- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
泥石流山体滑坡监控视觉识别检测
泥石流山体滑坡监控视觉识别检测算法通过yolov8+python深度学习框架模型，泥石流山体滑坡监控视觉识别检测算法识别到泥石流及山体滑坡灾害事件的发生，算法会立即进行图像抓拍，并及时进行预警。 泥石流山体滑坡监控视觉识别检测算法代码将构建一个end-to-end的Yolo的预测模型，泥石流山体滑坡监控视觉识别检测算法利用的已经训练好的权重文件，你将可以用自然的图片去测试检测效果。 泥石流山体滑坡监控视觉识别检测算法采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层。 泥石流山体滑坡监控视觉识别检测算法如此设计的原因应该是同一套缩放系数下的通道设置不是最优设计，YOLOv7 网络设计时也没有遵循一套缩放系数作用于所有模型。 考虑到动态分配策略的优异性，泥石流山体滑坡监控视觉识别检测算法中则直接引用了 TOOD 的 TaskAlignedAssigner。
1K30编辑于 2023-09-24 - 来自专栏燧机科技-视频AI智能分析
山体落石滑坡识别系统 落石泥石流监控摄像机
一、引言 我国山地面积占比超69%，山体落石、滑坡、泥石流等地质灾害年均造成直接经济损失超百亿元（自然资源部《2023年全国地质灾害通报》）。 本文提出一种基于YOLOX目标检测与RNN时序分析的智能识别系统，通过“多光谱成像-动态目标追踪-风险等级研判”机制，实现对山体裂缝、落石松动、泥石流前兆的毫秒级识别。 （二）算法层：YOLOX+RNN双模型协同分析 核心采用“YOLOX目标检测+RNN时序行为研判”两级算法：YOLOX目标检测：定位画面中“山体裂缝（宽度＞2cm）”“松动岩石（体积＞0.1m³）”“泥石流堆积物 山体落石滑坡识别系统 落石泥石流监控摄像机基于YOLOX+RNN的深度学习算法，山体落石滑坡识别系统 落石泥石流监控摄像机通过安装在山区公路沿线的监控摄像机来实现对山体的实时监测。 一旦摄像机捕捉到山体出现裂缝、落石松动、泥石流迹象等异常情况，立即发出警报，大大提高了监测效率和预警准确性。
26210编辑于 2025-12-27 - 来自专栏燧机科技-视频AI智能分析
山体滑坡灾害监测报警系统
一、引言 我国山地面积占国土总面积的33%（《2025年中国地质灾害防治白皮书》），山体滑坡年均导致直接经济损失超80亿元。 ） from ultralytics import YOLO model = YOLO('yolov7.yaml') model.model.nc = 5 # 5类：滑坡裂缝/落石松动/泥石流堆积 ”等瞬态干扰 环境自适应：根据气象站数据动态调整检测阈值（如暴雨模式下提升泥石流检测权重） （三）系统集成创新 轻量化部署：模型量化至INT8精度，体积压缩至52MB 联邦学习机制：跨区域共享脱敏数据， ：通过红外热成像发现异常温度区域（置信度0.91），提前2小时启动交通管制山体滑坡灾害监测报警系统核心优势在于其精准的识别能力与高效的报警机制。 山体滑坡灾害监测报警系统通过部署在关键区域的监测设备，系统可以识别出桥梁塌陷、边坡落石以及泥石流滑坡等潜在危险迹象，一旦系统识别到危险迹象，便会立即触发报警机制。
24110编辑于 2026-01-07 - 来自专栏燧机科技-视频AI智能分析
山体滑坡落石监测识别报警系统 筑牢山区安全防线
近年来，部分单位部署了名为“山体滑坡落石监测识别报警系统”的AI方案，但市场宣传中常声称可“通过YOLOv12+Transformer实现山体位移监测”“在灾害发生前及时发现隐患”“为应急处置赢得宝贵时间 需强调：普通视频摄像头无法测量山体位移，也无法预测滑坡或泥石流。 当前AI视觉系统仅能对地表已发生的、可视的动态异常进行初判，包括：落石事件：岩石从坡面滚落至路基、沟谷或堆积区；浅层崩塌/滑移：表层土体发生明显位移、崩落或流动；地表流动痕迹：疑似泥石流到达可视区域后的泥浆流动 系统无法实现：监测毫米级位移或内部变形（需GNSS、InSAR、裂缝计等专业设备）；预测深层滑坡或泥石流形成（属地质建模范畴）；“YOLOv12”目前并无官方开源版本（截至2026年1月），实际部署多采用 结语AI在山体灾害监测中的角色，不是“地质预言家”，而是“数字哨兵”。它无法阻止山体滑动，但可以在石头落地的瞬间发出一声提醒。
18510编辑于 2026-01-30 - 来自专栏燧机科技-视频AI智能分析
桥梁边坡灾害识别报警系统
本文提出一种基于YOLO5目标检测与RNN时序分析的桥梁边坡灾害智能监测预警系统，通过“多源视觉覆盖-动态特征研判-分级联动处置”机制，实现对桥梁垮塌（位移＞5cm）、边坡滑塌（滑移速率＞3cm/h）、山体落石 （体积＞1m³）、泥石流（流量＞50m³/s）等6类灾害的秒级识别与主动预警。 （二）算法层：YOLO5+RNN双模型协同分析 核心采用“YOLO5目标检测+RNN时序行为研判+多源数据融合”三级算法：YOLO5目标检测：定位画面中“滑塌体（不规则形态）、落石（抛物线轨迹）、泥石流 dim=1) return self.fc(out_attn)实测数据（某山区试点3个月记录）：模型对“高危（持续滑塌＞5分钟）”的识别准确率达97.3%，误报率2.8%（主要源于山体滑坡初期局部土体松动 （二）技术创新优势 多模态融合识别：结合“视觉检测（YOLO5）+时序动态（LSTM）+GNSS位移数据”，解决单一视觉误判（如山体滑坡初期局部土体松动被误判“正常沉降”）； 动态阈值调整：根据时段（雨季提高滑移速率阈值至
22510编辑于 2026-01-06 - 来自专栏燧机科技-视频AI智能分析
公路边坡落石滑坡识别系统
一、引言 我国山地公路里程占比超45%（《2025年中国公路发展白皮书》），边坡滑坡、泥石流等灾害年均导致直接经济损失超120亿元。 from ultralytics import YOLO model = YOLO('yolov11s.yaml') model.model.nc = 5 # 5类：滑坡裂缝/落石松动/泥石流堆积 torch.softmax(self.fc(attn_output.mean(dim=1)), dim=1) return risk_score多源数据融合 融合视觉检测（置信度）、声纹分析（山体崩塌前兆音频特征 引入光流法+深度估计（实测数据：植被遮挡场景识别率从68%提升至94%） 多目标关联：设计时空图卷积网络（ST-GCN），建模灾害扩散路径 （二）误报率控制 时序行为过滤：通过RNN分析连续帧状态，排除“山体落石滚动 ”等瞬态干扰 环境自适应：根据气象站数据动态调整检测阈值（如暴雨模式下提升泥石流检测权重） （三）系统集成创新 轻量化部署：模型量化至INT8精度，体积压缩至52MB 联邦学习机制：跨区域共享脱敏数据，
21910编辑于 2026-01-07 - 来自专栏气象学家
什么？你的头顶上空，有条“河”？！
大气河输送的强劲水汽，在地形的作用下转化为大量雨雪，因而成为影响地区暴雨、洪水、山体滑坡和泥石流等灾害的“助推员”。 14次由大气河引起 水和风暴结合造成的损失格外大 2021年11月14日至15日 受大气河影响 加拿大西部不列颠哥伦比亚省 遭连续暴雨袭击 高速公路和铁路悉数瘫痪 土壤在雨水持续地冲刷下 形成滑坡、泥石流等地质灾害 享有“世界上最宜居城市”美誉的温哥华 变成了汪洋中的一座孤城 2021年11月16日，加拿大不列颠哥伦比亚省阿伯茨德受大气河影响引发洪涝、山体滑坡等灾害 图为志愿者用船救出被洪水围困的牛 2021 经过英国威尔士西部的卡马森后，洪水淹没了田地 美国地质调查局的模拟研究表明 一场百年一遇的超级大气河 可能比大地震造成的灾难还要严重 在数周内 它可引发300毫米以上的 强降雨、强飓风 以及大面积的洪水泥石流灾害
59320编辑于 2022-03-28 - 来自专栏GEE遥感大数据学习社区
巴西（彼得罗波利斯）滑坡群数据发布
2022年2月15日，彼得罗波利斯突降暴雨，造成山体滑坡、泥石流等灾害。 截止2月20日，巴西里约热内卢州民防部门通报，该州山区城市彼得罗波利斯暴雨引发的灾害已造成至少171人死亡。
27220编辑于 2022-09-20 - 来自专栏燧机科技-视频AI智能分析
路桥灾害监测哨兵系统
针对路桥场景优化） from ultralytics import YOLO model = YOLO('yolov8s.yaml') model.model.nc = 6 # 6类：桥梁垮塌/路面塌陷/山体落石 /泥石流/裂缝扩展/支座异常 model.add_module('cbam', CBAM(256)) # 在Backbone后插入注意力模块 # 锚框优化（新增小目标锚框） new_anchors 日均处理事件-215次误报率1.3%1.9%极端天气可用性-暴雨天＞88%典型案例：桥梁垮塌预警：系统提前12分钟检测到G1523甬莞高速某桥墩异常位移（累计位移达5.3mm），触发三级预警并联动交警封路 夜间泥石流识别 ：通过红外热成像检测到山体温度异常（ΔT＞8℃），结合RNN时序分析提前9分钟预警
14710编辑于 2026-01-06 - 来自专栏燧机科技-视频AI智能分析
山体落石滑坡监测夜视摄像机
系统能够区分“正在滚落的石块”与“静止的岩石”，并能通过光流法计算山体的微小位移速率。 应用价值：构建“实时监测 - 智能预警 - 协同处置”的防灾闭环山体落石滑坡监测夜视摄像机的价值，在于打通了物理边坡与数字管理的壁垒，构建了完整的灾害防控闭环。系统实现了灾害响应的实时化与自动化。 在边坡滑坡灾害发生后，或者在落石滚落的初期，系统通过基于AI识别的公路灾害事件识别报警技术，快速识别桥梁垮塌、边坡滑坡、泥石流等灾害，并触发灾害报警机制。 山体落石滑坡监测夜视摄像机以高精度的黑光视觉感知技术和完善的数据闭环机制，正在重新定义地质灾害监测的新标准。
7010编辑于 2026-04-07 - 来自专栏工程监测
红外雨量计（光学雨量传感器）在预防地质灾害中怎样发挥作用
地质灾害往往与雨水的降雨量密切相关，如暴雨、洪涝等情况容易引发山体滑坡、泥石流等灾害。红外雨量计可以实时、快速、准确地测量雨水的降雨量，提供科学的数据支持。2.发现异常降雨。
25720编辑于 2023-07-11 - 来自专栏物联网智慧生活
山洪灾害监测预警系统
雨季汛期泥石流、山洪灾害破坏力强常造成房屋、道路交通受损，严重者甚至危及人身生命安全，有效的山洪灾害监测预警系统可实时多点监测、科学预判、快速响应，避免山洪灾害的爆发。 山洪灾害监测预警系统功能 1、数据监测功能，雨量、水位、水雨情、温湿度、山体位移等目标数据在线实时监测。 2、异常报警功能，监测因子阈值设置，危险数值内数据告警提示。 传输层：无线采集传输终端RTU，连接上述对感知层设备进行视频图像、水位、降雨量、水温、气压、山体位移、设备状态量等目标数据的采集，并通过无线网络上传云端。
1.1K10发布于 2021-07-26 - 来自专栏气python风雨
Python 绘制山体阴影+雷达图
前言 本文旨在利用Python编程语言，将山体阴影与雷达速度产品相结合，以探索其可视化效果 环境：python 3.9 导入库 import netCDF4 as nc import numpy as
39610编辑于 2024-06-20 - 来自专栏燧机科技-视频AI智能分析
山体滑坡灾害监测报警系统 基于YOLOv7与RNN
一、引言 山体滑坡作为全球范围内最具破坏性的地质灾害之一，据应急管理部统计数据显示，我国每年因滑坡造成的直接经济损失超百亿元。 分布式布置MEMS加速度传感器（灵敏度0.01g），采样频率100Hz 环境参数采集：集成雨量计（精度±0.5mm/h）、土壤湿度传感器（量程0-100%RH） （二）YOLOv7目标检测算法优化 针对山体滑坡特征优化检测模型 山体滑坡灾害监测报警系统核心优势在于其精准的识别能力与高效的报警机制。 山体滑坡灾害监测报警系统通过部署在关键区域的监测设备，系统可以识别出桥梁塌陷、边坡落石以及泥石流滑坡等潜在危险迹象，一旦系统识别到危险迹象，便会立即触发报警机制。
38710编辑于 2025-12-17 - 来自专栏轻咨询服务
Z市台风预测模型实战分析——模型的云能力PAAS中心能力如何构建
同时业务场景层出不穷，目前只是梳理了5种场景：全球场景、局部场景、自然灾害场景、山体滑坡场景和泥石流场景。
13800编辑于 2024-12-31 - 来自专栏燧机科技-视频AI智能分析
公路边坡落石滑坡黑光夜视摄像机 筑牢公路安全
然而，市场宣传中常声称可“快速识别桥梁垮塌、泥石流”“自动叫停车辆”“最大程度避免伤亡”，此类表述严重夸大技术能力，甚至可能误导应急决策。 当前基于黑光（超低照度+红外补光）摄像机的AI系统，仅能对地表已发生的、可视的动态异常进行初判，包括：落石滚落：岩石从坡面滚至路基或沟谷；浅层土体滑移：表层土壤发生明显位移或崩落；地表流动痕迹：疑似泥石流到达可视区域后的泥浆流动 系统无法实现：识别桥梁结构损伤或垮塌（需专业结构健康监测）；预测泥石流形成或深层滑坡（属地质建模范畴）；“自动叫停车辆”——交通管控需由交警或路政部门依法执行；在浓雾、暴雨或完全遮挡场景下稳定工作。 它无法阻止山体滑动，但可以在石头落地的瞬间发出一声提醒。而技术真正的价值，恰恰体现在这种克制的辅助之中——不越界、不承诺、只在明确规则下，做一件确定的小事。
10810编辑于 2026-02-01 - 来自专栏轻咨询服务
Z市台风模型地质一体化平台技术咨询实战“术”分享——AI训练推理边缘能力实例构建
这算法软件的强大之处在于因子库，通常有多少场景，就会有多少因子库，比如积累的自然灾害因子，山体滑坡因子，泥石流因子........这些因子库会根据业务需求去管理，比如重视召回率，就尽可能包含多因子库；重视准确率
19010编辑于 2024-12-29 - 来自专栏燧机科技-视频AI智能分析
公路边坡落石地灾监测摄像机 AI筑牢公路边坡防线
夜间无光、雨雾弥漫、逆光强烈……最终选定黑光摄像机+边缘AI盒子组合，部署在对向山体高点，俯视高危边坡段。二、YOLOv10？ 三、最大的挑战不是算法，是误报系统上线第一周，告警频繁——但90%是误报：飞鸟掠过被当成落石；暴雨冲刷坡面，水流反光触发“泥石流”误判；夜间货车灯光扫过边坡，造成虚假运动。 最后一点反思技术再智能，也抵不过一场暴雨后的山体松动。真正的安全防线，是人+制度+适度技术辅助的组合。我们的AI摄像机，不过是这条防线上的一双“夜眼”——看得见，但不说谎；能提醒，但不越权。
6500编辑于 2026-02-05 - 来自专栏燧机科技-视频AI智能分析
山区边坡落石滑坡灾害识别系统
其实没那么“智能”很多人一听“AI识别滑坡”，以为系统能预测山体什么时候垮。但现实是：我们只敢做一件事——检测有没有东西从山上掉下来。 注意：我们压根没提“泥石流”或“桥梁塌陷”——这些根本不是普通摄像头能判断的。 五、如果你也想尝试，这些建议请收好别追求“全场景识别”，聚焦你能看清的（比如落石，而非泥石流）；务必做实地光照和遮挡测试，别信实验室数据；和现有交通设施联动，否则告警只是“数字烟花”；最重要的一点：明确告诉用户
14510编辑于 2026-01-25 - 来自专栏燧机科技-视频AI智能分析
AI边坡落石路面裂缝监测预警系统
、背景：从“被动抢险”到“主动感知”的技术演进在山区公路、铁路及水利设施的运维中，边坡失稳、落石崩塌、泥石流以及路面突发性裂缝是极具破坏力的自然灾害。 然而，人工巡检受限于地形险峻和天气条件，存在明显的时空盲区；接触式传感器虽能监测点位形变，但难以捕捉落石的运动轨迹、泥石流的流体特征或大范围路面的宏观开裂，且布设维护成本高昂。 该系统利用深度学习算法，特别是YOLOv10架构，对监控视频流进行实时分析，旨在实现对路面裂缝、边坡落石、滑坡及泥石流等灾害的快速识别与毫秒级预警，为交通管控和应急响应争取关键的“黄金时间”。 多尺度灾害特征提取算法落石与滑坡检测：利用YOLOv10的多尺度特征金字塔（FPN），模型能够同时关注微小碎石（小目标）和大规模山体滑移（大目标）。 泥石流流体识别：不仅检测静态物体，还通过分析视频流中的光流场（Optical Flow）特征，识别浑浊度突变、流速激增等流体动力学异常，预判泥石流爆发风险。2.
27710编辑于 2026-03-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号