(19)中华 人民共和国 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 202111571999.1 (22)申请日 2021.12.21 (71)申请人 北京国电瑞 源科技发展 有限公司 地址 100000 北京市丰台区大成路6号院1 号楼23层2303 (72)发明人 王浩　高建文　周鹏耀　吕梅柏　 (74)专利代理 机构 陕西铭一知识产权代理有限 公司 61287 代理人 何春兰 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于cmBN和SAT的山体滑坡预警方法 (57)摘要 本发明提供了一种基于cmBN和SAT的山体滑 坡预警方法， 属于图像处理领域。 本发明着重利 用cmBN权重 更新策略和SAT自对抗训练策略技术 实现山体滑坡实时预警功能。 利用云台相机首先 对山体滑坡图像进行采集并制作相关数据集通 过以CSPDarknet53为主干网络提取目标特征； 利 用CmBN策略实时调整训练所用的mini  batch； 利 用SAT自对抗训练策略技术实现数据增强这几种 手段为主进行训练得到山体滑坡的权重。 利用此 权重实时判断云台相机拍摄图片是否发生山体 滑坡。 本发明相比于传统人工检测方法， 本发明 具有全天候、 全天时自动检测能力。 在山体滑坡 检测准确率方面达 到89％。 权利要求书2页 说明书6页 附图2页 CN 114239411 A 2022.03.25 CN 114239411 A 1.一种基于 cmBN和SAT的山体滑坡预警方法， 其特 征在于， 包括以下步骤： 采集山体滑坡的照片及视频作为原始文件， 采集待检测的山体滑坡的照片作为待检测 文件； 将原始文件制作成数据集； 建立基于 cmBN权重更新策略和自对抗训练策略SAT的检测 神经网络； 通过检测 神经网络对数据集进行训练， 得到 权重文件； 将待检测文件与权重文件输入检测神经网络， 通过检测神经网络判断待检测的照片上 是否出现山体滑坡。 2.根据权利要求1所述的一种基于cmBN和SAT 的山体滑坡预警方法， 其特征在于， 所述 建立基于 cmBN权重更新策略和自对抗训练策略SAT输入端目标检测 神经网络的步骤 包括： 建立滑坡检测框架； 在滑坡检测框架内植入CIoU ‑loss策略、 CmBN权重更新策略和自对抗训练策略SAT策 略， 形成基于 cmBN权重更新策略和自对抗训练策略SAT输入端目标检测 神经网络 。 3.根据权利要求2所述的一种基于cmBN和SAT 的山体滑坡预警方法， 其特征在于， 所述 滑坡检测框架包括： 卷积神经网络， 用于将数据集中不同细粒度的图像聚合形成图像特 征； 连接网络， 用于混合和组合图像特 征； 预测网络， 用于检测图像特征、 生成检测边界框和类别预测； 通过连接网络与卷积神经 网络连接 。 4.根据权利要求3所述的一种基于cmBN和SAT的山体滑坡预警方法， 其特征在于， 将 Darknet53作为基本网络， 在基本网络上 结合局部网络 CSPNet得到所述卷积神经网络 。 5.根据权利要求3所述的一种基于cmBN和SAT 的山体滑坡预警方法， 其特征在于， 所述 连接网络为空间金字塔汇集网络S PP。 6.根据权利要求3所述的一种基于cmBN和SAT 的山体滑坡预警方法， 其特征在于， 通过 PANNet结合Co ncatenati on融合方式得到所述预测网络 。 7.根据权利要求3所述的一种基于cmBN和SAT 的山体滑坡预警方法， 其特征在于， 所述 在滑坡检测框架内植入CIoU ‑loss策略、 C mBN权重更新策略和自对抗训练策略SAT策略的具 体步骤包括： 将CIoU‑loss策略植入卷积神经网络， 通过对数据 集中图像的预测框和目标框交并比、 长宽比的相似性和权重系数衡量预测框和目标框的一致性； 其中预测框指 检测出的包含图 像特征的矩形框， 目标框指以图像特 征为目标设置的矩形框； 将CmBN权 重更新策略植入卷积神经网络； 在卷积神经网络反向传播过程中植入自对抗训练策略SAT策略。 8.根据权利要求7所述的一种基于cmBN和SAT 的山体滑坡预警方法， 其特征在于， 通过 CIoU‑loss策略衡量预测框和目标框的一 致性的步骤 包括： 将CIoU‑loss策略中预测框和目标框的惩罚项RCIoU定义如下式， 权　利　要　求　书 1/2 页 2 CN 114239411 A 2则通过CI oU‑loss策略的惩罚项RCIoU定义CIoU‑loss策略的损失函数为： 通过CIoU‑loss策略的损失函数表示预测框和目标框的一 致性； 其中， b为预测框的中心点， bgt为目标框的中心点， ρ()为欧几里得距离， c 为能覆盖预测 框和目标框的最小矩形的对角线长度； v为预测框和目标框 长宽比的相似性， 其中， wgt为目标框的宽， hgt为目标框的长， w 为预测框的宽， h为预测框的长； α 为权重系数， 预测框和目标框 长宽比的相似性v关于预测框的宽w的倒数表示 为， 预测框和目标框 长宽比的相似性v关于预测框的长 h的倒数表示 为， 其中， 9.根据权利要求7所述的一种基于cmBN和SAT 的山体滑坡预警方法， 其特征在于， 通过 CmBN权重更新策略稳定卷积神经网络训练过程中的数据分布的步骤 包括： 将卷积神经网络中每 个batch内部的4个mi ni batch作为一个整体； 在每个mini batch内部进行 数据汇合； 在每个batch内更新一次权重参数； 通过对数据的划分和权 重参数的设置稳定卷积神经网络训练过程中的数据分布。 10.根据权利 要求7所述的一种基于cmBN和 SAT的山体滑坡预警方法， 其特征在于， 所述 在卷积神经网络反向传播过程中植入自对抗训练策略SAT策略的具体步骤 包括： 卷积神经网络改变原始图像得到修改后的图像， 判断原始图像上没有图像特征并对自 身进行对抗式攻击实现对卷积神经网络的增强。权　利　要　求　书 2/2 页 3 CN 114239411 A 3