一种基于Faster-RCNN模型的井站山体滑坡检测方法及设备技术

本发明专利技术涉及滑坡检测领域，特别是一种基于Faster

【技术实现步骤摘要】
一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法及设备


[0001]本专利技术涉及滑坡检测领域，特别是一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法及设备。

技术介绍

[0002]滑坡作为我国山区常见的地质灾害，具有破坏性强、影响范围广、难预防等特点。而处于山地丘陵地区的无人值守天然气井站易受到山体滑坡影响，滑坡可能对天然气生产井站造成一定程度破坏，如果不及时发现滑坡，将对无人值守天然气井站的安全生产带来严重影响。
[0003]专利号为CN201510041864.2公开专利提出了一种基于高分辨率遥感影像的多指标融合滑坡检测方法，但该方法依赖于高分辨率遥感影像，且计算过程复杂，不适合用于天然气生产井站的滑坡检测。所以如今需要一种检测方便，适用于天然气生产井站的，能够及时发现滑坡的检测方法。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中所存在的检测复杂，且没有适合天然气生产井站的滑坡检测方法，提供一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法及设备。
[0005]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0006]一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法，包括以下步骤：
[0007]a：采集井站山体滑坡视频监控图像，并对所述监控图像进行预处理；
[0008]b：将所述监控图像输入到预先建立的Faster/>‑
RCNN模型中；
[0009]c：输出所述监控图像对应的检测结果；所述检测结果为是否出现滑坡；且出现滑坡时输出滑坡区域展示框以及滑坡评估指数。本专利技术通过引入了Faster
‑
RCNN模型对井站山体滑坡视频监控图像进行识别检测，极大的降低了检测方法的应用难度的同时也保证了检测精度，使工作人员能够及时掌握山体滑坡状态。
[0010]作为本专利技术的优选方案，所述Faster
‑
RCNN模型包括以下训练步骤：
[0011]S1：获取训练数据集并对所述训练数据集进行预处理；所述训练数据集为标记检测结果后的井站滑坡图像数据，所述井站滑坡图像数据包括滑坡表部位移图像以及深部位移图像；
[0012]S2：搭建Faster
‑
RCNN模型并将所述训练数据集导入到所述Faster
‑
RCNN模型并进行模型训练；
[0013]S3：对模型训练后的所述Faster
‑
RCNN模型进行精度测试，并输出所述Faster
‑
RCNN模型以及所述Faster
‑
RCNN模型的mAP检测精度均值。
[0014]作为本专利技术的优选方案，还包括步骤S0，所述步骤S0用于优化Faster
‑
RCNN模型以及二次模型训练；
[0015]S0：将前一次模型训练所述步骤S3中输出所述Faster
‑
RCNN模型作为本次模型训
练所述步骤S2中的初始Faster
‑
RCNN模型，并进入步骤S1。本专利技术采用迁移学习的训练方法进行模型训练，进一步提升了模型的训练精度和减少训练时间。
[0016]作为本专利技术的优选方案，所述Faster
‑
RCNN模型采用改进VGG16网络结构作为特征提取模型；所述改进VGG16网络结构的主网络结构是VGG16网络，并增加一层卷积核为1024的卷积层，以提取输入图像的图片特征。本专利技术通过对现有VGG16结构进行改进，提升了所述Faster
‑
RCNN模型的特征提取能力。
[0017]作为本专利技术的优选方案，所述Faster
‑
RCNN模型通过RoI池化层将所述图片特征和所述选择框池化为标准尺寸。
[0018]作为本专利技术的优选方案，所述Faster
‑
RCNN模型采用RPN网络结构作为选择框选取模型，用于输出选择框。
[0019]作为本专利技术的优选方案，所述RPN网络结构包括3个卷积层，3个reshape池化层以及1个输出层，3个所述卷积层分别为512通道的3*3卷积层、36通道的1*1卷积层以及18通道的1*1卷积层。
[0020]作为本专利技术的优选方案，所述RPN网络结构的连接关系为：3*3卷积层
‑
36通道的1*1卷积层
‑
第三reshape池化层；3*3卷积层
‑
18通道的1*1卷积层
‑
第一reshape池化层
‑
输出层
‑
第二reshape池化层
‑
第三reshape池化层。
[0021]作为本专利技术的优选方案，所述Faster
‑
RCNN模型的预测分类结构包括3个FC预测层以及1个输出层。
[0022]一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
[0023]与现有技术相比，本专利技术的有益效果：
[0024]本专利技术通过引入了Faster
‑
RCNN模型对井站山体滑坡视频监控图像进行识别检测，极大的降低了检测方法的应用难度的同时也保证了检测精度，使工作人员能够及时掌握山体滑坡状态。
附图说明
[0025]图1为本专利技术实施例1所述的一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法的流程示意图；
[0026]图2为本专利技术实施例1所述的一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法中Faster
‑
RCNN模型示意图；
[0027]图3为本专利技术实施例1所述的一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法中RPN结构示意图；
[0028]图4为本专利技术实施例1所述的一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法中检测结果示意图；
[0029]图5为本专利技术实施例3所述的一种利用了实施例1所述的一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法的一种电子设备。
具体实施方式
[0030]下面结合试验例及具体实施方式对本专利技术作进一步的详细描述。但不应将此理解为本专利技术上述主题的范围仅限于以下的实施例，凡基于本
技术实现思路
所实现的技术均属于本专利技术的范围。
[0031]实施例1
[0032]如图1所示，一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法，包括以下步骤：
[0033]a：采集井站山体滑坡视频监控图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法，其特征在于，包括以下步骤：a：采集井站山体滑坡视频监控图像，并对所述监控图像进行预处理；b：将所述监控图像输入到预先建立的Faster
‑
RCNN模型中；c：输出所述监控图像对应的检测结果；所述检测结果为是否出现滑坡；且出现滑坡时输出滑坡区域展示框以及滑坡评估指数。2.根据权利要求1所述的一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法，其特征在于，所述Faster
‑
RCNN模型包括以下训练步骤：S1：获取训练数据集并对所述训练数据集进行预处理；所述训练数据集为标记检测结果后的井站滑坡图像数据，所述井站滑坡图像数据包括滑坡表部位移图像以及深部位移图像；S2：搭建Faster
‑
RCNN模型并将所述训练数据集导入到所述Faster
‑
RCNN模型并进行模型训练；S3：对模型训练后的所述Faster
‑
RCNN模型进行精度测试，并输出所述Faster
‑
RCNN模型以及所述Faster
‑
RCNN模型的mAP检测精度均值。3.根据权利要求2所述的一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法，其特征在于，还包括步骤S0，所述步骤S0用于优化Faster
‑
RCNN模型以及二次模型训练；S0：将前一次模型训练所述步骤S3中输出所述Faster
‑
RCNN模型作为本次模型训练所述步骤S2中的初始Faster
‑
RCNN模型，并进入步骤S1。4.根据权利要求1所述的一种基于Faster
‑
RCNN模型的井站山体滑坡检测方法，其特征在于，所述Faster
‑
RCNN模型采用改进VGG16网络结构作为特征提取模型；所述改进VGG16网络结构的主网络结构是VGG16网络，并...

【专利技术属性】
技术研发人员：向伟，陈学敏，任基文，张强，朱敏，龚云洋，朱林，贺圣桓，杨杰，代朋志，刘福林，杨媛艳，苏云婷，
申请(专利权)人：中国石油化工股份有限公司西南油气分公司，
类型：发明
国别省市：