一种基于cmBN和SAT的山体滑坡预警方法技术

本发明专利技术提供了一种基于cmBN和SAT的山体滑坡预警方法，属于图像处理领域。本发明专利技术着重利用cmBN权重更新策略和SAT自对抗训练策略技术实现山体滑坡实时预警功能。利用云台相机首先对山体滑坡图像进行采集并制作相关数据集通过以CSPDarknet53为主干网络提取目标特征；利用CmBN策略实时调整训练所用的mini batch；利用SAT自对抗训练策略技术实现数据增强这几种手段为主进行训练得到山体滑坡的权重。利用此权重实时判断云台相机拍摄图片是否发生山体滑坡。本发明专利技术相比于传统人工检测方法，本发明专利技术具有全天候、全天时自动检测能力。在山体滑坡检测准确率方面达到89％。检测准确率方面达到89％。检测准确率方面达到89％。

【技术实现步骤摘要】
一种基于cmBN和SAT的山体滑坡预警方法


[0001]本专利技术属于图像处理领域，具体涉及一种基于cmBN和SAT的山体滑坡预警方法。

技术介绍

[0002]现如今，自然灾害越发频繁。现有山体滑坡检测技术主要依靠人工检测或者硬件检测。当山体进行滑坡时，预警设备发生偏转进而形成预警信号传递给后台。但这种设备需要大规模安装且属于一次性产品。对于易山体滑坡区域来说，这样的设备显然不能满足经济性和长效性。且易受到山中动植物干扰检测条件要求高。通过人工检测或者利用无人机等检测设备拍摄自然灾害图片传输后台，人工判断的检测方法存在着时效性差、易受天气影响、无法全天时检测等等缺陷。并且，这些传统检测方法往往需要很大的财力、物力维持。例如，利用巡查车对山路进行巡查，当山体滑坡发生时便会使得巡查的车辆和人时刻处在危险之中。

技术实现思路

[0003]为了克服上述现有技术存在的不足，本专利技术提供了一种基于cmBN和SAT的山体滑坡预警方法。
[0004]为了实现上述目的，本专利技术提供如下技术方案：
[0005]一种基于cmBN和SAT的山体滑坡预警方法，包括以下步骤：
[0006]采集山体滑坡的照片及视频作为原始文件，采集待检测的山体滑坡的照片作为待检测文件；
[0007]将原始文件制作成数据集；
[0008]建立基于cmBN权重更新策略和自对抗训练策略SAT的检测神经网络；
[0009]通过检测神经网络对数据集进行训练，得到权重文件；
[0010]将待检测文件与权重文件输入检测神经网络，通过检测神经网络判断待检测的照片上是否出现山体滑坡。
[0011]优选的，所述建立基于cmBN权重更新策略和自对抗训练策略SAT输入端目标检测神经网络的步骤包括：
[0012]建立滑坡检测框架；
[0013]在滑坡检测框架内植入CIoU
‑
loss策略、CmBN权重更新策略和自对抗训练策略SAT策略，形成基于cmBN权重更新策略和自对抗训练策略SAT输入端目标检测神经网络。
[0014]优选的，所述滑坡检测框架包括：
[0015]卷积神经网络，用于将数据集中不同细粒度的图像聚合形成图像特征；
[0016]连接网络，用于混合和组合图像特征；
[0017]预测网络，用于检测图像特征、生成检测边界框和类别预测；通过连接网络与卷积神经网络连接。
[0018]优选的，将Darknet53作为基本网络，在基本网络上结合局部网络CSPNet得到所述
卷积神经网络。
[0019]优选的，所述连接网络为空间金字塔汇集网络SPP。
[0020]优选的，通过PANNet结合Concatenation融合方式得到所述预测网络。
[0021]优选的，所述在滑坡检测框架内植入CIoU
‑
loss策略、CmBN权重更新策略和自对抗训练策略SAT策略的具体步骤包括：
[0022]将CIoU
‑
loss策略植入卷积神经网络，通过对数据集中图像的预测框和目标框交并比、长宽比的相似性和权重系数衡量预测框和目标框的一致性；其中预测框指检测出的包含图像特征的矩形框，目标框指以图像特征为目标设置的矩形框；
[0023]将CmBN权重更新策略植入卷积神经网络；
[0024]在卷积神经网络反向传播过程中植入自对抗训练策略SAT策略。
[0025]优选的，通过CIoU
‑
loss策略衡量预测框和目标框的一致性的步骤包括：
[0026]将CIoU
‑
loss策略中预测框和目标框的惩罚项R
CIoU
定义如下式，
[0027][0028]则通过CIoU
‑
loss策略的惩罚项R
CIoU
定义CIoU
‑
loss策略的损失函数为：
[0029][0030]通过CIoU
‑
loss策略的损失函数表示预测框和目标框的一致性；
[0031]其中，b为预测框的中心点，b
gt
为目标框的中心点，ρ()为欧几里得距离，c为能覆盖预测框和目标框的最小矩形的对角线长度；
[0032]v为预测框和目标框长宽比的相似性，
[0033][0034]其中，w
gt
为目标框的宽，h
gt
为目标框的长，w为预测框的宽，h为预测框的长；
[0035]α为权重系数，
[0036][0037]预测框和目标框长宽比的相似性v关于预测框的宽w的倒数表示为，
[0038][0039]预测框和目标框长宽比的相似性v关于预测框的长h的倒数表示为，
[0040][0041]其中，
[0042]优选的，通过CmBN权重更新策略稳定卷积神经网络训练过程中的数据分布的步骤
包括：
[0043]将卷积神经网络中每个batch内部的4个mini batch作为一个整体；
[0044]在每个mini batch内部进行数据汇合；
[0045]在每个batch内更新一次权重参数；
[0046]通过对数据的划分和权重参数的设置稳定卷积神经网络训练过程中的数据分布。
[0047]优选的，所述在卷积神经网络反向传播过程中植入自对抗训练策略SAT策略的具体步骤包括：
[0048]卷积神经网络改变原始图像得到修改后的图像，判断原始图像上没有图像特征并对自身进行对抗式攻击实现对卷积神经网络的增强。
[0049]本专利技术提供的一种基于cmBN和SAT的山体滑坡预警方法具有以下有益效果：本专利技术利用cmBN权重更新策略和SAT自对抗训练策略技术实现山体滑坡实时预警功能。利用云台相机首先对山体滑坡图像进行采集并制作相关数据集通过以CSPDarknet53为主干网络提取目标特征；利用CmBN策略实时调整训练所用的mini batch；利用SAT自对抗训练策略技术实现数据增强这几种手段为主进行训练得到山体滑坡的权重。利用此权重实时判断云台相机拍摄图片是否发生山体滑坡。本专利技术相比于传统人工检测方法，本专利技术具有全天候、全天时自动检测能力。本专利技术规避了人工检测和硬件设备检测的问题，并且能够达到较高的山体滑坡检测准确率。
附图说明
[0050]为了更清楚地说明本专利技术实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本专利技术的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0051]图1为本专利技术实施例1的一种基于cmBN和SAT的山体滑坡预警方法的流程图；
[0052]图2为本专利技术实施例1的卷积神经网络结构框图。
具体实施方式
[0053]为了使本领域技术人员更好的理解本专利技术的技术方案并能予以实施，下面结合附图和具体实施例对本专利技术进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于cmBN和SAT的山体滑坡预警方法，其特征在于，包括以下步骤：采集山体滑坡的照片及视频作为原始文件，采集待检测的山体滑坡的照片作为待检测文件；将原始文件制作成数据集；建立基于cmBN权重更新策略和自对抗训练策略SAT的检测神经网络；通过检测神经网络对数据集进行训练，得到权重文件；将待检测文件与权重文件输入检测神经网络，通过检测神经网络判断待检测的照片上是否出现山体滑坡。2.根据权利要求1所述的一种基于cmBN和SAT的山体滑坡预警方法，其特征在于，所述建立基于cmBN权重更新策略和自对抗训练策略SAT输入端目标检测神经网络的步骤包括：建立滑坡检测框架；在滑坡检测框架内植入CIoU
‑
loss策略、CmBN权重更新策略和自对抗训练策略SAT策略，形成基于cmBN权重更新策略和自对抗训练策略SAT输入端目标检测神经网络。3.根据权利要求2所述的一种基于cmBN和SAT的山体滑坡预警方法，其特征在于，所述滑坡检测框架包括：卷积神经网络，用于将数据集中不同细粒度的图像聚合形成图像特征；连接网络，用于混合和组合图像特征；预测网络，用于检测图像特征、生成检测边界框和类别预测；通过连接网络与卷积神经网络连接。4.根据权利要求3所述的一种基于cmBN和SAT的山体滑坡预警方法，其特征在于，将Darknet53作为基本网络，在基本网络上结合局部网络CSPNet得到所述卷积神经网络。5.根据权利要求3所述的一种基于cmBN和SAT的山体滑坡预警方法，其特征在于，所述连接网络为空间金字塔汇集网络SPP。6.根据权利要求3所述的一种基于cmBN和SAT的山体滑坡预警方法，其特征在于，通过PANNet结合Concatenation融合方式得到所述预测网络。7.根据权利要求3所述的一种基于cmBN和SAT的山体滑坡预警方法，其特征在于，所述在滑坡检测框架内植入CIoU
‑
loss策略、CmBN权重更新策略和自对抗训练策略SAT策略的具体步骤包括：将CIoU
‑
loss策略植入卷积神经网络，通过对数据集中图像的预测框和目标框交并比、长宽比的相似性和权重系数衡量预测框和目标框的一致性...

【专利技术属性】
技术研发人员：王浩，高建文，周鹏耀，吕梅柏，
申请(专利权)人：北京国电瑞源科技发展有限公司，
类型：发明
国别省市：