CN111340012B - 一种地质灾害解译方法、装置、终端设备 - Google Patents
一种地质灾害解译方法、装置、终端设备 Download PDFInfo
- Publication number
- CN111340012B CN111340012B CN202010422537.2A CN202010422537A CN111340012B CN 111340012 B CN111340012 B CN 111340012B CN 202010422537 A CN202010422537 A CN 202010422537A CN 111340012 B CN111340012 B CN 111340012B
- Authority
- CN
- China
- Prior art keywords
- geological disaster
- current
- point cloud
- occurrence area
- topographic features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种地质灾害解译方法、装置，方法包括获取当前地质灾害发生区域的三维点云数据；对三维点云数据进行过滤处理，过滤当前地质灾害发生区域的三维点云数据中的障碍物点云数据，并提取地面点的点云数据，利用地面点的点云数据生成当前数字高程模型；对当前地质灾害发生区域的地形特征进行提取，具体包括提取坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角的地形特征；基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围。本发明提供的地质灾害解译方法可实现对高效率对地质灾害类型和区域范围进行识别确定。
Description
技术领域
本发明涉及巡检处理技术领域，尤其涉及一种地质灾害解译方法、装置、终端设备。
背景技术
地质灾害解译主要是对发生地质灾害区域进行灾害类别和范围进行识别和标记。传统的地质灾害解译方式主要是以航空光学遥感影像为主，通过采用无人机遥感技术，得到相应的影像数据，再提取灾区地质状况的二维和三维图像；然后针对灾区的地质条件、气候预测还有植被破坏程度等方面的内容予以专题图绘制，最后采用人眼目视解译及空间分析软件对地质灾害类别和范围进行识别和标记。
很显然，这种传统地质灾害解译方式明显存在以下的技术缺陷：
1、上述航空光学遥感属于被动遥感，受环境影响较大。由于地质灾害多发生于山区，地势起伏大，云雾天气较多，采用航空光学遥感采集相应的影像数据具有一定的局限性；
2、另外，利用上述采集的光学影像数据生成三维模型，常常会由于地面植被遮挡，无法获得植被下方的精确地形信息，这样也将不利于地质灾害特征提取及解译工作，影响后续解译结果的准确性；
3、同时上述地质灾害解译工作的最后操作主要依赖于人眼目视识别，这样将会导致处理工作量大、效率低下，不利于大量地质灾害解译工作。
发明内容
有鉴于此，本发明实施例提出一种地质灾害解译方法、装置及终端设备，用以解决上述技术问题。
本发明的一实施例提出一种地质灾害解译方法，包括如下操作步骤：
对当前地质灾害发生区域进行激光扫描，获取当前地质灾害发生区域的三维点云数据；
对所述三维点云数据进行过滤处理，过滤所述当前地质灾害发生区域的三维点云数据中的障碍物点云数据，并提取地面点的点云数据，利用所述地面点的点云数据生成当前数字高程模型（即高精度数字高程模型DEM）；
基于生成的所述当前数字高程模型，对所述当前地质灾害发生区域的地形特征进行提取，具体包括提取坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角的地形特征；
基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围。
进一步地，作为一种优选的可实施方案；所述障碍物点云包括地表植被的点云、建筑的点云。
进一步地，作为一种优选的可实施方案；对当前地质灾害发生区域进行激光扫描，具体通过机载激光雷达系统或是地基激光雷达系统对所述当前地质灾害发生区域进行激光扫描。
进一步地，作为一种优选的可实施方案；在所述“基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别”之前，还包括构建所述深度学习算法模型的操作，具体包括如下操作步骤：
首先确定每种地质灾害解译结果与对应的地质灾害地形特征；
对历史上被认定的每种地质灾害解译结果与所述对应的地质灾害地形特征的数据特征进行学习确定两者关联关系，并生成训练样本库，然后存储所述训练样本库；
进一步地，作为一种优选的可实施方案；基于深度学习算法模型对提取的所述地形特征进行分析识别，识别出目标地质灾害地形特征，地质灾害类型和区域范围，具体包括如下操作步骤：
利用所述深度学习算法模型，输入当前地质灾害发生区域的地形特征；
调取所述训练样本库，利用所述训练样本库对当前地质灾害发生区域的地形特征（作为测试集）进行自动识别，根据所述训练样本库中记载的所述地质灾害解译结果与地质灾害地形特征关联关系，从而对所述当前地质灾害发生区域的地形特征进行判断，识别出目标地质灾害地形特征，解译所述当前地质灾害发生区域的目标地质灾害地形特征并确定地质灾害类型和区域范围；
根据所述地质灾害类型及区域范围汇编地质灾害解译专题图。
进一步地，作为一种优选的可实施方案；还包括生成地质灾害解译专题图的操作，具体包括如下操作步骤：
将识别标记的上述当前地质灾害发生区域对应的灾害类型、属性、范围进行标准成图，从而汇编生成当前地质灾害发生区域的地质灾害解译专题图。
进一步地，作为一种优选的可实施方案；还包括当前地质灾害发生区域的地质灾害类型中的特定地质灾害进行属性信息标记，具体包括对断面线、岩体结构面、滑坡边界、山谷山脊线、水涯线的属性信息标记。
相应地，本发明提供了一种地质灾害解译装置，其利用上述地质灾害解译方法实施当前地质灾害发生区域的地质灾害解译操作；所述地质灾害解译装置包括：
点云数据获取模块，用于对当前地质灾害发生区域进行激光扫描，获取当前地质灾害发生区域的三维点云数据；
数据处理模块，用于对所述三维点云数据进行过滤处理，过滤所述当前地质灾害发生区域的三维点云数据中的障碍物点云数据，并提取地面点的点云数据，利用所述地面点的点云数据生成当前数字高程模型（即高精度数字高程模型DEM）；
地形提取模块，用于基于生成的所述当前数字高程模型，对所述当前地质灾害发生区域的地形特征进行提取，具体包括提取坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角的地形特征；
识别模块，用于基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围。
本发明的又一实施例提出一种终端，包括：处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施上述的地质灾害解译方法。
本发明的再一实施例提出一种计算机可读存储介质，其存储有计算机程序，在所述计算机程序被执行时，实施根据上述的地质灾害解译方法。
基于本发明实施例的技术内容至少存在如下方面的技术效果：
本发明实施例提出的实施方法采用主动遥感—即使用激光雷达技术进行激光点云数据采集，采集当前地质灾害发生区域的三维点云数据，过滤地表植被点云、建筑点云等信息，高效、精准地提取地面点，生成数字高程模型，自动提取地形特征；同时基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围。本发明实施例提出的实施方法利用数字高程模型对当前地形特征提取结合深度学习算法模型的方式可实现对高效率对地质灾害类型和区域范围进行识别确定。
因此说，相对于现有技术而言，采用本发明实施例的方法具有数据处理效率高，自动识别精度高等诸多方面的技术优势。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例提供的地质灾害解译方法的第一流程示意图；
图2示出了本发明实施例提供的地质灾害解译方法的第二流程示意图；
图3示出了本发明实施例提供的地质灾害解译装置的结构示意图。
主要元件符号说明：地质灾害解译装置10；点云数据获取模块110；数据处理模块120；地形提取模块130；识别模块140。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
请参照图1，本实施例提出一种地质灾害解译方法，可应用于需要多个传感器进行信息融合的场合，如即时定位与地图构建（SLAM）、自主导航定位等等。本实施例的方法采用软件的同步方式，相比现有的软件同步方法可大大提高精度，并且由于该方法无需增加任何硬件，故可以很好地解决基于硬件同步而导致存在硬件成本高等问题。
如图1所示，下面对该地质灾害解译方法进行详细说明。
步骤S100：对当前地质灾害发生区域进行激光扫描，获取当前地质灾害发生区域的三维点云数据；
步骤S200：对所述三维点云数据进行过滤处理，过滤所述当前地质灾害发生区域的三维点云数据中的障碍物点云数据，并提取地面点的点云数据，利用所述地面点的点云数据生成当前数字高程模型（即高精度数字高程模型DEM）；
步骤S300：基于生成的所述当前数字高程模型，对所述当前地质灾害发生区域的地形特征进行提取，具体包括提取坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角的地形特征；
步骤S400：基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围。
本发明实施例提出的实施方法采用主动遥感—即使用激光雷达技术进行激光点云数据采集，采集当前地质灾害发生区域的三维点云数据，过滤地表植被点云、建筑点云等信息，高效、精准地提取地面点，生成数字高程模型，自动提取地形特征；同时基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围。本发明实施例提出的实施方法利用数字高程模型对当前地形特征提取结合深度学习算法模型的方式可实现对高效率对地质灾害类型和区域范围进行识别确定。
进一步地，作为一种优选的可实施方案；所述障碍物点云包括地表植被的点云、建筑的点云。
需要说明的是，在获取当前地质灾害发生区域的三维点云数据后，将所述三维点云数据导入地质灾害解译软件进行处理，过滤地表植被、建筑等信息，高效、精准地提取地面点，生成数字高程模型，然后自动提取地形特征，基于深度学习技术对地形特征进行分析，标记灾害类别及范围，生成地质灾害解译专题图。
进一步地，作为一种优选的可实施方案；在步骤S100中，对当前地质灾害发生区域进行激光扫描，具体通过机载激光雷达系统或是地基激光雷达系统对所述当前地质灾害发生区域进行激光扫描。
需要说明的是，利用激光雷达技术对上述地质灾害区域进行扫描，具体可以通过机载激光雷达系统或是地基激光雷达系统进行三维激光雷达点云数据的采集；上述数据采集精度不低于厘米级别，测量完成后，将三维点云数据导入到地质灾害解译软件（即如下实施例中的地质灾害解译装置）。
进一步地，作为一种优选的可实施方案；在步骤S300中，所述地形特征提取具体包括如下操作步骤：
步骤S310：基于生成的所述当前数字高程模型，对所述当前地质灾害发生区域的地形特征进行提取；
步骤S320：具体包括提取坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角的地形特征。
进一步地，作为一种优选的可实施方案；在步骤S400中，在所述“基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别”之前，还包括构建所述深度学习算法模型的操作，具体包括如下操作步骤：
步骤S410：首先确定每种地质灾害解译结果与对应的地质灾害地形特征；
步骤S420：对历史上被认定的每种地质灾害解译结果与所述对应的地质灾害地形特征的数据特征进行学习确定两者关联关系，并生成训练样本库，然后存储所述训练样本库；
需要说明的是，将历史数据（采用人工专家识别判断的解译成果，见附图）所提取到的地质灾害地形特征（坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角等）进行训练，将历史数据解译成果与地形特征关联，即达到可以根据地形特征参数进行标定识别地质灾害类型和范围的目的。
进一步地，作为一种优选的可实施方案；参见图2，在步骤400中，基于深度学习算法模型对提取的所述地形特征进行分析识别，识别出目标地质灾害地形特征，地质灾害类型和区域范围，具体包括如下操作步骤：
步骤S430：利用所述深度学习算法模型，输入当前地质灾害发生区域的地形特征；
步骤S440：调取所述训练样本库，利用所述训练样本库对当前地质灾害发生区域的地形特征（作为测试集）进行自动识别，根据所述训练样本库中记载的所述地质灾害解译结果与地质灾害地形特征关联关系，从而对所述当前地质灾害发生区域的地形特征进行判断，识别出目标地质灾害地形特征，解译所述当前地质灾害发生区域的目标地质灾害地形特征并确定其地质灾害类型和区域范围；
步骤S450：根据所述地质灾害类型及区域范围汇编地质灾害解译专题图。
需要说明的是，根据地质灾害解译软件中内置的训练样本库，对提取到的地质灾害地形特征进行识别标记，确定灾害类型和范围，对断面线、岩体结构面、滑坡边界、山谷山脊线、水涯线等进行属性标记。当将新发生地质灾害区域（即当前发生地质灾害区域）所采集得到的地形特征（坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角等）导入分析软件，基于上述深度学习模型进行灾害解译。在上述操作过程中，通过，输出结果为地质灾害解译专题图，包括地质灾害类型及范围。
进一步地，作为一种优选的可实施方案；在步骤400之后还包括生成地质灾害解译专题图的操作，具体包括如下操作步骤：
步骤S500：将识别标记的上述当前地质灾害发生区域对应的灾害类型、属性、范围进行标准成图，从而汇编生成当前地质灾害发生区域的地质灾害解译专题图。
进一步地，作为一种优选的可实施方案；在步骤S440之后，还包括当前地质灾害发生区域的地质灾害类型中的特定地质灾害进行属性信息标记，具体包括对断面线、岩体结构面、滑坡边界、山谷山脊线、水涯线的属性信息标记。
需要说明的是，针对上述地形特征进行识别标记，最终不仅仅可以确定灾害类型和区域范围，还可以对特定地质灾害进行标记，例如对断面线、岩体结构面、滑坡边界、山谷山脊线、水涯线等进行属性信息标记。
实施例2
请参照图3，基于上述实施例1的地质灾害解译方法，本实施例提出一种地质灾害解译装置，其利用上述地质灾害解译方法实施当前地质灾害发生区域的地质灾害解译操作；所述地质灾害解译装置10包括：
点云数据获取模块110，用于对当前地质灾害发生区域进行激光扫描，获取当前地质灾害发生区域的三维点云数据；
数据处理模块120，用于对所述三维点云数据进行过滤处理，过滤所述当前地质灾害发生区域的三维点云数据中的障碍物点云数据，并提取地面点的点云数据，利用所述地面点的点云数据生成当前数字高程模型（即高精度数字高程模型DEM）；
地形提取模块130，用于基于生成的所述当前数字高程模型，对所述当前地质灾害发生区域的地形特征进行提取，具体包括提取坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角的地形特征；
识别模块140，用于基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围。
本发明还提供了一种终端，如计算机、服务器等，该终端包括存储器和处理器，存储器存储有计算机程序，处理器通过运行所述计算机程序，从而使终端设备执行上述的地质灾害解译方法或者上述的地质灾害解译方法装置中的各个模块的功能。
本发明还提供了一种计算机可读存储介质，用于储存上述终端中使用的所述计算机程序。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种地质灾害解译方法，其特征在于，包括如下操作步骤：
对当前地质灾害发生区域进行激光扫描，获取当前地质灾害发生区域的三维点云数据；
对所述三维点云数据进行过滤处理，过滤所述当前地质灾害发生区域的三维点云数据中的障碍物点云数据，并提取地面点的点云数据，利用所述地面点的点云数据生成当前数字高程模型；
基于生成的所述当前数字高程模型，对所述当前地质灾害发生区域的地形特征进行提取，具体包括提取坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角的地形特征；
基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围；
所述障碍物点云包括地表植被的点云、建筑的点云；
在所述基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别之前，还包括构建所述深度学习算法模型的操作，具体包括如下操作步骤：
首先确定每种地质灾害解译结果与对应的地质灾害地形特征；
对历史上被认定的每种地质灾害解译结果与所述对应的地质灾害地形特征的数据特征进行学习确定两者关联关系，并生成训练样本库，然后存储所述训练样本库；
基于深度学习算法模型对提取的所述地形特征进行分析识别，识别出目标地质灾害地形特征，地质灾害类型和区域范围，具体包括如下操作步骤：
利用所述深度学习算法模型，输入当前地质灾害发生区域的地形特征；
调取所述训练样本库，利用所述训练样本库对当前地质灾害发生区域的地形特征进行自动识别，根据所述训练样本库中记载的所述地质灾害解译结果与地质灾害地形特征关联关系，从而对所述当前地质灾害发生区域的地形特征进行判断，识别出目标地质灾害地形特征，解译所述当前地质灾害发生区域的目标地质灾害地形特征并确定地质灾害类型和区域范围；
根据所述地质灾害类型及区域范围汇编地质灾害解译专题图。
2.根据权利要求1所述的地质灾害解译方法，其特征在于，对当前地质灾害发生区域进行激光扫描，具体通过机载激光雷达系统或是地基激光雷达系统对所述当前地质灾害发生区域进行激光扫描。
3.根据权利要求2所述的地质灾害解译方法，其特征在于，还包括生成地质灾害解译专题图的操作，具体包括如下操作步骤：
将识别标记的上述当前地质灾害发生区域对应的灾害类型、属性、范围进行标准成图，从而汇编生成当前地质灾害发生区域的地质灾害解译专题图。
4.根据权利要求3所述的地质灾害解译方法，其特征在于，还包括当前地质灾害发生区域的地质灾害类型中的特定地质灾害进行属性信息标记，具体包括对断面线、岩体结构面、滑坡边界、山谷山脊线、水涯线的属性信息标记。
5.一种地质灾害解译装置，其特征在于，其利用上述权利要求1-4任一项所述的地质灾害解译方法实施当前地质灾害发生区域的地质灾害解译操作；所述地质灾害解译装置包括：
点云数据获取模块，用于对当前地质灾害发生区域进行激光扫描，获取当前地质灾害发生区域的三维点云数据；
数据处理模块，用于对所述三维点云数据进行过滤处理，过滤所述当前地质灾害发生区域的三维点云数据中的障碍物点云数据，并提取地面点的点云数据，利用所述地面点的点云数据生成当前数字高程模型；
地形提取模块，用于基于生成的所述当前数字高程模型，对所述当前地质灾害发生区域的地形特征进行提取，具体包括提取坡度、坡向、曲率、地面粗糙度、山脊线、山谷线、鞍部、坡顶坡底线、倾向倾角的地形特征；
识别模块，用于基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别，识别出目标地质灾害地形特征，并确定地质灾害类型和区域范围；
所述障碍物点云包括地表植被的点云、建筑的点云；
所述识别模块，还用于在所述基于深度学习算法模型对提取的当前地质灾害发生区域的地形特征进行分析识别之前，还构建所述深度学习算法模型，具体为：首先确定每种地质灾害解译结果与对应的地质灾害地形特征；对历史上被认定的每种地质灾害解译结果与所述对应的地质灾害地形特征的数据特征进行学习确定两者关联关系，并生成训练样本库，然后存储所述训练样本库；
所述识别模块，还用于基于深度学习算法模型对提取的所述地形特征进行分析识别，识别出目标地质灾害地形特征，地质灾害类型和区域范围，具体为：利用所述深度学习算法模型，输入当前地质灾害发生区域的地形特征；调取所述训练样本库，利用所述训练样本库对当前地质灾害发生区域的地形特征进行自动识别，根据所述训练样本库中记载的所述地质灾害解译结果与地质灾害地形特征关联关系，从而对所述当前地质灾害发生区域的地形特征进行判断，识别出目标地质灾害地形特征，解译所述当前地质灾害发生区域的目标地质灾害地形特征并确定地质灾害类型和区域范围；根据所述地质灾害类型及区域范围汇编地质灾害解译专题图。
6.一种终端设备，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施根据权利要求1至4中任一项所述的地质灾害解译方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010422537.2A CN111340012B (zh) | 2020-05-19 | 2020-05-19 | 一种地质灾害解译方法、装置、终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010422537.2A CN111340012B (zh) | 2020-05-19 | 2020-05-19 | 一种地质灾害解译方法、装置、终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340012A CN111340012A (zh) | 2020-06-26 |
| CN111340012B true CN111340012B (zh) | 2020-09-15 |
Family
ID=71184979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010422537.2A Active CN111340012B (zh) | 2020-05-19 | 2020-05-19 | 一种地质灾害解译方法、装置、终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340012B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329982B (zh) * | 2020-09-29 | 2022-06-28 | 武汉地大信息工程股份有限公司 | 一种基于k线图的地质灾害预测方法及系统 |
| CN112507823B (zh) * | 2020-11-27 | 2022-08-02 | 清华大学 | 森林火灾特殊危险地形识别方法及装置 |
| CN113362459B (zh) * | 2021-04-02 | 2022-09-27 | 成都理工大学 | 一种岩质滑坡破坏边界的特征提取方法 |
| CN113326756B (zh) * | 2021-05-25 | 2023-05-16 | 中国地质调查局武汉地质调查中心 | 一种基于岩体劣化特征的库岸潜在滑坡隐患识别方法 |
| CN113506203A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN114882366B (zh) * | 2022-05-26 | 2023-03-21 | 广州市城市规划勘测设计研究院 | 一种三维场景灾变监控预警方法 |
| CN115497270B (zh) * | 2022-09-22 | 2024-02-02 | 杭州图南电子股份有限公司 | 一种基于大数据动态联动的应急广播预警系统及终端 |
| CN117475314B (zh) * | 2023-12-28 | 2024-03-12 | 自然资源部第三地理信息制图院 | 一种地质灾害隐患立体识别方法、系统及介质 |
| CN119478281B (zh) * | 2025-01-16 | 2025-03-28 | 中国铁路设计集团有限公司 | 一种陡峭地形下地质灾害解译方法、装置、设备及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961688B (zh) * | 2018-07-13 | 2020-11-03 | 特力惠信息科技股份有限公司 | 一种大数据支持下的地质灾害监测与预警方法 |
| CN109872509A (zh) * | 2019-04-02 | 2019-06-11 | 西安邮电大学 | 基于数字孪生驱动的山体地质灾害监测与预警系统及方法 |
| CN110866318A (zh) * | 2019-12-30 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习技术的危岩失稳模式判别方法及装置 |
-
2020
- 2020-05-19 CN CN202010422537.2A patent/CN111340012B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340012A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340012B (zh) | 一种地质灾害解译方法、装置、终端设备 | |
| Turker et al. | Detection of collapsed buildings caused by the 1999 Izmit, Turkey earthquake through digital analysis of post-event aerial photographs | |
| Skidmore et al. | Map accuracy assessment using line intersect sampling | |
| Chen et al. | Rapid urban roadside tree inventory using a mobile laser scanning system | |
| Gallay et al. | Assessing modern ground survey methods and airborne laser scanning for digital terrain modelling: A case study from the Lake District, England | |
| CN105700525B (zh) | 基于Kinect传感器深度图机器人工作环境不确定性地图构建法 | |
| Elberink et al. | Detection of collapsed buildings by classifying segmented airborne laser scanner data | |
| Weismüller et al. | Mapping the fracture network in the Lilstock pavement, Bristol Channel, UK: manual versus automatic | |
| Dos Santos et al. | Automatic building change detection using multi-temporal airborne LiDAR data | |
| CN112082475B (zh) | 活立木的种类识别方法与材积测量方法 | |
| Jamru et al. | Exploring intensity metrics in raw LiDAR data processing for tropical forests | |
| Koc-San et al. | A model-based approach for automatic building database updating from high-resolution space imagery | |
| Bazezew | Integrating airborne lidar and terrestrial laser scanner forest parameters for acurate estimation of above-ground biomass/carbon in Ayer Hitam Tropical Forest Reserve, Malaysia | |
| CN111366172B (zh) | 数字高程模型的质量检测方法、装置和存储介质 | |
| Braga-Neto et al. | Spatial data for fungal specimens: retrospective georeferencing and practical recommendations for mycologists | |
| CN113111793A (zh) | 树木识别方法与装置 | |
| García et al. | Delineation of individual tree crowns for LiDAR tree and stand parameter estimation in Scottish woodlands | |
| CN113344866A (zh) | 一种点云综合精度评价方法 | |
| Petrovic et al. | Use of airborne laser scanning data for updating topographic maps in hilly and mountain areas | |
| TWI597405B (zh) | System and method for monitoring slope with tree displacement | |
| Martins et al. | Linear regression and lines intersecting as a method of extracting punctual entities in a LiDAR point cloud | |
| Kim et al. | Analysis of Doline Microtopography in Karst Mountainous Terrain Using UAV LiDAR: A Case Study of ‘Gulneomjae’in Mungyeong City, South Korea | |
| Lawas | Complementary use of aiborne LiDAR and terrestrial laser scanner to assess above ground biomass/carbon in Ayer Hitam tropical rain forest reserve | |
| Lian et al. | Combining multisource remote sensing data to calculate individual tree biomass in complex stands | |
| Dohnal et al. | Automated Determination of Relative Height of Terrain Steps Using Geoprocessing Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211111 Address after: 430000 Room 601, building D5, group 2, phase III, Wuhan Software New Town, No. 8, Huacheng Avenue, Wuhan East Lake New Technology Development Zone, Wuhan, Hubei Province Patentee after: Wuhan lvtu tujing Technology Co., Ltd Address before: Room 2301-2308, floor 3, building 2, incubator, Dongbeiwang Software Park, Haidian District, Beijing 100094 Patentee before: Beijing Digital Green Earth Technology Co., Ltd Patentee before: Shenzhen lvtu Intelligent Technology Co., Ltd |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220113 Address after: Room 2301-2308, third floor, building 2, incubator, Zhongguancun Software Park, Dongbeiwang, Haidian District, Beijing 100094 Patentee after: BEIJING GREENVALLEY TECHNOLOGY Co.,Ltd. Patentee after: Wuhan lvtu tujing Technology Co., Ltd; Address before: 430000 Room 601, building D5, group 2, phase III, Wuhan Software New Town, No. 8, Huacheng Avenue, Wuhan East Lake New Technology Development Zone, Wuhan, Hubei Province Patentee before: Wuhan lvtu tujing Technology Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 2301-2308, third floor, building 2, incubator, Zhongguancun Software Park, Dongbeiwang, Haidian District, Beijing 100094 Patentee after: Beijing Digital Green Earth Technology Co.,Ltd. Patentee after: Wuhan lvtu tujing Technology Co., Ltd Address before: Room 2301-2308, third floor, building 2, incubator, Zhongguancun Software Park, Dongbeiwang, Haidian District, Beijing 100094 Patentee before: BEIJING GREENVALLEY TECHNOLOGY Co.,Ltd. Patentee before: Wuhan lvtu tujing Technology Co., Ltd |