CN115661681B - 一种基于深度学习的滑坡灾害自动识别方法及*** - Google Patents

Abstract

本发明涉及地质灾害识别技术领域，具体涉及一种基于深度学习的滑坡灾害自动识别方法及***，用于解决现有技术中识别流程复杂、效率低和滑坡具体区域范围提取不明显等问题，所述方法包括如下步骤：获取包含滑坡的遥感影像；对所述遥感影像进行预处理，得到预处理后的数据；将所述预处理后的数据按划分比例划分为预备训练集、验证集和测试集；对所述预备训练集进行数据扩充得到训练集；利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练，使用P ReLu来代替ReLu作为所述卷积神经网络中的激活函数，所述卷积神经网络包括K‑Net+PSP‑Net网络模型；使用训练后的所述卷积神经网络识别滑坡灾害。

Description

一种基于深度学习的滑坡灾害自动识别方法及***

技术领域

本发明涉及地质灾害识别技术领域，具体涉及一种基于深度学习的滑坡灾害自动识别方法及***。

背景技术

滑坡是当今世界上除地震以外造成经济损失与人员伤亡的最为严重的地质灾害之一，因此快速探测滑坡对滑坡风险评估、建模、制图和应急救援具有积极意义。而随着卫星的高速发展以及数据采集方式的多样化，对收集到的数据进行及时处理和及时应用，成为了滑坡识别领域中越来越受关注的问题。

传统的滑坡识别检测方法包括目视解译、面向像元的滑坡提取方法以及面向对象的滑坡识别方法。其中目视解译的人工参与度高，解译速度慢；面向像元的滑坡提取方法克服了目视解译的缺点，但是它只考虑单个像素点的特征，到时像素间相关性的丢失，使得滑坡具体区域范围提取不明显；面向对象滑坡识别方法，减少像元分类提取信息的误差，使识别结果更加合理，但是流程复杂、需多个特征依次设置阈值。

深度学习是机器学习领域的一个新的研究方向，通过学习样本数据的内在规律和表示层次，从而获得像人一样的分析学习能力，能够识别文字、图像和声音等数据。由各位研究者提出的各种深度学习神经网络网络模型已经在文本识别提取、建筑物提取、图像修复等各个领域取得了喜人的成就。深度学习方法以无监督或半监督的方式进行特征学习，并使用分层特征提取取代手动识别，大大提高了提取速度。因此采用深度学习的方法进行滑坡识别并针对该方法进行相应的优化，对于快速探测滑坡并对滑坡风险评估、建模、制图，及应急救援十分具有价值。

发明内容

针对现有技术中的缺陷，本发明提供一种基于深度学习的滑坡灾害自动识别方法及***。

本发明的实施例是这样实现的，第一方面，发明提供一种基于深度学习的滑坡灾害自动识别方法，所述方法包括如下步骤：获取包含滑坡的遥感影像；对所述遥感影像进行预处理，得到预处理后的数据；将所述预处理后的数据按划分比例划分为预备训练集、验证集和测试集；对所述预备训练集进行数据扩充得到训练集；利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练，使用P ReLu来代替ReLu作为所述卷积神经网络中的激活函数，所述卷积神经网络包括K-Net+PSP-Net网络模型；使用训练后的所述卷积神经网络识别滑坡灾害。

可选地，所述数据预处理包括如下步骤：

对所述遥感影像进行数据优化；

利用数据优化后的所述遥感影像进行数据裁剪；

对进行数据裁剪后的所述遥感影像进行数据标注。

其优点在于能够提高图像质量，而且便于识别。

可选地，所述数据优化包括如下步骤：

对所述遥感影像进行数据清洗；

对数据清洗后的所述遥感影像进行图像增强。

其优点在于能剔除多余图像，降低计算量和识别精度。

可选地，所述数据标注的内容包括滑坡位置和滑坡类别。其优点在于能够直观地并且准确地了解到滑坡位置和滑坡类型。

可选地，所述利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练还包括：

设定阈值；

利用所述验证集和所述阈值验证训练后的所述卷积神经网络的准确率。

其优点在于能够提高训练后的所述卷积神经网络的准确率。

可选地，当训练后的所述卷积神经网络的准确率低于设定的阈值时，将所述预备训练集和所述验证集混合重新划分新的预备训练集和新的验证集；

对所述新的预备训练集进行所述数据扩充，完成对所述卷积神经网络进行训练。

其优点在于能够防止过拟合现象的发生，提高准确率。

可选地，所述数据扩充的方法包括旋转、翻转、缩放和裁剪中的一种或多种。其优点在于能够防止过拟合现象的发生。

可选地，使用P ReLu代替ReLu作为所述卷积神经网络中的激活函数。

可选地，所述激活函数P ReLu满足如下关系：

其中，

为所述激活函数的值，/>

和/>

为实数。使用激活函数P ReLu可以有效解决ReLu神经元坏死的情况。

综上所述，本发明使用P ReLu来代替ReLu作为所述卷积神经网络中的激活函数，以解决ReLu神经元坏死的情况，同时，本发明使用深度学习中的K-Net网络模型和PSP-Net网络模型相结合构成K-Net+PSP-Net网络模型对滑坡进行识别，该滑坡识别的网络模型能够聚合上下文信息，做到识别效果更好，提取范围更加精确，流程更加明了，具有高效率、高精度的特点，能够快速而准确地识别滑坡。

第二方面，本发明提供了一种基于深度学习的滑坡灾害自动识别***，所述一种基于深度学习的滑坡灾害自动识别***执行上述任意一项所述的方法，包括：使用图片采集装置用于获取包含滑坡的遥感影像，并记录所述遥感影像的获取位置；使用数据处理装置用于接收所述遥感影像，并对所述遥感影像进行数据预处理，将预处理后的数据按划分比例划分为预备训练集、验证集和测试集，并对所述预备训练集进行数据扩充，得到训练集，然后使用所述训练集、所述验证集和所述测试集完成对所述卷积神经网络的训练，所述卷积神经网络使用更加新型的P ReLu作为激活函数，所述卷积神经网络包括所述K-Net+PSP-Net网络模型，最后使用练后的所述卷积神经网络识别滑坡灾害。本发明提供的***具有对滑坡识别的精度高，效率高的优点。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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它相关的附图。

图1为本发明实施例的基于深度学习的滑坡灾害自动识别方法流程图；

图2为本发明实施例的滑坡遥感影像；

图3为本发明实施例的数据标注示意图；

图4为本发明实施例的K-Net+PSP-Net网络模型流程图；

图5为本发明实施例的卷积神经网络训练过程示意图；

图6为本发明实施例的基于深度学习的滑坡灾害自动识别***的结构示意图。

具体实施方式

下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。

请参见图1，在一个可选地实施例当中，本发明提供了一种基于深度学习的滑坡灾害自动识别方法，包括如下步骤：

S1、获取包含滑坡的遥感影像。

具体的，在本实施例当中，请参见图2，采用无人机对毕节市滑坡和三峡流域滑坡进行拍摄获取所述遥感影像。其优点在于毕节市滑坡和三峡流域的滑坡多为新滑坡，滑坡特征明显，与植被有较为明显的区分，便于识别。

在其它可选地实施例当中，还可以通过其他的方式获取遥感影像，例如人工拍摄和卫星拍摄等方式，具体的拍摄方式在此就不做限制。

S2、对所述遥感影像进行预处理，得到预处理后的数据。

其中，S2具体包括如下步骤：

S21、对所述遥感影像进行数据优化。

其中，S21具体又包括如下步骤：

S211、对所述遥感影像进行数据清洗。

具体的，在本实施例当中，由于在获取到的所述遥感影像中可能存在会对网络模型训练造成不良影响的图像，并最终影响滑坡识别的效率，因此需要利用所述数据清洗将这部分图像剔除，进而提高滑坡识别的效率。

S212、对数据清洗后的所述遥感影像进行图像增强。

具体的，在本实施例当中，在剔除所述会对网络模型训练造成不良影响的图像之后，由于获取到的所述遥感影像是使用无人机拍摄，无人机与滑坡地点存在一定的空间距离，并且无人机拍摄时可能由于风力或者是自身的运动等问题产生抖动，使拍摄的所述遥感影像存在轮廓不清晰和模糊等问题，因此使用所述图像增强来改善所述遥感影像的视觉效果，便于识别。

S22、对所述遥感影像进行数据裁剪。

具体的，在本实施例当中，在对所述遥感影像进行数据优化之后，对所述遥感影像进行数据裁剪以获得有利于所述卷积神经网络训练的图像尺寸。

S23、对所述遥感影像进行数据标注。

具体的，在本实施例当中，所述数据标注包括滑坡位置和滑坡类别，所述滑坡位置包括所述滑坡的经纬度度坐标以及所述滑坡的宽和高，所述滑坡类型包括小型滑坡、中型滑坡、大型滑坡和特大型滑坡。

其优点在于能够从直观准确的了解到所述遥感影像中所述滑坡的地理位置和滑坡类型。

在又一个可选地实施例当中，所述滑坡类型还可以从其它角度来划分并标注，例如滑坡的速度和形成的年代等，在此就不做限制。

S3、将所述预处理后的数据按划分比例划分为预备训练集、验证集和测试集。

具体的，在本实施例当中，将预处理后的数据按划分比例划分为训练验证集和测试集，再将所述训练验证集按划分比例划分为所述预备训练集和所述验证集；所述预备训练集用于数据扩充以训练所述卷积神经网络，所述验证集用于在每次训练完成后调整超参数，所述测试集用于测试训练后的所述卷积神经网络的准确率，特别是K-Net+PSP-Net网络模型的准确率。

更为具体的，所述划分比例为8:2，即所述预备训练集占所述预处理后的数据的64%，所述验证集占所述预处理后的数据的16%，所述测试集占所述预处理后的数据的20%。

S4、对所述预备训练集进行数据扩充，得到训练集。

具体的，在本实施例当中，根据所述滑坡的方向不同、结构不同、边界形状不同的特性，对获取到的所述预备训练集实施数据增强策略得到训练集，通过角度旋转、缩放、裁剪操作进行数据扩充以获得足够的样本数量进行训练，所述训练集用于训练所述卷积神经网络。其优点在于可以有效防止过拟合现象的发生。

S5、利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练。

其中，本发明中的所述卷积神经网络使用P ReLu来代替ReLu作为所述卷积神经网络中的激活函数，所述激活函数P ReLu满足如下关系：

其中，

为所述激活函数的值，/>

和/>

为实数。其优点在于使用激活函数PReLu可以有效解决ReLu神经元坏死的情况。

具体的，在本实施例当中，请参见图4，本发明中的所述卷积神经网络使用Resnet50作为主干网络，图4中的图片输入为经过所述Resnet50主干网络处理后的图片，所述输入图片先经过PSP-Net网络结构，即所述PSP-Net网络模型进行场景解析，然后利用K-Net网络结构，即所述K-Net网络模型进行图像分割，最后得到预测结果，即滑坡识别结果。

更为具体的，所述PSP-Net网络模型利用“金字塔池化模块”，通过融合不同区域的上下文信息增强语义分割对场景的解析能力；所述K-Net网络模型是以一种动态地方式更新卷积核权重，使所述卷积核权重能自适应地激活特征图内容，以确保每个卷积核准确地响应图像中的不同物体，最后通过反复迭代的方式使用这种自适应的卷积核更新策略，K-Net网络模型显著提高了卷积核的识别和分割性能，而且K-Net网络模型采用了互相匹配的策略为每个卷积核分配学习目标，这种训练方法优于传统的训练策略。

进一步的，请参见图5，在对所述训练集进行第一次数据扩充之后，即可开始进行卷积神经网络训练，其中主要是对K-Net+PSP-Net网络模型进行训练，得到训练后的所述卷积神经网络，此时的所述卷积神经网络为经过第一次训练的所述卷积神经网络，为了确保所述卷积神经网络的识别滑坡的准确率，需要设定阈值并使用所述验证集对所述卷积神经网络进行超参数调整，防止模型在训练集上过拟合，所述阈值的大小反映所述卷积神经网络识别的滑坡图像的准确率。

更进一步的，如果所述卷积神经网络识别的滑坡图像的准确率大于所述阈值，那么所述卷积神经网络就能够用来对所述测试集进行滑坡识别；如果所述卷积神经网络识别的滑坡图像的准确率小于所述阈值，则将所述预备训练集和所述验证集混合重新划分创建的新的预备训练集和新的验证集，并对所述新的预备训练集进行扩充得到新的训练集，所述新的训练集的扩充方法至少包括翻转、旋转、缩放、裁剪以及移位中的一种，然后基于所述新的训练集和所述新的验证集，对所述卷积神经网络进行训练，直至所述准确率大于或等于所述阈值时便可输出最终的所述卷积神经网络，此操作能够防止过拟合现象的发生，提高滑坡识别的准确率；最后便可利用所述测试集对最终的所述卷积神经网络进行卷积神经网络检测以验证所述卷积神经网络的准确率，并对所述卷积神经网络进行模型评估。

S6、使用训练后的所述卷积神经网络识别滑坡灾害。

具体的，在本实施例当中，使用训练好的所述卷积神经网络对所述测试集进行滑坡识别，同时为体现本发明提供的滑坡识别方法的优越性，对在统一使用Resnet50作为主干网络的前提下，本实施例额外训练了单独PSP-Net网络模型，使用ReLu作为激活函数并使用K-Net+PSP-Net网络模型的卷积神经网络作为对比，结果如下表所示：

对毕节市和三峡流域的滑坡遥感影像的滑坡识别效果，以均交并比mIoU来衡量，PSP-Net网络模型的精度达到了91.18%，K-Net+PSP-Net网络模型的精度达到了91.27%，K-Net+PSP-Net（使用P ReLu）网络模型的精度达到了91.31%；以召回率Recall来衡量，PSP-Net网络模型达到了96.6%，K-Net+PSP-Net网络模型达到了96.68%，K-Net+PSP-Net（使用PReLu）网络模型达到了96.72%；以精确度Precision来衡量，PSP-Net网络模型达到了91.76%，K-Net+PSP-Net网络模型达到了91.77%，K-Net+PSP-Net（使用P ReLu）同样达到了91.77%；以准确率Accuracy来衡量，PSP-Net网络模型达到了98.01%，K-Net+PSP-Net网络模型达到了98.09%，K-Net+PSP-Net（使用P ReLu）网络模型达到了98.11%。不难看出，K-Net+PSP-Net（使用P ReLu）网络模型对毕节市滑坡的提取有明显的效果，因此，本发明提供的滑坡识别方法精度较高，能够准确的识别滑坡。

需要说明的是，在一些情况下，在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果，在本实施例当中，所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了，方便说明，而非对其限制。

请参见图6，在一个可选地实施例当中，本发明还提供了一种基于深度学习的滑坡灾害自动识别***，所述滑坡灾害自动识别***包括图片采集装置和数据处理装置。

图片采集装置A1，所述图片采集装置A1用于拍摄滑坡的遥感影像，在拍摄的同时记录下当前拍摄的所述滑坡的位置，所述位置包括所述滑坡的经纬度坐标以及所述滑坡的宽和高，所述图片采集装置A1可以将所述遥感影像储存在自带的内存卡中，所述图片采集装置A1通过无线蓝牙与所述数据处理装置A2相连接，并将所述遥感影像传输给所述数据处理装置A2。

数据处理装置A2，所述数据处理装置A2在接收到由所述图片采集装置A1传输过来的所述遥感影像之后，需要对所述遥感影像进行数据预处理，所述数据预处理包括数据裁剪、数据优化和数据标注，所述数据优化包括数据清洗和图像增强，在对所述遥感影像进行数据预处理时，先利用所述数据优化提高所述遥感影像的质量，其中所述数据清洗用于剔除掉会对网络模型训练造成不良影响的图像，所述图像增强用于提高图像清晰度，便于识别，然后使用所述数据裁剪获得有利于训练的图像尺寸，最后对所述遥感影像进行数据标注，表明所述滑坡的位置和类型。

在对所述遥感影像进行所述预处理之后，将预处理后的数据按设定好的划分比例划分为预备训练集、验证集和测试集，并对所述预备训练集进行数据扩充得到训练集，然后使用所述训练集、所述验证集和所述测试集完成对所述卷积神经网络的训练，所述卷积神经网络包括K-Net网络模型和PSP-Net网络模型组成的K-Net+PSP-Net网络模型，最后使用训练后的所述卷积神经网络识别滑坡灾害。

综上所述，本发明使用P ReLu来代替ReLu作为所述卷积神经网络中的激活函数，解决传统的卷积神经网络中使用激活函数ReLu时神经元坏死的情况；同时，本发明使用深度学习中的K-Net网络模型和PSP-Net网络模型相结合构成K-Net+PSP-Net网络模型对滑坡进行识别，该滑坡识别的网络模型能够聚合上下文信息，做到识别效果更好，提取范围更加精确，流程更加明了，实现高效率、高精度的滑坡识别。此外，本发明提供的***与本发明提供的方法具有相同的优点。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种基于深度学习的滑坡灾害自动识别方法，其特征在于，包括:

获取包含滑坡的遥感影像；

对所述遥感影像进行预处理，得到预处理后的数据；

将所述预处理后的数据按划分比例划分为预备训练集、验证集和测试集；

对所述预备训练集进行数据扩充，得到训练集；

利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练，使用P ReLu代替ReLu作为所述卷积神经网络中的激活函数，所述激活函数P ReLu满足如下关系：

f(x)＝max(ax,x)

其中，f(x)为所述激活函数的值，a和x为实数；

使用训练后的所述卷积神经网络识别滑坡灾害；

其中，所述卷积神经网络包括K-Net网络模型和PSP-Net网络模型组成的K-Net+PSP-Net网络模型，所述K-Net网络模型用于图像分割，所述PSP-Net网络模型用于场景解析。

2.根据权利要求1所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于，所述预处理包括如下步骤：

对所述遥感影像进行数据优化；

利用数据优化后的所述遥感影像进行数据裁剪；

对进行数据裁剪后的所述遥感影像进行数据标注。

3.根据权利要求2所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于，所述数据优化包括如下步骤：

对所述遥感影像进行数据清洗；

对数据清洗后的所述遥感影像进行图像增强。

4.根据权利要求2所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于：所述数据标注的内容包括滑坡位置和滑坡类别。

5.根据权利要求1所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于，所述利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练还包括：

设定阈值；

并利用所述验证集和所述阈值验证训练后的所述卷积神经网络的准确率。

6.根据权利要求5所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于：

当训练后的所述卷积神经网络的准确率低于设定的阈值时，将所述预备训练集和所述验证集混合重新划分新的预备训练集和新的验证集；

对所述新的预备训练集进行所述数据扩充，完成对所述卷积神经网络进行训练。

7.根据权利要求6所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于：所述数据扩充的方法包括旋转、翻转、缩放和裁剪中的一种或多种。

8.一种基于深度学习的滑坡灾害自动识别***，所述***使用权利要求1-7任意一项所述的一种基于深度学习的滑坡灾害自动识别方法，其特征在于，包括：

图片采集装置，所述图片采集装置用于获取包含滑坡的遥感影像，并记录所述遥感影像的获取位置；

数据处理装置，所述数据处理装置用于接收所述遥感影像，对所述遥感影像进行预处理，得到预处理后的数据；将所述预处理后的数据按划分比例划分为预备训练集、验证集和测试集；对所述预备训练集进行数据扩充，得到训练集；利用所述训练集、所述验证集和所述测试集完成对卷积神经网络的训练，使用P ReLu代替ReLu作为所述卷积神经网络中的激活函数，所述激活函数P ReLu满足如下关系：

f(x)＝max(ax,x)

其中，f(x)为所述激活函数的值，a和x为实数；

使用训练后的所述卷积神经网络识别滑坡灾害；

其中，所述卷积神经网络包括K-Net网络模型和PSP-Net网络模型组成的K-Net+PSP-Net网络模型，所述K-Net网络模型用于图像分割，所述PSP-Net网络模型用于场景解析。

Images