[发明专利]一种基于深度学习的堰塞坝表层颗粒物质检测方法

说明书

本发明公开了一种基于深度学习的堰塞坝表层颗粒物质检测方法，包括步骤：获取堰塞坝表层颗粒物质的彩色影像，建立训练影像数据集和测试影像数据集；对训练影像数据集进行预处理，形成标准训练影像数据集；对标准训练影像数据集中的堰塞坝表层颗粒物质进行标注，生成标注文件集；基于深度学习算法对标准训练影像数据集和标注文件集进行训练，生成深度学习模型；利用深度学习模型对测试影像数据集中的堰塞坝表层颗粒物质进行目标识别；基于三维重建算法对识别目标进行粒径测算；采用识别精度和粒径测算精度对模型进行评价。本发明提供的方法用于实现堰塞坝表层颗粒物质的自动检测，具有过程简单、计算可靠、识别速度快、准确率高、鲁棒性强的特点。

技术领域

本发明涉及堰塞坝应急抢险技术领域，特别是涉及一种基于深度学习的堰塞坝表层颗粒物质检测方法。

背景技术

堰塞坝是由降雨、地震、火山、冰川活动等原因引起的滑坡、崩塌、泥石流以及火山岩溶流、冰碛物等堵截山谷、河道后贮水而形成的特殊坝体，具有坝体方量大、蓄水量大、安全威胁大等特点。堰塞坝形成后的结构特征是进行稳定性分析和应急抢险的重要数据基础。堰塞坝的结构取决于物源、河谷地貌形态与运动堆积过程，其物质组成一般具有土石分布不均匀、块石粒径不均匀、密实度不均匀等特点，增加了对其进行有效探测的难度。

目前，对堰塞坝表层颗粒物质的检测主要采用人工方式，自动化程度低，时效性较差，难以满足应急抢险的需求。因此，一种基于深度学习的堰塞坝表层颗粒物质检测方法亟待研究。近年来，随着卷积神经网络的发展和硬件算力的提升，基于深度学习的目标检测取得了突破性的进展，且已在计算机视觉的各个领域得到了广泛的应用，很多先进的目标检测算法都将深度学习网络用作其骨干网络和检测网络，从输入影像或视频中提取特征。基于深度学习的目标检测方法包括两类：一类是两阶段的目标检测方法，即先生成候选区域，然后再对候选区域进行分类和回归，例如FasterR-CNN；另一类是一阶段的目标检测方法，即直接从影像中回归出物体的类别和坐标，无需生成候选框，代表性的方法有YOLO、SSD等。

发明内容

本发明的目的是提供一种基于深度学习的堰塞坝表层颗粒物质检测方法，用于实现堰塞坝表层颗粒物质的自动检测，具有过程简单、计算可靠、识别速度快、准确率高、鲁棒性强的特点。

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堰塞坝表层颗粒物质检测方法，包括以下步骤：

S1)利用遥感装置搭载数码相机获取不同情况下堰塞坝表层颗粒物质的彩色影像，建立训练影像数据集和测试影像数据集；

S2)对训练影像数据集进行预处理，形成标准训练影像数据集；

S3)采用人工方式对标准训练影像数据集中的堰塞坝表层颗粒物质按照选定的标签进行标注，生成标注文件集；

S4)基于深度学习算法对步骤S2)得到的标准训练影像数据集和步骤S3)得到的标注文件集进行训练，训练完成后生成深度学习模型；

S5)利用深度学习模型对步骤S1)得到的测试影像数据集中的堰塞坝表层颗粒物质进行目标识别，并计算出识别精度；

S6)基于三维重建算法对识别目标进行粒径测算，并计算出粒径测算精度；

S7)采用步骤S5)计算的识别精度和步骤S6)计算的粒径测算精度两个指标，对深度学习模型进行评价。

可选的，步骤S1)中所述遥感装置为卫星、有人机、无人机或热气球；所述不同情况包括不同的光照条件、气象条件、航高条件、拍摄角度、地貌背景和堰塞坝形成原因；所述训练影像数据集和测试影像数据集之间不存在重复和交叉。

可选的，步骤S2)中所述预处理包括：

影像增强，以改善影像的视觉效果；

数据扩增，以增加影像的样本数量；