【技术实现步骤摘要】
本专利技术属于边坡稳定与地质灾害监测，尤其涉及一种量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法。
技术介绍
1、高陡斜坡失稳多是由于危岩块体发生崩塌或松散块体发生滑移所致，且其中的危岩块体具有位置险峻、隐蔽性强等特点,而传统的危岩块体识别依赖人工巡查和有限的地面观测站，不仅效率低下，且难以覆盖偏远及险峻地区，因此对高陡斜坡危岩块体的识别以及对危岩块体采取消除危险或持续监测等处理，成为目前研究和开发的重要方向；
2、现有的高陡斜坡危岩块体的识别技术主要有：非接触式三维激光扫描；无人机贴近摄影测量技术等。非接触式三维激光扫描其设备造价不菲，而且现场作业时由于本身并没有定位系统，必须要人工布设控制点才能保证精度，导致了其操作复杂、搬运麻烦、工作量大，在实际作业过程中有很大的局限性。无人机贴近摄影测量技术虽可较好解决以上弊端，但获取的点云数据是离散的，没有任何拓扑关系，加上数据量是海量的，又给基于无人机贴近摄影测量技术的危岩块体识别与精细表征带来巨大的挑战。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，包括：
3、基于无人机采集的数据获取斜坡点云数据；
4、对所述点云数据进行预处理，获得预处
5、构建量子随机森林模型，基于所述预处理数据集对所述量子随机森林模型进行训练，获得危岩块体识别自动识别模型；
6、基于量子机器学习算法、大数据模型和所述危岩块体识别自动识别模型获取精细表征信息；
7、对所述精细表征信息进行高精度建模，将建模数据导入至全息投影模型中，生成三维可视化模型。
8、优选地，所述基于无人机采集的数据获取结构面点云数据的过程包括：基于无人机采集的数据构建高陡斜坡的三维实景模型，基于所述高陡斜坡的三维实景模型获取所述斜坡点云数据。
9、优选地，对所述点云数据进行预处理，获得预处理数据集的过程包括：基于k-means聚类算法识别所述点云数据中的结构面及其迹线，并结合特征点收缩算法对识别后的点云数据的结构信息进行细化，获得所述预处理数据集。
10、优选地，所述获得危岩块体识别自动识别模型的过程包括：
11、基于量子计算方法、深度卷积神经网络和迁移学习方法构建量子随机森林模型；
12、将所述预处理数据集输入至所述量子随机森林模型中进行训练和测试，直至模型输出不同光照条件、植被覆盖下高陡斜坡上的危岩块体特征后完成训练，获得所述危岩块体识别自动识别模型。
13、优选地，所述获得危岩块体识别自动识别模型的过程还包括：构建环境影响因子权重自适应算法，基于所述环境影响因子权重自适应算法和实时获取的数据对所述危岩块体识别自动识别模型的模型参数自适应更新。
14、优选地，所述获取精细表征信息的过程包括：
15、基于量子机器学习算法、大数据模型和所述危岩块体识别自动识别模型构建细粒度特征识别模型；
16、基于所述细粒度特征识别模型获取危岩的几何属性和表面裂缝变化；
17、基于所述几何属性和表面裂缝变化构建所述精细表征信息。
18、优选地，所述生成三维可视化结果后还包括：基于时间序列分析模型、机器学习模型、边缘计算模型和云计算平台对所述三维可视化模型的微小位移、裂缝扩展速率进行连续监测和预测。
19、与现有技术相比，本专利技术具有如下优点和技术效果：
20、本专利技术基于无人机获取的高清影像，并利用量子技术、深度学习、个性化精细三维建模以及全息投影等先进技术，根据块体理论与极限平衡法的基本原理，开发出了一套用于动态识别与风险评估的模型。该模型能够高效且精确地识别潜在危险的岩石块体，并预测这些块体失稳的概率。
21、相较于传统的识别方法，本专利技术通过集成量子计算与深度学习算法，极大地提高了识别的准确性和效率，减少了人工干预的需求并降低了因人为因素造成的误差。并且，全息投影技术的应用也实现了三维可视化及远程协作的能力，为决策者提供沉浸式、交互式的危岩状态观测体验，有助于更直观地理解风险等级和制定应对措施。
本文档来自技高网...【技术保护点】
1.一种量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，所述基于无人机采集的数据获取结构面点云数据的过程包括：基于无人机采集的数据构建高陡斜坡的三维实景模型，基于所述高陡斜坡的三维实景模型获取所述斜坡点云数据。
3.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，对所述点云数据进行预处理，获得预处理数据集的过程包括：基于K-means聚类算法识别所述点云数据中的结构面及其迹线，并结合特征点收缩算法对识别后的点云数据的结构信息进行细化，获得所述预处理数据集。
4.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，所述获得危岩块体识别自动识别模型的过程包括：
5.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，所述获
6.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，所述获取精细表征信息的过程包括：
7.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，所述生成三维可视化结果后还包括：基于时间序列分析模型、机器学习模型、边缘计算模型和云计算平台对所述三维可视化模型的微小位移、裂缝扩展速率进行连续监测和预测。
...【技术特征摘要】
1.一种量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，所述基于无人机采集的数据获取结构面点云数据的过程包括：基于无人机采集的数据构建高陡斜坡的三维实景模型，基于所述高陡斜坡的三维实景模型获取所述斜坡点云数据。
3.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视化的方法，其特征在于，对所述点云数据进行预处理，获得预处理数据集的过程包括：基于k-means聚类算法识别所述点云数据中的结构面及其迹线，并结合特征点收缩算法对识别后的点云数据的结构信息进行细化，获得所述预处理数据集。
4.根据权利要求1所述的量子与深度学习相结合的自适应识别危岩块体及精细表征全息投影可视...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。