CN117132907A - 一种基于深度学习的滑坡检测系统 - Google Patents
一种基于深度学习的滑坡检测系统 Download PDFInfo
- Publication number
- CN117132907A CN117132907A CN202310522604.1A CN202310522604A CN117132907A CN 117132907 A CN117132907 A CN 117132907A CN 202310522604 A CN202310522604 A CN 202310522604A CN 117132907 A CN117132907 A CN 117132907A
- Authority
- CN
- China
- Prior art keywords
- landslide
- risk
- model
- unit
- risk information
- 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 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及一种基于深度学习的滑坡检测系统,包括:滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块;滑坡图像采集模块,用于通过无人机拍摄滑坡图像,对滑坡图像进行处理,生成目标区域;滑坡风险判断模块,用于构建并训练滑坡风险判断模型,将目标区域输入训练后的滑坡风险判断模型,获取存在风险的滑坡;滑坡风险监测模块,用于采集存在风险的滑坡的风险信息,对风险信息进行处理,确定滑坡的真实风险信息,根据真实风险信息确定滑坡的位置;滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块依次连接。本发明能够及时对滑坡位置进行检测,实现滑坡事件的自动化检测。
Description
技术领域
本发明涉及滑坡灾害检测技术领域,特别是涉及一种基于深度学习的滑坡检测系统。
背景技术
准确的滑坡检测和测绘对于土地利用规划、管理、评估、减轻地质灾害风险以及灾后重建至关重要。滑坡可能由多种因素引发,引发因素有地震、强降雨、人为因素等。目前为止,实地调查仍是滑坡测绘中应用最广泛的技术,通过专业人员实地调查潜在的滑坡区域是常用和可靠的策略,但这种方法费时、昂贵且低效,尤其是面对大面积的滑坡检测,因此常被认为劳动密集型、耗时和成本高。
随着人工智能的快速发展,基于深度学习的滑坡检测与测绘方法因其相对于传统方法的显著优势而备受关注,但现有技术中基于深度学习的滑坡检测系统,对于大面积复杂土地覆盖地区还存在无法有效判断是否存在滑坡风险,以及滑坡检测精度较低等问题。
因此,如何提供一种基于深度学习的滑坡检测系统,能够有效判断滑坡是否存在滑坡风险,并且出现滑坡事件后,能够及时对滑坡位置进行检测,实现滑坡事件的自动化检测,是本领域技术人员亟需解决的问题。
发明内容
本发明的目的是提供了一种基于深度学习的滑坡检测系统,能够及时对滑坡位置进行检测,实现滑坡事件的自动化检测。
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检测系统,包括:
滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块;
所述滑坡图像采集模块,用于通过无人机拍摄滑坡图像,对所述滑坡图像进行处理,生成目标区域;
所述滑坡风险判断模块,用于构建并训练滑坡风险判断模型,将所述目标区域输入训练后的所述滑坡风险判断模型,获取存在风险的滑坡;
所述滑坡风险监测模块,用于采集存在风险的滑坡的风险信息,对所述风险信息进行处理,确定滑坡的真实风险信息,根据所述真实风险信息确定滑坡的位置;
所述滑坡图像采集模块、所述滑坡风险判断模块和所述滑坡风险监测模块依次连接。
可选地,所述滑坡图像采集模块包括:
滑坡图像采集单元、滑坡图像处理单元和目标区域生成单元;
所述滑坡图像采集单元,用于通过无人机拍摄滑坡图像;
所述滑坡图像处理单元,用于对所述滑坡图像进行特征提取,获取第一特征图;
所述目标区域生成单元,用于对所述第一特征图进行处理,获取所述目标区域;
所述滑坡图像采集单元、所述滑坡图像处理单元和所述目标区域生成单元依次连接。
可选地,所述滑坡图像处理单元包括:滑坡图像处理子单元;
所述滑坡图像处理子单元,用于构建特征提取模型,训练所述特征提取模型,将所述滑坡图像输入训练后的所述特征提取模型,获取第一特征图;
所述滑坡图像处理子单元与所述目标区域生成单元连接。
可选地,将所述滑坡图像输入训练后的所述特征提取模型,获取所述第一特征图包括:
将输入的所述滑坡图像进行全局平均池化操作,获取原始特征图,对所述原始特征图进行1D卷积和激活函数激活,并消除外在特征,将消除外在后的特征和所述原始特征图结合,获取所述第一特征图。
可选地,所述滑坡风险判断模块包括:
风险判断模型构建单元,风险判断模型训练单元和风险判断结果输出单元;
所述风险判断模型构建单元,用于构建所述滑坡风险判断模型,所述滑坡风险判断模型包括:CSPDarknet53网络结构和PANet网络结构;
所述判断模型训练单元,用于获取标签为具有滑坡风险等级的历史滑坡图像,利用所述历史滑坡图像训练所述滑坡风险判断模型,配置所述滑坡风险判断模型的权重;
风险判断结果输出单元,用于将所述目标区域输入训练后的所述滑坡风险判断模型,输出滑坡风险等级的置信度,根据所述置信度,获取存在风险的滑坡;
所述风险判断模型构建单元,所述风险判断模型训练单元和所述风险判断结果输出单元依次连接。
可选地,将所述目标区域输入训练后的所述滑坡风险判断模型,输出滑坡风险等级的置信度包括:
将所述目标区域输入训练后的所述滑坡风险判断模型,通过所述CSPDarknet53网络结构,对所述目标区域进行特征提取,获取不同尺寸的特征图,通过所述PANet网络结构,对所述第一特征图进行上采样和下采样操作,对上采样和下采样操作后的第一特征图与所述不同尺寸的特征图进行融合,获取不同的判断结果,根据所述不同的判断结果进行综合分析,生成所述滑坡风险等级的置信度。
可选地,所述滑坡风险监测模块包括:
风险信息采集模型构建单元,风险信息采集模型训练单元和滑坡位置确定单元;
所述风险信息采集模型构建单元,用于通过多层卷积神经网络,构建所述风险信息采集模型;
所述风险信息采集模型训练单元,用于训练所述风险信息采集模型,通过训练后的所述风险信息采集模型,采集存在风险的滑坡的风险信息;
所述滑坡位置确定单元,用于对所述风险信息进行处理,确定滑坡的真实风险信息,根据所述真实风险信息确定所述滑坡的位置;
所述风险信息采集模型构建单元,风险信息采集模型训练单元和滑坡位置确定单元依次连接。
可选地,所述风险信息采集模型包括:编码器和解码器以及时序特征处理器;
所述编码器,用于对获取滑坡次声信号,并进行特征提取,获取波形特征;
所述时序特征处理器,用于对所述波形特征进行处理,获取时序特征;
所述解码器,用于根据所述时序特征确定所述风险信息;
所述编码器和所述解码器以及所述时序特征处理器依次连接。
可选地,训练所述风险信息采集模型包括:
获取所述滑坡的历史地震数据对所述风险信息采集模型进行预训练;
获取历史滑坡事件数据,对预训练后的所述风险信息采集模型进行二次训练,配置所述风险信息采集模型的模型参数,获取训练后的所述风险信息采集模型。
本发明的有益效果为:
本发明通过采用无人机拍摄岸坡图像,采用基于深度学习的多种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判断与检测,能够有效判断滑坡是否存在危险,并且出现滑坡事件后,能够及时对滑坡位置进行检测,实现滑坡事件的自动化检测。
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为本发明实施例的一种基于深度学习的滑坡检测系统示意图;
图2为本发明实施例的CSPDarknet53网络结构图。
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。
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。
如图1所示,本发明公开了一种基于深度学习的滑坡检测系统,包括:滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块;滑坡图像采集模块,用于通过无人机拍摄滑坡图像,对滑坡图像进行处理,生成目标区域;滑坡风险判断模块,用于构建并训练滑坡风险判断模型,将目标区域输入训练后的滑坡风险判断模型,获取存在风险的滑坡;滑坡风险监测模块,用于采集存在风险的滑坡的风险信息,对风险信息进行处理,确定滑坡的真实风险信息,根据真实风险信息确定滑坡的位置;滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块依次连接。
滑坡图像采集模块包括:滑坡图像采集单元、滑坡图像处理单元和目标区域生成单元;滑坡图像采集单元,用于通过无人机拍摄滑坡图像;滑坡图像处理单元,用于对滑坡图像进行特征提取,获取第一特征图;目标区域生成单元,用于对第一特征图进行处理,获取目标区域;滑坡图像采集单元、滑坡图像处理单元和目标区域生成单元依次连接。
滑坡图像处理单元包括:滑坡图像处理子单元;滑坡图像处理子单元,用于构建特征提取模型,训练特征提取模型,将滑坡图像输入训练后的特征提取模型,获取第一特征图;滑坡图像处理子单元与目标区域生成单元连接。
特征提取模型通过利用残差通道注意力机制网络ERCA-Net对滑坡图像进行特征提取;残差通道注意力机制网络ERCA-Net由1D卷积、软阈值和残差网络三个结构构建。
将滑坡图像输入训练后的特征提取模型,获取第一特征图包括:将输入的滑坡图像进行全局平均池化操作,获取原始特征图,对原始特征图进行1D卷积和激活函数激活,通过软阈值,消除外在特征,将消除外在后的特征图和原始特征图结合,获取第一特征图。
滑坡风险判断模块包括:风险判断模型构建单元,风险判断模型训练单元和风险判断结果输出单元;风险判断模型构建单元,用于构建滑坡风险判断模型,滑坡风险判断模型包括:CSPDarknet53网络结构和PANet网络结构;风险判断模型训练单元,用于获取标签为具有滑坡风险等级的历史滑坡图像,利用历史滑坡图像训练滑坡风险判断模型,配置滑坡风险判断模型的权重;风险判断结果输出单元,用于将目标区域输入训练后的滑坡风险判断模型,输出滑坡风险等级的置信度,根据置信度,获取存在风险的滑坡;风险判断模型构建单元,风险判断模型训练单元和风险判断结果输出单元依次连接。
将目标区域输入训练后的滑坡风险判断模型,输出滑坡风险等级的置信度包括:将目标区域输入训练后的滑坡风险判断模型,通过CSPDarknet53网络结构,对目标区域进行特征提取,获取不同尺寸的特征图,通过PANet网络结构,对第一特征图进行上采样和下采样操作,对上采样和下采样操作后的第一特征图与不同尺寸的特征图进行融合,获取不同的判断结果,根据不同的判断结果进行综合分析,生成滑坡风险等级的置信度,具体为:
如图2所示,CSPDarknet53网络结构为特征提取骨干网络,CSPDarknet53网络结构用于,对目标区域进行特征提取,输出三个大小分别为52*52、26*26、13*13的特征图;PANet网络结构用于:将第一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;将第三融合特征图经下采样后与第一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。
滑坡风险监测模块包括:风险信息采集模型构建单元,风险信息采集模型训练单元和滑坡位置确定单元;风险信息采集模型构建单元,用于通过多层卷积神经网络,构建风险信息采集模型;风险信息采集模型训练单元,用于训练风险信息采集模型,通过训练后的风险信息采集模型,采集台站数据中存在风险的滑坡的风险信息;滑坡位置确定单元,用于对风险信息进行处理,确定滑坡的真实风险信息,根据真实风险信息确定滑坡的位置;风险信息采集模型构建单元,风险信息采集模型训练单元和滑坡位置确定单元依次连接。
风险信息采集模型包括:编码器和解码器以及时序特征处理器;编码器,用于对获取滑坡次声信号,并进行特征提取,获取波形特征;时序特征处理器,用于对波形特征进行处理,获取时序特征;解码器,用于根据时序特征确定风险信息;时序特征处理器为循环神经网络或Transformer模型。
确定风险信息包括,根据预设的时间窗对多个风险信息进行筛选,得到各个时间窗下对应的风险信息数量,当风险信息数量超过预设值时,判断为一个疑似滑坡事件,并明确疑似滑坡事件与当前时间窗下风险信息的隶属关系,得到一个或多个疑似滑坡事件;对于每个疑似滑坡事件,在滑坡面中选择疑似滑坡位置,并计算从疑似滑坡位置到每个台站的到时估测值与风险信息观测值之间的差值,当差值超过阈值时,将该风险信息过滤,最终得到真实风险信息。
训练风险信息采集模型包括:获取滑坡的历史地震数据对风险信息采集模型进行预训练;获取历史滑坡事件数据,对预训练后的风险信息采集模型进行二次训练,配置风险信息采集模型的模型参数,获取训练后的风险信息采集模型。
本发明公开了一种基于深度学习的滑坡检测系统的具体工作过程,包括:
通过无人机拍摄滑坡图像,构建特征提取模型,训练特征提取模型,将滑坡图像输入训练后的特征提取模型,获取第一特征图,基于第一特征图,获取目标区域;
构建滑坡风险判断模型,滑坡风险判断模型包括:CSPDarknet53网络结构和PANet网络结构;获取标签为具有滑坡风险等级的历史滑坡图像,将历史滑坡图像训练滑坡风险判断模型,配置滑坡风险判断模型的权重;将目标区域输入训练后的滑坡风险判断模型,通过CSPDarknet53网络结构,将目标区域进行特征提取,获取不同尺寸的特征图,通过PANet网络结构,对第一特征图进行上采样和下采样操作,对上采样和下采样操作后的第一特征图与不同尺寸的特征图进行融合,获取不同的判断结果,根据不同的判断结果进行综合分析,生成滑坡风险等级的置信度,根据置信度,获取存在风险的滑坡;
通过多层卷积神经网络,构建风险信息采集模型,训练风险信息采集模型,通过训练后的风险信息采集模型,获取存在风险的滑坡的天然地震波形,并进行特征提取,获取波形特征,对波形特征进行处理,获取时序特征,根据时序特征确定风险信息,对风险信息进行处理,确定滑坡的真实风险信息,根据真实风险信息确定滑坡的位置。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种基于深度学习的滑坡检测系统,其特征在于,包括:
滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块;
所述滑坡图像采集模块,用于通过无人机拍摄滑坡图像,对所述滑坡图像进行处理,生成目标区域;
所述滑坡风险判断模块,用于构建并训练滑坡风险判断模型,将所述目标区域输入训练后的所述滑坡风险判断模型,获取存在风险的滑坡;
所述滑坡风险监测模块,用于采集存在风险的滑坡的风险信息,对所述风险信息进行处理,确定滑坡的真实风险信息,根据所述真实风险信息确定滑坡的位置;
所述滑坡图像采集模块、所述滑坡风险判断模块和所述滑坡风险监测模块依次连接。
2.根据权利要求1所述的基于深度学习的滑坡检测系统,其特征在于,所述滑坡图像采集模块包括:
滑坡图像采集单元、滑坡图像处理单元和目标区域生成单元;
所述滑坡图像采集单元,用于通过无人机拍摄滑坡图像;
所述滑坡图像处理单元,用于对所述滑坡图像进行特征提取,获取第一特征图;
所述目标区域生成单元,用于对所述第一特征图进行处理,获取所述目标区域;
所述滑坡图像采集单元、所述滑坡图像处理单元和所述目标区域生成单元依次连接。
3.根据权利要求2所述的基于深度学习的滑坡检测系统,其特征在于,所述滑坡图像处理单元包括:滑坡图像处理子单元;
所述滑坡图像处理子单元,用于构建特征提取模型,训练所述特征提取模型,将所述滑坡图像输入训练后的所述特征提取模型,获取第一特征图;
所述滑坡图像处理子单元与所述目标区域生成单元连接。
4.根据权利要求3所述的基于深度学习的滑坡检测系统,其特征在于,将所述滑坡图像输入训练后的所述特征提取模型,获取所述第一特征图包括:
将输入的所述滑坡图像进行全局平均池化操作,获取原始特征图,对所述原始特征图进行1D卷积和激活函数激活,并消除外在特征,将消除外在后的特征和所述原始特征图结合,获取所述第一特征图。
5.根据权利要求4所述的基于深度学习的滑坡检测系统,其特征在于,所述滑坡风险判断模块包括:
风险判断模型构建单元,风险判断模型训练单元和风险判断结果输出单元;
所述风险判断模型构建单元,用于构建所述滑坡风险判断模型,所述滑坡风险判断模型包括:CSPDarknet53网络结构和PANet网络结构;
所述判断模型训练单元,用于获取标签为具有滑坡风险等级的历史滑坡图像,利用所述历史滑坡图像训练所述滑坡风险判断模型,配置所述滑坡风险判断模型的权重;
风险判断结果输出单元,用于将所述目标区域输入训练后的所述滑坡风险判断模型,输出滑坡风险等级的置信度,根据所述置信度,获取存在风险的滑坡;
所述风险判断模型构建单元,所述风险判断模型训练单元和所述风险判断结果输出单元依次连接。
6.根据权利要求5所述的基于深度学习的滑坡检测系统,其特征在于,将所述目标区域输入训练后的所述滑坡风险判断模型,输出滑坡风险等级的置信度包括:
将所述目标区域输入训练后的所述滑坡风险判断模型,通过所述CSPDarknet53网络结构,对所述目标区域进行特征提取,获取不同尺寸的特征图,通过所述PANet网络结构,对所述第一特征图进行上采样和下采样操作,对上采样和下采样操作后的第一特征图与所述不同尺寸的特征图进行融合,获取不同的判断结果,根据所述不同的判断结果进行综合分析,生成所述滑坡风险等级的置信度。
7.根据权利要求1所述的基于深度学习的滑坡检测系统,其特征在于,所述滑坡风险监测模块包括:
风险信息采集模型构建单元,风险信息采集模型训练单元和滑坡位置确定单元;
所述风险信息采集模型构建单元,用于通过多层卷积神经网络,构建所述风险信息采集模型;
所述风险信息采集模型训练单元,用于训练所述风险信息采集模型,通过训练后的所述风险信息采集模型,采集存在风险的滑坡的风险信息;
所述滑坡位置确定单元,用于对所述风险信息进行处理,确定滑坡的真实风险信息,根据所述真实风险信息确定所述滑坡的位置;
所述风险信息采集模型构建单元,风险信息采集模型训练单元和滑坡位置确定单元依次连接。
8.根据权利要求7所述的基于深度学习的滑坡检测系统,其特征在于,所述风险信息采集模型包括:编码器和解码器以及时序特征处理器;
所述编码器,用于获取滑坡次声信号,并进行特征提取,获取波形特征;
所述时序特征处理器,用于对所述波形特征进行处理,获取时序特征;
所述解码器,用于根据所述时序特征确定所述风险信息;
所述编码器和所述解码器以及所述时序特征处理器依次连接。
9.根据权利要求7所述的基于深度学习的滑坡检测系统,其特征在于,训练所述风险信息采集模型包括:
获取所述滑坡的历史地震数据对所述风险信息采集模型进行预训练;
获取历史滑坡事件数据,对预训练后的所述风险信息采集模型进行二次训练,配置所述风险信息采集模型的模型参数,获取训练后的所述风险信息采集模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522604.1A CN117132907A (zh) | 2023-05-10 | 2023-05-10 | 一种基于深度学习的滑坡检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522604.1A CN117132907A (zh) | 2023-05-10 | 2023-05-10 | 一种基于深度学习的滑坡检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132907A true CN117132907A (zh) | 2023-11-28 |
Family
ID=88857124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310522604.1A Pending CN117132907A (zh) | 2023-05-10 | 2023-05-10 | 一种基于深度学习的滑坡检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132907A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111006593A (zh) * | 2019-12-13 | 2020-04-14 | 武汉纵横天地空间信息技术有限公司 | 一种应用无人机进行山体地貌监测及滑坡预测方法及系统 |
CN112101660A (zh) * | 2020-09-15 | 2020-12-18 | 重庆交通大学 | 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法 |
CN112289006A (zh) * | 2020-10-30 | 2021-01-29 | 中国地质环境监测院 | 山体滑坡风险监测预警方法和系统 |
CN113065455A (zh) * | 2021-03-30 | 2021-07-02 | 中国水利水电科学研究院 | 一种基于深度学习的滑坡风险巡检方法及系统 |
KR102305468B1 (ko) * | 2021-05-12 | 2021-09-30 | 씨티씨 주식회사 | 딥러닝-기반 산사태 분산 감지 시스템 |
CN113705108A (zh) * | 2021-09-02 | 2021-11-26 | 南方科技大学 | 实时滑坡灾害监测预警方法及系统 |
CN114429189A (zh) * | 2022-01-27 | 2022-05-03 | 成都理工大学 | 一种高泛用性滑坡位移速率预警方法 |
CN114926738A (zh) * | 2022-05-19 | 2022-08-19 | 成理智源科技(成都)有限公司 | 一种基于深度学习的滑坡识别方法及系统 |
CN115952410A (zh) * | 2023-03-13 | 2023-04-11 | 中国地震局地球物理研究所 | 一种基于深度学习的滑坡灾害检测系统 |
-
2023
- 2023-05-10 CN CN202310522604.1A patent/CN117132907A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111006593A (zh) * | 2019-12-13 | 2020-04-14 | 武汉纵横天地空间信息技术有限公司 | 一种应用无人机进行山体地貌监测及滑坡预测方法及系统 |
CN112101660A (zh) * | 2020-09-15 | 2020-12-18 | 重庆交通大学 | 基于阶段性注意力机制的降雨型滑坡位移预测模型及方法 |
CN112289006A (zh) * | 2020-10-30 | 2021-01-29 | 中国地质环境监测院 | 山体滑坡风险监测预警方法和系统 |
CN113065455A (zh) * | 2021-03-30 | 2021-07-02 | 中国水利水电科学研究院 | 一种基于深度学习的滑坡风险巡检方法及系统 |
KR102305468B1 (ko) * | 2021-05-12 | 2021-09-30 | 씨티씨 주식회사 | 딥러닝-기반 산사태 분산 감지 시스템 |
CN113705108A (zh) * | 2021-09-02 | 2021-11-26 | 南方科技大学 | 实时滑坡灾害监测预警方法及系统 |
CN114429189A (zh) * | 2022-01-27 | 2022-05-03 | 成都理工大学 | 一种高泛用性滑坡位移速率预警方法 |
CN114926738A (zh) * | 2022-05-19 | 2022-08-19 | 成理智源科技(成都)有限公司 | 一种基于深度学习的滑坡识别方法及系统 |
CN115952410A (zh) * | 2023-03-13 | 2023-04-11 | 中国地震局地球物理研究所 | 一种基于深度学习的滑坡灾害检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335270B (zh) | 基于层级区域特征融合学习的输电线路缺陷检测方法 | |
CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN111339826B (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN113095437B (zh) | 一种Himawari-8遥感数据的火点检测方法 | |
CN111598098A (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
CN113191374A (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
CN110717496A (zh) | 基于神经网络的复杂场景树木检测方法 | |
CN115731545A (zh) | 一种基于融合感知的电缆隧道巡检方法及装置 | |
CN116543346A (zh) | 一种基于深度学习的输电线路视频山火检测方法 | |
CN113887330A (zh) | 一种基于遥感图像的目标检测系统 | |
Kurdi et al. | Full series algorithm of automatic building extraction and modelling from LiDAR data | |
CN117132907A (zh) | 一种基于深度学习的滑坡检测系统 | |
CN115952410A (zh) | 一种基于深度学习的滑坡灾害检测系统 | |
CN116386302A (zh) | 一种边坡智能监测预警系统 | |
CN116343078A (zh) | 基于视频sar的目标跟踪方法、系统及设备 | |
CN114758237A (zh) | 一种输水隧洞缺陷自动识别模型的构建方法、检测方法、构建装置、计算机及存储介质 | |
CN114067103A (zh) | 一种基于YOLOv3的管道第三方破坏智能识别方法 | |
CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 |
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 |