CN114255250A - 基于深度学习的河防工程边坡坍塌检测方法 - Google Patents
基于深度学习的河防工程边坡坍塌检测方法 Download PDFInfo
- Publication number
- CN114255250A CN114255250A CN202111621901.9A CN202111621901A CN114255250A CN 114255250 A CN114255250 A CN 114255250A CN 202111621901 A CN202111621901 A CN 202111621901A CN 114255250 A CN114255250 A CN 114255250A
- Authority
- CN
- China
- Prior art keywords
- slope
- lightweight
- river protection
- river
- deep learning
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000007123 defense Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008602 contraction Effects 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 9
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 235000016094 Magnolia denudata Nutrition 0.000 description 2
- 240000005819 Magnolia denudata Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- DEDOPGXGGQYYMW-UHFFFAOYSA-N molinate Chemical compound CCSC(=O)N1CCCCCC1 DEDOPGXGGQYYMW-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的河防工程边坡坍塌检测方法,利用监控设备采集河防工程边坡图像数据；采用基于注意力机制的轻量化U‑net网络模型从边坡图像数据中分割出边坡区域；再通过背景建模运动目标检测算法，检测边坡区域中的运动目标；最后通过轻量化卷积神经网络对运动目标进行判断。本发明所述方法通过计算机语言嵌入到智能监控摄像设备中，将设备安放在河防护岸上的杆状物上，自动采集边坡数据，自动识别边坡坍塌运动，解决了人力巡检排查河防工程边坡的问题，同时利用基于注意力机制的轻量化U‑net图像分割模型、背景建模算法、轻量化卷积神经网络，有效的排除了现场环境中的干扰运动，极大的增加了算法的检测准确率。
Description
技术领域
本发明涉及河防工程领域，尤其是涉及基于深度学习的河防工程边坡坍塌检测方法。
背景技术
管涌渗漏、根石坍塌等是河防工程变形破坏的主要表现形式。千里之堤毁于蚁穴，早发现、早防治是河防工程安全管理的现实需求，也是水行政主管部门最重要的工作任务。目前这项任务主要依靠人力进行巡检排查。然而，以黄河下游河防工程为例，临黄堤、东平湖围堤等各类堤防总计2429.6km、险工和控导工程456处、11526道坝垛，长度907.3km，面对如此宏大的工程，依靠人工进行巡视、巡查不仅需要耗费大量的人力以及物力，而且难以避免漏检、迟检等失误的出现。据统计，黄河下游河防工程每年每公里堤防的管护费用在17万元左右，险工的管护费用20万元左右，堤防和险工两项工程每年投入的管护费用达到了2～3亿元。且受自然天气条件、交通条件、河防工程质量、人工巡检设备的限制，人工巡检范围小，很难实现河防工程的全覆盖和险情的及时捕捉。在洪水、强对流天气期间，巡检人员还要面临巨大的人身安全风险。
随着信息化技术的发展，以水利大数据为基础的信息化技术得到了越来越多的应用，开展河防工程动态监控和安全风险预警研究能有效的改善河防工程人工巡检的问题。目前，已有学者尝试利用机器视觉算法对泥石流、山体滑坡等自然地质灾害进行自动监测。如专利号CN112284263A 提出了一种基于机器视觉的山体滑坡监测装置，可以在一定程度上对山体变形进行监测，但该装置仍采用靶标接触式的监测方式，安装方式复杂且危险；同时该装置不能有效的去除外界干扰产生的画面抖动，容易产生误判。现有文献也有公开利用卷积神经网络、目标检测网络等对地震滑坡、降雨滑坡以及黄土滑坡等产生的特征进行学习，对具有明显滑坡特征的灾害进行有效地识别，但是这类方法在滑坡特征不明显的时候，识别性能将会大大降低，同时该方法只能在滑坡等地质灾害发生后才能识别，不能满足滑坡检测实时性的要求。根据河防工程自身的特点，目前还尚未发现有针对河防工程稳定性监测的研究。
发明内容
本发明目的在于提供一种基于深度学习的河防工程边坡坍塌检测方法，用于解决目前依靠人力巡检排查河防工程边坡的问题。
为实现上述目的，本发明采取下述技术方案：
本发明所述一种基于深度学习的河防工程边坡坍塌检测方法，包括以下步骤：
S1，利用监控设备采集河防工程边坡图像数据；
S2，通过基于注意力机制的轻量化U-net网络模型从所述边坡图像数据中分割出边坡区域；
S3，通过背景建模运动目标检测算法，检测所述边坡区域中的运动目标；
S4，通过轻量化卷积神经网络对所述运动目标进行判断。
优选地，S2步中，所述基于注意力机制的轻量化U-net网络模型是在轻量化U-net网络模型中引入了注意力机制模块，用于加强轻量化U-net网络模型对所述图像数据特征的关注度；
所述轻量化U-net网络模型，是将U-Net网络结构中收缩路径和扩张路径由四个阶段变为三个阶段，其中每个阶段的特征数量减少三分之二。
优选地，所述注意力机制模块，包括一个通道注意力模块和一个空间注意力模块，用于强调或抑制轻量化U-net网络模型输出的特征。
进一步地，通过河防工程边坡图像数据集训练所述基于注意力机制的轻量化U-net网络模型，实现从所述边坡图像数据中分割出所述边坡区域。
优选地，S3步中，所述背景建模运动目标检测算法为混合高斯模型；
优选地，S4步中，所述轻量化卷积神经网络，是基于压缩网络模块，包含两个卷积层、一个最大池化层、一个全局平均池化层、五个Fire层以及一个softmax概率输出层；
所述Fire层包含压缩步骤和扩张步骤；所述压缩步骤为卷积核大小为1X1的卷积操作，所述扩张步骤由卷积核大小为1X1和卷积核大小为3X3的卷积操作组成。
进一步地，通过运动干扰排除数据集训练所述轻量化卷积神经网络，实现对所述运动目标的判断。
本发明优点在于所述基于深度学习的河防工程边坡坍塌检测方法，能够通过计算机语言嵌入到智能监控摄像设备中，将设备安放在河防护岸上的杆状物上，自动采集边坡数据，自动识别边坡坍塌运动，解决了人力巡检排查河防工程边坡的问题，同时利用基于注意力机制的轻量化U-net图像分割模型对含有河防工程边坡场景中的边坡区域进行精准分割，通过背景建模算法对边坡区域中产生的运动进行识别，再使用轻量化卷积神经网络对识别到的运动目标进行分类，有效的排除了现场环境中的干扰运动，极大的增加了算法的检测准确率。
附图说明
图1为本发明所述方法的流程图。
图2为本发明所述方法的河防工程边坡图像数据集的数据样例。
图3为本发明所述方法的轻量化卷积神经网络示意图。
图4为本发明所述方法的轻量化卷积神经网络中Fire层示意图。
图5为本发明所述方法的运动干扰排除数据集的数据样例。
图6为本发明所述方法的边坡区域分割效果展示图。
图7为本发明所述方法的运动检测数据集的数据样例。
图8为本发明所述方法的运动目标检测效果展示图。
图9为本发明所述方法的实际工程应用效果。
具体实施方式
下面将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的一部分实施例，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作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。
具体实施例1：
如图1所示，本发明所述基于深度学习的河防工程边坡坍塌检测方法，包括以下步骤：
S1，利用监控设备采集河防工程边坡图像数据；
S2，通过基于注意力机制的轻量化U-net网络模型从所述边坡图像数据中分割出边坡区域；
S3，通过背景建模运动目标检测算法，检测所述边坡区域中的运动目标；
S4，通过轻量化卷积神经网络对所述运动目标进行判断。
其中，U-Net网络结构是被O Ronneberger等人提出的，该模型通过一个“U”形的网络结构以及对称层之间的跳跃连接机制来实现高分辨率信息与低层语义信息之间的融合，可以很好的适用于图像分割任务。U-Net网络结构主要包含收缩路径以及扩张路径，收缩路径用于提取上下文信息，可以在减少特征空间维度的同时增加特征通道的数量。原始U-Net网络结构中收缩路径包含四个阶段，其中每个阶段包含两个3X3的卷积操作以及一个2X2的最大池化操作，每个阶段的通道数都会比上一个阶段的通道数加倍。与收缩路径相似，扩张路径同样包含四个阶段，主要通过上采样操作来实现恢复原始图像中的特征细节。扩张路径中每个阶段的特征空间维度比上一个阶段加倍，但特征通道数比上一个阶段减半。U-Net网络结构的最后一层为一个1X1大小的卷积操作，将特征图数量映射为2，然后再经过sigmoid激活函数输出预测概率值。
在本发明所述方法中，为了提高算法的效率，特别设计了一个轻量化的U-net网络模型。具体是将原始U-net网络结构中收缩路径以及扩张路径中的四个阶段变为三个阶段，其中每个阶段的特征数量再减少为之前的三分之一，其余设置不变，以此来增加算法模型的时效性。
此外，为了加强U-net模型对重要特征信息的关注度，本发明所述方法进一步在轻量化的U-net网络模型中引入注意力机制模块，常见的注意力机制模块有SENet (英文全称为：Squeeze-and-Excitation Networks，中文解释为：压缩和激励模块)，CBAM (英文全称为：Convolutional Block Attention Module，中文解释为：卷积块注意力机制), BAM (英文全称为：Bottleneck Attention Module，中文解释为：瓶颈注意力机制模块)，已广泛应用至各类计算机视觉任务中。
本发明所述方法采用的注意力机制模型为BAM，包含一个通道注意力模块和一个空间注意力模块。通道注意力模块由一个平均池层以及两个线性层映射层组成，可以为每个特征图输出一组对应的权重系数；空间注意力模块包含两个含有1X1卷积操作的缩减层以及两个含有3X3卷积操作的卷积层。整个注意力机制模块将通道注意力以及空间注意力的输出进行基于元素的逐项求和操作，并将求和结果经过Sigmoid激活函数得到最终的权重概率值。
在本发明所述方法中，轻量化的U-net网络模型的每一中间输出特征均需输入至BAM注意力机制模块中，BAM注意力机制模块对特征进行重新强调或者抑制。引入注意力机制模块的轻量级U-net可以将提取到的特征关注度集中在那些关键的空间或者通道特征上，对干扰特征进行有效地抑制，增加了所提取特征的语义信息，提高了U-net网络模型分割的性能。
在建立了基于注意力机制的轻量化U-net网络模型后，本发明收集了郑州黄河马渡险工以及焦作大玉兰河防工程的近1000多张根石边坡图像数据，对其中的500张图像数据进行图像分割标准化标记后，构成河防工程边坡图像数据集，数据样例如下图2所示，用于训练基于注意力机制的轻量化U-net网络模型，完成从边坡图像数据中分割出边坡区域。
在对河防工程边坡图像数据中边坡区域分割的基础上，本发明所述方法采用背景建模运动目标检测算法对分割出的边坡区域进行运动目标检测。所述背景建模运动目标检测算法的基本原理是用一个数学背景模型对模拟的背景进行逼近，然后用当前帧的图像与数学背景模型进行对比区分，得到当前帧图像的运动区域。常见的背景建模运动目标检测算法包含混合高斯模型、K近邻模型以及密码本模型等，本发明所述方法采用了混合高斯模型（英文缩写为：GMM）对河防工程边坡区域进行运动检测。
GMM模型首先定义k个单高斯分布
，在检测过程中，将边坡区域图像中的每个像素分别输入至k个高斯分布中，如果k个高斯分布中有满足条件(1)的，则将该像素归为背景像素部分，反之则将该像素归为前景。
其中P代表当前像素值，
和
分别代表为高斯分布的均值与标准差。
该过程用公式(2)表示为：
其中，k为高斯分布个数，
是在t时刻第k个高斯分布的权重，
为t时刻第k个高斯分布的概率密度函数，
和
分别表示概率密度函数的均值和方差，
为t时刻的像素值。
为了提升背景建模运动目标检测算法的鲁棒性，用
来表示t时刻中第k个高斯分布的可靠性参数，并根据可靠性参数的大小将k个高斯分布从大到小进行排列，这样可以将干扰因素产生的高斯分布排在后面，能够有效描述背景变化的高斯分布排在前面。在实际计算过程如公式(3)所示，通过设置阈值T来选取前B个高斯分布：
然后，采用公式 (4)对GMM算法进行权重更新：
其中，
表示在t+1时刻第k个高斯分布的权重值，
为学习率，当像素值满足公式(1)时，M取1，反之M取0。
与待测像素值匹配的高斯分布的均值与方差更新规则如公式(5)所示：
其中，
为学习率的权重; 
代表在t+1时刻第k个高斯分布的概率密度函数的均值；
代表在t+1时刻第k个高斯分布的概率密度函数的方差；
为t+1时刻的像素值。
按照公式（4）和公式（5）更新
、
、
后，重新根据公式（1）对待测像素值的判断结果，以及可靠性参数的大小将k个高斯分布从大到小进行排列，按照公式（3）选取前B个高斯分布，构成新的数学背景模型。
通过上述背景建模运动目标检测算法在分割出的边坡区域检测到运动目标后，需要再对运动目标进行判断和识别。在实际河防工程环境中，除了边坡坍塌形成的运动信息外，还有很多干扰运动信息，例如：飞鸟、行人、树叶飘动等等，这些干扰源带来的运动信息同样可以被背景建模运动目标检测算法检测到，从而导致对河防工程产生的边坡运动出现误检。为了对检测到的运动目标进行有效地鉴别，本发明所述方法设计了一个轻量化卷积神经网络对检测到的运动目标进行识别，用以提升本发明所述方法的检测精度。
如图3所示，本发明所述方法设计的轻量化卷积神经网络主体网络框架基于压缩网络模块，包含两个卷积层、一个最大池化层、一个全局平均池化层、五个Fire层以及一个softmax概率输出层。如图4所示，其中Fire模块包含压缩以及扩张步骤，压缩步骤为卷积核大小为1X1的卷积操作，扩张步骤由1X1以及3X3卷积操作共同组成。
在建立了轻量化卷积神经网络后，本发明在郑州黄河马渡险工以及焦作大玉兰河防工程附近采集了2000多张有关边坡、行人、飞鸟、树叶、猫、狗等可能造成运动目标的图像数据，并将该数据集分为10类，每类中包含图像数量150-220张，构成运动干扰排除数据集，数据样例如下图5所示。通过运动干扰排除数据集训练轻量化卷积神经网络，使其对运动目标进行有效地识别，排除边坡滑动以外的干扰运动，提升算法的识别精度。
具体实施例2：为了验证本发明所述方法的有效性，对本发明中涉及到的算法模型进行了相关性能测试。
（1）基于注意力机制的轻量化U-net网络模型的准确性和效率验证
使用经河防工程边坡图像数据集训练后的基于注意力机制的轻量化U-net网络模型，对100张河防工程边坡图像数据进行检测识别，如图6所示，从图中可以看出基于注意力机制的轻量化U-net网络模型能够很好的将河防工程边坡图像数据中的边坡区域分割出来。
进一步地，如表1所示，通过IoU指标值，对比原始U-net网络结构、轻量化U-net网络模型和基于注意力机制的轻量化U-net网络模型，可以看出基于注意力机制的轻量化U-net网络模型具有更高的IoU值，其准确度高于原始U-net网络结构和轻量化U-net网络模型；
表1
同时，如表2所示，通过所耗费时间（Time Cost），对比原始U-net网络结构和基于注意力机制的轻量化U-net网络模型，可以看出基于注意力机制的轻量化U-net网络模型分割单张图片所耗费的时间更短，效率更高，即其效率也高于原始U-net网络结构；
表2
（2）背景建模运动目标检测算法有效性验证
为了验证本发明所述方法中背景建模运动目标检测算法对滑坡运动检测的有效性，分别采集到马渡险工以及大玉兰两处边坡出险视频数据片段，并进一步地模拟了滑坡运动场景，构成运动检测数据集，数据样例如下图7所示，其中第一行图片为模拟的边坡滑塌运动现场，第二行图片为马渡险工处根石滑塌现场，第三行图片为焦作大玉兰段根石滑塌现场。使用GMM背景建模运动目标检测算法对图片进行识别，结果如图8所示，图中左侧为产生运动目标的原始视频截图，右侧标红处为GMM背景建模运动目标检测算法检测到的运动目标。从图中可以看出GMM背景建模运动目标检测算法能够很好的将边坡区域产生的运动目标检测到，从而验证了GMM背景建模运动目标检测算法的有效性。
（3）轻量化卷积神经网络对运动目标判断的有效性及合理性
使用经运动干扰排除数据集训练后的轻量化卷积神经网络，对500张河防工程边坡图像数据中的运动目标进行识别和判断，同时本发明设计了两个对比模型，一起对500张河防工程边坡图像数据中的运动目标进行识别和判断。其中对比模型1命名为CNN+，其在本发明方法所设置的轻量化卷积神经网络中增加了两个Fire层；对比模型2命名为CNN-，其去掉了本发明方法所设置的轻量化卷积神经网络中的两个Fire层。如表3所示，通过top-1识别率指标， 对比本发明所述轻量化卷积神经网络与CNN+、CNN-，可以看出本发明所述轻量化卷积神经网络的识别率最高。也就是说无论是增加还是减少轻量化卷积神经网络中的Fire层，均会导致识别性能的下降，可见，本发明设计的轻量化卷积神经网络结构的合理性及有效性。
表3
具体实施例3：本发明所述基于深度学习的河防工程边坡坍塌检测方法，能够通过计算机语言嵌入到智能监控摄像设备中，将设备安放在黄河马渡险工处河防护岸上的杆状物上，对边坡进行24小时无人值守式监控。如图9所示，在2020年7月5日，有效地捕捉到了护岸边坡的滑塌场景，并通过网络传输设备通知相关防御局工作人员对滑塌位置进行加固。本发明所述基于深度学习的河防工程边坡坍塌检测方法无论在模拟数据还是在现实场景应用中对工程边坡坍塌都具有良好的检测效果。
Claims (7)
1.一种基于深度学习的河防工程边坡坍塌检测方法，其特征在于：包括以下步骤：
S1，利用监控设备采集河防工程边坡图像数据；
S2，通过基于注意力机制的轻量化U-net网络模型从所述边坡图像数据中分割出边坡区域；
S3，通过背景建模运动目标检测算法，检测所述边坡区域中的运动目标；
S4，通过轻量化卷积神经网络对所述运动目标进行判断。
2.根据权利要求1所述的基于深度学习的河防工程边坡坍塌检测方法，其特征在于：S2步中，所述基于注意力机制的轻量化U-net网络模型是在轻量化U-net网络模型中引入了注意力机制模块，用于加强轻量化U-net网络模型对所述图像数据特征的关注度；
所述轻量化U-net网络模型，是将U-Net网络结构中收缩路径和扩张路径由四个阶段变为三个阶段，其中每个阶段的特征数量减少三分之二。
3.根据权利要求1或2所述的基于深度学习的河防工程边坡坍塌检测方法，其特征在于：所述注意力机制模块，包括一个通道注意力模块和一个空间注意力模块，用于强调或抑制轻量化U-net网络模型输出的特征。
4.根据权利要求1所述的基于深度学习的河防工程边坡坍塌检测方法，其特征在于：通过河防工程边坡图像数据集训练所述基于注意力机制的轻量化U-net网络模型，实现从所述边坡图像数据中分割出所述边坡区域。
5.根据权利要求1所述的基于深度学习的河防工程边坡坍塌检测方法，其特征在于：S3步中，所述背景建模运动目标检测算法为混合高斯模型。
6.根据权利要求1所述的基于深度学习的河防工程边坡坍塌检测方法，其特征在于：S4步中，所述轻量化卷积神经网络，是基于压缩网络模块，包含两个卷积层、一个最大池化层、一个全局平均池化层、五个Fire层以及一个softmax概率输出层；
所述Fire层包含压缩步骤和扩张步骤；所述压缩步骤为卷积核大小为1X1的卷积操作，所述扩张步骤由卷积核大小为1X1和卷积核大小为3X3的卷积操作组成。
7.根据权利要求1所述的基于深度学习的河防工程边坡坍塌检测方法，其特征在于：通过运动干扰排除数据集训练所述轻量化卷积神经网络，实现对所述运动目标的判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111621901.9A CN114255250A (zh) | 2021-12-28 | 2021-12-28 | 基于深度学习的河防工程边坡坍塌检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111621901.9A CN114255250A (zh) | 2021-12-28 | 2021-12-28 | 基于深度学习的河防工程边坡坍塌检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114255250A true CN114255250A (zh) | 2022-03-29 |
Family
ID=80798378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111621901.9A Pending CN114255250A (zh) | 2021-12-28 | 2021-12-28 | 基于深度学习的河防工程边坡坍塌检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114255250A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114997359A (zh) * | 2022-05-17 | 2022-09-02 | 哈尔滨工业大学 | 一种基于仿生机器狗的堤防险情巡查成套技术装备 |
| CN115147729A (zh) * | 2022-06-27 | 2022-10-04 | 浙江大学 | 基于天空地数据和智能算法的固废堆填场地风险识别方法 |
| CN116385948A (zh) * | 2023-06-07 | 2023-07-04 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111524158A (zh) * | 2020-05-09 | 2020-08-11 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂场景下的前景目标检测方法 |
| CN111862143A (zh) * | 2020-07-13 | 2020-10-30 | 郑州信大先进技术研究院 | 一种河堤坍塌自动监测方法 |
| WO2021004174A1 (zh) * | 2019-07-11 | 2021-01-14 | 暨南大学 | 基于超声图像的产时头盆关系自动测量方法和装置 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN113408462A (zh) * | 2021-06-29 | 2021-09-17 | 西南交通大学 | 基于卷积神经网络与类别热力图的滑坡遥感信息提取方法 |
-
2021
- 2021-12-28 CN CN202111621901.9A patent/CN114255250A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021004174A1 (zh) * | 2019-07-11 | 2021-01-14 | 暨南大学 | 基于超声图像的产时头盆关系自动测量方法和装置 |
| CN111524158A (zh) * | 2020-05-09 | 2020-08-11 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂场景下的前景目标检测方法 |
| CN111862143A (zh) * | 2020-07-13 | 2020-10-30 | 郑州信大先进技术研究院 | 一种河堤坍塌自动监测方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN113408462A (zh) * | 2021-06-29 | 2021-09-17 | 西南交通大学 | 基于卷积神经网络与类别热力图的滑坡遥感信息提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋勇，郝群，李国齐著: "《计算机前沿技术丛书 深度学习经典案例解析（基于MATLAB）》", 31 December 2020, 北京理工大学出版社, pages: 193 - 197 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114997359A (zh) * | 2022-05-17 | 2022-09-02 | 哈尔滨工业大学 | 一种基于仿生机器狗的堤防险情巡查成套技术装备 |
| CN115147729A (zh) * | 2022-06-27 | 2022-10-04 | 浙江大学 | 基于天空地数据和智能算法的固废堆填场地风险识别方法 |
| CN116385948A (zh) * | 2023-06-07 | 2023-07-04 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
| CN116385948B (zh) * | 2023-06-07 | 2023-09-15 | 成都考拉悠然科技有限公司 | 一种预警铁路边坡异常的系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114255250A (zh) | 基于深度学习的河防工程边坡坍塌检测方法 | |
| Wang et al. | An urban water extraction method combining deep learning and Google Earth engine | |
| Lu et al. | Vulnerability analysis of transportation network under scenarios of sea level rise | |
| CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
| CN109033950A (zh) | 基于多特征融合级联深度模型的车辆违停检测方法 | |
| CN111274918B (zh) | 基于多源遥感影像的河流干涸断流监测方法和装置 | |
| CN108564077A (zh) | 一种基于深度学习对视频或图片中数字的检测和识别方法 | |
| CN110443761A (zh) | 一种基于多尺度聚合特征的单幅图像去雨方法 | |
| CN113065455B (zh) | 一种基于深度学习的滑坡风险巡检方法及系统 | |
| CN115496015B (zh) | 一种基于流量梯度变化的水动力分析决策方法 | |
| CN115546565A (zh) | 基于yolocbf电厂关键区域管道油液泄漏检测方法 | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| CN114783149A (zh) | 一种基于大数据和图像识别的地质灾害监测预警方法 | |
| CN115240069A (zh) | 一种全雾天场景下的实时性障碍物检测方法 | |
| CN115661932A (zh) | 一种垂钓行为检测方法 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| Sun et al. | An integration–competition network for bridge crack segmentation under complex scenes | |
| Peng et al. | Research on oil leakage detection in power plant oil depot pipeline based on improved YOLO v5 | |
| CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 | |
| An et al. | Slope collapse detection method based on deep learning technology | |
| KR102377929B1 (ko) | 신경회로망 모듈 기반의 수위 측정 시스템 그 수위 측정 방법 | |
| CN116205522A (zh) | 一种多维cnn耦合的滑坡易发性评价方法及系统 | |
| CN113128559A (zh) | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 | |
| Sun et al. | Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China | |
| CN111027402B (zh) | 一种自然灾害风险智能检测与评估方法 |
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 |