[发明专利]一种基于深度学习的滑坡风险巡检方法及系统

权利要求书

1.一种基于深度学习的滑坡风险巡检方法，其特征在于，包括：

采用无人机拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置；

根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别；

所述滑坡风险巡检方法还包括：

构建滑坡风险预测模型的卷积神经网络框架，并对所述卷积神经网络进行训练；

其中，所述卷积神经网络框架包括CSPDarknet53网络结构、SPP网络结构以及PANet网络结构；

所述CSPDarknet53网络结构为特征提取骨干网络，所述CSPDarknet53网络结构输出三个大小分别为52*52、26*26、13*13的特征图，大小为13*13的特征图输入所述SPP网络结构，经SPP网络结构最大池化后拼接得到池化特征图；

所述PANet网络结构用于：将所述池化特征图经上采样后与CSPDarknet53网络结构输出的大小为26*26的特征图进行融合，得到第一融合特征图；将所述第一融合特征图经上采样后与CSPDarknet53网络结构输出的大小为52*52的特征图进行融合，得到第二融合特征图；将所述第二融合特征图经下采样后与第一特征图融合，得到第三融合特征图；将所述第三融合特征图经下采样后与所述池化特征图融合后得到第四融合特征图；

所述第二融合特征图为第一预测结果，所述第三融合特征图为第二预测结果，第四融合特征图为第三预测结果。

2.根据权利要求1所述的基于深度学习的滑坡风险巡检方法，其特征在于，所述根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别，具体包括：

获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为滑坡风险的位置和滑坡风险所属的滑坡类别；

将待识别的岸坡图像输入配置权重后的滑坡风险预测模型，获得库区岸坡存在滑坡风险的位置以及滑坡风险所属各滑坡类别的置信度。

3.根据权利要求2所述的基于深度学习的滑坡风险巡检方法，其特征在于，所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高。

4.根据权利要求1所述的基于深度学习的滑坡风险巡检方法，其特征在于，所述滑坡风险巡检方法还包括：

将样本集进行划分为训练集、验证集和测试集，所述训练集用于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，防止模型在训练集上过拟合，所述测试集用于测试训练好的卷积神经网络模型的准确率。

5.根据权利要求4所述的基于深度学习的滑坡风险巡检方法，其特征在于，所述滑坡风险巡检方法还包括：

当训练好的卷积神经网络模型的准确率低于设定阈值时，则将所述训练集和所述验证集混合重新划分创建的新的训练集和新的验证集，并对新的训练集进行扩充；

基于新的训练集和新的验证集，对卷积神经网络进行训练。

6.根据权利要求5所述的基于深度学习的滑坡风险巡检方法，其特征在于，训练集扩充方法至少包括翻转、旋转、缩放、裁剪以及移位中的一种。

7.一种基于深度学习的滑坡风险巡检系统，其特征在于，包括：

岸坡图像采集无人机，用于拍摄巡检库区的岸坡图像，并记录岸坡图像的拍摄位置；

滑坡检测单元，用于根据所述岸坡图像，采用基于深度学习的滑坡风险预测模型预测库区岸坡的滑坡风险位置和滑坡风险类别；

其中，所述滑坡检测单元，具体包括：

滑坡风险预测模型配置模块，用于获取所述滑坡风险预测模型，并向所述滑坡风险预测模型配置训练好的模型权重；其中，用于训练模型权重的样本为岸坡图像，标签为滑坡风险的位置和滑坡风险所属的滑坡类别；

滑坡风险识别模块，用于将待识别的岸坡图像输入配置权重后的滑坡风险预测模型，获得库区岸坡存在滑坡风险的位置以及滑坡风险所属各滑坡类别的置信度；所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高；

所述滑坡风险巡检系统还包括：

样本集划分模块，用于将样本集进行划分为训练集、验证集和测试集，所述训练集用于训练卷积神经网络，所述验证集用于在每次训练完成后调整超参数，防止模型在训练集上过拟合，所述测试集用于测试训练好的卷积神经网络模型的准确率；当训练好的卷积神经网络模型的准确率低于设定阈值时，则将所述训练集和所述验证集混合重新划分创建的新的训练集和新的验证集，并对新的训练集进行扩充；其中，训练集扩充方法至少包括翻转、旋转、缩放、裁剪以及移位中的一种；

滑坡风险预测模型训练模块，用于构建滑坡风险预测模型的卷积神经网络框架，并对所述卷积神经网络进行训练；

其中，所述卷积神经网络框架包括CSPDarknet53网络结构、SPP网络结构以及PANet网络结构；所述CSPDarknet53网络结构为特征提取骨干网络，所述CSPDarknet53网络结构输出三个大小分别为52*52、26*26、13*13的特征图，大小为13*13的特征图输入所述SPP网络结构，经SPP网络结构最大池化后拼接得到池化特征图；

所述PANet网络结构用于：将所述池化特征图经上采样后与CSPDarknet53网络结构输出的大小为26*26的特征图进行融合，得到第一融合特征图；将所述第一融合特征图经上采样后与CSPDarknet53网络结构输出的大小为52*52的特征图进行融合，得到第二融合特征图；将所述第二融合特征图经下采样后与第一特征图融合，得到第三融合特征图；将所述第三融合特征图经下采样后与所述池化特征图融合后得到第四融合特征图；

所述第二融合特征图为第一预测结果，所述第三融合特征图为第二预测结果，第四融合特征图为第三预测结果。