基于大数据分析的获取边坡变形三维数据的边坡监测系统的制作方法

本发明属于边坡监测技术领域，尤其涉及一种基于大数据分析的获取边坡变形三维数据的边坡监测系统。

背景技术：

边坡把破碎松散岩层组合连接成整体，并锚固在地层深部稳固的岩体上，通过施加预应力，使锚索长度范围内的软弱岩体(层)挤压密实，提高岩层层面间的正压力和摩阻力，阻止开裂松散岩体位移，从而达到加固边坡的目的。这种方法的最大特点是：可保持既有坡面状态下深入坡体内部进行大范围加固；预先主动对边坡松散岩层施加正压力，起到挤密锁固作用；同时，锚索孔高压注浆，浆液充填裂隙和孔隙，又可提高破碎岩体的强度和整体性；结构简单、工期短、造价低廉。然而，现有对边坡监测数据不准确，误差大；同时，对边坡预测方法稳定性差，算法收敛速度慢，且不能精确提供预测边坡位移以及滑动判别的显性表达式。

综上所述，现有技术存在的问题是：

现有对边坡监测数据不准确，误差大；同时，对边坡预测方法稳定性差，算法收敛速度慢，且不能精确提供预测边坡位移以及滑动判别的显性表达式。

现有技术不能有效保持图像的边缘，无法实现采集高清、准确的边坡图像数据信息；现有技术数据的检测精度较差，不能及时、准确获取边坡亵渎数据信息；现有技术不能以人眼明暗适应的不同要求调整步进大小，使显示器亮度能够在环境光照度变化时自动而柔和的调节，不能满足不同环境下显示监测系统界面及监测边坡的图像、倾斜度、裂缝数据信息。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于大数据分析的获取边坡变形三维数据的边坡监测系统。

本发明是这样实现的，一种基于大数据分析的获取边坡变形三维数据的边坡监测方法，所述基于大数据分析的获取边坡变形三维数据的边坡监测方法包括：

第一步，通过基于去模糊算法的摄像器采集边坡图像数据信息；通过测斜仪采用最佳一致逼近方法实时监测边坡倾斜度数据信息；利用裂缝计实时监测边坡裂缝数据信息；

第二步，通过数据处理软件剔除边坡检测的误差大、不正确的数据；通过建模软件根据监测的数据构建边坡三维模型；

第三步，利用数据处理软件根据监测的数据预测边坡滑动位移；利用云服务器集中大数据资源对监测的边坡数据进行处理；

第四步，通过基于韦伯-费希纳定律的显示器亮度调节算法显示监测系统界面及监测边坡的图像、倾斜度、裂缝数据信息。

进一步，基于去模糊算法的摄像器抑制噪声且提高图像的清晰度，具体步骤为：去模糊过程中，指导图像来指导滤波，给出函数：

其中，ue是预估计图像，λ>0是正则化参数；利用快速傅里叶变换fft进行加速，得到傅里叶域上的解，形式如下：

其中，f表示fft算子，f(.)*表示f的复共轭；

表示算子▽的傅里叶变换。

进一步，通过基于韦伯-费希纳定律的显示器亮度调节算法，满足不同环境下显示监测系统界面及监测边坡的图像、倾斜度、裂缝数据信息，具体算法为：

韦伯-费希纳定律指出感觉与对应物理量强度的对数成正比的法则：

s＝k1gr+k0；

式中s是感觉强度，r是刺激强度，k、k0是常数；

显示器亮度与环境光照度之间符合韦伯-费希纳定律；

s＝k1gr+k0；

式中b是显示器亮度，i是环境光照度；

显示器亮度用百分比表示：

式中：bmax为显示器最大亮度值，对于某一显示器来说，其为定值：

k′＝k/bmax，k′0＝k0/bmax，b’＝0～1；

记录此时的照度值和显示器亮度；调整光源照度，重复同样的试验，记录不同组照度值和显示器亮度，分别记为ii和bi，i＝1,2,n；令：

f＝1gi；

则：

b′i＝k′fi+k′0；

为得到k和k0，利用最小二乘法，令偏差：

vi＝δb′i＝b′i-（k′fi+k′0)；

求偏差平方和，得到：

值最小，得到最优的k和k0，于是对k和k0分别求偏导，得到：

分别等于零，得：

解式，得到：

当环境光照度减小和增大时，显示器亮度也随之以对数比例减小和增大。

本发明的另一目的在于提供一种实施所述基于大数据分析的获取边坡变形三维数据的边坡监测方法的基于大数据分析的获取边坡变形三维数据的边坡监测系统，所述基于大数据分析的获取边坡变形三维数据的边坡监测系统包括：

图像采集模块，与主控模块连接，用于通过摄像器采集边坡图像数据信息；

倾斜度监测模块，与主控模块连接，用于通过测斜仪实时监测边坡倾斜度数据信息；

裂缝监测模块，与主控模块连接，用于通过裂缝计实时监测边坡裂缝数据信息；

主控模块，与图像采集模块、倾斜度监测模块、裂缝监测模块、数据处理模块、三维模型构建模块、滑动预测模块、云服务模块、显示模块连接，用于通过单片机控制各个模块正常工作；

数据处理模块，与主控模块连接，用于通过数据处理软件剔除的边坡检测的误差大、不正确的数据；

三维模型构建模块，与主控模块连接，用于通过建模软件根据监测的数据构建边坡三维模型；

滑动预测模块，与主控模块连接，用于通过数据处理软件根据监测的数据预测边坡滑动位移；

云服务模块，与主控模块连接，用于通过云服务器集中大数据资源对监测的边坡数据进行处理；

显示模块，与主控模块连接，用于通过显示器显示监测系统界面及监测边坡的图像、倾斜度、裂缝数据信息。

本发明的另一目的在于提供一种应用所述基于大数据分析的获取边坡变形三维数据的边坡监测方法的计算机。

本发明的优点及积极效果为：

本发明通过数据处理模块解决了数据中误差的分布对剔除结果的影响、克服了传统方法针对多变量数据粗差剔除的精度不高的问题；能够更加方便地从大量的变量数据中把过失误差和正常的数据分离开来；对于elm和telm模型中随机初始化的输入权值和阈值对结果精度的影响的问题，本发明提出基于粒子群优化的telm模型，粒子群优化具有相当快的逼近最优解的速度，可以有效的对系统的参数进行优化；粒子群算法的本质是利用当前位置、全局极值和个体极值3个信息，指导粒子下一步迭代位置。其个体充分利用自身经验和群体经验调整自身的状态是粒子群算法具有优异特性的关键；新的pso-telm模型解决了随机初始化问题对结果的影响，提高了算法的稳定性；同时，通过滑动预测模块计算过程中基函数根据数据自动完成，无需人工设定，可准确得出边坡位移与多场多变量数据之间的内部关系；计算快速，可以处理数据量较大的样本，预测精度高，且最后得到的显式函数具有可解释性；可以快速建立基于大数据的大量边坡滑移趋势动态数据库，依据边坡多场监测数据，通过分析输入变量的参数相对重要性与边坡滑动判别表达式，实现对边坡滑移的预测预警，起到防灾减灾的目的。

本发明基于去模糊算法的摄像器有效抑制噪声且提高图像的清晰度，有效保持图像的边缘，实现采集高清、准确的边坡图像数据信息；本发明通过测斜仪采用最佳一致逼近方法实时监测边坡倾斜度数据信息，有利于提高数据的检测精度，及时、准确获取边坡亵渎数据信息；本发明通过基于韦伯-费希纳定律的显示器亮度调节算法，以人眼明暗适应的不同要求调整步进大小，使显示器亮度能够在环境光照度变化时自动而柔和的调节，满足不同环境下显示监测系统界面及监测边坡的图像、倾斜度、裂缝数据信息。

附图说明

图1是本发明实施例提供的基于大数据分析的获取边坡变形三维数据的边坡监测方法流程图。

图2是本发明实施例提供的基于大数据分析的获取边坡变形三维数据的边坡监测系统结构示意图；

图中：1、图像采集模块；2、倾斜度监测模块；3、裂缝监测模块；4、主控模块；5、数据处理模块；6、三维模型构建模块；7、滑动预测模块；8、云服务模块；9、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如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的基于大数据分析的获取边坡变形三维数据的边坡监测方法包括以下步骤：

s101：通过基于去模糊算法的摄像器采集边坡图像数据信息；通过测斜仪采用最佳一致逼近方法实时监测边坡倾斜度数据信息；利用裂缝计实时监测边坡裂缝数据信息；

s102：通过数据处理软件剔除边坡检测的误差大、不正确的数据；通过建模软件根据监测的数据构建边坡三维模型；

s103：利用数据处理软件根据监测的数据预测边坡滑动位移；利用云服务器集中大数据资源对监测的边坡数据进行处理；

s104：通过基于韦伯-费希纳定律的显示器亮度调节算法显示监测系统界面及监测边坡的图像、倾斜度、裂缝数据信息。

步骤s101中，本发明实施例提供的基于去模糊算法的摄像器有效抑制噪声且提高图像的清晰度，有效保持图像的边缘，实现采集高清、准确的边坡图像数据信息；具体步骤为：

去模糊过程中，需要指导图像来指导滤波，因此给出下面两个函数：

其中，ue是预估计图像，λ>0是正则化参数；利用快速傅里叶变换(fft)进行加速，得到傅里叶域上的解，形式如下：

其中，f表示fft算子，f(.)*表示f的复共轭；

表示算子▽的傅里叶变换。

步骤s101中，本发明实施例提供的通过测斜仪采用最佳一致逼近方法实时监测边坡倾斜度数据信息，有利于提高数据的检测精度，及时、准确获取边坡亵渎数据信息；具体的算法为：

设f(x)∈c[a，b]，pn(x)是次数不超过n的全体多项式构成的集合；如果

则称p*(x)是f(x)在[a，b]上的最佳一致逼近多项式，也称极小化极大多项式；

采用里米兹算法求取最佳多项式；根据切比雪夫定理求解

其中：ak(k＝0，1，…n)为待求多项式系数；ρ为最佳逼近值；xi用反复校正法取得。

步骤s104中，本发明实施例提供的通过基于韦伯-费希纳定律的显示器亮度调节算法，以人眼明暗适应的不同要求调整步进大小，使显示器亮度能够在环境光照度变化时自动而柔和的调节，满足不同环境下显示监测系统界面及监测边坡的图像、倾斜度、裂缝数据信息，具体算法为：

韦伯-费希纳定律指出感觉与对应物理量强度的对数成正比的法则，即

s＝klgr+k0(1)

式中s是感觉强度，r是刺激强度，k、k0是常数。

为了适应人眼，将显示器亮度调整到与人眼感觉亮度相一致，即显示器亮度与环境光照度之间符合韦伯-费希纳定律；

b＝klgi+k0(2)

式中b是显示器亮度，i是环境光照度；

显示器亮度用百分比表示，即

式中：bmax为显示器最大亮度值，对于某一显示器来说，其为定值：

k′＝k/bmax，k′0＝k0/bmax，b’＝0～1；

为了确定k和k0，利用人造光源模拟太阳光形成不同的照度环境，将机载显示器置于该环境中，在某一照度下，让数据读取人员去观察显示器的亮度，调节显示器亮度比例直至数据读取人员感觉舒适为止，记录此时的照度值和显示器亮度；调整光源照度，重复同样的试验，记录不同组照度值和显示器亮度，分别记为ii和bi，i＝1,2,n。令

f＝lgi(4)

则

b′i＝k′fi+k′0(5)

为得到k和k0，利用最小二乘法，令偏差

vi＝δb′i＝b′i-（k′fi+k′0)(6)

求偏差平方和，得到

只要其值最小，就能得到最优的k和k0，于是将式(7)对k和k0分别求偏导，得到

使式(8)和式(9)分别等于零，得

解式(10)和式(11)，得到

当环境光照度减小和增大时，显示器亮度也随之以对数比例减小和增大。

如图2所示，本发明实施例提供的基于大数据分析的获取边坡变形三维数据的边坡监测系统包括：图像采集模块1、倾斜度监测模块2、裂缝监测模块3、主控模块4、数据处理模块5、三维模型构建模块6、滑动预测模块7、云服务模块8、显示模块9。

图像采集模块1，与主控模块4连接，用于通过摄像器采集边坡图像数据信息；

倾斜度监测模块2，与主控模块4连接，用于通过测斜仪实时监测边坡倾斜度数据信息；

裂缝监测模块3，与主控模块4连接，用于通过裂缝计实时监测边坡裂缝数据信息；

主控模块4，与图像采集模块1、倾斜度监测模块2、裂缝监测模块3、数据处理模块5、三维模型构建模块6、滑动预测模块7、云服务模块8、显示模块9连接，用于通过单片机控制各个模块正常工作；

数据处理模块5，与主控模块4连接，用于通过数据处理软件剔除的边坡检测的误差大、不正确的数据；

三维模型构建模块6，与主控模块4连接，用于通过建模软件根据监测的数据构建边坡三维模型；

滑动预测模块7，与主控模块4连接，用于通过数据处理软件根据监测的数据预测边坡滑动位移；

云服务模块8，与主控模块4连接，用于通过云服务器集中大数据资源对监测的边坡数据进行处理；

显示模块9，与主控模块4连接，用于通过显示器显示监测系统界面及监测边坡的图像、倾斜度、裂缝数据信息。

本发明提供的数据处理模块5处理方法如下：

(1)数据预处理：对需要粗差剔除的边坡检测数据进行预处理，获取特征数据；

(2)建立预测矩阵：将(1)中获取的特征数据分别输入m个pso-telm模型，根据所述m个pso-telm模型的输出结果，获得预测矩阵t；所述预测矩阵t如下式所示：

所述预测矩阵t中每一行代表一个模型的预测输出，a为pso-telm模型的输出数据；

(3)剔除粗差数据：对预测矩阵t按列求均值得到新的矩阵t′＝(a1,a2,…,an)1×n，再对矩阵t′求均值s和方差d；

若t′中元素满足：ai-s＞d,(i＝1,2,…n)，则剔除ai所对应的特征数据，反之，则保留ai所对应的特征数据，获得精确的边坡监测数据。

本发明提供的步骤(1)之前还包括：

获取优化telm模型参数：通过粒子群算法计算获得优化telm模型参数；

建立pso-telm模型：将步骤(1)中获取的参数对telm模型进行优化，建立m个pso-telm模型，其中m为自然数。

本发明提供的获取优化telm模型参数还包括如下子步骤：

初始化：随机训练得到权值和阈值，将权值和阈值范围作为粒子速度和位置寻优范围；

选择参数：种群规模m＝12，最大迭代次数t＝100，惯性权值ω＝1，学习因子c1、c2，其中c1＝c2＝2，粒子维数d＝3；

确定适值函数，计算每个粒子的适值，求出每个粒子的个体极值和全局极值；

更新粒子的速度和位置；

迭代，直到满足停止条件t＝100时退出，得到最优telm模型参数。

本发明提供的粒子通过下面的公式更新速度和位置；

vi＝vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)(1)

xi＝xi+vi(2)

公式(2)中，左边xi为更新后的粒子位置，右边xi为更新前粒子的位置；公式(1)和(2)中，i＝1,2,3……n，n为此群中粒子的总数，vi为粒子速度，xi为粒子位置，c1和c2为学习因子，pbest为粒子的最优位置，gbest为整个种群的最优位置。

本发明提供的滑动预测模块7预测方法如下：

1)采集边坡在指定时间内的多场多变量数据作为因变量并进行汇总；其中，所述多场多变量数据包括地质地貌数据、岩土物理与力学性能数据、地应力数据、气象水文数据、位移监测数据，以及边坡附近的施工作业数据；

2)通过方差分析剔除步骤1)汇总各类数据中的异常数据；处理后的数据作为选定的用于分析计算的多场数据。

3)随机选取步骤2)选定数据的3/4数据作为训练数据，其余1/4数据作为校验数据，并分别保存至两个文本；

4)准备多元自适应回归样条工具箱；调用步骤3)中文本进行多元自适应回归样条分析；改变基函数数量j，得出不同基函数数量对应的因变量模型；

5)选出最优模型，并通过输入解释命令查看对计算结果的解释，得到每个基函数的表达式；

6)得出本次分析的边坡位移预测显式函数yj；

7)利用方差分解分析确定输入的多场多变量数据的参数相对重要性；

8)利用逻辑回归模型确定边坡滑动判别显性表达式f(yj)。

所述逻辑回归模型采用sigmoid函数，得到的边坡滑动判别表达式如式；

其中，当f(yj)＜0.5时，边坡处于稳定状态；f(yj)≥0.5时，边坡处于不稳定状态。

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。