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：A DOI：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。
在卷积神经网络中，有着许许多多的隐层，它们层层堆叠在一起，每一层都会对上一层的输出进行处理，直到最终输出层输出结果。卷积神经网络对于图像信息的处理就是层层提取特征，在浅层的网络层提取图像表层特征，如轮廓、角点、像素等。到了高层网络层，提取到的是图像特征信息聚合后的高层特征。高层特征更为抽象，所代表的信息更加的丰富。卷积神经网络一般包含有卷积层、批量标准化层、
激活函数层、池化层、全连接层和Softmax函数层[4]。
这里不再对卷积神经网络展开介绍，深度学习方法的核心就是卷积神经网络，用于工程应用时对计算处理单元要求较高，因此为了提升算法实时性，需要搭配高性能计算处理硬件平台。
3边坡数据集训练
本文对深度学习做了详尽的调查，力图找寻到一个合适的技术方案，以求在满足精准度的同时能完成效率较高的识别任务。
深度学习方法的应用，首先是样本集训练。根据工程要求，该研究以实物场景图像与网络图像结合的方式构建包含有道路、边坡、岩土的训练、验证与测试数据集。其中，训练样本均采用网络图像，道路、边坡和岩土的样本也可采用实物场景图像与网络图像。本文采用结合自动标注的方法对样本中的道路、边坡、岩土类样本进行识别并自动标注。通过人工法对标注结果进行检查并精修。对边坡、岩土类样本进行人工标注。
原始数据集部分样本图片如图3所示。
本文采用模拟深度学习专业数据标注软件Labelme进行样本训练，通过使用深度学习技术对图片进行学习训练。然后再结合人工精修方法完善样本。Labelme是一款图形界面的图像标注软件，使用python语言编写，图形界面使用的是PyQt。当应用于图像分割任务时，Labelme软件能够灵活地对图像进行多边形、点、圆形、多线段、直线等标注;当应用于图像分类任务时，Labelme软件可对图像进行flag标注。最后Labelme软件生成的标注数据集可以保存为coco数据集格式或者voc数据集格式。样本标注技术流程如图4所示。
4模拟仿真实验
本文通过模拟仿真实验来验证深度学习方法的识别能力，模拟仿真实验选用网上公开的道路边坡图片，图片中包含道路、边坡、岩土等公路边坡相关图像。实验目的是验证深度学习方法是否能有效判识边坡状态。对50张道路边坡图片进行模拟仿真分析，结果表明道路平均识别准确率为85%，边坡平均识别准确率为61%，岩土平均识别准确率为55%。通过研究发现，道路识别率较高主要得益于道路特征信息清晰;边坡受植被、锚索、防滑桩等异物影响，识别率较低;岩土背景更为复杂，不同类型岩土颜色差异较大，岩土轮廓特征各异，识别率较低。
5结论
综上所述，深度学习方法能够应用于边坡滑坡图像识别，其识别算法可以采用多种神经网络架构，比如SSD300、FasterR-CNN、YOLOv3、MaskR-CNN等网络结构。通过模拟仿真实验可知，道路识别率较高、边坡和岩土识别率较低，由于边坡和岩土多样性及特征各异，外加干扰异物的影响。因此，为了提高边坡和岩土识别率，需要采取以下改进措施：①增大边坡、岩土数据集训练样本;②需要先期识别边坡、岩土干扰异物(比如树、植被、锚索、防滑桩等特征异物)，然后再识别边坡、岩土。本文研究内容具有一定的工程意义，对深度学习方法应用于边坡滑坡图像识别技术研究具有一定的参考价值。
参考文献：
[1]常祥.基于改进的卷积神经网络的图像分类性能[J].重庆理工大学学报(自然科学版)，2017，31(3)：110-115.
[2]IOFFES，SZEGEDYC.Batchnormalization
Acceleratingdeepnetworktrainingbyreducinginternalcovariateshift[C]//Internationalconferenceoninternationalconferenceonmachinelearning.JMLR.org，2015.
[3]陈炜.基于ARM平台的红外制导仿真系统[D].西安：西安电子科技大学，2018.
[4]REDMONJ，DIVVALAS，GIRSHICKR，etal.Youonlylookonce：unified，real-timeobjectdetection[C]//2016IEEEconferenceoncomputervisionandpatternrecognition(CVPR)，IEEE，2016.
