一种基于深度学习的滑坡识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的滑坡识别方法，包括：S100：对滑坡图像进行特征提取，所提取特征为特征图；S200：通过RPN检测网络处理特征图，得到推荐的目标候选区域；S300：对目标候选区域的特征图进行特征提取，获取目标分类结果。本发明专利技术通过增加很少的参数，实现了通道注意力机制，提高复杂环境下目标检测的效果。果。果。

【技术实现步骤摘要】
一种基于深度学习的滑坡识别方法及系统


[0001]本专利技术涉及滑坡识别
，具体涉及一种基于深度学习的滑坡识别方法及系统。

技术介绍

[0002]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，可视化解释和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，因此常被批评为劳动密集型、耗时和成本高。
[0003]基于高空间分辨率遥感影像的滑坡检测是滑坡治理的关键，但由于滑坡规模小、数量多，在科学和技术上都具有挑战性。目前，通过遥感图像对滑坡进行检测主要有三种方法：基于像素(pixel
‑
based)方法、基于目标(Object
‑
based)方法以及基于深度学习方法。在基于像素的滑坡检测方法中，遥感图像中的单个像素点是最基本的处理单元，它们决定了图像中的某个区域是否为滑坡。然而在正常情况下，滑坡相较于遥感图像中的其它背景信息如：森林、村庄和河流等总是拥有更多的像素，因此这种样本数据分布的极不均衡会严重影响基于像素方法的滑坡检测能力。基于目标的滑坡检测方法中，通过计算遥感图像中各个像素之间的纹理和光谱相似度，将单个像素聚类成多个候选对象，然后设立阈值对每个候选对象进行滑坡分类。该方法较基于像素方法虽然采用了更多遥感图像的特征信息，但是需要人工设置图像分割参数，且参数的设置对最终检测能力有很大影响。
[0004]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，尤其是基于卷积神经网络的深度学习方法。基于人工智能的滑坡自动识别方法可显著加快滑坡识别过程，对边坡安全管理和滑坡灾害减灾具有重要意义。目前已有多种基于深度学习的滑坡识别方法，但在大面积复杂土地覆盖地区实现稳定、高精度、高效的滑坡识别仍有改进空间。

技术实现思路

[0005]为解决在大面积复杂土地覆盖地区的滑坡识别有待改进的问题，本专利技术提供了一种基于深度学习的滑坡识别方法及系统。
[0006]本专利技术技术方案如下：
[0007]一种基于深度学习的滑坡识别方法，包括：
[0008]S100：对滑坡图像进行特征提取，所提取特征为特征图；
[0009]S200：通过RPN检测网络处理特征图，得到推荐的目标候选区域；
[0010]S300：对目标候选区域的特征图进行特征提取，获取目标分类结果。
[0011]进一步的，步骤S100中，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。
[0012]进一步的，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；其具体执行如下：
[0013]对输入依次进行全局平均池化，获得原始特征图；对原始特征图依次进行1D卷积、激活函数激活；再利用软阈值作为非线性变换层，消除不重要特征，得到重新赋值的特征图；利用残差网络将重新赋值后的特征图与原始特征图相加得到最终的特征图。
[0014]进一步的，步骤S200中，RPN检测网络的执行过程如下：
[0015]对特征图，为每个滑动窗口的中心位置生成若干锚点，锚点数量记为m，获得初始检测框；对生成的锚点进行物体分类和边框回归，即判断锚点内是检测目标还是背景，获得分类预测。
[0016]本专利技术通过增加很少的参数，实现了通道注意力机制，提高复杂环境下目标检测的效果。
附图说明
[0017]图1为ERCA
‑
Net的结构示意图；
[0018]图2为Faster R
‑
CNN的结构示意图；
[0019]图3为RPN网络的结构示意图；
[0020]图4为在SENet中嵌入ERCA的流程示意图；
[0021]图5为实施例的流程图；
[0022]图6～7为滑坡检测图。
具体实施方式
[0023]下面将结合附图对本专利技术的具体实施方式做详细说明。显然，所描述的具体实施方式仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于所描述的具体实施方式，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具体实施方式，都属于本专利技术保护的范围。
[0024]考虑到滑坡的多样性以及复杂的背景，在进行滑坡识别时，需通过引入通道注意机制，来增强卷积神经网络CNN从背景中提取更鲜明的滑坡特征表征。目前常用的通道注意力机制有SENet、ECA
‑
Net等，本专利技术则提出了一种新的通道注意力机制，即残差通道注意力机制网络ERCA
‑
Net，其结构见图1。
[0025]本专利技术主要通过1D卷积、软阈值、残差网络这三个结构来构建ERCA
‑
Net。1D卷积是指：给定数据归一化后的特征图X∈R
H
×
W
×
C
，W、H、C分别为特征图的宽、长、通道数。在进行1D卷积前先进行全局平均池化(GAP)。全局平均池化将特征图中每维所有像素值相加求平均，得到一个数值，用该数值来表示该维特征图。对于n维特征图，通过全局平均池化后会得到n个数值，则X∈R
H
×
W
×
C
变为C个数值。ERCA
‑
Net通过考虑每个通道及其k个邻居来捕获跨通道注意力交互。具体实现为卷积核大小为k的一维卷积来捕获多少邻居参与一个通道的注意力，k表示局部跨通道交互的覆盖范围。为避免手动调参，本专利技术实现k的自动学习，其中，C为通道数；γ、b为常数，设γ＝1，b＝2；| |
odd
表示最近奇数。
通过全局平均池化、1D卷积后，再用激活函数σ激活，最终输出V＝[v1,..v,
i
,v.
c
.,，其中，v
i
为常数。
[0026]软阈值是指：在深度学习网络中插入软阈值作为非线性变换层，用于消除不重要特征，η
i
(x
i
,λ
i
)＝sgn(x
i
)(|x
i
|
‑
λ
i
)
+
，其中，x
i
为输入特征，λ
i
表示非负阈值，sgn为符号函数。残差网络是指：通过残差网络将重新赋值后的特征图与原特征图相加，得到最终的输出具体定义
[0027]残差通道注意力机制网络ERCA
‑
Net具有高移植性，可嵌入CNN网络，嵌入方式与通道注意力机制SENet类似。嵌入方式以SENet为例，在SENet网络中的嵌入如图4所示，SENet一个完整的卷积操作包括：卷积(Conv)+本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的滑坡识别方法，其特征是，包括：S100：对滑坡图像进行特征提取，所提取特征为特征图；S200：通过RPN检测网络处理特征图，得到推荐的目标候选区域；S300：对目标候选区域的特征图进行特征提取，获取目标分类结果。2.如权利要求1所述的基于深度学习的滑坡识别方法，其特征是：步骤S100中，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。3.如权利要求2所述的基于深度学习的滑坡识别方法，其特征是：所述残差通道注意力机制网络ERCA
‑
Net由1D卷积、软...

【专利技术属性】
技术研发人员：金亚兵，魏会龙，刘川炜，
申请(专利权)人：深圳市地质局，
类型：发明
国别省市：