一种基于卷积支持向量神经网络的滑坡分级系统及方法与流程

本发明涉及路基工程领域，主要涉及一种基于卷积支持向量神经网络的滑坡分级系统及方法。

背景技术：

过去公路因为等级低、线形差、路基不宽、开挖不深,边坡稳定性对安全的影响不显著,人们对边坡稳定性没有引起足够的重视.但是,随着国民经济建设的发展,交通事业日新月异,等级越来越高,高填深挖已经不可避免.在复杂地形条件下修建高等级公路的情况日益增多,且国内外已有许多大型滑坡的事例，滑坡不仅影响行车安全,甚至掩埋、中断交通,迫使放弃已建成的使用,造成不可估量的经济损失,研究滑坡成因与防治,已迫在眉睫。

在现有技术中，通常的滑坡分级需要人工至现场测量滑坡土量，即滑坡分级；现有的方法通常耗费人力、设备与时间等资源并会带来工程人员的安全风险，故这类以人力在工址进行滑坡分级的方法所起的作用是有限的。

技术实现要素：

本发明的目的是提供一种基于卷积支持向量神经网络的滑坡分级方法，通过收集图像，并且对图像进行分析来判断滑坡分级，节省人力，效率高，没有安全风险。

本发明上述技术目的是通过以下技术方案实现的，一种基于卷积支持向量神经网络的滑坡分级系统，包括用于存放所采集图像的图像存放模块，用于获取图像数据的图像获取模块，对图像进行滑坡分类判别的图像处理模块，所述图像处理模块包括用于鉴别图像是否存在滑坡的图像判别单元以及用于对图像进行滑坡分级的图像分类单元。

作为本发明的优选，所述图像判别单元与所述图像分类单元同时对图像进行判别和分类。作为本发明的优选，一种基于卷积支持向量神经网络的滑坡分级方法，包括以下步骤：

步骤s1、收集图像，并根据图像进行是否存在滑坡分级的判别，若存在滑坡分级，则进行人工标注，至步骤s2；

步骤s2、将步骤s1中判别好的图像进行归一化处理，将归一化处理后的图像数据输入卷积支持向量神经网络系统进行分类模型训练；

步骤s3、判别分类模型精确度是否符合要求，若不符合判别要求，卷积支持向量神经网络系统自动调整优化卷积支持向量神经网络节点权重，并返回步骤s1，若符合判别要求，所训练出来的分类模型为最佳分类模型；

步骤s4、获取待检测图像，采用最佳分类模型进行滑坡分级的判别，依据卷积支持向量神经网络系统给出的滑坡等级的机率值，选择最大机率的分级，获得分级成果。

在本技术方案中，将采集到的待检测点图像用最佳分类模型进行滑坡分级判别，主要是将待检测图像放入卷积支持向量神经网络系统中进行计算该待检测图像滑坡分级类型的概率，并选择概率最大的滑坡分级类型作为该待检测图像的滑坡分级类型。具体主要是通过在待检测图像中的目标区域进行釆样，放入神经网络的输入层，进行支持向量层得到每一种标签的概率，即在区间[0，1]中的实值。

作为本发明的优选，根据步骤s2，卷积支持向量神经网络系统在进行分类模型训练时，并进行图像分级的判别。

作为本发明的优选，根据步骤s4，滑坡机率值包括巨型滑坡机率值，大型滑坡机率值，中型滑坡机率值，小型滑坡机率值，所述巨型滑坡机率值，所述大型滑坡机率值，所述中型滑坡机率值，所述小型滑坡机率值之和为1。

在本技术方案中，滑坡类型分为巨型滑坡、大型滑坡、中型滑坡、小型滑坡，共4种类型的滑坡分级标签，即4个数据，这4个数据的和等于1，然后，将得到的每个待检测图像的标签的概率进行平均，得到待检测图像的标签的概率，选择概率最大的标签作为该待检测图像的滑坡分级类型的标签。

作为本发明的优选，所述归一化处理包括对所有的图像像素进行信息熵均值的计算后得到介于-1到1的特征值。

作为本发明的优选，卷积支持向量神经网络结构包括输入层，卷积层，激活层，下采样层，归一化层和支持向量层。

作为本发明的优选，输入层为图像的横纵座标和图像颜色。

与现有技术相比，本发明有以下优点：

1、采用人工与计算机相互配合的方式对图像进行判别和分类，提高学习精度。

2、直接对图像进行判别和分类，节省人力，效率高，没有安全风险。

附图说明

图1为本发明系统流程图。

具体实施例

以下结合附图对本发明做进一步详细说明。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

根据图1所示的一种基于卷积支持向量神经网络的滑坡分级系统，包括用于存放所采集图像的图像存放模块，用于获取图像数据的图像获取模块，对图像进行滑坡分类判别的图像处理模块，所述图像处理模块包括用于鉴别图像是否存在滑坡的图像判别单元以及用于对图像进行滑坡分级的图像分类单元。所述图像判别单元与所述图像分类单元同时对图像进行判别和分类。

一种基于卷积支持向量神经网络的滑坡分级方法，包括以下步骤：

步骤s1、收集图像，并根据图像进行是否存在滑坡分级的判别，若存在滑坡分级，则进行人工标注，至步骤s2；

步骤s2、将步骤s1中判别好的图像进行归一化处理，将归一化处理后的图像数据输入卷积支持向量神经网络系统进行分类模型训练；

步骤s3、判别分类模型精确度是否符合要求，若不符合判别要求，卷积支持向量神经网络系统自动调整优化卷积支持向量神经网络节点权重，并返回步骤s1，若符合判别要求，所训练出来的分类模型为最佳分类模型；

步骤s4、获取待检测图像，采用最佳分类模型进行滑坡分级的判别，依据卷积支持向量神经网络系统给出的滑坡等级的机率值，选择最大机率的分级，获得分级成果。

在本技术方案中，将采集到的待检测点图像用最佳分类模型进行滑坡分级判别，主要是将待检测图像放入卷积支持向量神经网络系统中进行计算该待检测图像滑坡分级类型的概率，并选择概率最大的滑坡分级类型作为该待检测图像的滑坡分级类型。具体主要是通过在待检测图像中的目标区域进行釆样，放入神经网络的输入层，进行支持向量层得到每一种标签的概率，即在区间[0，1]中的实值。

归一化处理指对所有的图像像素进行信息熵均值的计算后得到介于-1到1的特征值。

根据步骤s2，卷积支持向量神经网络系统在进行分类模型训练时，并进行图像分级的判别。将判别好的图像样本输入卷积支持向量神经网络系统进行分类模型的训练，主要是对带有人工标注的图像样本带入卷积神经网络系统进行学习；重复“训练->调整网络结构->再训练”的过程直到判别正确为止。

根据步骤s3，判别要求为使用者的主观设定值，若判别精确度大于使用者主观设定值，则符合判别要求判别精确度小于主观设定值，则不符合判别要求。

根据步骤s4，滑坡机率值包括巨型滑坡机率值，大型滑坡机率值，中型滑坡机率值，小型滑坡机率值，所述巨型滑坡机率值，所述大型滑坡机率值，所述中型滑坡机率值，所述小型滑坡机率值之和为1。

在本技术方案中，滑坡类型分为巨型滑坡、大型滑坡、中型滑坡、小型滑坡，共4种类型的滑坡分级标签，即4个数据，这4个数据的和等于1，然后，将得到的每个待检测图像的标签的概率进行平均，得到待检测图像的标签的概率，选择概率最大的标签作为该待检测图像的滑坡分级类型的标签。

归一化处理包括对所有的图像数据进行信息熵均值的计算，将所有人工标注的图像数据的空间距离都除以信息熵均值得到归一化后的样本点。

卷积支持向量神经网络结构包括输入层，卷积层，激活层，下采样层，归一化层和支持向量层。

输入层为图像的横纵座标与图像颜色。

卷积层：

1)核的大小必须是奇数，且不大于该层输入的宽或者高；

2)中间表示通过卷积层时不改变横纵座标。

激活层：

1)激活层不改变卷积层表示的横纵座标与图像颜色；

2)激活层所使用的激活函数包括但不限于以下函数类型：

f(x)=l/（1+e-x）

f(x)=a*tanh(b*x)，a，b为任意非零实数

f(x)=max(0,x)

f(x)=min(a,max(0,x))

f(x)=log(l+ex)

f(x)=|x|

f(x)=x2

f(x)=√x

f(x)=ax+b

3)激活层跟在卷积层之后。

下采样层：

1)下采样层不改变中间表示的图像颜色；

2)下采样层对图像的缩小比即为核的大小：即核为mxn的下采样层会造成中间表示缩小为上一层的（1/m)x(1/n)，理论上m和n可为任意自然数。例如，15x15x32通过3x3的下釆样后，变成5x5x32;15x15x32通过5x5的下采样后，变成3x3x32;但是15x15x32不能进行2x2的下采样，因为15不能被2整除；并不是说，输入尺寸必须是2的次幂，即16、32、64等，输入尺寸只要保证能被所有下釆样层采样即可。

归一化层：

1)归一化层不改变中间表示的任何尺寸；

2)归一化层在本发明是必须的，添加归一化层在本例会提高精度并增加计算量。

—般的组合是：卷积层->激活层->下采样层->归一化层。

以下情况特殊：

1)添加归一化层对精度提升较小却增大了很多运算量时，取消归一化层，即采用以下组合：卷积层->激活层->下釆样层；

2)归一化层提前，效果基本相同，即采用以下组合：卷积层->激活层->归一化层->下采样层。

3)取消下采样层：卷积层->激活层；或者卷积层->激活层->归一化层；下采样本质是为了

増加鲁棒性，同时有减少后续层的运算量的作用；一个网络中通常会有几层下采样，但并不是所有的“卷积层->激活层”后面都要跟下采样。