(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211199387.9 (22)申请日 2022.09.29 (71)申请人 云南大学 地址 650031 云南省昆明市翠湖北路2号 (72)发明人 陈俊旭　童健航　赵志芳　范云江　 易琦　彭佳宾　张继辉　 (74)专利代理 机构 北京国林贸知识产权代理有 限公司 1 1001 专利代理师 李桂玲　杜国庆 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于YoloV4算法的滑坡及形态识别方 法 (57)摘要 本发明公开了一种基于YoloV4算法的滑坡 及形态识别方法， 包括： 第一步： 从卫星遥感影像 中获取含有滑坡区域的 图像， 将图像进行预处理 形成含有目标识别特征的图像数据； 第二步： 将 含有目标识别特征的图像数据输入一个运用 YoloV4算法建立的目标识别模型， 目标识别模型 输出滑坡识别结果图像； 第三步： 根据滑坡识别 结果图像的长宽比确定滑坡形状； 第四步： 获取 对应滑坡识别结果图像区域的高程数据， 确定滑 坡方向并在图像中标出； 本发明加入了滑坡形态 识别， 尤其是滑坡方向上的识别， 在方向识别正 确率上本发明达到85%以上， 在同等硬件环境下， 识别速度上提升了三倍以上， 可以有效缩短大规 模识别工作花费的时间。 权利要求书1页 说明书6页 附图4页 CN 115457407 A 2022.12.09 CN 115457407 A 1.一种基于 YoloV4算法的滑坡及形态 识别方法， 其特 征在于， 所述方法包括： 第一步： 从卫星遥感影像中获取含有滑坡区域的图像， 将图像进行预处理形成含有目 标识别特 征的图像数据； 第二步： 将含有目标识别特征的图像数据输入一个目标识别模型， 目标识别模型输出 滑坡识别结果图像； 第三步： 根据滑坡识别结果图像的长 宽比确定滑坡形状； 第四步： 获取对应滑坡识别结果图像区域的高程数据， 使用D8算法和沙依达格分级法 确定滑坡方向并在图像中标 出； 其中： 所述目标识别特 征是使用label img标注工具对滑坡区域轮廓进行 标注的数据； 所述目标识别模型 是基于YoloV4算法的目标识别模型， 其建立的步骤是： 第一步： 针对已知的不同类型滑坡提取所述目标识别特征建立不同类型滑坡区域样本 集； 第二步： 运用YoloV4模型对样本集进行训练输出针对已知不同类型滑坡的滑坡识别结 果图像形成目标识别模型。 2.根据权利 要求1所述的滑坡及形态识别方法， 其特征在于， 所述使用labelimg标注工 具是选择标注类别 为landslide的labelimg标注工具， 标注过程中用鼠标拖出标注框进行 标注并存 储为xml格式。 3.根据权利要求1所述的滑坡及形态识别方法， 其特征在于， 所述YoloV4模型由 CSPDarknet53、 SPP、 PANet和  Yolo Head组成； 其中： CSPDarknet53为主干特征提取网络： 将输入的图片转化为416 ×416×3数据格式进行 多次卷积处 理输出结果特征层； SPP和PANet为加强特征提取网络： 对上述结果特征层进行上采样， 即让输入的特征层 高和宽变化 为原来的两倍， 通过 特征提取网络形成特 征金字塔的结构， 完成特 征融合； Yolo Head将提取到的特 征融合转化为预测结构。 4.根据权利要求1所述的滑坡及形态识别方法， 其特征在于， 所述长宽比小于1.3判断 其为圆型滑坡， 反 之为长型滑坡。 5.根据权利要求1所述的滑坡及形态识别方法， 其特征在于， 所述确定滑坡方向是将通 过卫星获取对应滑坡识别结果图像区域的高程数据均一化后处理成灰度图像并导出， 然后 根据对应位置坐标换算， 在dem灰度图像上确定相应区域并使用D8算法确定滑坡土石物质 随高程变化产生的小区域流向和流量上的变化， 再通过沙依达格分级法提取出集中的一条 流向， 并连接集中流向开头与结尾部分， 即为识别出的滑坡方向。 6.根据权利要求1所述的滑坡及形态识别方法， 其特征在于， 所述已知的不同类型滑坡 是基于谷歌Earth、 Tr ipleSat影像数据和网络公开的滑坡影像数据集寻找并制作的滑坡图 像。权　利　要　求　书 1/1 页 2 CN 115457407 A 2一种基于 YoloV4算法的滑坡及 形态识别方 法 技术领域 [0001]本发明涉及遥感大数据领域， 特别涉及一种基于YoloV4算法的滑坡及形态识别方 法。 背景技术 [0002]滑坡是一种常见的自然灾害， 长期制约着工程建设和经济规划， 尤其是发生在人 口聚集区域的滑坡灾害极易造成大量人员伤亡和经济损失。 同时滑坡后的山体易产生泥石 流等次生灾害， 对已发生的滑坡进行及时识别并加以治理更有助于防范此类次生灾害的发 生。 据统计， 仅2012年到2018年， 滑坡发生总数达到50110处， 占地质灾害总数的71％。 如此 多的滑坡仅靠人工进 行遥感图像目视解译筛选十分费力费时， 且需要一定技术基础 才可以 解析出滑坡方向等更多信息， 总体查找效率低成本高。 目前， 随着卫星遥感技术和神经网络 技术的发展随之有了许多滑坡确认方法， 然而这些方法所注重的滑坡的确认， 而没有关注 对于滑坡形态方面的研究。 在神经网络算法的应用上偏重于复杂的分析上， 带来的问题就 是实时判别效率低成本高。 发明内容 [0003]本发明提出了一种基于YoloV4算法的滑坡及形态识别方法， 利用模型对图像区域 是否存在滑坡进行自动识别， 并用方框标出滑坡， 同时通过判断识别框长宽比例进行基本 的滑坡形状分类， 并结合相应区域的高程数据， 对已识别出的滑坡进行 方向判断。 [0004]为了实现上述目的， 本发明提出的技 术方案是： [0005]一种基于 YoloV4算法的滑坡及形态 识别方法， 其中， 所述方法包括： [0006]第一步： 从卫星遥感影像中获取含有滑坡区域的图像， 将图像进行预处理形成含 有目标识别特 征的图像数据； [0007]第二步： 将含有 目标识别特征的图像数据输入一个目标识别模型， 目标识别模型 输出滑坡识别结果图像； [0008]第三步： 根据滑坡识别结果图像的长 宽比确定滑坡形状； [0009]第四步： 获取对应滑坡识别结果图像区域的高程数据， 使用D8算法和沙依达格分 级法确定滑坡方向并在图像中标 出； [0010]其中： [0011]所述目标识别特 征是使用label img标注工具对滑坡区域轮廓进行 标注的数据； [0012]所述目标识别模型 是基于YoloV4算法的目标识别模型， 其建立的步骤是： [0013]第一步： 针对已知的不同类型滑坡提取所述目标识别特征建立不同类型滑坡区域 样本集； [0014]第二步： 运用YoloV4模型对样本集进行训练输出针对已知不同类型滑坡的滑坡识 别结果图像形成目标识别模型。 [0015]方案进一步是： 所述使用labelimg标注工具是选择标注类别为landslide的说　明　书 1/6 页 3 CN 115457407 A 3