本发明专利技术涉及一种基于深度学习的滑坡检测系统，包括：滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块；滑坡图像采集模块，用于通过无人机拍摄滑坡图像，对滑坡图像进行处理，生成目标区域；滑坡风险判断模块，用于构建并训练滑坡风险判断模型，将目标区域输入训练后的滑坡风险判断模型，获取存在风险的滑坡；滑坡风险监测模块，用于采集存在风险的滑坡的风险信息，对风险信息进行处理，确定滑坡的真实风险信息，根据真实风险信息确定滑坡的位置；滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块依次连接。本发明专利技术能够及时对滑坡位置进行检测，实现滑坡事件的自动化检测。实现滑坡事件的自动化检测。实现滑坡事件的自动化检测。
【技术实现步骤摘要】
一种基于深度学习的滑坡检测系统
[0001]本专利技术涉及滑坡灾害检测
，特别是涉及一种基于深度学习的滑坡检测系统。
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，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，因此常被认为劳动密集型、耗时和成本高。
[0003]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，但现有技术中基于深度学习的滑坡检测系统，对于大面积复杂土地覆盖地区还存在无法有效判断是否存在滑坡风险，以及滑坡检测精度较低等问题。
[0004]因此，如何提供一种基于深度学习的滑坡检测系统，能够有效判断滑坡是否存在滑坡风险，并且出现滑坡事件后，能够及时对滑坡位置进行检测，实现滑坡事件的自动化检测，是本领域技术人员亟需解决的问题。
技术实现思路
[0005]本专利技术的目的是提供了一种基于深度学习的滑坡检测系统，能够及时对滑坡位置进行检测，实现滑坡事件的自动化检测。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于深度学习的滑坡检测系统，包括：
[0008]滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块；
[0009]所述滑坡图像采集模块，用于通过无人机拍摄滑坡图像，对所述滑坡图像进行处理，生成目标区域；
[0010]所述滑坡风险判断模块，用于构建并训练滑坡风险判断模型，将所述目标区域输入训练后的所述滑坡风险判断模型，获取存在风险的滑坡；
[0011]所述滑坡风险监测模块，用于采集存在风险的滑坡的风险信息，对所述风险信息进行处理，确定滑坡的真实风险信息，根据所述真实风险信息确定滑坡的位置；
[0012]所述滑坡图像采集模块、所述滑坡风险判断模块和所述滑坡风险监测模块依次连接。
[0013]可选地，所述滑坡图像采集模块包括：
[0014]滑坡图像采集单元、滑坡图像处理单元和目标区域生成单元；
[0015]所述滑坡图像采集单元，用于通过无人机拍摄滑坡图像；
[0016]所述滑坡图像处理单元，用于对所述滑坡图像进行特征提取，获取第一特征图；
[0017]所述目标区域生成单元，用于对所述第一特征图进行处理，获取所述目标区域；
[0018]所述滑坡图像采集单元、所述滑坡图像处理单元和所述目标区域生成单元依次连接。
[0019]可选地，所述滑坡图像处理单元包括：滑坡图像处理子单元；
[0020]所述滑坡图像处理子单元，用于构建特征提取模型，训练所述特征提取模型，将所述滑坡图像输入训练后的所述特征提取模型，获取第一特征图；
[0021]所述滑坡图像处理子单元与所述目标区域生成单元连接。
[0022]可选地，将所述滑坡图像输入训练后的所述特征提取模型，获取所述第一特征图包括：
[0023]将输入的所述滑坡图像进行全局平均池化操作，获取原始特征图，对所述原始特征图进行1D卷积和激活函数激活，并消除外在特征，将消除外在后的特征和所述原始特征图结合，获取所述第一特征图。
[0024]可选地，所述滑坡风险判断模块包括：
[0025]风险判断模型构建单元，风险判断模型训练单元和风险判断结果输出单元；
[0026]所述风险判断模型构建单元，用于构建所述滑坡风险判断模型，所述滑坡风险判断模型包括：CSPDarknet53网络结构和PANet网络结构；
[0027]所述判断模型训练单元，用于获取标签为具有滑坡风险等级的历史滑坡图像，利用所述历史滑坡图像训练所述滑坡风险判断模型，配置所述滑坡风险判断模型的权重；
[0028]风险判断结果输出单元，用于将所述目标区域输入训练后的所述滑坡风险判断模型，输出滑坡风险等级的置信度，根据所述置信度，获取存在风险的滑坡；
[0029]所述风险判断模型构建单元，所述风险判断模型训练单元和所述风险判断结果输出单元依次连接。
[0030]可选地，将所述目标区域输入训练后的所述滑坡风险判断模型，输出滑坡风险等级的置信度包括：
[0031]将所述目标区域输入训练后的所述滑坡风险判断模型，通过所述CSPDarknet53网络结构，对所述目标区域进行特征提取，获取不同尺寸的特征图，通过所述PANet网络结构，对所述第一特征图进行上采样和下采样操作，对上采样和下采样操作后的第一特征图与所述不同尺寸的特征图进行融合，获取不同的判断结果，根据所述不同的判断结果进行综合分析，生成所述滑坡风险等级的置信度。
[0032]可选地，所述滑坡风险监测模块包括：
[0033]风险信息采集模型构建单元，风险信息采集模型训练单元和滑坡位置确定单元；
[0034]所述风险信息采集模型构建单元，用于通过多层卷积神经网络，构建所述风险信息采集模型；
[0035]所述风险信息采集模型训练单元，用于训练所述风险信息采集模型，通过训练后的所述风险信息采集模型，采集存在风险的滑坡的风险信息；
[0036]所述滑坡位置确定单元，用于对所述风险信息进行处理，确定滑坡的真实风险信息，根据所述真实风险信息确定所述滑坡的位置；
[0037]所述风险信息采集模型构建单元，风险信息采集模型训练单元和滑坡位置确定单元依次连接。
[0038]可选地，所述风险信息采集模型包括：编码器和解码器以及时序特征处理器；
[0039]所述编码器，用于对获取滑坡次声信号，并进行特征提取，获取波形特征；
[0040]所述时序特征处理器，用于对所述波形特征进行处理，获取时序特征；
[0041]所述解码器，用于根据所述时序特征确定所述风险信息；
[0042]所述编码器和所述解码器以及所述时序特征处理器依次连接。
[0043]可选地，训练所述风险信息采集模型包括：
[0044]获取所述滑坡的历史地震数据对所述风险信息采集模型进行预训练；
[0045]获取历史滑坡事件数据，对预训练后的所述风险信息采集模型进行二次训练，配置所述风险信息采集模型的模型参数，获取训练后的所述风险信息采集模型。
[0046]本专利技术的有益效果为：
[0047]本专利技术通过采用无人机拍摄岸坡图像，采用基于深度学习的多种卷积神经网络模型对无人机拍摄的库区岸坡图像进行人工智能判断与检测，能够有效判断滑坡是否存在危险，并且出现滑坡事件后，能够及时对滑坡位置进行检测，实现滑坡事件的自动化检测。
附图说明
[0048]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的滑坡检测系统，其特征在于，包括：滑坡图像采集模块、滑坡风险判断模块和滑坡风险监测模块；所述滑坡图像采集模块，用于通过无人机拍摄滑坡图像，对所述滑坡图像进行处理，生成目标区域；所述滑坡风险判断模块，用于构建并训练滑坡风险判断模型，将所述目标区域输入训练后的所述滑坡风险判断模型，获取存在风险的滑坡；所述滑坡风险监测模块，用于采集存在风险的滑坡的风险信息，对所述风险信息进行处理，确定滑坡的真实风险信息，根据所述真实风险信息确定滑坡的位置；所述滑坡图像采集模块、所述滑坡风险判断模块和所述滑坡风险监测模块依次连接。2.根据权利要求1所述的基于深度学习的滑坡检测系统，其特征在于，所述滑坡图像采集模块包括：滑坡图像采集单元、滑坡图像处理单元和目标区域生成单元；所述滑坡图像采集单元，用于通过无人机拍摄滑坡图像；所述滑坡图像处理单元，用于对所述滑坡图像进行特征提取，获取第一特征图；所述目标区域生成单元，用于对所述第一特征图进行处理，获取所述目标区域；所述滑坡图像采集单元、所述滑坡图像处理单元和所述目标区域生成单元依次连接。3.根据权利要求2所述的基于深度学习的滑坡检测系统，其特征在于，所述滑坡图像处理单元包括：滑坡图像处理子单元；所述滑坡图像处理子单元，用于构建特征提取模型，训练所述特征提取模型，将所述滑坡图像输入训练后的所述特征提取模型，获取第一特征图；所述滑坡图像处理子单元与所述目标区域生成单元连接。4.根据权利要求3所述的基于深度学习的滑坡检测系统，其特征在于，将所述滑坡图像输入训练后的所述特征提取模型，获取所述第一特征图包括：将输入的所述滑坡图像进行全局平均池化操作，获取原始特征图，对所述原始特征图进行1D卷积和激活函数激活，并消除外在特征，将消除外在后的特征和所述原始特征图结合，获取所述第一特征图。5.根据权利要求4所述的基于深度学习的滑坡检测系统，其特征在于，所述滑坡风险判断模块包括：风险判断模型构建单元，风险判断模型训练单元和风险判断结果输出单元；所述风险判断模型构建单元，用于构建所述滑坡风险判断模型，所述滑坡风险判断模型包括：CSPDarknet53网络结构和PANet网络结构；所述判断模型训练单元，用于获取标签为具有滑坡风险等级的历史滑坡图像，利用所述历史滑坡图像训练所述滑坡风险判断模型，配置所述滑坡风险判断模型...
【专利技术属性】
技术研发人员：刘庆，吴婷婷，
申请(专利权)人：淮南师范学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。