CN112883907A - 小体积模型的滑坡检测方法及装置 - Google Patents
小体积模型的滑坡检测方法及装置 Download PDFInfo
- Publication number
- CN112883907A CN112883907A CN202110279689.6A CN202110279689A CN112883907A CN 112883907 A CN112883907 A CN 112883907A CN 202110279689 A CN202110279689 A CN 202110279689A CN 112883907 A CN112883907 A CN 112883907A
- Authority
- CN
- China
- Prior art keywords
- component
- convolution
- landslide
- landslide detection
- phantom
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种小体积模型的滑坡检测方法及装置,其中该方法包括:获取待检测滑坡区域范围内的卫星遥感影像;将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果;所述滑坡检测模型为基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件预先建立。本发明可以高效准确地检测滑坡,为应急救援、灾害评估和恢复工作等提供了数据支撑和科学的指导。
Description
技术领域
本发明涉及滑坡地质灾害检测技术领域,尤其涉及小体积模型的滑坡检测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
滑坡是全世界山区的主要自然灾害之一。其具有在时间和空间上尺度较大的特点。虽然滑坡多发生在局部地区,一旦发生会对不同规模的自然环境和人文基础设施造成大范围破坏。特别是对人类的生命安全造成严重威胁,对人类居住区产生长期经济和社会影响。据统计,山体滑坡每年给我国造成巨大的损失。因此,如何快速、准确地获取滑坡灾害信息为应急救援、评价决策具有重要的指导意义。
发明内容
本发明实施例提供一种小体积模型的滑坡检测方法,用以高效准确地检测滑坡,该方法包括:
获取待检测滑坡区域范围内的卫星遥感影像;
将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果;所述滑坡检测模型为基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件预先建立。
本发明实施例还提供一种小体积模型的滑坡检测装置,用以高效准确地检测滑坡,该装置包括:
获取单元,用于获取待检测滑坡区域范围内的卫星遥感影像;
检测单元,用于将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果;所述滑坡检测模型为基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件预先建立。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述小体积模型的滑坡检测方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述小体积模型的滑坡检测方法的计算机程序。
本发明实施例中,小体积模型的滑坡检测方案,通过:获取待检测滑坡区域范围内的卫星遥感影像;将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果;所述滑坡检测模型为基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件预先建立,可以实现高效准确地检测滑坡,为应急救援、灾害评估和恢复工作等提供了数据支撑和科学的指导。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中小体积模型的滑坡检测方法的流程示意图;
图2为本发明实施例中建立滑坡检测模型的原理示意图;
图3为本发明实施例中对卫星遥感影像进行预处理的原理示意图;
图4为本发明实施例中滑坡检测模型的网络结构示意图;
图5为本发明实施例中构建滑坡检测网络的流程示意图;
图6为本发明实施例中卷积组件的构建步骤的子流程图;
图7为本发明实施例中幻影残差模块的构建步骤的子流程图;
图8为本发明实施例中注意力机制的构建步骤的子流程图;
图9为本发明实施例中空间金字塔池化的构建步骤的子流程图;
图10为本发明实施例中滑坡检测模型的检测结果示意图;
图11为本发明实施例中小体积模型的滑坡检测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
针对现有滑坡检测技术,发明人发现存在如下技术问题:传统的滑坡检测依赖于遥感影像的目视解译和实地调查。这些方法中,先验知识对滑坡区域的确定起到了关键作用。同时,当区域面积较大时,该类方法耗时耗力。随着技术和卫星遥感影像的发展,以统计学和机器学习方法为主的图像处理技术应用在滑坡灾害的检测中。然而,该类方法需要事先提取影像中存在的特征和解释性因子,导致算法设计相对复杂、人为因素较多,同时限制了算法的可扩展性。
由于发明人考虑到了上述技术问题,因此提出了一种小体积模型的滑坡检测方案,该方案为一种基于深度学习的滑坡灾害检测方案,深度学习作为一种优秀的图像处理技术,在计算机视觉领域得到了空前发展,因其端到端的处理方式,无需掺杂人为因素,可获得高鲁棒性、泛化性的结果,可应用于遥感影像的滑坡检测中去,以提高人对滑坡灾害的全面认识。下面对该小体积模型的滑坡检测方案进行详细介绍。
图1为本发明实施例中小体积模型的滑坡检测方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤101:获取待检测滑坡区域范围内的卫星遥感影像;
步骤102:将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果;所述滑坡检测模型为基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件预先建立。
本发明实施例中小体积模型的滑坡检测方法采用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件构建滑坡检测模型,可有效地减小模型体积、提升模型检测精度,进而可以实现高效准确地检测滑坡,为应急救援、灾害评估和恢复工作等提供了数据支撑和科学的指导。下面对该小体积模型的滑坡检测方法涉及的各个步骤进行详细介绍。
一、首先介绍预先建立滑坡检测模型的步骤。
如图2所示,本发明实施例中构建一种基于卫星遥感影像的小体积的滑坡检测模型,可以包括以下步骤:
步骤S1,获取滑坡地区范围内的卫星遥感影像,预处理后得到满足检测模型的使用要求(满足模型数据的应用要求,例如模型输入尺寸的需求)的卫星遥感影像。
步骤S2,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件构建滑坡灾害检测模型(滑坡检测模型)网络。
步骤S3,将S1中预处理后的卫星遥感影像作为输入数据,应用到构建的滑坡检测模型网络中去,训练出滑坡灾害模型(滑坡检测模型)。
下面对构建滑坡检测模型的步骤进行详细介绍。
1、首先介绍上述步骤S1。
步骤S1中,获取滑坡灾害地区一定范围内的卫星遥感影像(三通道数据,R:红色波段,G:蓝色波段,B:绿色波段),可以使用图像处理软件(如:ENVI、ERDAS、Geomatic等)对影像进行去云、拉伸处理(注:根据影像数据的质量情况选择性采取去云和拉伸处理),得到较清晰的影像数据,然后,从卫星遥感影像中裁剪出滑坡区域范围,对裁剪下来的滑坡区域做数据预处理,最后,缩放预处理后的数据以满足模型训练需求。请结合参阅图3,所述步骤S1中遥感影像预处理的内容包括以下步骤:
步骤S1.1,根据历史滑坡灾害情况,收集历史滑坡范围内的卫星遥感影像,影像数据可以为RGB三通道数据(其他可描述滑坡区域的任何波段组成的三通道遥感影像数据也可行),将影像中的滑坡区域裁剪下来,作为原始遥感影像数据,即使用获取到的卫星遥感影像裁剪出历史滑坡区域范围,作为滑坡检测模型的原始训练数据。为了符合专利申请需要,图4中的输入影像被处理成了灰度图,具体实施时,输入影像可以是RGB彩色影像。
步骤S1.2,将步骤S1.1中裁剪后的原始卫星遥感影像做数据增强处理,所述步骤S1.2中遥感影像的数据增强方式包括以下内容:对裁剪后的原始卫星遥感影像进行几何变换、颜色变换等基本数据增和镶嵌数据增强,得到增强后的滑坡影像数据集(历史滑坡检测样本集)。
具体实施时,对裁剪后的原始卫星遥感影像做几何变换,可以包括:随机翻转、随机旋转、随机平移、随机缩放等单一操作和上述单一操作的简单组合。
具体实施时,对裁剪后的原始卫星遥感影像做颜色变换,可以包括:色调、饱和度、明亮程度、噪声等单一操作和上述此单一操作的简单组合。
具体实施时,或可为几何变换、颜色变换中单一操作的简单组合。
具体实施时,对裁剪后的原始卫星遥感影像做镶嵌处理,镶嵌数据是指将四张原始影像镶嵌为一张影像,作为模型的输入,即使用四张原始遥感影像或几何变换或颜色变换、或几何变换与颜色变换组合的变换结果影像数据进行镶嵌处理,得到一张有四张滑坡影像组成的影像数据。
步骤S1.3,将步骤S1.2中得到的增强后的遥感影像数据进行缩放处理,满足模型的输入尺寸要求(可选:640×640、608×608、512×512、416×416,单位:pixel)。
对于预处理后的影像数据不为正方形区域时,使用灰色背景填充,以满足正方形状。
2、接着,为了便于理解,一同介绍上述步骤S2和步骤S3。
在一个实施例中,上述小体积模型的滑坡检测方法还可以包括:按照如下方法预先建立所述滑坡检测模型:
基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络;其中,各个组件按照预设使用顺序设置,各种组件的先后顺序是根据发明人大量的实验得来的,进而可以小体积模型的滑坡检测的准确率和效率;即各组件因多次使用,组件排列顺序可以按照图4中分布为依据,下面实施例提到的“上一层组件”可以根据该顺序确定;
基于多个历史滑坡检测样本,使用幻影残差模块组件、分组卷积组件和上采样组件构建滑坡检测模型的颈部网络;
基于多个历史滑坡检测样本,使用标准卷积组件构建滑坡检测模型的头部网络;
基于多个历史滑坡检测样本,对所述骨干网络、颈部网络和头部网络构成的滑坡检测网络进行训练,得到所述滑坡检测模型。
具体实施时,上述预先建立滑坡检测模型的实施方式可以得到能进行快速准确滑坡检测的模型,进而通过该滑坡检测模型实现高效准确地检测滑坡,为应急救援、灾害评估、恢复工作等提供了数据支撑和科学的指导。下面对预先建立滑坡检测模型的详细步骤进行介绍。
在步骤S2中,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件构建滑坡灾害检测模型。
如图4所示,为滑坡检测模型的网络结构图。模型由骨干(backbone)、颈部(neck)、头部(head)三部分组成,且三部分之间按照图4所示顺序相连。每个部分分别由以下步骤组成,请参阅图5,具体步骤为:
步骤S2.1,使用Focus组件、卷积组件(Convolution+BatchNorm2d+LeakyReLU,BCL)、幻影残差模块组件、注意力机制组件和空间金字塔池化组件(Spatial PyramidPooling,SPP)构建模型的骨干(backbone)网络,且按照图4中的先后顺序进行连接,即根据Focus组件得到的缩小尺寸的特征图、卷积组件得到的“非线性关系的数据”、“步长为1和2的幻影残差模块”、根据注意力机制得到的“新的特征”、根据空间金字塔池化得到的“卷积后的结果”共同得到骨干(backbone)网络。
在步骤S2.1中,Focus组件由以下步骤组成:
在输入原始影像(通道数为3)上,以4个相邻像素组成的正方形为基本单元,将原始影像分为若干份;首先,选取原始影像上三个通道上所有正方形基本单元中的左上角像素点对应的像素通道组成第一个三通道小幅影像;接着,选取原始影像上三个通道上所有正方形基本单元中的右上角像素点对应的像素通道组成第二个三通道小幅影像;依次,组成第三个、第四个三通道小幅影像;最后,将四个小幅影像按照通道拼接成12通道的小幅影像。得到缩小尺寸的特征图。该操作相当于一次优化的预处理操作。
通过上述可知,在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络(Focus组件的部分),可以包括:
按照如下方法在通道数为三的原始影像上,以四个相邻像素组成的正方形为基本单元,将原始影像分为若干份:
选取原始影像上三个通道上所有正方形基本单元中的左上角像素点对应的像素通道组成第一个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的右上角像素点对应的像素通道组成第二个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的左下角像素点对应的像素通道组成第三个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的右下角像素点对应的像素通道组成第四个三通道小幅影像;
将上述第一个三通道小幅影像、第二个三通道小幅影像、第三个三通道小幅影像和第四个三通道小幅影像按照通道拼接成十二通道的小幅影像,得到缩小尺寸的特征图。
在步骤S2.1中,卷积组件由以下部分组成。请结合参阅图6,具体步骤为:
步骤S2.1.1.1,使用标准卷积(Convolution,Conv)做卷积运算,即使用标准卷积对图4中骨干网络中“Focus”得到的特征图做卷积运算。标准卷积中卷积核大小为3,步长为2;
步骤S2.1.1.2,对标准卷积后的结果使用批归一化(BatchNorm2d)处理,得到标准正态分布的数据;
步骤S2.1.1.3,使用带泄露线性整流(LeakyReLU)对得到的标准正态分布数据做非线性映射处理,得到具有非线性关系的数据,该非线性关系的数据对应图4中骨干网络中的“卷积组件”得到的结果,即卷积组件得到的特征图。
通过上述可知,在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络(卷积组件的部分),可以包括:
使用标准卷积对上一层组件得到的特征图(如图4中Focus操作后得到的特征图)做卷积运算,得到标准卷积后的结果;其中,标准卷积中卷积核大小为3,步长为2;
对标准卷积后的结果使用批归一化处理,得到标准正态分布的数据;
使用带泄露线性整流对得到的标准正态分布数据做非线性映射处理,得到具有非线性关系的数据。
具体实施时,上述使用卷积组件构建骨干网络的部分可以进一步提高模型构建的精度和效率,进而进一步提高滑坡检测的效率和精度。
在步骤S2.1中,幻影残差模块组件由以下部分组成。请结合参阅图7,具体步骤为:
步骤S2.1.2.1,使用标准卷积、BatchNorm2d、LeakyReLU对输入特征图(记为Part1,图4中各幻影残差模块的上一层组件得到的特征图)的通道数进行缩减;
标准卷积的卷积核大小为1,步长为1,不做偏置项处理;
步骤S2.1.2.2,使用标准卷积、BatchNorm2d、LeakyReLU对步骤S2.1.2.1中缩减通道后的特征图做非线性映射,得到结果记为Part2;
标准卷积的卷积核大小为5,步长为1,分组数等于输入特征图数。
步骤S2.1.2.3,将步骤S2.1.2.1中的输入数据Part1和步骤S2.1.2.2中得到的Part2做拼接处理,得到幻影模块。
步骤S2.1.2.4,使用步骤S2.1.2.3中得到的幻影模块构建卷积核的移动步长为1和2的幻影模块。
通过上述可知,在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络(幻影残差模块组件的部分),可以包括:
使用标准卷积、批归一化和带泄露线性整流对上一层组件得到的特征图的通道数进行缩减处理,得到通道数缩减处理后的特征图;标准卷积的卷积核大小为1,步长为1,不做偏置项;
使用标准卷积、批归一化和带泄露线性整流对通道数缩减处理后的特征图做非线性映射处理,得到非线性映射处理后的特征图;标准卷积的卷积核大小为5,步长为1,分组数等于输入特征图数;
将输入特征图和所述非线性映射处理后的特征图做拼接处理,得到幻影模块;
使用所述幻影模块构建步长为1的幻影残差模块,及使用所述幻影模块构建步长为2的幻影残差模块。如图4所示,骨干网络中1/8、1/16对应的幻影残差模块为步长为2的幻影残差模块,用于将特征图尺寸减小;除了步长为2的所有幻影残差模块皆为步长为1的幻影残差模块,该步长为1的幻影残差模块的步长为1,不改变特征图大小,只用于学习知识。
具体实施时,上述使用幻影残差模块构建骨干网络的部分可以进一步提高模型构建的精度和效率,进而进一步提高滑坡检测的效率和精度。
具体实施时,标准卷积的卷积核大小为5,步长为1是发明人经过大量试验得到的最优取值,该取值有利于提高滑坡检测的效率和精度。
步长为1的幻影残差模块包括以下内容:
首先,将两个相连的幻影模块做卷积运算;
第一个幻影模块使用LeakyReLU做激活处理;
第二个幻影模块不做激活处理;
接着,将第二个幻影模块得到的结果与第一个幻影模块的输入特征图进行逐元素相加,得到步长为1的幻影残差模块。
通过上述可知,在一个实施例中,使用所述幻影模块构建步长为1的幻影残差模块,可以包括:
将两个相连的第一幻影模块和第二幻影模块做卷积运算;其中,第一幻影模块使用带泄露线性整流做激活处理;第二幻影模块不使用带泄露线性整流做激活处理;
将第二幻影模块得到的结果与第一幻影模块的输入特征图进行逐元素相加,得到步长为1的幻影残差模块。
具体实施时,上述使用所述幻影模块构建步长为1的幻影残差模块的实施方式可以进一步提高模型构建的精度和效率,进而进一步提高滑坡检测的效率和精度。
步长为2的幻影残差模块包括以下内容:
首先,使用第一个幻影模块做卷积运算;
然后,使用卷积核为3,步长为2,边缘填充为1,分组数等于输入通道数的标准卷积、BatchNorm2d构成的分组卷积,对幻影模块得到的结果做卷积运算;
接着,使用第二个幻影模块对分组卷积得到的结果做卷积运算,得到结果(B1);
接着,对第一个幻影模块的输入结果,按顺序使用分组卷积和卷积组件做卷积处理,得到结果(B2);
最后,将结果B1和B2做逐元素相加,得到步长为2的幻影残差模块。
通过上述可知,在一个实施例中,使用所述幻影模块构建步长为2的幻影残差模块,可以包括:
使用第一幻影模块做卷积运算;
使用卷积核为3,步长为2,边缘填充为1,分组数等于输入通道数的标准卷积、批归一化构成的分组卷积,对第一幻影模块得到的结果做分组卷积运算;
使用第二幻影模块对分组卷积运算得到的结果做卷积运算,得到第一结果;
对第一幻影模块的输入结果,按顺序使用分组卷积和卷积组件做卷积处理,得到第二结果;
将第一结果和第二结果做逐元素相加,得到步长为2的幻影残差模块。
具体实施时,上述使用所述幻影模块构建步长为2的幻影残差模块的实施方式可以进一步提高模型构建的精度和效率,进而进一步提高滑坡检测的效率和精度。
在步骤S2.1中,注意力机制组件由以下部分组成。请结合参阅图8,具体步骤为:
注意力机制使用SK注意力机制(SKLayer),具体可以包括Split、Fuse、Select三个步骤:
步骤2.1.3.1,Split部分,对各注意力机制上一层组件得到的特征图做多尺寸卷积运算。输入特征图F∈RCxHxW通过n个不同尺寸的卷积核做卷积操作,得到n个特征图(U1,U2,…Un.Un∈RC×H×W)。其中,卷积操作包括标准卷积、BatchNorm2d、ReLU激活函数。为了进一步降低参数量,可以使用扩张尺寸为2的3×3卷积代替5×5尺寸的标准卷积核。
步骤2.1.3.2,Fuse部分,通过门控机制对上一层的输出结果(步骤2.1.3.1,Split部分得到的n个特征图)做筛选。首先,按元素求和的方法融合n个特征图,得到融合特征图Uc=(U1+U2+...Un)∈RC×H×W(n=1,2,...,n);接着,Uc通过使用全局平均池化Fgp∈RC×1×1生成通道统计信息S∈RC×1来生成全局信息。具体的,S的第c个元素是通过在U中的空间尺寸H×W上收缩第c个通道计算的:
Sc=Fgp(Uc);
使用全连接Ffc作用于通道统计信息得到特征Z∈Rd×1(d<C),接着,使用n个全连接作用于特征图Z,得到n个自适应调整值:
Z=Ffc(sc)。
步骤2.1.3.3,Select部分,使用n个自适应调整值和Split中得到的n个特征图对应相乘得到n个观测值,最后,对观测值求和得到新的特征图V。其中,对n个自适应调整值做softmax计算:
其中,Ni∈Rc×d,ni是U的注意力,ni,c∈R1×d是Ni的第c行,ni是n的第c个元素。ni,c=1。新的特征图V是将ni作用于U得到的:
Vc=Uc×ni,c;
其中,V=[V1,V2,...,Vc],Vc∈RH×W。
通过上述可知,在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络(注意力机制组件部分),可以包括:
对上一层组件得到的特征图通过多个不同尺寸的卷积核做卷积操作,得到多个特征图;
按元素求和的方法融合所述多个特征图,得到融合特征图;融合特征图通过使用全局平均池化生成通道统计信息来生成全局信息;使用全连接作用于全局信息,得到压缩信息;
根据压缩信息,使用于不同卷积核数目相同的全连接,得到多个自适应调整值;
根据所述多个特征图和多个自适应调整值,得到多个观测值;根据所述多个观测值,求和得到新的特征图,即注意力机制得到的特征图。
具体实施时,上述使用注意力机制构建骨干网络的部分可以进一步提高模型构建的精度和效率,进而进一步提高滑坡检测的效率和精度。
在步骤S2.1中,空间金字塔池化组件(Spatial Pyramid Pooling,SPP)由以下部分组成。请结合参阅图9,具体步骤为:
步骤2.1.4.1,首先,使用卷积核大小为1的标准卷积缩小上一层组件得到的特征图的通道数,并接着使用BatchNorm2d归一化、LeakyReLU激活,得到缩小通道后的结果;
步骤2.1.4.2,接着,分别使用最大池化为5×5、9×9、13×13的卷积核对缩小通道后的特征图做池化运算,得到三个池化结果;
步骤2.1.4.3,接着,将三个池化结果与缩小通道的原始结果进行拼接;
步骤2.1.4.4,最后,使用卷积核大小为1的卷积核对拼接后的结果做卷积操作运算,缩小通道数,并接着使用BatchNorm2d归一化、LeakyReLU激活,得到卷积后的结果,该卷积后的结果对应图4中骨干网络中“空间金字塔池化”的结果,该结果的通道数与缩小通道之前的通道数相等。
通过上述可知,在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络(空间金字塔池化组件部分),可以包括:
使用卷积核大小为1的标准卷积缩小上一层组件得到的特征图的通道数,使用批归一化、带泄露线性整流激活,得到缩小通道后的特征图;
分别使用最大池化为5×5、9×9、13×13的卷积核对缩小通道后的特征图做池化运算,得到三个池化特征图;
将三个池化特征图与缩小通道后的特征图进行拼接,得到拼接后的结果;
使用卷积核大小为1的卷积核对拼接后的结果做卷积操作运算,缩小通道数,使用批归一化、带泄露线性整流激活,得到卷积后的结果。
具体实施时,上述使用空间金字塔池化构建骨干网络的部分可以进一步提高模型构建的精度和效率,进而进一步提高滑坡检测的效率和精度。
步骤S2.2,使用幻影残差模块组件、分组卷积组件和上采样组件构建滑坡检测模型构建模型的颈部(neck)网络,幻影残差模块组件与步骤S2.1中的内容相同。
在步骤S2.2中,分组卷积组件由以下步骤组成:
将特征图的通道数进行分组,并使用标准卷积组件分别对每个组做卷积运算,德奥分组卷积操作结果。
通过上述可知,在一个实施例中,使用幻影残差模块组件、分组卷积组件和上采样组件构建滑坡检测模型构建模型的颈部(neck)网络(分组卷积组件),可以包括:
将上一层组件得到的特征图的通道数进行分组,并使用标准卷积组件分别对每个组做卷积运算。
在步骤S2.2中,上采样组件由以下步骤组成:
使用最邻近上采样方法,最邻近上采样由以下内容组成:待求像素的四个临近像素中,将距离待求像素最近的邻像素灰度赋给待求像素。
通过上述可知,在一个实施例中,基于多个历史滑坡检测样本,使用幻影残差模块组件、分组卷积组件和上采样组件构建滑坡检测模型的颈部网络,可以包括构建上采样组件:
对上一层组件得到的特征图,使用最邻近上采样方法,插值得到上采样图;最邻近上采样由以下内容组成:待求像素的四个临近像素中,将距离待求像素最近的邻像素灰度赋给待求像素。
步骤S2.3,使用标准卷积组件构建检测模型的头(head)部网络。
具体实施时,标准卷积负责三个检测头的输出。每个检测头中,将特征图划分若干个单元格,每个单元格对应三个定位框,目的是预测大、中、小三种物体的边界框;每个边界框中,网络模型预测其坐标位置的四个值(左上角、右下角;中心点、宽和高;等)、有无物体的置信度(1个值)、物体的类别(k个值)。
当原始影像的大小为M×M(M为特征图的宽或高),经过卷积运算,原始影像的尺寸分别缩减为原来的M/32、M/16、M/8,得到三种特征图,对应三个检测头。每种特征图被划分成I×I个单元格,对于n个输入影像,最终三个检测头输出的通道数为n×(3×(M/32×M/32+M/16×M/16+M/8×M/8))×(5+k)。
通过上述可知,在一个实施例中,基于多个历史滑坡检测样本,使用标准卷积组件构建滑坡检测模型的头部网络,可以包括构建标准卷积组件:
使用n×n大小的小区域组成标准卷积的卷积核,在原始影像上依次从上到下、从左到右进行扫描操作,其中,n为大于1的奇数,n的取值可以为3。
综上,在S2中构建的滑坡灾害检测模型结构中(图4所示),幻影残差模块_1表示使用1个幻影残差模块,幻影残差模块_3表示使用3个幻影残差模块。1/2、1/4、1/8、1/16、1/32分别表示输入模型的遥感影像尺寸在经过卷积运算后输出的特征图减小的倍数。上采样体现在颈部(neck)网络中向上箭头,以满足影像特征图尺寸与骨干(backnone)网络中特征图拼接时保持一致。
在步骤S3中,将S1中预处理后的卫星遥感影像应用于滑坡灾害检测模型中,进行训练得到一种可以进行高效精确进行滑坡检测的小体积的滑坡检测模型。
具体实施时,将预处理后的卫星遥感影像作为检测模型的输入数据,应用于训练得到滑坡区域检测模型,可应用于移动和边缘设备,有效提升现有滑坡灾害的检测效率,为应急救援、灾害评估和恢复工作等提供了数据支撑。
二、接着,为了方便理解,下面一同介绍上述步骤101和步骤102。
在一个实施例中,获取待检测滑坡区域范围内的卫星遥感影像,可以包括:
对获取的卫星遥感影像进行裁剪处理,得到所述待检测滑坡区域范围内的卫星遥感影像;
对待检测滑坡区域范围内的卫星遥感影像进行预处理,得到预处理后的卫星遥感影像;
将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果,可以包括:
将预处理后的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果。
具体实施时,对卫星遥感影像进行预处理后输入上述预先建立的滑坡检测模型(上述步骤S2得到的滑坡检测模型),可以进一步提高滑坡检测的效率和准确率。
在一个实施例中,对待检测滑坡区域范围内的卫星遥感影像进行预处理,得到预处理后的卫星遥感影像,可以包括:
对所述待检测滑坡区域范围内的卫星遥感影像做数据增强处理,得到数据增强处理后的卫星遥感影像;
将数据增强处理后的卫星遥感影像进行缩放处理,得到满足模型输入尺寸的卫星遥感影像;
将预处理后的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果,包括:
将所述满足模型输入尺寸的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果。
具体实施时,上述对卫星遥感影像进行预处理的实施方式进一步提高了滑坡检测的效率和准确率。具体预处理方法可以参照上述建立滑坡检测模型时使用的预处理的步骤。滑坡检测结果可以如图10所示。
本发明实施例提高的滑坡检测方法的有益效果是:本发明设计了一种小体积的滑坡灾害目标检测模型。在进行模型构建时,基于获取到的滑坡区域的卫星遥感影像,将影像中的滑坡区域裁剪才来,通过几何变换、颜色变换、镶嵌变换等数据增强方法对裁剪下来的原始卫星遥感影像做数据增强处理,并缩放增强后数据尺寸满足模型输入要求,将得到后的数据应用到使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件构建的滑坡检测模型中去,训练出体积较小且精度较高的滑坡检测模型,进而利用该滑坡检测模型进行高效准确的滑坡检测,有效地减少了外业调查耗时耗力的缺陷,降低了作业人员人身危险,为滑坡灾害应急救援和恢复重建提供有力的依据。
本发明实施例通过评价模型(滑坡检测模型)的检测速度、精度、参数量等指标,分别使用FPS、AP、Params对结果进行评价。FPS是每秒钟模型能够连续处理的影像数量,单位:侦/秒(f/s),当FPS大于30f/s时,判定模型可以提供实时处理影像的能力。AP是求取准确率与召回率曲线下的面积。其中,准确率指预测为滑坡中真正是滑坡区域的数量占预测为滑坡区域的总数的比值,召回率是正确预测的滑坡区域的数量与地面真实滑坡数量的比值。Params是指模型训练过程中所要处理的权重、偏差项、BN和其他参数的总和,单位:mb。
本发明是在一台拥有NVIDIA Quadro P4000显卡、8G GPU内存、Intel(R)Xeon(R)Gold 5118 CPU处理器的工作站上进行的。具体评价结果如表1所示:
表1:模型性能评价结果
通过发明进行的模型性能评价结果,可知本发明实施例提供的滑坡检测模型提高了滑坡灾害检测的效率和准确率。本发明的各个实施例采用递进的方式进行了描述,每个实施例都单独代表自己,且相同实施例之间相互参考即可。同时,对具体的实施过程进行了详细阐述。以上实施例的说明只是用于帮助理解本发明的核心思想和实现;对本领域的一般技术人员,依据本发明的思想,在具体的实施方式上可进行或者不进行改变,本发明在应用范围上允许或者可以进行改变。综上,本发明不应理解为对本发明的限制。
本发明实施例中还提供了一种小体积模型的滑坡的检测装置,如下面的实施例所述。由于该装置解决问题的原理与小体积模型的滑坡检测方法相似,因此该装置的实施可以参见小体积模型的滑坡检测方法的实施,重复之处不再赘述。
图11为本发明实施例中滑坡的检测装置的结构示意图,如图11所示,该装置包括:
获取单元01,用于获取待检测滑坡区域范围内的卫星遥感影像;
检测单元02,用于将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果;所述滑坡检测模型为基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件预先构建。
在一个实施例中,所述获取单元具体可以用于:对获取的卫星遥感影像进行裁剪处理,得到所述待检测滑坡区域范围内的卫星遥感影像;
小体积模型的滑坡检测装置还包括预处理单元,用于对待检测滑坡区域范围内的卫星遥感影像进行预处理,得到预处理后的卫星遥感影像;
所述检测单元具体用于:将预处理后的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果。
在一个实施例中,所述预处理单元具体用于:
对所述待检测滑坡区域范围内的卫星遥感影像做数据增强处理,得到数据增强处理后的卫星遥感影像;
将数据增强处理后的卫星遥感影像进行缩放处理,得到满足模型输入尺寸的卫星遥感影像;
所述检测单元具体用于:将所述满足模型输入尺寸的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果。
在一个实施例中,上述小体积模型的滑坡检测装置还可以包括:建立单元,用于按照如下方法预先建立所述滑坡检测模型:
基于多个历史滑坡检测样本,使用卷Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,其中,各个组件按照预设使用顺序设置;
基于多个历史滑坡检测样本,使用幻影残差模块组件、分组卷积组件和上采样组件构建滑坡检测模型的颈部网络;
基于多个历史滑坡检测样本,使用标准卷积组件构建滑坡检测模型的头部网络;
基于多个历史滑坡检测样本,对所述骨干网络、颈部网络和头部网络构成的滑坡检测网络进行训练,得到所述滑坡检测模型。
在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,Focus组件可以包括:
按照如下方法在通道数为三的原始影像上,以四个相邻像素组成的正方形为基本单元,将原始影像分为若干份:
选取原始影像上三个通道上所有正方形基本单元中的左上角像素点对应的像素通道组成第一个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的右上角像素点对应的像素通道组成第二个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的左下角像素点对应的像素通道组成第三个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的右下角像素点对应的像素通道组成第四个三通道小幅影像;
将第一个三通道小幅影像、第二个三通道小幅影像、第三个三通道小幅影像和第四个三通道小幅影像按照通道拼接成十二通道的小幅影像,得到缩小尺寸的特征图。
在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,卷积组件可以包括:
使用标准卷积对上一层组件得到的特征图做卷积运算,得到标准卷积后的结果;其中,标准卷积中卷积核大小为3,步长为2;
对标准卷积后的结果使用批归一化处理,得到标准正态分布的数据;
使用带泄露线性整流对得到的标准正态分布数据做非线性映射处理,得到具有非线性关系的数据。
在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,幻影卷积模块组件可以包括:
使用标准卷积、批归一化和带泄露线性整流对上一层组件得到的特征图的通道数进行缩减处理,得到通道数缩减处理后的特征图;标准卷积的卷积核大小为1,步长为1,不做偏置项;
使用标准卷积、批归一化和带泄露线性整流对通道数缩减处理后的特征图做非线性映射处理,得到非线性映射处理后的特征图;标准卷积的卷积核大小为5,步长为1,分组数等于输入特征图数;
将输入特征图和所述非线性映射处理后的特征图做拼接处理,得到幻影模块;
使用所述幻影模块构建步长为1的幻影残差模块,及使用所述幻影模块构建步长为2的幻影残差模块。
在一个实施例中,使用所述幻影模块构建步长为1的幻影残差模块,可以包括:
将两个相连的第一幻影模块和第二幻影模块做卷积运算;其中,第一幻影模块使用带泄露线性整流做激活处理;第二幻影模块不使用带泄露线性整流做激活处理;
将第二幻影模块得到的结果与第一幻影模块的输入特征图进行逐元素相加,得到步长为1的幻影残差模块。
在一个实施例中,使用所述幻影模块构建步长为2的幻影残差模块,可以包括:
使用第一幻影模块做卷积运算;
使用卷积核为3,步长为2,边缘填充为1,分组数等于输入通道数的标准卷积、批归一化构成的分组卷积,对第一幻影模块得到的结果做分组卷积运算;
使用第二幻影模块对分组卷积运算得到的结果做卷积运算,得到第一结果;
对第一幻影模块的输入结果,按顺序使用分组卷积和卷积组件做卷积处理,得到第二结果;
将第一结果和第二结果做逐元素相加,得到步长为2的幻影残差模块。
在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件和注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,注意力机制组件可以包括:
对上一层组件得到的特征图通过多个不同尺寸的卷积核做卷积操作,得到多个特征图;
按元素求和的方法融合所述多个特征图,得到融合特征图;融合特征图通过使用全局平均池化生成通道统计信息来生成全局信息;使用全连接作用于全局信息,得到压缩信息;
根据压缩信息,使用于不同卷积核数目相同的全连接得到多个自适应调整值;
根据所述多个特征图和多个自适应调整值,得到多个观测值;根据所述多个观测值,求和得到新的特征图。
在一个实施例中,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,空间金字塔池化组件可以包括:
使用卷积核大小为1的标准卷积缩小上一层组件得到的特征图的通道数,使用批归一化、带泄露线性整流激活,得到缩小通道后的特征图;
分别使用最大池化为5×5、9×9、13×13的卷积核对缩小通道后的特征图做池化运算,得到三个池化特征图;
将三个池化特征图与缩小通道后的特征图进行拼接,得到拼接后的结果;
使用卷积核大小为1的卷积核对拼接后的结果做卷积操作运算,缩小通道数,使用批归一化、带泄露线性整流激活,得到卷积后的结果。
在一个实施例中,基于多个历史滑坡检测样本,使用幻影残差模块组件、分组卷积组件和上采样组件构建滑坡检测模型构建模型的颈部(neck)网络,分组卷积组件可以包括:
将原始影像/特征图的通道数进行分组,并使用标准卷积组件分别对每个组做卷积运算。
在一个实施例中,基于多个历史滑坡检测样本,使用幻影残差模块组件、分组卷积组件和上采样组件构建滑坡检测模型构建模型的颈部(neck)网络,上采样组件可以包括:
使用最邻近上采样方法,最邻近上采样由以下内容组成:待求像素的四个临近像素中,将距离待求像素最近的邻像素灰度赋给待求像素。
在一个实施例中,基于多个历史滑坡检测样本,使用标准卷积组件构建检测模型的头部(head)网络,标准卷积组件可以包括:
使用卷积核大小n×n大小的小区域组成标准卷积的卷积核,在原始影像/特征图上依次从上到下、从左到右进行扫描操作,卷积核大小可以为:3×3。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述小体积模型的滑坡检测方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述小体积模型的滑坡检测方法的计算机程序。
本发明实施例中小体积模型的滑坡检测方法采用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件构建滑坡检测模型,可有效减小模型体积、提升模型检测精度,进而可以实现高效准确地检测滑坡,为应急救援、灾害评估、恢复工作等提供了数据支撑和科学的指导。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种小体积模型的滑坡检测方法,其特征在于,包括:
获取待检测滑坡区域范围内的卫星遥感影像;
将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果;所述滑坡检测模型为基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件预先建立。
2.如权利要求1所述的小体积模型的滑坡检测方法,其特征在于,还包括:按照如下方法预先建立所述滑坡检测模型:
基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,其中,各个组件按照预设使用顺序设置;
基于多个历史滑坡检测样本,使用幻影残差模块组件、分组卷积组件和上采样组件构建滑坡检测模型的颈部网络;
基于多个历史滑坡检测样本,使用标准卷积组件构建滑坡检测模型的头部网络;
基于多个历史滑坡检测样本,对所述骨干网络、颈部网络和头部网络构成的滑坡检测网络进行训练,得到所述滑坡检测模型。
3.如权利要求2所述的小体积模型的滑坡检测方法,其特征在于,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,包括构建Focus组件:
按照如下方法在通道数为三的原始影像上,以四个相邻像素组成的正方形为基本单元,将原始影像分为若干份:
选取原始影像上三个通道上所有正方形基本单元中的左上角像素点对应的像素通道组成第一个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的右上角像素点对应的像素通道组成第二个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的左下角像素点对应的像素通道组成第三个三通道小幅影像;
选取原始影像上三个通道上所有正方形基本单元中的右下角像素点对应的像素通道组成第四个三通道小幅影像;
将所述第一个三通道小幅影像、第二个三通道小幅影像、第三个三通道小幅影像和第四个三通道小幅影像按照通道拼接成十二通道的小幅影像,得到缩小尺寸的特征图。
4.如权利要求2所述的小体积模型的滑坡检测方法,其特征在于,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,包括构建卷积组件:
使用标准卷积对上一层组件得到的特征图做卷积运算,得到标准卷积后的结果;其中,标准卷积中卷积核大小为3,步长为2;
对标准卷积后的结果使用批归一化处理,得到标准正态分布的数据;
使用带泄露线性整流对得到的标准正态分布数据做非线性映射处理,得到具有非线性关系的数据。
5.如权利要求2所述的小体积模型的滑坡检测方法,其特征在于,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,包括构建幻影卷积模块组件:
使用标准卷积、批归一化和带泄露线性整流对上一层组件得到的特征图的通道数进行缩减处理,得到通道数缩减处理后的特征图;标准卷积的卷积核大小为1,步长为1,不做偏置项;
使用标准卷积、批归一化和带泄露线性整流对通道数缩减处理后的特征图做非线性映射处理,得到非线性映射处理后的特征图;标准卷积的卷积核大小为5,步长为1,分组数等于输入特征图数;
将输入特征图和所述非线性映射处理后的特征图做拼接处理,得到幻影模块;
使用所述幻影模块构建步长为1的幻影残差模块,及使用所述幻影模块构建步长为2的幻影残差模块。
6.如权利要求2所述的小体积模型的滑坡检测方法,其特征在于,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,包括构建SK注意力机制组件:
对上一层组件得到的特征图通过多个不同尺寸的卷积核做卷积操作,得到多个特征图;
按元素求和的方法融合所述多个特征图,得到融合特征图;融合特征图通过使用全局平均池化生成通道统计信息来生成全局信息;使用全连接作用于全局信息,得到压缩信息;
根据压缩信息,使用于不同卷积核数目相同的全连接,得到多个自适应调整值;
根据所述多个特征图和多个自适应调整值,得到多个观测值;根据所述多个观测值,求和得到新的特征图。
7.如权利要求2所述的小体积模型的滑坡检测方法,其特征在于,基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件和空间金字塔池化组件构建滑坡检测模型的骨干网络,包括构建空间金字塔池化组件:
使用卷积核大小为1的标准卷积缩小上一层组件得到的特征图的通道数,使用批归一化、带泄露线性整流激活,得到缩小通道后的特征图;
分别使用最大池化为5×5、9×9、13×13的卷积核对缩小通道后的特征图做池化运算,得到三个池化特征图;
将三个池化特征图与缩小通道后的特征图进行拼接,得到拼接后的结果;
使用卷积核大小为1的卷积核对拼接后的结果做卷积操作运算,缩小通道数,使用批归一化、带泄露线性整流激活,得到卷积后的结果。
8.一种小体积模型的滑坡检测装置,其特征在于,包括:
获取单元,用于获取待检测滑坡区域范围内的卫星遥感影像;
检测单元,用于将待检测滑坡区域范围内的卫星遥感影像输入预先建立的滑坡检测模型,得到滑坡检测结果;所述滑坡检测模型为基于多个历史滑坡检测样本,使用Focus组件、卷积组件、幻影残差模块组件、注意力机制组件、空间金字塔池化组件、分组卷积组件、上采样组件和标准卷积组件预先建立。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279689.6A CN112883907B (zh) | 2021-03-16 | 2021-03-16 | 小体积模型的滑坡检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279689.6A CN112883907B (zh) | 2021-03-16 | 2021-03-16 | 小体积模型的滑坡检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883907A true CN112883907A (zh) | 2021-06-01 |
CN112883907B CN112883907B (zh) | 2022-07-05 |
Family
ID=76042437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279689.6A Active CN112883907B (zh) | 2021-03-16 | 2021-03-16 | 小体积模型的滑坡检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883907B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332688A (zh) * | 2021-12-14 | 2022-04-12 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 公路监控视频场景下车辆检测方法 |
CN116030353A (zh) * | 2023-03-29 | 2023-04-28 | 成都大学 | 一种基于卷积神经网络的滑坡灾害自动识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800770A (zh) * | 2018-12-28 | 2019-05-24 | 广州海昇计算机科技有限公司 | 一种实时目标检测的方法、系统及装置 |
US20190173196A1 (en) * | 2017-12-02 | 2019-06-06 | Metawave Corporation | Method and apparatus for object detection with integrated environmental information |
WO2019235415A1 (ja) * | 2018-06-04 | 2019-12-12 | 全力機械株式会社 | 災害状況判定システムおよび災害判定飛行システム |
CN110738134A (zh) * | 2019-09-24 | 2020-01-31 | 云南师范大学 | 面向无人机可见光影像的土壤信息提取方法及装置 |
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 |
CN111291941A (zh) * | 2020-03-03 | 2020-06-16 | 云南师范大学 | 一种同震滑坡道路可通行性预测方法及其应用 |
CN111401201A (zh) * | 2020-03-10 | 2020-07-10 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111666854A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
-
2021
- 2021-03-16 CN CN202110279689.6A patent/CN112883907B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
US20190173196A1 (en) * | 2017-12-02 | 2019-06-06 | Metawave Corporation | Method and apparatus for object detection with integrated environmental information |
WO2019235415A1 (ja) * | 2018-06-04 | 2019-12-12 | 全力機械株式会社 | 災害状況判定システムおよび災害判定飛行システム |
CN109800770A (zh) * | 2018-12-28 | 2019-05-24 | 广州海昇计算机科技有限公司 | 一种实时目标检测的方法、系统及装置 |
CN110738134A (zh) * | 2019-09-24 | 2020-01-31 | 云南师范大学 | 面向无人机可见光影像的土壤信息提取方法及装置 |
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 |
CN111291941A (zh) * | 2020-03-03 | 2020-06-16 | 云南师范大学 | 一种同震滑坡道路可通行性预测方法及其应用 |
CN111401201A (zh) * | 2020-03-10 | 2020-07-10 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111666854A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
Non-Patent Citations (3)
Title |
---|
A MOHAN等: ""Review on remote sensing methods for landslide detection using machine and deep learning"", 《WILEY ONLINE LIBRARY》 * |
JINFENG GAO: ""Detection of Specific Building in Remote Sensing Images Using a Novel YOLO-S-CIOU Model. Case: Gas Station Identification"", 《SENSORS》 * |
KC CHANG等: ""Design of River Monitoring System Based on Video Recognition and Deep Learning Technologies"", 《2020 IEEE INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS - TAIWAN (ICCE-TAIWAN)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332688A (zh) * | 2021-12-14 | 2022-04-12 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 公路监控视频场景下车辆检测方法 |
CN114332688B (zh) * | 2021-12-14 | 2022-09-09 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 公路监控视频场景下车辆检测方法 |
CN116030353A (zh) * | 2023-03-29 | 2023-04-28 | 成都大学 | 一种基于卷积神经网络的滑坡灾害自动识别方法 |
CN116030353B (zh) * | 2023-03-29 | 2023-05-30 | 成都大学 | 一种基于卷积神经网络的滑坡灾害自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112883907B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
CN112883907B (zh) | 小体积模型的滑坡检测方法及装置 | |
CN111047516A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111028327B (zh) | 一种三维点云的处理方法、装置及设备 | |
CN108537733A (zh) | 基于多路径深度卷积神经网络的超分辨率重建方法 | |
CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
CN107220643A (zh) | 基于紧凑型神经网络的深度学习模型的交通标志识别系统 | |
CN111597920B (zh) | 一种自然场景下的全卷积单阶段的人体实例分割方法 | |
CN112132164B (zh) | 目标检测方法、系统、计算机装置及存储介质 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN110766052A (zh) | 图像展示方法、评估模型生成方法、装置及电子设备 | |
CN111833261A (zh) | 一种基于注意力的生成对抗网络的图像超分辨率复原方法 | |
CN109523558A (zh) | 一种人像分割方法及系统 | |
CN107194877A (zh) | 一种基于单幅图像的保边插值超分辨率计算方法 | |
CN115082322B (zh) | 图像处理方法和装置、图像重建模型的训练方法和装置 | |
CN114596503A (zh) | 一种基于遥感卫星影像的道路提取方法 | |
CN114387346A (zh) | 一种图像识别、预测模型处理方法、三维建模方法和装置 | |
JP2023003763A (ja) | 学習装置、画像処理装置、学習処理方法、及びプログラム | |
CN117575915A (zh) | 一种图像超分辨率重建方法、终端设备及存储介质 | |
CN113361378A (zh) | 一种运用适应性数据增强的人体姿态估计方法 | |
CN114663654B (zh) | 一种改进YOLOv4网络模型及小目标检测方法 | |
Zhao et al. | ST-YOLOA: a Swin-transformer-based YOLO model with an attention mechanism for SAR ship detection under complex background | |
CN115797489A (zh) | 一种基于深度网络的岩石ct数字图像真彩色化处理方法 | |
CN114913433A (zh) | 一种联合均衡特征和可变形卷积的多尺度目标检测方法 |
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 |