一种坡体裂缝识别方法、系统、设备以及存储介质技术方案

本发明专利技术公开了一种坡体裂缝识别方法、系统、设备以及存储介质，包括：获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；构建裂缝分类识别网络模型，将高光谱遥感图像、近红外遥感图像和可见光图像作为训练集对裂缝分类识别网络模型进行训练，直至得到裂缝分类识别网络模型的最优权重；将待识别图像输入至裂缝分类识别网络模型中，得到待识别图像中裂缝的识别结果。高光谱和近红外图像在全波段具备更为丰富的光谱信息，可以反映裂缝更为细微的物理特征。本方法同时通过高光谱遥感图像、近红外遥感图像和可见光图像对裂缝分类识别网络模型进行训练，使得裂缝分类识别网络模型能够提取更为丰富的特征，从而提高模型的分类识别精度。类识别精度。类识别精度。

【技术实现步骤摘要】
一种坡体裂缝识别方法、系统、设备以及存储介质


[0001]本专利技术涉及滑坡防护
，特别涉及一种坡体裂缝识别方法、系统、设备以及存储介质。

技术介绍

[0002]山体滑坡是在重力影响下由于土壤岩石及植物内在阻力减少(往往体现为滑动、松动、崩塌和流失)而带来的特定复杂形式的坡体运动，自然界发生最频繁的地质灾害。近年来，由于城市群的扩张和气候变化带来的极端天气事件频发，地表质量损失/移动情况呈上升趋势，滑坡灾害频发，因此如何对滑坡灾害进行有效地监测十分重要。
[0003]裂缝是坡体产生滑坡现象的前兆特征，所以准确监控坡体裂缝对滑坡灾害的预防有着重要作用。传统方案是进行人工勘察，但这种方案的效率较低，而且具有一定危险性。现有方案利用神经网络和图像进行坡体裂缝识别，相较于人工勘察，能提高效率，但现有方案的输入图像较为单一，通常为CCD相机采集的可见光图像，特征不明显，导致神经网络模型对裂缝的分类识别准确度不高。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题。为此，本专利技术提出一种坡体裂缝识别方法、系统、设备以及存储介质，能够提高模型的分类识别精度。
[0005]本专利技术的第一方面，提供了一种坡体裂缝识别方法，包括如下步骤：
[0006]获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；
[0007]构建裂缝分类识别网络模型，将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，直至得到所述裂缝分类识别网络模型的最优权重；
[0008]将待识别图像输入至所述裂缝分类识别网络模型中，得到所述待识别图像中裂缝的识别结果。
[0009]根据本专利技术的实施例，至少具有如下技术效果：
[0010]高光谱和近红外图像在全波段具备更为丰富的光谱信息，可以反映裂缝更为细微的物理特征。本方法同时通过高光谱遥感图像、近红外遥感图像和可见光图像对裂缝分类识别网络模型进行训练，使得裂缝分类识别网络模型能够提取更为丰富的特征，从而提高模型的分类识别精度。
[0011]根据本专利技术的一些实施例，所述裂缝分类识别网络模型包括第一卷积神经网络、第二卷积神经网络、第三卷积神经网络、拼接层和全连接层，
[0012]其中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络为不同的卷积神经网络，所述将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，包括：
[0013]将多张所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像分别输入至
所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络中，得到所述第一卷积神经网络提取的所述高光谱遥感图像对应的第一图像特征、所述近红外遥感图像对应的第二图像特征和所述可见光图像对应的第三图像特征；以及所述第二卷积神经网络提取的所述高光谱遥感图像对应的第四图像特征、所述近红外遥感图像对应的第五图像特征和所述可见光图像对应的第六图像特征；以及所述第三卷积神经网络提取的所述高光谱遥感图像对应的第七图像特征、所述近红外遥感图像对应的第八图像特征和所述可见光图像对应的第九图像特征；
[0014]融合所述第一图像特征、所述第二图像特征和所述第三图像特征，得到第一融合特征，融合第四图像特征、所述第五图像特征和所述第六图像特征，得到第二融合特征，融合第七图像特征、所述第八图像特征和所述第九图像特征，得到第三融合特征，并融合所述第一融合特征、所述第二融合特征以及所述第三融合特征，得到最终融合特征；
[0015]将所述最终融合特征输入全连接层中，得到所述全连接层的识别结果。
[0016]根据本专利技术的一些实施例，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均包括多个交替设置的卷积层和池化层以及位于所述卷积层和所述池化层后的多个全连接层，其中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络的卷积层和池化层的数量不同。
[0017]根据本专利技术的一些实施例，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均于所述多个全连接层后增加一个随机失活层。
[0018]根据本专利技术的一些实施例，在将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练之前，还包括：
[0019]对所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像进行两次随机增强处理。
[0020]根据本专利技术的一些实施例，所述随机增强处理包括随机仿射变换、左右翻转、上下翻转、随机旋转、随机裁剪、高斯噪声变换以及随机亮度变换中的其中一种。
[0021]根据本专利技术的一些实施例，在所述获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像之前，还包括步骤：
[0022]通过卫星采集所述目标地区的高光谱遥感图像和近红外遥感图像以及通过搭载CCD相机的无人机采集所述目标地区的可见光图像。
[0023]本专利技术的第二方面，提供了一种坡体裂缝识别系统，包括：
[0024]图像获取单元，用于获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；
[0025]模型训练单元，用于构建裂缝分类识别网络模型，将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，直至得到所述裂缝分类识别网络模型的最优权重；
[0026]裂缝识别单元，用于将待识别图像输入至所述裂缝分类识别网络模型中，得到所述待识别图像中裂缝的识别结果。
[0027]本专利技术的第三方面，提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器
能够执行上述的坡体裂缝识别方法。
[0028]本专利技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的坡体裂缝识别方法。
[0029]需要注意的是，本专利技术的第二方面至第四方面与现有技术之间的有益效果与上述的坡体裂缝识别方法与现有技术之间的有益效果相同，此处不再细述。
[0030]本专利技术的附加方面和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，或通过本专利技术的实践了解到。
附图说明
[0031]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0032]图1为本专利技术实施例提供的坡体裂缝识别方法的流程示意图；
[0033]图2为本专利技术另一个实施例提供的坡体裂缝识别方法的流程示意图；
[0034]图3为本专利技术实施例提供的裂缝分类识别网络模型的分类识别框架示意图；
[0035]图4为本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种坡体裂缝识别方法，其特征在于，包括如下步骤：获取目标地区的高光谱遥感图像、近红外遥感图像和可见光图像；构建裂缝分类识别网络模型，将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，直至得到所述裂缝分类识别网络模型的最优权重；将待识别图像输入至所述裂缝分类识别网络模型中，得到所述待识别图像中裂缝的识别结果。2.根据权利要求1所述的坡体裂缝识别方法，其特征在于，所述裂缝分类识别网络模型包括融合的第一卷积神经网络、第二卷积神经网络和第三卷积神经网络，其中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络为不同的卷积神经网络，所述将所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像作为训练集对所述裂缝分类识别网络模型进行训练，包括：将多张所述高光谱遥感图像、所述近红外遥感图像和所述可见光图像分别输入至所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络中，得到所述第一卷积神经网络提取的所述高光谱遥感图像对应的第一图像特征、所述近红外遥感图像对应的第二图像特征和所述可见光图像对应的第三图像特征；以及所述第二卷积神经网络提取的所述高光谱遥感图像对应的第四图像特征、所述近红外遥感图像对应的第五图像特征和所述可见光图像对应的第六图像特征；以及所述第三卷积神经网络提取的所述高光谱遥感图像对应的第七图像特征、所述近红外遥感图像对应的第八图像特征和所述可见光图像对应的第九图像特征；融合所述第一图像特征、所述第二图像特征和所述第三图像特征，得到第一融合特征，融合第四图像特征、所述第五图像特征和所述第六图像特征，得到第二融合特征，融合第七图像特征、所述第八图像特征和所述第九图像特征，得到第三融合特征，并融合所述第一融合特征、所述第二融合特征以及所述第三融合特征，得到最终融合特征；将所述最终融合特征输入全连接层中，得到所述全连接层的识别结果。3.根据权利要求2所述的坡体裂缝识别方法，其特征在于，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均包括多个交替设置的卷积层和池化层以及位于所述卷积层和所述池化层后的...

【专利技术属性】
技术研发人员：甘雨，杨世忠，赵星宇，贺云飞，
申请(专利权)人：湖南北斗微芯产业发展有限公司，
类型：发明
国别省市：