CN112927345A - 一种地震救援现场环境的监控方法和设备 - Google Patents
一种地震救援现场环境的监控方法和设备 Download PDFInfo
- Publication number
- CN112927345A CN112927345A CN202110075386.2A CN202110075386A CN112927345A CN 112927345 A CN112927345 A CN 112927345A CN 202110075386 A CN202110075386 A CN 202110075386A CN 112927345 A CN112927345 A CN 112927345A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- parameters
- image set
- ruin
- preset
- 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 102
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008859 change Effects 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000001788 irregular Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 230000002411 adverse Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000035939 shock Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 241000221696 Sclerotinia sclerotiorum Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005491 wire drawing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种地震救援现场环境的监控方法和设备,该方法包括:根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的;基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器;根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数;当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息,从而更加高效的对地震救援现场环境进行监控,进而可以最大限度的保障救援人员的生命安全。
Description
技术领域
本申请涉及应急救援技术领域,更具体地,涉及一种地震救援现场环境的监控方法和设备。
背景技术
地震等自然灾害后建筑物废墟救援环境极其复杂,余震、有毒有害气体和废墟二次倒塌等严重危害着救援人员的生命安全。
现有技术中地震现场主要依靠人工实地走访调研和勘察,虽然可以获取准确的灾情信息,但是投入巨大,耗费时间长,效率非常低下,尤其在地震发生后,灾区受灾严重、人员无法进入,难以适应高效快速的地震应急救援和灾情损失评估。
因此,如何更加高效的对地震救援现场环境进行监控,是目前亟待解决的技术问题。
发明内容
本发明提供一种地震救援现场环境的监控方法,用以解决现有技术中对地震救援现场环境的监控效率低的技术问题。
该方法包括:
根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的;
基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器;
根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数;
当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息。
在本申请一些实施例中,根据地震救援现场环境的图像集合建立废墟三维模型,具体为:
基于空中三角测量对所述图像集合进行处理生成初步模型;
基于机器学习算法获取与所述图像集合对应的自主标记特征点;
根据所述自主标记特征点和人工标记特征点对所述初步模型进行校正,并根据所述校正的结果建立所述废墟三维模型;
其中,所述人工标记特征点是用户在所述图像集合的各网格化图像中标记的,所述人工标记特征点和所述自主标记特征点包括各所述网格化图像中的废墟局部倒塌特征点、裂缝特征点和不规则轮廓边缘特征点。
在本申请一些实施例中,基于机器学习算法获取与所述图像集合对应的自主标记特征点,具体为:
基于对所述图像集合中连续n张带有同一人工标记特征点的照片进行灰度处理获取n个二维灰度图像特征矩阵;
基于卷积神经网络建立所述n个二维灰度图像特征矩阵的关联矩阵,所述关联矩阵包括基于拍摄角度变化、光照变化、尺度变化、形变、遮挡变化的关联矩阵;
根据与多个人工标记特征点对应的多个关联矩阵确定学习样本;
基于所述学习样本进行深度学习后获取所述自主标记特征点。
在本申请一些实施例中,在根据所述超限参数生成报警信息之后,所述方法还包括:
将所述报警信息发送到现场报警设备,以使所述现场报警设备发出声音和或闪光报警。
在本申请一些实施例中,在根据所述超限参数生成报警信息之后,所述方法还包括:
将所述报警信息发送到救援人员的可穿戴设备上,以使所述可穿戴设备发出声音报警,和或闪光报警,和或振动报警。
在本申请一些实施例中,所述方法还包括:
当接收到所述可穿戴设备发送的体征状态信息时,根据所述体征状态信息确定所述救援人员的体征状态。
在本申请一些实施例中,在获取待传送参数之后,所述方法还包括:
将所述待传送参数发送到后方指挥中心,所述待传送参数包括所述监控参数,和或所述报警信息,和或所述体征状态信息。
在本申请一些实施例中,所述待传送参数是基于4G或5G高带宽通讯,和或海事卫星通讯传送的。
在本申请一些实施例中,所述传感器组包括:
强余震传感器,用于拾取地面强震运动;
振动倾斜传感器,用于监控破拆作业对废墟不稳定结构造成的结构构件倾斜和不良振动影响;
位移传感器,采用非接触式测量,用于监测废墟整体的位移或周边滑坡体;
裂缝传感器,用于监控墙体裂缝的宽度变化;
气体及温湿度传感器,采用柱状设计,内部串联式将气体传感器和温湿度传感器连接,用于监测救援工作环境的气体参数和温湿度。
相应的,本发明还提出了一种地震救援现场环境的监控设备,所述设备包括:
建立模块,用于根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的;
获取模块,用于基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器;
显示模块,用于根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数;
生成模块,用于当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息。
与现有技术对比,本发明具备以下有益效果:
本发明公开了一种地震救援现场环境的监控方法和设备,该方法包括:根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的;基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器;根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数;当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息,从而更加高效的对地震救援现场环境进行监控,进而可以最大限度的保障救援人员的生命安全。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种地震救援现场环境的监控方法的流程示意图;
图2示出了本发明实施例中地震救援现场环境的监控***的原理示意图;
图3示出了本发明实施例中废墟三维模型建立过程原理示意图;
图4示出了本发明实施例中确定废墟三维模型学习样本第一示意图;
图5示出了本发明实施例中确定废墟三维模型学习样本第二示意图;
图6示出了本发明实施例中确定废墟三维模型学习样本第三示意图;
图7示出了本发明实施例中确定废墟三维模型学习样本第四示意图;
图8示出了本发明实施例中新的特征点集的确定过程示意图;
图9示出了本发明实施例提出的一种地震救援现场环境的监控设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
本发明提供一种地震救援现场环境的监控方法,如图1所示,包括:
步骤S101,根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的。
本实施例中,先基于无人机倾斜摄影获取连续多张照片获取地震救援现场环境的图像集合,包括俯视和各立面视图,要求图片达到60%以上重合度。地震发生后,在尽可能短的时间内,通过无人机搭载摄像机对灾后建筑物进行倾斜摄影。在飞行平台搭载多台航摄像机,同时从垂直、倾斜角度采集影像,获取全方位空间地物信息,然后根据图像集合建立废墟三维模型。
为了建立可靠的废墟三维模型,在本申请一些实施例中,根据地震救援现场环境的图像集合建立废墟三维模型,具体为:
基于空中三角测量对所述图像集合进行处理生成初步模型;
基于机器学习算法获取与所述图像集合对应的自主标记特征点;
根据所述自主标记特征点和人工标记特征点对所述初步模型进行校正,并根据所述校正的结果建立所述废墟三维模型;
其中,所述人工标记特征点是用户在所述图像集合的各网格化图像中标记的,所述人工标记特征点和所述自主标记特征点包括各所述网格化图像中的废墟局部倒塌特征点、裂缝特征点和不规则轮廓边缘特征点。
本实施例中,可以将图像集合导入自动化建模软件进行三维建模。自动建模软件在倾斜摄影影像建模的过程中,对基础影像进行进一步几何校正、联合平差处理。具体包括:利用地面控制点数据、基础影像数据、POS数据进行空中三角测量,得到每张基础影像的精确外方位元素;根据高精度的像元物方坐标,通过多基线、多特征匹配算法获得大量、可靠的同名连接点作为平差条件再进行同名点匹配。
再生成基于真实影像的超高密度点云,基于点云构建三维不规则三角网,生成白模;基于纹理自动贴面技术,生成基于真实影像纹理的高分辨率的初步模型。
然后将图像集合中各图像进行网格化生成网格化图像,用户在各网格化图像中标记人工标记特征点,基于机器学习算法获取与所述图像集合对应的自主标记特征点,人工标记特征点和自主标记特征点包括各网格化图像中的废墟局部倒塌特征点、裂缝特征点和不规则轮廓边缘特征点。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据地震救援现场环境的图像集合建立废墟三维模型的方式均属于本申请的保护范围。
为了准确的确定自主标记特征点,在本申请一些实施例中,基于机器学习算法获取与所述图像集合对应的自主标记特征点,具体为:
基于对所述图像集合中连续n张带有同一人工标记特征点的照片进行灰度处理获取n个二维灰度图像特征矩阵;
基于卷积神经网络建立所述n个二维灰度图像特征矩阵的关联矩阵,所述关联矩阵包括基于拍摄角度变化、光照变化、尺度变化、形变、遮挡变化的关联矩阵;
根据与多个人工标记特征点对应的多个关联矩阵确定学习样本;
基于所述学习样本进行深度学习后获取所述自主标记特征点。
本实施例基于机器学习算法获取自主标记特征点,因此先确定学习样本,包括:
步骤a,对图像集合中连续n张带有同一人工标记特征点的照片进行灰度处理获取n个二维灰度图像特征矩阵;
步骤b,由于存在拍摄角度变化、光照变化、尺度变化、形变、遮挡变化,基于卷积神经网络建立所述n个二维灰度图像特征矩阵的关联矩阵,该关联矩阵包括基于拍摄角度变化、光照变化、尺度变化、形变、遮挡变化的关联矩阵,
步骤c,然后选取多个人工标记特征点,并重复步骤a和步骤b,确定与多个人工标记特征点对应的多个关联矩阵,根据多个关联矩阵确定学习样本。
最后基于学习样本进行深度学习后获取所述自主标记特征点。具体的深度学习过程对于本领域技术人员是显而易见的,在此不再赘述。
步骤S102,基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器。
本实施例中,预先在地震救援现场的多个预设监控点布设包括多个传感器的传感器组,基于传感器组获取地震救援现场环境的监控参数。
为了全面对地震救援现场环境进行监控,在本申请一些实施例中,所述传感器组包括:
强余震传感器,用于拾取地面强震运动;
振动倾斜传感器,用于监控破拆作业对废墟不稳定结构造成的结构构件倾斜和不良振动影响;
位移传感器,采用非接触式测量,用于监测废墟整体的位移或周边滑坡体;
裂缝传感器,用于监控墙体裂缝的宽度变化;
气体及温湿度传感器,采用柱状设计,内部串联式将气体传感器和温湿度传感器连接,用于监测救援工作环境的气体参数和温湿度。
本实施例中,通过设置强余震传感器、振动倾斜传感器、位移传感器、位移传感器、裂缝传感器、气体及温湿度传感器,实现了对对地震救援现场环境的全面监控。
可选的,裂缝传感器可以为拉线式裂缝传感器或应变片式裂缝传感器。拉线式裂缝传感器将传感器两端跨裂缝安装,裂缝宽度变化造成线长度(即改变电阻值)变化;应变片式裂缝传感器将带有张角的夹子形传感器***裂缝中间,裂缝出现变化会改变两片应变片之间夹角(即感生电容值)变化。
本领域技术人员可根据实际需要灵活设置传感器组中传感器的种类和数量,这并不影响本申请的保护范围。
步骤S103,根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数。
本实施例中,该用户可通过手机、平板电脑或个人电脑输入显示指令,在收到该显示指令后,在废墟三维模型上显示各预设监控点和监控参数,如每个监控点显示对应的监控参数,可选的,该监控参数可以为波形参数和或数值参数,从而便于用户或救援人员及时了解各预设监控点的监控参数。
步骤S104,当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息。
本实施例中,预设阈值可以为结构专家对地震救援现场环境进行评估后确定的,当监控参数中存在超过预设阈值的超限参数,说明地震救援现场环境存在不安全的因素,根据超限参数生成报警信息,该报警信息可以包括超限参数和对应的监控点。
为了保证救援人员的安全,在本申请一些实施例中,在根据所述超限参数生成报警信息之后,所述方法还包括:
将所述报警信息发送到现场报警设备,以使所述现场报警设备发出声音和或闪光报警。
本实施例中,地震救援现场环境中设置有现场报警设备,该现场报警设备可以为警灯和或蜂鸣器,将报警信息发送到现场报警设备后,现场报警设备发出声音和或闪光报警,以提示现场救援人员,使现场救援人员准确的评估是否继续救援。
为了避免废墟内救援人员错过报警信号,在本申请一些实施例中,在根据所述超限参数生成报警信息之后,所述方法还包括:
将所述报警信息发送到救援人员的可穿戴设备上,以使所述可穿戴设备发出声音报警,和或闪光报警,和或振动报警。
本实施例中,救援人员佩戴有可穿戴设备,该可穿戴设备至少包括智能手环、手台、头盔中的一种,将报警信息发送到救援人员的可穿戴设备上,可穿戴设备发出声音报警,和或闪光报警,和或振动报警,以使救援人员及时确认报警信息。
为了准确监控救援人员的体征状态,在本申请一些实施例中,所述方法还包括:
当接收到所述可穿戴设备发送的体征状态信息时,根据所述体征状态信息确定所述救援人员的体征状态。
本实施例中,可穿戴设备可检测救援人员的体征状态,在接收到可穿戴设备发送的体征状态信息时,根据体征状态信息确定救援人员的体征状态,从而可以掌握各队员连续作业中的各项身体指标。
为了便于后方指挥中心及时确定地震救援现场环境的情况,在本申请一些实施例中,在获取待传送参数之后,所述方法还包括:
将所述待传送参数发送到后方指挥中心,所述待传送参数包括所述监控参数,和或所述报警信息,和或所述体征状态信息。
本实施例中,在获取监控参数,和或报警信息,和或体征状态信息时,将这些待传送参数发送到后方指挥中心,以使后方指挥中心结合后方专家处置,可以实时调整废墟报警预设阈值和或进行救援人员轮换。
为了避免大地震后常规通讯中断,在本申请优选的实施例中,所述待传送参数是基于4G或5G高带宽通讯,和或海事卫星通讯传送的。
通过应用以上技术方案,根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的;基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器;根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数;当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息,从而更加高效的对地震救援现场环境进行监控,进而可以最大限度的保障救援人员的生命安全。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
本发明实施例提供一种地震救援现场环境的监控方法,如图2所示,在地震搜索救援作业前,救援队的结构专家首先对施救废墟进行现场评估,选取关键的监控点,并完成监控传感器的安装布设,其中:
1、强余震传感器:布设在救援废墟附***整的空旷场地,选取场地条件好的地点,进行稳固连接,如钉入土层或者与固化地面采用工业胶粘贴等,拾取地面强震运动。
2、振动倾斜传感器:布设在废墟上的重要梁板柱等承重结构上,监控破拆作业对废墟不稳定结构造成的,结构构件倾斜和不良振动影响。
3、位移传感器:采用非接触式测量,在废墟周边选取平整场地,架设三脚架等设备进行安装,监控整个救援过程中,废墟整体的位移或者周边滑坡体等次生隐患的位移情况。
4、裂缝传感器:安装在墙体的裂缝上监控裂缝宽度变化。1)拉线式,将传感器两端跨裂缝安装,裂缝宽度变化造成线长度(即改变电阻值)变化;2)应变片式,将带有张角的夹子形传感器***裂缝中间,裂缝出现变化会改变两片应变片之间夹角(即感生电容值)变化。
5、气体、温湿度传感器:采用柱状设计,内部串联式将氧气、二氧化碳、可燃性气体、有毒气体和温湿度等传感器连接,救援时将设备投放入废墟内狭小空间,检测各类气体和救援工作环境的变化。
完成安装布设后,结构专家通过平板电脑等方式基于可视化监控平台中的废墟三维模型设定报警的预设阈值并标识监控点位置,救援人员便通过基于废墟三维模型的交互场景中实时观看各传感器的监测波形和数据。
一旦有监控参数达到预设阈值,便会通过配套的声光电进行现场报警,如警灯、蜂鸣器。为了避免废墟内工作人员错过报警信号,***还可向队员身上的智能手环、手台、头盔等设备进行声、光、振动报警。同时,智能转台设备可以将救援队员体征状态反馈给***,掌握各队员连续作业中的各项身体指标。
可视化监控平台可以基于作业废墟的三维模型将现场废墟监控情况和救援队员体征状态以高精度时空交互模式反馈给后方指挥中心,指挥中心结合后方专家处置,可以实时调整废墟报警参数和队员轮换。
在组网通讯方面,前方网络采用有线和无线自组网混合模式,由于废墟内部裸露钢筋较多的不良影响,个别监控区域采用有线通讯模式,在条件较好地区采用无线自组网模式。通过高带宽局域自组网实现传感器节点、可视化控制平台和队员报警设备的互联互通。为了避免大地震后常规通讯中断,前方控制平台与后方指挥中心之间架设了4G/5G高带宽通讯和海事卫星通讯的同和链路。
传统的倾斜摄影三维模型建模,对于地震废墟等不规则建筑结构处理效率和成功率较低,模型还原度较差,对于复杂废墟基本无法实现正常建模。本发明实施例基于无人机等采集工具进行快速实景三维建模,利用深度学习完成建构筑物废墟倒塌的特征拾取,完成精细化建模。
首先,如图3和图4所示,通过无人机等设备对废墟进行全方位图像采集,包括俯视和各立面视图,要求图片达到60%以上重合度。然后将数据导入***模型计算模块,利用空中三角测量原理完成初步模型,同时利用数据图像处理技术,对废墟照片进行网格化,拾取每个网格中的不规则特征,并进行连续环绕照片的特征点智能关联,建立特征点集,通过深度学习技术对训练点集进行不断迭代训练。
如图3所示,废墟三维模型的建立过程如下:
步骤1,废墟图像特征点人工选取及灰度处理
首先救援人员在废墟典型的环绕的连续n张照片人工标注给出同一特征(点)矩阵P0,P1,P2至Pn,如有代表性废墟局部倒塌、裂缝、不规则轮廓边缘等。然后***将人工标记的原始图片P(x,y)进行去色灰度处理,形成二维灰度图像特征矩阵P(i,j),如图5所示。
步骤2,同一人工标记特征点连续图像间特征关系学习
利用人工标注给出的n张废墟照片的同一特征(点)矩阵P0,P1,P2至Pn开展机器学习,如图6所示。以特征矩阵P0为例通过卷积神经网络方式建立连续两张特征矩阵之间的关联矩阵,包括拍摄角度、光照、尺度、形变、遮挡等多种变化矩阵,同理拓展连续n个图像关联点,以此为学习样本进行特征点识别的机器学习,如下公式一所示:
步骤3,多特征点人工标注增加学习样本
通过以上原理及步骤,向***人工的标注k个特征(点)矩阵,并重复步骤1和步骤2,如图7所示,行程更多的连续n张图像间的特征点变换关系学习样本,找出多组照片中由于如拍摄角度、光照、尺度、形变、遮挡等多种变量导致的变化W,如下公式二所示:
步骤4,不断的迭代学习***
利用多张连续废墟环绕照片,进行不断的图像特征矩阵卷积迭代,***通过不断学习和训练,从而学会自主标记图像控制点,如图8所示。
步骤5,评估与调整
在不断的学习过程中,***通过交叉验证方式来验证学习结果,并进行算法和模型调整,直到达到预设三维建模期望需求为止。最终,基于人工标记特征点和自主标记特征点对初步模型进行校正,丰富建模控制点,提高建模精度。
与本申请实施例中的一种地震救援现场环境的监控方法相对应,本申请实施例还提出了一种地震救援现场环境的监控设备,如图9所示,包括:
建立模块201,用于根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的;
获取模块202,用于基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器;
显示模块203,用于根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数;
生成模块204,用于当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种地震救援现场环境的监控方法,其特征在于,所述方法包括:
根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的;
基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器;
根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数;
当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息。
2.如权利要求1所述的方法,其特征在于,根据地震救援现场环境的图像集合建立废墟三维模型,具体为:
基于空中三角测量对所述图像集合进行处理生成初步模型;
基于机器学习算法获取与所述图像集合对应的自主标记特征点;
根据所述自主标记特征点和人工标记特征点对所述初步模型进行校正,并根据所述校正的结果建立所述废墟三维模型;
其中,所述人工标记特征点是用户在所述图像集合的各网格化图像中标记的,所述人工标记特征点和所述自主标记特征点包括各所述网格化图像中的废墟局部倒塌特征点、裂缝特征点和不规则轮廓边缘特征点。
3.如权利要求2所述的方法,其特征在于,基于机器学习算法获取与所述图像集合对应的自主标记特征点,具体为:
基于对所述图像集合中连续n张带有同一人工标记特征点的照片进行灰度处理获取n个二维灰度图像特征矩阵;
基于卷积神经网络建立所述n个二维灰度图像特征矩阵的关联矩阵,所述关联矩阵包括基于拍摄角度变化、光照变化、尺度变化、形变、遮挡变化的关联矩阵;
根据与多个人工标记特征点对应的多个关联矩阵确定学习样本;
基于所述学习样本进行深度学习后获取所述自主标记特征点。
4.如权利要求1所述的方法,其特征在于,在根据所述超限参数生成报警信息之后,所述方法还包括:
将所述报警信息发送到现场报警设备,以使所述现场报警设备发出声音和或闪光报警。
5.如权利要求1所述的方法,其特征在于,在根据所述超限参数生成报警信息之后,所述方法还包括:
将所述报警信息发送到救援人员的可穿戴设备上,以使所述可穿戴设备发出声音报警,和或闪光报警,和或振动报警。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
当接收到所述可穿戴设备发送的体征状态信息时,根据所述体征状态信息确定所述救援人员的体征状态。
7.如权利要求6所述的方法,其特征在于,在获取待传送参数之后,所述方法还包括:
将所述待传送参数发送到后方指挥中心,所述待传送参数包括所述监控参数,和或所述报警信息,和或所述体征状态信息。
8.如权利要求7所述的方法,其特征在于,所述待传送参数是基于4G或5G高带宽通讯,和或海事卫星通讯传送的。
9.如权利要求1所述的方法,其特征在于,所述传感器组包括:
强余震传感器,用于拾取地面强震运动;
振动倾斜传感器,用于监控破拆作业对废墟不稳定结构造成的结构构件倾斜和不良振动影响;
位移传感器,采用非接触式测量,用于监测废墟整体的位移或周边滑坡体;
裂缝传感器,用于监控墙体裂缝的宽度变化;
气体及温湿度传感器,采用柱状设计,内部串联式将气体传感器和温湿度传感器连接,用于监测救援工作环境的气体参数和温湿度。
10.一种地震救援现场环境的监控设备,其特征在于,所述设备包括:
建立模块,用于根据地震救援现场环境的图像集合建立废墟三维模型,所述图像集合是通过无人机倾斜摄影获取的;
获取模块,用于基于传感器组获取地震救援现场环境的监控参数,所述传感器组包括预先设置在多个预设监控点的多个传感器;
显示模块,用于根据用户输入的显示指令在所述废墟三维模型上显示各所述预设监控点和所述监控参数;
生成模块,用于当所述监控参数中存在超过预设阈值的超限参数时,根据所述超限参数生成报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075386.2A CN112927345B (zh) | 2021-01-20 | 2021-01-20 | 一种地震救援现场环境的监控方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075386.2A CN112927345B (zh) | 2021-01-20 | 2021-01-20 | 一种地震救援现场环境的监控方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927345A true CN112927345A (zh) | 2021-06-08 |
CN112927345B CN112927345B (zh) | 2022-11-15 |
Family
ID=76164667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110075386.2A Active CN112927345B (zh) | 2021-01-20 | 2021-01-20 | 一种地震救援现场环境的监控方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927345B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113703480A (zh) * | 2021-08-27 | 2021-11-26 | 酷黑科技(北京)有限公司 | 一种设备控制方法、装置及飞行控制*** |
CN113791195A (zh) * | 2021-11-16 | 2021-12-14 | 西南交通大学 | 一种获取滑坡支挡结构试验数据的装置及方法 |
CN114463950A (zh) * | 2022-02-22 | 2022-05-10 | 厦门帝嘉科技有限公司 | 一种地震预警信息的无线自组网传输方法 |
CN114779816A (zh) * | 2022-05-17 | 2022-07-22 | 成都工业学院 | 一种面向震后废墟环境起降的搜救无人机及其具有的*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382429A (zh) * | 2008-10-17 | 2009-03-11 | 北京航空航天大学 | 一种地空异构多机器人搜救*** |
CN102005104A (zh) * | 2009-09-02 | 2011-04-06 | 吴立新 | 滑坡***移和姿态远距离快速监测报警装置及方法 |
CN104915806A (zh) * | 2015-07-09 | 2015-09-16 | 南京邮电大学 | 一种地震灾害环境下救援决策方法 |
CN105610902A (zh) * | 2015-12-18 | 2016-05-25 | 中电科信息产业有限公司 | 一种应急救援指挥*** |
US20160163186A1 (en) * | 2014-12-09 | 2016-06-09 | Edison Global Circuits, Llc | Integrated hazard risk management and mitigation system |
CN106302584A (zh) * | 2015-05-22 | 2017-01-04 | 中国科学院上海高等研究院 | 一种人员监测***及方法 |
CN107451723A (zh) * | 2017-07-11 | 2017-12-08 | 成都四平软件有限公司 | 应急救援物联*** |
CN107705514A (zh) * | 2017-11-06 | 2018-02-16 | 汉威科技集团股份有限公司 | 穿戴式预警救援设备及预警救援*** |
CN207587139U (zh) * | 2017-11-06 | 2018-07-06 | 汉威科技集团股份有限公司 | 穿戴式预警救援设备及预警救援*** |
US20200202175A1 (en) * | 2016-07-29 | 2020-06-25 | Hitachi, Ltd. | Database construction system for machine-learning |
-
2021
- 2021-01-20 CN CN202110075386.2A patent/CN112927345B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382429A (zh) * | 2008-10-17 | 2009-03-11 | 北京航空航天大学 | 一种地空异构多机器人搜救*** |
CN102005104A (zh) * | 2009-09-02 | 2011-04-06 | 吴立新 | 滑坡***移和姿态远距离快速监测报警装置及方法 |
US20160163186A1 (en) * | 2014-12-09 | 2016-06-09 | Edison Global Circuits, Llc | Integrated hazard risk management and mitigation system |
CN106302584A (zh) * | 2015-05-22 | 2017-01-04 | 中国科学院上海高等研究院 | 一种人员监测***及方法 |
CN104915806A (zh) * | 2015-07-09 | 2015-09-16 | 南京邮电大学 | 一种地震灾害环境下救援决策方法 |
CN105610902A (zh) * | 2015-12-18 | 2016-05-25 | 中电科信息产业有限公司 | 一种应急救援指挥*** |
US20200202175A1 (en) * | 2016-07-29 | 2020-06-25 | Hitachi, Ltd. | Database construction system for machine-learning |
CN107451723A (zh) * | 2017-07-11 | 2017-12-08 | 成都四平软件有限公司 | 应急救援物联*** |
CN107705514A (zh) * | 2017-11-06 | 2018-02-16 | 汉威科技集团股份有限公司 | 穿戴式预警救援设备及预警救援*** |
CN207587139U (zh) * | 2017-11-06 | 2018-07-06 | 汉威科技集团股份有限公司 | 穿戴式预警救援设备及预警救援*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113703480A (zh) * | 2021-08-27 | 2021-11-26 | 酷黑科技(北京)有限公司 | 一种设备控制方法、装置及飞行控制*** |
CN113791195A (zh) * | 2021-11-16 | 2021-12-14 | 西南交通大学 | 一种获取滑坡支挡结构试验数据的装置及方法 |
CN113791195B (zh) * | 2021-11-16 | 2022-02-08 | 西南交通大学 | 一种获取滑坡支挡结构试验数据的装置及方法 |
CN114463950A (zh) * | 2022-02-22 | 2022-05-10 | 厦门帝嘉科技有限公司 | 一种地震预警信息的无线自组网传输方法 |
CN114779816A (zh) * | 2022-05-17 | 2022-07-22 | 成都工业学院 | 一种面向震后废墟环境起降的搜救无人机及其具有的*** |
Also Published As
Publication number | Publication date |
---|---|
CN112927345B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112927345B (zh) | 一种地震救援现场环境的监控方法和设备 | |
WO2023061039A1 (zh) | 基于物联网的尾矿库风险监测预警*** | |
CN111537515B (zh) | 基于三维实景模型的铁塔螺栓缺陷展示方法和*** | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN111459166B (zh) | 一种灾后救援环境下含受困人员位置信息的情景地图构建方法 | |
CN104239885B (zh) | 一种基于无人机航拍的地震灾害损毁度评估方法 | |
CN111639825B (zh) | 基于A-Star算法的森林火灾指示逃生路径方法及*** | |
JP7065477B2 (ja) | 災害状況判定システムおよび災害判定飛行システム | |
Ahmadian Fard Fini et al. | Using existing site surveillance cameras to automatically measure the installation speed in prefabricated timber construction | |
CN111062150A (zh) | 一种三维可视化工厂管理*** | |
CN115762067B (zh) | 一种基于激光点云与视频数据融合的山体滑坡监测*** | |
CN113240249A (zh) | 基于无人机增强现实的城市工程质量智能评价方法及其*** | |
CN107503792A (zh) | 一种机器人救生方法及*** | |
CN114676763A (zh) | 施工进度信息处理方法 | |
CN102034236B (zh) | 基于一维物体的多相机分层标定方法 | |
CN116738552A (zh) | 一种基于物联网的环境检测设备管理方法及*** | |
CN117876874A (zh) | 基于高点监控视频的森林火灾检测和定位方法及*** | |
CN117726991B (zh) | 一种高空吊篮安全带检测方法及终端 | |
CN116011816A (zh) | 一种面向建筑结构的多灾害监测与预警方法和装置 | |
CN109785574B (zh) | 一种基于深度学习的火灾检测方法 | |
Sanchez-Fernandez et al. | VPP: visibility-based path planning heuristic for monitoring large regions of complex terrain using a UAV onboard camera | |
CN117058855B (zh) | 一种物联网云边通信方法 | |
CN114531700A (zh) | 一种非人工的基站天线工参采集***及方法 | |
CN113010987B (zh) | 一种基于物联网的架空线路施工进度实时判断方法 | |
CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟*** |
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 |