CN118274786B - 一种基于北斗坐标的埋地管道沉降监测方法和系统 - Google Patents
一种基于北斗坐标的埋地管道沉降监测方法和系统 Download PDFInfo
- Publication number
- CN118274786B CN118274786B CN202410694879.8A CN202410694879A CN118274786B CN 118274786 B CN118274786 B CN 118274786B CN 202410694879 A CN202410694879 A CN 202410694879A CN 118274786 B CN118274786 B CN 118274786B
- Authority
- CN
- China
- Prior art keywords
- buried pipeline
- coordinate prediction
- sample data
- representation
- time
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000004062 sedimentation Methods 0.000 claims abstract description 12
- 238000013519 translation Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/004—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring coordinates of points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于北斗坐标的埋地管道沉降监测方法和系统，涉及管道监测技术领域，该方法为对埋地管道进行标记，获取埋地管道标记位置的北斗坐标；基于埋地管道标记位置的北斗坐标随时间的变化情况，对埋地管道标记位置的北斗坐标进行误差校正，得到样本数据，组成训练数据集；利用坐标预测模型对训练数据集进行分析，得到坐标预测结果；对坐标预测结果进行加密处理，得到埋地管道沉降监测结果。本发明解决了埋地管道的沉降难以监测的问题。
Description
技术领域
本说明书涉及管道监测技术领域，特别涉及一种一种基于北斗坐标的埋地管道沉降监测方法和系统。
背景技术
埋地管道作为油气等重要资源的常用载体，随着经济发展使用率越来越高。而管道沿线容易存在的地质灾害，例如为滑坡、崩塌、泥石流、沉降、潜在不稳定斜坡、水毁等，容易对埋地管道造成损坏和位置变化。目前常用的埋地管道监测方法是利用周围的定位装置进行监测，但仍然存在精度不够、价格昂贵和时间上具有延迟等问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于北斗坐标的埋地管道沉降监测方法和系统解决了埋地管道的沉降难以监测的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于北斗坐标的埋地管道沉降监测方法，包括：
S1：对埋地管道进行标记，获取埋地管道标记位置的北斗坐标；
S2：基于所述埋地管道标记位置的北斗坐标随时间的变化情况，对所述埋地管道标记位置的北斗坐标进行误差校正，得到样本数据，组成训练数据集；
S3：利用坐标预测模型对所述训练数据集进行分析，得到坐标预测结果；其中，所述坐标预测模型通过训练得到；
S4：对所述坐标预测结果进行加密处理，得到埋地管道沉降监测结果。
本发明的有益效果为：处理器通过对获取的埋地管道标记位置的北斗坐标进行误差校正，利用坐标预测模型进行分析，得到坐标预测结果，并通过加密方法，得到埋地管道沉降监测结果。（1）通过误差校正方法，可以减少埋地管道坐标随时间变化产生的误差，提高位置监测的准确性；（2）通过利用坐标预测模型，可以大大提高对埋地管道位置监测的实时性、准确性，可以适用于更深层的埋地管道监测，同时，通过这种模型训练方式可以使用少量训练数据得到高性能的坐标预测模型；（3）通过对坐标预测结果进行加密，可以提高埋地管道沉降监测结果在传输过程中的安全性。
进一步地，所述S2包括：
利用离散滤波算法，对所述埋地管道标记位置的北斗坐标进行分析和误差校正，得到样本数据，组成训练数据集，其中，样本数据的表达式如下：
；
；
其中，表示时刻的样本数据，表示时刻的北斗坐标，表示时刻相对时刻的坐标校正参数，表示时刻的观测矩阵，表示时刻的状态估计，表示时刻的随机量测噪声，表示时刻相对时刻的角度变化数据，表示时刻的状态估计，表示时刻的噪声输入矩阵，表示时刻的随机过程噪声。
进一步地有益效果为，处理器通过误差校正，可以减少埋地管道坐标随时间变化产生的误差，提高位置监测的准确性。
进一步地，所述S3包括：
S310：通过特征提取层，对所述训练数据集进行特征提取，构建图像特征数据；
S320：通过视点生成层，对所述图像特征数据进行分析，得到调整参数；
S330：通过融合层，对所述图像特征数据和所述调整参数进行融合，得到坐标预测结果；其中，所述特征提取层、视点生成层和融合层属于坐标预测模型。
进一步地，所述图像特征数据的表达式具体为：
；
其中，表示第个样本数据的图像特征数据，表示第个样本数据的旋转分量，表示第个样本数据的平移分量，表示零矩阵的转置矩阵。
进一步地，所述S320包括：
S321：基于平移分量，通过计算，得到平移分量之间的距离：
；
其中，表示平移分量之间的距离，表示欧几里得距离，表示第个样本数据的平移分量，表示第个样本数据的平移分量，表示样本数据数量；
S322：基于所述平移分量之间的距离，对距离小于阈值的平移分量进行均匀采样，得到平移变换参数：
；
其中，表示平移变换参数，表示平移分量的距离小于阈值的样本数据数量；
S323：基于旋转分量，通过计算，得到旋转变换参数：
；
；
其中，表示旋转变换参数，表示权重参数，表示第个样本数据对应的旋转参数，表示第个样本数据对应的旋转参数，表示基于旋转分量得到的旋转参数，表示旋转参数的范数，、、和分别表示旋转参数对应的四个参数值；
S324：结合所述平移变换参数和所述旋转变换参数，得到所述调整参数。
进一步地，所述坐标预测结果的表达式具体为：
；
其中，表示第个样本数据的坐标预测结果，表示渲染函数，表示调整参数，表示第个样本数据的图像特征数据。
进一步地，所述埋地管道沉降监测结果的具体表达式为：
；
；
；
其中，表示埋地管道沉降监测结果，表示的加密结果，表示的加密结果，表示坐标预测结果的平均系数，表示加密密钥，表示坐标预测结果的差值系数。
进一步地有益效果为，处理器使用加密密钥对坐标预测结果进行加密处理，得到埋地管道沉降监测结果。通过这种方式，可以大大提高埋地管道沉降监测结果的加密效率和安全性。
本说明书一个或多个实施例提供一种基于北斗坐标的埋地管道沉降监测系统，包括：
获取模块，用于对埋地管道进行标记，获取埋地管道标记位置的北斗坐标；
校正模块，用于基于所述埋地管道标记位置的北斗坐标随时间的变化情况，对所述埋地管道标记位置的北斗坐标进行误差校正，得到样本数据，组成训练数据集；
分析模块，用于利用坐标预测模型对所述训练数据集进行分析，得到坐标预测结果；其中，所述坐标预测模型通过训练得到；
加密模块，用于对所述坐标预测结果进行加密处理，得到埋地管道沉降监测结果。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的一种基于北斗坐标的埋地管道沉降监测系统的模块示意图；
图2是根据本说明书一些实施例所示的一种基于北斗坐标的埋地管道沉降监测方法的示例性流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例一
图1是根据本说明书一些实施例所示的一种基于北斗坐标的埋地管道沉降监测系统的模块示意图。
在一些实施例中，所述基于北斗坐标的埋地管道沉降监测系统可以包括获取模块、校正模块、分析模块和加密模块。
获取模块，用于对埋地管道进行标记，获取埋地管道标记位置的北斗坐标；关于埋地管道标记位置的北斗坐标的更多细节可以参见图2及其相关描述。
校正模块，用于基于所述埋地管道标记位置的北斗坐标随时间的变化情况，对所述埋地管道标记位置的北斗坐标进行误差校正，得到样本数据，组成训练数据集；关于训练数据集的更多细节可以参见图2及其相关描述。
分析模块，用于利用坐标预测模型对所述训练数据集进行分析，得到坐标预测结果；关于坐标预测结果的更多细节可以参见图2及其相关描述。
加密模块，用于对所述坐标预测结果进行加密处理，得到埋地管道沉降监测结果；关于埋地管道沉降监测结果的更多细节可以参见图2及其相关描述。
在一些实施例中，基于北斗坐标的埋地管道沉降监测系统可以用于执行基于北斗坐标的埋地管道沉降监测方法，包括：S1：对埋地管道进行标记，获取埋地管道标记位置的北斗坐标；S2：基于所述埋地管道标记位置的北斗坐标随时间的变化情况，对所述埋地管道标记位置的北斗坐标进行误差校正，得到样本数据，组成训练数据集；S3：利用坐标预测模型对所述训练数据集进行分析，得到坐标预测结果；其中，所述坐标预测模型通过训练得到；S4：对所述坐标预测结果进行加密处理，得到埋地管道沉降监测结果。
在本说明书的一些实施例中，处理器利用基于北斗坐标的埋地管道沉降监测系统执行基于北斗坐标的埋地管道沉降监测方法。通过这种方式，可以（1）通过误差校正方法，可以减少埋地管道坐标随时间变化产生的误差，提高位置监测的准确性；（2）通过利用坐标预测模型，可以大大提高对埋地管道位置监测的实时性、准确性，可以适用于更深层的埋地管道监测，同时，通过这种模型训练方式可以使用少量训练数据得到高性能的坐标预测模型；（3）通过对坐标预测结果进行加密，可以提高埋地管道沉降监测结果在传输过程中的安全性。
实施例二
图2是根据本说明书一些实施例所示的一种基于北斗坐标的埋地管道沉降监测方法的示例性流程图。如图2所示，流程包括下述步骤。在一些实施例中，流程可以由处理器执行。
S1：对埋地管道进行标记，获取埋地管道标记位置的北斗坐标。
埋地管道是埋于地下作为油气等资源的传输载体的管道。
在一些实施例中，处理器可以利用浮标、坐标传感器等管道位移监测标志物对埋地管道的表面进行标记，便于获取埋地管道的位置信息。
在一些实施例中，处理器可以利用北斗卫星采集埋地管道标记位置的坐标信息，获取埋地管道标记位置的北斗坐标。
S2：基于所述埋地管道标记位置的北斗坐标随时间的变化情况，对所述埋地管道标记位置的北斗坐标进行误差校正，得到样本数据，组成训练数据集。
样本数据是埋地管道坐标相关数据。例如，样本数据可以包括埋地管道各标记位置坐标随时间变化的数据等。
在一些实施例中，处理器可以利用离散滤波算法对所述埋地管道标记位置的北斗坐标进行分析和误差校正，得到样本数据：
；
；
其中，表示时刻的样本数据，表示时刻的北斗坐标，表示时刻相对时刻的坐标校正参数，表示时刻的观测矩阵，表示时刻的状态估计，表示时刻的随机量测噪声，表示时刻相对时刻的角度变化数据，表示时刻的状态估计，表示时刻的噪声输入矩阵，表示时刻的随机过程噪声。
在本说明书的一些实施例中，处理器通过误差校正，可以减少埋地管道坐标随时间变化产生的误差，提高位置监测的准确性。
训练数据集是用于对坐标预测模型进行训练的数据集。
在一些实施例中，处理器可以对样本数据进行通过，组成训练数据集。
S3：利用坐标预测模型对所述训练数据集进行分析，得到坐标预测结果。
坐标预测结果是埋地管道当前位置及未来一段时间位置的预测结果。例如，坐标预测结果可以包括埋地管道当前各标记位置坐标、当前预测的整体坐标、未来一段时间各标记位置坐标和未来一段时间的整体坐标等。
在一些实施例中，处理器可以利用以下步骤实现S3：S310：通过特征提取层，对所述训练数据集进行特征提取，构建图像特征数据；S320：通过视点生成层，对所述图像特征数据进行分析，得到调整参数；S330：通过融合层，对所述图像特征数据和所述调整参数进行融合，得到坐标预测结果；其中，所述特征提取层、视点生成层和融合层属于坐标预测模型。
图像特征数据是反映训练数据集中各样本数据随时间的旋转和位移情况的特征数据。
在一些实施例中，图像特征数据的表达式可以为：
；
其中，表示第个样本数据的图像特征数据，表示第个样本数据的旋转分量，表示第个样本数据的平移分量，表示零矩阵的转置矩阵。
调整参数是用于对图像特征数据进行调整的参数。
在一些实施例中，处理器可以利用以下步骤实现S320：S321：基于所述平移分量，通过计算，得到平移分量之间的距离；S322：基于所述平移分量之间的距离，对距离小于阈值的平移分量进行均匀采样，得到平移变换参数；S323：基于旋转分量，通过计算，得到旋转变换参数；S324：结合所述平移变换参数和所述旋转变换参数，得到所述调整参数。
在一些实施例中，平移分量之间的距离的表达式可以为：
；
其中，表示平移分量之间的距离，表示欧几里得距离，表示第个样本数据的平移分量，表示第个样本数据的平移分量，表示样本数据数量。
在一些实施例中，平移变换参数表达式可以为：
；
其中，表示平移变换参数，表示平移分量的距离小于阈值的样本数据数量。
在一些实施例中，旋转变换参数表达式可以为：
；
；
其中，表示旋转变换参数，表示权重参数，表示第个样本数据对应的旋转参数，表示第个样本数据对应的旋转参数，表示基于旋转分量得到的旋转参数，表示旋转参数的范数，、、和分别表示旋转参数对应的四个参数值。
在一些实施例中，旋转参数对应的四个参数值可以通过以下方式计算得到：
；
；
；
；
其中，、、、、、、、和分别表示旋转分量的3×3矩阵对应位置的数据。
在一些实施例中，权重参数可以通过计算得到：
；
其中，表示第个样本数据，表示样本数据数量。
在一些实施例中，调整参数可以表示为。
在一些实施例中，坐标预测结果的表达式可以为：
；
其中，表示第个样本数据的坐标预测结果，表示渲染函数，表示调整参数，表示第个样本数据的图像特征数据。
坐标预测模型是用于对埋地管道的当前及未来一段时间位置进行预测的模型。
在一些实施例中，坐标预测模型的输入可以是训练数据集，输出可以是坐标预测结果。
在一些实施例中， 坐标预测模型可以包括特征提取层、视点生成层和融合层，特征提取层的输出作为视点生成层的输入，视点生成层的输出和特征提取层的输出作为融合层的输入，融合层的输出作为坐标预测模型的输出。
在一些实施例中，特征提取层的输入可以是训练数据集，输出可以是图像特征数据。
在一些实施例中，视点生成层的输入可以是图像特征数据，输出可以是调整参数。
在一些实施例中，融合层的输入可以是图像特征数据和调整参数，输出可以是坐标预测结果。
在一些实施例中，坐标预测模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始坐标预测模型，通过标签和初始坐标预测模型的结果构建损失函数，基于损失函数通过梯度下降或其他方法迭代更新初始坐标预测模型的参数。当满足预设条件时模型训练完成，得到训练好的坐标预测模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，训练样本可以是训练数据集。标签可以是训练数据集中各样本数据对应的坐标。标签可以人工标注。
S4：对所述坐标预测结果进行加密处理，得到埋地管道沉降监测结果。
埋地管道沉降监测结果是反映埋地管道当前及未来一段时间坐标的监测结果。
在一些实施例中，处理器可以基于埋地管道沉降监测结果，分析埋地管道各部位的坐标变换，判断埋地管道是否发生损坏或偏移等情况。
在一些实施例中，埋地管道沉降监测结果的具体表达式可以为：
；
；
；
其中，表示第个坐标预测结果对应的埋地管道沉降监测结果，表示的加密结果，表示的加密结果，表示坐标预测结果的平均系数，表示加密密钥，表示坐标预测结果的差值系数。
在一些实施例中，加密密钥可以利用以下方式计算得到：
；
其中，表示散列密钥的长度，表示散列密钥的值，表示第个坐标预测结果的高斯随机数。
在一些实施例中，处理器可以基于加密密钥对埋地管道沉降监测结果进行逆向处理，生成解密后的埋地管道沉降监测结果。
在本说明书的一些实施例中，处理器使用加密密钥对坐标预测结果进行加密处理，得到埋地管道沉降监测结果。通过这种方式，可以大大提高埋地管道沉降监测结果的加密效率和安全性。
在本说明书的一些实施例中，处理器通过对获取的埋地管道标记位置的北斗坐标进行误差校正，利用坐标预测模型进行分析，得到坐标预测结果，并通过加密方法，得到埋地管道沉降监测结果。（1）通过误差校正方法，可以减少埋地管道坐标随时间变化产生的误差，提高位置监测的准确性；（2）通过利用坐标预测模型，可以大大提高对埋地管道位置监测的实时性、准确性，可以适用于更深层的埋地管道监测，同时，通过这种模型训练方式可以使用少量训练数据得到高性能的坐标预测模型；（3）通过对坐标预测结果进行加密，可以提高埋地管道沉降监测结果在传输过程中的安全性。
Claims (5)
1.一种基于北斗坐标的埋地管道沉降监测方法，其特征在于，包括：
S1：对埋地管道进行标记，获取埋地管道标记位置的北斗坐标；
S2：基于所述埋地管道标记位置的北斗坐标随时间的变化情况，对所述埋地管道标记位置的北斗坐标进行误差校正，得到样本数据，组成训练数据集；
S3：利用坐标预测模型对所述训练数据集进行分析，得到坐标预测结果；其中，所述坐标预测模型通过训练得到，所述S3包括：
S310：通过特征提取层，对所述训练数据集进行特征提取，构建图像特征数据；其中，所述图像特征数据的表达式具体为：
；
其中，表示第个样本数据的图像特征数据，表示第个样本数据的旋转分量，表示第个样本数据的平移分量，表示零矩阵的转置矩阵；
S320：通过视点生成层，对所述图像特征数据进行分析，得到调整参数；其中，所述S320包括：
S321：基于所述平移分量，通过计算，得到平移分量之间的距离：
；
其中，表示平移分量之间的距离，表示欧几里得距离，表示第个样本数据的平移分量，表示第个样本数据的平移分量，表示样本数据数量；
S322：基于所述平移分量之间的距离，对距离小于阈值的平移分量进行均匀采样，得到平移变换参数：
；
其中，表示平移变换参数，表示平移分量的距离小于阈值的样本数据数量；
S323：基于所述旋转分量，通过计算，得到旋转变换参数：
；
；
其中，表示旋转变换参数，表示权重参数，表示第个样本数据对应的旋转参数，表示第个样本数据对应的旋转参数，表示基于旋转分量得到的旋转参数，表示旋转参数的范数，、、和分别表示旋转参数对应的四个参数值；
S324：结合所述平移变换参数和所述旋转变换参数，得到所述调整参数；
S330：通过融合层，对所述图像特征数据和所述调整参数进行融合，得到坐标预测结果；其中，所述特征提取层、视点生成层和融合层属于坐标预测模型；
S4：对所述坐标预测结果进行加密处理，得到埋地管道沉降监测结果。
2.根据权利要求1所述的基于北斗坐标的埋地管道沉降监测方法，其特征在于，所述S2包括：
利用离散滤波算法,对所述埋地管道标记位置的北斗坐标进行分析和误差校正，得到样本数据，组成训练数据集，其中，样本数据的表达式如下：
；
；
其中，表示时刻的样本数据，表示时刻的北斗坐标，表示时刻相对时刻的坐标校正参数，表示时刻的观测矩阵，表示时刻的状态估计，表示时刻的随机量测噪声，表示时刻相对时刻的角度变化数据，表示时刻的状态估计，表示时刻的噪声输入矩阵，表示时刻的随机过程噪声。
3.根据权利要求1所述的基于北斗坐标的埋地管道沉降监测方法，其特征在于，所述坐标预测结果的表达式具体为：
；
其中，表示第个样本数据的坐标预测结果，表示渲染函数，表示调整参数，表示第个样本数据的图像特征数据。
4.根据权利要求1所述的基于北斗坐标的埋地管道沉降监测方法，其特征在于，所述埋地管道沉降监测结果的具体表达式为：
；
；
；
其中，表示埋地管道沉降监测结果，表示的加密结果，表示的加密结果，表示坐标预测结果的平均系数，表示加密密钥，表示坐标预测结果的差值系数。
5.一种基于北斗坐标的埋地管道沉降监测系统，用于执行如权利要求1~4任一项所述的基于北斗坐标的埋地管道沉降监测方法，其特征在于，包括：
获取模块，用于对埋地管道进行标记，获取埋地管道标记位置的北斗坐标；
校正模块，用于基于所述埋地管道标记位置的北斗坐标随时间的变化情况，对所述埋地管道标记位置的北斗坐标进行误差校正，得到样本数据，组成训练数据集；
分析模块，用于利用坐标预测模型对所述训练数据集进行分析，得到坐标预测结果；其中，所述坐标预测模型通过训练得到；
加密模块，用于对所述坐标预测结果进行加密处理，得到埋地管道沉降监测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410694879.8A CN118274786B (zh) | 2024-05-31 | 2024-05-31 | 一种基于北斗坐标的埋地管道沉降监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410694879.8A CN118274786B (zh) | 2024-05-31 | 2024-05-31 | 一种基于北斗坐标的埋地管道沉降监测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118274786A CN118274786A (zh) | 2024-07-02 |
| CN118274786B true CN118274786B (zh) | 2024-08-13 |
Family
ID=91634215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410694879.8A Active CN118274786B (zh) | 2024-05-31 | 2024-05-31 | 一种基于北斗坐标的埋地管道沉降监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118274786B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127690A (zh) * | 2016-07-06 | 2016-11-16 | 李长春 | 一种无人机遥感图像快速拼接方法 |
| CN107968916A (zh) * | 2017-12-04 | 2018-04-27 | 国网山东省电力公司电力科学研究院 | 一种适用于非固定场景的快速视频稳像方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8238648B2 (en) * | 2006-12-04 | 2012-08-07 | Electronics And Telecommunications Research Institute | Apparatus and method for estimating focal length of camera |
| CN101915571B (zh) * | 2010-07-20 | 2011-08-10 | 桂林理工大学 | 基于相位相关的影像匹配初始视差的全自动获取方法 |
| CN103345642B (zh) * | 2013-06-28 | 2016-05-25 | 华中科技大学 | 一种基于点线对偶的图像匹配方法 |
| CN106296598B (zh) * | 2016-07-29 | 2019-11-26 | 厦门美图之家科技有限公司 | 三维姿态处理方法、系统及拍摄终端 |
| US10989563B2 (en) * | 2018-06-25 | 2021-04-27 | CloudNav Inc. | Automatic calibration of rate gyroscope sensitivity |
| US11341676B2 (en) * | 2019-02-05 | 2022-05-24 | Google Llc | Calibration-free instant motion tracking for augmented reality |
| CN111795639B (zh) * | 2020-05-29 | 2021-12-03 | 湖南联智科技股份有限公司 | 基于北斗高精度定位的基础设施结构变形监测方法 |
| CN111522006B (zh) * | 2020-06-29 | 2020-10-09 | 航天宏图信息技术股份有限公司 | 融合北斗和InSAR数据的地表沉降监测方法及装置 |
| CN111783986B (zh) * | 2020-07-02 | 2024-06-14 | 清华大学 | 网络训练方法及装置、姿态预测方法及装置 |
| CN116048032B (zh) * | 2023-04-03 | 2023-06-13 | 四川宏大安全技术服务有限公司 | 基于互联网的石油化工生产安全监测方法及系统 |
-
2024
- 2024-05-31 CN CN202410694879.8A patent/CN118274786B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127690A (zh) * | 2016-07-06 | 2016-11-16 | 李长春 | 一种无人机遥感图像快速拼接方法 |
| CN107968916A (zh) * | 2017-12-04 | 2018-04-27 | 国网山东省电力公司电力科学研究院 | 一种适用于非固定场景的快速视频稳像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118274786A (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10152828B2 (en) | Generating scene reconstructions from images | |
| CN101246586B (zh) | 一种基于曲线分割的矢量地图水印方法 | |
| CN113838058B (zh) | 一种基于小样本分割的医学图像自动标注方法及系统 | |
| CN104615880B (zh) | 一种三维激光雷达点云匹配的快速icp方法 | |
| CN104899448A (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
| CN106547724A (zh) | 基于最小点集的欧式空间坐标转换参数获取方法 | |
| CN115510578A (zh) | 基于InSAR近实时监测的滑坡失稳时间概率预测方法及产品 | |
| CN117576517B (zh) | 一种光学遥感影像自监督对比学习变化检测方法及装置 | |
| CN115482445A (zh) | 一种基于深度神经网络的煤矿井壁渗水识别方法 | |
| CN118276036A (zh) | 基于扩散模型的激光雷达定位方法、装置及可读介质 | |
| Ran et al. | RGAN: Rethinking generative adversarial networks for cloud removal | |
| CN118274786B (zh) | 一种基于北斗坐标的埋地管道沉降监测方法和系统 | |
| CN102254296B (zh) | 一种gis矢量数据图像水印的相似度计算方法 | |
| CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
| US8548225B2 (en) | Point selection in bundle adjustment | |
| US8270770B1 (en) | Region-based dense feature correspondence | |
| Wang et al. | RST invariant fragile watermarking for 2D vector map authentication | |
| WO2019148311A1 (zh) | 信息处理方法和系统、云处理设备及计算机程序产品 | |
| CN117521916A (zh) | 碳排放估算方法、装置、计算机设备和存储介质 | |
| CN104866737B (zh) | 一种顾及地形特征的dem脆弱水印完整性认证方法 | |
| CN116383470B (zh) | 一种具有隐私保护的图像搜索方法 | |
| CN102663673B (zh) | 一种基于混沌映射的shp线面图层易碎水印方法 | |
| CN117150456A (zh) | 矢量地理数据交换密码水印方法、装置及介质 | |
| CN114913541B (zh) | 基于正交匹配追踪的人体关键点检测方法、装置及介质 | |
| CN105550970B (zh) | 一种矢量地图可逆信息隐藏方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |