一种滑坡定位方法技术

本申请提供了一种滑坡定位方法，涉及地质灾害监测技术领域。实现对大范围区域内的滑坡隐患进行检测和定位的目的。包括：在接收到对遥感影像的滑坡定位检测业务的触发操作时，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图；将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图；将所述多个第二特征图输入预设的预测网络，在所述遥感影像上展示预测的回归锚框，所述回归锚框用于框选出所述遥感影像中的滑坡。述回归锚框用于框选出所述遥感影像中的滑坡。述回归锚框用于框选出所述遥感影像中的滑坡。

【技术实现步骤摘要】
一种滑坡定位方法


[0001]本申请涉及地质灾害监测
，特别是涉及一种滑坡定位方法。

技术介绍

[0002]滑坡是自然界发生最频繁的地质灾害，近年来我国山体滑坡事故频发，给大众带来巨大的生命威胁和财产损失。
[0003]从传统的群测群防、人工现场检测，到使用物理检测仪器、专业的滑坡检测仪，再到物联网等技术在滑坡中的应用，滑坡检测方法在不断改进。但目前的滑坡检测方法只能针对特定的小范围区域进行对滑坡检测，并且无法对发生滑坡的地点进行定位。因此，设计智能化、自动化、大范围的滑坡定位方法成为行业所需。

技术实现思路

[0004]本申请实施例提供一种滑坡定位方法，基于遥感影像，实现对大范围区域内的滑坡隐患进行检测和定位的目的。
[0005]本申请实施例提供一种滑坡定位方法，所述方法包括：
[0006]在接收到对遥感影像的滑坡定位检测业务的触发操作时，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图；
[0007]将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图；
[0008]将所述多个第二特征图输入预设的预测网络，在所述遥感影像上展示至少一个预测的回归锚框，所述回归锚框用于框选出所述遥感影像中的滑坡。
[0009]可选地，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图，包括：
[0010]按照预设的下采样尺度，利用预设的特征提取网络对所述遥感影像进行多次特征提取，得到多个不同尺度的第一特征图；所述尺度之间具有倍数关系；将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图，包括：将每个尺度的第一特征图按照第一采样比例、第二采样比例、第三采样比例进行上采样，得到对应每个尺度下的第一特征图的三个中间层特征图；将对应相同尺度的三个中间层特征图进行线性相加，得到对应目标尺度的线性相加结果；将对应所述目标尺度的线性相加结果与所述目标尺度下的第一特征图进行特征整合，得到对应所述目标尺度的第二特征图。
[0011]可选地，所述方法还包括：
[0012]获取卫星采集的影像数据；对所述影像数据进行解译，确定位于所述影像数据的目标地域中的多个目标滑坡；对所述目标滑坡标注目标框，得到影像数据样本，所述影像数据样本包括多个标注有所述目标框的目标滑坡；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述
预设的多尺寸上采样网络以及所述预设的预测网络。
[0013]可选地，在对所述目标滑坡标注目标框，得到影像数据样本之后，所述方法还包括：
[0014]对所述影像数据样本进行色彩空间上的数据增强，得到匹配不同色彩空间的多个第一影像数据单样本；其中，单个色彩空间匹配至少一个所述第一影像数据单样本；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：利用所述匹配不同色彩空间的多个第一影像数据单样本对所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
[0015]可选地，在对所述目标滑坡标注目标框，得到影像数据样本之后，所述方法还包括：根据所述影像数据样本上标注的所述目标框，设置裁剪比例；根据所述多个标注有所述目标框的目标滑坡在所述影像数据样本上的位置，设置裁剪路径；按照所述裁剪路径和所述裁剪比例，对所述影像数据样本进行随机裁剪，得到多个第二影像数据单样本，以使得到的单个所述第二影像数据单样本包含至少一个标注有所述目标框的目标滑坡；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：利用所述多个第二影像数据单样本对所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。
[0016]可选地，利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：将所述影像数据样本输入所述卷积神经网络，得到多个第一预测特征图；将所述多个第一预测特征图输入所述特征融合网络，得到多个第二预测特征图；将所述多个第二预测特征图输入所述回归锚框预测网络，输出针对所述影像数据样本的多个预测框；根据所述多个预测框与所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数；重复上述步骤，在损失值满足预设阈值时，分别将经过多次训练的卷积神经网络确定为所述预设的特征提取网络，将经过多次训练的特征融合网络确定为所述预设的多尺寸上采样网络，将经过多次训练的回归锚框预测网络确定为所述预设的预测网络。
[0017]可选地，所述方法还包括：在所述回归锚框预测网络构建特征点划分网格；根据所述多个预测框和所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：利用所述特征点划分网格将所述第二预测特征图划分为多个特征点；依次针对每个特征点输出预测置信度；其中，所述预测置信度是所述回归锚框预测网络输出的当前特征点具有滑坡的概率；根据每个特征点输出预测置信度，通过以下公式计算所述预测置信度的第一损失值：
[0018][0019]式(1)中，S2为利用所述特征点划分网格划分所述第二预测特征图得到的特征点
的数量，B为针对所述当前特征点输出的预测框的数量，λ
noobj
是无目标损失权重；为预测置信度；C
i
为标准置信度；在所述当前特征点标注有目标框时，在所述当前特征点未标注有目标框时，在所述当前特征点标注有目标框时，在所述当前特征点未标注有目标框时，
[0020]根据所述第一损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数。
[0021]可选地，所述目标框携带所述目标框的长信息和宽信息；所述方法还包括：设置所述回归锚框预测网络中待输出预测框的长度值和宽度值；根据所述多个预测框和所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数，包括：根据所述长度值和所述长信息，计算得到所述待输出预测框的第一长度调整值；根据所述宽度值和所述宽信息，计算得到所述待输出预测框的第一宽度调整值；依次将多个特征点确定为当前特征点；根据所述当前特征点输出第二长度调整值和第二宽度调整值，通过以下公式计算所述第二长度调整值和所述第二宽度调整值的第二损失值：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滑坡定位方法，其特征在于，所述方法包括：在接收到对遥感影像的滑坡定位检测业务的触发操作时，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图；将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图；将所述多个第二特征图输入预设的预测网络，在所述遥感影像上展示预测的回归锚框，所述回归锚框用于框选出所述遥感影像中的滑坡。2.根据权利要求1所述的方法，其特征在于，利用预设的特征提取网络对所述遥感影像进行特征提取，得到多个第一特征图，包括：按照预设的下采样尺度，利用预设的特征提取网络对所述遥感影像进行多次特征提取，得到多个不同尺度的第一特征图；所述尺度之间具有倍数关系；将所述多个第一特征图输入预设的多尺寸上采样网络，对所述多个第一特征图的特征进行融合，得到多个第二特征图，包括：将每个尺度的第一特征图按照第一采样比例、第二采样比例、第三采样比例进行上采样，得到对应每个尺度下的第一特征图的三个中间层特征图；将对应相同尺度的三个中间层特征图进行线性相加，得到对应目标尺度的线性相加结果；将对应所述目标尺度的线性相加结果与所述目标尺度下的第一特征图进行特征整合，得到对应所述目标尺度的第二特征图。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取卫星采集的影像数据；对所述影像数据进行解译，确定位于所述影像数据的目标地域中的多个目标滑坡；对所述目标滑坡标注目标框，得到影像数据样本，所述影像数据样本包括多个标注有所述目标框的目标滑坡；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。4.根据权利要求3所述的方法，其特征在于，在对所述目标滑坡标注目标框，得到影像数据样本之后，所述方法还包括：对所述影像数据样本进行色彩空间上的数据增强，得到匹配不同色彩空间的多个第一影像数据单样本；其中，单个色彩空间匹配至少一个所述第一影像数据单样本；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：利用所述匹配不同色彩空间的多个第一影像数据单样本对所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。5.根据权利要求3所述的方法，其特征在于，在对所述目标滑坡标注目标框，得到影像数据样本之后，所述方法还包括：
根据所述影像数据样本上标注的所述目标框，设置裁剪比例；根据所述多个标注有所述目标框的目标滑坡在所述影像数据样本上的位置，设置裁剪路径；按照所述裁剪路径和所述裁剪比例，对所述影像数据样本进行随机裁剪，得到多个第二影像数据单样本，以使得到的单个所述第二影像数据单样本包含至少一个标注有所述目标框的目标滑坡；利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：利用所述多个第二影像数据单样本对所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络。6.根据权利要求3所述的方法，其特征在于，利用所述影像数据样本对卷积神经网络、特征融合网络以及回归锚框预测网络进行多次训练，得到所述预设的特征提取网络、所述预设的多尺寸上采样网络以及所述预设的预测网络，包括：将所述影像数据样本输入所述卷积神经网络，得到多个第一预测特征图；将所述多个第一预测特征图输入所述特征融合网络，得到多个第二预测特征图；将所述多个第二预测特征图输入所述回归锚框预测网络，输出针对所述影像数据样本的多个预测框；根据所述多个预测框与所述影像数据样本的多个目标框的损失值，调整所述卷积神经网络、所述特征融合网络以及所述回归锚框预测网络的参数；重复上述步骤，在损失值满足预设阈值时，分别将经过多次训练的卷积神经网络确定为所述预设的特征提取网络，将经过多次训练的特征融合网络确定为所述预设的多尺寸上采样网络，将经过多次训练的回归锚框预测网络确定为所述预设的预测网络。7.根据权利要求6所...

【专利技术属性】
技术研发人员：白林，彭伟航，许强，李为乐，巨袁臻，
申请(专利权)人：四川地脑科技有限公司，
类型：发明
国别省市：