一种基于深度学习与图像局部特征提取的边坡异常监测技术

为提升边坡险情的监测能力,本文提出了一种基于深度学习与图像局部特征提取的边坡异常监测技术。该技术通过提取边坡自然特征物的二维坐标构成目标三角网络,以三角网络的变化区域圈定边坡险情范围,并提取变化范围内的同名特征点,以同名特征点的位移情况对边坡的变化进行描述。首先,拍摄边坡发生险情前后的图像,利用目标检测模型YOLOv5识别边坡自然特征物,利用语义分割模型DeepLabV3+对提取的自然特征物进行语义分割得到其二值化区域,提取区域中心得到二维坐标,以所有自然特征物的二维坐标点阵构建目标三角网络,并以三角网络变化圈定边坡的变化范围。然后,利用图像特征提取技术,提取变化范围之内的同名特征点,并统计其位移距离与方向,以此反馈边坡的变化情况。最后,设计了试验验证该方法的稳定性与可靠性,并在真实的边坡验证了方法的实用性。试验结果表明,该技术能够对边坡的变化进行有效监测,是边坡监测工程中的一种可行技术。