CN115019232A - 一种地质滑坡的识别方法和系统 - Google Patents

一种地质滑坡的识别方法和系统 Download PDF

Info

Publication number
CN115019232A
CN115019232A CN202210634924.1A CN202210634924A CN115019232A CN 115019232 A CN115019232 A CN 115019232A CN 202210634924 A CN202210634924 A CN 202210634924A CN 115019232 A CN115019232 A CN 115019232A
Authority
CN
China
Prior art keywords
landslide
model
module
horizontal bar
geological
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
Application number
CN202210634924.1A
Other languages
English (en)
Inventor
赵云峰
姜有文
李荣光
王巨洪
王禹钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Oil and Gas Pipeline Network Corp
National Pipe Network Group North Pipeline Co Ltd
Original Assignee
China Oil and Gas Pipeline Network Corp
National Pipe Network Group North Pipeline Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Oil and Gas Pipeline Network Corp, National Pipe Network Group North Pipeline Co Ltd filed Critical China Oil and Gas Pipeline Network Corp
Priority to CN202210634924.1A priority Critical patent/CN115019232A/zh
Publication of CN115019232A publication Critical patent/CN115019232A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种地质滑坡的识别方法和系统，涉及地质滑坡识别领域。该方法包括：获取待检测的斜坡现场视频流，通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测，当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警，可对于地质滑坡的情况进行实时报警，实现了视频智能监测地质滑坡的精确端到端的监测，降低安全风险。

Description

一种地质滑坡的识别方法和系统
技术领域
本发明涉及地质滑坡识别领域，尤其涉及一种地质滑坡的识别方法和系统。
背景技术
在埋地管道经过山坡的地段，由于雨水冲刷，如果地质条件较脆弱，往往会引起地质滑坡等灾害，导致管道被冲出甚至折断，产生危害。因此需要及时观测到滑坡的地质灾害以避免管道受滑坡地灾影响。
目前监测地灾的方法是使用GNSS卫星监测，布置一个基准点，两个监测点，依据点位的传输时间差距来实时监测滑坡地质灾害，当山坡有移动时，会带动监测点位移动，传输时间就有差距，可实时监测到滑坡现象。这种监测方式需要布置多个点位，而且不能实时看到现场情况。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种地质滑坡的识别方法和系统。
本发明解决上述技术问题的技术方案如下：
一种地质滑坡的识别方法，包括：
获取待检测的斜坡现场视频流；
通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测；
当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警。
本发明的有益效果是：本方案通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测，当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警，可对于地质滑坡的情况进行实时报警，实现了视频智能监测地质滑坡的精确端到端的监测，降低安全风险。可以在埋地管道地质灾害易发区开展视频智能识别地质滑坡灾害，提前发出预警信息，实现智能化安全管控。
进一步地，还包括:
在已有YOLOv5模型的BackBone网络中增加注意力机制；
在已有YOLOv5模型的Focus结构中加入SE注意力模块，
在已有YOLOv5模型的Neck网络层加入GHOST模块，获得改进深度学习识别模型。
采用上述进一步方案的有益效果是：本方案通过改进后的yolov5模型，能够更好的检测图像中的小目标，提升定位准确度，也提高了处理速度。
进一步地，还包括：根据图像训练集对所述改进深度学习识别模型进行训练获得训练后的改进深度学习识别模型。
采用上述进一步方案的有益效果是：本方案结合深度学习的卷积神经网络模型优势，将卷积神经网络应用于视频识别检测土壤滑坡的场景中，来达到高精度实时检测的能力。
进一步地，还包括：
采集包括标记有彩色横条的地质斜坡地段的图像数据；
对所述图像数据中不同位置的包括彩色横条的图像进行目标框标注，获得标注后的图像数据；
对标注后的图像数据进行图像增强处理，获得图像训练集。
采用上述进一步方案的有益效果是：对包括彩色横条的图像进行目标框标注，通过标注后的数据对模型训练，有效提高模型对地质滑坡灾害识别的精度。
进一步地，所述检测到所述彩色横条发生移动，具体包括：
当检测过程中，识别到包括彩色横条的预设类型目标框；
将所述预设类型目标框与上一帧的预设类型目标框进行重合度匹配；
当所述重合度匹配高于预设范围值，则检测到所述彩色横条发生移动。
本发明解决上述技术问题的另一种技术方案如下：
一种地质滑坡的识别系统，包括：视频获取模块、实时检测模块和告警模块；
所述视频获取模块用于获取待检测的斜坡现场视频流；
所述实时检测模块用于通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测；
所述告警模块用于当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警。
本发明的有益效果是：本方案通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测，当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警，可对于地质滑坡的情况进行实时报警，实现了视频智能监测地质滑坡的精确端到端的监测，降低安全风险。可以在埋地管道地质灾害易发区开展视频智能识别地质滑坡灾害，提前发出预警信息，实现智能化安全管控。
进一步地，还包括：模型改进模块，用于在已有YOLOv5模型的BackBone网络中增加注意力机制；
在已有YOLOv5模型的Focus结构中加入SE注意力模块，
在已有YOLOv5模型的Neck网络层加入GHOST模块，获得改进深度学习识别模型。
采用上述进一步方案的有益效果是：本方案通过改进后的yolov5模型，能够更好的检测图像中的小目标，提升定位准确度，也提高了处理速度。
进一步地，还包括：训练模块，用于根据图像训练集对所述改进深度学习识别模型进行训练获得训练后的改进深度学习识别模型。
采用上述进一步方案的有益效果是：本方案结合深度学习的卷积神经网络模型优势，将卷积神经网络应用于视频识别检测土壤滑坡的场景中，来达到高精度实时检测的能力。
进一步地，还包括：训练集获取模块，用于采集包括标记有彩色横条的地质斜坡地段的图像数据；
对所述图像数据中不同位置的包括彩色横条的图像进行目标框标注，获得标注后的图像数据；
对标注后的图像数据进行图像增强处理，获得图像训练集。
采用上述进一步方案的有益效果是：对包括彩色横条的图像进行目标框标注，通过标注后的数据对模型训练，有效提高模型对地质滑坡灾害识别的精度。
进一步地，所述告警模块具体用于，当检测过程中，识别到包括彩色横条的预设类型目标框；
将所述预设类型目标框与上一帧的预设类型目标框进行重合度匹配；
当所述重合度匹配高于预设范围值，则检测到所述彩色横条发生移动。
本发明附加的方面的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，或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的一种地质滑坡的识别方法的流程示意图；
图2为本发明的实施例提供的一种地质滑坡的识别系统的结构框图；
图3为本发明的其他实施例提供的YOLOV5识地质滑坡流程示意图；
图4为本发明的其他实施例提供的典型YOLOv5模型结构示意图；
图5为本发明的其他实施例提供的SE注意力模块示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明实施例提供的一种地质滑坡的识别方法，包括：
S1，获取待检测的斜坡现场视频流；
S2，通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测；
S3，当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警。其中预设阈值可以表示在判断出有横条移动后，且横条移动超过50％。
在某一实施例中，将训练好的模型用于有坡度的现场检测，检测中出现的目标框stripe、distance将进行如下匹配：出现stripe框时会继续检测该框内与前一次的stripe框是否重合，若重合则不检测stripe框；当检测出不重合，则继续检测stripe，对两个框做重合度匹配，匹配度小于50％则认为没有移动，高于50％时判断该横条出现了移动。
本方案通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测，当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警，可对于地质滑坡的情况进行实时报警，实现了视频智能监测地质滑坡的精确端到端的监测，降低安全风险。可以在埋地管道地质灾害易发区开展视频智能识别地质滑坡灾害，提前发出预警信息，实现智能化安全管控。
优选地，在上述任意实施例中，还包括:
在已有YOLOv5模型的BackBone网络中增加注意力机制；
在已有YOLOv5模型的Focus结构中加入SE注意力模块，
在已有YOLOv5模型的Neck网络层加入GHOST模块，获得改进深度学习识别模型。
需要说明的是，在某一实施例中，在原生的YOLOv5中，典型结构图见图4，调用SElayer(SE注意力模块)机制，即在YOLOv5的BackBone(反向传播)网络里增加注意力机制：在Focus结构中加入SE注意力模块，全称为Squeeze-and-Excitation，该模块结构如图5所示。SE注意力模块可提升模型对样本通道特征的敏感程度且自动获取每个通道特征的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征并进行筛选提取特征，将数据量减少，提高特征性，以提升模型的检测性能，降低计算复杂度；其中，如图5所示，W，H表示特征图宽，高。C表示通道数，输入特征图大小为W×H×C。
将上述制作好的数据集用于训练改进后的YOLOv5模型，当模型具有良好的鲁棒性时，训练结束。
本方案通过改进后的YOLOv5模型，能够更好的检测图像中的小目标，提升定位准确度，也提高了处理速度。
优选地，在上述任意实施例中，还包括：根据图像训练集对所述改进深度学习识别模型进行训练获得训练后的改进深度学习识别模型。
本方案结合深度学习的卷积神经网络模型优势，将卷积神经网络应用于视频识别检测土壤滑坡的场景中，来达到高精度实时检测的能力。
优选地，在上述任意实施例中，还包括：
采集包括标记有彩色横条的地质斜坡地段的图像数据；
需要说明的是，在某一实施例中，采集图像数据之前还包括：将地质斜坡地段用一个或两个彩带颜色(如黄色、红色)带状物做标记，例如可以在固定横条物体上喷漆放置，然后利用该模型识别出两个彩色横条位置。当横条有上下移动，距离超过10cm，则发出报警，提醒维护人员安全威胁信息。
对所述图像数据中不同位置的包括彩色横条的图像进行目标框标注，获得标注后的图像数据；
对标注后的图像数据进行图像增强处理，获得图像训练集。
在某一实施例中，对获取到的不同移动位置带颜色横条的图像进行目标框标注，目标框种类为：stripe(色带)即斜坡现场视频流的彩色横条，move(移动)即斜坡现场视频流的彩色横条是否发生移动，distance(距离)即斜坡现场视频流的彩色横条下一帧与上一帧之间的移动距离；并对移动的距离进行检测；
将标注好的横条图像进行高斯滤波去噪，提高图像数据的清晰度且放大图片细节；
对获取到的图像进行噪声模拟各类天气状况处理，主要对雨雪天、雾天和灰尘较多天气进行模拟，使用OPENCV生成不同密度的随机噪声来模拟不同情况的雨雪雾，随后对随机噪声拉长、旋转方向，模拟方向的雨雪雾，并将噪声和原始图像叠加可得到模拟的雨雪雾天气场景；其中随机生成噪声的数学公式为：
给定初始值x＝0，产生(0，1)区间上的随机数yi，其中：a＝2000，c＝1，M225；然后，通过变换Zi＝a+(b-a)yi产生(a，b)区间上的随机数Zi。
对包括彩色横条的图像进行目标框标注，通过标注后的数据对模型训练，有效提高模型对地质滑坡灾害识别的精度。
优选地，在上述任意实施例中，所述检测到所述彩色横条发生移动，具体包括：
当检测过程中，识别到包括彩色横条的预设类型目标框；其中预设类型目标框可以表示包括标记有滑坡现象的目标框。
将所述预设类型目标框与上一帧的预设类型目标框进行重合度匹配；
当所述重合度匹配高于预设范围值，则检测到所述彩色横条发生移动。
在另一实施例中，如图3所示，通过YOLOV5卷积神经网络算法实现端到端的地质滑坡实时检测，提出了基于地质滑坡实时检测的结果判断是否具有滑坡现象的方法；当地质滑坡大于10cm时发出报警，并且拍摄现场照片，给出现场情况。可对于地质滑坡的情况进行实时报警，实现了视频智能监测地质滑坡的精确端到端的监测，降低安全风险。
在某一实施例中，如图2所示，一种地质滑坡的识别系统，包括：视频获取模块1101、实时检测模块1102和告警模块1103；
所述视频获取模块1101用于获取待检测的斜坡现场视频流；
所述实时检测模块1102用于通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测；
所述告警模块1103用于当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警。
本方案通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测，当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警，可对于地质滑坡的情况进行实时报警，实现了视频智能监测地质滑坡的精确端到端的监测，降低安全风险。可以在埋地管道地质灾害易发区开展视频智能识别地质滑坡灾害，提前发出预警信息，实现智能化安全管控。
优选地，在上述任意实施例中，还包括：模型改进模块，用于在已有YOLOv5模型的BackBone网络中增加注意力机制；
在已有YOLOv5模型的Focus结构中加入SE注意力模块，
在已有YOLOv5模型的Neck网络层加入GHOST模块，获得改进深度学习识别模型。
本方案通过改进后的yolov5模型，能够更好的检测图像中的小目标，提升定位准确度，也提高了处理速度。
优选地，在上述任意实施例中，还包括：训练模块，用于根据图像训练集对所述改进深度学习识别模型进行训练获得训练后的改进深度学习识别模型。
本方案结合深度学习的卷积神经网络模型优势，将卷积神经网络应用于视频识别检测土壤滑坡的场景中，来达到高精度实时检测的能力。
优选地，在上述任意实施例中，还包括：训练集获取模块，用于采集包括标记有彩色横条的地质斜坡地段的图像数据；
对所述图像数据中不同位置的包括彩色横条的图像进行目标框标注，获得标注后的图像数据；
对标注后的图像数据进行图像增强处理，获得图像训练集。
对包括彩色横条的图像进行目标框标注，通过标注后的数据对模型训练，有效提高模型对地质滑坡灾害识别的精度。
优选地，在上述任意实施例中，所述告警模块1103具体用于，当检测过程中，识别到包括彩色横条的预设类型目标框；
将所述预设类型目标框与上一帧的预设类型目标框进行重合度匹配；
当所述重合度匹配高于预设范围值，则检测到所述彩色横条发生移动。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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必针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种地质滑坡的识别方法，其特征在于，包括：
获取待检测的斜坡现场视频流；
通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测；
当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警。
2.根据权利要求1所述的一种地质滑坡的识别方法，其特征在于，还包括:
在已有YOLOv5模型的BackBone网络中增加注意力机制；
在已有YOLOv5模型的Focus结构中加入SE注意力模块，
在已有YOLOv5模型的Neck网络层加入GHOST模块，获得改进深度学习识别模型。
3.根据权利要求1或2所述的一种地质滑坡的识别方法，其特征在于，还包括：根据图像训练集对所述改进深度学习识别模型进行训练获得训练后的改进深度学习识别模型。
4.根据权利要求3所述的一种地质滑坡的识别方法，其特征在于，还包括：
采集包括标记有彩色横条的地质斜坡地段的图像数据；
对所述图像数据中不同位置的包括彩色横条的图像进行目标框标注，获得标注后的图像数据；
对标注后的图像数据进行图像增强处理，获得图像训练集。
5.根据权利要求1或2所述的一种地质滑坡的识别方法，其特征在于，所述检测到所述彩色横条发生移动，具体包括：
当检测过程中，识别到包括彩色横条的预设类型目标框；
将所述预设类型目标框与上一帧的预设类型目标框进行重合度匹配；
当所述重合度匹配高于预设范围值，则检测到所述彩色横条发生移动。
6.一种地质滑坡的识别系统，其特征在于，包括：视频获取模块、实时检测模块和告警模块；
所述视频获取模块用于获取待检测的斜坡现场视频流；
所述实时检测模块用于通过训练后的改进深度学习识别模型对所述斜坡现场视频流的彩色横条进行实时检测；
所述告警模块用于当检测到所述彩色横条发生移动时，且超过预设阈值，则记录当前时刻并推送报警。
7.根据权利要求6所述的一种地质滑坡的识别系统，其特征在于，还包括：模型改进模块，用于在已有YOLOv5模型的BackBone网络中增加注意力机制；
在已有YOLOv5模型的Focus结构中加入SE注意力模块，
在已有YOLOv5模型的Neck网络层加入GHOST模块，获得改进深度学习识别模型。
8.根据权利要求6或7所述的一种地质滑坡的识别系统，其特征在于，还包括：训练模块，用于根据图像训练集对所述改进深度学习识别模型进行训练获得训练后的改进深度学习识别模型。
9.根据权利要求8所述的一种地质滑坡的识别系统，其特征在于，还包括：训练集获取模块，用于采集包括标记有彩色横条的地质斜坡地段的图像数据；
对所述图像数据中不同位置的包括彩色横条的图像进行目标框标注，获得标注后的图像数据；
对标注后的图像数据进行图像增强处理，获得图像训练集。
10.根据权利要求6或7所述的一种地质滑坡的识别系统，其特征在于，所述告警模块具体用于，当检测过程中，识别到包括彩色横条的预设类型目标框；
将所述预设类型目标框与上一帧的预设类型目标框进行重合度匹配；
当所述重合度匹配高于预设范围值，则检测到所述彩色横条发生移动。
CN202210634924.1A 2022-06-06 2022-06-06 一种地质滑坡的识别方法和系统 Pending CN115019232A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210634924.1A CN115019232A (zh) 2022-06-06 2022-06-06 一种地质滑坡的识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210634924.1A CN115019232A (zh) 2022-06-06 2022-06-06 一种地质滑坡的识别方法和系统

Publications (1)

Publication Number Publication Date
CN115019232A true CN115019232A (zh) 2022-09-06

Family

ID=83072456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210634924.1A Pending CN115019232A (zh) 2022-06-06 2022-06-06 一种地质滑坡的识别方法和系统

Country Status (1)

Country Link
CN (1) CN115019232A (zh)

Similar Documents

Publication Publication Date Title
CN111160125A (zh) 基于铁路监控的铁路异物入侵检测方法
CN105678288A (zh) 目标跟踪方法和装置
CN103093198B (zh) 一种人群密度监测方法及装置
CN109615862A (zh) 道路车辆交通运动状态参数动态获取方法及装置
CN104134222A (zh) 基于多特征融合的车流监控图像检测和跟踪系统及方法
CN115620212B (zh) 一种基于监控视频的行为识别方法及系统
CN104156942A (zh) 一种用于复杂环境遗留物的检测方法
CN104463903A (zh) 一种基于目标行为分析的行人图像实时检测方法
JP6653361B2 (ja) 路面標示画像処理装置、路面標示画像処理方法及び路面標示画像処理プログラム
CN104866827A (zh) 基于视频监控平台的人员翻越行为的检测方法
CN113505638B (zh) 车流量的监测方法、监测装置及计算机可读存储介质
Li et al. PETS 2015: Datasets and challenge
CN108830204B (zh) 面对目标的监控视频中异常检测方法
CN114972177A (zh) 道路病害识别管理方法、装置及智能终端
CN110490899A (zh) 一种结合目标跟踪的可变形施工机械的实时检测方法
JP2020160840A (ja) 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム
CN107506753B (zh) 一种面向动态视频监控的多车辆跟踪方法
CN112084892A (zh) 一种道路异常事件检测管理装置及其方法
CN117152971A (zh) 一种基于高空全景视频的ai交通信号优化方法
CN113505643B (zh) 违章目标物检测方法及相关装置
CN114648547A (zh) 用于反无人机红外探测系统的弱小目标检测方法和装置
CN117456360A (zh) 一种路面井盖的识别方法、装置及相关组件
JP2019121356A (ja) 干渉領域検出装置と方法及び電子機器
CN117132768A (zh) 车牌及人脸检测和脱敏方法、装置、电子设备和存储介质
CN112016518A (zh) 基于无人机和人工智能的人群分布形式检测方法

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