单目机器视觉采用物联网技术及智能灾变识别算法将视频图片数据转化为变形数据，实现对各类土木工程结构物的超高精度非接触式实时测量，达到对结构物健康状况全天候监测的目的。该系统广泛应用于桥梁、矿山、边坡、基坑、隧道、建筑物等结构动/静态变形的长期监测和预警。

（1）核心技术一：自研机器视觉算法实现山区高速边坡图像预处理，消除恶劣环境下图片精度影响。

u大风环境下，采用图像对齐技术，基于特征点匹配的图像数据校正方法，减少大风环境摄像头抖动引起的画面不稳定；

u强日照环境，采用直方图均衡化技术，在拍摄环境光照条件不均匀时，直方图均衡化使得图像的亮度分布更为均匀、细节更加清晰；

u大雾区域，采用图像掩膜技术，通过基于高斯模糊和Canny边缘检测算法的图像掩膜，从图像中提取重点区域，减少处理时间、提高处理精度。

（2）核心技术二：基于图像差分和结构相似度指数算法快速锁定滑坡危险性区域。

u目的：通过图像对比检测快速锁定滑坡易发区域范围；

u图像差分：从两张图片之间的差异性出发进行研究，执行给定时间t时图片像素到像素的值减法；

u结构相似度指数：从两张图片之间的相似度出发进行研究，从图像的亮度、对比度、结构三个方面综合表示图片之间的相似性；

u技术效果：瞬间捕捉到像素微小增量，实现易发区域快速锁定；从不同角度对易发区域进行评估，提高监测结果的鲁棒性。

（3）核心技术三：首创结合深度学习的光流算法计算边坡表面位移速度，实现全域动态监测。

u目的：通过实时位移精准分析变形速度，进一步锁定小范围高危区域；

u技术效果：结合深度学习的光流算法可以直接从输入图像中获得边坡全域的表面位移，构建表面速度场分布，锁定小范围高危区域。

（4）核心技术四：结合动静态监测的滑坡危险性智能预警系统。

u创新点：同时考虑静态与动态监测，自适应设定阈值来过滤异常变化数据；

u技术突破：结合历史数据统计边坡形变监测规律，提供了一种能够适应条件变化的动态阈值调整方法；

u技术水平：下图所述13个监测时间点及未展示的50个监测时间点使用该算法得到的预测值与实际情况均符合，表明该预警算法的适用性。

单目机器视觉结合机器视觉与深度学习算法，通过图像前处理、动静态监测及智能预警而建设的一套低成本、智能化的监测预警系统。