- 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。 系统已在G213国道（含28处高危边坡）部署，日均处理灾害事件130+次，灾害识别准确率提升至89%。 68%提升至94%） 行为关联分析：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 ：系统识别到某边坡裂缝日均扩展0.8cm（持续7天），触发三级预警并联动养护单位 夜间泥石流识别：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。 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 注：在实验室标准边坡模拟场景下，系统对直径>30cm落石的识别召回率达92.1%，误报率约8.3%（样本量：500组实验）。 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
公路山体落石滑坡识别系统 桥梁塌陷检测摄像机
一、引言 我国山区公路里程超120万公里（《2026年中国公路交通发展报告》），山体落石、滑坡、桥梁塌陷等地质灾害年均造成直接经济损失超50亿元（交通运输部数据）。 本文提出基于YOLOv12目标检测、CNN特征提取与多模态感知的智能识别系统，通过“多源感知-动态建模-分级预警”技术架构，实现地质灾害识别精度97.5%（实验室数据），实测响应延迟＜0.8秒。 一）硬件部署方案 多模态感知单元 工业级智能摄像机：选用海康威视MV-CH1200-10GM（1200万像素、0.0005Lux超低照度、IP67防护、-40℃~70℃宽温运行），按场景特性布防： 山体监测区 三、关键技术突破 （一）复杂场景检测优化 小目标落石识别：采用注意力引导特征金字塔（AGFPN） + Mosaic9数据增强（实验室数据：直径20cm落石mAP@0.5提升48%）； 动态滑坡监测：引入光流法 四、实测数据与效果 指标实验室数据（NVIDIA A100）实测数据（川藏公路某段）地质灾害识别精度97.5%93.8%平均响应时间0.72s0.95s落石检测率98.2%95.1%滑坡位移监测误差±0.5cm
21310编辑于 2026-01-13 - 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
YOLOv10负责毫秒级的静态特征提取，精准识别落石、裂缝、滑坡体等目标；而Transformer模型则利用其强大的时序建模能力，对视频流中的物体运动轨迹进行深度分析。 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。
7310编辑于 2026-04-07 - 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
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。 ”的识别准确率达93.5%，误报率主要来自飞鸟群掠过山体（已通过“目标运动轨迹平滑滤波”优化至4.8%）。 五、工程应用与实测效果 在某山区高速公路K23-K45段（含3处历史滑坡点）试点部署，4个月实测数据如下：预警效能：成功识别小型落石事件5起（最大体积0.3m³）、滑坡蠕动迹象2处（日均位移6-8cm） 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。 这些摄像机分布在关键位置，如山体易滑坡区域、桥梁附近等，能够24小时不间断地捕捉山体的动态变化。
26310编辑于 2025-12-27 - 来自专栏燧机科技-视频AI智能分析
山体滑坡落石识别摄像机 基于YOLOv10与运动异常检测
在山区公路运维中，落石、浅层滑坡等突发地质事件具有突发性强、可视窗口短、人工巡检盲区多等特点。传统依赖人工巡查或位移传感器的方案，存在响应滞后、覆盖不全等问题。 近年来，基于视觉的AI识别技术为灾害初判提供了新路径。 一、明确技术可行边界：什么能识别？什么不能？ 需强调：当前AI视觉技术无法预测深层滑坡、桥梁塌陷或泥石流形成过程，但对以下两类事件具备一定初判能力：落石事件：岩石从坡面滚落至行车道或路肩；浅层滑坡/塌方：表层土体发生明显位移、崩落或堆积。 山体落石识别系统作为“第一道视觉哨兵”，虽不能杜绝风险，但可为司乘争取宝贵的数秒至数十秒避险窗口。而这一切的前提，是清醒认知技术的边界——AI是眼睛的延伸，不是大脑的替代。
16410编辑于 2026-01-21 - 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 self.lstm(x) return F.softmax(self.fc(out[:, -1, :]), dim=1)该模型可融合72小时内的微震能量累积值、降雨量变化率等12维特征，实测数据表明其对滑坡前兆的识别准确率达 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。
38910编辑于 2025-12-17 - 来自专栏工程监测
振弦传感器信号转换器应用山体滑坡安全监测
振弦传感器信号转换器应用山体滑坡安全监测随着人类文明的进步，自然灾害对人们的生活和财产安全造成的威胁也越来越大。山体滑坡作为自然灾害中的一种，给人们的生活和财产安全带来了极大的威胁。 因此，进行山体滑坡的安全监测显得尤为重要。振弦传感器信号转换器在山体滑坡安全监测中的应用，可以帮助我们更好地掌握山体滑坡的动态变化情况，减轻山体滑坡对我们造成的损失。 因此，对于山体滑坡的安全监测显得尤为重要。在山体滑坡的安全监测中，振弦传感器信号转换器可以帮助我们更好地了解山体滑坡的动态变化情况。 通过这些数据，我们可以了解到山体滑坡的动态变化情况，从而及时采取措施。图片振弦传感器信号转换器在山体滑坡安全监测中的应用具有很大的优势。 这些数据可以直观地反映出山体滑坡区域的情况，从而帮助我们更好地了解山体滑坡的动态变化情况。
22920编辑于 2023-08-03 - 来自专栏TSINGSEE青犀视频
TSINGSEE青犀智能分析网关裸土覆盖算法如何做到防范山体滑坡？
在雨水季节，特别是山区，十分容易发生山体滑坡现象，会导致山村、铁路、公路、房屋、甚至城镇被冲毁，造成严重的人员伤亡和财产损失。 在山体滑坡检测中，裸土覆盖算法可以用来分析山区土地表面的裸露情况，并从中推断可能发生滑坡的风险。 图片通过在EasyCVR平台中接入TSINGSEE青犀智能分析网关裸土覆盖算法，在监控区域一旦发生山体滑坡，后台就会立即发出告警，通知村委会管理人员，立即进行人员疏散等工作，可以最大限度减少山体滑坡带来的伤害
23610编辑于 2023-10-26 - 来自专栏HyperAI超神经
变透明的黑匣子：UCLA 开发可解释神经网络 SNN 预测山体滑坡
内容一览：由于涉及到多种时空变化因素，山体滑坡预测一直以来都非常困难。深度神经网络 (DNN) 可以提高预测准确性，但其本身并不具备可解释性。本文中，UCLA 研究人员引入了 SNN。 关键词：山体滑坡 SNN DNN 作者｜daserney 编辑｜缓缓、三羊 山体滑坡的发生受到多种因素的综合影响，如地形、坡度、土壤、岩石等物质特征，以及气候、降雨、水文等环境条件。 近年来，研究人员一直在训练机器学习模型用于预测山体滑坡，特别是深度神经网络 (Deep Neural Network, DNN)。 DNN 作为一个高精度预测模型，在图像识别、语音识别、自然语言处理、计算生物、金融大数据等多个领域效果显著，但它输入层和输出层之外有多层隐藏结构，缺乏可解释性，这种黑盒问题一直困扰着研究人员。 研究人员通过数据分析发现，2004-2016 年山体滑坡造成人员伤亡的情况集中发生在亚洲。
53030编辑于 2023-08-31 - 来自专栏renhailab数据分析
ArcGIS_Pro官方课程整理【第二期】
在 ArcGIS Pro 中识别面临山体滑坡风险的基础设施 在 ArcGIS Pro 中识别面临山体滑坡风险的基础设施 教程链接: Identify Infrastructure at Risk of （GIS）技术来识别山体滑坡风险区域中的基础设施。 教程设置在格林纳达岛，一个由于高降雨量、陡峭坡度和多样化土壤类型而容易发生山体滑坡的区域。 这些数据包括高分辨率的航空影像和高程数据，这些数据是理解和分析山体滑坡风险的关键。 在确定了建筑物的位置后，下一步是执行山体滑坡敏感性分析。这一步涉及到使用四个栅格图层作为输入，这些图层代表了影响山体滑坡风险的主要因素，如土壤类型、高程、与河流的距离和土地利用情况。
77910编辑于 2023-12-11 - 来自专栏HyperAI超神经
成都理工大学搭建 SCDUNet++ 模型进行滑坡测绘
滑坡是最常见的自然灾害之一，通常由地震和降雨引发，会造成严重的财产损失和人员伤亡。由地震触发的山体滑坡所造成的破坏，有时会比地震本身造成的破坏更为严重。 近年来，人们对遥感图像自动绘制滑坡地图的方法进行了大量研究，但由于山体滑坡在特征和规模上存在较大差异，加之光学遥感影像存在相似性，导致现有方法在准确进行滑坡测绘工作时面临着各种各样的挑战。 遥感滑坡图像 为此，成都理工大学的研究人员提出了一个名为 SCDUNet++ 的语义分割模型 ，该模型结合了卷积神经网络 (CNN) 和 Transformer 的优势，增强了对滑坡特征的识别和提取， 同时模型 LM 结果包含了大多数小型滑坡，这表明经过深度迁移学习的 SCDUNet++ 模型对于细小和复杂的滑坡特征有了更好的识别能力。 成理地灾国重实验室 屹立千年的山体一旦发生滑坡，岩石、土壤便顺着倾斜的山体，像流水一样顷刻间掩埋一座几公里外的村镇。
68610编辑于 2024-02-26 - 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
系统已在G318川藏线（含12处高危边坡）部署，日均处理灾害事件150+次，灾害识别准确率提升至93%。 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 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 ：系统识别到某边坡裂缝日均扩展0.8cm（持续7天），触发三级预警并联动养护单位 夜间泥石流识别：通过红外热成像发现异常温度区域（置信度0.91），提前2小时启动交通管制公路边坡落石滑坡识别系统基于YOLO11 +RNN深度学习算法，公路边坡落石滑坡识别系统一旦识别到公路灾害事件，如桥梁垮塌、边坡滑坡、泥石流等，系统会立即通过多种方式发出警报。
22010编辑于 2026-01-07 - 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。 具体做法：硬件：利用路口已有的200万像素球机（部分新增带红外补光），避免重新立杆；算法：训练了一个轻量级目标检测模型（基于YOLOv10改进），重点不是识别“滑坡”，而是捕捉“运动异常”——比如突然出现的扬尘 但到了真实现场，情况复杂得多：雨雾天：能见度低，误报飙升（主要是雨水冲刷被当成滑坡）；植被遮挡：夏天树叶茂密，小落石根本看不见；夜间无补光：即使有红外，反光和热噪也让识别率大打折扣；小碎石：小于20cm 没有一次成功预测深层滑坡——这本就不在能力范围内。四、我们学到了什么？AI不是预言家，只是观察员它只能告诉你“现在发生了什么”，不能告诉你“即将发生什么”。把期望值调低，反而更容易落地。 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
桥梁垮塌边坡滑坡落石识别系统
一、引言 我国山区公路、铁路桥梁占比超60%，边坡滑坡、落石、垮塌等地质灾害年均发生超2000起（《2024年全国交通基础设施安全报告》），传统监测依赖人工巡查（每日1-2次）与简易传感器（如倾角仪、裂缝计 ），存在三大痛点：① 人工巡查漏检率高（暴雨/夜间漏检率＞50%）；② 传感器仅能监测单点位移，无法识别“落石-滚石-堆积”全链条风险；③ 预警滞后（从灾害发生到人工上报平均耗时45分钟）。 本文提出一种基于YOLOv12目标检测与RNN时序分析的智能识别系统，通过“多源感知-时序行为研判-分级联动预警”机制，实现对落石（直径＞10cm）、边坡裂缝扩张（速率＞2mm/h）、局部垮塌（面积＞1 ㎡）等6类风险的实时识别。 桥梁垮塌边坡滑坡落石识别系统的核心技术是基于YOLOv12+RNN的深度学习算法，桥梁垮塌边坡滑坡落石识别系统能够迅速识别出是否存在落石、滑坡等危险情况。
28710编辑于 2025-12-31 - 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。 我国高分卫星采集到的滑坡体的全色和多光谱数据。 欧空局哨兵2号卫星拍摄到的滑坡群卫星图像。
27220编辑于 2022-09-20 - 来自专栏燧机科技-视频AI智能分析
隧道口边坡落石监测摄像头 筑牢边坡落石防线
然而，市场宣传中常声称可“智能识别滑坡、山体位移”“实现毫秒级预警和联动响应”，此类表述严重夸大技术能力，甚至可能误导应急决策。 系统无法实现：识别“山体位移”或“滑坡前兆”——此类变化通常毫米级，需GNSS、InSAR或裂缝计；“毫秒级预警”——视频处理存在1～2秒延迟，且需多帧确认；在浓雾、暴雨、强逆光或完全遮挡场景下稳定工作 注：在实验室标准边坡模拟场景下，系统对直径>25cm落石的识别召回率达88.6%，误报率约9.2%（样本量：400组实验）。 三、部署优势与现实约束黑光摄像机可在无月光环境下成像，提升夜间覆盖能力；支持太阳能+4G，适用于无市电、无光纤的偏远隧道；局限性：强降雨或浓雾天气下性能大幅下降；无法识别无可见运动的内部失稳或缓慢沉降；
12410编辑于 2026-02-02 - 来自专栏灯塔大数据
大数据技术PK人脑：图片、视频分析，谁更胜一筹？
提高交通安全、改善医疗服务、提升环境效益——专家认为大数据技术在高级图像分析和图像识别领域潜力无限。 识别重要目标 Thorsnes和大数据分析中心的工作伙伴预测，图像识别和图像分析在医疗卫生、环境监测、海底调查和卫星图像分析等领域的重要性将日益凸显。 Uni Research计算部门的研究员开发出一套计算机系统，能够在图像中准确识别目标，并在图像中发现具有重要性的对象。 我就一直重复这个过程，直到系统开始自动识别信号模式。之后，我再给电脑展示一个新的输入信号，比如一张电脑没有识别过的图片，看它是否能够看懂。”这种机器学习技术有很大应用空间，比如，用手机相机识别笑脸。 Thorsnes 说：“我们还能让电脑监测主要公路边已发生滑坡的山体，让电脑识别什么样的山体变化是即将发生滑坡的征兆。”
1.4K70发布于 2018-04-08 - 来自专栏好奇心Log
2020-2021年度Planet卫星数据科学应用
这种方法可以帮助识别当地的PM2.5 局部热点，并跟踪时间变化。 五、岩石圈 山区或冰川地带的生活居民和设施面临着山体滑坡和雪崩的威胁。通过遥感方法可以检测到地表变形，并对即将发生的危险发出预警信号。 滑坡 青藏高原是自然灾害的高发地区，包括地震、山体滑坡和冰川洪水等。通过遥感数据Planet的SkySat、PlanetScope和RapidEye 为这些地区灾害监测带来革命性方法。 由于地震的震动，土壤的强度和刚度急剧下降引起山体滑坡，建筑物倒塌造成了超过4000人死亡，成为有史以来严重的土壤液化事件之一。 为了更好地了解地震所引发的山体滑坡，横跨四大洲的多国研究小组利用每天的PlanetScope图像来绘制地表破裂和山体滑坡。发现帕卢河谷的地面塌陷和滑坡主要是位于冲积层上的灌溉稻田造成的。
2K10编辑于 2022-03-12
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