[发明专利]一种滑坡裂缝检测与识别的方法及装置

说明书

本发明适用于图像处理领域，提供了一种滑坡裂缝检测与识别的方法及装置，其中，所述方法包括：获取待识别图像；基于卷积神经网络和局部纹理信息对所述待识别图像进行裂缝检测与识别。所述装置包括待识别图像获取单元以及裂缝检测与识别单元，所述装置的功能与所述方法相对应。本发明将传统数字图像处理方法和深度学习相结合进行滑坡裂缝检测，同时兼顾了传统数字图像处理方法定位速度快、深度学习方法检测精度高的优点，为滑坡裂缝检测与识别提供了一种新的思路。

技术领域

本发明属于图像识别领域，尤其涉及一种滑坡裂缝检测与识别的方法及装置。

背景技术

山体滑坡是人类面临最为广泛的地质灾害之一，我国每年都有泥石流和山体滑坡发生，而由于野外勘探、开采以及其他工程建设等造成的类似灾害也时有发生，对人们的人身安全和财产造成严重危害。人们对滑坡等灾害的早期研究多集中在山体稳定性及加固预防措施方面，随着技术的进步，近年来人们开始对一些新的技术和方法在早期预警和检测中的应用越来越关注。山体滑坡发生前，都会出现一些征兆，比如山体出现裂缝，所以检测这些山体裂缝是预警山体滑坡的一个重要方法。目前对裂缝检测的方法主要有两大类，一类是基于传统的数字图像处理的方法，而另一类是基于神经网络的方法。

图像检测是要解决图像中是否包含某类物体的问题，对图像进行特征描述是物体检测的主要研究内容。一般说来，物体检测算法通过手工特征或者特征学习方法对整个图像进行全局描述，然后使用分类器判断是否存在某类物体。山体裂缝图像具有复杂的特性，光照不均匀，噪声繁多、分布不规律，而且容易受到植被影响，用传统的图像处理方法检测山体裂缝效果不佳，虽然基于传统的图像处理方法的裂缝特征的提取已经取得很多研究成果，但是大多数特征提取过程是人工设计的，通过浅层学习获得图像底层特征，与图像高级主题间还存在很大的“语义鸿沟”，造成裂缝检测精度不高，效率低下，在现实中很难得到应用。

随着近年来人工智能、神经网络、机器学习等智能化信息处理技术的进步，有些学者提出用基于卷积神经网络的方法来检测裂缝。神经网络利用设定好的网络结构，完全从训练数据中学习图像的层级结构性特征，能够提取更加接近图像高级语义的抽象特征，因此在图像识别上的表现远远超过传统方法。卷积神经网络在特征表示上具有极大的优越性，模型提取的特征随着网络深度的增加越来越抽象，越来越能表现图像主题语义，不确定性越少，识别能力越强。虽然卷积神经网络能提取接近图像高级语义的抽象特征，但是它的训练步骤繁琐，训练速度慢，生成的目标候选区域数量多，计算量大。

发明内容

本发明提供了一种滑坡裂缝检测与识别的方法及装置，旨在解决现有技术中单纯地用传统图像处理方法或者单纯地用深度学习方法进行裂缝检测与识别导致的精确度低或效率低的技术问题。

为此，按照本发明的第一方面，本发明提供了一种滑坡裂缝检测与识别的方法，包括：获取待识别图像；以及，基于卷积神经网络和局部纹理信息对待识别图像进行裂缝检测与识别。

按照本发明的第二方面，本发明提供了一种滑坡裂缝检测与识别的装置，包括：待识别图像获取单元以及裂缝检测与识别单元；其中，待识别图像获取单元用于获取待识别图像；以及，裂缝检测与识别单元用于基于卷积神经网络和局部纹理信息对待识别图像进行裂缝检测与识别。

按照本发明的第三方面，本发明提供了一种计算机存储介质，用于存储计算机程序指令，当计算机执行该计算机程序指令时，执行如上述第一方面所述的方法。

本发明提供的一种滑坡裂缝检测与识别的方法及装置，将传统数字图像处理方法和深度学习相结合进行滑坡裂缝检测，同时兼顾了传统数字图像处理方法定位速度快、深度学习方法检测精度高的优点，为滑坡裂缝检测与识别提供了一种新的思路。

附图说明

图1是本发明具体实施例提供的一种滑坡裂缝检测与识别的方法的流程图；