張慧敏，張林生

深度學(xué)習(xí)方法應(yīng)用于邊坡滑坡圖像識(shí)別技術(shù)研究＊

張慧敏，張林生

（重慶電子工程職業(yè)學(xué)院 通信工程學(xué)院，重慶 401331）

邊坡滑坡災(zāi)害在中國(guó)地質(zhì)災(zāi)害中尤為多見，給國(guó)家造成財(cái)產(chǎn)損失，危及人民生命安全，邊坡滑坡狀態(tài)監(jiān)測(cè)對(duì)預(yù)防治理地質(zhì)災(zāi)害、保護(hù)人民生命財(cái)產(chǎn)安全至關(guān)重要。將深度學(xué)習(xí)方法與邊坡滑坡監(jiān)測(cè)相結(jié)合開展研究，從而提升邊坡滑坡智能識(shí)別能力，提高判識(shí)準(zhǔn)確率。

邊坡；滑坡；深度學(xué)習(xí)；圖像識(shí)別

1 引言

邊坡監(jiān)測(cè)方法較多，如人工觀測(cè)法、北斗測(cè)量法、傳感器監(jiān)測(cè)法、圖像檢測(cè)法等方法，其中圖像檢測(cè)法基于數(shù)字圖像技術(shù)采集特定邊坡區(qū)域的圖像信息，運(yùn)用計(jì)算處理分析技術(shù)判識(shí)邊坡穩(wěn)定狀態(tài)，從而實(shí)現(xiàn)對(duì)邊坡的無損監(jiān)測(cè)[1]。該方法較之其他監(jiān)測(cè)方法，具有安裝便捷、覆蓋面廣、智能化程度高、簡(jiǎn)明直觀等優(yōu)點(diǎn)。同時(shí)進(jìn)入21世紀(jì)后隨著計(jì)算機(jī)處理速度提升與GPU性能增強(qiáng)，深度學(xué)習(xí)方法從理論走向工程應(yīng)用，到現(xiàn)在已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域[2]。

2 深度學(xué)習(xí)方法

深度學(xué)習(xí)方法目前已取得了舉世矚目的成就，其在各行各業(yè)的應(yīng)用均取得了非常好的成果，DeepLearning++這一概念正在不斷地拓展應(yīng)用領(lǐng)域，改變?nèi)藗兊纳罟ぷ鞣绞絒3]。深度學(xué)習(xí)技術(shù)是深度神經(jīng)網(wǎng)絡(luò)的工程運(yùn)用。目前的深度神經(jīng)網(wǎng)絡(luò)采用的主要為卷積結(jié)構(gòu)，因此，深度神經(jīng)網(wǎng)絡(luò)也被稱為深度卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)從20世紀(jì)問世發(fā)展到現(xiàn)在，發(fā)展出了許多知名的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。這些卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別和分類任務(wù)中表現(xiàn)突出，它們能夠很好地學(xué)習(xí)到圖像具有的特征。底層網(wǎng)絡(luò)的隱藏層能學(xué)習(xí)到圖像的底層特征，比如輪廓、像素、角點(diǎn)等，高層網(wǎng)絡(luò)的隱藏層能學(xué)習(xí)到綜合圖像底層特征之后的高級(jí)特征。這些高級(jí)特征所代表的信息量十分豐富，也賦予了卷積神經(jīng)網(wǎng)絡(luò)抽象的思維模式。使用這些高級(jí)特征對(duì)物體進(jìn)行識(shí)別并分類，相比于傳統(tǒng)的手工特征有著更加優(yōu)秀的性能。目前學(xué)術(shù)界研究成果中經(jīng)典的網(wǎng)絡(luò)有AlexNet、VGGNet、GoogleNet、ResNet、FPN網(wǎng)絡(luò)等。

卷積神經(jīng)網(wǎng)絡(luò)的卷積層來源于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的每個(gè)單元結(jié)構(gòu)如圖1所示。

圖1 單神經(jīng)元結(jié)構(gòu)圖

相對(duì)應(yīng)的公式為：

式（1）中：T為神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；為輸入的信息；為偏置項(xiàng)。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是將多個(gè)這樣的神經(jīng)網(wǎng)絡(luò)單元組合起來，一個(gè)多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

相對(duì)應(yīng)的公式如下所示：

在卷積神經(jīng)網(wǎng)絡(luò)中，有著許許多多的隱層，它們層層堆疊在一起，每一層都會(huì)對(duì)上一層的輸出進(jìn)行處理，直到最終輸出層輸出結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)對(duì)于圖像信息的處理就是層層提取特征，在淺層的網(wǎng)絡(luò)層提取圖像表層特征，如輪廓、角點(diǎn)、像素等。到了高層網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)一般包含有卷積層、批量標(biāo)準(zhǔn)化層、激活函數(shù)層、池化層、全連接層和Softmax函數(shù)層[4]。

這里不再對(duì)卷積神經(jīng)網(wǎng)絡(luò)展開介紹，深度學(xué)習(xí)方法的核心就是卷積神經(jīng)網(wǎng)絡(luò)，用于工程應(yīng)用時(shí)對(duì)計(jì)算處理單元要求較高，因此為了提升算法實(shí)時(shí)性，需要搭配高性能計(jì)算處理硬件平臺(tái)。

3 邊坡數(shù)據(jù)集訓(xùn)練

本文對(duì)深度學(xué)習(xí)做了詳盡的調(diào)查，力圖找尋到一個(gè)合適的技術(shù)方案，以求在滿足精準(zhǔn)度的同時(shí)能完成效率較高的識(shí)別任務(wù)。

深度學(xué)習(xí)方法的應(yīng)用，首先是樣本集訓(xùn)練。根據(jù)工程要求，該研究以實(shí)物場(chǎng)景圖像與網(wǎng)絡(luò)圖像結(jié)合的方式構(gòu)建包含有道路、邊坡、巖土的訓(xùn)練、驗(yàn)證與測(cè)試數(shù)據(jù)集。其中，訓(xùn)練樣本均采用網(wǎng)絡(luò)圖像，道路、邊坡和巖土的樣本也可采用實(shí)物場(chǎng)景圖像與網(wǎng)絡(luò)圖像。本文采用結(jié)合自動(dòng)標(biāo)注的方法對(duì)樣本中的道路、邊坡、巖土類樣本進(jìn)行識(shí)別并自動(dòng)標(biāo)注。通過人工法對(duì)標(biāo)注結(jié)果進(jìn)行檢查并精修。對(duì)邊坡、巖土類樣本進(jìn)行人工標(biāo)注。

原始數(shù)據(jù)集部分樣本圖片如圖3所示。

圖3 原始數(shù)據(jù)集部分樣本圖片（圖片來源于百度網(wǎng)站）

本文采用模擬深度學(xué)習(xí)專業(yè)數(shù)據(jù)標(biāo)注軟件Labelme進(jìn)行樣本訓(xùn)練，通過使用深度學(xué)習(xí)技術(shù)對(duì)圖片進(jìn)行學(xué)習(xí)訓(xùn)練。然后再結(jié)合人工精修方法完善樣本。Labelme是一款圖形界面的圖像標(biāo)注軟件，使用python語(yǔ)言編寫，圖形界面使用的是PyQt。當(dāng)應(yīng)用于圖像分割任務(wù)時(shí)，Labelme軟件能夠靈活地對(duì)圖像進(jìn)行多邊形、點(diǎn)、圓形、多線段、直線等標(biāo)注；當(dāng)應(yīng)用于圖像分類任務(wù)時(shí)，Labelme軟件可對(duì)圖像進(jìn)行flag標(biāo)注。最后Labelme軟件生成的標(biāo)注數(shù)據(jù)集可以保存為coco數(shù)據(jù)集格式或者voc數(shù)據(jù)集格式。樣本標(biāo)注技術(shù)流程如圖4所示。

4 模擬仿真實(shí)驗(yàn)

本文通過模擬仿真實(shí)驗(yàn)來驗(yàn)證深度學(xué)習(xí)方法的識(shí)別能力，模擬仿真實(shí)驗(yàn)選用網(wǎng)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(guān)圖像。實(shí)驗(yàn)?zāi)康氖球?yàn)證深度學(xué)習(xí)方法是否能有效判識(shí)邊坡狀態(tài)。對(duì)50張道路邊坡圖片進(jìn)行模擬仿真分析，結(jié)果表明道路平均識(shí)別準(zhǔn)確率為85%，邊坡平均識(shí)別準(zhǔn)確率為61%，巖土平均識(shí)別準(zhǔn)確率為55%。通過研究發(fā)現(xiàn)，道路識(shí)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(shí)別率較低；巖土背景更為復(fù)雜，不同類型巖土顏色差異較大，巖土輪廓特征各異，識(shí)別率較低。

圖4 樣本標(biāo)注技術(shù)流程

5 結(jié)論

綜上所述，深度學(xué)習(xí)方法能夠應(yīng)用于邊坡滑坡圖像識(shí)別，其識(shí)別算法可以采用多種神經(jīng)網(wǎng)絡(luò)架構(gòu)，比如SSD300、Faster R-CNN、YOLOv3、Mask R-CNN等網(wǎng)絡(luò)結(jié)構(gòu)。通過模擬仿真實(shí)驗(yàn)可知，道路識(shí)別率較高、邊坡和巖土識(shí)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(shí)別率，需要采取以下改進(jìn)措施：①增大邊坡、巖土數(shù)據(jù)集訓(xùn)練樣本；②需要先期識(shí)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(shí)別邊坡、巖土。本文研究?jī)?nèi)容具有一定的工程意義，對(duì)深度學(xué)習(xí)方法應(yīng)用于邊坡滑坡圖像識(shí)別技術(shù)研究具有一定的參考價(jià)值。

［1］常祥.基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的圖像分類性能［J］.重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)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(tái)的紅外制導(dǎo)仿真系統(tǒng)［D］.西安：西安電子科技大學(xué)，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(xué)技術(shù)研究項(xiàng)目（編號(hào)：KJQN201803104），重慶市教委科學(xué)技術(shù)研究項(xiàng)目（編號(hào)：KJQN201903106）資助

張慧敏（1981—），女，博士，教授，研究方向?yàn)閳D像處理。

〔編輯：張思楠〕