CN118501012A - 一种基于北斗定位及图像识别的gnss大坝渗压监测方法及系统 - Google Patents
一种基于北斗定位及图像识别的gnss大坝渗压监测方法及系统 Download PDFInfo
- Publication number
- CN118501012A CN118501012A CN202410533532.5A CN202410533532A CN118501012A CN 118501012 A CN118501012 A CN 118501012A CN 202410533532 A CN202410533532 A CN 202410533532A CN 118501012 A CN118501012 A CN 118501012A
- Authority
- CN
- China
- Prior art keywords
- surface monitoring
- seepage pressure
- inspection
- monitoring point
- dam
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007689 inspection Methods 0.000 claims abstract description 182
- 238000006073 displacement reaction Methods 0.000 claims description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 15
- 230000003204 osmotic effect Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/082—Investigating permeability by forcing a fluid through a sample
- G01N15/0826—Investigating permeability by forcing a fluid through a sample and measuring fluid flow rate, i.e. permeation rate or pressure change
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Evolutionary Computation (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Fluid Mechanics (AREA)
- Dispersion Chemistry (AREA)
- Alarm Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及北斗定位及图像识别的领域，尤其是涉及一种基于北斗定位及图像识别的GNSS大坝渗压监测方法及系统，方法包括：获取按照多个表面监测点各自对应的采集时间连续的图像；获取北斗定位模块确定的每个表面监测点的三维坐标；根据图像进行渗压信息识别，得到表面监测点对应的渗压等级；根据每个表面监测点对应的三维坐标和每个表面监测点对应的渗压等级，构建大坝渗压等级空间分布图以及确定危险表面监测点对应的三维坐标；根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划，以使巡检无人机按照巡检规划在下一时段内巡检，以实现对大坝渗压的监测。
Description
技术领域
本申请涉及北斗定位及图像识别的领域，尤其是涉及一种基于北斗定位及图像识别的GNSS大坝渗压监测方法及系统。
背景技术
大坝作为重要的水利工程结构，承担着水库调节、防洪、发电等多重功能。然而，大坝在运行过程中，由于各种因素的影响，如水库水位变化、地质条件、气候条件等，可能会出现渗流现象。渗流过大或异常可能会对大坝的结构安全产生直接威胁，甚至导致大坝失稳或溃坝等严重后果。
因此，对大坝渗压的监测，及时发现和处理渗流问题，一直是相关技术人员在研究的重要问题之一。
发明内容
本申请目的是提供一种基于北斗定位及图像识别的GNSS大坝渗压监测方法及系统，能够实现对大坝渗压的监测。
第一方面，提供了一种基于北斗定位及图像识别的GNSS大坝渗压监测方法，应用于监测系统，所述监测系统包括：北斗定位模块，用于基于接收到的北斗卫星信号，确定大坝监测点的三维坐标；巡检无人机；与北斗定位模块、巡检无人机均进行通信连接的用于实现监测方法的电子设备，所述监测方法包括：
获取巡检无人机发送的按照当前巡检规划采集到的多个表面监测点各自对应的采集时间连续的图像；
获取北斗定位模块确定的每个表面监测点的三维坐标；
针对每一表面监测点，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级；
根据每个表面监测点对应的三维坐标和每个表面监测点对应的渗压等级，构建大坝渗压等级空间分布图以及确定危险表面监测点对应的三维坐标，所述危险表面监测点为渗压等级大于预设阈值的表面监测点；
根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划，以使所述巡检无人机按照所述巡检规划在下一时段内巡检。
在一种可实施的方案中，所述根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划之后，还包括：
根据目标时间对应的每个表面监测点的渗压等级和预设参考等级的等级差值，得到针对目标时间的等级差值标准差，并根据所述多个采集时间各自对应的等级差值标准差进行平均值计算，得到第一标准差，所述目标时间为多个采集时间中的任一时间；
针对每一危险表面监测点，根据多个采集时间对应的等级差值，生成得到针对危险表面监测点的等级差值标准差，并根据第一标准差和危险表面监测点对应的等级差值标准差，确定调整巡检周期；
基于巡检规划中的巡检点对应的调整巡检周期和当前巡检周期，确定巡检周期，以使所述巡检无人机基于巡检周期确定下一时段，并在下一时段进行按照所述巡检规划巡检。
在一种可实施的方案中，所述根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划，包括：
分析所述大坝渗压等级空间分布图，得到大坝多个区域各自对应的渗压等级信息，所述渗压等级信息包括：平均渗压等级、实际渗压变化数据集；
根据每个区域的平均渗压等级，从大坝多个区域中得到重点关注区域；
对重点关注区域的实际渗压变化数据集进行时间序列分析，得到预测长期趋势；
将预测长期趋势异常对应的重点关注区域中的重要监测点作为补充危险点，来更新危险表面监测点；
根据更新后的危险表面监测点的三维坐标，规划巡检无人机下次巡检的巡检规划。
在一种可实施的方案中，根据每个区域的平均渗压等级，从大坝多个区域中得到重点关注区域，包括：
根据每个区域的平均渗压等级、实际渗压变化数据集，从大坝的多个区域中筛选出第一重点关注区域；
对于每一待筛选区域，将渗压等级和预设渗压阈值进行比较，确定第一安全等级；根据当前的降雨量以及水位信息，确定安全调整等级；所述待筛选区域为大坝多个区域中除第一重点关注区域之外的区域；
根据每个待筛选区域的安全等级，从所有待筛选区域中筛选出第二重点关注区域，所述安全等级为根据第一安全等级和安全调整等级确定的；
将所述第一重点关注区域和第二重点关注区域作为重点关注区域。
在一种可实施的方案中，根据更新后的危险表面监测点的三维坐标，规划巡检无人机下次巡检的巡检规划，包括：
根据更新后的危险表面监测点的三维坐标，确定主航线；
对于更新后的危险表面监测点中的每一目标危险表面监测点，根据目标危险表面监测点的高程信息，确定无人机飞行高度，并根据目标危险表面监测点的渗压等级，确定飞行速度，渗压等级越高，飞行速度越小；
根据主航线以及目标危险表面监测点的飞行高度、飞行速度，生成巡检无人机下次巡检的巡检规划。
在一种可实施的方案中，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级，包括：
利用图像识别模型，对所述连续的图像进行异常类型识别，得到异常类型以及异常类型对应的信息，当所述异常类型为裂缝时，对应的信息为裂缝尺寸和裂缝形状，当所述异常类型为渗水时，对应的信息为渗水区域大小和渗水程度；
确定异常类型对应的信息对应的第一数值以及异常类型对应的第二数值；
根据第一数值、第二数值以及各对应的权重，得到第三数值；
根据第三数值和各等级对应的数值范围，匹配到与第三数值对应的渗压等级。
在一种可实施的方案中，所述获取北斗定位模块确定的每个表面监测点的三维坐标之后，包括：
根据每个表面监测点的三维坐标，确定每个表面监测点的位移值；
相应的，所述针对每一表面监测点，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级之后，还包括：
针对产生位移的表面监测点，若位移值高于预设最高位移阈值，则将渗压等级调整为最高等级；若位移值小于预设最低位移阈值，则保持渗压等级不变；否则，根据位移值确定等级调整值，并根据等级调整值调整渗压等级。
在一种可实施的方案中，所述根据每个表面监测点的三维坐标，确定每个表面监测点的位移值，包括：
获取北斗定位模块确定的标定点的三维坐标；根据标定点的三维坐标以及每个表面监测点的三维坐标，确定标定点与每个表面监测点的实际距离，将实际距离和标准距离进行差值计算，确定每个表面监测点的位移值；
或，
获取每个表面监测点的初始三维坐标，并根据每个表面监测点的初始三维坐标和每个表面监测点的三维坐标，确定每个表面监测点的位移值。
第二方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行根据第一方面中任一可能的实现方式所示方法对应的操作。
第三方面，提供了一种计算机可读存储介质，存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面中任一可能的实现方式所示方法。
第四方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一可能的实现方式所示的方法。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过巡检无人机周期性的采集表面检测点的图像，并进行渗压信息识别，以快速得到渗压等级，并构建渗压等级空间分布图，便于用户直观了解渗压情况，通过构建的大坝渗压等级空间分布图，以及危险表面监测点的三维坐标，制定下次巡检规划，结合了无人机巡检、图像识别和北斗定位技术实现大坝周期性监测；
2.目标时间的等级差值标准差表示整体区域稳定情况，危险表面监测点的等级差值标准差表示点的稳定情况，结合整体稳定情况和危险表面监测点的稳定情况共同确定针对某个危险表面监测点的周期的可调整的时间即调整巡检周期，再综合考虑巡检规划中各个巡检点的调整巡检周期以及当前巡检周期，制定出更加合理的巡检计划，基于动态调整的巡检周期，巡检无人机能够在下一时段按照优化后的巡检规划进行巡检，不仅能够提高巡检的效率和准确性，还能够更好地满足大坝安全管理的需求，确保大坝的安全稳定运行；
3.目标时间的等级差值标准差表示整体区域稳定情况，危险表面监测点的等级差值标准差表示点的稳定情况，结合整体稳定情况和危险表面监测点的稳定情况共同确定针对某个危险表面监测点的周期的可调整的时间即调整巡检周期，再综合考虑巡检规划中各个巡检点的调整巡检周期以及当前巡检周期，制定出更加合理的巡检计划，基于动态调整的巡检周期，巡检无人机能够在下一时段按照优化后的巡检规划进行巡检，不仅能够提高巡检的效率和准确性，还能够更好地满足大坝安全管理的需求，确保大坝的安全稳定运行。
附图说明
图1是本申请实施例提供的一种北斗定位及图像识别的GNSS大坝渗压监测系统的结构示意图；
图2是本申请实施例提供的一种北斗定位及图像识别的GNSS大坝渗压监测方法的流程示意图；
图3是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本申请的可选实施例中，所涉及到的对象信息等相关的数据，当本申请中的实施例运用到具体产品或技术中时，需要获得对象许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。也就是说，本申请实施例中如果涉及到与对象有关的数据，需要经由对象授权同意、相关部门授权同意、且符合国家和地区的相关法律法规和标准的情况下获取的。实施例中如涉及个人信息，所有个人信息的获取需要获得个人的同意，如涉及到敏感信息，需要征得信息主体的单独同意，实施例也是需要在对象授权同意的情况下实施。并且，本申请实施例中提供的监测方案中设置的相关数据也符合相关规定，通过本申请实施例提供的监测方案辅助预警渗压异常的情况，保证大坝的安全性。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
请参考图1，图1为本申请实施例提供的一种基于北斗定位及图像识别的GNSS(Global NavigationSatelliteSystem，全球卫星导航系统)大坝渗压监测系统，包括：
北斗定位模块110，用于基于接收到的北斗卫星信号，确定大坝监测点的三维坐标；
巡检无人机120，用于按照巡检规划采集多个表面监测点各自对应的采集时间连续的图像；
与北斗定位模块110、巡检无人机120均进行通信连接的用于实现基于北斗定位及图像识别的GNSS大坝渗压监测方法的电子设备130。
具体的，电子设备130用于：获取巡检无人机发送的按照当前巡检规划采集到的多个表面监测点各自对应的采集时间连续的图像；获取北斗定位模块确定的每个表面监测点的三维坐标；针对每一表面监测点，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级；根据每个表面监测点对应的三维坐标和每个表面监测点对应的渗压等级，构建大坝渗压等级空间分布图以及确定危险表面监测点对应的三维坐标，所述危险表面监测点为渗压等级大于预设阈值的表面监测点；根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划，以使所述巡检无人机按照所述巡检规划在下一时段内巡检。
本申请实施例的一种可能的实现方式,监测系统，还可以包括：设置在坝体的监测点的若干渗压计140，用于采集监测点的渗压数据，并将渗压数据发送至电子设备；电子设备还用于，当渗压数据大于预设渗压数据阈值，则进行警示。具体的选择基于图像识别确定渗压的相关信息，还是基于渗压计数据分析渗压的相关信息，本申请实施例不再进行限定，可根据用户需求设置。
具体的，本申请实施例提供一种方法，如图2所示，在本申请实施例中提供的方法可以由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制，该方法包括：
S101、获取巡检无人机发送的按照当前巡检规划采集到的多个表面监测点各自对应的采集时间连续的图像；
S102、获取北斗定位模块确定的每个表面监测点的三维坐标；
巡检无人机按照当前巡检规划飞行，并且采集时间连续的图像。预先在大坝上设置有多个表面监测点，每个表面监测点设置有一个北斗定位模块。若是首次巡检，则当前巡检规划是初始的巡检规划，巡检无人机采集的图像为所有表面监测点的图像；若非首次巡检，则当前巡检规划是在上次巡检的基础上设定的。
三维坐标包括：经纬度以及高程信息。
S103、针对每一表面监测点，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级；
具体的，对每一表面监测点进行图像识别，得到渗压等级。在进行图像识别前，还可以对数据进行预处理，如灰度化、去噪、对比度增强等。
S104、根据每个表面监测点对应的三维坐标和每个表面监测点对应的渗压等级，构建大坝渗压等级空间分布图以及确定危险表面监测点对应的三维坐标，危险表面监测点为渗压等级大于预设阈值的表面监测点；
具体的，选择三维可视化工具如GIS或在线平台，将每个表面监测点对应的三维坐标和渗压等级数据导入至三维可视化工具中，并为不同渗压等级设置不同的颜色以便进行区分，得到大坝渗压等级空间分布图。
S105、根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划，以使巡检无人机按照巡检规划在下一时段内巡检。
可见，在本申请实施例中，通过巡检无人机周期性的采集表面检测点的图像，并进行渗压信息识别，以快速得到渗压等级，并构建渗压等级空间分布图，便于用户直观了解渗压情况，通过构建的大坝渗压等级空间分布图，以及危险表面监测点的三维坐标，制定下次巡检规划，结合了无人机巡检、图像识别和北斗定位技术实现大坝周期性监测。
本申请实施例的一种可能的实现方式，根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划之后，还包括：S106-S108(附图未示出)，其中：
S106、根据目标时间对应的每个表面监测点的渗压等级和预设参考等级的等级差值，得到针对目标时间的等级差值标准差，并根据多个采集时间各自对应的等级差值标准差进行平均值计算，得到第一标准差，目标时间为多个采集时间中的任一时间；
具体的，选取任一采集时间作为目标时间，并计算每个表面监测点的渗压等级和预设参考等级差值的等级差值，其中，预设参考等级用户可根据经验设置，其表示的不存在渗压的等级，预设参考等级和预设阈值大小可以相等，也可以不同，本申请实施例不再进行限定。
如，所有表面监测点的等级差值包括(x1，x2，x3，…,xn)，通过等级差值，计算得到等级差值均值为xp，进而计算等级差值标准差为其中，n为表面监测点的总量。等级差值标准差越大表示数值的离散程度越大，即数值之间的差异越大，波动大；反之，标准差越小，说明这组数值的离散程度越小，即数值之间的差异越小，波动小。
通过步骤S106能够得到每个时间下的渗压差值标准差，进而，计算得到第一标准差。
S107、针对每一危险表面监测点，根据多个采集时间对应的等级差值，生成得到针对危险表面监测点的等级差值标准差，并根据第一标准差和危险表面监测点对应的等级差值标准差，确定调整巡检周期；
针对每一危险表面监测点，通过多个采集时时间对应的等级差值计算平均等级差值，并通过多个采集随时间对应的等级差值和平均等级差值，计算危险表面监测点的等级差值标准差。
当所有表面监测点的偏离程度小即第一标准差小时，表示整体区域稳定情况，但是同时需要考虑危险表面监测点的稳定情况，进而，通过危险表面监测点的等级差值标准差，确定稳定情况，以结合整体稳定情况和危险表面监测点的稳定情况共同确定针对某个危险表面监测点的周期的可调整的时间即调整巡检周期。
在一种可实现的方案中，根据第一标准差与第一对应关系，确定与第一标准差对应的第一子调整时长；根据危险表面监测点对应的等级差值标准差和第二对应关系，确定危险表面监测点对应的等级差值标准差对应的第二子调整时长，其中，第一对应关系是多个标准差和多个第一子调整时长的对应关系，第二对应关系是多个标准差和多个第二子调整时长的对应关系，对应关系用户可自定义设置，本申请实施例不再进行限定。
通过S107能够得到所有危险表面监测点各自对应的调整时长，即调整巡检周期。
S108、基于巡检规划中的巡检点对应的调整巡检周期和当前巡检周期，确定巡检周期，以使巡检无人机基于巡检周期确定下一时段，并在下一时段进行按照巡检规划巡检。
巡检点包括危险表面监测点，还可以包括指定的表面监测点，本申请实施例不再进行限定，用户可根据实际需求设置。对于指定的表面监测点，默认其调整巡检周期为0。
在一种可实现的方案中，可以将最高调整巡检周期作为调整时长，或者将调整巡检周期的均值作为调整时长，以将调整时长以及当前巡检周期之和作为下一巡检周期。以使得在完整当前巡检任务后，间隔巡检周期后，进行下一巡检任务。
可见，在本申请实施例中，目标时间的等级差值标准差表示整体区域稳定情况，危险表面监测点的等级差值标准差表示点的稳定情况，结合整体稳定情况和危险表面监测点的稳定情况共同确定针对某个危险表面监测点的周期的可调整的时间即调整巡检周期，再综合考虑巡检规划中各个巡检点的调整巡检周期以及当前巡检周期，制定出更加合理的巡检计划，基于动态调整的巡检周期，巡检无人机能够在下一时段按照优化后的巡检规划进行巡检，不仅能够提高巡检的效率和准确性，还能够更好地满足大坝安全管理的需求，确保大坝的安全稳定运行。
在一种可能实现的实施例中，S105根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划，包括：S1051-S1055(附图未示出)，其中：
S1051、分析大坝渗压等级空间分布图，得到大坝多个区域各自对应的渗压等级信息，渗压等级信息包括：平均渗压等级、实际渗压变化数据集；
预先对大坝进行了区域划分，每个区域中包括若干监测点；进而，通过得到的大巴渗压等级空间分布图，将表面监测点进行区域划分，以得到每个区域对应的表面监测点的相关信息，进而通过该区域内的表面监测点的相关信息计算得到平均渗压等级。其中，实际渗压变化数据集包括不同时刻的平均渗压等级。
S1052、根据每个区域的平均渗压等级，从大坝多个区域中得到重点关注区域；
在一种可能的方式中，将平均渗压等级大于预设平均渗压等级的区域作为重点关注区域，其中，预设平均渗压等级用户可根据经验设置，其大小与预设阈值相近，优选的，小于预设阈值。
在另一种可能的方式中，S1052包括：
根据每个区域的平均渗压等级、实际渗压变化数据集，从大坝的多个区域中筛选出第一重点关注区域；其中，基于实际渗压变化数据集中的每个时刻的平均渗压等级，确定标准差，以确定离散程度，基于每个区域对应的标准差和平均渗压等级，选择标准差大和/或平均渗压等级大的区域作为第一重点关注区域。
对于每一待筛选区域，将渗压等级和预设渗压阈值进行比较，确定第一安全等级；根据当前的降雨量以及水位信息，确定安全调整等级；待筛选区域为大坝多个区域中除第一重点关注区域之外的区域；对于除了重点关注区域之外的区域，可能也是隐含的存在一定风险的区域，进而，本申请实施例中，通过分析该区域的安全性，以筛选出额外的需要重点关注的区域。其中，预设渗压阈值小于预设阈值，并且，预设有等级差值与安全等级之间的对应关系，降雨量和调整等级的对应关系，水位和调整等级的对应关系，进而，根据降雨量和调整等级的对应关系，水位和调整等级的对应关系，以及当前的降雨量和水位信息，确定安全调整等级，根据等级差值与安全等级之间的对应关系，确定第一安全等级。通过第一安全等级和安全调整等级做和，得到每个待筛选区域对应的安全等级。
根据每个待筛选区域的安全等级，从所有待筛选区域中筛选出第二重点关注区域，安全等级为根据第一安全等级和安全调整等级确定的；将第一重点关注区域和第二重点关注区域作为重点关注区域。其中，将安全等级低的待筛选区域作为补充，得到重点关注区域。
S1053、对重点关注区域的实际渗压变化数据集进行时间序列分析，得到预测长期趋势；
对重点关注区域的上实际渗压变化数据集进行数据拟合，得到趋势变化曲线，通过趋势变化曲线预测未来的预设时间段内的变化趋势，其中，预设时间段至少为当前的巡检周期大小。若变化趋势为增长，则表示预测长期趋势异常，存在危险，需要重点监测，否则，表示区域的当前状态较为稳定。
S1054、将预测长期趋势异常对应的重点关注区域中的重要监测点作为补充危险点，来更新危险表面监测点；
S1055、根据更新后的危险表面监测点的三维坐标，规划巡检无人机下次巡检的巡检规划。
可见，在本申请实施例中，通过分析大坝渗压等级空间分布图，能够得到大坝各区域的渗压等级信息，进而，结合平均渗压等级，进行对一次筛选得到重点关注区域，并且，进行该重点关注区域的发展趋势预测，异常时，作为补充危险点进行危险表面监测点的补充，能够使得确定的危险表面监测点更加全面精准。
在一种可能实现的实施例中，S1055根据更新后的危险表面监测点的三维坐标，规划巡检无人机下次巡检的巡检规划包括：根据更新后的危险表面监测点的三维坐标，确定主航线；对于更新后的危险表面监测点中的每一目标危险表面监测点，根据目标危险表面监测点的高程信息，确定无人机飞行高度，并根据目标危险表面监测点的渗压等级，确定飞行速度，渗压等级越高，飞行速度越小；根据主航线以及目标危险表面监测点的飞行高度、飞行速度，生成巡检无人机下次巡检的巡检规划。
其中，无人机飞行高度可以为危险表面监测点上方固定高度，若是危险表面监测点周围存在遮挡物，则可根据遮挡情况降低无人机飞行高度以及调整拍摄角度，以便于能够得到危险表面监测点的完整图像。渗压等级越高，表示是该危险表面监测点可能发生危险的概率越高，因此，可以降低飞行速度，以便于拍摄照片时，能够减少由于机身晃动带来的影响，使得拍摄的照片更加清晰。
可见，在本申请实施例中，为每个巡检点设置有相应的飞行高度和飞行速度，生成的巡检规划能够最大程度地优化无人机的巡检效率，无人机能够在确保安全的前提下，以合适的速度沿着主航线飞行，并根据不同危险点的渗压等级调整飞行速度，从而实现资源的最优利用。
在一种可能实现的实施例中，S103、根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级，包括：方式一和方式二；方式一为基于图像识别得到渗压等级，方式二为基于渗压装置采集到的渗压数值确定渗压等级。
其中，在某些情况下，直接在大坝上安装传感器可能受到限制或不可行。此时，图像识别技术作为一种非接触式的监测方法，能够避免对大坝结构的干扰，同时实现对渗压状况的监测，可以选择方式一进行渗压等级的识别。需要注意的是，还可以通过方式一和方式二共同分析，确定渗压情况，以提高监测的准确性。
方式一：
利用图像识别模型，对连续的图像进行异常类型识别，得到异常类型以及异常类型对应的信息，当异常类型为裂缝时，对应的信息为裂缝尺寸和裂缝形状，当异常类型为渗水时，对应的信息为渗水区域大小和渗水程度；
确定异常类型对应的信息对应的第一数值以及异常类型对应的第二数值；
根据第一数值、第二数值以及各对应的权重，得到第三数值；
根据第三数值和各等级对应的数值范围，匹配到与第三数值对应的渗压等级。
具体的，图像识别模型的训练过程包括：获取训练图像以及对应的标签，基于训练图像对初始模型进行识别，得到识别结果，根据识别结果和对应的标签确定损失值，通过损失值迭代训练模型，直至损失值达到预设损失值阈值，得到图像识别模型。
预先为不同的异常类型设置有相应的第二数值，以在确定异常类型后，根据确定的异常类型，得到相应的第二数值。
对于裂缝，不同的尺寸范围和形状预设有相应的子数值，以便于在确定裂缝的实际裂缝尺寸和裂缝形状后，得到两个子数值，并基于两个子数值得到第一数值，可以是两个子数值直接求和，还可以结合权重求和，用户可自定义设置。
对于渗水，渗水程度可以是渗水的流速，具体是通过水流的相关特征如水面纹理、波浪模式等预估得到的水流速度。电子设备中预先存储有不同的渗水程度和渗水区域对应的子数值，以便于在确定渗水的实际渗水程度和渗水区域大小后，能够得到两个子数值，并基于两个子数值得到第一数值，可以是两个子数值直接求和，还可以结合权重求和，用户可自定义设置。
可见，通过模型能够快速确定异常类型以及相关信息，进而通过异常类型和相关信息进行加权计算，以更精准的确定渗压等级。
在一种可能实现的实施例中，获取北斗定位模块确定的每个表面监测点的三维坐标之后，还包括：
根据每个表面监测点的三维坐标，确定每个表面监测点的位移值；
相应的，针对每一表面监测点，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级之后，还包括：
针对产生位移的表面监测点，若位移值高于预设最高位移阈值，则将渗压等级调整为最高等级；若位移值小于预设最低位移阈值，则保持渗压等级不变；否则，根据位移值确定等级调整值，并根据等级调整值调整渗压等级。
具体的，根据每个表面监测点的三维坐标，确定每个表面监测点的位移值，包括：
获取北斗定位模块确定的标定点的三维坐标；根据标定点的三维坐标以及每个表面监测点的三维坐标，确定标定点与每个表面监测点的实际距离，将实际距离和标准距离进行差值计算，确定每个表面监测点的位移值；
或，
获取每个表面监测点的初始三维坐标，并根据每个表面监测点的初始三维坐标和每个表面监测点的三维坐标，确定每个表面监测点的位移值。
如果位移值超限，则表示大坝在该点变形程度较大，因此无论是渗压等级多大，均调整为最高等级，以重点关注。如果存在一定的位移值，但是位移值很低，则保持等级不变，如果在最低位移阈值和最高位移阈值之间，则表示存在一定程度的位置，位移越大，该点越危险，因此，根据预设的位移调整信息，匹配与位移值对应的等级调整值，对等级进行调整。
可见，在本申请实施例中，通过计算表面监测点的位移值，可以及时发现大坝表面的微小形变。当位移值高于预设的最高位移阈值时，将渗压等级调整为最高等级，这能够迅速触发安全预警机制；根据位移值的不同范围，对渗压等级进行精细化的调整，当位移值低于最低位移阈值时，保持渗压等级不变，这避免了不必要的调整，保持了渗压等级的稳定性和准确性，而当位移值处于两个阈值之间时，根据位移值确定等级调整值，并据此调整渗压等级，这能够更准确地反映大坝的实际安全状况；通过结合三维坐标和位移值的监测技术，实现了对大坝渗压等级的自动调整。
本申请实施例中提供了一种电子设备，如图3所示，图3所示的电子设备130包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备130还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备130的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(CentralProcessingUnit，中央处理器)，通用处理器，DSP(DigitalSignalProcessor，数据信号处理器)，ASIC(ApplicationSpecificIntegratedCircuit，专用集成电路)，FPGA(FieldProgrammableGateArray，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(ExtendedIndustry StandardArchitecture，扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(ReadOnlyMemory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(RandomAccessMemory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(ElectricallyErasableProgrammableReadOnlyMemory，电可擦可编程只读存储器)、CD-ROM(CompactDiscReadOnlyMemory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
本申请实施例提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于北斗定位及图像识别的GNSS大坝渗压监测方法，其特征在于，应用于监测系统，所述监测系统包括：北斗定位模块，用于基于接收到的北斗卫星信号，确定大坝监测点的三维坐标；巡检无人机；与北斗定位模块、巡检无人机均进行通信连接的用于实现监测方法的电子设备，所述监测方法包括：
获取巡检无人机发送的按照当前巡检规划采集到的多个表面监测点各自对应的采集时间连续的图像；
获取北斗定位模块确定的每个表面监测点的三维坐标；
针对每一表面监测点，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级；
根据每个表面监测点对应的三维坐标和每个表面监测点对应的渗压等级，构建大坝渗压等级空间分布图以及确定危险表面监测点对应的三维坐标，所述危险表面监测点为渗压等级大于预设阈值的表面监测点；
根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划，以使所述巡检无人机按照所述巡检规划在下一时段内巡检。
2.根据权利要求1所述的基于北斗定位及图像识别的GNSS大坝渗压监测方法，其特征在于，所述根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划之后，还包括：
根据目标时间对应的每个表面监测点的渗压等级和预设参考等级的等级差值，得到针对目标时间的等级差值标准差，并根据所述多个采集时间各自对应的等级差值标准差进行平均值计算，得到第一标准差，所述目标时间为多个采集时间中的任一时间；
针对每一危险表面监测点，根据多个采集时间对应的等级差值，生成得到针对危险表面监测点的等级差值标准差，并根据第一标准差和危险表面监测点对应的等级差值标准差，确定调整巡检周期；
基于巡检规划中的巡检点对应的调整巡检周期和当前巡检周期，确定巡检周期，以使所述巡检无人机基于巡检周期确定下一时段，并在下一时段进行按照所述巡检规划巡检。
3.根据权利要求1所述的基于北斗定位及图像识别的GNSS大坝渗压监测方法，其特征在于，所述根据构建的大坝渗压等级空间分布图以及危险表面监测点对应的三维坐标，确定巡检无人机下次巡检的巡检规划，包括：
分析所述大坝渗压等级空间分布图，得到大坝多个区域各自对应的渗压等级信息，所述渗压等级信息包括：平均渗压等级、实际渗压变化数据集；
根据每个区域的平均渗压等级，从大坝多个区域中得到重点关注区域；
对重点关注区域的实际渗压变化数据集进行时间序列分析，得到预测长期趋势；
将预测长期趋势异常对应的重点关注区域中的重要监测点作为补充危险点，来更新危险表面监测点；
根据更新后的危险表面监测点的三维坐标，规划巡检无人机下次巡检的巡检规划。
4.根据权利要求3所述的基于北斗定位及图像识别的GNSS大坝渗压监测方法，其特征在于，根据每个区域的平均渗压等级，从大坝多个区域中得到重点关注区域，包括：
根据每个区域的平均渗压等级、实际渗压变化数据集，从大坝的多个区域中筛选出第一重点关注区域；
对于每一待筛选区域，将渗压等级和预设渗压阈值进行比较，确定第一安全等级；根据当前的降雨量以及水位信息，确定安全调整等级；所述待筛选区域为大坝多个区域中除第一重点关注区域之外的区域；
根据每个待筛选区域的安全等级，从所有待筛选区域中筛选出第二重点关注区域，所述安全等级为根据第一安全等级和安全调整等级确定的；
将所述第一重点关注区域和第二重点关注区域作为重点关注区域。
5.根据权利要求3所述的基于北斗定位及图像识别的GNSS大坝渗压监测方法，其特征在于，根据更新后的危险表面监测点的三维坐标，规划巡检无人机下次巡检的巡检规划，包括：
根据更新后的危险表面监测点的三维坐标，确定主航线；
对于更新后的危险表面监测点中的每一目标危险表面监测点，根据目标危险表面监测点的高程信息，确定无人机飞行高度，并根据目标危险表面监测点的渗压等级，确定飞行速度，渗压等级越高，飞行速度越小；
根据主航线以及目标危险表面监测点的飞行高度、飞行速度，生成巡检无人机下次巡检的巡检规划。
6.根据权利要求1所述的基于北斗定位及图像识别的GNSS大坝渗压监测方法，其特征在于，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级，包括：
利用图像识别模型，对所述连续的图像进行异常类型识别，得到异常类型以及异常类型对应的信息，当所述异常类型为裂缝时，对应的信息为裂缝尺寸和裂缝形状，当所述异常类型为渗水时，对应的信息为渗水区域大小和渗水程度；
确定异常类型对应的信息对应的第一数值以及异常类型对应的第二数值；
根据第一数值、第二数值以及各对应的权重，得到第三数值；
根据第三数值和各等级对应的数值范围，匹配到与第三数值对应的渗压等级。
7.根据权利要求1所述的基于北斗定位及图像识别的GNSS大坝渗压监测方法，其特征在于，所述获取北斗定位模块确定的每个表面监测点的三维坐标之后，还包括：
根据每个表面监测点的三维坐标，确定每个表面监测点的位移值；
相应的，所述针对每一表面监测点，根据连续的图像进行渗压信息识别，得到表面监测点对应的渗压等级之后，还包括：
针对产生位移的表面监测点，若位移值高于预设最高位移阈值，则将渗压等级调整为最高等级；若位移值小于预设最低位移阈值，则保持渗压等级不变；否则，根据位移值确定等级调整值，并根据等级调整值调整渗压等级。
8.根据权利要求7所述的基于北斗定位及图像识别的GNSS大坝渗压监测方法，其特征在于，所述根据每个表面监测点的三维坐标，确定每个表面监测点的位移值，包括：
获取北斗定位模块确定的标定点的三维坐标；根据标定点的三维坐标以及每个表面监测点的三维坐标，确定标定点与每个表面监测点的实际距离，将实际距离和标准距离进行差值计算，确定每个表面监测点的位移值；
或，
获取每个表面监测点的初始三维坐标，并根据每个表面监测点的初始三维坐标和每个表面监测点的三维坐标，确定每个表面监测点的位移值。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行根据权利要求1至8任一项所述的基于北斗定位及图像识别的GNSS大坝渗压监测方法的步骤。
10.一种基于北斗定位及图像识别的GNSS大坝渗压监测系统，其特征在于，包括：
北斗定位模块，用于基于接收到的北斗卫星信号，确定大坝监测点的三维坐标；
巡检无人机，用于按照巡检规划采集多个表面监测点各自对应的采集时间连续的图像；
与北斗定位模块、巡检无人机均进行通信连接的用于实现如权利要求1至8任一项基于北斗定位及图像识别的GNSS大坝渗压监测方法的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410533532.5A CN118501012B (zh) | 2024-04-30 | 2024-04-30 | 一种基于北斗定位及图像识别的gnss大坝渗压监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410533532.5A CN118501012B (zh) | 2024-04-30 | 2024-04-30 | 一种基于北斗定位及图像识别的gnss大坝渗压监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118501012A true CN118501012A (zh) | 2024-08-16 |
| CN118501012B CN118501012B (zh) | 2024-12-24 |
Family
ID=92247704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410533532.5A Active CN118501012B (zh) | 2024-04-30 | 2024-04-30 | 一种基于北斗定位及图像识别的gnss大坝渗压监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118501012B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119168329A (zh) * | 2024-11-19 | 2024-12-20 | 南京淼孚自动化有限公司 | 一种基于物联网的检测机器人巡检调度管理系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070021841A (ko) * | 2005-08-20 | 2007-02-23 | 한국건설기술연구원 | 댐 시설물의 실시간 모니터링시스템 및 그 방법 |
| CN108615035A (zh) * | 2018-04-18 | 2018-10-02 | 四川大学 | 基于图像识别的中小土石坝安全信息采集系统 |
| CN108982316A (zh) * | 2018-06-14 | 2018-12-11 | 河海大学文天学院 | 一种基于无人机检测大坝背面混凝土表面渗流系统及方法 |
| KR102008175B1 (ko) * | 2019-01-31 | 2019-08-07 | (주)다음기술단 | 점검 및 진단용 드론을 이용한 댐 손상점검 방법 |
| KR102008176B1 (ko) * | 2019-01-31 | 2019-08-07 | (주)다음기술단 | 열화상 촬영이 가능한 점검 및 진단용 드론을 이용한 댐 손상점검 방법 |
| CN113848560A (zh) * | 2021-09-27 | 2021-12-28 | 湖南德森九创科技有限公司 | 一种大坝表面图像无人机快速安全采集方法及系统 |
| CN115394059A (zh) * | 2022-07-27 | 2022-11-25 | 新疆额尔齐斯河投资开发(集团)有限公司 | 一种水库大坝安全预警系统及预警方法 |
| CN117193348A (zh) * | 2023-02-03 | 2023-12-08 | 河海大学 | 一种仿生无人机群大坝库区智能巡检方法 |
| CN117234239A (zh) * | 2023-11-02 | 2023-12-15 | 东南大学 | 基于无人机的大坝自动化巡检路径规划方法、装置及设备 |
| CN117789434A (zh) * | 2023-06-05 | 2024-03-29 | 黄河水利职业技术学院 | 一种水利工程渗流智能监测系统及监测方法 |
-
2024
- 2024-04-30 CN CN202410533532.5A patent/CN118501012B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070021841A (ko) * | 2005-08-20 | 2007-02-23 | 한국건설기술연구원 | 댐 시설물의 실시간 모니터링시스템 및 그 방법 |
| CN108615035A (zh) * | 2018-04-18 | 2018-10-02 | 四川大学 | 基于图像识别的中小土石坝安全信息采集系统 |
| CN108982316A (zh) * | 2018-06-14 | 2018-12-11 | 河海大学文天学院 | 一种基于无人机检测大坝背面混凝土表面渗流系统及方法 |
| KR102008175B1 (ko) * | 2019-01-31 | 2019-08-07 | (주)다음기술단 | 점검 및 진단용 드론을 이용한 댐 손상점검 방법 |
| KR102008176B1 (ko) * | 2019-01-31 | 2019-08-07 | (주)다음기술단 | 열화상 촬영이 가능한 점검 및 진단용 드론을 이용한 댐 손상점검 방법 |
| CN113848560A (zh) * | 2021-09-27 | 2021-12-28 | 湖南德森九创科技有限公司 | 一种大坝表面图像无人机快速安全采集方法及系统 |
| CN115394059A (zh) * | 2022-07-27 | 2022-11-25 | 新疆额尔齐斯河投资开发(集团)有限公司 | 一种水库大坝安全预警系统及预警方法 |
| CN117193348A (zh) * | 2023-02-03 | 2023-12-08 | 河海大学 | 一种仿生无人机群大坝库区智能巡检方法 |
| CN117789434A (zh) * | 2023-06-05 | 2024-03-29 | 黄河水利职业技术学院 | 一种水利工程渗流智能监测系统及监测方法 |
| CN117234239A (zh) * | 2023-11-02 | 2023-12-15 | 东南大学 | 基于无人机的大坝自动化巡检路径规划方法、装置及设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119168329A (zh) * | 2024-11-19 | 2024-12-20 | 南京淼孚自动化有限公司 | 一种基于物联网的检测机器人巡检调度管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118501012B (zh) | 2024-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815577B (zh) | 安全帽佩戴检测模型处理方法、装置、设备和存储介质 | |
| CA3115188C (en) | Apparatus and method for providing application service using satellite image | |
| CA2868979A1 (en) | Systems and methods for certified location data collection, management, and utilization | |
| CN118501012A (zh) | 一种基于北斗定位及图像识别的gnss大坝渗压监测方法及系统 | |
| CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| US20180252829A1 (en) | Systems and methods for vibration analysis and monitoring | |
| CN111612378A (zh) | 潜在碰撞风险预测方法、装置及计算机设备 | |
| CN115546628A (zh) | 一种水利工程堤坝裂缝监测方法、装置、设备及介质 | |
| CN115937167A (zh) | 电池极片陶瓷的缺陷检测方法、装置及电子设备 | |
| CN115830807B (zh) | 一种矿山安全预警方法、系统、设备及介质 | |
| CN114676907B (zh) | 一种区域地质灾害预警方法、装置、存储介质及设备 | |
| US10769768B1 (en) | Apparatus and method for providing application service using satellite image | |
| CN111210120B (zh) | 极震区和影响场方向的确定方法、装置、设备及存储介质 | |
| US11227477B2 (en) | Systems and methods for determining maximum alert geography for a hazard | |
| CN115290927B (zh) | 跑道风分量的修正方法、装置、计算机设备和存储介质 | |
| CN111898823A (zh) | 霜冻预测方法、装置、设备及计算机可读存储介质 | |
| KR102177460B1 (ko) | 사물인터넷을 기반으로 선박 접안 시 항만 시설의 손상을 예방하는 방법 및 시스템 | |
| US10288547B2 (en) | Facility state analysis device, analysis method for facility state, storage medium, and facility management system | |
| CN117371632A (zh) | 自动化配电设施路径规划方法、装置、电子设备及介质 | |
| CN110471077B (zh) | 一种定位方法与装置 | |
| CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
| JP5864753B2 (ja) | 物理量推定システム及び物理量推定方法 | |
| EP3923236A1 (en) | Image-processing device, image-processing method, and image-processing computer program | |
| CN117985053B (zh) | 感知能力检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |