CN109949241A - 一种尾矿库坝体形变监测***及方法 - Google Patents
一种尾矿库坝体形变监测***及方法 Download PDFInfo
- Publication number
- CN109949241A CN109949241A CN201910206931.XA CN201910206931A CN109949241A CN 109949241 A CN109949241 A CN 109949241A CN 201910206931 A CN201910206931 A CN 201910206931A CN 109949241 A CN109949241 A CN 109949241A
- Authority
- CN
- China
- Prior art keywords
- dam body
- image
- tailings warehouse
- data
- tailings
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明属于坝体形变监测技术领域,公开了一种尾矿库坝体形变监测***及方法,利用摄像器采集尾矿库坝体图像数据;利用压力传感器检测尾矿库坝体受压数据;利用测斜器测量尾矿库坝***移数据;利用图像处理软件增强采集图像的对比度;根据采集的数据评估尾矿库坝体形变状态;通利用报警器根据检测的异常数据进行及时警报通知;通过显示器显示尾矿库坝体形变监测***界面及采集的图像、受压、位移数据。本发明通能够很好的处理坝体图像中阴影部分与高光部分之间的对比度调整以得到合适的对比度,防止对比度调整过大导致图像失真;增强坝体图像清晰度,更加方便对坝体形变的监测。
Description
技术领域
本发明属于坝体形变监测技术领域,尤其涉及一种尾矿库坝体形变监测***及方法。
背景技术
尾矿库是矿山企业最大的环境保护工程项目。可以防止尾矿向江、河、湖、海沙漠及草原等处任意排放。一个矿山的选矿厂只要有尾矿产生,就必须建有尾矿库。所以说尾矿库是矿山选矿厂生产必不可少的组成部分。尾矿库是指筑坝拦截谷口或围地构成的,用以堆存金属或非金属矿山进行矿石选别后排出尾矿或其他工业废渣的场所。尾矿库是一个具有高势能的人造泥石流危险源,存在溃坝危险,一旦失事,容易造成重特大事故。冶炼废渣形成的赤泥库,发电废渣形成的废渣库,也应按尾矿库进行管理。尾矿是指金属或非金属矿山开采出的矿石,经选矿厂选出有价值的精矿后排放的“废渣”。这些尾矿由于数量大,含有暂时不能处理的有用或有害成分,随意排放,将会造成资源流失,大面积覆没农田或淤塞河道,污染环境。然而,现有尾矿库坝体形变监测过程中对坝***移监测数据不准确;同时,采集的坝体图像不清晰,影响对坝体形变的监测。
现有技术中通过摄像器采集尾矿库坝体图像数据的过程中,采用传统的算法采集图像,不能够准确的将采集图像中的模糊区域分割出来,增大了低误分率,降低了图像数据的清晰度。现有技术中压力传感器检测尾矿库坝体受压数据的过程中,压力传感器容易受到温度的影响,采用传统的算法对压力传感器进行温度补偿过程中,陷入局部极值,降低了误差补偿的效果。现有技术中,利用传统的算法评估尾矿库坝体形变状态的过程中,增加了算法的复杂性,降低了信息利用率、评价结果可靠性,不能有效的为现场整改提供量化依据。
综上所述,现有技术存在的问题是:
(1)现有尾矿库坝体形变监测过程中对坝***移监测数据不准确;同时,采集的坝体图像不清晰,影响对坝体形变的监测。
(2)现有技术中通过摄像器采集尾矿库坝体图像数据的过程中,采用传统的算法采集图像,不能够准确的将采集图像中的模糊区域分割出来,增大了低误分率,降低了图像数据的清晰度。
(3)现有技术中压力传感器检测尾矿库坝体受压数据的过程中,压力传感器容易受到温度的影响,采用传统的算法对压力传感器进行温度补偿过程中,陷入局部极值,降低了误差补偿的效果。
(4)现有技术中,利用传统的算法评估尾矿库坝体形变状态的过程中,增加了算法的复杂性,降低了信息利用率、评价结果可靠性,不能有效的为现场整改提供量化依据。
发明内容
针对现有技术存在的问题,本发明提供了一种尾矿库坝体形变监测***及方法。
本发明是这样实现的,一种尾矿库坝体形变监测方法包括以下步骤:
步骤一,通过坝体图像采集模块利用摄像器采集尾矿库坝体图像数据;通过受压检测模块利用压力传感器检测尾矿库坝体受压数据;通过位移测量模块利用测斜器测量尾矿库坝***移数据;
步骤二,主控模块通过图像处理模块利用图像处理软件增强采集图像的对比度;
步骤三,通过评估模块根据采集的数据评估尾矿库坝体形变状态;
步骤四,通过警报模块利用报警器根据检测的异常数据进行及时警报通知;
步骤五,通过显示模块显示器显示尾矿库坝体形变监测***界面及采集的图像、受压、位移数据。
进一步,所述位移测量模块测量方法包括:
(1)在需要测量水平位移的坝段上沿着观测廊道选择一条与观测廊道平行布置的垂线,并在该垂线上连续布置多个测斜器;
(2)通过测量各测点的倾斜度,计算测斜器控制范围内两端的相对位移;
(3)沿高度方向累计相对位移得到坝体各个高程的水平位移。
进一步,所述步骤(1)中这条垂线上分为多个测点,并按测点高程将测点编号为1,2,3…n,n是大于等于2的整数;所述步骤(2)、(3)中,忽略混凝土浇筑15天以内各个水平布置测点所测的转角,建立坝***移与各测点倾斜度的关系。
进一步,所述步骤(1)中每个测点布置三个测斜器,建立三个测斜器测量数据之间的对应关系,从而检验测量数据的可靠性。
进一步,所述三个测斜器,朝向分别为径向、拱向和垂直方向,从而同时监测径向、拱向位移。
进一步,所述步骤(1)中观测廊道布置一个测点,观测廊道之间平均布置3个测点;廊道处测点布置在廊道底板表面位置,混凝土处测点布置在浇筑层的中间位置;测斜器平行布置在正垂线、倒垂线钻孔附近,距离钻孔5m。
进一步,所述步骤(2)中,监测时间为:测点所辖混凝土龄期小于1个月、坝体初期蓄水或坝体水位发生较大幅度变化时,测量周期应小于5天;其余时期测量周期为30~90天。
进一步,所述步骤(3)中根据公式(1)-(4)得到总位移Sn为:
Δsi=(θ(i,τ)-θ(i,15))hi i≥2,i≤n-1 (2)
Δs1=0.5(θ(1,τ)-θ(1,15))h1 (3)
Δsn=0.5(θ(n,τ)-θ(n,15))hn (4)
其中基础位移s0由倒垂线法所测;θ(i,τ)表示龄期为τ的i号测点的总转角,θ(i,15))表示龄期为15d时的i号测点的转角,hi表示测点i和测点i+1中间位置点与测点i和测点i-1中间位置点的距离差值;h1表示测点1和测点2的距离;hn表示测点n和测点n-1的距离。
进一步,所述图像处理模块处理方法包括:
(1)通过摄像器采集尾矿库坝体原始图像;
(2)对采集的坝体原始图像中的各个像素点进行红色通道、绿色通道、蓝色通道的直方图统计;
(3)设置原始图像中的阴影部分和高光部分的修剪值;
(4)计算红色通道、绿色通道、蓝色通道的阴影部分的上限值与高光部分的下限值;
(5)对所述阴影部分的上限值进行最小值计算得到最小上限值;对所述高光部分的下限值进行最大值计算得到最大下限值;
(6)对所述最小上限值与所述最大下限值进行阈值计算得到最终最小上限值与最终最大下限值;
(7)根据所述的最终最小上限值与最终最大下限值得到映射表,并将原始图像中的各个像素点进行颜色映射,得到结果图像。
进一步,所述步骤(2)中的直方图统计方法包括:
创建红色通道、绿色通道、蓝色通道的直方图统计的数组,大小为256个,并且初始化数组内的数据为0;
依次对原始图像各个像素点的红色通道、绿色通道、蓝色通道的颜色值进行统计;即
rHist[rColor]=rHist[rColor]+1;
gHist[gColor]=gHist[gColor]+1;
bHist[bColor]=bHist[bColor]+1;
其中,rHist、gHist、bHist分别为红色通道、绿色通道、蓝色通道的直方图统计的数组,rColor、gColor、bColor分别为原始图像中各个像素点对应的红色通道、绿色通道、蓝色通道的颜色值。
进一步,所述步骤(3)中设置原始图像中的阴影部分和高光部分的修剪值的公式包括:
nTrimLowCount=0.5+lowK*w*h;
nTrimHighCount=0.5+highK*w*h;
其中,nTrimLowCount为阴影部分的修剪值;nTrimHighCount为高光部分的修剪值;
lowK为阴影部分的修剪百分比,范围从0.001到0.01之间;highK为高光部分的修剪百分比,范围从0.001到0.01之间;w与h分别为原始图像的宽和高。
进一步,步骤三根据采集的数据评估尾矿库坝体形变状态中,将观测到的尾矿库坝体形变信息收集整理;
将收集的信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立尾矿库坝体形变危险等级与影响因素间的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的尾矿库坝体形变危险等级。
所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,尾矿库坝体形变构成离散状态节点,尾矿库坝体形变危险等级为观测节点;
采集的数据评估尾矿库坝体形变状态具体包括:***参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1),1≤i≤n
递归运算:
结果:
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1,1≤i≤n
递归运算:
结果:
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出尾矿库坝体形变危险等级。
离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
SIOE={强,较强,中,弱}。
本发明的另一目的在于提供一种尾矿库坝体形变监测***包括:
坝体图像采集模块,与主控模块连接,用于通过摄像器采集尾矿库坝体图像数据;
受压检测模块,与主控模块连接,用于通过压力传感器检测尾矿库坝体受压数据;
位移测量模块,与主控模块连接,用于通过测斜器测量尾矿库坝***移数据;
主控模块,与坝体图像采集模块、受压检测模块、位移测量模块、图像处理模块、评估模块、警报模块、显示模块连接,用于通过单片机控制各个模块操作工作;
图像处理模块,与主控模块连接,用于通过图像处理软件增强采集图像的对比度;
评估模块,与主控模块连接,用于根据采集的数据评估尾矿库坝体形变状态;
警报模块,与主控模块连接,用于通过报警器根据检测的异常数据进行及时警报通知;
显示模块,与主控模块连接,用于通过显示器显示尾矿库坝体形变监测***界面及采集的图像、受压、位移数据。
本发明的优点及积极效果为:
本发明通过位移测量模块在需要测量水平位移的坝段上沿着观测廊道选择一条与观测廊道平行布置的垂线,并在该垂线上连续布置多个测斜器;通过测量各测点的倾斜度,计算测斜器控制范围内两端的相对位移;沿高度方向累计相对位移得到坝体各个高程的水平位移;具有测量精度高、传输距离长、抗干扰性强以及自动采集数据等优点,可满足该发明所需要的测斜精度;同时,通过图像处理模块对坝体原始图像进行直方图统计,并结合其阴影部分和高光部分的修剪值分别计算出阴影部分的上限值与高光部分的下限值,进而通过极值计算分别得到最小上限值与最大下限值,最后通过阈值计算得到最终最小上限值与最终最大下限值,以及根据所述最终最小上限值与最终最大下限值得到映射表,将原始图像中的各个像素点进行颜色映射得到结果图像;从而能够很好的处理图像中阴影部分与高光部分之间的对比度调整以得到合适的对比度,防止对比度调整过大导致图像失真;增强坝体图像清晰度,更加方便对坝体形变的监测。
本发明中坝体图像采集模块用于通过摄像器采集尾矿库坝体图像数据的过程中,采用改进的图像模糊区域分辨算法采集图像,能够准确的将采集图像中的模糊区域分割出来,降低误分率,提高图像数据的清晰度。
本发明中受压检测模块通过压力传感器检测尾矿库坝体受压数据的过程中,压力传感器容易受到温度的影响,采用改进的BP算法对压力传感器进行温度补偿,提升了1个数量级,温度灵敏度系数降低了2个数量级,避免了传统的算法进行补偿的过程中,陷入局部极值,提高误差补偿的效果。
本发明中评估模块根据采集的数据采用FAHP-IE算法评估尾矿库坝体形变状态的过程中,可以简化算法,可以使***安全状态评价具有模糊综合法的特性,兼顾了评价主体认知歧异引起的不确定性,提高了信息利用率、评价结果可靠性,为现场整改提供量化依据。
本发明根据采集的数据评估尾矿库坝体形变状态中,将观测到的尾矿库坝体形变信息收集整理;将收集的信息按照划分的量化等级进行量化处理,并建立观测证据表;利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;建立尾矿库坝体形变危险等级与影响因素间的离散动态贝叶斯网络模型;利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的尾矿库坝体形变危险等级。为后序采取合理措施提供保证。
附图说明
图1是本发明实施例提供的尾矿库坝体形变监测方法流程图。
图2是本发明实施例提供的尾矿库坝体形变监测***结构框图。
图中:1、坝体图像采集模块;2、受压检测模块;3、位移测量模块;4、主控模块;5、图像处理模块;6、评估模块;7、警报模块;8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明包括。
现有尾矿库坝体形变监测过程中对坝***移监测数据不准确;同时,采集的坝体图像不清晰,影响对坝体形变的监测。
现有技术中通过摄像器采集尾矿库坝体图像数据的过程中,采用传统的算法采集图像,不能够准确的将采集图像中的模糊区域分割出来,增大了低误分率,降低了图像数据的清晰度。
现有技术中压力传感器检测尾矿库坝体受压数据的过程中,压力传感器容易受到温度的影响,采用传统的算法对压力传感器进行温度补偿过程中,陷入局部极值,降低了误差补偿的效果。
现有技术中,利用传统的算法评估尾矿库坝体形变状态的过程中,增加了算法的复杂性,降低了信息利用率、评价结果可靠性,不能有效的为现场整改提供量化依据。
为解决上述问题,下面结合具体方案对本发明的结构作详细的描述。
如图1所示,本发明提供的尾矿库坝体形变监测方法包括以下步骤:
S101:首先,采集尾矿库坝体图像数据,尾矿库坝体受压数据,尾矿库坝***移数据。
S102:对步骤S101采集到的尾矿库坝体图像数据,通过图像处理软件增强采集图像的对比度。
S103:根据上述检测到的数据,评估尾矿库坝体形变状态。
S104:通过报警器根据检测的异常数据进行及时警报通知,并且通过显示器显示尾矿库坝体形变监测***界面及采集的图像、受压、位移等数据。
在本发明实施例中,步骤S103根据采集的数据评估尾矿库坝体形变状态中,将观测到的尾矿库坝体形变信息收集整理;
将收集的信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立尾矿库坝体形变危险等级与影响因素间的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的尾矿库坝体形变危险等级。
所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,尾矿库坝体形变构成离散状态节点,尾矿库坝体形变危险等级为观测节点;
采集的数据评估尾矿库坝体形变状态具体包括:***参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1),1≤i≤n
递归运算:
结果:
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1,1≤i≤n
递归运算:
结果:
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出尾矿库坝体形变危险等级。
离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
SIOE={强,较强,中,弱}。
如图2所示,本发明提供的尾矿库坝体形变监测***包括:坝体图像采集模块1、受压检测模块2、位移测量模块3、主控模块4、图像处理模块5、评估模块6、警报模块7、显示模块8。
坝体图像采集模块1,与主控模块4连接,用于通过摄像器采集尾矿库坝体图像数据。
受压检测模块2,与主控模块4连接,用于通过压力传感器检测尾矿库坝体受压数据。
位移测量模块3,与主控模块4连接,用于通过测斜器测量尾矿库坝***移数据。
主控模块4,与坝体图像采集模块1、受压检测模块2、位移测量模块3、图像处理模块5、评估模块6、警报模块7、显示模块8连接,用于通过单片机控制各个模块操作工作。
图像处理模块5,与主控模块4连接,用于通过图像处理软件增强采集图像的对比度。
评估模块6,与主控模块4连接,用于根据采集的数据评估尾矿库坝体形变状态。
警报模块7,与主控模块4连接,用于通过报警器根据检测的异常数据进行及时警报通知。
显示模块8,与主控模块4连接,用于通过显示器显示尾矿库坝体形变监测***界面及采集的图像、受压、位移数据。
所述坝体图像采集模块1用于通过摄像器采集尾矿库坝体图像数据的过程中,为了准确的将采集图像中的模糊区域分割出来,降低误分率,提高图像数据的清晰度,采用一种改进的图像模糊区域分辨算法,具体包括以下:
步骤一,在高速采集图像模糊区域对参数进行初始化。
步骤二,利用公式计算出采集图像所有像素的非相似性矩阵。
步骤三,将所有模糊区域分割随机放在网格中。
步骤四,对任意模糊区域像素节点分别用公式计算出蚁群目标。否则,转到步骤六。
步骤五,随机产生一个像素,设定阈值,将高速采集图像拾起,转到步骤八,否则停止。
步骤六,利用下式计算出空间约束场。
公式包括:
其中,U(y)是采集图像能量函数,y是势函数,z是分布函数。
步骤七,随机产生一个像素,满足条件,则将模糊区域像素放下,转到步骤八,否则停止。
步骤八,判断是否满足高速采集图像模糊区域分割结束条件,执行步骤九,结束。
所述受压检测模块2通过压力传感器检测尾矿库坝体受压数据的过程中,压力传感器容易受到温度的影响,需要对压力传感器进行温度补偿,为了避免传统的算法进行补偿的过程中,陷入局部极值,提高误差补偿的效果,采用一种改进的BP算法,具体包括以下步骤:
步骤一,开始,加载样本,初始化BP网络,初始化人工鱼群及其参数:鱼群数目、维数、拥挤因子等。
步骤二,计算各个人工鱼AF当前的食物浓度Yi,取最大值进入公告板。计数器Count=0。
步骤三,每一条AF网络执行追尾、聚群和觅食行为,并得到新的网络群,计算各个网络误差。
步骤四,每一条AF网络比较自身误差与公告板误差,如小于则取代公告板。
步骤五,判断是否达到目标误差。“是”输出最优AF,结束。“否”进入到Count>try-Number。Count++?。“是”输出最优AF,结束。“否”进入到步骤二。
所述评估模块6根据采集的数据评估尾矿库坝体形变状态的过程中,为了在简化算法的同时,使***安全状态评价具有模糊综合法的特性,兼顾评价主体认知歧异引起的不确定性,提高信息利用率、评价结果可靠性,为现场整改提供量化依据,采用FAHP-IE算法,包括以下步骤:
步骤一,首先,组成N个专家参与指标权重的评价。
步骤二,利用FAHP法构造模糊判断矩阵,模糊判断矩阵转化模糊一致矩阵。
步骤三,确定指标体系中各个指标的权重,用IE法确定专家在评价中的权重,将指标权重进行融合,建立尾矿库安全指标体系的总权重表。
本发明提供的位移测量模块3测量方法包括:
(1)在需要测量水平位移的坝段上沿着观测廊道选择一条与观测廊道平行布置的垂线,并在该垂线上连续布置多个测斜器。
(2)通过测量各测点的倾斜度,计算测斜器控制范围内两端的相对位移。
(3)沿高度方向累计相对位移得到坝体各个高程的水平位移。
本发明提供的步骤(1)中这条垂线上分为多个测点,并按测点高程将测点编号为1,2,3…n,n是大于等于2的整数。所述步骤(2)、(3)中,忽略混凝土浇筑15天以内各个水平布置测点所测的转角,建立坝***移与各测点倾斜度的关系。
本发明提供的步骤(1)中每个测点布置三个测斜器,建立三个测斜器测量数据之间的对应关系,从而检验测量数据的可靠性。
本发明提供的三个测斜器,朝向分别为径向、拱向和垂直方向,从而同时监测径向、拱向位移。
本发明提供的步骤(1)中观测廊道布置一个测点,观测廊道之间平均布置3个测点。廊道处测点布置在廊道底板表面位置,混凝土处测点布置在浇筑层的中间位置。测斜器平行布置在正垂线、倒垂线钻孔附近,距离钻孔5m。
本发明提供的步骤(2)中,监测时间为:测点所辖混凝土龄期小于1个月、坝体初期蓄水或坝体水位发生较大幅度变化时,测量周期应小于5天。其余时期测量周期为30~90天。
本发明提供的步骤(3)中根据公式(1)-(4)得到总位移Sn为:
Δsi=(θ(i,τ)-θ(i,15))hi i≥2,i≤n-1 (2)
Δs1=0.5(θ(1,τ)-θ(1,15))h1 (3)
Δsn=0.5(θ(n,τ)-θ(n,15))hn (4)
其中基础位移s0由倒垂线法所测。θ(i,τ)表示龄期为τ的i号测点的总转角,θ(i,15))表示龄期为15d时的i号测点的转角,hi表示测点i和测点i+1中间位置点与测点i和测点i-1中间位置点的距离差值。h1表示测点1和测点2的距离。hn表示测点n和测点n-1的距离。
本发明提供的图像处理模块5处理方法包括:
(1)通过摄像器采集尾矿库坝体原始图像。
(2)对采集的坝体原始图像中的各个像素点进行红色通道、绿色通道、蓝色通道的直方图统计。
(3)设置原始图像中的阴影部分和高光部分的修剪值。
(4)计算红色通道、绿色通道、蓝色通道的阴影部分的上限值与高光部分的下限值。
(5)对所述阴影部分的上限值进行最小值计算得到最小上限值。对所述高光部分的下限值进行最大值计算得到最大下限值。
(6)对所述最小上限值与所述最大下限值进行阈值计算得到最终最小上限值与最终最大下限值。
(7)根据所述的最终最小上限值与最终最大下限值得到映射表,并将原始图像中的各个像素点进行颜色映射,得到结果图像。
本发明提供的步骤(2)中的直方图统计方法包括:
创建红色通道、绿色通道、蓝色通道的直方图统计的数组,大小为256个,并且初始化数组内的数据为0。
依次对原始图像各个像素点的红色通道、绿色通道、蓝色通道的颜色值进行统计。即
rHist[rColor]=rHist[rColor]+1。
gHist[gColor]=gHist[gColor]+1。
bHist[bColor]=bHist[bColor]+1。
其中,rHist、gHist、bHist分别为红色通道、绿色通道、蓝色通道的直方图统计的数组,rColor、gColor、bColor分别为原始图像中各个像素点对应的红色通道、绿色通道、蓝色通道的颜色值。
本发明提供的步骤(3)中设置原始图像中的阴影部分和高光部分的修剪值的公式包括:
nTrimLowCount=0.5+lowK*w*h。
nTrimHighCount=0.5+highK*w*h。
其中,nTrimLowCount为阴影部分的修剪值。nTrimHighCount为高光部分的修剪值。
lowK为阴影部分的修剪百分比,范围从0.001到0.01之间;highK为高光部分的修剪百分比,范围从0.001到0.01之间;w与h分别为原始图像的宽和高。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种尾矿库坝体形变监测方法,其特征在于,所述尾矿库坝体形变监测方法包括以下步骤:
步骤一,利用摄像器采集尾矿库坝体图像数据;利用压力传感器检测尾矿库坝体受压数据;利用测斜器测量尾矿库坝***移数据;
步骤二,利用图像处理软件增强采集图像的对比度;
步骤三,根据采集的数据评估尾矿库坝体形变状态;
步骤四,通利用报警器根据检测的异常数据进行及时警报通知;
步骤五,通过显示器显示尾矿库坝体形变监测***界面及采集的图像、受压、位移数据。
2.如权利要求1所述尾矿库坝体形变监测方法,其特征在于,所述位移测量模块测量方法包括:
(1)在需要测量水平位移的坝段上沿着观测廊道选择一条与观测廊道平行布置的垂线,并在该垂线上连续布置多个测斜器;
(2)通过测量各测点的倾斜度,计算测斜器控制范围内两端的相对位移;
(3)沿高度方向累计相对位移得到坝体各个高程的水平位移。
3.如权利要求2所述尾矿库坝体形变监测方法,其特征在于,所述步骤(1)中这条垂线上分为多个测点,并按测点高程将测点编号为1,2,3…n,n是大于等于2的整数;所述步骤(2)、(3)中,忽略混凝土浇筑15天以内各个水平布置测点所测的转角,建立坝***移与各测点倾斜度的关系。
4.如权利要求3所述尾矿库坝体形变监测***,其特征在于,所述步骤(1)中每个测点布置三个测斜器,建立三个测斜器测量数据之间的对应关系,检验测量数据;
所述三个测斜器,朝向分别为径向、拱向和垂直方向,从而同时监测径向、拱向位移;
所述步骤(1)中观测廊道布置一个测点,观测廊道之间平均布置3个测点;廊道处测点布置在廊道底板表面位置,混凝土处测点布置在浇筑层的中间位置;测斜器平行布置在正垂线、倒垂线钻孔附近,距离钻孔5m。
5.如权利要求2所述尾矿库坝体形变监测***,其特征在于,所述步骤(2)中,监测时间为:测点所辖混凝土龄期小于1个月、坝体初期蓄水或坝体水位发生较大幅度变化时,测量周期应小于5天;其余时期测量周期为30~90天;
所述步骤(3)中根据以下公式得到总位移Sn为:
Δsi=(θ(i,τ)-θ(i,15))hi i≥2,i≤n-1;
Δs1=0.5(θ(1,τ)-θ(1,15))h1;
Δsn=0.5(θ(n,τ)-θ(n,15))hn;
其中基础位移s0由倒垂线法所测;θ(i,τ)表示龄期为τ的i号测点的总转角,θ(i,15))表示龄期为15d时的i号测点的转角,hi表示测点i和测点i+1中间位置点与测点i和测点i-1中间位置点的距离差值;h1表示测点1和测点2的距离;hn表示测点n和测点n-1的距离。
6.如权利要求1所述尾矿库坝体形变监测方法,其特征在于,所述图像处理模块处理方法包括:
(1)通过摄像器采集尾矿库坝体原始图像;
(2)对采集的坝体原始图像中的各个像素点进行红色通道、绿色通道、蓝色通道的直方图统计;
(3)设置原始图像中的阴影部分和高光部分的修剪值;
(4)计算红色通道、绿色通道、蓝色通道的阴影部分的上限值与高光部分的下限值;
(5)对所述阴影部分的上限值进行最小值计算得到最小上限值;对所述高光部分的下限值进行最大值计算得到最大下限值;
(6)对所述最小上限值与所述最大下限值进行阈值计算得到最终最小上限值与最终最大下限值;
(7)根据所述的最终最小上限值与最终最大下限值得到映射表,并将原始图像中的各个像素点进行颜色映射,得到结果图像。
7.如权利要求6所述尾矿库坝体形变监测方法,其特征在于,直方图统计方法包括:
创建红色通道、绿色通道、蓝色通道的直方图统计的数组,大小为256个,并且初始化数组内的数据为0;
依次对原始图像各个像素点的红色通道、绿色通道、蓝色通道的颜色值进行统计;
rHist[rColor]=rHist[rColor]+1;
gHist[gColor]=gHist[gColor]+1;
bHist[bColor]=bHist[bColor]+1;
其中,rHist、gHist、bHist分别为红色通道、绿色通道、蓝色通道的直方图统计的数组,rColor、gColor、bColor分别为原始图像中各个像素点对应的红色通道、绿色通道、蓝色通道的颜色值;
设置原始图像中的阴影部分和高光部分的修剪值的公式包括:
nTrimLowCount=0.5+lowK*w*h;
nTrimHighCount=0.5+highK*w*h;
其中,nTrimLowCount为阴影部分的修剪值;nTrimHighCount为高光部分的修剪值;
lowK为阴影部分的修剪百分比,范围从0.001到0.01之间;highK为高光部分的修剪百分比,范围从0.001到0.01之间;w与h分别为原始图像的宽和高。
8.如权利要求1所述尾矿库坝体形变监测方法,其特征在于,步骤三根据采集的数据评估尾矿库坝体形变状态中,将观测到的尾矿库坝体形变信息收集整理;
将收集的信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立尾矿库坝体形变危险等级与影响因素间的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的尾矿库坝体形变危险等级。
9.如权利要求8所述尾矿库坝体形变监测方法,其特征在于,所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,尾矿库坝体形变构成离散状态节点,尾矿库坝体形变危险等级为观测节点;
采集的数据评估尾矿库坝体形变状态具体包括:***参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1),1≤i≤n
递归运算:
结果:
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1,1≤i≤n
递归运算:
结果:
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出尾矿库坝体形变危险等级。
离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
SIOE={强,较强,中,弱}。
10.一种实施权利要求1所述尾矿库坝体形变监测方法的尾矿库坝体形变监测***,其特征在于,所述尾矿库坝体形变监测***包括:
坝体图像采集模块,与主控模块连接,用于通过摄像器采集尾矿库坝体图像数据;
受压检测模块,与主控模块连接,用于通过压力传感器检测尾矿库坝体受压数据;
位移测量模块,与主控模块连接,用于通过测斜器测量尾矿库坝***移数据;
主控模块,与坝体图像采集模块、受压检测模块、位移测量模块、图像处理模块、评估模块、警报模块、显示模块连接,用于通过单片机控制各个模块操作工作;
图像处理模块,与主控模块连接,用于通过图像处理软件增强采集图像的对比度;
评估模块,与主控模块连接,用于根据采集的数据评估尾矿库坝体形变状态;
警报模块,与主控模块连接,用于通过报警器根据检测的异常数据进行及时警报通知;
显示模块,与主控模块连接,用于通过显示器显示尾矿库坝体形变监测***界面及采集的图像、受压、位移数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910206931.XA CN109949241A (zh) | 2019-03-19 | 2019-03-19 | 一种尾矿库坝体形变监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910206931.XA CN109949241A (zh) | 2019-03-19 | 2019-03-19 | 一种尾矿库坝体形变监测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949241A true CN109949241A (zh) | 2019-06-28 |
Family
ID=67008995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910206931.XA Pending CN109949241A (zh) | 2019-03-19 | 2019-03-19 | 一种尾矿库坝体形变监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949241A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516585A (zh) * | 2019-08-22 | 2019-11-29 | 西安科技大学 | 基于机器视觉的综采或综掘工作面片帮自动定量识别方法 |
CN111176198A (zh) * | 2019-12-25 | 2020-05-19 | 河北建信工程项目管理有限公司 | 一种混凝土坝动态监控***与方法 |
CN112197808A (zh) * | 2020-10-09 | 2021-01-08 | 沈阳圣狩软件科技有限公司 | 一种尾矿坝在线监测***及方法 |
CN113251987A (zh) * | 2021-04-28 | 2021-08-13 | 中国水利水电科学研究院 | 混凝土高拱坝施工早期倾倒变形监测***及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441802A (zh) * | 2008-11-18 | 2009-05-27 | 北京矿咨信矿业技术研究有限公司 | 尾矿库安全监测预警*** |
CN103257345A (zh) * | 2013-04-18 | 2013-08-21 | 苏州市海扬信息科技有限公司 | 一种利用雷达技术管理矿山尾库的方法 |
CN104197852A (zh) * | 2014-09-05 | 2014-12-10 | 济南大学 | 水库坝体沉陷与水平位移监测*** |
CN104715465A (zh) * | 2013-12-13 | 2015-06-17 | 厦门美图移动科技有限公司 | 一种自动调整对比度的图像增强方法 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN105841653A (zh) * | 2016-03-31 | 2016-08-10 | 中国水利水电科学研究院 | 一种测量坝体水平位移的方法 |
CN106989778A (zh) * | 2017-05-11 | 2017-07-28 | 商洛学院 | 一种尾矿库在线安全监测*** |
CN108454653A (zh) * | 2018-04-10 | 2018-08-28 | 山东职业学院 | 一种基于卫星通信和公共蜂窝通信的列车控制*** |
CN108510484A (zh) * | 2018-03-27 | 2018-09-07 | 佳木斯大学附属第医院 | 一种ect图像数据采集、图像重建及评估*** |
CN109341778A (zh) * | 2018-11-23 | 2019-02-15 | 泉州装备制造研究所 | 一种安全监控尾矿库的信息化智能控制***及控制方法 |
-
2019
- 2019-03-19 CN CN201910206931.XA patent/CN109949241A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441802A (zh) * | 2008-11-18 | 2009-05-27 | 北京矿咨信矿业技术研究有限公司 | 尾矿库安全监测预警*** |
CN103257345A (zh) * | 2013-04-18 | 2013-08-21 | 苏州市海扬信息科技有限公司 | 一种利用雷达技术管理矿山尾库的方法 |
CN104715465A (zh) * | 2013-12-13 | 2015-06-17 | 厦门美图移动科技有限公司 | 一种自动调整对比度的图像增强方法 |
CN104197852A (zh) * | 2014-09-05 | 2014-12-10 | 济南大学 | 水库坝体沉陷与水平位移监测*** |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN105841653A (zh) * | 2016-03-31 | 2016-08-10 | 中国水利水电科学研究院 | 一种测量坝体水平位移的方法 |
CN106989778A (zh) * | 2017-05-11 | 2017-07-28 | 商洛学院 | 一种尾矿库在线安全监测*** |
CN108510484A (zh) * | 2018-03-27 | 2018-09-07 | 佳木斯大学附属第医院 | 一种ect图像数据采集、图像重建及评估*** |
CN108454653A (zh) * | 2018-04-10 | 2018-08-28 | 山东职业学院 | 一种基于卫星通信和公共蜂窝通信的列车控制*** |
CN109341778A (zh) * | 2018-11-23 | 2019-02-15 | 泉州装备制造研究所 | 一种安全监控尾矿库的信息化智能控制***及控制方法 |
Non-Patent Citations (3)
Title |
---|
张联信等: "大坝变形监测方法探讨", 《商情》 * |
罗奕: "基于双目立体视觉的坝体形变测量方法", 《电子测试》 * |
茹乃瑜等: "基于数字图像处理的尾矿坝位移监测", 《视频应用与工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516585A (zh) * | 2019-08-22 | 2019-11-29 | 西安科技大学 | 基于机器视觉的综采或综掘工作面片帮自动定量识别方法 |
CN110516585B (zh) * | 2019-08-22 | 2021-09-24 | 西安科技大学 | 基于机器视觉的综采或综掘工作面片帮自动定量识别方法 |
CN111176198A (zh) * | 2019-12-25 | 2020-05-19 | 河北建信工程项目管理有限公司 | 一种混凝土坝动态监控***与方法 |
CN112197808A (zh) * | 2020-10-09 | 2021-01-08 | 沈阳圣狩软件科技有限公司 | 一种尾矿坝在线监测***及方法 |
CN113251987A (zh) * | 2021-04-28 | 2021-08-13 | 中国水利水电科学研究院 | 混凝土高拱坝施工早期倾倒变形监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949241A (zh) | 一种尾矿库坝体形变监测***及方法 | |
CN103854292B (zh) | 一种人数及人群运动方向的计算方法及装置 | |
CN104463204B (zh) | 目标数量统计方法 | |
CN104281920A (zh) | 尾矿库分层指标安全评估和预警方法与*** | |
CN106170819A (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
CN103810717A (zh) | 一种人体行为检测方法及装置 | |
US20170091573A1 (en) | Visual attention detector and visual attention detection method | |
CN108629254B (zh) | 一种运动目标的检测方法及装置 | |
CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
CN103324951A (zh) | 一种多元异构水环境监测数据评价与预警方法 | |
CN114298549A (zh) | 一种基于大数据的水利安全监测***及方法 | |
CN115014224A (zh) | 基于LiDAR点云与倾斜航空影像的地表形变监测方法 | |
CN114332749A (zh) | 一种基于深度学习的采砂船采砂监控方法 | |
CN114783149A (zh) | 一种基于大数据和图像识别的地质灾害监测预警方法 | |
Lu et al. | A neural network–based approach for fill factor estimation and bucket detection on construction vehicles | |
CN116989679A (zh) | 一种基于图像处理的高速公路高边坡位移集成监测方法 | |
CN111539568A (zh) | 基于无人机和三维建模技术的安全监测***及方法 | |
CN111524323B (zh) | 一种边坡裂变预警方法及*** | |
Utomo et al. | Early warning flood detector adopting camera by Sobel Canny edge detection algorithm method | |
CN117373209A (zh) | 基于凹凸体理论的界面型土体滑坡监测预警方法及装置 | |
Ji et al. | Bucket teeth detection based on faster region convolutional neural network | |
CN110702171A (zh) | 建筑废弃物受纳场监测方法、装置及*** | |
CN110135382A (zh) | 一种人体检测方法和装置 | |
CN107256566B (zh) | 基于辐射能量的林火检测方法 | |
CN105138836A (zh) | 一种注浆工程作业中浆液注入率的获取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |