白鶴灘水電站近壩邊坡圖像建模及可視化監測可行性研究

周 軍，李小亮，馬國輝，李俊杰

(1.中國長江電力股份有限公司，湖北 宜昌 443000；2.天津杰創天成科技有限公司，天津 301700)

白鶴灘水電站近壩區域兩岸含自然邊坡和已支護邊坡，邊坡數量龐大。蓄水發電后的電站運行期，在地震、庫區水位波動、地質構造、氣候及風化作用等影響下，對邊坡進行表面位移監測意義重大，當分析到邊坡處于蠕動變形時進行預警，就能夠在邊坡變形破壞前采取加固措施。

當前，對邊坡穩定及變形進行判斷主要通過邊坡監測的方式，可通過位移監測墩、測斜孔等獲得數據進行分析。其存在以下不足：①數據采集人員作業風險大；②數據采集時間較長，獲取速度慢；③技術人員需求量大；④數據分析周期長，時效性差；⑤設備設施維護工作量大。同時，有限測點得到的數據去分析更大范圍的區域，可能與現場實際情況不符。工程技術人員測量及分析數據任務較重，大量數字信息直觀性不強，這對于更加切合實際及直觀的進行邊坡穩定性分析有著極大的制約作用。

數字圖像測量是近年來新興的邊坡監測技術，與傳統方法等比較，具有廉價、高效、穩定、安全的優勢[1]。本文主要研究論證對邊坡進行圖像建模并實現可視化監測的可行性[2]。通過采用現場實際及靶標模擬的方式，在白鶴灘水電站選取了約2 000 m2(通過其它監測數據顯示其處于變形階段)邊坡進行了現場試驗。通過無人機搭載高清相機對該邊坡表面區域進行全覆蓋影像獲取，再根據不同精度的影像數據源，利用ContextCaptureCenter軟件自動輸出三角網絡模型，復原建模主體的幾何形態。最后，采用聚類特征向量空間和更改映射的方式對不同間隔時間點形成的模型進行自動對比分析，通過映像變化達到監測邊坡表面位移變化及變形的目的。

1 邊坡試驗影像獲取原理

本次試驗影像獲取選用Falcon8多旋翼無人機，其為集專業檢測航拍于一體的“智能無人機+人工智能”飛機。其基本構造包括：飛行平臺、飛行導航與控制系統(飛控系統)、地面監控系統、任務設備(傳感器、攝影相機)、數據傳輸系統、發射與回收系統等。其具有超強穩定性、不受磁場干擾、輕便易攜帶、超高的工作效率、極致智能航線規劃等優點。

表1為本次現場影像獲取試驗所采用的兩種方式。圖1為試驗現場情況。因對方案的可行性研究及通過模型分析邊坡位移變形等有著不確定因素，故通過在邊坡上面固定9個靶標，分別進行編號便于區分。同時為了檢驗不同精度(分辨率)的模型的條件下對比分析的結果準確性，采用兩種靶標，它們的不同點在于形狀大小以及識別難度高低，如圖2所示。

表1 兩種試驗方案對比

圖1 白鶴灘水電站泄洪洞出口邊坡實驗區域圖

圖2 現場試驗兩種靶標圖

表2為本次現場影像獲取試驗整個過程記錄。

表2 試驗過程記錄表

對于整個數據采集流程，通過Falcon8多旋翼無人機配套的航線規劃軟件ASCTEC NAVIGATOR，對待測區域進行區域標注并按照拍攝距離進行航線設計。為了對比不同分辨率下的模型分析效果，在進行航線設計的時候，通過調整航線與邊坡的相對位置設計兩個飛行計劃，使得無人機分別距離邊坡10、20 m。根據邊坡的現狀，無人機負載即攝像機采用拍攝角度定為-10°，便于獲取更多的邊坡細節。再通過地面站調整航線的高度，無人機的航向(垂直于邊坡走向)，航點之間的重疊度(航向重疊60%，旁向重疊80%)、飛行速度(設置為4 m/s)等航線參數，如圖3所示。

圖3 實驗航線設計圖

按照規劃的航線，于2019年5月及7月使用無人機自動執行所規劃的航線，以10 m/s的速度進行數據不間斷的獲取。航線效果如圖4所示。

圖4 現場實驗航線效果圖

作為整個實驗研究中極為重要的一環也是最基礎的一環，需對數據的完整性及質量好壞進行檢查。影像數據不僅僅是相片，其中還包含了無人機自身所賦予影像的pos信息，即無人機的航點位置信息以及相機的姿態等信息[3]。數據質量的好壞檢查根據人眼視覺感受即可，選取百分之五左右的相片進行檢查，觀察相片的詳細參數以及多個相片之間的色差大小，最重要的就是檢查相片是否具有POS信息，如圖5所示。

圖5 實驗數據完整性及質量檢查圖

2 邊坡圖像三維模型創建

通過前面獲取的影像數據，采用ContextCaptureCenter建模軟件對待監測邊坡進行精細化建模。ContextCaptureCenter (CC)是一款軟件解決方案，可在無任何人工干預的情況下，基于簡單的影像或基于點云生成高分辨率三維模型[4]。

無人機10 m飛行高度模型成果與20 m飛行高度模型成果分別見圖6與圖7。

圖6 10 m飛行高度模型圖

圖7 20 m飛行高度模型圖

將10 m與20 m飛行高度后生成的模型進行細節對比，以論證不同精度的建模效果，見圖8。

圖8 10 m與20 m飛行高度后生成模型細節對比圖

通過圖8可以看出，10 m飛行高度后生成模型分辨率明顯高于20 m飛行高度后生成模型。且通過數據整理分析，采用10 m的數據源，實現建模圖像分辨率低于7 mm。

3 邊坡圖像三維模型對比及圖像分析

在不同時間獲取的區域圖像稱為多時間圖像，變化檢測涉及分析兩個多時間圖像以及兩個多時間模型以找出兩個時間之間可能發生的任何變化。此對比檢測異常方法涉及自動分析變化數據，即差異圖像，使用多時間圖像構建。差異圖像是2個圖像的逐個像素減法。然后，通過主成分分析(PCA)提取來自差異圖像的像素塊的特征向量。隨后，通過將該像素的鄰域投影到特征向量上，為差異圖像中的每個像素構建特征向量。特征向量空間是所有像素的特征向量的集合，在通過K均值算法進行聚類時給出了兩個聚類——即一個表示屬于改變的類的像素，另一個表示屬于未改變的類的像素。每個像素將屬于任一簇，因此可以生成變化圖。變化圖為黑白圖，通過分析該圖像，可以得到具體變化[5]。

根據現場實際情況得到試驗成果，將7月與9月的兩個模型對齊，像素對比得到圖像的差分圖見圖9。對比現場試驗過程記錄照片，差分圖中出現的三個白點，為現場堆存物資挪動，點位發生變化而形成的成果。

圖9 現場實際情況得到黑白差分圖

將兩組模型對比后得到差分圖成果，如圖10～圖16所示。

圖10 1號靶標移動前后分析圖

圖11 2號靶標移動前后分析圖

圖12 3號靶標移動前后分析圖

圖13 4號靶標移動前后分析圖

圖14 5號靶標移動前后分析圖

圖15 6號靶標移動前后分析圖

圖16 6個靶標移動形成差分圖整體效果圖

在約2 000 m2實驗區域內，白鶴灘水電站監測中心已有測點TPXCP-1-3，其位于泄洪道出口邊坡751高程。根據監測中心數據，TPXCP-1-3測點2019年5月累計水平位移最大為5.68 mm，7月累計水平位移最大為7.01 mm，7月與5月累計水平位移差約為1.33 mm。根據現場實際情況得到差分圖(分辨率為7 mm)顯示，該TPXCP-1-3測點未出現水平位移變化，因1.33 mm小于7 mm，差分圖未出現白色差異點，屬于正常范圍，實驗成果合理。現場實際情況得到的差分圖中顯示三個白點，為現場物資設備挪動部分，實驗成果合理。

實驗時對其中6個靶標整體水平右移20 mm，差分圖中均能顯示其水平位移發生變化,且均向右側移動了16～22 mm，數據合理，精度滿足要求，達到了實驗預期成果。

4 結 語

大壩近庫岸邊坡的穩定對于電站樞紐區水工建筑物的安全穩定運行至關重要，針對現有人工現場采集數據后進行分析的邊坡監測方式，本文創新性的提出基于邊坡三維模型創建的數字圖像監測法，提供了一種新的途徑用于邊坡監測。

本文主要研究成果與結論如下：

1)充分論證了圖像建模的監測方式可用于水電站邊坡及重點部位變形監測。

2)對邊坡進行圖像建模及可視化監測的可行性研究表明，該監測方式主要優點如下：①與傳統的變形監測方式相比，該法更適合邊坡表面的緩慢或勻速變形階段的滑坡監測；②不同時間階段形成的邊坡三維模型成果，可直觀動態的分析邊坡表面位移變化過程，達到安全隱患預警的目的；③該方法具有設備簡單、操作簡便、數據采集和處理速度迅速、自動化程度高、可覆蓋整個邊坡表面等傳統測量方法無可比擬的優點，能夠快速、高效、安全、無接觸地對邊坡選定區域進行測量[6]；④通過設置無人機影像獲取時的飛行高度，以形成不同分辨率的三維模型，邊坡測量精度可達到毫米級，滿足現有監測精度的需求。