技术特征：
1.一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，其特征在于，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；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；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；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；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。2.根据权利要求1所述的方法，其特征在于：所述基准坡面图构建过程具体包括：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；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；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)；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。3.根据权利要求2所述的方法，其特征在于：所述监测坡面图构建过程具体包括：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；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)；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。4.根据权利要求3所述的方法，其特征在于：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。5.根据权利要求2所述的方法，其特征在于：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：步骤c1、输入一轮坡面上所有扫描点的位置数据(x,y,z)；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；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]；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。6.根据权利要求2所述的方法，其特征在于：所述步骤a3具体包括：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；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；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；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)。
技术总结
本发明公开了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，涉及边坡安全监测技术领域。本发明实施例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。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。减少误报警概率。减少误报警概率。
技术研发人员：林耿 陈开志 董正山
受保护的技术使用者：闽江学院
技术研发日：2022.06.13
技术公布日：2022/11/1