CN113065455B - 一种基于深度学习的滑坡风险巡检方法及系统 - Google Patents
一种基于深度学习的滑坡风险巡检方法及系统 Download PDFInfo
- Publication number
- CN113065455B CN113065455B CN202110339901.3A CN202110339901A CN113065455B CN 113065455 B CN113065455 B CN 113065455B CN 202110339901 A CN202110339901 A CN 202110339901A CN 113065455 B CN113065455 B CN 113065455B
- Authority
- CN
- China
- Prior art keywords
- landslide
- landslide risk
- feature map
- training
- bank slope
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000007689 inspection Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000013058 risk prediction model Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 44
- 238000012795 verification Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000011229 interlayer Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Astronomy & Astrophysics (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的滑坡风险巡检方法及系统。该方法包括：采用无人机拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置；获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为滑坡风险的位置和滑坡风险所属的滑坡类别；将待识别的岸坡图像输入配置权重后的滑坡风险预测模型，获得库区岸坡存在滑坡风险的位置以及滑坡风险所属各滑坡类别的置信度，其中，所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高。本发明基于深度学习的无人机滑坡风险巡检方法，不仅可以节约人力物力财力、提高识别效率，还可以拍摄并检测出人工视角的盲点。
Description
技术领域
本发明涉及岸坡失稳智能检测领域，特别是涉及一种基于深度学习的滑坡风险巡检方法及系统。
背景技术
随着社会经济的发展与工程建设的需要，水库大坝数量与日俱增，边坡失稳已成为三大全球性地质灾害之一。大量事实表明，90％以上的边坡失稳与水有关，水的作用是一个至关重要的外在因素。库岸土体长期受到库水位升降影响，在库区水位下降的初始阶段，地下水滞后于库区水位，库水位与滑坡地下水位形成水头差，产生动力压力反作用于坡体，使得边坡稳定性降低，土体的软弱夹层被破坏，土体的应力状态也随之改变，在重力作用下，土体容易整体地或者分散地顺坡向下滑动位移。我国幅员辽阔，有70％为山区，地理地质条件十分复杂，滑坡分布尤为广泛，常常给工农业生产以及人民生命财产造成巨大损失、有的甚至是毁灭性的灾难，近坝的库岸滑坡一旦高速滑入库中，会激起几十米甚至上百米的涌浪，致使库水漫过坝顶泄向下游，淹没下游的农田或土地。
边坡稳定性研究已有100多年的历史，随着各国工程建设的不断发展，遇到边坡失稳问题逐渐增多，对其研究也逐渐系统而深入。滑坡监测的方法主要有人工方法和仪器监测方法。人工的方法比较适合在滑坡进入加速变形的末期进行预测，主要凭借经验，无法提供具体数据让他人充分认识理解，也无法准确预报整体破坏时间，是一种比较原始的定性类监测方法。如早期的库区岸坡灾害巡检主要采用人工乘船开展，但巡检的相关人员需要具备较高的专业判断能力，需要提前展开相关的培训，既耗时且成本又高，因此单纯利用人力在时间、技术和资金上无法保证面面俱到。且受到库水位升降，雨水击打以及河流冲刷等诸多不确定因素的影响，软弱夹层以及受到破坏的土体对巡检人员可能会产生一定安全隐患。目前常用的监测技术需要在该区域大规模布设位移监测传感器，也容易受到水体升降、风浪冲蚀等条件破坏，需要增加较多成本。
发明内容
本发明的目的是提供一种安全高效的滑坡风险巡检方法及系统。
为实现上述目的，本发明提供了如下方案：
一种基于深度学习的滑坡风险巡检方法，包括：
采用无人机拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置；
根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别。
可选的，所述根据所述库区岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别，具体包括：
获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为滑坡风险的位置和滑坡风险所属的滑坡类别；
将待识别的岸坡图像输入配置权重后的滑坡风险预测模型，获得库区岸坡存在滑坡风险的位置以及所述滑坡风险所属各滑坡类别的置信度。
可选的，所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高。
可选的，所述滑坡风险巡检方法还包括：
构建滑坡风险预测模型的卷积神经网络框架，并对所述卷积神经网络进行训练。
可选的，所述卷积神经网络框架包括CSPDarknet53网络结构、SPP网络结构以及PANet网络结构；
所述CSPDarknet53为特征提取骨干网络，所述CSPDarknet53网络结构输出三个大小分别为52*52、26*26、13*13的特征图，大小为13*13的特征图输入所述SPP网络结构，经SPP网络结构最大池化后拼接得到池化特征图；
所述PANet网络结构用于：将所述池化特征图经上采样后与CSPDarknet53网络结构输出的大小为26*26的特征图进行融合，得到第一融合特征图；将所述第一融合特征图经上采样后与CSPDarknet53网络结构输出的大小为52*52的特征图进行融合，得到第二融合特征图；将所述第二融合特征图经下采样后与第一特征图融合，得到第三融合特征图；将所述第三融合特征图经下采样后与所述池化特征图融合后得到第四融合特征图；
所述第二融合特征图为第一预测结果，所述第三融合特征图为第二预测结果，第四融合特征图为第三预测结果。
可选的，所述滑坡风险巡检方法还包括：
将样本集进行划分为训练集、验证集和测试集，所述训练集用于训练所述卷积神经网络，所述验证集用于在每次训练完成后调整超参数，防止模型在训练集上过拟合，所述测试集用于测试训练好的卷积神经网络模型的准确率。
可选的，所述滑坡风险巡检方法还包括：
当训练好的卷积神经网络模型的准确率低于设定阈值时，则将所述训练集和所述验证集混合重新划分创建的新的训练集和新的验证集，并对新的训练集进行扩充；
基于新的训练集和新的验证集，对卷积神经网络进行训练。
可选的，训练集扩充方法至少包括翻转、旋转、缩放、裁剪以及移位中的一种。
本发明还提供了一种基于深度学习的滑坡风险巡检系统，包括：
岸坡图像采集无人机，用于拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置；
滑坡检测单元，用于根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别；
其中，所述滑坡检测单元，具体包括：
滑坡风险预测模型配置模块，用于获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为滑坡风险的位置和滑坡风险所属的滑坡类别；
滑坡风险识别模块，用于将待识别的岸坡图像输入配置权重后的滑坡风险预测模型，获得库区岸坡存在滑坡风险的位置以及所述滑坡风险所属各滑坡类别的置信度；所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高。
可选的，所述滑坡风险巡检系统还包括：
样本集划分模块，用于将样本集进行划分为训练集、验证集和测试集，所述训练集用于训练所述卷积神经网络，所述验证集用于在每次训练完成后调整超参数，防止模型在训练集上过拟合，所述测试集用于测试训练好的卷积神经网络模型的准确率；当训练好的卷积神经网络模型的准确率低于设定阈值时，则将所述训练集和所述验证集混合重新划分创建的新的训练集和新的验证集，并对新的训练集进行扩充；其中，训练集扩充方法至少包括翻转、旋转、缩放、裁剪以及移位中的一种；
滑坡风险预测模型训练模块，用于构建滑坡风险预测模型的卷积神经网络框架，并对所述卷积神经网络进行训练；
其中，所述卷积神经网络框架包括CSPDarknet53网络结构、SPP网络结构以及PANet网络结构；所述CSPDarknet53为特征提取骨干网络，所述CSPDarknet53网络结构输出三个大小分别为52*52、26*26、13*13的特征图，大小为13*13的特征图输入所述SPP网络结构，经SPP网络结构最大池化后拼接得到池化特征图；
所述PANet网络结构用于：将所述池化特征图经上采样后与CSPDarknet53网络结构输出的大小为26*26的特征图进行融合，得到第一融合特征图；将所述第一融合特征图经上采样后与CSPDarknet53网络结构输出的大小为52*52的特征图进行融合，得到第二融合特征图；将所述第二融合特征图经下采样后与第一特征图融合，得到第三融合特征图；将所述第三融合特征图经下采样后与所述池化特征图融合后得到第四融合特征图；
所述第二融合特征图为第一预测结果，所述第三融合特征图为第二预测结果，第四融合特征图为第三预测结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于深度学习的滑坡风险巡检方法及系统，采用无人机拍摄库区岸坡图像，采用基于深度学习的卷积神经网络模型对无人机拍摄的库区岸坡图像进行人工智能检测，预警岸坡潜在失稳风险，减少人工巡检的成本问题和安全隐患，实现库岸稳定的智能巡检。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于深度学习的滑坡风险巡检方法的流程示意图；
图2为本发明实施例1中YOLOv4卷积神经网络的结构图；
图3为本发明实施例1中YOLOv4卷积神经网络的训练过程图；
图4为本发明实施例1中IOU计算示意图；
图5为本发明实施例1中预测框和真实框相交示意图；
图6为本发明实施例1中13×13Yo l o Head示意图；
图7为本发明实施例2提供的基于深度学习的滑坡风险巡检系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种安全高效的滑坡风险巡检方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参见图1，本实施例提供了一种基于深度学习的滑坡风险巡检方法，该方法包括以下步骤：
步骤101：采用无人机拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置。
利用无人机对库岸进行滑坡风险巡检，无人机从起航点出发，根据设定的航拍路线，进入巡检监测区开始执行滑坡风险巡检任务，例如，采用大疆悟Inspire 2无人机外接云台相机对水库库岸进行拍摄，采集下来的图片或视频储存在机身内置的SSD卡中，采集的图片主要包括：(1)斜坡体临空面以上由泥化夹层；(2)坡度大于10度，小于45度，下陡中缓上陡、上部成环状的坡形；(3)前缘向河谷凸出，或被深切，陡坎临空面发育等。无人机依次经过关键监测点拍摄图片或录制视频，搭载的禅思Zenmuse X7相机，拍摄照片的尺寸根据地形、地貌可灵活变换，可为3:2(6016×4008)、16:9(6016×3376)或4:3(5216×3912)，并通过无人机定位系统记录下所在的位置信息，最后将采集的巡检数据返回到起航点，结束此次巡检任务。因不能保证无人机拍摄的每张图片角度都一样，所以需将图片需要进行角度的矫正，会涉及到裁剪、旋转等简单的预处理，使图片的角度大致相同即可。
步骤102：根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别。具体可以如下：
获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为存在滑坡风险的位置和滑坡风险所属的滑坡类别。将无人机拍摄的待识别的岸坡图像输入配置权重后的滑坡风险预测模型，得到预测结果：在该无人机拍摄的待识别的岸坡图像上，当存在滑坡区域的情况时，在所述图像上的滑坡风险位置生成预测框和滑坡风险所属类别以及该类别的置信度，最后在根据岸坡图像的拍摄位置确定滑坡风险的实际位置。其中，滑坡风险的位置包括滑坡风险的中心坐标、宽和高。在此种情况下，滑坡风险预测模型配置的权重是预先训练好的，使用时，直接从存储器调用即可。
当然，本实施例提供的滑坡风险巡检方法还可以包括：滑坡风险预测模型对应的卷积神经网络框架的构建以及卷积神经网络的训练。作为本实施例的一种实施方式，卷积神经网络框架可以如图2所示，该卷积神经网络框架为YOLOv4＝CSPDarknet53+SPP+PANet+Yolo Head，包括CSPDarknet53网络结构、SPP网络结构以及PANet网络结构。其中，所述CSPDarknet53为特征提取骨干网络，SPP网络结构和PANet网络结构用于特征的加强。
参见图2，CSPDarknet53网络结构输出三个大小分别为52*52、26*26、13*13的特征图，大小为13*13的特征图输入所述SPP网络结构，经SPP网络结构最大池化后拼接得到池化特征图。在PANet网络结构中，池化特征图经上采样后与CSPDarknet53网络结构输出的大小为26*26的特征图进行融合，得到第一融合特征图；第一融合特征图经上采样后与CSPDarknet53网络结构输出的大小为52*52的特征图进行融合，得到第二融合特征图；第二融合特征图经下采样后与第一特征图融合，得到第三融合特征图；第三融合特征图经下采样后与所述池化特征图融合后得到第四融合特征图。第二融合特征图为第一预测结果，第三融合特征图为第二预测结果，第四融合特征图为第三预测结果。
以416*416图片的大小为例，首先在CSPDarknet53网络结构不断的进行下采样获得更高语意的信息，再对13*13*1024的特征层进行三次卷积后输入到SPP结构，SPP结构有四个分支，就是对输入进来的特征层进行不同大小的最大池化，池化后的结果会进行堆叠，再进行三次卷积得到池化特征层。之后得到的池化特征层进入PANet结构进行上采样，与CSPDarkent53网络结构得到的26*26*512特征层进行堆叠，特征融合，组成特征金字塔结构，堆叠后进行五次卷积得到第一融合特征层，随后继续上采样与CSPDarkent53网络结构得到的52*52*256特征层进行堆叠，特征融合，得到第二融合特征层，堆叠之后就完成特征金字塔结构。随后第二融合特征层既输出为52×52的Yolo Head,又进行下采样，与第一融合特征层进行特征堆叠再进行5次卷得到积第三融合特征层，第三融合特征层既输出为26×26的Yolo Head,又进行下采样与池化特征层进行堆叠融合，再进行卷积，之后输出13×13的Yolo Head，总共3个不同大小的Yolo Head进行预测。
在进行卷积神经网络的训练之前，需要获取人工采集的滑坡图像数据和/或从互联网上收集具有典型特征的滑坡图像数据构成样本集，并由专家评定后确定滑坡类型，如按滑坡产生的力学特征，由上部岩层滑动，挤压下部产生变形，导致的推移式滑坡，这种滑动速度较快，滑体表面波状起伏，且多见于有堆积物分布的斜坡地段；或是下部先滑，使上部失去支撑而变形滑动的牵引式滑坡，这种一般速度较慢，多具上小下大的塔式外貌，横向张性裂缝发育，表面多呈阶梯状或陡坎状。收集大量滑坡图像数据后，对滑坡图像数据中的滑坡位置以及类型进行标注。之后，将样本集进行划分为训练集、验证集和测试集，具体的，可以将样本集中80％数据组成训练集、10％数据组成验证集，10％数据组成测试集。训练集的主要作用为训练参数，验证集主要用于在每次训练完成后调整超参数，防止模型在训练集上过拟合，测试集的主要作用为测试训练好的模型的准确率。训练集包括问题域中的所有形态数据，并在算法训练阶段调整神经网络的权重。验证集在训练过程中用于测试神经网络对训练集中未出现的数据的分类性能，根据神经网络在验证集的性能情况，调整神经网络结构。测试集采用验证集和训练集中没有出现过的特征值数据，用于在神经网络结构确定后更好地测试和衡量网络地性能。针对每种滑坡情况，需要对算法进行万次以上的训练、测试和验证，才可保证巡检方法和系统的准确度。
参见图3，基于本实施例提供的卷积神经网络，训练过程如下：
(1)将一幅图像通过CSPDarknet53、SPP和PANet后输出13×13、26×26、52×52的特征图网格，如果某个目标的中心落在这个网格中，则这个网格就负责来预测这个目标。每个网格预先设定B个不同大小和宽高比的边界框，每个边界框包含5个预测值：tx、ty、tw、th和置信度，该置信度主要代表所预测的边界框中含有目标的置信度，若有人工标注的物体落在该边界框中的网格单元内则取1，否则取0。按式(1)计算预测框(即滑坡风险)的中心坐标(bx，by)和宽高w，h，预测框是以先验框为基础进行位置移动和大小缩放的。
式中：
σ(x)--Logistic函数：
cx、cy--特征图中每个网格的左上角坐标；
pw、ph--边界框相对于特征图的宽和高；
tx、ty、tw、th--模型预测的中心坐标及宽和高。
(2)经过(1)后每个网格会生成B个预测框，之后进行非极大值抑制，没有目标的网格边界框会直接去除，有目标的网格高亮所有类别中置信度最高的边界框，去除该网格中其它类别的边界框，这里的置信度则是网络经过不断的迭代训练而预测出来的。
(3)该网格置信度最高的边界框与其它网格经过非极大值抑制后的边界框进行交并比(IOU)，若IOU大于0.5则当成是同一目标，去除交并比中置信度低的边界框，一直如此下去，直到最后该目标只剩下一个置信度最高的边界框。参见图4，IOU的计算公式如下：
(4)经过上述步骤，我们得出该目标置信度最高的边界框，即预测框，之后与图片中标注的真实框计算回归损失。
(5)根据确定的网络训练数据输入可以计算Ciou回归损失，Ciou在其它损失函数的基础上考虑了边框的重合度、中心距离和宽高比的尺度信息，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题，把1-CIOU就可以得到相应的LOSS，到此网络训练步骤就告一段落。CIOU计算公式如下：
式中：
b为预测框中心点；
bgt为真实框中心点；
c--能够同时包含预测框和真实框的最小闭包区域的对角线距离。
v--是衡量长宽比一致性的参数，
wgt和hgt为真实框的宽、高；
w和h为预测框的宽、高。
CIoU LOSS计算公式如下：
(6)根据训练集和验证集的回归损失确定是否满足收敛准则。主要通过损失实时曲线判断，训练过程中损失曲线是下降的，一般认为损失曲线基本与X轴平行可判定为收敛。当训练集和验证集的损失越小，说明预测效果越好，但训练集的损失和验证集的损失之间也有联系：1)若训练集的损失低，验证集的损失稍高，说明这次的训练出现高方差的现象；2)若训练集的损失偏高，验证集的损失在训练集损失附近，说明这次的训练出现偏差高的现象；3)若训练集的损失偏高，验证集的损失更高，说明这次的训练既出现高方差又出现偏差高的现象；4)只有当训练集的损失低，验证集的损失大致与训练集损失相等，说明数据集训练得不错。这是验证集的主要作用，通过验证集的损失与训练集的损失不断对照，进而不断调整模型中的超参数，不断优化模型。当回归损失满足收敛准则时则结束训练，采用训练好的神经网络对测试集进行检测，并且通过模型评估得出准确率；若不满足收敛准则则继续训练，将原始训练集图像和验证集图像混合重新划分创建的新训练集和验证集，并且对训练集进行扩充再次进行训练，训练集扩充的方法一般包括翻转、旋转、缩放、裁剪、移位和其他一些方法，以提高模型识别的鲁棒性和准确率，训练结束后即可得到该数据集的模型权重。
对应于该训练过程，本实施例中的识别解译过程如下：
YOLOv4卷积神经网络创造性的将候选区和对象识别这两个阶段合二为一，即将整张图作为网络的输入，然后进行卷积，直接在输出层回归预测框的位置和预测框所属的类别。
(1)在YOLOv4卷积神经网络中加载训练后得到的模型权重；
(2)输入由无人机巡检后采集并经预处理的图像；
(3)将(2)的图像输入到加载了模型权重的YOLOv4卷积神经网络，像训练过程中(1)，经过CSPDarknet53、SPP、PANet网络结构后，输出进行特征提取得到13×13、26×26和52×52三个特征图；
又因为3个不同特征图中的每个网格单元预测B个不同大小和宽高比的边界框，每个边界框包含5个预测值：tx、ty、tw、th和置信度，且需要预测一个类别信息，记为C个类别，所以实际输出的是尺寸为13×13×[(5+C)×B]、26×26×[(5+C)×B]和52×52×[(5+C)×B]三个张量，即三个YOLO Head，参见图6。
在Yolo Head中的每个表格单元，有B个边界框，边界框的置信度为1代表有目标存在，则进行预测，bx、by、w、h分别预测框的中心坐标、宽和高，C包含预测目标中每一个类别的置信度；
(4)经过(3)之后，因有经过训练后得到的模型权重，可直接匹配里面的特征信息进行预测，即像训练过程中一样，进行非极大值抑制和交并比得到置信度最高，位置回归得最好的预测框，用网络检测出滑坡风险，最后输出滑坡风险的类型。
本发明基于深度学习的无人机滑坡风险巡检方法，不仅可以节约人力物力财力、提高识别效率，还可以拍摄并检测出人工视角的盲点。
实施例2
参见图7，本实施例提供了一种基于深度学习的滑坡风险巡检系统，该滑坡风险巡检系统包括：
岸坡图像采集无人机1，用于拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置；
滑坡检测单元2，用于根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别；
其中，所述滑坡检测单元2，具体包括：
滑坡风险预测模型配置模块23，用于获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为滑坡风险的位置和滑坡风险所属的滑坡类别；
滑坡风险识别模块24，用于将待识别的岸坡图像输入配置权重后的滑坡风险预测模型，获得库区岸坡存在滑坡风险的位置以及所述滑坡风险所属各滑坡类别的置信度；所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高。
作为本实施例的一种实施方式，所述滑坡风险巡检系统还包括：
样本集划分模块21，用于将样本集进行划分为训练集、验证集和测试集，所述训练集用于训练所述卷积神经网络，所述验证集用于在每次训练完成后调整超参数，防止模型在训练集上过拟合，所述测试集用于测试训练好的卷积神经网络模型的准确率；当训练好的卷积神经网络模型的准确率低于设定阈值时，则将所述训练集和所述验证集混合重新划分创建的新的训练集和新的验证集，并对新的训练集进行扩充；其中，训练集扩充方法至少包括翻转、旋转、缩放、裁剪以及移位中的一种。
滑坡风险预测模型训练模块22，用于构建滑坡风险预测模型的卷积神经网络框架，并对所述卷积神经网络进行训练；
其中，所述卷积神经网络框架包括CSPDarknet53网络结构、SPP网络结构以及PANet网络结构；所述CSPDarknet53为特征提取骨干网络，所述CSPDarknet53网络结构输出三个大小分别为52*52、26*26、13*13的特征图，大小为13*13的特征图输入所述SPP网络结构，经SPP网络结构最大池化后拼接得到池化特征图。
所述PANet网络结构用于：将所述池化特征图经上采样后与CSPDarknet53网络结构输出的大小为26*26的特征图进行融合，得到第一融合特征图；将所述第一融合特征图经上采样后与CSPDarknet53网络结构输出的大小为52*52的特征图进行融合，得到第二融合特征图；将所述第二融合特征图经下采样后与第一特征图融合，得到第三融合特征图；将所述第三融合特征图经下采样后与所述池化特征图融合后得到第四融合特征图。
所述第二融合特征图为第一预测结果，所述第三融合特征图为第二预测结果，第四融合特征图为第三预测结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于深度学习的滑坡风险巡检方法，其特征在于，包括：
采用无人机拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置；
根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别；
所述滑坡风险巡检方法还包括：
构建滑坡风险预测模型的卷积神经网络框架，并对所述卷积神经网络进行训练；
其中，所述卷积神经网络框架包括CSPDarknet53网络结构、SPP网络结构以及PANet网络结构；
所述CSPDarknet53网络结构为特征提取骨干网络，所述CSPDarknet53网络结构输出三个大小分别为52*52、26*26、13*13的特征图，大小为13*13的特征图输入所述SPP网络结构，经SPP网络结构最大池化后拼接得到池化特征图；
所述PANet网络结构用于：将所述池化特征图经上采样后与CSPDarknet53网络结构输出的大小为26*26的特征图进行融合，得到第一融合特征图；将所述第一融合特征图经上采样后与CSPDarknet53网络结构输出的大小为52*52的特征图进行融合，得到第二融合特征图；将所述第二融合特征图经下采样后与第一特征图融合，得到第三融合特征图；将所述第三融合特征图经下采样后与所述池化特征图融合后得到第四融合特征图；
所述第二融合特征图为第一预测结果，所述第三融合特征图为第二预测结果，第四融合特征图为第三预测结果。
2.根据权利要求1所述的基于深度学习的滑坡风险巡检方法，其特征在于，所述根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别，具体包括：
获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为滑坡风险的位置和滑坡风险所属的滑坡类别；
将待识别的岸坡图像输入配置权重后的滑坡风险预测模型，获得库区岸坡存在滑坡风险的位置以及滑坡风险所属各滑坡类别的置信度。
3.根据权利要求2所述的基于深度学习的滑坡风险巡检方法，其特征在于，所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高。
4.根据权利要求1所述的基于深度学习的滑坡风险巡检方法，其特征在于，所述滑坡风险巡检方法还包括：
将样本集进行划分为训练集、验证集和测试集，所述训练集用于训练所述卷积神经网络，所述验证集用于在每次训练完成后调整超参数，防止模型在训练集上过拟合，所述测试集用于测试训练好的卷积神经网络模型的准确率。
5.根据权利要求4所述的基于深度学习的滑坡风险巡检方法，其特征在于，所述滑坡风险巡检方法还包括：
当训练好的卷积神经网络模型的准确率低于设定阈值时，则将所述训练集和所述验证集混合重新划分创建的新的训练集和新的验证集，并对新的训练集进行扩充；
基于新的训练集和新的验证集，对卷积神经网络进行训练。
6.根据权利要求5所述的基于深度学习的滑坡风险巡检方法，其特征在于，训练集扩充方法至少包括翻转、旋转、缩放、裁剪以及移位中的一种。
7.一种基于深度学习的滑坡风险巡检系统，其特征在于，包括：
岸坡图像采集无人机，用于拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置；
滑坡检测单元，用于根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别；
其中，所述滑坡检测单元，具体包括：
滑坡风险预测模型配置模块，用于获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为滑坡风险的位置和滑坡风险所属的滑坡类别；
滑坡风险识别模块，用于将待识别的岸坡图像输入配置权重后的滑坡风险预测模型，获得库区岸坡存在滑坡风险的位置以及滑坡风险所属各滑坡类别的置信度；所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高；
所述滑坡风险巡检系统还包括：
样本集划分模块，用于将样本集进行划分为训练集、验证集和测试集，所述训练集用于训练卷积神经网络，所述验证集用于在每次训练完成后调整超参数，防止模型在训练集上过拟合，所述测试集用于测试训练好的卷积神经网络模型的准确率；当训练好的卷积神经网络模型的准确率低于设定阈值时，则将所述训练集和所述验证集混合重新划分创建的新的训练集和新的验证集，并对新的训练集进行扩充；其中，训练集扩充方法至少包括翻转、旋转、缩放、裁剪以及移位中的一种；
滑坡风险预测模型训练模块，用于构建滑坡风险预测模型的卷积神经网络框架，并对所述卷积神经网络进行训练；
其中，所述卷积神经网络框架包括CSPDarknet53网络结构、SPP网络结构以及PANet网络结构；所述CSPDarknet53网络结构为特征提取骨干网络，所述CSPDarknet53网络结构输出三个大小分别为52*52、26*26、13*13的特征图，大小为13*13的特征图输入所述SPP网络结构，经SPP网络结构最大池化后拼接得到池化特征图；
所述PANet网络结构用于：将所述池化特征图经上采样后与CSPDarknet53网络结构输出的大小为26*26的特征图进行融合，得到第一融合特征图；将所述第一融合特征图经上采样后与CSPDarknet53网络结构输出的大小为52*52的特征图进行融合，得到第二融合特征图；将所述第二融合特征图经下采样后与第一特征图融合，得到第三融合特征图；将所述第三融合特征图经下采样后与所述池化特征图融合后得到第四融合特征图；
所述第二融合特征图为第一预测结果，所述第三融合特征图为第二预测结果，第四融合特征图为第三预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110339901.3A CN113065455B (zh) | 2021-03-30 | 2021-03-30 | 一种基于深度学习的滑坡风险巡检方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110339901.3A CN113065455B (zh) | 2021-03-30 | 2021-03-30 | 一种基于深度学习的滑坡风险巡检方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113065455A CN113065455A (zh) | 2021-07-02 |
| CN113065455B true CN113065455B (zh) | 2021-09-17 |
Family
ID=76564536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110339901.3A Active CN113065455B (zh) | 2021-03-30 | 2021-03-30 | 一种基于深度学习的滑坡风险巡检方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065455B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762287A (zh) * | 2021-09-17 | 2021-12-07 | 湖北工业大学 | 一种水下目标智能检测系统、方法及存储介质 |
| CN115457407A (zh) * | 2022-09-29 | 2022-12-09 | 云南大学 | 一种基于YoloV4算法的滑坡及形态识别方法 |
| CN115661681B (zh) * | 2022-11-17 | 2023-05-30 | 中国科学院空天信息创新研究院 | 一种基于深度学习的滑坡灾害自动识别方法及系统 |
| CN117132907A (zh) * | 2023-05-10 | 2023-11-28 | 淮南师范学院 | 一种基于深度学习的滑坡检测系统 |
| CN116956046B (zh) * | 2023-09-07 | 2023-12-29 | 西南交通大学 | 一种基于循环神经网络的地震滑坡危险性分析方法及装置 |
| CN118075314B (zh) * | 2024-04-18 | 2024-07-12 | 五凌电力有限公司 | 发电企业智能治安安全监控方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408120A (zh) * | 2016-09-13 | 2017-02-15 | 江苏大学 | 一种局部区域滑坡预测装置及方法 |
| CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
| CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
| CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
| CN110263965A (zh) * | 2019-05-06 | 2019-09-20 | 平安科技（深圳）有限公司 | 基于视频的预警方法、装置、计算机设备及存储介质 |
| CN111027686A (zh) * | 2019-12-26 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种滑坡位移的预测方法、装置及设备 |
| CN111797571A (zh) * | 2020-07-02 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 滑坡易发性评价方法、装置、设备和存储介质 |
| CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10650285B1 (en) * | 2016-09-23 | 2020-05-12 | Aon Benfield Inc. | Platform, systems, and methods for identifying property characteristics and property feature conditions through aerial imagery analysis |
| KR102013935B1 (ko) * | 2017-05-25 | 2019-08-23 | 삼성전자주식회사 | 위험 상황을 감지하는 방법 및 시스템 |
| CN111222466B (zh) * | 2020-01-08 | 2022-04-01 | 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 |
| CN111339826B (zh) * | 2020-05-06 | 2023-05-02 | 山西大学 | 一种滑坡无人机线性传感器网络框架检测系统 |
-
2021
- 2021-03-30 CN CN202110339901.3A patent/CN113065455B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408120A (zh) * | 2016-09-13 | 2017-02-15 | 江苏大学 | 一种局部区域滑坡预测装置及方法 |
| CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
| CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
| CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
| CN110263965A (zh) * | 2019-05-06 | 2019-09-20 | 平安科技（深圳）有限公司 | 基于视频的预警方法、装置、计算机设备及存储介质 |
| CN111027686A (zh) * | 2019-12-26 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种滑坡位移的预测方法、装置及设备 |
| CN111797571A (zh) * | 2020-07-02 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 滑坡易发性评价方法、装置、设备和存储介质 |
| CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的滑坡监测与早期预警方法研究;顾华奇等;《江西科学》;20190430;第37卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113065455A (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065455B (zh) | 一种基于深度学习的滑坡风险巡检方法及系统 | |
| CN109711295B (zh) | 一种光学遥感图像近岸舰船检测方法 | |
| CN113052834B (zh) | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 | |
| CN111753677B (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
| CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
| Park et al. | Computer vision–based estimation of flood depth in flooded-vehicle images | |
| CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
| CN113111727B (zh) | 一种基于特征对齐的遥感场景下旋转目标检测方法 | |
| WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
| CN115761736A (zh) | 基于多维探地雷达图像的地下空洞智能检测方法与系统 | |
| Zheng et al. | A review of remote sensing image object detection algorithms based on deep learning | |
| CN105825207A (zh) | 片段化的高压线探测方法和装置 | |
| CN114255250A (zh) | 基于深度学习的河防工程边坡坍塌检测方法 | |
| CN112529065A (zh) | 一种基于特征对齐和关键点辅助激励的目标检测方法 | |
| CN114494870A (zh) | 一种双时相遥感图像变化检测方法、模型构建方法和装置 | |
| CN117911879B (zh) | 一种融合sam的细粒度高分遥感影像变化检测方法 | |
| Zhang et al. | Building footprint and height information extraction from airborne LiDAR and aerial imagery | |
| CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 | |
| CN117611996A (zh) | 基于深度特征融合的葡萄种植区遥感影像变化检测方法 | |
| CN118212523A (zh) | 基于深度融合优化特征增强网络的sar图像船舰检测方法 | |
| CN116205522B (zh) | 一种多维cnn耦合的滑坡易发性评价方法及系统 | |
| CN114494893B (zh) | 基于语义重用上下文特征金字塔的遥感图像特征提取方法 | |
| CN113902744B (zh) | 基于轻量级网络的图像检测方法、系统、设备和存储介质 | |
| Hidayat et al. | Disaster Impact Analysis Uses Land Cover Classification, Case study: Petobo Liquefaction | |
| Liu et al. | Research on automatic recognition of active landslides using InSAR deformation under digital morphology: A case study of the Baihetan reservoir, China |
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 |