(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 202211148505.3 (22)申请日 2022.09.21 (71)申请人 长安大学 地址 710061 陕西省西安市南 二环中段3 3 号 (72)发明人 席江波　姜万冬　李振洪　谢大帅　 陈雪蓉　冯钰璇　邹煜晖　 (74)专利代理 机构 西安睿通知识产权代理事务 所(特殊普通 合伙) 61218 专利代理师 惠文轩 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/94(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种无人机轻量 化地质灾害检测方法 (57)摘要 本发明涉及智能检测领域， 具体涉及一种无 人机轻量化地质灾害检测方法。 本发 明方法采用 轻量化的MobileNetV3识别网络， 以适应无人机 的嵌入设备性能不高的问题， 通过迁移学习和深 度可分离 卷积核技术， 搭建全局平均池化以及密 集连接层来对 特征进行提取并分类， 能精确检测 出受困人员、 地质灾害、 路障等目标信息， 实现动 态预测的效果。 权利要求书1页 说明书2页 附图2页 CN 115546663 A 2022.12.30 CN 115546663 A 1.一种无 人机轻量 化地质灾害检测方法， 其特 征在于， 包括以下步骤： 步骤1， 建立轻量 化的Mobi le Net V3识别网络； 步骤2， 获取 带有标签的图像， 作为预训练集； 步骤3， 对Mobi le Net V3识别网络进行训练， 得到训练好的Mobi le Net V3识别网络； 步骤4， 将训练好的Mobile  Net V3识别网络移植至无人机 的嵌入设备， 对无人机拍摄 的图像中的路障、 地质灾害和受困人员进行识别。 2.根据权利要求1所述的无人机轻量化地质灾害检测方法， 其特征在于， Mobile  Net  V3识别网络包括依次连接的3 ×3卷积层、 BN层、 h ‑swish激活函数、 3个有bneck结构的3 ×3 卷积层、 8个有bneck结构的5 ×5卷积层、 1 ×1卷积层、 池化层、 全连接层、 BN层、 h ‑swish激活 函数、 平均池化层、 全连接层、 Softmax层； 其中， 3个有b neck结构的3 ×3卷积层的激活函数 为Relu激活函数， 8个有bneck结构的5 ×5卷积层的激活函数为h ‑swish激活函数。 3.根据权利要求1所述的无人机轻量化地质灾害检测方法， 其特征在于， 步骤3包含以 下子步骤： 子步骤3.1， 对预训练集图像进行预处理后， 使用预训练集对Mobile  Net V3识别网络 进行训练， 得到预训练的Mobi le Net V3识别网络； 子步骤3.2， 冻结预训练的Mobile  Net V3识别网络中除最后三层结构： 平均池化层、 全 连接层和Softmax层之外的其他层， 并在最后一个全连接层之后依次加入一层全局平均池 化层、 三层 密集连接层， 一个Softmax层， 得到编译后的Mobi le Net V3识别网络； 子步骤3.3， 使用预处理后的带有标签的地质灾害图像对编译后的Mobile  Net V3识别 网络进行训练， 得到训练好的Mobi le Net V3识别网络； 其中， 带有标签的地质灾害图像由无人机拍摄地质灾害现场图像后进行人工标注得 到， 标签包括路障、 地质灾害和受困人员。 4.根据权利要求3所述的无人机轻量化地质灾害检测方法， 其特征在于， 预处理为对图 像进行归一 化处理。权　利　要　求　书 1/1 页 2 CN 115546663 A 2一种无人机轻量化地质灾 害检测方 法 技术领域 [0001]本发明涉及智能检测领域， 具体涉及一种无 人机轻量 化地质灾害检测方法。 背景技术 [0002]深度学习技术在图像处理领域， 如图像分类、 目标检测、 图像分割等取得了系列成 就， 部分学者开始考虑将深度学习技术应用到滑坡识别上来， 利用卷积神经网络 (Convolutional  Neural Network， CNN)实现了 中国香港地区凌峰山和大屿山地区的滑坡 大面积快速检测。 [0003]无人机遥感获取的灾区影像信息可以为灾情评估与救援工作提供基础数据。 特别 是无人机具有超低空飞行、 强实时性、 高机动性的优点， 能够有效弥补遥感卫星困难以获取 被云层遮挡的地物信息、 且获取影像时效性低的缺陷。 将深度学习技术运用到无人机滑坡 检测上， 可以实现大区域范围内滑坡的自动化检测， 能较好 地满足灾害的应急响应要求。 [0004]但由于传统的目标检测算法网络模型参数量巨大， 对硬件的计算性能要求过高， 无人机嵌入设备不满足深度卷积神经网络所需要的计算性能要求， 故需要一种轻量化神经 网络进行目标检测 和识别， 并应用于无 人机上。 发明内容 [0005]针对现有技术中存在的问题， 本发明的目的在于一种无人机轻量化地质灾害检测 方法。 [0006]为了达到上述目的， 本发明采用以下技 术方案予以实现。 [0007]一种无人机轻量 化地质灾害检测方法， 包括以下步骤： [0008]步骤1， 建立轻量 化的Mobi le Net V3识别网络； [0009]步骤2， 获取 带有标签的图像， 作为预训练集； [0010]步骤3， 对Mobile  Net V3识别网络进行训练， 得到训练好的Mobile  Net V3 识别 网络； [0011]步骤4， 将训练好的Mobile  Net V3识别网络移植至无人机的嵌入设备， 对无人机 拍摄的图像中的路障、 地质灾害和受困人员进行识别。 [0012]与现有技术相比， 本发明的有益效果为： 本发明方法采用轻量化的  MobileNetV3 识别网络， 以适应无人机的嵌入设备性能不高的问题， 通过迁移学习和深度可分离卷积核 技术， 搭建全局平均池化以及密集连接层来对特征进行提取并分类， 能精确检测出受困人 员、 地质灾害、 路障等目标信息， 实现动态预测的效果。 附图说明 [0013]下面结合附图和具体实施例对本发明做进一 步详细说明。 [0014]图1为本发明方法的Mobi le Net V3识别网络的具体结构表； [0015]图2为本发明方法对Mobi le Net V3识别网络进行训练的流 程图。说　明　书 1/2 页 3 CN 115546663 A 3