一种地质灾害前兆因子识别方法、装置，电子设备及存储介质制造方法及图纸

本申请提供一种地质灾害前兆因子识别方法、装置，电子设备及存储介质。该方法包括：获取待测区域的视频图像帧组；其中，所述视频图像帧组包括N个连续的图像帧；获取每个所述图像帧在不同通道下的特征图；从每个通道中提取出所有大小为a

【技术实现步骤摘要】
一种地质灾害前兆因子识别方法、装置，电子设备及存储介质


[0001]本申请涉及地质预测
，具体而言，涉及一种地质灾害前兆因子识别方法、装置，电子设备及存储介质。

技术介绍

[0002]近年来受人类工程活动的影响，地质灾害呈高发势态，因此对地质灾害的监测预警就显得尤为重要。随着视频监控及图像分析技术的提升，采用图像分析技术对地质灾害发生的前兆因子进行识别和预警开始被关注。目前采用的图像识别技术主要通过2D(Dimensiona，维)卷积神经网络的目标检测、图像分类等算法，对前兆因子的单张图像进行识别。在实现本专利技术过程中，专利技术人发现针对临灾前兆，例如：落石、碎屑流、烟尘等均是连续运动的画面，单纯使用2D卷积神经网络的单张图像分析和识别，其识别准确率较低。

技术实现思路

[0003]本申请实施例的目的在于提供一种地质灾害前兆因子识别方法、装置，电子设备及存储介质，以改善“现有的对前兆因子进行识别的方式，其识别准确率较低”的问题。
[0004]本专利技术是这样实现的：
[0005]第一方面，本申请实施例提供一种地质灾害前兆因子识别方法，包括：获取待测区域的视频图像帧组；其中，所述视频图像帧组包括N个连续的图像帧；获取每个所述图像帧在不同通道下的特征图；从每个通道中提取出所有大小为a
×
a
×
m的卷积核；其中，a表示所述卷积核的边的像素数量，m表示提取的连续的特征图的数量；N≥m≥3；将提取的所有卷积核输入至预设的卷积神经网络模型中，获取与所述视频图像帧组对应的特征向量；根据预设的分类器对所述特征向量进行分类，生成所述待测区域的分类结果；其中，所述分类结果用于表征所述待测区域的前兆因子识别结果。
[0006]本申请实施例所提供的地质灾害前兆因子识别方法，首先获取N个连续的图像帧，然后提取出图像帧在每个特征通道下大小为a
×
a
×
m的卷积核。最后将提取的所有卷积核输入至预设的卷积神经网络模型中，并利用预设的分类器实现对N个连续的图像帧的识别进而得到地质灾害前兆因子的识别结果。也即，本申请所提取的为3D(Dimensiona，维)卷积核，其包含了时间次序的连续变化，与现有技术相比，提高了感知时序变化的能力，同时对真实地质灾害前兆因子变化更为敏感，具有识别准确率高、误报率低等优点。
[0007]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述获取每个所述图像帧在不同通道下的特征图，包括：获取每个所述图像帧在灰度通道、x方向梯度通道、y方向梯度通道、x方向光流通道以及y方向光流通道的特征图。
[0008]在本申请实施例中，通过每个图像帧在灰度通道、x方向梯度通道、y方向梯度通道、x方向光流通道以及y方向光流通道的特征图以提高特征图的数量，以便于后续能够根据更多的特征进行前兆因子的识别，进一步的提高识别的准确性。
[0009]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述从每个通道
中提取出所有大小为a
×
a
×
m的卷积核包括：提取第一帧特征图至第m帧特征图所组成的大小为a
×
a
×
m的卷积核；提取第二帧特征图至第m+1帧特征图所组成的大小为a
×
a
×
m的卷积核，依次提取，直至提取出第N
‑
m帧特征图至第N帧特征图所组成的大小为a
×
a
×
m的卷积核。
[0010]在本申请实施例中，依次提取第一帧特征图至第m帧特征图所组成的大小为a
×
a
×
m的卷积核，第二帧特征图至第m+1帧特征图所组成的大小为a
×
a
×
m的卷积核
···
第N
‑
m帧特征图至第N帧特征图所组成的大小为a
×
a
×
m的3D卷积核，通过该方式以便于完整且有序的提取出所有视频图像帧组中的卷积核。
[0011]结合上述第一方面提供的技术方案，在一些可能的实现方式中，通过如下步骤得到所述预设的卷积神经网络模型：获取训练样本数据；其中，所述训练样本数据为标记好类别的样本图像帧组在不同通道下提取的所有大小为a
×
a
×
m的卷积核；将所述训练样本数据输入至初始的卷积神经网络模型中，生成样本特征向量；将所述样本特征向量输入至所述预设的分类器中，通过最小化损失函数的计算值对所述初始的卷积神经网络模型进行优化，生成所述预设的卷积神经网络模型；其中，所述损失函数的表达式为：其中，J表示所述损失函数的计算值，A表示所述训练样本数据的总数，K表示分类数量，Δ表示边界值，Z
correct
表示为正常分类的得分，Z
other
表示错误分类得分。
[0012]在本申请实施例中，训练时输入的训练样本数据为a
×
a
×
m的卷积核，再结合预设的分类器对模型进行优化，有助于模型对运动态势的感知。
[0013]结合上述第一方面提供的技术方案，在一些可能的实现方式中，N的数值为7，a的数值为7，m的数值为3。
[0014]在本申请实施例中，以7个连续的图像帧为一组，在每个通道下提取出7
×7×
3的卷积核。通过该方式，既保证了后续预测时能够达到较好的识别效果，也不会给设备太大的运算压力。
[0015]结合上述第一方面提供的技术方案，在一些可能的实现方式中，在所述获取待测区域的视频图像帧组之前，所述方法还包括：根据预设区域中的地质环境条件数据，确定出所述待测区域；其中，所述待测区域为所述预设区域出现地质环境条件变化大于预设阈值的区域；获取所述待测区域的监控摄像设备传输的视频码流；将所述视频码流解码为图像帧，并按照时间次序排列，生成多个所述视频图像帧组。
[0016]在本申请实施例中，根据地质环境条件数据来确定出所需检测的待取区域，然后将视频码流解码为图像帧，并按照时间次序排列，生成多个视频图像帧组。通过该方式，能够提高对于高发的隐患区域的及时识别预测。
[0017]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述将所述视频码流解码为图像帧，并按照时间次序排列，生成多个所述视频图像帧组包括：对相邻的图像帧进行帧间灰度差比对，通过高斯模糊及高斯双边滤波，确定出所述图像帧中出现变化的区域；获取所述图像帧中变化幅度大于预设幅度的区域，生成第一图像帧；将所述第一图像帧按照时间次序排列，生成多个所述视频图像帧组。
[0018]在本申请实施例中，先根据相邻的图像帧进行帧间灰度差比对，通过高斯模糊及
高斯双边滤波，确定出图像帧中出现变化的区域；然后获取图像帧中变化幅度大于预设幅度的区域，生成第一图像帧；最后将第一图像帧按照时间次序排列，生成多个视频图像帧组，通过上述方式，能够仅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地质灾害前兆因子识别方法，其特征在于，包括：获取待测区域的视频图像帧组；其中，所述视频图像帧组包括N个连续的图像帧；获取每个所述图像帧在不同通道下的特征图；从每个通道中提取出所有大小为a
×
a
×
m的卷积核；其中，a表示所述卷积核的边的像素数量，m表示提取的连续的特征图的数量；N≥m≥3；将提取的所有卷积核输入至预设的卷积神经网络模型中，获取与所述视频图像帧组对应的特征向量；根据预设的分类器对所述特征向量进行分类，生成所述待测区域的分类结果；其中，所述分类结果用于表征所述待测区域的前兆因子识别结果。2.根据权利要求1所述的地质灾害前兆因子识别方法，其特征在于，所述获取每个所述图像帧在不同通道下的特征图，包括：获取每个所述图像帧在灰度通道、x方向梯度通道、y方向梯度通道、x方向光流通道以及y方向光流通道的特征图。3.根据权利要求1所述的地质灾害前兆因子识别方法，其特征在于，所述从每个通道中提取出所有大小为a
×
a
×
m的卷积核包括：提取第一帧特征图至第m帧特征图所组成的大小为a
×
a
×
m的卷积核；提取第二帧特征图至第m+1帧特征图所组成的大小为a
×
a
×
m的卷积核，依次提取，直至提取出第N
‑
m帧特征图至第N帧特征图所组成的大小为a
×
a
×
m的卷积核。4.根据权利要求1所述的地质灾害前兆因子识别方法，其特征在于，通过如下步骤得到所述预设的卷积神经网络模型：获取训练样本数据；其中，所述训练样本数据为标记好类别的样本图像帧组在不同通道下提取的所有大小为a
×
a
×
m的卷积核；将所述训练样本数据输入至初始的卷积神经网络模型中，生成样本特征向量；将所述样本特征向量输入至所述预设的分类器中，通过最小化损失函数的计算值对所述初始的卷积神经网络模型进行优化，生成所述预设的卷积神经网络模型；其中，所述损失函数的表达式为：其中，J表示所述损失函数的计算值，A表示所述训练样本数据的总数，K表示分类数量，Δ表示边界值，Z

【专利技术属性】
技术研发人员：柯小兵，龙文华，卿展晖，赵明辉，邱慧玲，李晓莅，阳剑锋，吕先锋，
申请(专利权)人：广州偕作信息科技有限公司，
类型：发明
国别省市：