(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111027783.9 (22)申请日 2021.09.02 (71)申请人 中国葛洲坝集团第一工程有限公司 地址 443002 湖北省宜昌市西陵区东 山大 道54号葛洲坝一公司 申请人 三峡大学 (72)发明人 熊建武　燕乔　吴凯　程贝　 郑名扬　涂胜　臧艳娇　王康　 聂关宏　张继红　 (74)专利代理 机构 宜昌市慧宜专利商标代理事 务所(特殊普通 合伙) 42226 代理人 彭娅 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/82(2022.01)G06V 10/762(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06F 30/27(2020.01) G01C 9/00(2006.01) G01B 21/02(2006.01) (54)发明名称 基于无人机数据校核的高边坡监测预警系 统 (57)摘要 本发明提供一种基于无人机数据校核的高 边坡监测预警系统， 包括设置用于采集边坡图像 的无人机、 预埋在边坡的拉线式位移传感器阵 列、 固定式测斜仪和渗流监测设备； 无人机用于 从空中监测边坡的图像数据； 拉线式位移传感器 阵列用于监测边坡表面的位移数据； 固定式测斜 仪和渗流监测设备用于监测边坡内部滑移数据； 通过无人机、 拉线式位移传感器、 固定式测斜仪 和渗流监测设备的数据进行实时边坡安全监测。 通过采用以上的方案， 对裂缝能进行有效识别， 能够对敏感信息进一步强化； 二是对危险部位的 裂缝、 危岩的细微运动和监测断面上的细微变形 能够进行精准识别和捕捉， 预测未来数据， 并模 拟显示边坡的实时状态， 使边坡的监测结果直观 形象。 权利要求书2页 说明书7页 附图4页 CN 113936228 A 2022.01.14 CN 113936228 A 1.一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 包括设置用于采集边 坡 （7） 图像的无人机 （1） 、 预埋在边坡 （7） 的拉线式位移传感器 （2） 阵列、 固定式测斜仪 （5） 和 渗流监测设备 （4） ； 无人机 （1） 用于从空中监测边坡 （7） 的图像数据； 拉线式位移传感器 （2） 阵列用于监测边坡 （7） 表面的位移数据； 固定式测斜仪 （5） 和渗 流监测设备 （4） 用于监测边坡 （7） 内部滑 移数据； 通过无人机 （1） 、 拉线式位移传感器 （2） 、 固定式测斜仪 （5） 和渗流监测 设备 （4） 的数据 进行实时边坡安全监测。 2.根据权利要求1所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 还设有雨水收集装置 （3） ， 用于采集降水 是数据以辅助进行边坡安全监测。 3.根据权利要求2所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 拉线式位移传感器 （2） 阵列、 固定式测斜仪 （5） 、 渗流监测设备 （4） 和雨水收集装置 （3） 与数 据采集装置 （6） 电连接， 以收集 监测数据； 数据采集装置 （6） 通过无线方式与监控云平台连接， 无人机 （1） 通过无线方式与 监控云 平台连接 。 4.根据权利要求3所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 无人机 （1） 航拍的图像数据， 对图像的像素数据逐行进行一维小波变换， 分解为低通滤波L 和高通滤波H 两个分量输出； 然后再对图像的像素数据逐列进行一维小波变换， 分解为LL、 LH、 HL、 HH四个分量输出， 以突出敏感数据； 所述的敏感数据为与边坡 （7） 的裂隙相关的图像数据。 5.根据权利要求4所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 拉线式位移传感器 （2） 阵列的经 过克里金插值运算， 获得地 面监测数据。 6.根据权利要求5所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 地面监测数据与无人机 （1） 的图像数据一起进行F检验法检验， 若检验结果满足， 则输出最 优解； 若不满足， 则通过A I学习法重新更换 空间插值中的表 面函数， 直至满足F检验法， 输出 最优解； 所述的最优解 为优化后的地表数据。 7.根据权利要求6所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 雨水收集装置 （3） 、 渗流监测设备 （4） 和固定式测斜仪 （5） 获得数据作为优化后的边坡 （7） 的 内部数据； 将优化后的地表数据与优化后的边坡 （7） 的内部数据通过可视化方式建立监测预警模 型。 8.根据权利要求7所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 监测预警模型包括预测模块和评价模块； 预测模块设有以下步骤： S01、 建立影响边坡稳定的因素监测； S02、 对监测的数据进行 预处理； S03、 建立BP神经网络预测模型；权　利　要　求　书 1/2 页 2 CN 113936228 A 2S04、 预测未来数据； 评价模块设有以下步骤： S11、 灰色关联法分析； S12、 建立模糊聚类迭代模型； S13、 引入预测的未来数据进入 模糊聚类迭代模型； S14、 输出评估边坡状态。 9.根据权利要求8所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征是： 所述的模糊聚类迭代模型的因素包括 容重、 内聚力、 内摩擦角、 边坡角、 边坡高度和孔压比。 10.根据权利要求8所述的一种基于无人机数据校核的高边坡监测预警系统， 其特征 是： 步骤S14中， 以边坡历史监测数据和 基本水文和地质等数据作为样本数据， 根据样本中 各个因素的特征值构建对应的特征值矩阵样本和相对隶属度 矩阵， 采用灰色关联分析各影 响因子的权重， 通过迭代运算求解最优模糊聚类矩阵与最优模糊聚类中心矩阵， 在排序 处 理后用各相对隶属度乘以相应的评价级别值即可 得到稳定性评价的等级。权　利　要　求　书 2/2 页 3 CN 113936228 A 3