CN111898419A - 基于级联深度卷积神经网络的分区滑坡检测系统及方法 - Google Patents
基于级联深度卷积神经网络的分区滑坡检测系统及方法 Download PDFInfo
- Publication number
- CN111898419A CN111898419A CN202010556136.6A CN202010556136A CN111898419A CN 111898419 A CN111898419 A CN 111898419A CN 202010556136 A CN202010556136 A CN 202010556136A CN 111898419 A CN111898419 A CN 111898419A
- Authority
- CN
- China
- Prior art keywords
- image
- landslide
- module
- detection model
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Abstract
本发明公开了一种基于级联深度卷积神经网络的分区滑坡检测系统及方法。所述分区滑坡检测方法中包括用于获取滑坡灾害图像的图像采集模块,用于构建和存储不同属性、不同区域滑坡灾害图像样本的数据库模块,用于预处理图像、构建图像金字塔、确定各区域相应区域系数的滑坡检测模型筹备模块,用于生成不同区域对应的滑坡灾害识别检测模型的滑坡检测模型生成模块,其中包括可视化DLNet检测器生成优化模块和多层级联深度卷积神经网络检测模型模块。本发明将人工智能技术与滑坡灾害识别相结合,利用滑坡灾害的区域共性,针对不同区域生成检测模型;构建级联特性的深度卷积神经网络,既实现了智能化解译滑坡灾害,也提升了滑坡灾害识别准确率。
Description
技术领域
本发明属于滑坡识别技术领域,具体涉及一种基于级联深度卷积神经网络的分区滑坡检测系统及方法。
背景技术
我国幅员辽阔,地形、地质条件复杂,约70%地域为山区,地质灾害频发。作为地质灾害中的常见类型,滑坡灾害发生次数占比逐年增加。据全国地质灾害通报书显示,每年我国发生滑坡次数超千起,给人民群众的生命财产安全造成了巨大的威胁。近年来,全国查出多处滑坡灾害隐患点,大量国土面积受到滑坡灾害的影响,滑坡灾害的监测和防治工作显得尤为重要,而滑坡灾害识别技术是开展上述系列工作的首要前提,滑坡灾害识别技术的变革将推动整个行业的发展与进步。
目前主要的滑坡识别技术主要分为以下三种方式:目视解译、基于像素的滑坡解译以及面向对象的滑坡识别方法。传统的目视解译技术耗费大量的人力物力且效率较低;基于像素的方法是利用单个像素的光谱、纹理等信息来进行解译与分类,过少地考虑图像的全局性和整体性;面向对象的滑坡识别方法综合提取图像中的各项信息进行滑坡识别。上述三种技术在一定程度上更依赖于判定者的经验,虽有呈逐渐向自动化靠拢的趋势,但仍未达到智能解译效果。
发明内容
本发明的目的是提供一种基于级联深度卷积神经网络的分区滑坡检测系统及方法,将人工智能技术与滑坡灾害识别相结合,利用滑坡灾害的区域共性,针对不同区域生成不同检测模型;针对滑坡图像识别较难问题,构造级联特性的深度卷积神经网络,既实现了智能化解译滑坡灾害,也提升了滑坡灾害识别效率和正确率。
本发明上述技术目的是通过以下方案实现的:
基于级联深度卷积神经网络的分区滑坡检测系统,包括
图像采集模块,用于将国土按照滑坡灾害易发或多发地区划分成四个区域,利用无人机搭载广角摄像头,逐区域选取区域内滑坡灾害多发山区进行图像拍摄获取;
数据库模块,用于将图像采集模块采集所获图像归类到数据库相应区域,然后进行图像命名操作,最后将图像标签化后存储;
滑坡检测模型筹备模块,针对不同区域,从数据库模块中选取区域相应的图像,用于执行检测模型预生成中的图像预处理、图像金字塔以及区域系数序列相关模块操作;
滑坡检测模型生成模块,将滑坡检测模型筹备模块输出的区域图像和区域系数输入滑坡检测模型生成模块,结合可视化DLNet检测器生成优化和多层级联深度卷积神经网络检测模型相关模块操作,生成多个区域性检测模型。
本发明进一步的改进在于,滑坡检测模型筹备模块包括
图像预处理模块,用于筛除图像采集模块采集的尺寸不合格的图像,再通过图像裁剪和缩放将图像尺寸标准化,最后利用高斯滤波处理以保证图像更加平滑并消除多余噪声;
图像金字塔模块,用于将图像预处理模块输出的图像,结合下采样和高斯滤波操作构建分区型三层图像金字塔,用以训练级联深度卷积神经网络检测模型;
区域系数序列模块,用于根据各区域图像金字塔中的图像数确定训练深度卷积神经网络检测器时所需训练集、验证集、测试集之间比例——即区域系数,将输出的区域系数结合图像金字塔模块输出的图像输入滑坡检测模型筹备模块用以生成检测模型。
本发明进一步的改进在于,图像预处理模块中高斯滤波处理所使用的滤波核是由离散高斯函数映射为矩阵形式的2维滤波核;
图像金字塔模块中下采样操作表示每四个像素为一组,每组中左上角像素值作为该组的像素值,分区型三层图像金字塔各层图像尺寸依次为256×256×3、128×128×3、64×64×3。
本发明进一步的改进在于,滑坡检测模型生成模块包括
可视化DLNet检测器生成优化模块,用于逐区域构建不同尺寸滤波核,ReLU激活操作和批量归一化操作等基础单元,再将其按照不同串联顺序组合成不同层级DLNet检测器,通过可视化目标函数和反向传播算法,生成网络结构;
多层级联深度卷积神经网络检测模型模块,用于逐区域将三个层级的深度卷积神经网络检测器按照级联的方式组合,将三级强检测模型搭建成多层级联检测模型,提高图像识别的效率和正确率。
本发明进一步的改进在于,可视化DLNet检测器生成优化模块中,不同尺寸滤波核包括卷积核和最大池化滤波核,其中最大池化滤波核是指按照最大池化滤波核尺寸内的像素为一组,每组中最大像素值作为该组的像素值;ReLU激活操作指对经滤波核操作后所输出的z值进行判定和激活,若z≤0,则输出y=0;若z>0,则输出y=z;批量归一化操作(BN)指对于特征图像在Batch范围内,对每个特征通道同时进行归一化,计算出特征图像的均值和标准差,对每个特征通道减去均值后除以标准差,使得结果的均值为0,方差为1。
基于级联深度卷积神经网络的分区滑坡检测方法,包括以下步骤:
步骤S1、图像采集模块将国土按照滑坡灾害易发或多发地区划分成四个区域,利用无人机搭载广角摄像头,逐区域选取区域内滑坡灾害多发山区进行图像拍摄获取;
步骤S2、数据库模块将图像采集模块采集的图像归类到数据库相应区域,然后进行图像命名操作,最后将图像标签化后存储;
步骤S3、滑坡检测模型筹备模块执行检测模型预生成相关操作;
步骤S4、滑坡检测模型生成模块生成多个区域性检测模型。
本发明进一步的改进在于,步骤S1的具体实现方法如下:
步骤S11、将国土按照滑坡灾害易发多发准则划分为西南、西北、中南、东南四个区域,每个区域内的滑坡具有一定的共性;
步骤S12、按照划分区域,逐区域选取无人机往返飞行路线,所选路线应尽量可供车辆通行并覆盖山区;根据拍摄无人机性能,选定每次飞行拍摄的距离;根据所选路线,设定拍摄无人机的飞行高度与速度,所述飞行高度应略高于该山区平均高度,飞行速度应根据路线的曲折程度进行修正;
步骤S13、设定好飞行参数后,将广角摄像头斜向搭载在无人机上,根据飞行速度,设定间隔拍摄时间,保证每隔20米距离拍摄一张图像,往返飞行拍摄保证将道路两侧的山区全景拍摄,每执行完一次飞行,存储所获取的图像,并将无人机内存清空供下次使用。
本发明进一步的改进在于,步骤S2的具体实现方法如下:
步骤S21、按照划分区域,将拍摄图像根据所获位置归类至相应区域;
步骤S22、将归类所得图像按照自主设计的规则进行命名,通过图像名称反映滑坡所处位置、图像拍摄时间属性;
步骤S23、将命名所得图像进行人工标签化,将包含滑坡的图像标定为正样本,将不包含滑坡的图像标定为负样本。
本发明进一步的改进在于,步骤S3的具体实现方法如下:
将图像按照精确到小数点后两位的滑坡灾害经纬度坐标,结合精简到六位的图像拍摄时间的顺序,给相应图像命名。
本发明进一步的改进在于,步骤S4的具体实现方法如下:
用数字“1”和“0”分别表示正样本和负样本,给正样本图像名称末尾添加数字“1”进行标签化,给负样本图像名称末尾添加数字“0”进行标签化。
与现有技术相比,本发明至少具有如下有益的技术效果:
1.对滑坡灾害分区域构建检测识别模型,充分利用滑坡灾害受地层结构影响在一定区域内的共性,所获模型更具针对性。
2.经过图像预处理模块,可以将滑坡图像特征增强,能够在保持图像细节的同时有效抑制噪声,提高识别率;
3.实际滑坡灾害图像识别具有较高的复杂性和空间不确定性,传统方法难以实现滑坡图像高精度识别,采用人工智能中的深度卷积神经网络图像识别技术,充分发挥像素之间的关联性,将像素计算从向量拓展到二维矩阵,实现智能化解译,节省人力,效率高;
4.可视化DLNet检测器生成优化模块直接采用人工与计算机相互配合的方式,优化模型,使模型具有更强的泛化能力;
5.本发明的图像金字塔模块和级联卷积神经网络技术有效利用数据量大的特点,最大程度地利用数据库图像,通过多层级联识别提高判别率,使网络具有更强的特征学习能力,提高图像识别的效率和正确率。
附图说明
图1为本发明流程图;
图2为由离散高斯函数映射为矩阵形式的2维滤波核;
图3为分区型图像金字塔构建流程示意图;
图4为第一级DLNet检测器结构示意图;
图5为第二级DLNet检测器结构示意图;
图6为第三级DLNet检测器结构示意图;
图7为多层级联深度卷积神经网络检测模型结构示意图。
具体实施方式
以下结合附图对本发明做进一步详细说明。
本具体实例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
根据图1所示的基于级联深度卷积神经网络的分区滑坡检测系统,包括用于获取图像的图像采集模块,用于存储图像的数据库模块,用于执行检测模型预生成相关操作的滑坡检测模型筹备模块,以及用于生成多个区域性检测模型的滑坡检测模型生成模块;
本发明提供的基于级联深度卷积神经网络的分区滑坡检测方法,包括如下步骤:
图像采集模块的实现方法包括如下步骤:
步骤S11、将国土按照滑坡灾害易发多发准则划分为西南、西北、中南、东南四个区域,每个区域内的滑坡具有一定的共性;
步骤S12、按照划分区域,逐区域选取无人机往返飞行路线,所选路线应尽量可供车辆通行并覆盖山区;根据拍摄无人机性能,选定每次飞行拍摄的距离;根据所选路线,设定拍摄无人机的飞行高度与速度,所述飞行高度应略高于该山区平均高度,飞行速度应根据路线的曲折程度进行修正;
步骤S13、设定好飞行参数后,将广角摄像头斜向搭载在无人机上,根据飞行速度,设定间隔拍摄时间,保证每隔20米距离拍摄一张图像,往返飞行拍摄保证将道路两侧的山区全景拍摄,每执行完一次飞行,存储所获取的图像,并将无人机内存清空供下次使用。
数据库模块的实现方法包括以下步骤:
步骤S21、按照划分区域,将拍摄图像根据所获位置归类至相应区域;
步骤S22、将归类所得图像按照自主设计的规则进行命名,通过图像名称反映滑坡所处位置、图像拍摄时间等属性;
步骤S23、将命名所得图像进行人工标签化,将包含滑坡的图像标定为正样本,将不包含滑坡的图像标定为负样本。
滑坡检测模型筹备模块,包括图像预处理模块,图像金字塔模块以及区域系数序列模块;
图像预处理模块的实现方法包括以下步骤:
步骤S311、针对经过数据库模块处理过的图像,进行尺寸遍历检索,保留图像尺寸大于256pixel×256pixel的图像,从数据库中剔除图像尺寸小于256pixel×256pixel的图像;
步骤S312、对遍历后保留图像逐张进行图像尺寸修正:
步骤S3121、设置图像坐标系,以图像左上角像素为坐标原点,沿图像宽度方向为X坐标轴正方向,沿图像高度方向为Y坐标轴正方向;获取图像的高度H=height pixel和宽度W=width pixel,以及图像中心点坐标并设置裁剪窗口尺寸为C pixel×Cpixel;
步骤S3122、对图像所获参数进行如下判别操作:
步骤S313、对尺寸修正所得图像逐张进行图像尺寸缩放:
步骤S3132、对获取所得参数和图像进行如下判别操作:
步骤S3133、将处理过的图像缩小为256pixel×256pixel尺寸图像。
步骤S314、对尺寸缩放所得图像逐张进行高斯滤波处理,以保证图像更加平滑并消除多余噪声:
步骤S3141、构建尺寸为(2k+1)×(2k+1)=5×5,标准差σ=1,如图2所示的由离散高斯函数映射为矩阵形式的2维滤波核;
步骤S3142、设置图像坐标系,以图像左上角像素为坐标原点,沿图像宽度方向为X坐标轴正方向,沿图像高度方向为Y坐标轴正方向;(x,y)为像素在图像中的坐标;
步骤S3143、对经过尺寸缩放所得图像逐像素进行如下判别和操作:
根据步骤S3143,常规滤波(Normal Covolution)操作是指利用图2所示的高斯滤波核逐像素进行滤波操作:
其中:x,y是被滤波处理的像素在图像中的坐标;w,h是高斯权重参数在所构建卷积核中的坐标,其坐标系特征在于以卷积核中心点为坐标原点(0,0),沿图像宽度方向为X坐标轴正方向,沿图像高度方向为Y坐标轴正方向;a(w,h)是高斯卷积核中在坐标(w,h)位置上的高斯权重参数;I(x+w,y+h)是与a(w,h)权重参数相对应位置上图像的像素值;G(x,y)是对图像中坐标为(x,y)像素滤波处理后所得结果;
根据步骤S3143,边界填充+滤波(Padding+Covolution)操作,是指利用图2所示的变种高斯滤波核逐像素进行滤波操作;变种高斯卷积核是指对应图像内部像素的高斯权重参数保持不变,对应图像外部像素的高斯权重参数赋值为0。
金字塔模块包括以下步骤:
步骤S321、分区域将经过图像预处理模块的图像保留为各区域图像金字塔第一层图像,对其逐张进行下采样操作后再执行高斯滤波操作,将处理所得图像保留为各区域图像金字塔第2层图像;
步骤S322、重复上述步骤,按图3所示构建分区型图像金字塔。
区域系数序列模块包括以下步骤:
步骤S331、统计各区域内图像金字塔第1层中的图像数量,设定如下参数:正样本图像数=np,负样本图像数=nn,总样本图像数=np+nn=nt;输入深度卷积神经网络的图像数=nf;
步骤S332、将获取参数按照表1逐区域进行判别和操作;
表1为区域系数生成判别操作表;
步骤S333、根据表1生成的输入深度卷积神经网络的图像数nf,以及各区域的区域系数,从各区域数据库中随机抽取相应数量的图像作为筹备。
滑坡检测模型生成模块包括可视化DLNet检测器生成优化模块和多层级联深度卷积神经网络检测模型模块;
可视化DLNet检测器生成优化模块包括以下步骤:
步骤S411、根据区域划分准则,逐区域逐级构建区域性DLNet检测模型;
步骤S412、针对不同区域图像金字塔第三层图像,构建第一级DLNet检测器;按照表2构建相应数量和尺寸的滤波核,将滤波核、ReLU激活操作、批量归一化操作按照如流程图4所示顺序搭建相应区域第一级DLNet检测器;按照表1生成的区域系数,输入该区域图像金字塔第三层图像,利用反向传播算法学习调整权重参数,当目标函数F1(x)达到一定值时,停止迭代,获得权重参数,生成该区域第一级DLNet检测器,并记录此时的迭代次数为I1;
表2为三级DLNet检测器所需滤波核尺寸表;
步骤S413、针对不同区域图像金字塔第二层图像,构建第二级DLNet检测器;按照表2构建相应数量和尺寸的滤波核,将滤波核、ReLU激活操作、批量归一化操作按照如流程图5所示顺序搭建相应区域第二级DLNet检测器;按照表1生成的区域系数,输入该区域图像金字塔第二层图像,利用反向传播算法学习调整权重参数,当目标函数F2(x)达到一定值时,停止迭代,获得权重参数,生成该区域第二级DLNet检测器,并记录此时的迭代次数为I2;
步骤S414、针对不同区域图像金字塔第一层图像,构建第三级DLNet检测器;按照表2构建相应数量和尺寸的滤波核,将滤波核、ReLU激活操作、批量归一化操作按照如流程图6所示顺序搭建相应区域第三级DLNet检测器;按照表1生成的区域系数,输入该区域图像金字塔第一层图像,利用反向传播算法学习调整权重参数,当目标函数F3(x)达到一定值时,停止迭代,获得权重参数,生成该区域第二级DLNet检测器,并记录此时的迭代次数为I3;
步骤S415、设定总目标函数:
当其达到一定值时,记录此时的迭代次数为It;
步骤S416、利用Tensorflow深度学习框架目标函数可视化功能,绘制目标函数随迭代次数的变化曲线,同时考量某区域四条曲线的变化情况,当目标函数出现极小值时,及时停止迭代,避免发生过拟合问题;
步骤S417、设定最终迭代次数为If,根据表3进行判别操作;确定权重参数,生成该区域内各级DLNet检测器。
表3为最终迭代次数生成判别操作表;
条件 | 操作 |
F<sub>1</sub>(x)=min{F<sub>1</sub>(x),F<sub>2</sub>(x),F<sub>3</sub>(x),F<sub>t</sub>(x)} | I<sub>f</sub>=I<sub>1</sub> |
F<sub>2</sub>(x)=min{F<sub>1</sub>(x),F<sub>2</sub>(x),F<sub>3</sub>(x),F<sub>t</sub>(x)} | I<sub>f</sub>=I<sub>2</sub> |
F<sub>3</sub>(x)=min{F<sub>1</sub>(x),F<sub>2</sub>(x),F<sub>3</sub>(x),F<sub>t</sub>(x)} | I<sub>f</sub>=I<sub>3</sub> |
F<sub>t</sub>(x)=min{F<sub>1</sub>(x),F<sub>2</sub>(x),F<sub>3</sub>(x),F<sub>t</sub>(x)} | I<sub>f</sub>=I<sub>t</sub> |
根据步骤S412,构建批量归一化操作(BN)是指:
其中n指的是特征图像的通道数;vi指的是特征图像上某同一特定位置像素的像素值;μB指的是特征图像上某同一特定位置像素所有通道像素值的平均值;指的是特征图像上某同一特定位置像素所有通道像素值的方差;v’i指的是特征图像上某同一特定位置像素批量归一化后的像素值;
根据步骤S412,第一级DLNet检测器的目标函数为:
多层级联深度卷积神经网络检测模型模块包括以下步骤,其流程图如图7所示:
步骤S421、将待检测的图像经过图像预处理模块进行处理;对处理所得待检测图像经过图像金字塔模块生成待检测图像的图像金字塔,并从中提取待检测图像的第三层图像;
步骤S422、将第三层待检测图像输入第一级DLNet检测器,进行图像识别;如果判别为不是滑坡图像,结束多层级联检测模型,输出结果;如果判别为是滑坡图像,将判别为滑坡图像的第三层待检测图像输入图像金字塔中进行层级转换,从中提取待检测图像的第二层图像;
步骤S423、将第二层待检测图像输入第二级DLNet检测器,进行图像识别;如果判别为不是滑坡图像,结束多层级联检测模型,输出结果;如果判别为是滑坡图像,将判别为滑坡图像的第二层待检测图像输入图像金字塔中进行层级转换,从中提取待检测图像的第一层图像;
步骤S424、将第一层待检测图像输入第三级DLNet检测器,进行图像识别;如果判别为不是滑坡图像,结束多层级联检测模型,输出结果;如果判别为是滑坡图像,输出结果。
Claims (10)
1.基于级联深度卷积神经网络的分区滑坡检测系统,其特征在于,包括
图像采集模块,用于将国土按照滑坡灾害易发或多发地区划分成四个区域,利用无人机搭载广角摄像头,逐区域选取区域内滑坡灾害多发山区进行图像拍摄获取;
数据库模块,用于将图像采集模块采集所获图像归类到数据库相应区域,然后进行图像命名操作,最后将图像标签化后存储;
滑坡检测模型筹备模块,针对不同区域,从数据库模块中选取区域相应的图像,用于执行检测模型预生成中的图像预处理、图像金字塔以及区域系数序列相关模块操作;
滑坡检测模型生成模块,将滑坡检测模型筹备模块输出的区域图像和区域系数输入滑坡检测模型生成模块,结合可视化DLNet检测器生成优化和多层级联深度卷积神经网络检测模型相关模块操作,生成多个区域性检测模型。
2.根据权利要求1所述的基于级联深度卷积神经网络的分区滑坡检测系统,其特征在于,滑坡检测模型筹备模块包括
图像预处理模块,用于筛除图像采集模块采集的尺寸不合格的图像,再通过图像裁剪和缩放将图像尺寸标准化,最后利用高斯滤波处理以保证图像更加平滑并消除多余噪声;
图像金字塔模块,用于将图像预处理模块输出的图像,结合下采样和高斯滤波操作构建分区型三层图像金字塔,用以训练级联深度卷积神经网络检测模型;
区域系数序列模块,用于根据各区域图像金字塔中的图像数确定训练深度卷积神经网络检测器时所需训练集、验证集、测试集之间比例——即区域系数,将输出的区域系数结合图像金字塔模块输出的图像输入滑坡检测模型筹备模块用以生成检测模型。
3.根据权利要求2所述的基于级联深度卷积神经网络的分区滑坡检测系统,其特征在于,图像预处理模块中高斯滤波处理所使用的滤波核是由离散高斯函数映射为矩阵形式的2维滤波核;
图像金字塔模块中下采样操作表示每四个像素为一组,每组中左上角像素值作为该组的像素值,分区型三层图像金字塔各层图像尺寸依次为256×256×3、128×128×3、64×64×3。
4.根据权利要求3所述的基于级联深度卷积神经网络的分区滑坡检测系统,其特征在于,滑坡检测模型生成模块包括
可视化DLNet检测器生成优化模块,用于逐区域构建不同尺寸滤波核,ReLU激活操作和批量归一化操作等基础单元,再将其按照不同串联顺序组合成不同层级DLNet检测器,通过可视化目标函数和反向传播算法,生成网络结构;
多层级联深度卷积神经网络检测模型模块,用于逐区域将三个层级的深度卷积神经网络检测器按照级联的方式组合,将三级强检测模型搭建成多层级联检测模型,提高图像识别的效率和正确率。
5.根据权利要求4所述的基于级联深度卷积神经网络的分区滑坡检测系统,其特征在于,可视化DLNet检测器生成优化模块中,不同尺寸滤波核包括卷积核和最大池化滤波核,其中最大池化滤波核是指按照最大池化滤波核尺寸内的像素为一组,每组中最大像素值作为该组的像素值;ReLU激活操作指对经滤波核操作后所输出的z值进行判定和激活,若z≤0,则输出y=0;若z>0,则输出y=z;批量归一化操作指对于特征图像在Batch范围内,对每个特征通道同时进行归一化,计算出特征图像的均值和标准差,对每个特征通道减去均值后除以标准差,使得结果的均值为0,方差为1。
6.基于级联深度卷积神经网络的分区滑坡检测方法,其特征在于,包括以下步骤:
步骤S1、图像采集模块将国土按照滑坡灾害易发或多发地区划分成四个区域,利用无人机搭载广角摄像头,逐区域选取区域内滑坡灾害多发山区进行图像拍摄获取;
步骤S2、数据库模块将图像采集模块采集的图像归类到数据库相应区域,然后进行图像命名操作,最后将图像标签化后存储;
步骤S3、滑坡检测模型筹备模块执行检测模型预生成相关操作;
步骤S4、滑坡检测模型生成模块生成多个区域性检测模型。
7.根据权利要求6所述的基于级联深度卷积神经网络的分区滑坡检测方法,其特征在于,步骤S1的具体实现方法如下:
步骤S11、将国土按照滑坡灾害易发多发准则划分为西南、西北、中南、东南四个区域,每个区域内的滑坡具有一定的共性;
步骤S12、按照划分区域,逐区域选取无人机往返飞行路线,所选路线应尽量可供车辆通行并覆盖山区;根据拍摄无人机性能,选定每次飞行拍摄的距离;根据所选路线,设定拍摄无人机的飞行高度与速度,所述飞行高度应略高于该山区平均高度,飞行速度应根据路线的曲折程度进行修正;
步骤S13、设定好飞行参数后,将广角摄像头斜向搭载在无人机上,根据飞行速度,设定间隔拍摄时间,保证每隔20米距离拍摄一张图像,往返飞行拍摄保证将道路两侧的山区全景拍摄,每执行完一次飞行,存储所获取的图像,并将无人机内存清空供下次使用。
8.根据权利要求7所述的基于级联深度卷积神经网络的分区滑坡检测方法,其特征在于,步骤S2的具体实现方法如下:
步骤S21、按照划分区域,将拍摄图像根据所获位置归类至相应区域;
步骤S22、将归类所得图像按照自主设计的规则进行命名,通过图像名称反映滑坡所处位置、图像拍摄时间属性;
步骤S23、将命名所得图像进行人工标签化,将包含滑坡的图像标定为正样本,将不包含滑坡的图像标定为负样本。
9.根据权利要求8所述的基于级联深度卷积神经网络的分区滑坡检测方法,其特征在于,步骤S3的具体实现方法如下:
将图像按照精确到小数点后两位的滑坡灾害经纬度坐标,结合精简到六位的图像拍摄时间的顺序,给相应图像命名。
10.根据权利要求9所述的基于级联深度卷积神经网络的分区滑坡检测方法,其特征在于,步骤S4的具体实现方法如下:
用数字“1”和“0”分别表示正样本和负样本,给正样本图像名称末尾添加数字“1”进行标签化,给负样本图像名称末尾添加数字“0”进行标签化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010556136.6A CN111898419B (zh) | 2020-06-17 | 2020-06-17 | 基于级联深度卷积神经网络的分区滑坡检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010556136.6A CN111898419B (zh) | 2020-06-17 | 2020-06-17 | 基于级联深度卷积神经网络的分区滑坡检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898419A true CN111898419A (zh) | 2020-11-06 |
CN111898419B CN111898419B (zh) | 2022-10-25 |
Family
ID=73206869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010556136.6A Active CN111898419B (zh) | 2020-06-17 | 2020-06-17 | 基于级联深度卷积神经网络的分区滑坡检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898419B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597865A (zh) * | 2020-12-16 | 2021-04-02 | 燕山大学 | 热轧带钢边部缺陷智能识别方法 |
CN113469333A (zh) * | 2021-06-28 | 2021-10-01 | 上海寒武纪信息科技有限公司 | 执行神经网络模型的人工智能处理器、方法及相关产品 |
TWI773154B (zh) * | 2021-01-29 | 2022-08-01 | 中強光電股份有限公司 | 影像辨識方法以及無人機系統 |
CN117217627A (zh) * | 2023-11-09 | 2023-12-12 | 宁德市天铭新能源汽车配件有限公司 | 基于机器学习的汽车零部件生产质量优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050653A1 (en) * | 2018-09-28 | 2019-02-14 | Intel Corporation | Perception device for obstacle detection and tracking and a perception method for obstacle detection and tracking |
CN109635726A (zh) * | 2018-12-11 | 2019-04-16 | 陕西科技大学 | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 |
CN110532872A (zh) * | 2019-07-24 | 2019-12-03 | 宁德市公路局 | 一种基于卷积支持向量神经网络的滑坡分级系统及方法 |
CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
-
2020
- 2020-06-17 CN CN202010556136.6A patent/CN111898419B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050653A1 (en) * | 2018-09-28 | 2019-02-14 | Intel Corporation | Perception device for obstacle detection and tracking and a perception method for obstacle detection and tracking |
CN109635726A (zh) * | 2018-12-11 | 2019-04-16 | 陕西科技大学 | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 |
CN110532872A (zh) * | 2019-07-24 | 2019-12-03 | 宁德市公路局 | 一种基于卷积支持向量神经网络的滑坡分级系统及方法 |
CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
Non-Patent Citations (2)
Title |
---|
DANIEL MORRIS,AND ETC: "A Pyramid CNN for Dense-Leaves Segmentation", 《2018 15TH CONFERENCE ON COMPUTER AND ROBOT VISION (CRV)》 * |
张倩荧等: "基于深度学习目标检测算法的滑坡检测研究", 《信息通信》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597865A (zh) * | 2020-12-16 | 2021-04-02 | 燕山大学 | 热轧带钢边部缺陷智能识别方法 |
TWI773154B (zh) * | 2021-01-29 | 2022-08-01 | 中強光電股份有限公司 | 影像辨識方法以及無人機系統 |
CN113469333A (zh) * | 2021-06-28 | 2021-10-01 | 上海寒武纪信息科技有限公司 | 执行神经网络模型的人工智能处理器、方法及相关产品 |
CN113469333B (zh) * | 2021-06-28 | 2023-11-10 | 上海寒武纪信息科技有限公司 | 执行神经网络模型的人工智能处理器、方法及相关产品 |
CN117217627A (zh) * | 2023-11-09 | 2023-12-12 | 宁德市天铭新能源汽车配件有限公司 | 基于机器学习的汽车零部件生产质量优化方法及系统 |
CN117217627B (zh) * | 2023-11-09 | 2024-02-06 | 宁德市天铭新能源汽车配件有限公司 | 基于机器学习的汽车零部件生产质量优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111898419B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898419B (zh) | 基于级联深度卷积神经网络的分区滑坡检测系统及方法 | |
CN111310861B (zh) | 一种基于深度神经网络的车牌识别和定位方法 | |
CN105678284B (zh) | 一种固定位人体行为分析方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
CN113887515A (zh) | 一种基于卷积神经网络的遥感滑坡识别方法及系统 | |
CN111931582A (zh) | 基于图像处理的高速公路交通事件检测方法 | |
CN115223063B (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
CN114842208A (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
CN115272828A (zh) | 一种基于注意力机制的密集目标检测模型训练方法 | |
CN112464701A (zh) | 基于轻量化特征融合ssd的人员是否佩戴口罩检测方法 | |
CN112149591A (zh) | 用于sar图像的ssd-aeff自动桥梁检测方法及系统 | |
CN113469050A (zh) | 基于图像细分类的火焰检测方法 | |
CN112418506B (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
CN114299011A (zh) | 一种基于深度学习的遥感目标四边形框快速检测方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
CN117351440B (zh) | 基于开放式文本检测的半监督船舶检测方法及系统 | |
CN104008374B (zh) | 一种矿井图像中基于条件随机场的矿工检测方法 | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
CN110852255B (zh) | 一种基于u型特征金字塔的交通目标检测方法 | |
Liu et al. | Contour-oriented cropland extraction from high resolution remote sensing imagery using richer convolution features network | |
Meng et al. | A modified fully convolutional network for crack damage identification compared with conventional methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |