(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210557988.6 (22)申请日 2022.05.19 (71)申请人 成理智源科技 （成 都） 有限公司 地址 610000 四川省成 都市成华区二仙桥 东三路1号成都理工大学校内致远楼 102-12室 申请人 深圳市地质局 (72)发明人 金亚兵　魏会龙　刘川炜　 (74)专利代理 机构 成都华复知识产权代理有限 公司 512 98 专利代理师 余鹏 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的滑坡识别方法及系统 (57)摘要 本发明公开了一种基于深度学习的滑坡识 别方法， 包括： S100： 对滑坡图像进行特征提取， 所提取特征为特征图； S2 00： 通过RPN检测网络处 理特征图， 得到推荐的目标候选区域； S300： 对目 标候选区域的特征图进行特征提取， 获取目标分 类结果。 本发明通过增加很少的参数， 实现了通 道注意力机制， 提高复杂环境下目标检测的效 果。 权利要求书1页 说明书5页 附图4页 CN 114926738 A 2022.08.19 CN 114926738 A 1.一种基于深度学习的滑坡识别方法， 其特 征是， 包括： S100： 对滑坡图像进行 特征提取， 所提取 特征为特征图； S200： 通过RPN检测网络处 理特征图， 得到推荐的目标候选区域； S300： 对目标候选区域的特 征图进行 特征提取， 获取目标分类结果。 2.如权利要求1所述的基于深度学习的滑坡识别方法， 其特 征是： 步骤S100中， 利用残差通道 注意力机制网络 ERCA‑Net对滑坡图像进行 特征提取。 3.如权利要求2所述的基于深度学习的滑坡识别方法， 其特 征是： 所述残差通道注意力机制网络ERCA ‑Net由1D卷积、 软阈值和残差网络三个结构构建； 其具体执 行如下： 对输入依次进行全局平均池化， 获得原始特征图； 对原始特征图依次进行1D卷积、 激活 函数激活； 再利用软阈值作为非线性变换层， 消除不重要特征， 得到重新赋值的特征图； 利 用残差网络将重新赋值后的特 征图与原 始特征图相加得到最终的特 征图。 4.如权利要求1所述的基于深度学习的滑坡识别方法， 其特 征是： 步骤S200中， RPN检测网络的执 行过程如下： 对特征图， 为每个滑动窗口的中心位置生成若干锚点， 锚点数量记为m， 获得初始检测 框； 对生成的锚点进 行物体分类和边框回归， 即判断锚点内是检测目标还是背 景， 获得分类 预测。权　利　要　求　书 1/1 页 2 CN 114926738 A 2一种基于深度学习的滑坡 识别方法及系统 技术领域 [0001]本发明涉及滑坡识别技术领域， 具体涉及 一种基于深度学习的滑坡识别方法及系 统。 背景技术 [0002]准确的滑坡检测和测绘对于土地利用规划、 管理、 评估、 减轻地质灾害风险以及灾 后重建至关重要。 滑坡可能由多种因素引发， 引发因素有地震、 强降雨、 人为因素等。 目前为 止， 可视化解释和实地调查仍是滑坡测绘中应用最广泛的技术， 通过专业人员实地调查潜 在的滑坡区域是常用和可靠的策略， 但这种方法费时、 昂贵且低效， 尤其是面对 大面积的滑 坡检测， 因此常被批 评为劳动密集型、 耗时和成本高。 [0003]基于高空间分辨率遥感影像 的滑坡检测是滑坡治理的关键， 但由于滑坡规模小、 数量多， 在科学和技术上都具有挑战性。 目前， 通过遥感图像对滑坡进 行检测主要有三种方 法： 基于像素(pixel ‑based)方法、 基于目标(Object ‑based)方法以及基于深度学习方法。 在基于像素 的滑坡检测方法中， 遥感 图像中的单个像素点是最基本的处理单元， 它们决定 了图像中的某个区域是否为滑坡。 然而在正常情况下， 滑坡相较于遥感图像中的其它背景 信息如： 森林、 村庄和河流等总是拥有 更多的像素， 因此这种样本数据分布的极不均衡会严 重影响基于像素方法的滑坡检测能力。 基于目标的滑坡检测方法中， 通过计算遥感图像中 各个像素之间的纹理和光谱相似度， 将单个像素聚类成多个候选对 象， 然后设立阈值对每 个候选对 象进行滑坡分类。 该方法较基于像素方法虽然采用了更多遥感图像的特征信息， 但是需要人工设置图像分割参数， 且参数的设置对最终检测能力有很大影响。 [0004]随着人工智能的快速发展， 基于深度学习的滑坡检测与测绘方法因其相对于传统 方法的显著优势而备受关注， 尤其是基于卷积神经网络的深度学习 方法。 基于人工智能的 滑坡自动识别方法可显著加快滑坡识别过程， 对边坡安全管理和滑坡灾害减灾具有重要意 义。 目前已有多种基于深度学习的滑坡识别方法， 但在大面积复杂土地覆盖地区实现稳定、 高精度、 高效的滑坡识别仍有改进空间。 发明内容 [0005]为解决在大面积复杂土地覆盖地区的滑坡识别有待改进的问题， 本发明提供了一 种基于深度学习的滑坡识别方法及系统。 [0006]本发明技 术方案如下： [0007]一种基于深度学习的滑坡识别方法， 包括： [0008]S100： 对滑坡图像进行 特征提取， 所提取 特征为特征图； [0009]S200： 通过RPN检测网络处 理特征图， 得到推荐的目标候选区域； [0010]S300： 对目标候选区域的特 征图进行 特征提取， 获取目标分类结果。 [0011]进一步的， 步骤S100中， 利用残差通道注意力机制网络ERCA ‑Net对滑坡图像进行 特征提取。说　明　书 1/5 页 3 CN 114926738 A 3