深度學習方法應用于邊坡滑坡圖像識別技術研究＊

張慧敏，張林生

深度學習方法應用于邊坡滑坡圖像識別技術研究＊

張慧敏，張林生

（重慶電子工程職業學院 通信工程學院，重慶 401331）

邊坡滑坡災害在中國地質災害中尤為多見，給國家造成財產損失，危及人民生命安全，邊坡滑坡狀態監測對預防治理地質災害、保護人民生命財產安全至關重要。將深度學習方法與邊坡滑坡監測相結合開展研究，從而提升邊坡滑坡智能識別能力，提高判識準確率。

邊坡；滑坡；深度學習；圖像識別

1 引言

邊坡監測方法較多，如人工觀測法、北斗測量法、傳感器監測法、圖像檢測法等方法，其中圖像檢測法基于數字圖像技術采集特定邊坡區域的圖像信息，運用計算處理分析技術判識邊坡穩定狀態，從而實現對邊坡的無損監測[1]。該方法較之其他監測方法，具有安裝便捷、覆蓋面廣、智能化程度高、簡明直觀等優點。同時進入21世紀后隨著計算機處理速度提升與GPU性能增強，深度學習方法從理論走向工程應用，到現在已經廣泛應用于各個領域[2]。

2 深度學習方法

深度學習方法目前已取得了舉世矚目的成就，其在各行各業的應用均取得了非常好的成果，DeepLearning++這一概念正在不斷地拓展應用領域，改變人們的生活工作方式[3]。深度學習技術是深度神經網絡的工程運用。目前的深度神經網絡采用的主要為卷積結構，因此，深度神經網絡也被稱為深度卷積神經網絡。卷積神經網絡從20世紀問世發展到現在，發展出了許多知名的卷積神經網絡結構。這些卷積神經網絡在圖像識別和分類任務中表現突出，它們能夠很好地學習到圖像具有的特征。底層網絡的隱藏層能學習到圖像的底層特征，比如輪廓、像素、角點等，高層網絡的隱藏層能學習到綜合圖像底層特征之后的高級特征。這些高級特征所代表的信息量十分豐富，也賦予了卷積神經網絡抽象的思維模式。使用這些高級特征對物體進行識別并分類，相比于傳統的手工特征有著更加優秀的性能。目前學術界研究成果中經典的網絡有AlexNet、VGGNet、GoogleNet、ResNet、FPN網絡等。

卷積神經網絡的卷積層來源于傳統神經網絡。傳統神經網絡的每個單元結構如圖1所示。

圖1 單神經元結構圖

相對應的公式為：

式（1）中：T為神經網絡的權重參數；為輸入的信息；為偏置項。

傳統神經網絡是將多個這樣的神經網絡單元組合起來，一個多層神經網絡結構如圖2所示。

圖2 多層神經網絡結構

相對應的公式如下所示：

在卷積神經網絡中，有著許許多多的隱層，它們層層堆疊在一起，每一層都會對上一層的輸出進行處理，直到最終輸出層輸出結果。卷積神經網絡對于圖像信息的處理就是層層提取特征，在淺層的網絡層提取圖像表層特征，如輪廓、角點、像素等。到了高層網絡層，提取到的是圖像特征信息聚合后的高層特征。高層特征更為抽象，所代表的信息更加的豐富。卷積神經網絡一般包含有卷積層、批量標準化層、激活函數層、池化層、全連接層和Softmax函數層[4]。

這里不再對卷積神經網絡展開介紹，深度學習方法的核心就是卷積神經網絡，用于工程應用時對計算處理單元要求較高，因此為了提升算法實時性，需要搭配高性能計算處理硬件平臺。

3 邊坡數據集訓練

本文對深度學習做了詳盡的調查，力圖找尋到一個合適的技術方案，以求在滿足精準度的同時能完成效率較高的識別任務。

深度學習方法的應用，首先是樣本集訓練。根據工程要求，該研究以實物場景圖像與網絡圖像結合的方式構建包含有道路、邊坡、巖土的訓練、驗證與測試數據集。其中，訓練樣本均采用網絡圖像，道路、邊坡和巖土的樣本也可采用實物場景圖像與網絡圖像。本文采用結合自動標注的方法對樣本中的道路、邊坡、巖土類樣本進行識別并自動標注。通過人工法對標注結果進行檢查并精修。對邊坡、巖土類樣本進行人工標注。

原始數據集部分樣本圖片如圖3所示。

圖3 原始數據集部分樣本圖片（圖片來源于百度網站）

本文采用模擬深度學習專業數據標注軟件Labelme進行樣本訓練，通過使用深度學習技術對圖片進行學習訓練。然后再結合人工精修方法完善樣本。Labelme是一款圖形界面的圖像標注軟件，使用python語言編寫，圖形界面使用的是PyQt。當應用于圖像分割任務時，Labelme軟件能夠靈活地對圖像進行多邊形、點、圓形、多線段、直線等標注；當應用于圖像分類任務時，Labelme軟件可對圖像進行flag標注。最后Labelme軟件生成的標注數據集可以保存為coco數據集格式或者voc數據集格式。樣本標注技術流程如圖4所示。

4 模擬仿真實驗

本文通過模擬仿真實驗來驗證深度學習方法的識別能力，模擬仿真實驗選用網上公開的道路邊坡圖片，圖片中包含道路、邊坡、巖土等公路邊坡相關圖像。實驗目的是驗證深度學習方法是否能有效判識邊坡狀態。對50張道路邊坡圖片進行模擬仿真分析，結果表明道路平均識別準確率為85%，邊坡平均識別準確率為61%，巖土平均識別準確率為55%。通過研究發現，道路識別率較高主要得益于道路特征信息清晰；邊坡受植被、錨索、防滑樁等異物影響，識別率較低；巖土背景更為復雜，不同類型巖土顏色差異較大，巖土輪廓特征各異，識別率較低。

圖4 樣本標注技術流程

5 結論

綜上所述，深度學習方法能夠應用于邊坡滑坡圖像識別，其識別算法可以采用多種神經網絡架構，比如SSD300、Faster R-CNN、YOLOv3、Mask R-CNN等網絡結構。通過模擬仿真實驗可知，道路識別率較高、邊坡和巖土識別率較低，由于邊坡和巖土多樣性及特征各異，外加干擾異物的影響。因此，為了提高邊坡和巖土識別率，需要采取以下改進措施：①增大邊坡、巖土數據集訓練樣本；②需要先期識別邊坡、巖土干擾異物（比如樹、植被、錨索、防滑樁等特征異物），然后再識別邊坡、巖土。本文研究內容具有一定的工程意義，對深度學習方法應用于邊坡滑坡圖像識別技術研究具有一定的參考價值。

［1］常祥.基于改進的卷積神經網絡的圖像分類性能［J］.重慶理工大學學報（自然科學版），2017，31（3）：110-115.

［2］IOFFE S，SZEGEDY C.Batch normalization： Accelerating deep network training by reducing internal covariate shift［C］//International conference on international conference on machine learning.JMLR.org，2015.

［3］陳煒.基于ARM平臺的紅外制導仿真系統［D］.西安：西安電子科技大學，2018.

［4］REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：unified，real-time object detection［C］// 2016 IEEE conference on computer vision and pattern recognition（CVPR），IEEE，2016.

U416.14

A

10.15913/j.cnki.kjycx.2021.01.001

2095－6835（2021）01－0001－02

重慶市教委科學技術研究項目（編號：KJQN201803104），重慶市教委科學技術研究項目（編號：KJQN201903106）資助

張慧敏（1981—），女，博士，教授，研究方向為圖像處理。

〔編輯：張思楠〕