Algoritmo de Detección de Deslizamientos de Tierra SE-YOLOv7 Basado en Mecanismo de Atención y Función de Pérdida Mejorada
Autores: Liu, Qing; Wu, Tingting; Deng, Yahong; Liu, Zhiheng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Algoritmo de Detección de Deslizamientos de Tierra SE-YOLOv7 Basado en Mecanismo de Atención y Función de Pérdida Mejorada
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Desarrollo
Tecnología de visión por computadora
Detección de deslizamientos de tierra
Aprendizaje profundo
Imágenes de teledetección
Modelo SE-YOLOv7
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Con el continuo desarrollo de la tecnología de visión por computadora, cada vez más tareas de identificación de deslizamientos de tierra han comenzado a pasar de la interpretación visual manual a la identificación automática por computadora, y se han desarrollado gradualmente métodos automáticos de detección de deslizamientos de tierra basados en imágenes de satélite de teledetección y aprendizaje profundo. Sin embargo, la mayoría de los algoritmos existentes a menudo tienen el problema de baja precisión y débil generalización en la detección de deslizamientos de tierra. Basado en la plataforma Google Earth Engine, este estudio seleccionó datos de imágenes de deslizamientos de tierra de 24 áreas de estudio en China y estableció el conjunto de datos de muestras de deslizamientos DN, que contiene un total de 1440 muestras de deslizamientos. El modelo original del algoritmo YOLOv7 fue mejorado y optimizado aplicando el mecanismo de atención comprimida SE y la función de pérdida VariFocal para construir el modelo SE-YOLOv7 y realizar la detección automática de deslizamientos en imágenes de teledetección. Los resultados experimentales muestran que el mAP, el valor de precisión, el valor de recuperación y el F1-Score del modelo mejorado SE-YOLOv7 para la identificación de deslizamientos son 91.15%, 93.35%, 94.54% y 93.94%, respectivamente. Al mismo tiempo, a través de una investigación de campo y un estudio de verificación en el condado de Qianyang, ciudad de Baoji, provincia de Shaanxi, comparando los resultados de detección de SE-YOLOv7, se concluye que el SE-YOLOv7 mejorado puede localizar la ubicación del deslizamiento de tierra con mayor precisión, detectar el rango del deslizamiento de tierra con mayor precisión y tener menos detecciones perdidas. Los resultados de la investigación muestran que el modelo de algoritmo tiene una fuerte precisión de detección para muchos tipos de datos de imágenes de deslizamientos de tierra, lo que proporciona una referencia técnica para futuras investigaciones sobre la detección de deslizamientos de tierra basadas en imágenes de teledetección.
Descripción
Con el continuo desarrollo de la tecnología de visión por computadora, cada vez más tareas de identificación de deslizamientos de tierra han comenzado a pasar de la interpretación visual manual a la identificación automática por computadora, y se han desarrollado gradualmente métodos automáticos de detección de deslizamientos de tierra basados en imágenes de satélite de teledetección y aprendizaje profundo. Sin embargo, la mayoría de los algoritmos existentes a menudo tienen el problema de baja precisión y débil generalización en la detección de deslizamientos de tierra. Basado en la plataforma Google Earth Engine, este estudio seleccionó datos de imágenes de deslizamientos de tierra de 24 áreas de estudio en China y estableció el conjunto de datos de muestras de deslizamientos DN, que contiene un total de 1440 muestras de deslizamientos. El modelo original del algoritmo YOLOv7 fue mejorado y optimizado aplicando el mecanismo de atención comprimida SE y la función de pérdida VariFocal para construir el modelo SE-YOLOv7 y realizar la detección automática de deslizamientos en imágenes de teledetección. Los resultados experimentales muestran que el mAP, el valor de precisión, el valor de recuperación y el F1-Score del modelo mejorado SE-YOLOv7 para la identificación de deslizamientos son 91.15%, 93.35%, 94.54% y 93.94%, respectivamente. Al mismo tiempo, a través de una investigación de campo y un estudio de verificación en el condado de Qianyang, ciudad de Baoji, provincia de Shaanxi, comparando los resultados de detección de SE-YOLOv7, se concluye que el SE-YOLOv7 mejorado puede localizar la ubicación del deslizamiento de tierra con mayor precisión, detectar el rango del deslizamiento de tierra con mayor precisión y tener menos detecciones perdidas. Los resultados de la investigación muestran que el modelo de algoritmo tiene una fuerte precisión de detección para muchos tipos de datos de imágenes de deslizamientos de tierra, lo que proporciona una referencia técnica para futuras investigaciones sobre la detección de deslizamientos de tierra basadas en imágenes de teledetección.