技术领域
[0001] 本发明涉及检测技术领域，尤其涉及一种地质灾害监测方法和装置。
相关背景技术
[0002] 我国地质灾害频繁，是世界上地质灾害最严重的国家之一。自然变迁和人为破坏是地质灾害的主要原因，主要灾害形态包括：泥石流、山体滑坡、地面塌陷、地裂缝以及地面沉降等，地质灾害严重影响地区经济建设和人民生命财产安全。
[0003] 在现有技术中，地质灾害监测手段大多采用人工预判和卫星监测方式，人工预判存在数据收集不科学、不及时，以及信息覆盖面不足等问题。卫星监测也是通过人工看图来进行识别，由于地表环境复杂多变，对比度低，噪声较多，卫星影像、航拍或相机拍摄地表的工作距离的变化会引起光照不均，导致不同部位出现图像灰度差异，且地表存在树木、岩石、线缆和阴影等，对检测存在很大的干扰，因此具备场景适应性，对地质灾害进行监测成为目前需要解决的技术问题。
具体实施方式
[0029] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。
[0030] 图1示出了本发明一实施例提供的地质灾害监测方法的流程示意图，如图1所示，本实施例的地质灾害监测方法如下所述。
[0031] 101、基于YOLOv4建立地质灾害监测模型；
[0032] 102、获取地质灾害待监测图像；
[0033] 103、将所述地质灾害待监测图像输入所述地质灾害监测模型，确定地质灾害监测结果。
[0034] 图2示出了本发明一实施例提供的地质灾害示意图，如图2所示，地质灾害可包括泥石流、山体滑坡、地面塌陷、地裂缝和地面沉降。
[0035] 在具体实施例中，接收地质灾害图像集，对地质灾害图像集进行预处理，获取预处理后的地质灾害图像集。地质灾害图像集包括拍摄到的地质灾害图像的集合，预处理可包括：对接收到的地质灾害图像集中的图像分别进行格式处理和数据增强，图像格式可包括JPEG、TIFF、RAW，将图像格式处理为地质灾害监测模型模型可识别的格式，例如JPEG格式。数据增强可包括：亮度拉伸、模糊处理、色彩增强、随机尺寸裁剪、图像翻转以及Mosaic增强等方式增强训练数据的扩增，例如，对图像集进行水平和垂直翻转可以很好的扩充模型数据集，Mosaic数据增强是指采用4张图片进行拼接，丰富被测目标的背景，增强模型的鲁棒性。地质灾害图像集经过格式转换和数据增强后，获取预处理后的地质灾害图像集，图像集可包括训练集和验证集。
[0036] 本发明实施例中通过对中国境内地质灾害数据进行采集，获取包括9273张地质灾害图像的训练集，其中存在1478个泥石流区域，2749个山体滑坡区域，2183个地面沉降区域，1122个地裂缝区域，1741个地面塌陷，通过数据增强后将训练集由原来的9273张扩增为92730张，降低过拟合风险，提高训练模型的泛化能力。同时建立2000张图像的验证集，包含
524个泥石流、419个山体滑坡和391个地面沉降，224个地裂缝，442个地面塌陷。
[0037] 图3示出了本发明一实施例提供的YOLOv4模型的结构示意图，如图3所示，本实施例YOLOv4模型包括：主干网络Backbone:CSPDarkNet53、空间金字塔池化结构SPP、特征融合网络Neck:FPN+PAN和检测层网络头Head:YOLOv3。
[0038] 主干特征提取网络Backbone:CSPResNext53是darknet53的改进版，主要由darknet卷积和一系列的残差网络构成，当输入的图像利用卷积不断进行特征提取，使得图像特征层的宽高不断压缩，通道数不断扩张，最终获得3种尺度的特征图。
[0039] 空间金字塔池化结构SPP和特征融合网络Neck:FPN+PAN是加强特征提取网络的构成，其中，SPP是利用不同大小的最大池化对输入进来的特征图进行最大池化以及堆叠，对特征图进行特征增强，Neck:FPN+PAN是结合卷积、上采样、下采样和特征融合对不同特征图进行充分融合，输出尺度不同的张量。
[0040] 检测层网络头Head:YOLOv3对张量进行解码，获取初始预测框和监测结果，监测结果包括：预测框个数、预测框置信度、预测框的坐标和宽高、以及类别概率，从而通过YOLOv4模型可知图像集的网格中是否存在地质灾害类别。
[0041] SPP和Neck输出三组尺度不同的张量，分别作用于大小不同的目标：三组张量可包括X1×X1×N，X2×X2×N，X3×X3×N。Head:YOLOv3对输出的张量进行解码，确定监测结果N如公式(1)所示。
[0042] N＝B×(b+c+C) (1)
[0043] 其中，B为每个尺度的特征图的每个网格的预测框个数，可优选为3，b为预测框的中心坐标和宽高，c为预测框的置信度，C为类别概率，即预测框中包含的目标是某一类目标的概率。
[0044] 将预处理后的地质灾害图像集输入YOLOv4模型进行训练，获取地质灾害监测模型，具体包括：将地质灾害图像集中的每个图像经过Backbone:CSPDarkNet53的特征提取，获取3种尺度的特征图，分别为76×76、38×38、19×19，相当于把整张地质图像分割成76×76、38×38、19×19的网格；经过SPP和Neck:FPN+PAN的特征增强和特征融合，输出3种尺度的张量，分别为76×76×30、38×38×30、19×19×30；通过Head:YOLOv3对张量解码，获取所有网格的的初始预测框，在每个网格中预测是否有物体以及属于该类物体的类别，例如地质灾害类别包括泥石流、山体滑坡、地面塌陷、地裂缝和地面沉降5类，最终输出初始预测框和监测结果，即判断每个网格中的预测框中是否存在地质灾害以及属于哪一类地质灾害。
[0045] 在具体实施例中，采用k‑means++聚类算法对预设先验框进行聚类优化获取最优先验框，k‑means++聚类是典型的一个聚类算法，算法思想是从输入的数据集中随机选择一个点作为第一个聚类中心，计算数据集中的每一个点与最近聚类中心的最短距离，根据最短距离选择一个新的聚类中心，直到k个聚类中心被选出来，利用k个聚类中心来运行k‑means算法。
[0046] 图4示出了本发明一实施例提供的k‑means++算法的流程示意图，如图4所示，本实施例的k‑means++算法如下所述。
[0047] 401、随机选择预处理后的地质灾害图像的一个边框值(w,h)作为初始聚类中心，(w,h)为地质灾害图像的先验框的宽和高；
[0048] 402、计算每个先验框与已有聚类中心的最短距离；
[0049] 403、根据最短距离选择下一个聚类中心，直至聚类中心数目达到k；
[0050] 404、计算每个先验框与每个聚类中心的距离，把先验框分给距离最近的类；
[0051] 405、更新聚类中心，直至聚类中心不再变化或者所有边框类别不再变化。
[0052] 先验框到聚类中心的距离如公式(2)所示
[0053] d(box,centriod)＝1‑IOU(box,centriod) (2)
[0054] 其中，IOU为先验框与聚类中心之间的交并比。
[0055] 通过k‑means++聚类算法对预设先验框进行聚类优化获取最优的一组先验框，根据置信度进行非极大值抑制，以及最优先验框和初始预测框之间的距离，筛选初始预测框获取最优预测框，使Head:YOLOv3获得的初始预测框向最优预测框靠近，修正模型参数，从而训练地质灾害监测模型，实现地质灾害类别的准确辨别。
[0056] 在具体实施例中，采用自正则的非单调Mish激活函数对地质灾害监测模型进行训练，可保证训练损失的有效回传，在确保收敛速度的同时能获得更好的泛化能力且更准确。
[0057] Mish是光滑的非单调激活函数,Mish激活函数如公式(3)所示。
[0058] f(x)＝x×tanh[log(1+ex)] (3)
[0059] 其中x为激活层输入；y为激活层输出。
[0060] 在具体实施例中，为了更精确地检测地质灾害目标，采用CIoU损失函数对所述地质灾害监测模型进行优化，CIoU损失函数如公式(4)所示。
[0061]
[0062] 其中，L为训练损失，Lbox、LC、Lobj分别为回归损失、分类损失和置信度损失，λiou、λC、λobj分别为回归损失因子、分类损失因子和置信度损失因子，pi(c)为地质灾害目标的概率真实值， 为地质灾害目标的概率预估值，i，j分别为区域指示量和每个区域的预测框2
指示量，S、B分别为区域总数和每个区域的预测框总数，Ci为第i个区域第j个边界框的置信度真实值， 为第i个区域第j个边界框的置信度预估值，lij,obj为目标指示量，当第i个区域第j个边界框有目标时为1，否则为0，lij,noobj与lij,obj相反。
[0063] 在具体实施例中，地质灾害图像集中的所有图像经过训练后形成地质灾害监测模型，并经过k‑means++聚类算法、Mish激活函数和CIoU损失函数对地质灾害监测模型进行优化，改进目标框回归损失，提高检测精度和泛化性，同时保持了较高的检测速度。将地质灾害待监测图像输入地质灾害监测模型，输出最优预测框和监测结果。
[0064] 图5示出了本发明一实施例提供的地质灾害监测装置的结构示意图，如图5所示，本实施例的地质灾害监测装置5，包括：建立模块51、获取模块52和确定模块53。
[0065] 建立模块51，用于基于YOLOv4建立地质灾害监测模型；
[0066] 获取模块52，用于获取地质灾害待监测图像；
[0067] 确定模块53，用于将所述地质灾害待监测图像输入所述地质灾害监测模型，确定地质灾害监测结果。
[0068] 由于上述装置是基于监测方法基础上，因此，本装置在工作原理与上述监测方法的原理相同，在此不再赘述。
[0069] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0070] 本领域普通技术人员可以理解：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
