流程图；
[0041]
图3为本发明实施例扫描点示意图；
[0042]
图4为本发明实施例去除离群点的直方图投影算法流程图；
[0043]
图5为本发明实施例通过插值算法重构坡面三维图的流程图
[0044]
图6为本发明实施例方法的流程示意图。
具体实施方式
[0045]
本发明通过提供一种基于残差卷积网络分类三维差值图的边坡位移监测方法，基于三维点云建模算法和深度学习算法，建立位移监测三维分析模型，为坡面滑坡检测系统提供准确、实时的预警服务，减少误报警概率。
[0046]
本发明技术方案的总体思路如下：
[0047]
本发明基于三维点云建模算法和深度学习算法，建立位移监测三维分析模型，为坡面滑坡检测系统提供准确、实时的预警服务，减少误报警概率，提高输出的监测到的风险模式。本发明的核心思想是根据激光测距设备单点轮询扫描坡面的离散点数据，利用重采样插值技术构建基准坡面三维图和监测期间的坡面三维图，二者相减得到边坡三维高度差值图。然后将该差值图的xy坐标映射为图片的像素xy位置，高度差值转化为图片像素值，将三维数据中挖掘区域位移变化问题转化为图片的模式检测问题，利用深度学习算法中成熟且强大的图像分类网络resnet进行训练和分类，输出差值图中对应的边坡风险类别。
[0048]
算法主要有两大流程：训练流程和分类流程。先收集标注训练样本，训练好模型，然后提供给分类流程使用，具体如图2所示。
[0049]
流程中主要模块分为基准坡面图构建、监测坡面图构建、深度学习模型训练、模型部署使用四个阶段，具体流程如下：
[0050]
一，基准坡面图构建阶段：
[0051]
1)安装好单点激光设备后，确定好坡面扫描区域，进行网格划分，确定扫描点，轮询扫描网格点的空间三维位置，全部扫描一遍后，得到扫描点(如图3)；
[0052]
2)将激光测距扫描到的点位置转成三维空间位置(x,y,z)，去除扫描到的异常值点(x,y，z中值为0或为空的数据点)。
[0053]
3)在x轴、y轴和z轴上分别利用直方图投影算法，去除其中离群点；并记录x轴的区域范围(xmin，xmax)，y轴的区域范围(ymin，ymax)和z轴的区域范围(zmin，zmax)(算法如图4)。
[0054]
4)利用插值算法，利用去除异常和离群点后的所有点，构建三维数据平面。方法为x轴上(xmin，xmax)和y轴上(ymin，ymax)之间每隔t米(比如，t取0.1)设置插值点网络tnet，如表1，利用三次线性插值函数得到对应插值点的z值(具体算法如图5)。
[0055]
5)将构建的三维点(m,n,z)映射为一张二维图片，其中m,n对应图片的宽和高的索引点，z对应图片像素值，得到基准坡面图。
[0056]
表1 xy平面插值点网络tnet的插值点坐标矩阵
[0057][0058]
二，监测坡面图构建阶段：
[0059]
1)开始新一轮轮询扫描区域内的监测点三维位置，为加快监测速度可以抽样扫描，如按基准数量的1/n扫描，扫描一遍后，进入步骤2；
[0060]
2)将扫描到的点位置转成三维空间位置(x,y,z)，去除扫描到的异常值点(x,y,z中值为0或值为空的数据点)。
[0061]
3)在x轴、y轴和z轴上去除基准区域以外的点，区域范围为x轴(xmin，xmax)和y轴(ymin，ymax)，z轴[zmin，zmax]。
[0062]
4)利用插值算法，将去除异常和离群点后的所有点，构建三维数据平面(具体算法和基准坡面图构建阶段步骤4相同，如图5)，得到新数据点集(m,n,z)，其中m和n分别对应插值的点索引号，z是对应插值点的z轴插值。
[0063]
5)将构建的三维点(m,n,z)映射为一张二维图片，其中m和n对应图片的宽和高的索引点，z对应图片像素值，得到监测坡面图。
[0064]
三：模型训练阶段
[0065]
1)监测坡面图减去基准坡面图得到坡面差值图。采集大量坡面差值图，然后根据坡面要预警的模式标注位置，如局部滑坡、变形、整体冲刷等场景。将坡面检测问题转化为图像分类问题，可以利用图像深度学习算法进行智能处理。
[0066]
2)利用深度学习残差网络resnet50模型(模型参数如附图说明中的表2)对训练样本进行训练，获得训练后的模型。
[0067]
表2残差卷积网络resnet各规格参数
[0068][0069]
注：本发明选用resnet 50-layer层的结构
[0070]
四：模型分类阶段
[0071]
1)将训练好的模型部署好，使用时先按阶段一构建好基准坡面图，再在每一轮扫描期间利用扫描的数据按阶段二构建好监测坡面图，二者相减获得坡面差值图。
[0072]
2)坡面差值图输入训练好的模型，输出边坡的风险分类(局部滑坡、变形、整体冲刷等)。
[0073]
如图6所示，本发明一实施例如下：
[0074]
一种基于残差卷积网络分类三维差值图的边坡位移监测方法，包括：基准坡面图构建过程、监测坡面图构建过程、模型训练过程以及模型分类过程；
[0075]
所述基准坡面图构建过程包括：根据激光测距设备单点轮询扫描初始坡面的离散点数据，去除异常值点和离群点后，利用重采样插值算法进行三维插值，根据三维数据点构建基准坡面图，所述基准坡面图每一点的像素值为对应位置三维数据点的高度值；
[0076]
所述监测坡面图构建过程包括：根据激光测距设备单点轮询扫描位移后坡面的离散点数据，去除异常值点和离群点后，利用重采样插值算法进行三维插值，根据三维数据点构建监测坡面图，所述监测坡面图每一点的像素值为对应位置三维数据点的高度值；
[0077]
所述模型训练过程包括：将所述监测坡面图的与基准坡面图的高度值相减得到边坡三维高度差值图；采集得到大量差值图样本，然后对差值图样本进行位移类型标注，再输入深度学习分类网络进行训练，训练完成后得到边坡位移监测分类模型；
[0078]
所述模型分类过程包括：根据激光测距设备单点轮询扫描目标坡面的离散点数据，去除异常值点和离群点后，利用重采样插值算法构建目标基准坡面图和目标监测坡面图，然后相减得到目标边坡三维高度差值图；将所述目标边坡三维高度差值图输入所述边坡位移监测分类模型，得到分类结果。
[0079]
在一种可能的实现方式中，所述基准坡面图构建过程具体包括：
[0080]
步骤a1、在单点激光测距设备安装完成后，确定坡面扫描区域，然后进行网格划分确定网格点，轮询扫描所有网格点的三维空间位置(x,y,z)，然后去除扫描到的异常值点；
[0081]
步骤a2、在x轴、y轴和z轴上分别去除剩余网格点中的离群点，然后记录x轴的区域范围(xmin,xmax)，y轴的区域范围(ymin,ymax)和z轴的区域范围(zmin,zmax)，得到基准区域；
[0082]
步骤a3、通过重采样插值算法，利用去除异常和离群点后的所有网格点，在x轴上(xmin,xmax)和y轴上(ymin,ymax)分别设置插值点网络tnet，利用三次线性插值函数得到对应插值点的高度值z，构建三维数据点(m,n,z)；
[0083]
步骤a4、将构建的三维数据点(m,n,z)映射为二维图片，其中m,n对应图片的宽和高的索引点，z对应图片像素值，即得到基准坡面图。
[0084]
所述监测坡面图构建过程具体包括：
[0085]
步骤b1、再次轮询扫描网格点的三维空间位置(x,y,z)，然后去除扫描到的异常值点；为了加快监测速度再次轮询可以抽样扫描，按网格点基准数量的1/n扫描，其中n为大于1的自然数；由于在后面的步骤b3会通过重采样插值算法进行插值，故插值后的点数与基准坡面图相同。
[0086]
步骤b2、在x轴、y轴和z轴上去除基准区域以外的点，通过重采样插值算法构建三维数据点(m,n,z)。
[0087]
步骤b3、将构建的三维数据点(m,n,z)映射为二维图片，其中m,n对应图片的宽和高的索引点，z对应图片像素值，即得到监测坡面图。
[0088]
所述步骤a2中，在x轴、y轴和z轴上分别去除剩余网格点中的离群点，具体包括：
[0089]
步骤c1、输入一轮坡面上所有扫描点的位置数据(x,y,z)；
[0090]
步骤c2、在x轴上以扫描点在x轴上平均间隔的s倍距离为格子，统计扫描点在x轴上的直方图投影分布，s为自然数，通常可以取5；
[0091]
步骤c3、直方图上以最高点向两边扩展延伸，左右分别遇到第一个格子数量为0时结束区间，确定x轴区间[xmin,xmax]；按x轴同样方法，确定y轴的区间[ymin,ymax]以及z轴的区间[zmin,zmax]；
[0092]
步骤c4、去除x轴区间[xmin,xmax]以外的离群点，去除y轴的区间[ymin,ymax]以外的离群点，去除z轴的区间[zmin,zmax]以外的离群点。
[0093]
所述步骤a3具体包括：
[0094]
步骤d1、在xy平面上，在xy方向上每隔t米，在x轴区间[xmin,xmax]和y轴的区间[ymin,ymax]构建插值点网络tnet，其中，t为设定值且t》0；
[0095]
步骤d2、输入去除异常点和离群点后的坡面扫描点数据，将数据点投影在xy平面上，利用delaunay三角剖分算法构建delaunay三角网；
[0096]
步骤d3、计算每个tnet点落在delaunay三角网哪个三角内，然后利用该三角三个点xyz坐标计算该平面方程z＝f(x,y)，将插值点tnet点xy值代入z＝f(x,y)计算对应z值，遍历插值计算出tnet中的所有点的z值；
[0097]
步骤d4、将tnet的xy值用索引坐标代替，得到插值点的新数据点集(m,n,z)。
[0098]
本发明通过构建三维高度差值图，将三维数据中挖掘区域位移变化问题转化为图片的模式检测问题，可以直接采用各种以卷积运算为核心的图像分类和检测的深度学习算法，利用大量数据样本驱动训练的方式来提高分类和检测能力；深度学习算法具有根据样本自动提取有效特征，忽略干扰噪声的能力，避免了人工设计特征的盲目性和噪声处理的复杂性。本发明方法用自动特征提取代替人工设计特征，根据数据驱动自动提取最优特征，更加精确可靠。深度学习的一个巨大优势是使用数据驱动，自动从数据中发现对分类和检测最有效的特征。这种数据驱动的自动特征提取方法，可很大程度上避免传统人工设计的
特征提取方法的盲目性和随机性。尤其是当边坡的风险种类增加时，人工特征会越来越难以胜任。而数据驱动的方式，只需增加训练样本就可以生效。本发明方法避免复杂了的噪声处理，避免靠经验调整阈值等各种参数，算法适应性更好。本发明以数据驱动的深度学习方法，可自动关注对分类最核心的特征，自动避免噪声的影响，也没有太多的预设参数值，极大的提高了算法的有效性。对于新场景下的情况，只需增加该场景下的训练样本，就能迭代更新模型，极大提高模型的扩展能力。
[0099]
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。