基于无人机非接触式高边坡表面位移监测方法及监测系统与流程

本发明涉及高边坡表面位移监测技术领域，更具体的说是涉及基于无人机非接触式高边坡表面位移监测方法及监测系统。

背景技术：

随着我国高速公路的迅猛发展和工程建设水平的不断提高，高速公路能够在更为高陡、复杂的地形条件下进行建设，因此在施工过程中不可避免的会遇到众多的高边坡工程问题。工程高边坡的开挖，必然引起影响范围内岩体的变形，地应力随之释放和调整，对边坡的稳定性产生不利影响。边坡岩土安全状态直接关系到道路施工的安全，因此，适应边坡赋存环境及施工全过程的安全评价与灾害预警问题，已经成为高速公路施工过程中的必要环节和热点技术问题。而对于边坡的稳定性分析而言，进行边坡变形分析又是其中最为核心的内容，因而对高陡边坡进行变形监测就十分必要。

现如今，从监测方案考虑，常见的对于高陡边坡变形检测的方法主要有以下几种：运用以人工巡检为主的传统监测方式、运用全站仪等测量仪器现场测量、利用变形计形成物联网监测、利用gprs定位监测等。在实际运用过程中，上述现有高边坡监测方法所存在的缺点分析如下：

第一、人工巡检传统监测法：适用于较为平缓，方便巡检员巡视的边坡，此方法耗费人力，边坡监测精度很低，检测范围有限，巡检员的安全没有保障；

第二、全站仪等仪器现场测量法：适用于方便找到固定监测点，易于安放监测仪器的边坡，此方法作业量大，仪器设备费用高，耗费人力，测量精度低，监测范围有限；

第三、物联网变形计检测法：适用于监测范围大，精度要求高，方便埋设变形计的边坡，此方法需埋设较多变形计，成本高，仪器出现问题难以排查。

第四、gprs定位监测法：适用于监测范围大，边坡陡峭的边坡，此方法成本较高，会出现数据传输误码、定位存在偏差等技术问题。

由此可知，虽然目前边坡变形监测的方法很多，但各种方式都存在诸如耗费大量人力物力、仪器容易损坏等不同的缺陷，并且缺乏规范。

因此，如何提供一种节约成本、实施简单且监测精度高的高边坡表面位移监测方法是本领域技术人员亟需解决的问题。

技术实现要素：

有鉴于此，本发明提供了一种基于无人机的非接触式高边坡表面位移监测方法，其方法步骤简单、实现方便、可操作性强,大幅度提高了高边坡的监测效率，节约了成本，而且能确保满足施工监测要求的监测精度。

为了实现上述目的，本发明采用如下技术方案：

一种基于无人机的非接触式高边坡表面位移监测方法，包括以下步骤：

步骤s10、监测点的设计；

在高边坡的各级边坡平台上间隔埋设多个具有特定标记的监测桩，形成方格形网状监测点；

步骤s20、监测基点的设计；

在位移稳定、且靠近高边坡的位置埋设至少三个具有特定标记的监测基点，并确定其空间坐标；

步骤s30、图像采集；

根据高边坡、监测点位置和监测基点位置确定所述航摄区域，采用无人机对所述航摄区域进行图像采集，采集的图像的航向重叠度不低于60％，旁向重叠度不低于30％；

步骤s40、图像处理

对无人机所采集的图像依次进行颜色过滤、特征点匹配和空间定位，根据相机参数和监测基点的空间坐标计算出每一个监测桩特征点的空间坐标；

步骤s50、监测点变形计算

对所述航摄区域进行多次航拍，获得每一次的监测桩特征点的空间坐标，并计算出每一次的位移变化量，根据每一次的位移变化量，对高边坡进行表面重构，生成位移云图；

步骤s60、边坡稳定性分析

根据位每一次的位移变化量对高边坡的稳定性进行定量评价。

经由上述的技术方案可知，与现有技术相比，本发明具有以下有益效果：

1、成本低、安全性高、与边坡无接触、表观位移测量更为迅速，能够显著提高工作效率。

2、监测结果通过位移云图的形式显示，更加直观可视化程度更高，测量数据与定位更为精确。

3、监测位移的算法更为精细，计算结果更具有可靠性。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s10包括：

s101、从高边坡最高处开始设监测断面，并在高边坡的各平台处埋设监测桩，监测桩呈方格形网状布设，形成多条纵向监测线和多条横向监测线；监测桩布置在各级边坡平台断面坡脚线外2m处，每级平台埋设不少于5个，各监测桩之间的间距为40m；

s102、将监测桩设置成40cm*40cm的方形砼块，浇筑底盘至地面高度，并在表面刷涂油漆作为标记；在底盘中心埋设一根钢筋，钢筋高度与砼块高度齐平，将钢筋顶端作为该监测桩的监测点。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s101中，高边坡上存有深层位移监测点时，高边坡的其中一条纵向监测线与深层位移监测点位于同一直线上。纵向监测线与深层位移监测点位于同一直线上的目的在于便于观测数据的相互验证和对比分析。

进一步的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，监测点在布设过程中，对滑动带隐患区域和重点监测区域加密布点。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s20中监测基点埋设有12个，分别在高边坡坡顶、坡脚和高边坡两侧各设置3个。埋设过程中避免3个点在一条直线上。

监测基点的坐标确定过程中，坐标系选用当地的工程坐标系，将移动gps坐标系调成当地的工程坐标系，放置在监测基点的位置进行监测基点坐标信息的采集，每一个监测基点采集3次，取平均值，作为监测基点的坐标；当采集过程出现误差较大的采集点时，需重新采集。

考虑到高边坡监测过程中无人机飞行高度与识别效果，将监测基点设计成40*40cm的方形砼块，浇注底盘至地面高度，涂刷与监测点不同颜色的油漆作为标记。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s30中，航向重叠度和旁向重叠度的计算公式分别如公式1和公式2所示：

其中，px％表示航向重叠度，py％表示旁向重叠度，lx、ly为相幅的边长，px、py为重叠影像部分边长。

航向重叠度指无人机沿航线进行航摄时，同一航线上所拍摄的两张图像重叠区域占单张图片大小的比例，旁向重叠度指无人机沿航线进行航摄时，两航线之间所拍摄相邻的两张图像重叠区域占单张图片大小的比例。

在航拍过程中保证相机云台始终垂直向下，所述航摄区域涵盖所布设的所有监测点及监测基点，便于提高位移监测精度。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s40包括：

s401、对所述航摄区域内所有监测点和监测基点进行颜色过滤，将监测点和监测基点的rgb颜色属性按照颜色空间的几何关系转换为his颜色属性，转换公式如下：

其中：

其中，监测点和监测基点的rgb颜色指的是构成该点颜色的r值、g值和b值；r表示red，红色；g表示green，绿色；b表示blue，蓝色；各值在0-255之间，使用前应将其进行归一化，转换为0-1之间。

hsi颜色指的是构成该点颜色的h值、s值和i值；h表示hue，色调，取值在0-360之间；s表示saturation，饱和度，取值在0-1之间；i表示intensity亮度；转换为hsi颜色后可以将由于航摄时间不同而造成的影响统一转换到i值中，并在后续监测基点及监测点的图像识别过程中剔除i值产生的干扰。

同时，在颜色过滤的过程中综合考虑监测点和监测基点的形状，并对不满足颜色和形状要求的像素进行剔除，将其赋为白色，从而得到较为准确的仅显示监测点和监测基点的图片。

步骤s402、监测点的唯一性处理：利用无人机的定位信息和监测点的布置图，确定每一个采集图像中监测点的对应关系，并将其在一定的色域范围内按照空间从左至右、从上至下的顺序依次提高h，使每个监测点的颜色属性均不相同；避免特征点匹配时出现匹配错误的情况。

步骤s403、特征点匹配：利用harris角点匹配算法对监测点和监测基点进行角点匹配；

步骤s404、特征点空间定位：根据监测基点的空间坐标和相机参数计算得到监测点特征点的空间坐标。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s403包括：

步骤s4031、灰度图转换：利用opencv工具包中的cvtcolor()函数将图片转换成灰度图，用于后续特征点的提取；

步骤s4032、特征点提取：采用harris角点匹配算法提取精度较高的边角特征点，识别出方形砼块；

步骤4033、特征点描述：使用k-d树结构辅助，以欧氏距离为标准，使用最邻近算法进行特征点筛选匹配；

步骤4034、优秀匹配点筛选：通过交叉过滤和基础矩阵过滤的方式剔除掉匹配不准确的部分，得到高质量的匹配点对集合。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s404包括：

步骤4041、相机标定：利用标定板拍摄一组图像，获得棋盘图像，利用棋盘图像提取角点，通过角点在棋盘图像中的坐标计算相机参数，使相机参数与无人机航拍时采用的参数一致；

具体的，使用相机对标定板(即棋盘)进行图像采集，标定板的姿势尽可能多样。拍摄过程中将棋盘平面与成像平面夹角控制在45度以内；使用findchessboardcorners函数寻找棋盘图像角点，利用cornersubpix函数对初步提取的角点进行亚像素精确化，最后将角点带入cvcalibratecamera2函数中进行相机的标定，cvcalibratecamera2函数的第四个参数为相机内参矩阵，第五个参数为相机的畸变参数；

步骤4042、特征点坐标定位：将无人机采集到的图像与相机标定的棋盘图像进行两两匹配，首先匹配与监测基点在同一张图片的监测点的特征点，并利用相机参数和监测基点的空间坐标计算得到该图片上的监测点的特征点的空间坐标；再将本次计算出的特征点作为基准点，依次计算出每个监测点的特征点的空间坐标；

步骤4043、根据已有的特征点，识别出每一个监测点的轮廓，再根据每一个监测点的特征点的空间坐标计算得到每一个监测点中心点的空间坐标。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s50包括：

步骤s501、监测点的位移计算：根据航拍得到的多次监测点的空间坐标，并利用公式6计算出每一次的位移变化量：

其中xk1,yk1,zk1为第k个监测点第一次的空间坐标，xki,yki,zki为第k个监测点第i次的空间坐标,dki为第k个监测点第i次的位移变化量；

步骤502、边坡表面重构：利用opencv工具包，将航拍图片进行三维重建，并利用已有监测基点得到坐标转换的七参数；根据计算出的七参数进行加密后点云的坐标转换，最后通过vtk进行边坡表面的delaunay三角化，生成边坡的表面模型；

步骤503、径向差计算与位移云图生成：在计算出监测点的位移变化量后，采用径向基函数插值得到监测点周围的位移变化量，之后通过vtk可视化展示出相应的位移云图。

优选的，在上述一种基于无人机的非接触式高边坡表面位移监测方法中，步骤s60包括：

步骤601、位移稳定系数的计算公式如公式7所示：

其中qd²称为均方连差，sd为位移测量值标准差，rd为位移稳定系数；当某段时间内高边坡变形处于非常稳定的状态时，rd趋近于1；评估时，如rd值过小，说明变形的增长趋势明显，高边坡处于非稳定状态。

步骤602、采用位移变异系数td对高边坡的稳定性做辅助判断，td计算公式如公式8所示：

其中，ed为位移测量值的数学期望，td为位移变异系数。

当位移的测量值波动较大时，会出现qd²的值也较大，进而rd的值也较大甚至趋近于1。但实际上位移的波动说明高边坡变形处于不稳定甚至异常状态。因此单纯使用位移稳定系数可能会出现误判，需要使用位移变异系数td辅助判断。

位移变异系数反映的是位移各测量值间的“相对离差”，综合位移的稳定系数和变异系数能够准确的反映出高边坡的变形状态。

本发明还提供一种高边坡表面位移监测系统，包括：

图像导入模块，所述图像导入模块用于导入无人机所采集的图像；

图像处理模块，所述图像处理模块用于对导入的高边坡的图像依次进行颜色过滤、特征点匹配和空间定位，根据相机参数和监测基点的空间坐标计算出每一个监测点特征点的空间坐标；

监测点变形计算模块，所述监测点变形计算模块用于比较本次无人机所采集的图像中监测点特征点的空间坐标与上次无人机所采集的图像中监测点特征点的空间坐标，计算出每一次的位移变化量，生成位移云图；以及

稳定性评估模块，所述稳定性评估模块用于根据每一次的位移变化量对高边坡的稳定性进行评估。

本发明高边坡表面位移监测系统，通过导入无人机所采集的边坡图像，便能够直接生成位移云图和高边坡稳定性评估结果；操作简单、测量结果呈现直观、且测量精度高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的基于无人机的非接触式高边坡表面位移监测方法的流程图；

图2附图为本发明监测桩与高边坡的结构示意图；

图3附图为图2的左视图；

图4附图为图2的俯视图；

图5附图为本发明监测桩的俯视图；

图6附图为本发明监测桩的剖视图；

图7附图为本发明高边坡、监测桩和监测基点的整体航拍图；

图8附图为本发明无人机的航向重叠度的计算过程示意图；

图9附图为本发明无人机的旁向重叠度的计算过程示意图；

图10附图为rgb颜色空间示意图；

图11附图为hsi颜色空间示意图；

图12附图为本发明提供的高边坡表面位移监测系统的结构示意图。

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。

如图1所示，本发明实施例公开了一种基于无人机的非接触式高边坡表面位移监测方法，包括以下步骤：

步骤s10、监测点的埋设：在高边坡1的各级边坡平台上间隔埋设多个具有特定标记的监测桩2，形成方格形网状监测点；

如图2、图3和图4所示，从高边坡1最高处开始设监测断面，并在高边坡1的各平台处埋设监测桩2，监测桩2呈方格形网状布设，形成多条纵向监测线和多条横向监测线；监测桩2布置在各级边坡平台断面坡脚线5外2m处，每级平台埋设不少于5个，各监测桩2之间的间距为40m。在路中心线外侧设置位移观测点，位移观测点与各级边坡平台上位于同一纵向监测线上的监测桩2位于同一直线上。

更有利的，高边坡1上存有深层位移监测点时，高边坡1的其中一条纵向监测线与深层位移监测点位于同一直线上。

如图5和图6所示，实际埋设时，监测点按照如下方式进行布置：在挖除高边坡1表土后开挖一直径为40cm的圆形孔或40cm×40cm的正方形孔，孔深约40cm深，用钢筋砼浇注底盘至地面高度，并涂刷红色油漆作为标记。在底盘中心埋设一根钢筋21，钢筋21顶端设标记作为监测点。监测点埋设完毕后，稳定2-3天之后再进行初测。

步骤s20、监测基点的埋设：在位移稳定、且靠近高边坡1的位置埋设至少三个具有特定标记的监测基点，并确定其空间坐标；

监测基点的埋设方法与监测桩2的埋设方法相同，在挖除高边坡1表土后开挖一直径为40cm的圆形孔或40cm×40cm的正方形孔，孔约40cm深，用钢筋砼浇注底盘至地面高度，并涂刷蓝色油漆作为标记。监测基点设置在位移稳定的区域，避免在松动的表层上设点。在位移稳定的基础上，监测基点尽可能靠近监测坡体，以缩小无人机航测区域，提高监测精度。本实施例中，所埋设的监测基点为3个，且3个检测基点不在一条直线上。

步骤s30、图像采集：根据高边坡1、监测点位置和监测基点位置确定航摄区域，采用无人机对所述航摄区域进行图像采集，采集过程中保证航向重叠度不低于60％，旁向重叠度不低于30％；本实施例中无人机采集图像过程中航向重叠度为90％，旁向重叠度为80％。

如图8所示，航向重叠度指无人机沿航线进行航摄时，同一航线上所拍摄的两张图像重叠区域占单张图片大小的比例。如图9所示，旁向重叠度指无人机沿航线进行航摄时，两航线之间所拍摄相邻的两张图像重叠区域占单张图片大小的比例。

在无人机飞行前需进行航线规划，规定无人机飞行高度，在地图中定点标出无人机所需航摄区域，无人机会根据航向重叠度及旁向重叠度的要求按照设定的航线进行图像采集。飞行过程中应保证无人机所载相机镜头垂直朝下，与无人机的航线相垂直。无人机的飞行高度指从无人机起飞位置计算起的上升高度；航摄区域是指包含高边坡1、监测点及监测基点在内的区域，如图7所示，为无人机对高边坡1、监测桩2和监测基点的整体航拍图。本实施例中，无人机飞行高度为30m。

步骤s40、图像处理：对无人机所采集的图像依次进行颜色过滤、特征点匹配和空间定位，根据相机参数和监测基点的空间坐标计算出每一个监测点特征点的空间坐标；

步骤s50、监测点的变形计算：对航摄区域进行多次航拍，获得监测点特征点的每一次的空间坐标，并计算出每一次的位移变化量，根据每一次的位移变化量，对高边坡1进行表面重构，生成位移云图。

步骤s60、根据每一次的位移变化量对高边坡1的稳定性进行定量评价。

根据本发明基于无人机的非接触式高边坡1表面位移监测方法，在另一个实施例中，步骤s20中监测基点埋设有12个，分别在高边坡1坡顶、坡脚和高边坡1两侧各设置3个。

进一步的，监测桩2在布设过程中，对滑动带隐患区域和重点监测区域实施加密布点。

具体的，如图8和图9所示，在步骤s30中，航向重叠度和旁向重叠度的计算公式分别如公式1和公式2所示：

其中，px％表示航向重叠度，py％表示旁向重叠度，lx、ly为相幅的边长，px、py为重叠影像部分边长。

如图10和图11所示，具体的，步骤s40包括：

s401、对航摄区域内所有监测点和监测基点进行颜色过滤，将监测点和监测基点的rgb颜色属性按照颜色空间的几何关系转换为his颜色属性，转换公式如下：

其中：

其中，监测点和监测基点的rgb颜色指的是构成该点颜色的r值、g值和b值；hsi颜色指的是构成该点颜色的h值、s值和i值；

步骤s402、监测桩2的唯一性处理：利用无人机的定位信息和监测点的布置图，确定每一个采集图像中监测点的对应关系，并将其在一定的色域范围内按照空间从左至右、从上至下的顺序依次提高h，使每个监测点的颜色属性均不相同；

步骤s403、特征点匹配：利用harris角点匹配算法对监测点和监测基点进行角点匹配；

步骤s404、特征点空间定位：根据监测基点的空间坐标和相机参数计算得到监测点的特征点的空间坐标。

具体的，步骤s403包括：

步骤s4031、灰度图转换：利用opencv工具包中的cvtcolor()函数将图片转换成灰度图；

步骤s4032、特征点提取：采用harris角点匹配算法提取精度较高的边角特征点，识别出方形砼块；

步骤4033、特征点描述：使用k-d树结构辅助，以欧氏距离为标准，使用最邻近算法进行特征点筛选匹配；

步骤4034、优秀匹配点筛选：通过交叉过滤和基础矩阵过滤的方式剔除掉匹配不准确的部分，得到高质量的匹配点对集合。

具体的，步骤s404包括：

步骤4041、相机标定：利用标定板拍摄一组图像，获得棋盘图像，利用棋盘图像提取角点，通过角点在棋盘图像中的坐标计算相机参数，使相机参数与无人机航拍时采用的参数一致；

步骤4042、特征点坐标定位：将无人机采集到的图像与相机标定的棋盘图像进行两两匹配，首先匹配与监测基点在同一张图片的监测点的特征点，并利用相机参数和监测基点的空间坐标计算得到该图片上的监测点的特征点的空间坐标；再将本次计算出的特征点作为基准点，依次计算出每个监测点的特征点的空间坐标；

步骤4043、根据已有的特征点，识别出每一个监测点的轮廓，再根据每一个监测点的特征点的空间坐标计算得到每一个监测点中心点的空间坐标

具体的，步骤s50包括：

步骤s501、监测点的位移计算：根据航拍得到的多次监测点的空间坐标，并利用公式6计算出每一次的位移变化量：

其中xk1,yk1,zk1为第k个监测点第一次的空间坐标，xki,yki,zki为第k个监测点第i次的空间坐标,dki为第k个监测点第i次的位移变化量；

步骤502、边坡表面重构：利用opencv工具包，将航拍图片进行三维重建，并利用已有监测基点得到坐标转换的七参数；根据计算出的七参数进行加密后点云的坐标转换，最后通过vtk进行边坡表面的delaunay三角化，生成边坡的表面模型；

步骤503、径向差计算与位移云图生成：在计算出监测点的位移变化量后，采用径向基函数插值得到监测点周围的位移变化量，之后通过vtk可视化展示出相应的位移云图。

具体的，步骤s60包括：

步骤601、位移稳定系数的计算公式如公式7所示：

其中qd²称为均方连差，sd为位移测量值标准差，rd为位移稳定系数；当某段时间内高边坡变形处于非常稳定的状态时，rd趋近于1；评估时，如rd值过小，说明变形的增长趋势明显，高边坡处于非稳定状态。

步骤602、采用位移变异系数td对高边坡1的稳定性做辅助判断，td计算公式如公式8所示：

其中，ed为位移测量值的数学期望，td为位移变异系数。

当位移的测量值波动较大时，会出现qd²的值也较大，进而rd的值也较大甚至趋近于1。但实际上位移的波动说明高边坡变形处于不稳定甚至异常状态。因此单纯使用位移稳定系数可能会出现误判，需要使用位移变异系数td辅助判断。

位移变异系数反映的是位移各测量值间的“相对离差”，综合位移的稳定系数和变异系数能够准确的反映出边坡的变形状态。

如图12所示，本发明实施例公开一种高边坡表面位移监测系统，包括：

图像导入模块3，所述图像导入模块3用于导入无人机所采集的图像；

图像处理模块4，所述图像处理模块4用于对无人机所采集的图像依次进行颜色过滤、特征点匹配和空间定位，并计算出无人机所采集的图像中每一个监测点特征点的空间坐标；

监测点变形计算模块5，所述监测点变形计算模块5用于比较本次无人机所采集的图像中监测点特征点的空间坐标与上次无人机所采集的图像中监测点特征点的空间坐标，计算出每个监测点的每一次的位移变化量，生成位移云图；以及

稳定性评估模块6，所述稳定性评估模块用于根据监测点每一次的位移变化量对高边坡1的稳定性进行评估。

具体的，运用本发明高边坡1表面位移监测系统对无人机的航摄图像进行处理和识别，处理过程中不使用无人机所采集的图像的原有exif信息，图像处理模块4具体的处理过程如下：

(1)对无人机的航摄图像进行颜色过滤，首先将rgb属性转换成hsi属性，然后通过hsi筛选出监测点和监测基点，同时对监测点颜色属性进行重新赋值。

(2)对航摄图像依次进行特征点匹配和空间定位，得到每一个特征点在空间坐标系下的准确坐标。

(3)根据得到的特征点空间坐标，匹配40cm*40cm的监测桩2样式，计算出每一个监测桩中心点的空间坐标。

(4)对整体高边坡1进行三维重建，并通过监测基点计算出坐标转换七参数，将加密后的点云全部转换到工程坐标系。

(5)利用vtk将边坡表面进行delaunay三角化，生成点云、三角网和高边坡1的表面模型。

监测点变形计算模块5对监测点每一次位移变化量的具体计算过程如下：对各次点云数据中所识别的监测点进行匹配，各次点云数据中所识别出的监测点是相互独立的，为能够判断各监测点的位移，应将各次同一监测点的位置进行匹配，计算两次数据中监测点之间的距离。监测点距离最小的一组即是两次航摄图像中的同一监测点，同一监测点即可进行变形监测分析。

监测点匹配成功后，两次监测点坐标之间的差值即分别为监测点的三个方向变形，总变形按照公式6进行计算。

稳定性评估模块6将评估结果按照日期将各监测点的累计位移以曲线的形式显示出来，结果呈现地更加直观。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。