基于Faster R-CNN目標檢測的滑坡隱患識別
——以福貢縣城區(qū)為例*

簡小婷，趙 康，左小清，朱 琪，朱 文

(1.昆明理工大學 國土資源工程學院，云南 昆明 650093；2.云南省基礎(chǔ)地理信息中心，云南 昆明 650034)

0 引言

滑坡是在重力和其他外界條件作用下，斜坡上的部分土石體沿斜坡內(nèi)部一個或幾個滑動面整體向下滑動的自然現(xiàn)象。滑坡一旦發(fā)生，將會毀壞所涉區(qū)域的村鎮(zhèn)農(nóng)田，嚴重威脅當?shù)鼐用竦纳敭a(chǎn)安全。2014年云南省福貢縣“6·30”大型滑坡災害造成1人死亡、15人失蹤；2017年四川省“6·24”新磨村滑坡瞬間將整個村莊幾乎掩埋，造成10人死亡、93人失蹤；2019年貴州省水城縣“7·23”特大山體滑坡災害造成近1 600人受災，43人死亡、9人失蹤。國家統(tǒng)計局數(shù)據(jù)顯示，2020年我國發(fā)生地質(zhì)災害7 840起，其中滑坡災害4 810起，占比61.35%。因此，如何發(fā)現(xiàn)和有效識別滑坡災害對于防災減災工作至關(guān)重要。

隨著國產(chǎn)高分辨率衛(wèi)星的普及，國產(chǎn)高分衛(wèi)星影像在地質(zhì)災害領(lǐng)域得到了廣泛應用?；诟叻直媛使鈱W遙感影像的滑坡隱患識別研究主要集中在對未成災的不穩(wěn)定滑坡和歷史滑坡的整體或局部“復活”[1-3]。識別方法主要有以下4類：

a.人工目視解譯方法。專業(yè)人員利用遙感影像上的色彩、紋理、陰影等幾何特征辨別不同地物，再結(jié)合一些非遙感數(shù)據(jù)資料進行分析和推理，從而識別災害隱患區(qū)域，準確度較高[4-5]。但是該方法非常依賴專業(yè)人員的知識和經(jīng)驗，耗時費力。

b.變化檢測方法。該方法主要利用不同歷史時間獲取覆蓋同一地表的遙感影像和相關(guān)地理數(shù)據(jù)，采用面向?qū)ο蠡蚶孟裨卣髯R別滑坡引起變化的區(qū)域[6-8]。常用的方法有基于像元的滑坡信息提取和面向?qū)ο蠓椒ǖ幕滦畔⑻崛9]?；谙裨幕滦畔⑻崛》椒ㄗR別高分辨率光學遙感影像的滑坡時，會出現(xiàn)“同物異譜、異物同譜”現(xiàn)象，直接影響滑坡的識別和變化檢測效果；而面向?qū)ο蟮幕伦R別方法能充分利用遙感影像的細節(jié)特征，有效避免“椒鹽現(xiàn)象”。

c.機器學習方法。該方法通過提取所用數(shù)據(jù)的各類相關(guān)特征，使用各種分類器進行滑坡識別，自動化程度較高，但特征選擇和超參數(shù)調(diào)試工作量較大，數(shù)據(jù)集較大時易出現(xiàn)錯分漏發(fā)現(xiàn)象[10-12]。

d.深度學習方法。該方法無需人工構(gòu)建和選擇特征圖層，適合于更大場景的滑坡識別，在滑坡識別中以卷積神經(jīng)網(wǎng)絡(luò)為主[13-17]。目前基于目標檢測中的深度學習算法主要分為基于區(qū)域建議框的雙階段檢測算法和基于回歸運算的單階段檢測算法，前者主要的典型算法有R-CNN、SPP-net、Fast R-CNN、Faster R-CNN算法等，后者主要的典型算法有YOLO、YOLOv2、YOLOv3、SSD和RetinaNet算法等。單階段檢測算法具有很好的檢測速度，但是檢測精度不如雙階段算法；雙階段算法中的Faster R-CNN準確率較高，漏檢率較低，速度比Fast R-CNN有所提升[18-19]。

在已有的目標檢測滑坡識別研究中，研究對象多聚焦于地震滑坡和降雨滑坡等新生滑坡，而對發(fā)生時間久遠、邊界較不明顯的滑坡研究較少。除此之外，滑坡識別研究中使用的光學影像數(shù)據(jù)中大多分辨率較低，會造成滑坡識別的遺漏。因此，本文基于高分辨率的光學遙感影像，以云南省怒江傈僳族自治州福貢縣為研究區(qū)，構(gòu)建高山峽谷地區(qū)滑坡識別數(shù)據(jù)集，并在該數(shù)據(jù)集的基礎(chǔ)上，探索使用Faster R-CNN目標檢測方法進行滑坡檢測的可行性。

1 目標檢測方法

1.1 基于Faster R-CNN的目標檢測方法

近年來，目標檢測方法逐漸被運用于各個領(lǐng)域，取得了豐碩的研究成果。但傳統(tǒng)的目標檢測方法復雜度較高，窗口冗余，而基于深度學習的目標檢測和識別較好地解決了上述問題，已逐漸成為目標檢測的主流方法。目前基于候選區(qū)域的深度學習目標檢測算法有R-CNN、Fast R-CNN、Faster R-CNN，基于回歸的深度學習目標檢測算法有YOLO、SSD等。Fast R-CNN彌補了R-CNN的不足，而Faster R-CNN在Fast R-CNN的基礎(chǔ)上進行了改進，明顯提高了精度和速度。且Faster R-CNN與YOLO、SSD相比，魯棒性更強，占用的空間更小。因此，本文采用Faster R-CNN目標檢測方法來實現(xiàn)滑坡的自動識別。Faster R-CNN是2016年REN在R-CNN和Fast R-CNN的基礎(chǔ)上提出的一種深度學習模型[23]，將獲取特征圖層、候選區(qū)域選取、回歸和分類等操作融合在一個深層網(wǎng)絡(luò)中，提高了分析效率。Faster R-CNN滑坡檢測流程如圖1所示。

圖1 Faster R-CNN滑坡檢測流程

1)滑坡隱患特征提取

利用主干特征提取網(wǎng)絡(luò)獲得圖片的共享特征層，常用的深度卷積網(wǎng)絡(luò)結(jié)構(gòu)有VGG16、ResNet、IncResV2等[24]。ResNet能增加網(wǎng)絡(luò)的深度，從而對模型進行優(yōu)化，可以獲得更好的學習效果，因此本文采用ResNet101網(wǎng)絡(luò)以便得到更深層次的融合特征圖，從而提高目標檢測性能。

2)RPN檢測

區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network,RPN)解決了R-CNN、Fast R-CNN候選框生成計算開銷大的問題，提高了目標檢測算法性能。RPN主要通過神經(jīng)網(wǎng)絡(luò)處理，獲取準確的候選區(qū)域，RPN網(wǎng)絡(luò)采用多任務(wù)損失，式(1)是其對一張影像的損失函數(shù)定義式：

(1)

(2)

(3)

式中，參數(shù)R為smooth函數(shù)，表達式為

(4)

3)ROI Pooling

根據(jù)確定的滑坡精確位置，從特征圖中選擇用于分類的目標數(shù)據(jù)，利用Pooling修改圖片尺寸，輸入全連接層進行分類和回歸。

4)分類和回歸

利用Softmax函數(shù)獲取最終分類，判斷物體是滑坡還是非滑坡，以便精細調(diào)整候選區(qū)域位置，從而獲取最終目標檢測結(jié)果。

1.2 模型訓練

1)模型訓練平臺

模型訓練平臺為臺式計算機，處理器是Intel Corei9-9900k，32 GB內(nèi)存，512 GB固態(tài)硬盤。在Anaconda中配置Pytorch 3.6和Tensorflow1.13.2?；赑ytorch和Tensorflow框架搭建了Faster R-CNN模型，模型選用ResNet-101(101層)為主干網(wǎng)絡(luò)，最小批數(shù)量為2張圖片，訓練批次為100次。

2)模型訓練數(shù)據(jù)集

本文使用的高分辨率光學遙感影像是2019年高分一號光學影像，整體影像質(zhì)量良好。高分一號衛(wèi)星是我國自主研發(fā)并成功發(fā)射的首顆高分辨率對地觀測遙感衛(wèi)星，其分辨率達到了2 m，能滿足遙感影像精細解譯要求。樣本數(shù)據(jù)庫利用ArcMap工具構(gòu)建(見圖2)。

圖2 滑坡樣本集

另外，為進一步增大樣本量，在訓練時采用了旋轉(zhuǎn)的數(shù)據(jù)增強策略。因此，一共解譯出福貢縣(不包含福貢縣城區(qū)域)1 548處滑坡隱患區(qū)域，數(shù)據(jù)集統(tǒng)一為VOC2007格式，影像標準化為600×600像素，統(tǒng)一標記，確保標記不重疊。其中：1 338張滑坡影像數(shù)據(jù)集用于學習目標特征，訓練目標檢測算法；210張影像數(shù)據(jù)集作為測試樣本集，用于選擇表現(xiàn)最好的模型。

1.3 精度評價

本文采用精確度(Precision)和召回率(Recall)作為精度評定指標。精確度是正確預測結(jié)果數(shù)量與所有預測結(jié)果的比值，召回率是正確預測結(jié)果數(shù)量與所有真實值的比值。單獨使用精確度或召回率指標評價目標預測精度會出現(xiàn)誤測，故常將這兩個指標結(jié)合使用。AP(Average Precision)值評價方法就是典型的Precision和Recall相結(jié)合的方法。AP值主要利用不同的Precision和Recall的點的組合畫出曲線下的面積，能夠更加準確地評價目標檢測的準確度。

精確度P、召回率R、平均精度AP可分別表示為

(5)

(6)

(7)

式中，TP表示分類器認為是正樣本且結(jié)果是正樣本的例子，F(xiàn)P表示分類器認為是正樣本但結(jié)果不是正樣本的例子，F(xiàn)N表示分類器認為是負樣本但結(jié)果不是負樣本的例子。

滑坡檢測結(jié)果如圖3所示。在Faster R-CNN模型訓練的100個批次中，選取損失值較小、精度較合適的第82個批次的模型參數(shù)作為最優(yōu)模型用于結(jié)果測試，最終測試結(jié)果顯示滑坡識別的AP值達到了92.42%。

圖3 訓練損失與精度驗證

2 實驗與分析

為進一步驗證Faster R-CNN滑坡隱患識別模型的準確性，將遙感影像數(shù)據(jù)集輸入AP值達92.42%的最優(yōu)模型中，并采用面向?qū)ο蠡码[患識別方法對福貢縣城區(qū)域的高分一號影像進行滑坡隱患識別。將兩種方法的識別結(jié)果與云南省地質(zhì)災害隱患識別中心提供的福貢縣滑坡隱患點分布進行對比，以檢驗實驗的準確度。

2.1 實驗區(qū)

以福貢縣城區(qū)為實驗區(qū)，其位于福貢縣中部，以福貢縣政府為中心，面積約610 km2，涵蓋鹿馬登鄉(xiāng)、上帕鎮(zhèn)、架科底鄉(xiāng)(見圖4)。受印度板塊與歐亞板塊碰撞影響，深大斷裂發(fā)育，近地表巖體破碎，地形起伏大，江河深切，局地暴雨多發(fā)，是典型的地質(zhì)災害高易發(fā)區(qū)[20-22]，尤以滑坡災害居多。同時，滑坡隱患源區(qū)往往地處高位，人跡罕至，具有高度的隱蔽性，僅靠地質(zhì)災害詳查和群測群防手段難以及時發(fā)現(xiàn)災險情。而高分辨率光學遙感影像覆蓋范圍廣，對于變形跡象明顯的滑坡隱患具有較好的識別能力，有助于大范圍滑坡災害隱患的快速識別。因此，本文借助高精度對地觀測和人工智能手段，開展該區(qū)域滑坡災害隱患識別，這對滇西北地質(zhì)災害防范具有重要的示范意義。

圖4 實驗區(qū)位置

2.2 實驗設(shè)計

為了驗證本文采用的目標檢測方法的滑坡識別性能，基于福貢縣城區(qū)的高分一號影像，分別采用面向?qū)ο蠓椒ê虵aster R-CNN目標檢測方法識別該區(qū)域的滑坡隱患[23-24]。所有實驗均在處理器Intel(R)Core(TM)i7-10750H CPU@2.60GHz下進行。目標檢測算法軟件環(huán)境為Pytorch 3.6和Tensorflow1.13.2。面向?qū)ο蠓椒ㄔ趀Cognition平臺上展開，eCognition Deve-loper軟件是一款基于面向?qū)ο蟮倪b感信息提取專業(yè)軟件，適用于高分辨率遙感圖像?；诿嫦?qū)ο蟮倪b感影像分類方法，能夠有效避免“同物異譜”和“異物同譜”現(xiàn)象，從而更加準確地識別滑坡隱患。基本處理流程為：①遙感影像校正、裁剪等預處理；②利用多尺度分割方法(將形狀因子和緊致度分別設(shè)為0.1和0.5，分割尺度參數(shù)設(shè)為75)分割遙感影像；③采用均值、灰度共生矩陣等特征因子定義和區(qū)分滑坡對象；④利用支持向量機(Support Vector Machines ,SVM)算法提取滑坡信息；⑤根據(jù)云南省地質(zhì)災害隱患識別中心提供的滑坡隱患數(shù)據(jù)對比兩種方法的滑坡隱患識別結(jié)果，以驗證本文采用的目標檢測方法的有效性。

2.3 實驗結(jié)果分析

采用Faster R-CNN滑坡隱患檢測方法，使用高分一號影像數(shù)據(jù)，識別出福貢縣城區(qū)滑坡隱患點193處(見圖5a)。采用面向?qū)ο蠓椒?，最終識別出滑坡隱患區(qū)域245處(見圖5b)。

圖5 Faster R-CNN識別結(jié)果(a)和面向?qū)ο笞R別結(jié)果(b)

由圖5可知，兩種方法均識別出了研究區(qū)域的大部分滑坡隱患點，且這些點大多是重疊的。將兩種方法的識別結(jié)果分別與云南省地質(zhì)災害隱患識別中心提供的滑坡隱患數(shù)據(jù)進行比較，結(jié)果分別見表1和圖6。

表1 滑坡隱患識別結(jié)果驗證

由表1可知：基于面向?qū)ο蟮幕码[患識別方法識別出245個滑坡隱患點，正確解譯201個，正確率為82.04%；基于Faster R-CNN的滑坡隱患自動識別方法識別出193個滑坡隱患點，正確解譯176個，正確率為91.19%。由此可見，基于Faster R-CNN的滑坡隱患識別方法準確度更高。

但兩種方法都有部分識別錯誤和未識別區(qū)域。圖7為Faster R-CNN部分滑坡錯誤識別結(jié)果，對錯誤識別結(jié)果進行對比后發(fā)現(xiàn)，多數(shù)錯誤識別結(jié)果位于地表光譜特征與滑坡邊緣類似的梯田、草地或山脊交匯地帶，這些地方的紋理特征復雜多變，植被稀少，地表較為裸露，易導致錯誤識別。圖8為部分未識別出的滑坡隱患區(qū)域，對部分未識別出的滑坡隱患區(qū)域進行對比后發(fā)現(xiàn)，其主要有兩種類型：一種是滑坡在光學遙感影像上光譜特征與周圍環(huán)境相似，滑坡后壁可見，但邊界比較模糊，易被識別為裸露的草地或耕地；另一種是滑坡主要位于光學遙感影像中的陰影部位，處于山脊或坡頂，在陽光照射下被陰影覆蓋，無法通過光譜特征識別出滑坡隱患區(qū)域。

圖7 部分滑坡錯誤識別結(jié)果

圖8 未被識別出的滑坡隱患區(qū)域

3 結(jié)論

隨著國產(chǎn)高分辨率衛(wèi)星技術(shù)的快速發(fā)展，為地質(zhì)災害智能識別提供了可靠的高分辨數(shù)據(jù)。本文基于Faster R-CNN目標檢測方法構(gòu)建了滑坡隱患自動識別模型，采用高分一號影像數(shù)據(jù)，對福貢縣城區(qū)域進行了滑坡隱患檢測，共識別出隱患點193處，與云南省地質(zhì)災害隱患中心提供的數(shù)據(jù)進行比較后發(fā)現(xiàn)其準確率高達91.19%。本研究還得到了以下主要結(jié)論：

a.基于高分一號衛(wèi)星影像，采用Faster R-CNN滑坡隱患識別方法能有效識別滇西怒江流域的滑坡隱患，可有效減少實地巡排查工作量，對地處高位、交通不便、隱蔽性強的滑坡隱患排查具有重要的指導意義。

b.Faster R-CNN滑坡隱患識別方法對地表特征明顯的滑坡具有較高的識別率，但對形態(tài)不完整、變形跡象不明顯的滑坡難以識別。因此，未來可考慮與InSAR、LiDAR技術(shù)相結(jié)合，采用綜合研判的方法進一步提高滑坡隱患識別的準確率。