[发明专利]一种基于深度学习的滑坡风险巡检方法及系统

说明书

本发明公开了一种基于深度学习的滑坡风险巡检方法及系统。该方法包括：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；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，其中，所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高。本发明基于深度学习的无人机滑坡风险巡检方法，不仅可以节约人力物力财力、提高识别效率，还可以拍摄并检测出人工视角的盲点。

技术领域

本发明涉及岸坡失稳智能检测领域，特别是涉及一种基于深度学习的滑坡风险巡检方法及系统。

背景技术

随着社会经济的发展与工程建设的需要，水库大坝数量与日俱增，边坡失稳已成为三大全球性地质灾害之一。大量事实表明，90％以上的边坡失稳与水有关，水的作用是一个至关重要的外在因素。库岸土体长期受到库水位升降影响，在库区水位下降的初始阶段，地下水滞后于库区水位，库水位与滑坡地下水位形成水头差，产生动力压力反作用于坡体，使得边坡稳定性降低，土体的软弱夹层被破坏，土体的应力状态也随之改变，在重力作用下，土体容易整体地或者分散地顺坡向下滑动位移。我国幅员辽阔，有70％为山区，地理地质条件十分复杂，滑坡分布尤为广泛，常常给工农业生产以及人民生命财产造成巨大损失、有的甚至是毁灭性的灾难，近坝的库岸滑坡一旦高速滑入库中，会激起几十米甚至上百米的涌浪，致使库水漫过坝顶泄向下游，淹没下游的农田或土地。

边坡稳定性研究已有100多年的历史，随着各国工程建设的不断发展，遇到边坡失稳问题逐渐增多，对其研究也逐渐系统而深入。滑坡监测的方法主要有人工方法和仪器监测方法。人工的方法比较适合在滑坡进入加速变形的末期进行预测，主要凭借经验，无法提供具体数据让他人充分认识理解，也无法准确预报整体破坏时间，是一种比较原始的定性类监测方法。如早期的库区岸坡灾害巡检主要采用人工乘船开展，但巡检的相关人员需要具备较高的专业判断能力，需要提前展开相关的培训，既耗时且成本又高，因此单纯利用人力在时间、技术和资金上无法保证面面俱到。且受到库水位升降，雨水击打以及河流冲刷等诸多不确定因素的影响，软弱夹层以及受到破坏的土体对巡检人员可能会产生一定安全隐患。目前常用的监测技术需要在该区域大规模布设位移监测传感器，也容易受到水体升降、风浪冲蚀等条件破坏，需要增加较多成本。

发明内容

本发明的目的是提供一种安全高效的滑坡风险巡检方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的滑坡风险巡检方法，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。

可选的，所述根据所述库区岸坡图像，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所述滑坡风险所属各滑坡类别的置信度。

可选的，所述滑坡风险的位置包括滑坡风险的中心坐标、宽和高。

可选的，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。

可选的，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；