CN114511788A - 一种坡体裂缝识别方法、系统、设备以及存储介质 - Google Patents

Abstract

本发明公开了一种坡体裂缝识别方法、系统、设备以及存储介质，包括：获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；构建裂缝分类识别网络模型，将高光谱遥感图像、近红外遥感图像和可见光图像作为训练集对裂缝分类识别网络模型进行训练，直至得到裂缝分类识别网络模型的最优权重；将待识别图像输入至裂缝分类识别网络模型中，得到待识别图像中裂缝的识别结果。高光谱和近红外图像在全波段具备更为丰富的光谱信息，可以反映裂缝更为细微的物理特征。本方法同时通过高光谱遥感图像、近红外遥感图像和可见光图像对裂缝分类识别网络模型进行训练，使得裂缝分类识别网络模型能够提取更为丰富的特征，从而提高模型的分类识别精度。

Description

一种坡体裂缝识别方法、系统、设备以及存储介质

技术领域

本发明涉及滑坡防护技术领域，特别涉及一种坡体裂缝识别方法、系统、设备以及存储介质。

背景技术

山体滑坡是在重力影响下由于土壤岩石及植物内在阻力减少(往往体现为滑动、松动、崩塌和流失)而带来的特定复杂形式的坡体运动，自然界发生最频繁的地质灾害。近年来，由于城市群的扩张和气候变化带来的极端天气事件频发，地表质量损失/移动情况呈上升趋势，滑坡灾害频发，因此如何对滑坡灾害进行有效地监测十分重要。

裂缝是坡体产生滑坡现象的前兆特征，所以准确监控坡体裂缝对滑坡灾害的预防有着重要作用。传统方案是进行人工勘察，但这种方案的效率较低，而且具有一定危险性。现有方案利用神经网络和图像进行坡体裂缝识别，相较于人工勘察，能提高效率，但现有方案的输入图像较为单一，通常为CCD相机采集的可见光图像，特征不明显，导致神经网络模型对裂缝的分类识别准确度不高。

发明内容

本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种坡体裂缝识别方法、系统、设备以及存储介质，能够提高模型的分类识别精度。

本发明的第一方面，提供了一种坡体裂缝识别方法，包括如下步骤：

获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；

构建裂缝分类识别网络模型，将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，直至得到所述裂缝分类识别网络模型的最优权重；

将待识别图像输入至所述裂缝分类识别网络模型中，得到所述待识别图像中裂缝的识别结果。

根据本发明的实施例，至少具有如下技术效果：

高光谱和近红外图像在全波段具备更为丰富的光谱信息，可以反映裂缝更为细微的物理特征。本方法同时通过高光谱遥感图像、近红外遥感图像和可见光图像对裂缝分类识别网络模型进行训练，使得裂缝分类识别网络模型能够提取更为丰富的特征，从而提高模型的分类识别精度。

根据本发明的一些实施例，所述裂缝分类识别网络模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络、拼接层和全连接层，

其中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络为不同的卷积神经网络，所述将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，包括：

将多张所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像分别输入至所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络中，得到所述第一卷积神经网络提取的所述高光谱遥感图像对应的第一图像特征、所述近红外遥感图像对应的第二图像特征和所述可见光图像对应的第三图像特征；以及所述第二卷积神经网络提取的所述高光谱遥感图像对应的第四图像特征、所述近红外遥感图像对应的第五图像特征和所述可见光图像对应的第六图像特征；以及所述第三卷积神经网络提取的所述高光谱遥感图像对应的第七图像特征、所述近红外遥感图像对应的第八图像特征和所述可见光图像对应的第九图像特征；

融合所述第一图像特征、所述第二图像特征和所述第三图像特征，得到第一融合特征，融合第四图像特征、所述第五图像特征和所述第六图像特征，得到第二融合特征，融合第七图像特征、所述第八图像特征和所述第九图像特征，得到第三融合特征，并融合所述第一融合特征、所述第二融合特征以及所述第三融合特征，得到最终融合特征；

将所述最终融合特征输入全连接层中，得到所述全连接层的识别结果。

根据本发明的一些实施例，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均包括多个交替设置的卷积层和池化层以及位于所述卷积层和所述池化层后的多个全连接层，其中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络的卷积层和池化层的数量不同。

根据本发明的一些实施例，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均于所述多个全连接层后增加一个随机失活层。

根据本发明的一些实施例，在将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练之前，还包括：

对所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像进行两次随机增强处理。

根据本发明的一些实施例，所述随机增强处理包括随机仿射变换、左右翻转、上下翻转、随机旋转、随机裁剪、高斯噪声变换以及随机亮度变换中的其中一种。

根据本发明的一些实施例，在所述获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像之前，还包括步骤：

通过卫星采集所述目标地区的高光谱遥感图像和近红外遥感图像以及通过搭载CCD相机的无人机采集所述目标地区的可见光图像。

本发明的第二方面，提供了一种坡体裂缝识别系统，包括：

图像获取单元，用于获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；

模型训练单元，用于构建裂缝分类识别网络模型，将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，直至得到所述裂缝分类识别网络模型的最优权重；

裂缝识别单元，用于将待识别图像输入至所述裂缝分类识别网络模型中，得到所述待识别图像中裂缝的识别结果。

本发明的第三方面，提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的坡体裂缝识别方法。

本发明的第四方面，提供了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计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的坡体裂缝识别方法。

需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与上述的坡体裂缝识别方法与现有技术之间的有益效果相同，此处不再细述。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例提供的坡体裂缝识别方法的流程示意图；

图2为本发明另一个实施例提供的坡体裂缝识别方法的流程示意图；

图3为本发明实施例提供的裂缝分类识别网络模型的分类识别框架示意图；

图4为本发明实施例提供的一种坡体裂缝识别系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

裂缝是坡体产生滑坡现象的前兆特征，所以准确监控坡体裂缝对滑坡灾害的预防有着重要作用。传统方案是进行人工勘察，但这种方案的效率较低，而且具有一定危险性。现有方案利用神经网络和图像进行坡体裂缝识别，相较于人工勘察，能提高效率，但现有方案的输入图像较为单一，通常为无人机采集的可见光图像，特征不明显，导致神经网络模型对裂缝的分类识别准确度不高。

参照图1，本发明的一个实施例，提供了一种坡体裂缝识别方法，包括如下步骤：

步骤S200、获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像。

在执行步骤S200之前，还包括步骤：

步骤S100、通过卫星采集目标地区的高光谱遥感图像和近红外遥感图像以及通过搭载CCD相机的无人机采集目标地区的可见光图像。其中，目标地区是指需要检测是否存在裂缝的地区，例如山坡。高光谱遥感图像和近红外遥感图像在全波段具备更为丰富的光谱信息，可以反映裂缝更为细微的物理特征，因此在使用目标地区的可见光图像的基础上，增加该目标地区的高光谱遥感图像和近红外遥感图像，能够使模型提取到更为有用的特征，从而提高模型对山体裂缝的分类识别精度。

在一些实施例中，对高光谱遥感图像、近红外遥感图像和可见光图像进行两次随机增强处理。随机增强处理包括随机仿射变换、左右翻转、上下翻转、随机旋转、随机裁剪、高斯噪声变换以及随机亮度变换中的其中一种，保留增强后的图像，这样能够提高模型识别特征的准确度。

步骤S400、构建裂缝分类识别网络模型，将高光谱遥感图像、近红外遥感图像和可见光图像作为训练集对裂缝分类识别网络模型进行训练，直至得到裂缝分类识别网络模型的最优权重。

步骤S600、将待识别图像输入至裂缝分类识别网络模型中，得到待识别图像中裂缝的识别结果。

高光谱和近红外图像在全波段具备更为丰富的光谱信息，可以反映裂缝更为细微的物理特征，本方法同时通过高光谱遥感图像、近红外遥感图像和可见光图像对裂缝分类识别网络模型进行训练，通过学习融合后的图像多通道语义特征，能够提取到相对更加完善的特征，使得裂缝分类识别网络模型能够提取更为丰富的特征，从而提高模型的分类识别精度。

在现有识别山体裂缝技术方案中，由于输入的图像为可见光图像，通常是采用单一的模型对图像进行分类识别，例如通过将图像输入至单一的模型进行训练，使用单一模型处理很容易遇到模型泛化瓶颈，导致对于图像中的裂缝识别精度不高。而基于上述实施例，同时提供了高光谱遥感图像、近红外遥感图像和可见光图像作为数据来源，为了进一步提高模型对于裂缝识别的精度，在一些实施例中，上述步骤S200中的裂缝分类识别网络模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络、拼接层和全连接层。步骤S400中的将高光谱遥感图像、近红外遥感图像和可见光图像作为训练集对裂缝分类识别网络模型进行训练，包括如下步骤：

步骤S410、将多张高光谱遥感图像、近红外遥感图像和可见光图像分别输入至第一卷积神经网络、第二卷积神经网络和第三卷积神经网络中，得到第一卷积神经网络提取的高光谱遥感图像对应的第一图像特征、近红外遥感图像对应的第二图像特征和可见光图像对应的第三图像特征；以及第二卷积神经网络提取的高光谱遥感图像对应的第四图像特征、近红外遥感图像对应的第五图像特征和可见光图像对应的第六图像特征；以及第三卷积神经网络提取的高光谱遥感图像对应的第七图像特征、近红外遥感图像对应的第八图像特征和可见光图像对应的第九图像特征。

为了便于说明，本申请实施例采用一种波段的高光谱图像(即训练集中的高光谱遥感图像都是同一个波段)和一种波段的近红外图像(即训练集中的近红外遥感图像都是同一个波段)和可见光图像作为训练集，例如32张图像，每一张图项对应高光谱、近红外以及可见光图像，因假设高光谱图像和近红外均为一种波段，则输入图像的维度为3，即32*m张图像，这里m＝3。需要注意的是，训练集中的图像数据会预先进行标注，由于标注的内容属于本领域技术人员的公知常识，此处不再详述。参照图3，将多张高光谱遥感图像、多张近红外遥感图像和多张可见光图像作为训练集，训练集在输入模型进行训练之前，先进行数据增强处理，因此训练集中图像的数量增加一倍，即64*m张图像，训练集将分别输入至每一个卷积神经网络中。利用卷积神经网络对输入的训练集的图像进行运算，经历多次的降采样之后，获取到不同的卷积神经网络提取的固定维度特征：P(1,1*m)-P(1,64*m),P(2,1*m)-P(2,64*m),P(3,1*m)-P(3,64*m)。

在一些实施例中，第一卷积神经网络、第二卷积神经网络和第三卷积神经网络均包括多个交替设置的卷积层和池化层以及位于卷积层和池化层后的多个全连接层，其中，第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的卷积层和池化层的数量不同。例如：第一卷积神经网络、第二卷积神经网络和第三卷积神经网络并联设置，例如第一卷积神经网络包括交替设置的4组卷积层和池化层(用于特征提取)以及2层独立的全连接层(用于特征融合)；第二卷积神经网络包括交替设置的5组卷积层和池化层以及2层独立的全连接层；第三卷积神经网络包括交替设置的6组卷积层和池化层以及2层独立的全连接层。在一些实施例中，分别在第一卷积神经网络、第二卷积神经网络和第三卷积神经网络的全连接层后增加一个随机失活层(dropout)。

步骤S420、融合第一图像特征、第二图像特征和第三图像特征，得到第一融合特征，融合第四图像特征、第五图像特征和第六图像特征，得到第二融合特征，融合第七图像特征、第八图像特征和第九图像特征，得到第三融合特征，并融合第一融合特征、第二融合特征以及第三融合特征，得到最终融合特征。

在步骤S410得到每一个卷积神经网络相应的特征之后，通过拼接操作(concat)得到3个256*m维的分组融合特征，即：先拼接第一卷积神经网络输出的特征为P(1,1*m)至P(1,64*m)，得到第一融合特征，拼接第二卷积神经网络输出的特征为P(2,1*m)至P(2,64*m)，得到第二融合特征，拼接第三卷积神经网络输出的特征为P(3,1*m)至P(3,64*m)，得到第三融合特征。最后拼接三个融合特征，得到最终融合特征。

步骤S430、将最终融合特征输入全连接层中，得到全连接层的识别结果。在步骤S420得到最终融合特征后，添加一个全连接层，全连接层的输出数量即为裂缝的分类数。值得说明的是，在得到成熟的模型之前，训练和测试过程都是必不可少的，本申请仅说明训练过程，在知道网络结构和训练过程之后，测试过程为本领域的公知常识，这里便不再细述。

由于输入的训练集为高光谱遥感图像、近红外遥感图像和可见光图像等三种不同类型的图像，若仅使用单一神经网络进行特征识别，那么存在模型泛化瓶颈，导致识别精度不高的问题。在本实施例中，第一卷积神经网络至第三卷积神经网络的网络结构之间具备差异性，存在差异的各个模型输出结果具备一定的差异性，提取的特征信息更加丰富，从而能够起到提高分类识别精度的目的。

现有方案存在将不同类型的图像分别输入同一类型的网络模型中，即一个模型训练一类图像，本方法与现有方案不同，本方法构建了多类型输入+多类型神经网络特征提取+单输出的模型架构，不仅能够得到不同类型图像带来的特征提取增益，也可以得到不同类型神经网络带来的特征提取增益，达到有效提高分类识别精度的目的。

参照图4，本发明的一个实施例，提供了一种坡体裂缝识别系统，包括图像获取单元100、模型训练单元200和裂缝识别单元200，其中：

图像获取单元100用于获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像。

模型训练单元200用于构建裂缝分类识别网络模型，将高光谱遥感图像、近红外遥感图像和可见光图像作为训练集对裂缝分类识别网络模型进行训练，直至得到裂缝分类识别网络模型的最优权重。

裂缝识别单元300用于将待识别图像输入至裂缝分类识别网络模型中，得到待识别图像中裂缝的识别结果。

高光谱和近红外图像在全波段具备更为丰富的光谱信息，可以反映裂缝更为细微的物理特征，本方法同时通过高光谱遥感图像、近红外遥感图像和可见光图像对裂缝分类识别网络模型进行训练，通过学习融合后的图像多通道语义特征，能够提取到相对更加完善的特征，使得裂缝分类识别网络模型能够提取更为丰富的特征，从而提高模型的分类识别精度。需要注意的是，本系统实施例与上述方法实施例是基于同一个发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，此处不再细述。

本申请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，处理器执行计算机程序时实现：如上述的坡体裂缝识别方法。

处理器和存储器可以通过总线或者其他方式连接。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现上述实施例的坡体裂缝识别方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的坡体裂缝识别方法，例如，执行以上描述的图1中的方法步骤S200至步骤S600和图2中的方法步骤S410至步骤S330。

本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述的坡体裂缝识别方法。

该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的坡体裂缝识别方法，例如，执行以上描述的图1中的方法步骤S200至步骤S600和图2中的方法步骤S410至步骤S330。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何数据递送介质。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种坡体裂缝识别方法，其特征在于，包括如下步骤：

获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；

构建裂缝分类识别网络模型，将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，直至得到所述裂缝分类识别网络模型的最优权重；

将待识别图像输入至所述裂缝分类识别网络模型中，得到所述待识别图像中裂缝的识别结果。

2.根据权利要求1所述的坡体裂缝识别方法，其特征在于，所述裂缝分类识别网络模型包括融合的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，其中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络为不同的卷积神经网络，所述将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，包括：

将多张所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像分别输入至所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络中，得到所述第一卷积神经网络提取的所述高光谱遥感图像对应的第一图像特征、所述近红外遥感图像对应的第二图像特征和所述可见光图像对应的第三图像特征；以及所述第二卷积神经网络提取的所述高光谱遥感图像对应的第四图像特征、所述近红外遥感图像对应的第五图像特征和所述可见光图像对应的第六图像特征；以及所述第三卷积神经网络提取的所述高光谱遥感图像对应的第七图像特征、所述近红外遥感图像对应的第八图像特征和所述可见光图像对应的第九图像特征；

融合所述第一图像特征、所述第二图像特征和所述第三图像特征，得到第一融合特征，融合第四图像特征、所述第五图像特征和所述第六图像特征，得到第二融合特征，融合第七图像特征、所述第八图像特征和所述第九图像特征，得到第三融合特征，并融合所述第一融合特征、所述第二融合特征以及所述第三融合特征，得到最终融合特征；

将所述最终融合特征输入全连接层中，得到所述全连接层的识别结果。

3.根据权利要求2所述的坡体裂缝识别方法，其特征在于，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均包括多个交替设置的卷积层和池化层以及位于所述卷积层和所述池化层后的多个全连接层，其中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络的卷积层和池化层的数量不同。

4.根据权利要求3所述的坡体裂缝识别方法，其特征在于，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均于所述多个全连接层后增加一个随机失活层。

5.根据权利要求1所述的坡体裂缝识别方法，其特征在于，在将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练之前，还包括：

对所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像进行两次随机增强处理。

6.根据权利要求5所述的坡体裂缝识别方法，其特征在于，所述随机增强处理包括随机仿射变换、左右翻转、上下翻转、随机旋转、随机裁剪、高斯噪声变换以及随机亮度变换中的其中一种。

7.根据权利要求1所述的坡体裂缝识别方法，其特征在于，在所述获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像之前，还包括步骤：

通过卫星采集所述目标地区的高光谱遥感图像和近红外遥感图像以及通过搭载CCD相机的无人机采集所述目标地区的可见光图像。

8.一种坡体裂缝识别系统，其特征在于，包括：

图像获取单元，用于获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；

模型训练单元，用于构建裂缝分类识别网络模型，将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，直至得到所述裂缝分类识别网络模型的最优权重；

裂缝识别单元，用于将待识别图像输入至所述裂缝分类识别网络模型中，得到所述待识别图像中裂缝的识别结果。

9.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行权利要求1至7任一项所述的坡体裂缝识别方法。

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计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1至7任一项所述的坡体裂缝识别方法。

Images