CN116071893A - 基于大数据与计算机视觉的预警中控指挥平台 - Google Patents
基于大数据与计算机视觉的预警中控指挥平台 Download PDFInfo
- Publication number
- CN116071893A CN116071893A CN202310354322.5A CN202310354322A CN116071893A CN 116071893 A CN116071893 A CN 116071893A CN 202310354322 A CN202310354322 A CN 202310354322A CN 116071893 A CN116071893 A CN 116071893A
- Authority
- CN
- China
- Prior art keywords
- image
- mountain
- crack
- pixel point
- data
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/12—Applying verification of the received information
- H04L63/123—Applying verification of the received information received data contents, e.g. message integrity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于大数据与计算机视觉的预警中控指挥平台,包括实时监控模块、数据处理模块、裂缝预警***和中控指挥***,所述数据处理模块设置于实时监控模块上,所述数据处理模块与实时监控模块连接。本发明属于监测预警技术领域,具体是指基于大数据与计算机视觉的预警中控指挥平台,本方案在传输数据前预先通过PRP算法对待检测山体的视频数据中的每一帧图像进行加密,以防止待检测山体的视频数据在传输过程中被不法分子破译和篡改,具有安全性高的优点,同时,本方案能够直接根据监测数据迅速判断是否会发生山体滑坡,并及时对山体滑坡进行预警,使施工人员能够及时撤离,保障了施工人员的人身安全以及财产安全。
Description
技术领域
本发明属于监测预警技术领域,具体是指基于大数据与计算机视觉的预警中控指挥平台。
背景技术
在山区进行施工时,经常遇到各种地质灾害,其中,山体滑坡是严重威胁施工人员的人身安全和造成重大财产损失的地质灾害之一,现有的监测预警***大都通过传感器等监测设备对山体滑坡进行监测,以获取监测数据,采用此方式时,需要在山区预先埋设大量的传感器等监测设备,不仅成本高,且需要安装人员准确选择合适的埋设点和埋设深度,对安装人员的安装经验要求极高,同时,由于山区较为偏僻且人烟稀少,若监控不力,则监测设备易被盗取或破坏,使监测预警***无法正常工作,从而造成经济损失,为此,现有方式通常采用布设更多的监控设备的方式以及定期派遣工作人员进行巡查的方式来提高监控力度,但此方式需要耗费大量的人力物力,从而极大地增加了成本。
现有的监测预警***通过传感器等监测设备实时获取待检测山体的监测数据,但仍需要工作人员根据监测数据做出判断,不能直接根据监测数据判断是否会发生山体滑坡,难以起到及时预警的作用,使施工人员的安全得不到保障,同时,由于山体滑坡过程是动态变化的,而现有的监测预警方式往往仅能粗略判断是否会发生山体滑坡,而不能根据山体滑坡的动态变化准确判断山体滑坡的危险程度,从而导致现有的监测预警方式的准确性较低。
现有的监测预警***的安全性较低,监测数据在传输过程中易被不法分子破译和篡改,从而使数据泄露,甚至导致接收到的信息有误,进而对监测预警过程带来不利影响。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于大数据与计算机视觉的预警中控指挥平台,针对现有的监测预警***的安全性较低以及监测数据易被破译和篡改的技术问题,本方案在传输数据前预先通过PRP算法对待检测山体的视频数据中的每一帧图像进行加密,以防止待检测山体的视频数据在传输过程中被不法分子破译和篡改,具有安全性高的优点;针对现有监测预警***的预警不及时的技术问题,本方案能够直接根据监测数据迅速判断是否会发生山体滑坡,并及时对山体滑坡进行预警,使施工人员能够及时撤离,而不需要工作人员额外花费时间对是否会发生山体滑坡进行判断,保障了施工人员的人身安全以及财产安全。
本发明采取的技术方案如下:本发明提供的基于大数据与计算机视觉的预警中控指挥平台,包括实时监控模块、数据处理模块、裂缝预警***和中控指挥***,所述数据处理模块设置于实时监控模块上,所述数据处理模块与实时监控模块连接,所述中控指挥***与数据处理模块无线连接,所述裂缝预警***与中控指挥***无线连接,所述数据处理模块包括图像获取单元、图像预处理单元、图像判断单元和裂缝数据检测单元,所述实时监控模块采集待检测山体的视频数据,所述实时监控模块设置有加密单元,所述加密单元采用基于超混沌Lorenz***的PRP算法对待检测山体的视频数据中的每一帧图像进行加密,得到加密后的待检测山体的视频数据,所述加密单元采用基于超混沌Lorenz***的PRP算法对待检测山体的视频数据中的每一帧图像进行加密的步骤,包括:
从待检测山体的视频数据中选择一帧图像作为原始帧图像P,原始帧图像P的大小为M×N,选择任意一张与原始帧图像P相同大小的图像作为混合图像RP,使用多图相融加密算法对原始帧图像P和混合图像RP进行处理,得到相融后的图像PRP;
计算混合图像RP中的所有像素值之和sum,通过取余函数得到混合值,将混合值代入Logistic映射,由Logistic映射生成混沌序列,再将混沌序列SE置换成与原始帧图像P大小相同的矩阵数据,其中n=M×N;
将图像PRP中的每个像素点的像素值与矩阵数据中对应位置的像素值通过异或运算得到山体扩散图像;
对山体扩散图像中的像素点进行置换,打乱山体扩散图像中的像素点的原始排列位置,得到山体置换图像;
将山体置换图像中的每个像素点的像素值与矩阵数据中对应位置的像素值通过异或运算求出新的像素值,得到原始帧图像P的加密图像EP;
通过循环执行上述步骤对待检测山体的视频数据中的每一帧图像进行加密,得到加密后的待检测山体的视频数据;
作为本方案的进一步改进,所述使用多图相融加密算法对原始帧图像P和混合图像RP进行处理,得到相融后的图像PRP的步骤,包括:
将原始帧图像P和混合图像RP都置换为二维矩阵数据,将原始帧图像P置换成的二维矩阵数据存储在数组中,将混合图像RP置换成的二维矩阵数据存储在数组中;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,;;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j+1列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i-1行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j-1列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i+1行第j列的像素点的像素值进行异或运算,得到新的点的像素值,并根据新的像素点的像素值生成新的数组,并将数组中的二维矩阵数据转换为相融后的图像PRP,所述新的像素点的像素值的计算公式为:
,
式中,,。
进一步地,所述实时监控模块将待检测山体的视频数据发送至数据处理模块,所述数据处理模块接收来自实时监控模块的待检测山体的视频数据,所述图像获取单元从待检测山体的视频数据中选择一帧山体图像作为基准山体图像,并将基准山体图像发送至图像预处理单元,所述图像预处理单元对基准山体图像进行灰度化处理、图像滤波、图像增强和图像二值化操作,得到基准山体二值图像,所述图像预处理单元将基准山体图像和基准山体二值图像发送至图像判断单元,所述图像判断单元通过卷积神经网络对基准山体二值图像进行处理,得到基准山体二值图像中是否存在裂缝的检测结果,若检测结果为不存在裂缝,则忽略检测结果,并通过图像获取单元从待检测山体的视频数据中选择与基准山体图像相邻的下一帧山体图像作为新的基准山体图像,并将新的基准山体图像发送至图像预处理单元,若存在裂缝,则图像判断单元将存在裂缝的基准山体图像和基准山体二值图像发送至裂缝数据检测单元,所述裂缝数据检测单元向中控指挥***发送一级预警报文,所述中控指挥***接收到一级预警报文后向裂缝预警***发送一级指挥信息,所述裂缝预警***接收到一级指挥信息后以语音广播和警示灯的形式向施工人员传递一级指挥信息。
进一步地,所述裂缝数据检测单元预先存储有待检测山体的实际高度H,所述裂缝数据检测单元接收来自图像判断单元的基准山体图像和基准山体二值图像,所述裂缝数据检测单元获取基准山体图像中的待检测山体的高度对应的像素点的个数N,并计算出单个像素点对应的待检测山体的实际尺寸H/N;所述基准山体二值图像设有区域一,所述区域一为基准山体二值图像的裂缝区域,所述裂缝数据检测单元获取基准山体二值图像的裂缝区域的像素点的总个数,并计算出基准山体二值图像的裂缝区域的实际面积,所述基准山体二值图像的裂缝区域的实际面积的计算公式为:
,
式中,为基准山体二值图像的裂缝区域的像素点的总个数,为基准山体二值图像的裂缝区域的实际面积。
作为本方案的进一步改进,所述裂缝数据检测单元获取基准山体二值图像的裂缝区域的两条边缘线的像素点的总个数,并计算出基准山体二值图像的裂缝区域的长度和宽度,所述基准山体二值图像的裂缝区域的长度和宽度的计算公式为:
,
,
式中,为基准山体二值图像的裂缝区域的长度,为基准山体二值图像的裂缝区域的宽度。
作为本方案的进一步改进,所述图像获取单元从待检测山体的视频数据中获取与基准山体图像相邻的下一帧山体图像,并将与基准山体图像相邻的下一帧山体图像设置为相邻山体图像,所述图像预处理单元对相邻山体图像进行灰度化处理、图像滤波、图像增强和图像二值化操作,得到相邻山体二值图像,所述相邻山体二值图像设有区域二,所述区域二为相邻山体二值图像的裂缝区域,所述裂缝数据检测单元获取相邻山体二值图像的裂缝区域的像素点的总个数,并计算出相邻山体二值图像的裂缝区域的实际面积,所述相邻山体二值图像的裂缝区域的实际面积的计算公式为:
,
式中,为相邻山体二值图像的裂缝区域的像素点的总个数,为相邻山体二值图像的裂缝区域的实际面积。
作为本方案的进一步改进,所述裂缝数据检测单元获取相邻山体二值图像的裂缝区域的两条边缘线的像素点的总个数,并计算出相邻山体二值图像的裂缝区域的长度和宽度,所述相邻山体二值图像的裂缝区域的长度和宽度的计算公式为:
,
,
式中,为相邻山体二值图像的裂缝区域的长度,为相邻山体二值图像的裂缝区域的宽度。
作为本方案的进一步改进,所述裂缝数据检测单元内预先设置有裂缝增长面积预警阈值,并根据基准山体二值图像的裂缝区域的实际面积、相邻山体二值图像的裂缝区域的实际面积、基准山体二值图像的裂缝区域的长度、相邻山体二值图像的裂缝区域的长度、基准山体二值图像的裂缝区域的宽度和相邻山体二值图像的裂缝区域的宽度计算得到裂缝增长面积、裂缝增长长度和裂缝增长宽度,所述裂缝增长面积、裂缝增长长度和裂缝增长宽度的计算公式为:
,
,
,
所述裂缝数据检测单元对裂缝增长面积和裂缝增长面积预警阈值进行比较,当时,所述裂缝数据检测单元向中控指挥***发送二级预警报文,所述中控指挥***接收到二级预警报文后向裂缝预警***发送二级指挥信息,所述裂缝预警***接收到二级指挥信息后以语音广播和警示灯的形式向施工人员传递二级指挥信息;当,裂缝数据检测单元不发送二级预警报文。
优选的,所述实时监控模块将加密后的待检测山体的视频数据发送至中控指挥***,所述中控指挥***设置有解密单元和实时监测单元,所述解密单元对加密后的待检测山体的视频数据进行解密,将加密后的待检测山体的视频数据还原成加密前的待检测山体的视频数据,所述实时监测单元对加密前的待检测山体的视频数据进行展示。
采用上述方案本发明取得的有益效果如下:
(1)针对现有的监测预警***的安全性较低以及监测数据易被破译和篡改的技术问题,本方案在传输数据前预先通过PRP算法对待检测山体的视频数据中的每一帧图像进行加密,以防止待检测山体的视频数据在传输过程中被不法分子破译和篡改,具有安全性高的优点。
(2)针对现有监测预警***的预警不及时的技术问题,本方案能够直接根据监测数据迅速判断是否会发生山体滑坡,并及时对山体滑坡进行预警,使施工人员能够及时撤离,而不需要工作人员额外花费时间对是否会发生山体滑坡进行判断,保障了施工人员的人身安全以及财产安全。
(3)同时,本方案不仅能够根据监测数据迅速判断是否会发生山体滑坡,且能够根据山体滑坡的动态变化准确判断山体滑坡的危险程度,并根据危险程度分等级进行预警,准确性较高。
(4)本方案不需要埋设大量的传感器等监测设备,仅需要通过实时监控模块对监测信息进行采集,解决了现有的监测预警方式因需要预先埋设大量的传感器等监测设备导致的安装要求高、监控力度大且需要耗费的大量的人力物力技术问题。
附图说明
图1为本发明提供的基于大数据与计算机视觉的预警中控指挥平台的结构框图;
图2为数据处理模块的结构框图;
图3为中控指挥***的结构框图;
图4为实施例一的对待检测山体的视频数据进行加密的流程示意图;
图5为实施例一的通过多图相融加密算法得到相融后的图像PRP的流程示意图;
图6为实施例二的预警过程的流程示意图;
图7为步骤S21的流程示意图;
图8为步骤S22的流程示意图;
图9为步骤S23的流程示意图。
其中,1000、实时监控模块,2000、数据处理模块,2001、图像获取单元,2002、图像预处理单元,2003、图像判断单元,2004、裂缝数据检测单元,3000、裂缝预警***,4000、中控指挥***,4001、实时监测单元。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1、图2、图3、图4和图5,本发明提供的基于大数据与计算机视觉的预警中控指挥平台,包括实时监控模块1000、数据处理模块2000、裂缝预警***3000和中控指挥***4000,所述数据处理模块2000设置于实时监控模块1000上,所述数据处理模块2000与实时监控模块1000连接,所述中控指挥***4000与数据处理模块2000无线连接,所述裂缝预警***3000与中控指挥***4000无线连接,所述数据处理模块2000包括图像获取单元2001、图像预处理单元2002、图像判断单元2003和裂缝数据检测单元2004,所述实时监控模块1000采集待检测山体的视频数据,所述实时监控模块1000设置有加密单元,所述加密单元采用基于超混沌Lorenz***的PRP算法对待检测山体的视频数据中的每一帧图像进行加密,得到加密后的待检测山体的视频数据,所述加密单元采用基于超混沌Lorenz***的PRP算法对待检测山体的视频数据中的每一帧图像进行加密的过程,由以下步骤实现:
步骤S11:从待检测山体的视频数据中选择一帧图像作为原始帧图像P,原始帧图像P的大小为M×N,选择任意一张与原始帧图像P相同大小的图像作为混合图像RP,使用多图相融加密算法对原始帧图像P和混合图像RP进行处理,得到相融后的图像PRP;
步骤S12:计算混合图像RP中的所有像素值之和sum,通过取余函数得到混合值,将混合值代入Logistic映射,由Logistic映射生成混沌序列,再将混沌序列SE置换成与原始帧图像P大小相同的矩阵数据,其中n=M×N;
步骤S13:将图像PRP中的每个像素点的像素值与矩阵数据中对应位置的像素值通过异或运算得到山体扩散图像;
步骤S14:对山体扩散图像中的像素点进行置换,打乱山体扩散图像中的像素点的原始排列位置,得到山体置换图像;
步骤S15:将山体置换图像中的每个像素点的像素值与矩阵数据中对应位置的像素值通过异或运算求出新的像素值,得到原始帧图像P的加密图像EP;
通过循环执行上述步骤对待检测山体的视频数据中的每一帧图像进行加密,得到加密后的待检测山体的视频数据;
所述使用多图相融加密算法对原始帧图像P和混合图像RP进行处理,得到相融后的图像PRP的过程,由以下步骤实现:
步骤S111:将原始帧图像P和混合图像RP都置换为二维矩阵数据,将原始帧图像P置换成的二维矩阵数据存储在数组中,将混合图像RP置换成的二维矩阵数据存储在数组中;
步骤S112:对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
步骤S113:对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,;;
步骤S114:对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j+1列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
步骤S115:对数组中位于第i行第j列的像素点的像素值和数组中位于第i-1行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
步骤S116:对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j-1列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
步骤S117:对数组中位于第i行第j列的像素点的像素值和数组中位于第i+1行第j列的像素点的像素值进行异或运算,得到新的点的像素值,并根据新的像素点的像素值生成新的数组,并将数组中的二维矩阵数据转换为相融后的图像PRP,所述新的像素点的像素值的计算公式为:
,
式中,,;
通过执行上述操作,待检测山体的视频数据得以在传输前被加密处理,极大的提高了安全性,能够有效防止待检测山体的视频数据在传输过程中被不法分子破译和篡改,保证了预警过程的顺利进行。
实施例二,该实施例基于上述实施例,参阅图1、图2、图3、图6、图7、图8和图9,本方案能够直接根据采集到的待检测山体的视频数据迅速判断是否会发生山体滑坡,并及时对山体滑坡进行预警,同时,本方案能够根据山体滑坡的动态变化准确判断山体滑坡的危险程度,并根据危险程度分等级进行预警,预警过程包括以下步骤:
步骤S21:获取待检测山体的视频数据,步骤S21包括步骤S211和步骤S212;
在步骤S211中,实时监控模块1000采集待检测山体的视频数据,并将待检测山体的视频数据发送至数据处理模块2000;
在步骤S212中,数据处理模块2000接收来自实时监控模块1000的待检测山体的视频数据;
步骤S22:一级指挥预警,步骤S22包括步骤S221、步骤S222、步骤S223和步骤S224;
在步骤S221中,图像获取单元2001从待检测山体的视频数据中选择一帧山体图像作为基准山体图像,并将基准山体图像发送至图像预处理单元2002;
在步骤S222中,图像预处理单元2002对基准山体图像进行灰度化处理、图像滤波、图像增强和图像二值化操作,得到基准山体二值图像,图像预处理单元2002将基准山体图像和基准山体二值图像发送至图像判断单元2003,图像判断单元2003通过卷积神经网络对基准山体二值图像进行处理,得到基准山体二值图像中是否存在裂缝的检测结果;
在步骤S223中,若检测结果为不存在裂缝,则忽略检测结果,并通过图像获取单元2001从待检测山体的视频数据中选择与基准山体图像相邻的下一帧山体图像作为新的基准山体图像,并将新的基准山体图像发送至图像预处理单元2002;
在步骤S224中,若存在裂缝,则图像判断单元2003将存在裂缝的基准山体图像和基准山体二值图像发送至裂缝数据检测单元2004,裂缝数据检测单元2004向中控指挥***4000发送一级预警报文,中控指挥***4000接收到一级预警报文后向裂缝预警***3000发送一级指挥信息,裂缝预警***3000接收到一级指挥信息后以语音广播和警示灯的形式向施工人员传递一级指挥信息;
步骤S23:二级指挥预警,步骤S23包括步骤S231、步骤S232、步骤S233、步骤S234和步骤S235;
在步骤S231中,裂缝数据检测单元2004预先存储有待检测山体的实际高度H,所述裂缝数据检测单元2004接收来自图像判断单元2003的基准山体图像和基准山体二值图像,所述裂缝数据检测单元2004获取基准山体图像中的待检测山体的高度对应的像素点的个数N,并计算出单个像素点对应的待检测山体的实际尺寸H/N;所述基准山体二值图像设有区域一,所述区域一为基准山体二值图像的裂缝区域,所述裂缝数据检测单元2004获取基准山体二值图像的裂缝区域的像素点的总个数,并计算出基准山体二值图像的裂缝区域的实际面积,裂缝数据检测单元2004获取基准山体二值图像的裂缝区域的两条边缘线的像素点的总个数,并计算出基准山体二值图像的裂缝区域的长度和宽度,所述基准山体二值图像的裂缝区域的实际面积的计算公式为:
,
式中,为基准山体二值图像的裂缝区域的像素点的总个数,为基准山体二值图像的裂缝区域的实际面积;
所述基准山体二值图像的裂缝区域的长度和宽度的计算公式为:
,
,
式中,为基准山体二值图像的裂缝区域的长度,为基准山体二值图像的裂缝区域的宽度;
在步骤S232中,图像获取单元2001从待检测山体的视频数据中获取与基准山体图像相邻的下一帧山体图像,并将与基准山体图像相邻的下一帧山体图像设置为相邻山体图像,图像预处理单元2002对相邻山体图像进行灰度化处理、图像滤波、图像增强和图像二值化操作,得到相邻山体二值图像,相邻山体二值图像设有区域二,区域二为相邻山体二值图像的裂缝区域,裂缝数据检测单元2004获取相邻山体二值图像的裂缝区域的像素点的总个数,并计算出相邻山体二值图像的裂缝区域的实际面积,相邻山体二值图像的裂缝区域的实际面积的计算公式为:
,
式中,为相邻山体二值图像的裂缝区域的像素点的总个数,为相邻山体二值图像的裂缝区域的实际面积;
在步骤S233中,裂缝数据检测单元2004获取相邻山体二值图像的裂缝区域的两条边缘线的像素点的总个数,并计算出相邻山体二值图像的裂缝区域的长度和宽度,相邻山体二值图像的裂缝区域的长度和宽度的计算公式为:
,
,
式中,为相邻山体二值图像的裂缝区域的长度,为相邻山体二值图像的裂缝区域的宽度。
在步骤S234中,裂缝数据检测单元2004内预先设置有裂缝增长面积预警阈值,并根据基准山体二值图像的裂缝区域的实际面积、相邻山体二值图像的裂缝区域的实际面积、基准山体二值图像的裂缝区域的长度、相邻山体二值图像的裂缝区域的长度、基准山体二值图像的裂缝区域的宽度和相邻山体二值图像的裂缝区域的宽度计算得到裂缝增长面积、裂缝增长长度和裂缝增长宽度,所述裂缝增长面积、裂缝增长长度和裂缝增长宽度的计算公式为:
,
,
;
在步骤S235中,裂缝数据检测单元2004对裂缝增长面积和裂缝增长面积预警阈值进行比较,当时,裂缝数据检测单元2004向中控指挥***4000发送二级预警报文,中控指挥***4000接收到二级预警报文后向裂缝预警***3000发送二级指挥信息,裂缝预警***3000接收到二级指挥信息后以语音广播和警示灯的形式向施工人员传递二级指挥信息;当,裂缝数据检测单元2004不发送二级预警报文;
在山体滑坡发生前,待检测山体上会出现裂缝,通过上述操作能够在第一时间监测到裂缝存在,及时进行一级指挥预警,向施工人员传递一级指挥信息,使施工人员能够及时撤离,保障了施工人员的人身安全以及财产安全;
同时,本方案能够根据山体滑坡的动态变化准确判断山体滑坡的危险程度,并根据危险程度分等级进行预警,当时,表明裂缝迅速扩大,滑坡处于临滑状态,而山体滑坡的危险程度也随之急剧增加,此时,本方案及时进行二级指挥预警,并向施工人员传递二级指挥信息。
实施例三,该实施例基于上述实施例,参阅图1和图3,所述实时监控模块1000将加密后的待检测山体的视频数据发送至中控指挥***4000,所述中控指挥***4000设置有解密单元和实时监测单元4001,所述解密单元对加密后的待检测山体的视频数据进行解密,将加密后的待检测山体的视频数据还原成加密前的待检测山体的视频数据,所述实时监测单元4001对加密前的待检测山体的视频数据进行展示。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (10)
1.基于大数据与计算机视觉的预警中控指挥平台,其特征在于:包括实时监控模块(1000)、数据处理模块(2000)、裂缝预警***(3000)和中控指挥***(4000),所述数据处理模块(2000)设置于实时监控模块(1000)上,所述数据处理模块(2000)与实时监控模块(1000)连接,所述中控指挥***(4000)与数据处理模块(2000)无线连接,所述裂缝预警***(3000)与中控指挥***(4000)无线连接,所述数据处理模块(2000)包括图像获取单元(2001)、图像预处理单元(2002)、图像判断单元(2003)和裂缝数据检测单元(2004),所述实时监控模块(1000)采集待检测山体的视频数据,所述实时监控模块(1000)设置有加密单元,所述加密单元采用基于超混沌Lorenz***的PRP算法对待检测山体的视频数据中的每一帧图像进行加密,得到加密后的待检测山体的视频数据,所述加密单元采用基于超混沌Lorenz***的PRP算法对待检测山体的视频数据中的每一帧图像进行加密的步骤,包括:
从待检测山体的视频数据中选择一帧图像作为原始帧图像P,所述原始帧图像P的大小为M×N,选择任意一张与原始帧图像P相同大小的图像作为混合图像RP,使用多图相融加密算法对原始帧图像P和混合图像RP进行处理,得到相融后的图像PRP;
计算混合图像RP中的所有像素值之和sum,通过取余函数 得到混合值,将混合值代入Logistic映射,由Logistic映射生成混沌序列,再将混沌序列SE置换成与原始帧图像P大小相同的矩阵数据,其中n=M×N;
将图像PRP中的每个像素点的像素值与矩阵数据中对应位置的像素值通过异或运算得到山体扩散图像;
对山体扩散图像中的像素点进行置换,打乱山体扩散图像中的像素点的原始排列位置,得到山体置换图像;
将山体置换图像中的每个像素点的像素值与矩阵数据中对应位置的像素值通过异或运算求出新的像素值,得到原始帧图像P的加密图像EP;
通过循环执行上述步骤对待检测山体的视频数据中的每一帧图像进行加密,得到加密后的待检测山体的视频数据。
2.根据权利要求1所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述使用多图相融加密算法对原始帧图像P和混合图像RP进行处理,得到相融后的图像PRP的步骤,包括:
将原始帧图像P和混合图像RP都置换为二维矩阵数据,将原始帧图像P置换成的二维矩阵数据存储在数组中,将混合图像RP置换成的二维矩阵数据存储在数组中;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j+1列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i-1行第j列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i行第j-1列的像素点的像素值进行异或运算,得到新的像素点的像素值,并根据新的像素点的像素值生成新的数组,所述新的像素点的像素值的计算公式为:
,
式中,,;
对数组中位于第i行第j列的像素点的像素值和数组中位于第i+1行第j列的像素点的像素值进行异或运算,得到新的点的像素值,并根据新的像素点的像素值生成新的数组,并将数组中的二维矩阵数据转换为相融后的图像PRP,所述新的像素点的像素值的计算公式为:
,
式中,,。
3.根据权利要求2所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述实时监控模块(1000)将待检测山体的视频数据发送至数据处理模块(2000),所述数据处理模块(2000)接收来自实时监控模块(1000)的待检测山体的视频数据,所述图像获取单元(2001)从待检测山体的视频数据中选择一帧山体图像作为基准山体图像,并将基准山体图像发送至图像预处理单元(2002),所述图像预处理单元(2002)对基准山体图像进行灰度化处理、图像滤波、图像增强和图像二值化操作,得到基准山体二值图像,所述图像预处理单元(2002)将基准山体图像和基准山体二值图像发送至图像判断单元(2003),所述图像判断单元(2003)通过卷积神经网络对基准山体二值图像进行处理,得到基准山体二值图像中是否存在裂缝的检测结果,若检测结果为不存在裂缝,则忽略检测结果,并通过图像获取单元(2001)从待检测山体的视频数据中选择与基准山体图像相邻的下一帧山体图像作为新的基准山体图像,并将新的基准山体图像发送至图像预处理单元(2002),若存在裂缝,则图像判断单元(2003)将存在裂缝的基准山体图像和基准山体二值图像发送至裂缝数据检测单元(2004),所述裂缝数据检测单元(2004)向中控指挥***(4000)发送一级预警报文,所述中控指挥***(4000)接收到一级预警报文后向裂缝预警***(3000)发送一级指挥信息,所述裂缝预警***(3000)接收到一级指挥信息后以语音广播和警示灯的形式向施工人员传递一级指挥信息。
4.根据权利要求3所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述裂缝数据检测单元(2004)预先存储有待检测山体的实际高度H,所述裂缝数据检测单元(2004)接收来自图像判断单元(2003)的基准山体图像和基准山体二值图像,所述裂缝数据检测单元(2004)获取基准山体图像中的待检测山体的高度对应的像素点的个数N,并计算出单个像素点对应的待检测山体的实际尺寸H/N。
5.根据权利要求4所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述基准山体二值图像设有区域一,所述区域一为基准山体二值图像的裂缝区域,所述裂缝数据检测单元(2004)获取基准山体二值图像的裂缝区域的像素点的总个数,并计算出基准山体二值图像的裂缝区域的实际面积,所述基准山体二值图像的裂缝区域的实际面积的计算公式为:
,
式中,为基准山体二值图像的裂缝区域的像素点的总个数,为基准山体二值图像的裂缝区域的实际面积。
6.根据权利要求5所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述裂缝数据检测单元(2004)获取基准山体二值图像的裂缝区域的两条边缘线的像素点的总个数,并计算出基准山体二值图像的裂缝区域的长度和宽度,所述基准山体二值图像的裂缝区域的长度和宽度的计算公式为:
,
,
式中,为基准山体二值图像的裂缝区域的长度,为基准山体二值图像的裂缝区域的宽度。
7.根据权利要求6所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述图像获取单元(2001)从待检测山体的视频数据中获取与基准山体图像相邻的下一帧山体图像,并将与基准山体图像相邻的下一帧山体图像设置为相邻山体图像,所述图像预处理单元(2002)对相邻山体图像进行灰度化处理、图像滤波、图像增强和图像二值化操作,得到相邻山体二值图像,所述相邻山体二值图像设有区域二,所述区域二为相邻山体二值图像的裂缝区域,所述裂缝数据检测单元(2004)获取相邻山体二值图像的裂缝区域的像素点的总个数,并计算出相邻山体二值图像的裂缝区域的实际面积,所述相邻山体二值图像的裂缝区域的实际面积的计算公式为:
,
式中,为相邻山体二值图像的裂缝区域的像素点的总个数,为相邻山体二值图像的裂缝区域的实际面积。
8.根据权利要求7所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述裂缝数据检测单元(2004)获取相邻山体二值图像的裂缝区域的两条边缘线的像素点的总个数,并计算出相邻山体二值图像的裂缝区域的长度和宽度,所述相邻山体二值图像的裂缝区域的长度和宽度的计算公式为:
,
,
式中,为相邻山体二值图像的裂缝区域的长度,为相邻山体二值图像的裂缝区域的宽度。
9.根据权利要求8所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述裂缝数据检测单元(2004)内预先设置有裂缝增长面积预警阈值,并根据基准山体二值图像的裂缝区域的实际面积、相邻山体二值图像的裂缝区域的实际面积、基准山体二值图像的裂缝区域的长度、相邻山体二值图像的裂缝区域的长度、基准山体二值图像的裂缝区域的宽度和相邻山体二值图像的裂缝区域的宽度计算得到裂缝增长面积、裂缝增长长度和裂缝增长宽度,所述裂缝增长面积、裂缝增长长度和裂缝增长宽度的计算公式为:
,
,
,
所述裂缝数据检测单元(2004)对裂缝增长面积和裂缝增长面积预警阈值进行比较,当时,所述裂缝数据检测单元(2004)向中控指挥***(4000)发送二级预警报文,所述中控指挥***(4000)接收到二级预警报文后向裂缝预警***(3000)发送二级指挥信息,所述裂缝预警***(3000)接收到二级指挥信息后以语音广播和警示灯的形式向施工人员传递二级指挥信息;当,裂缝数据检测单元(2004)不发送二级预警报文。
10.根据权利要求1所述的基于大数据与计算机视觉的预警中控指挥平台,其特征在于:所述实时监控模块(1000)将加密后的待检测山体的视频数据发送至中控指挥***(4000),所述中控指挥***(4000)设置有解密单元和实时监测单元(4001),所述解密单元对加密后的待检测山体的视频数据进行解密,将加密后的待检测山体的视频数据还原成加密前的待检测山体的视频数据,所述实时监测单元(4001)对加密前的待检测山体的视频数据进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310354322.5A CN116071893B (zh) | 2023-04-06 | 2023-04-06 | 基于大数据与计算机视觉的预警中控指挥平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310354322.5A CN116071893B (zh) | 2023-04-06 | 2023-04-06 | 基于大数据与计算机视觉的预警中控指挥平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116071893A true CN116071893A (zh) | 2023-05-05 |
CN116071893B CN116071893B (zh) | 2023-07-14 |
Family
ID=86177131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310354322.5A Active CN116071893B (zh) | 2023-04-06 | 2023-04-06 | 基于大数据与计算机视觉的预警中控指挥平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071893B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005166054A (ja) * | 2003-12-02 | 2005-06-23 | Takashi Gomi | 動画像処理装置、及び映像監視システム |
CN101902576A (zh) * | 2010-08-02 | 2010-12-01 | 华南师范大学 | 视频加密摄像机及其加密方法 |
CN104992429A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
CN109840483A (zh) * | 2019-01-11 | 2019-06-04 | 深圳大学 | 一种滑坡裂缝检测与识别的方法及装置 |
WO2019172807A1 (ru) * | 2018-03-07 | 2019-09-12 | Василий Федорович ГОРДЕЕВ | Способ мониторинга и прогнозирования сейсмической опасности |
CN209745231U (zh) * | 2019-05-30 | 2019-12-06 | 大连理工大学 | 基于单目视觉的边坡地表三维位移实时在线监测*** |
CN112560587A (zh) * | 2020-11-27 | 2021-03-26 | 贵州中建建筑科研设计院有限公司 | 一种卷积神经网络边坡裂缝变化的动态预警方法及*** |
CN112653870A (zh) * | 2020-08-07 | 2021-04-13 | 柳州市云奇伟业信息技术有限公司 | 一种基于大数据的异常行为预警*** |
CN115035182A (zh) * | 2022-06-06 | 2022-09-09 | 桂林理工大学 | 一种山区滑坡灾害预警方法及*** |
CN115325928A (zh) * | 2022-10-17 | 2022-11-11 | 西北大学 | 一种基于北斗通信的滑坡地表裂缝综合监测*** |
-
2023
- 2023-04-06 CN CN202310354322.5A patent/CN116071893B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005166054A (ja) * | 2003-12-02 | 2005-06-23 | Takashi Gomi | 動画像処理装置、及び映像監視システム |
CN101902576A (zh) * | 2010-08-02 | 2010-12-01 | 华南师范大学 | 视频加密摄像机及其加密方法 |
CN104992429A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
WO2019172807A1 (ru) * | 2018-03-07 | 2019-09-12 | Василий Федорович ГОРДЕЕВ | Способ мониторинга и прогнозирования сейсмической опасности |
CN109840483A (zh) * | 2019-01-11 | 2019-06-04 | 深圳大学 | 一种滑坡裂缝检测与识别的方法及装置 |
CN209745231U (zh) * | 2019-05-30 | 2019-12-06 | 大连理工大学 | 基于单目视觉的边坡地表三维位移实时在线监测*** |
CN112653870A (zh) * | 2020-08-07 | 2021-04-13 | 柳州市云奇伟业信息技术有限公司 | 一种基于大数据的异常行为预警*** |
CN112560587A (zh) * | 2020-11-27 | 2021-03-26 | 贵州中建建筑科研设计院有限公司 | 一种卷积神经网络边坡裂缝变化的动态预警方法及*** |
CN115035182A (zh) * | 2022-06-06 | 2022-09-09 | 桂林理工大学 | 一种山区滑坡灾害预警方法及*** |
CN115325928A (zh) * | 2022-10-17 | 2022-11-11 | 西北大学 | 一种基于北斗通信的滑坡地表裂缝综合监测*** |
Non-Patent Citations (2)
Title |
---|
李方书;: "基于无线传感器网络的山体滑坡监测预警***研究", 电子世界, no. 22 * |
汪勍等, 《技术研究》, pages 76 - 86 * |
Also Published As
Publication number | Publication date |
---|---|
CN116071893B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101430195B (zh) | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 | |
CN102236947B (zh) | 基于视频摄像机的火焰监测方法与*** | |
CN104240239A (zh) | 一种基于道路图像探测局域路段雾霾天气的检测方法 | |
CN210691345U (zh) | 一种基于深度学习的云智能安检辅助*** | |
CN109782364B (zh) | 基于机器视觉的交通标志牌缺失检测方法 | |
CN104200673B (zh) | 一种基于道路图像的路面湿滑检测方法 | |
CN110636281B (zh) | 一种基于背景模型的监控摄像头遮挡实时检测方法 | |
CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
CN116071893B (zh) | 基于大数据与计算机视觉的预警中控指挥平台 | |
CN112530144A (zh) | 一种基于神经网络的火力发电厂违规行为警示方法和*** | |
CN111627006A (zh) | 基于区块链和cim的集装箱锁孔堵塞检测方法 | |
CN102479416A (zh) | 消除监控***中误报警的方法、***及装置 | |
CN1413417A (zh) | 图象数据处理 | |
CN113420695A (zh) | 一种基于MSRCR和YOLOv4-Tiny算法的火焰快速检测方法 | |
CN117163595A (zh) | 一种水泥原料输送带断料的检测方法 | |
KR101263894B1 (ko) | 수배차량의 추적장치 및 그 방법 | |
CN112598865A (zh) | 一种电缆线路防外力破坏的监控方法及*** | |
KR101564223B1 (ko) | 지반침하를 예방하기 위한 하수관거 점검시스템 | |
CN212516078U (zh) | 电铲铲齿丢失智能监测及报警*** | |
KR101224534B1 (ko) | 모션인식 기능을 가지는 이미지프로세싱에 의한 자동화재인식 시스템 | |
KR102377393B1 (ko) | 중장비 및 가스관 인식용 영상 분석 방법 및 시스템 | |
CN111079642B (zh) | 线路可移动监控方法及装置及计算机可读介质 | |
CN112047057A (zh) | 物料传送设备的安全监控方法及*** | |
JP2005176077A (ja) | カメラ監視システムおよびその監視制御方法。 | |
CN114863622A (zh) | 用于广场的智能管控方法、***及存储介质 |
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 |