张慧敏，张林生
(重庆电子工程职业学院通信工程学院，重庆401331)
摘要：边坡滑坡灾害在中国地质灾害中尤为多见，给国家造成财产损失，危及人民生命安全，边坡滑坡状态监测对预防治理地质灾害、保护人民生命财产安全至关重要。将深度学习方法与边坡滑坡监测相结合开展研究，从而提升边坡滑坡智能识别能力，提高判识准确率。
关键词：边坡;滑坡;深度学习;图像识别
中图分类号：U416.14文献标志码：ADOI：10.15913/j.cnki.kjycx.2021.01.001
1引言
边坡监测方法较多，如人工观测法、北斗测量法、传感器监测法、图像检测法等方法，其中图像检测法基于数字图像技术采集特定边坡区域的图像信息，运用计算处理分析技术判识边坡稳定状态，从而实现对边坡的无损监测[1]。该方法较之其他监测方法，具有安装便捷、覆盖面广、智能化程度高、简明直观等优点。同时进入21世纪后随着计算机处理速度提升与GPU性能增强，深度学习方法从理论走向工程应用，到现在已经广泛应用于各个领域[2]。
2深度学习方法
深度学习方法目前已取得了举世瞩目的成就，其在各行各业的应用均取得了非常好的成果，DeepLearning++这一概念正在不断地拓展应用领域，改变人们的生活工作方式[3]。深度学习技术是深度神经网络的工程运用。目前的深度神经网络采用的主要为卷积结构，因此，深度神经网络也被称为深度卷积神经网络。卷积神经网络从20世纪问世发展到现在，发展出了许多知名的卷积神经网络结构。这些卷积神经网络在图像识别和分类任务中表现突出，它们能够很好地学习到图像具有的特征。底层网络的隐藏层能学习到图像的底层特征，比如轮廓、像素、角点等，高层网络的隐藏层能学习到综合图像底层特征之后的高级特征。这些高级特征所代表的信息量十分丰富，也赋予了卷积神经网络抽象的思维模式。使用这些高级特征对物体进行识别并分类，相比于传统的手工特征有着更加优秀的性能。目前学术界研究成果中经典的网络有AlexNet、VGGNet、GoogleNet、ResNet、FPN网络等。
卷积神经网络的卷积层来源于传统神经网络。传统神经网络的每个单元结构如图1所示。
相对应的公式为：
式(1)中：WT为神经网络的权重参数;x为输入的信息;b为偏置项。
传统神经网络是将多个这样的神经网络单元组合起来，一个多层神经网络结构如图2所示。
*[基金项目]重庆市教委科学技术研究项目(编号：KJQN201803104)，重庆市教委科学技术研究项目(编号：KJQN201903106)资助
