1.基于图像对比的土石坝渗漏实时监测与快速诊断方法，按顺序进行以下步骤：步骤一，将电极固定在土石坝坝体上，并通过电法仪实时获取三维电阻率层析图像，取最初稳定状态下的剖面图作为图像对比的起始参照物，现场电法仪采集的数据进行三维正反演成像或三维正演成像处理；

在此过程中，控制电极的预埋位置、图像尺寸、像素大小，使不同时段获取的三维电阻率层析图像在质量、大小、边缘性能上完全一致；

步骤二，实时传输，通过无线传输将图像数据传至PC端；

步骤三，将步骤一获得海量图像基于卷积神经网络学习进行图像筛选，基于卷积神经网络学习进行海量图像筛选过程，在基于卷积神经网络场景标注策略中，首先输入采集图像X，也就是步骤一中获得的三维电阻率层析图像，其视为由多尺度超像素组成：即X＝[x1,x2,...xn]，公式中：x1表示第一次采集图像，x2表示第二次采集图像，xn表示第n次采集图像，采集图像X即为卷积训练的样本，卷积神经网络算法可提供非线性的假设模型HW,b(x)，它具有可训练的参数W,b，其中W为卷积核的权重，b表示卷积层的偏移，由此神经网络中卷积层输出为：

其中f为非线性激活函数，Wi为第i次卷积核权重，i表示采集次数，x代表采集图像，‑x ‑1

激活函数有sigmoid函数：f(x)＝(1+exp )x ‑x x ‑x ‑1

和hyperbolic tangent函数：f(x)＝(e‑e )/(e+e ) ；

公式中，x代表采集图像，exp表示以e为底的函数，卷积神经网络计算过程中，如果第t层为其池化层，则可表示为：Ht＝pool(Ht‑1)

公式中：t为池化层，

此时，输出图像为输入图像H0的类别概率分布Y(m1)可表示为：Y(m1)＝P(L＝lm1/H0；(W,b)式中：m1是索引标签，lm是类别标签，二者均为索引使用，P为概率函数，L为损失函数，W为卷积核的权重，b表示卷积层的偏移；

在卷积神经网络训练过程中，首要问题是确定训练目标，其代价函数为：为了防止过拟合，在代价函数中添加权重衰减项，这样含有m个样例的固定样本集整体代价函数可表示为：

上式中第一项为均方差项，第二项为权重衰减项，λ为超参数，i、j分别为类别索引标签，J为代价函数，x为采集图像，y为固定样本数，h为均方差，m为样例个数，sl为样例衰减个数，，其作用是控制整个网络模型的拟合程度；

针对上述样本训练，采用梯度下降法，通过改变卷积核权值以及所对应层次的偏移量达到代价函数最小化的目标，即：公式中，l表示层数，i、j分别为像素点类别标签索引，α是学习控制过程中每次迭代均对W，b进行更新，其中α是学习控制，控制学习过程中速度梯度的下降；当接受训练的神经网络模型损失率恒定时便完成训练，此时训练参数(W，b)也可随之确定，具体训练步骤如下：

1、计算得到L2、L3……直到输出层Lnl的激活值；

2、计算输出层每个单元i的输出残差；

3、计算任一层任一节点i的计算残差；

4、计算最终需要的偏导数值；

式中，δi为训练输出残差，f为训练参数，l为训练层数，通过上述训练步骤目的是将采集图像X的像素进行空间类别概率转换Y，转换后通过不同像素点的空间分布进行场景L标注，标注过程中用概率最大化原则对像素点加以标识，即：

li＝max Y(i,j)(j∈[1,N])公式中，i、j分别为像素点索引和标识索引，N为总场景标注数；

卷积神经网络学习场景标注，即通过训练获得每幅图像每个像素点在图像空间中的类别分布概率，因此图像标注区域可表示为离散随机场：G＝(V,E)

式中：V为各图像所有像素点总和，E为像素点分布不同区域；

离散化随机场的能量函数可表示为：*

i，i分别表示不同的像素点的组合；li表示识别图像中第i个像素点的标识类别；S表示识别图像中不同分割区域；Ic表示分割区域c内所有像素点；φ、 γ分别为对应计算函数；

由此，即可定义整个函数一阶能量势函数：式中，i、j含义同上，σ为一阶超参数，可自由设定；

定义二阶能量势函数为：

*

式中：xi为识别图像中像素点对应值，xi 为映射区域对应点RGB值，μ为二阶超参数，，可自由设定，exp为以e为底的函数；

定义高阶能量势函数为：

式中：N(Ic)表示分割区域内异常像素点数量，εmax表示分割区域内所有像素点数量，Q表示截断参数；

至此，通过卷积神经网络学习将海量图片进行筛选，将无隐患存在的图像进行排除，将隐患重叠区域重叠的图像进行删除，将具有隐患存在的图像进行场景标注，获得标本图像；

按照感官权值比重法计算灰度值Gray后重新对图像进行原位一一对应即完成图像灰度化处理；

步骤四，对步骤三获得的标本图像进行二维电阻率剖面处理，并对获得的二维电阻率剖面图进行灰度化处理，得出各色彩图像边界图，步骤五，进行图像色彩空间转换；

所述图像色彩空间转换过程为：对原图进行霍夫直线检测，过滤掉不关心的直线，得出截面三角形横向直线，直线用蓝色画出；

经霍夫直线检测后上边和左边两条直线，确定一个矩形，同时以此矩形区域为计算区域，截取图像；

对确定的计算区域图像进行高斯滤波处理，得出图像；

步骤六，进行图像色彩空间分离；然后进行电阻率图像对比，其中电阻率图像对比择一选用以下方式或两种方式按照先后顺序进行组合的方式进行：方式一，通过图像质心检测算法检测标本图像中隐患异常区质心是否发生变化，其中，图像对比中的质心则是指质点系中像素质量分布的平均位置；

若是，则，报警处理，

若否，则，断定该处测量点处于安全状态；

方式二，通过Canny边缘检测算法对经过处理的图像与破坏阀值进行对比，所述破坏阀值是最初稳定时的二维图像至破坏时的二维图像区间内的系列图像；

若:

A、标本图像变化超出破坏阀值，则报警处理；

B、标本图像变化未超出破坏阀值，则，断定该处测量点处于安全状态。

2.根据权利要求1所述的基于图像对比的土石坝渗漏实时监测与快速诊断方法，其特征在于，步骤一中，所述三维电阻率层析图像为正演图像或者反演图像中的一种。

3.根据权利要求1所述的基于图像对比的土石坝渗漏实时监测与快速诊断方法，其特征在于，步骤二中，所述无线传输中，在电法仪和平板电脑之间通过蓝牙进行数据传输，在平板电脑和PC终端之间使用4G传输。