[发明专利]一种基于深度学习的滑坡识别方法及系统

说明书

本发明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。

技术领域

本发明涉及滑坡识别技术领域，具体涉及一种基于深度学习的滑坡识别方法及系统。

背景技术

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。

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。

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。

发明内容

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，本发明提供了一种基于深度学习的滑坡识别方法及系统。

本发明技术方案如下：

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。

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。

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：

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。

进一步的，步骤S200中，RPN检测网络的执行过程如下：

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。

本发明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