[发明专利]一种卷积神经网络边坡裂缝变化的动态预警方法及系统

权利要求书

1.一种卷积神经网络边坡裂缝变化的动态预警方法，其特征在于：包括，

在边坡对侧安装视频监控设备；

对所述视频监控设备拍摄的图片进行定时处理；

利用卷积神经网络图像识别算法判断处理后的所述图片中边坡是否存在新增裂缝，对多张图片进行深度学习，识别出所述裂缝开展的位置和变化情况；

结合测距和三角函数关系，确定所述边坡发生滑移的范围和初步估算的变形情况并进行预警；

获取所述拍摄图片1080*1080像素区域内各点的R、G、B值，将其转化为灰度图像，转化公式如下：

R_g=（R_h + G_h + B_h）/ 3;

G_g=（R_h + G_h + B_h）/ 3

B_g=（R_h + G_h + B_h）/ 3

其中，R_g是灰度化后R值、G_g灰度化后G值、B_g灰度化后B值，R_h是灰度化前R值，G_h是灰度化前G值，B_h是灰度化前B值；

将原始图像中R、G、B三个通道量值调平；

为了加快图片处理速度，则对图像区域进行编码，包括，

将所述灰度图像分割为4*4的16个网格；

分割后的网格大小为270*270,并依次编号1~16；

在数据处理时逐个对分割后的网格内图像进行分析、识别，输入层参数为270*270*16的格式作为输入层数据；

卷积神经网络结构包括，输入层1个、卷积层5个、池化层3个、全连接层2个和输出层1个；

所述卷积层分为特征提取层即C层、特征映射层即S层，即将上一层输出图像与本层卷积核即权重参数W卷积得到各个所述C层，通过下采样得到各个所述S层，所述C层和所述S层的输出统称为特征图；

计算出其卷积后特征图像feature map输出的大小为：

N=(W-F+2P)/S+1

其中，N表示卷积后宽高（wide/height）大小，W表示输入层尺寸，F表示卷积核尺寸（kernel_size），P表示边缘填充尺寸，S表示步长（padding）；

所述神经网络结构使用了多个尺寸的池化，包括，

S2层卷积所用Pool_size为：4×4、stride为2，池化后S2层神经元个数为32×32×96=98304；

S4层卷积所用Pool_size为：3×3、stride为2，池化后S2神经元个数为16×16×256=65536；

S8层卷积所用Pool_size为：3×3、stride为2，池化后S2神经元个数为7×7×256=12544；

结合测距和三角函数关系，当所述卷积神经网络判定存在裂缝后，则对所述编号进行识别；

从识别结果中提取出16张图片中存在裂缝最大概率的编号，并进行编号查询；

若所述编号存在于数据库中，则开始进行裂缝变化比对；

若所述裂缝不存在所述数据库中时，则新增裂缝编号，并关联于图片区域编号。

2.根据权利要求1所述的卷积神经网络边坡裂缝变化的动态预警方法，其特征在于：所述图片裂缝是否开展判断，基于所述图片灰度范围是否增大，包括，

根据所述卷积神经网络识别出的所述图片区域编码，针对已经经过所述灰度处理的照片中存在的裂缝进行灰度裂缝像素面积比对，面积前后大小发生变化的，则判断裂缝宽度发生了变化，像素比对容许偏差5%。

3.一种应用如权利要求1或2所述的卷积神经网络边坡裂缝变化的动态预警方法的动态预警系统，其特征在于：包括，

采样模块（100），用于拍摄高清图像以用于数据分析和变化对比，为后期开展工作进行数据收集；

数据处理中心模块（200）连接设置于所述采样模块（100）的下表面，其用于接收、存储所述采样模块（100）收集的数据并进行计算，所述数据处理中心模块（200）包括运算单元（201）、数据库（202）和输入输出管理单元（203），所述运算单元（201）与所述采样模块（100）相连接，用于接收所述采样模块（100）获取的图像数据信息以进行运算处理，计算灰度值，对比图像灰度区域幅值大小，所述数据库（202）连接于各个模块，用于存储接收的所有数据信息，为所述数据处理中心模块（200）提供调配供应服务，所述输入输出管理单元（203）用于接收各个模块的信息并输出所述运算单元（201）的运算结果；

预警模块（300）与所述数据处理中心模块（200）相连接并设置于其上表面，所述预警模块（300）用于读取所述运算单元（201）的运算结果以进行动态报警；

所述采样模块（100）采样数据采集传感器，即高清摄像头，其采集的视频图像通过所述输入输出管理单元（203）传回数据监控中心进行保存。