一种基于机器学习的基坑支护监测方法、装置及设备与流程

本发明涉及人工智能领域，尤其是涉及一种基于机器学习的基坑支护监测方法、装置及设备。

背景技术：

1、基坑支护通过采取结构和技术措施，确保基坑或地下结构在施工期间的稳定性和安全性，防止土体坍塌并保护周边环境。支护结构的稳定性对工人安全和工程进度至关重要。传统的支护检测方法主要依赖人工巡检，随着科技的进步，越来越多的传感器被引入，用于检测支护结构的稳定性。

2、然而，现有的支护检测方法存在诸多问题。首先，人工巡查依赖于工作人员的主观判断，不仅效率低下，而且由于人为因素干扰，检测结果的准确性和一致性难以保证。其次，人工检测的实时性差，无法应对快速变化的施工环境。此外，传感器的引入虽然提高了检测的自动化程度，但其应用也面临挑战。传感器安装和维护成本高，数据处理复杂，需要结合多种传感器数据进行综合分析。这种多维度数据处理要求复杂的技术手段，以确保数据的精确性和实用性。现有的多目标识别算法往往忽视了目标之间的位置关系，无法充分考虑基坑与支护结构之间的位置关系，从而导致支护结构监测和评估存在不足。

技术实现思路

1、有鉴于此，本申请提供了一种基于机器学习的基坑支护监测方法，解决现有技术中未考虑基坑与支护结构之间的位置关系，导致支护结构监测和评估存在不足的技术问题。

2、根据本申请的第一方面，提供了一种基于机器学习的基坑支护监测方法，包括：

3、获取基坑影像数据；

4、通过视觉金字塔pvt网络从影像数据中提取不同尺度的特征，通过特征金字塔网络fpn融合不同尺度的信息，以生成多尺度的特征向量；

5、将多尺度的特征展平并计算全局平均池化，生成每个尺度的全局语义向量，通过通道拼接和1*1卷积操作，生成跨尺度的语义特征向量；

6、基于多尺度的特征向量和跨尺度语义特征向量构建动态邻接矩阵，并通过图卷积网络gcn推理基坑与支护结构关系语义特征；

7、通过注意力机制计算基坑和支护结构之间的注意力权重，将基坑与支护结构关系语义特征与多尺度的特征进行融合，以生成增强特征；

8、基于增强特征，判断支护结构的数量和位置是否满足施工要求。

9、根据本申请的第二方面，提供了一种基于机器学习的基坑支护监测装置，包括：

10、获取模块，用于获取基坑影像数据；

11、多尺度特征提取模块，用于通过视觉金字塔pvt网络从影像数据中提取不同尺度的特征，通过特征金字塔网络fpn融合不同尺度的信息，以生成多尺度的特征向量；

12、跨尺度语义感知模块，用于将多尺度的特征展平并计算全局平均池化，生成每个尺度的全局语义向量，通过通道拼接和1*1卷积操作，生成跨尺度的语义特征向量；

13、动态关系图推理模块，用于基于多尺度的特征向量和跨尺度语义特征向量构建动态邻接矩阵，并通过图卷积网络gcn推理基坑与支护结构关系语义特征；

14、语义注意力融合模块，用于通过注意力机制计算基坑和支护结构之间的注意力权重，将基坑与支护结构关系语义特征与多尺度的特征进行融合，以生成增强特征；

15、基坑支护检测模块，用于基于增强特征，判断支护结构的数量和位置是否满足施工要求。

16、根据本申请的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于机器学习的基坑支护监测方法的步骤。

17、借由上述技术方案，本申请提供的一种基于机器学习的基坑支护监测方法、装置、设备及介质，通过获取基坑影像数据；通过视觉金字塔pvt网络从影像数据中提取不同尺度的特征，通过特征金字塔网络fpn融合不同尺度的信息，以生成多尺度的特征向量；将多尺度的特征展平并计算全局平均池化，生成每个尺度的全局语义向量，通过通道拼接和1*1卷积操作，生成跨尺度的语义特征向量；基于多尺度的特征向量和跨尺度语义特征向量构建动态邻接矩阵，并通过图卷积网络gcn推理基坑与支护结构关系语义特征；通过注意力机制计算基坑和支护结构之间的注意力权重，将基坑与支护结构关系语义特征与多尺度的特征进行融合，以生成增强特征；基于增强特征，判断支护结构的数量和位置是否满足施工要求。本发明实施例结合机器学习、跨尺度特征提取、动态关系推理以及语义与视觉融合等先进技术，实现了基坑支护结构的实时、精准监测，有效提高了施工过程的安全性和效率。

18、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

技术特征：

1.一种基于机器学习的基坑支护监测方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习的基坑支护监测方法，其特征在于，所述获取基坑影像数据的步骤，包括：

3.根据权利要求1所述的基于机器学习的基坑支护监测方法，其特征在于，所述通过视觉金字塔pvt网络从所述影像数据中提取不同尺度的特征，通过特征金字塔网络fpn融合不同尺度的信息，以生成多尺度的特征向量的步骤，包括：

4.根据权利要求1所述的基于机器学习的基坑支护监测方法，其特征在于，所述将所述多尺度的特征展平并计算全局平均池化，生成每个尺度的全局语义向量，通过通道拼接和1*1卷积操作，生成跨尺度的语义特征向量的步骤，包括：

5.根据权利要求1所述的基于机器学习的基坑支护监测方法，其特征在于，所述基于多尺度的特征向量和跨尺度语义特征向量构建动态邻接矩阵，并通过图卷积网络gcn推理生成基坑与支护结构关系语义特征的步骤，包括：

6.根据权利要求1所述的基于机器学习的基坑支护监测方法，其特征在于，所述通过注意力机制计算基坑和支护结构之间的注意力权重，将基坑与支护结构关系语义特征与多尺度的特征进行融合，以生成增强特征的步骤，包括：

7.根据权利要求1所述的基于机器学习的基坑支护监测方法，其特征在于，所述基于所述增强特征图，判断支护结构的数量和位置是否满足施工要求的步骤，包括：

8.一种基于机器学习的基坑支护监测装置，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述基于机器学习的基坑支护监测方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于机器学习的基坑支护监测方法的步骤。

技术总结
本发明涉及人工智能领域，公开了一种基于机器学习的基坑支护监测方法、装置及设备，获取基坑影像数据；通过视觉金字塔PVT网络提取影像数据的多尺度特征，并利用特征金字塔网络FPN融合不同尺度信息，生成多尺度特征向量。将这些特征展平后计算全局平均池化，得到每个尺度的全局语义向量，通过通道拼接与1*1卷积生成跨尺度语义特征向量。基于此，构建动态邻接矩阵，并通过图卷积网络GCN推理基坑与支护结构的关系语义特征。最后，结合注意力机制生成增强特征，用以判断支护结构的数量和位置是否符合施工要求，实现实时、精准的基坑支护监测。

技术研发人员：张晨,陈云鹏,李柠汐,王建东,张玲玲,王青林,陈昌浩,余雅滢
受保护的技术使用者：三峡高科信息技术有限责任公司
技术研发日：
技术公布日：2025/1/9