技术领域
[0001] 本发明属于交通沿线泥石流监测报警的技术领域，具体涉及一种交通沿线泥石流的监测报警方法、系统及存储介质。
相关背景技术
[0002] 泥石流是发生在山区的一种含有大量泥砂、石块和巨砾等固体物质的暂时性特殊洪流。俗称“走蛟”、“出龙”、“蛟龙”等。具有突然爆发，来势凶猛，运动快速，历时短暂等特点，往往在瞬间摧毁建筑物和工程设施和人民的生命财产，具有强大的破坏力，是严重威胁山区居民安全和工程建设的地质灾害。在道路交通沿线和轨道交通沿线，存在泥石流的危险，因此，需要在重要的道路交通沿线和轨道交通沿线设置泥石流地质灾害监测预警系统。
[0003] 现有的泥石流地质灾害监测预警系统主要由现场监测设备、数据通信系统、用户自建的监控中心(含地质灾害智能监测预警云平台)组成，并通过监测预警平台将地灾信息进行呈报。用户终端信息设备对灾害信息进行传送播报，为灾害报警、人员疏散撤离提供及时信息。系统为典型的物联网系统，分为传感层、传输层、平台层、应用层。然而，现有的泥石流地质灾害监测预警方式比较单一，报警信息依赖性强，且容易出现差错。而且无法实现自动分级报警，需要人工自行判断警情等级。
具体实施方式
[0052] 实施例1：
[0053] 一种交通沿线泥石流的监测报警方法，包括以下步骤：
[0054] 步骤1，警示灯根据预设规则分级报警。
[0055] 高速道路旁的沟渠和拦坝是预防泥石流的重要工程措施，主要目的是控制和减少泥石流灾害的发生。一般在高速道路周围设有一至三级的拦坝与沟渠，在道路边上设有护栏。每一级的拦坝与沟渠处都装有三个警示灯，护栏上同样装有多个警示灯。报警平台均可以实时获取所有警示灯的状态信息(是否受到碰撞、是否亮灯、位置等)，根据预设的分级报警规则，可以得到不同级别的警示分数。
[0056] 步骤2，基于高速道路监控系统的视频流进行泥石流检测。
[0057] 步骤2.1，监控摄像设备实时采集连续视频数据流，基于目标检测算法对每一帧进行分析处理。
[0058] 步骤2.2，构建检测区域，过滤数据，得到泥石流目标的相应信息。
[0059] 步骤2.3，采用投票机制判定泥石流事件，并得到事件的置信度。
[0060] 步骤3，加权决策融合方法判定泥石流事件并报警。
[0061] 通过步骤1、步骤2，可以得到高速道路旁警示灯的分级报警数据以及高速道路监控视频流的泥石流检测数据，然后，将结果进行汇总，对警示灯报警分数和监控视频流检测结果进行综合加权评估，计算出综合风险评分。根据综合风险评分，确定最终的报警级别。
[0062] 平台根据最终的报警级别，可以触发高速道路泥石流区域前段距离的多个警示灯以不同颜色亮起，可以警示来往车辆前方道路存在的泥石流风险。通过多源信息融合的方法，实现对高速道路泥石流事件的监测报警，具有较强的鲁棒性和较高的时效性与精确性。
[0063] 实施例2：
[0064] 一种交通沿线泥石流的监测报警方法，如图1所示，包括以下步骤：
[0065] 步骤1，警示灯根据预设规则分级报警。
[0066] 离高速道路最近的是护栏，护栏上安装有多个警示灯，离高速道路最远的沟渠与拦坝是三级沟渠和三级拦坝，最近的为二级沟渠和二级拦坝，其中的拦坝和沟渠交替排列，每层级的拦坝和沟渠处分别设置有1组警示灯，其中3个警示灯为1组。
[0067] 当泥石流事件出现时，三级沟渠和三级拦坝最先出现警示灯受到碰撞的情况，触发规则为：每一层级中的三个警示灯中任意一个及以上出现碰撞情况，即会触发该层级的报警，即三级沟渠和三级拦坝的警示灯触发三级报警，二级沟渠和二级拦坝的警示灯触发二级报警。护栏上安装的任意一个警告灯受到碰撞即触发一级报警。
[0068] 三级报警系数为α，报警灯报警数量为A，二级报警系数为β，报警灯报警数量为B，一级报警系数为θ，报警灯报警数量为C。其中A、B、C的值为0到3，α、β、θ的初始值分别为0.048、0.096、0.190。实时警示分数s1由如下公式计算：
[0069] S1＝αA+βB+θC
[0070] 步骤2.高速道路监控系统视频流泥石流检测。
[0071] 步骤2.1，构建检测区域，过滤无关数据。
[0072] 在高速道路泥石流检测中，视频流来自沿线安装的监控摄像头，这些摄像头持续捕捉道路及周边环境的实时画面，将其传输到监控系统进行分析和处理，摄像头设置3个预置位，分别是警示灯位置、警示灯拦坝上游50米处和警示灯下游50米处，将拦坝沟渠所在区域设定为检测区域，过滤周围山体、树林等区域，减少图像中其他区域影响造成的误检。
[0073] 步骤2.2，得到泥石流目标的相应信息。
[0074] 对步骤2.1中的3个预置位的视频进行目标检测，从视频中截取1帧，独立的对图像用目标检测算法，如YOLOX或YOLOV8进行目标检测，得到目标检测框的位置、类别及置信度等信息，其中置信度取值范围为0到1。
[0075] 步骤2.3，采用投票机制，结合泥石流目标置信度，视频报警分数由如下公式计算，其中Dimage1、Dimage2、Dimage3分别为预置位1、预置位2、预置位3的泥石流目标置信度。λ、γ、η的初始值都为0.33
[0076] S2＝λDimage1+λDimage2+ηDimage3
[0077] 步骤3，加权决策融合方法判定泥石流事件并报警。
[0078] 步骤3的具体工作过程为：
[0079] 步骤3.1，根据步骤1和步骤2，可以获得高速道路监控系统视频流的泥石流报警综合得分s，其中b的初始值为0：
[0080] S＝S1+S2+b
[0081] 步骤3.2，三级报警阈值设置为0.8，二级报警阈值设置为1.2，一级报警阈值设置为1.6，当步骤3的综合得分超过某一级报警阈值时，判定为该等级的泥石流事件，确定报警级别。
[0082] 步骤3.3，触发泥石流事件并对外报警。
[0083] 平台获取最终报警级别，并触发高速道路泥石流区域前方几公里道路两侧的警示灯亮起，根据最终报警级别不同，警示灯亮起的颜色也不同，如一级报警亮红灯，二级报警亮起黄灯，三级报警闪烁黄灯。
[0084] 步骤4.系统参数修正
[0085] 在系统运行过程中，可根据实际情况，对综合得分中的7个参数α、β、θ、λ、γ、η、b进行自动学习修正。
[0086] 步骤4.1，系统报警后，由工作人员确认报警事件，若为误报或与真实报警级别不符，由工作人员在系统中对报警结果进行确认，将报警设置为误报、三级报警、二级报警、一级报警中的一种。
[0087] 步骤4.2，采用线性回归算法修正参数，具体步骤如下：
[0088] 步骤4.2.1，建立模型为y＝wx+b，
[0089] 其中：x为A、B、C、Dimage1、Dimage2、Dimage3组成的向量；
[0090] w为α、β、θ、λ、γ、η组成的向量。
[0091] 步骤4.2.2，将工作人员确认的事件，误报事件的综合得分s设为0，三级报警、二级报警、一级报警的综合得分 分别设为1.0、1.4、1.8，定义损失函数如下，
[0092]
[0093] 其中：n为人工确认后的报警信息数量；
[0094] 为第i条报警信息经人工确认后设置的综合得分s；
[0095] si为第i条报警信息中计算出的综合得分s。
[0096] 步骤4.2.3，分别求w、b的偏导，由下式更新w、b的值，其中σ为学习率，典型值为0.01，迭代m次结束，m的典型值为500。
[0097]
[0098] 步骤4.2.4，将修正后的参数应用到系统里，后续综合报警得分s由修正后的参数计算。
[0099] 本发明通过各层级的警示灯的状态，精确计算得到实时警示分数；并基于视频监控的目标检测算法对应得到对应层级的监控警示分数，最后基于实时警示分数和监控警示分数加和得到泥石流风险评分，进而对比得到最终的报警等级。本发明通过两个方向的检测信息融合得到最终的报警级别，提高了对信息的融合利用，提高了检测效率，使得结果具有较强的鲁棒性以及更高的精确度。进一步地，本发明结合人工确认报警数据，通过线性回归算法，不断修正泥石流风险评分公式中的参数，进一步提升了预警的准确率，具有较好的实用性。
[0100] 以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
