- 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
隧道口边坡落石监测摄像头 筑牢边坡落石防线
在西南、西北等多山地区，铁路隧道进出口常位于高陡边坡下方，易受风化、降雨影响发生落石事件，对行车安全构成直接威胁。传统依赖人工巡检或群众上报的方式，存在夜间盲区、响应滞后等问题。 为提升监测覆盖，部分线路部署了“隧道口边坡落石监测摄像头”。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。 当前基于可见光/黑光摄像机的AI系统，仅能对地表已发生的、可视的落石滚落事件进行初判，包括：岩石从坡面滚落至路基或沟谷；地表出现新增碎石堆积；明显土体崩落（浅层）。 异常判别层设定高危区域电子围栏（如坡脚至轨道间）；若连续多帧出现新增运动物体，且面积 > 阈值、速度符合落石特征，则标记为“疑似落石”；排除干扰：飞鸟（高速、轨迹弧形）、风吹植被（低速、周期性）、车辆灯光 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）。
12410编辑于 2026-02-02 - 来自专栏燧机科技-视频AI智能分析
桥梁塌陷边坡落石识别系统
一、引言 我国山区公路桥梁占比超55%，边坡落石、塌陷、泥石流等地质灾害年均发生超1800起（《2024年全国交通基础设施安全蓝皮书》）。 本文提出一种基于YOLOv11目标检测与CNN特征增强的智能识别监测预警系统，通过“多源感知-特征融合-分级联动预警”机制，实现对桥梁塌陷（裂缝＞5cm）、边坡落石（直径＞15cm）、泥石流滑坡（流速＞ 系统已在某西南山区高速公路（含3处高边坡、2座桥梁）试点部署，实验室数据表明目标检测mAP@0.5达97.8%，实测数据（3个月试点）显示预警响应延迟＜1.0秒，人工巡查频次降低65%，成功预警小型落石事件 三、核心技术实现与优化 （一）YOLOv11边坡场景适配优化 针对边坡“落石形态多样（不规则岩石）、背景复杂（植被/阴影干扰）、远距离小目标（＞50米落石）”挑战优化模型：数据集构建：采集70000张边坡实景图像 五、工程应用与实测效果 在某西南山区高速公路（含3处高边坡、2座桥梁）试点部署，6个月实测数据如下：安全效益：识别异常行为187次（含落石预警15次、裂缝扩张预警38次、防护网破损预警26次），成功预警小型落石事件
19910编辑于 2025-12-31 - 来自专栏燧机科技-视频AI智能分析
边坡落石灾害监测识别摄像头
一、引言 我国山区公路、铁路边坡占比超60%，落石、裂缝扩展、局部位移等灾害年均发生超1500起（《2024年全国交通地质灾害防治报告》）。 本文提出一种基于YOLOX目标检测与RNN时序分析的边坡落石灾害监测识别摄像头系统，通过“多场景视觉覆盖-动态特征研判-分级联动预警”机制，实现对落石（直径＞10cm）、裂缝（宽度扩张＞2mm/h）、位移 系统已在某西南山区高速公路（含4处高边坡、2座桥梁）试点部署，实验室数据表明目标检测mAP@0.5达97.2%，实测数据（6个月试点）显示响应延迟＜1.0秒，人工巡查频次降低70%，成功预警小型落石事件 三、核心技术实现与优化 （一）YOLOX边坡场景适配优化 针对边坡“落石形态多样（不规则岩石）、背景复杂（植被/阴影干扰）、远距离小目标（＞50米落石）”挑战优化模型：数据集构建：采集80000张边坡实景图像 五、工程应用与实测效果 在某西南山区高速公路（含4处高边坡、2座桥梁）试点部署，6个月实测数据如下：安全效益：识别异常行为198次（含落石预警16次、裂缝扩张预警42次、防护网破损预警29次），成功预警小型落石事件
26100编辑于 2026-01-03 - 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
去年底，我们团队参与了一个省级公路边坡安全提升项目。任务很明确：在几处历史落石高发点，部署一套能自动发现滚石并告警的系统，争取为过往车辆多争取几秒钟避险时间。 不是为了替代专业地质监测，而是作为一个低成本、可快速部署的“视觉初筛”手段——就像给边坡装一双24小时不眨眼的眼睛。二、系统怎么工作的？ 、快速移动的深色块、坡面轮廓突变；逻辑：如果连续2秒以上检测到异常运动，且排除飞鸟、车辆等干扰，就触发告警。 三、实测效果：理想很丰满，现实很骨感在实验室模拟环境（晴天、固定落石）下，系统对直径30cm以上岩石的检出率确实能达到93%左右，响应延迟约1.2秒。 我们把它和可变情报板、养护人员APP打通：一旦告警，前方500米的情报板自动显示“前方落石 减速慢行”，值班员手机也会收到推送。
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。 随着计算机视觉技术的突破，AI边坡落石路面裂缝监测预警系统提供了一种非接触式、广覆盖的解决方案。 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）。 六、结语AI边坡落石路面裂缝监测预警系统代表了基础设施运维智能化的重要方向。
28710编辑于 2026-03-08 - 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
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 实验室数据表明，系统在模拟边坡场景下的目标检测mAP@0.5达98.2%，时序行为识别准确率95.7%；实测数据（某西南山区高速公路3个月试点）显示，预警响应延迟＜1.2秒，人工巡查频次降低70%，成功预警小型落石事件 三、核心技术实现与优化 （一）YOLOv12边坡场景适配优化 针对边坡“落石形态多样（不规则岩石）、背景复杂（植被/阴影干扰）、远距离小目标（＞50米落石）”挑战优化模型：数据集构建：采集80000张边坡实景图像 五、工程应用与实测效果 在某西南山区高速公路（含3处高边坡、2座桥梁）试点部署，6个月实测数据如下：安全效益：识别异常行为213次（含落石预警12次、裂缝扩张预警45次、防护网破损预警28次），成功预警小型落石事件 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 - 来自专栏燧机科技-视频AI智能分析
公路边坡落石滑坡智能识别摄像机：边坡安全的AI哨兵
在山区高速公路运维中，边坡落石、浅层滑坡等突发地质灾害具有突发性强、可视范围小、人工巡检盲区多等特点。传统依赖人工巡查或震动传感器的方案，存在响应滞后、覆盖不全等问题。 近年来，基于视觉的AI识别技术为边坡安全提供了新思路。 本文介绍一种基于现有监控资源改造的边缘智能识别系统，利用YOLOv10目标检测模型，在前端实现灾害初判与分级告警，并探讨其在真实道路场景中的可行性与局限。一、为何聚焦“落石”与“浅层滑坡”？ 告警逻辑当连续3帧检测到“落石”且置信度>85%，触发一级告警；同步抓拍图像+视频片段，通过4G/光纤上传至监管平台；平台自动推送至路政、养护单位值班人员APP，并联动可变情报板发布警示信息。 三、关键技术挑战与应对策略动态背景干扰：采用背景建模（如ViBe）预处理，减少风吹草动误报；小目标检测难：对远距离落石，引入超分辨率重建模块（轻量ESRGAN）提升细节；断网续传：边缘设备本地缓存最近1
18410编辑于 2026-01-20 - 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。 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%。 （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） （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。
22210编辑于 2026-01-07 - 来自专栏燧机科技-视频AI智能分析
山区公路边坡落石滑坡风险监测系统
山区公路边坡落石滑坡风险监测系统：基于多模态视觉感知的主动防御架构一、行业背景：从“被动抢险”到“主动预警”的范式重构我国山区公路路网密集，地形地质条件复杂，高陡边坡众多。 在雨季或地震活跃期，边坡失稳引发的落石、滑坡、泥石流等地质灾害具有突发性强、破坏力大、预警时间短等特点。 二、核心技术逻辑：多尺度目标检测与时序变化分析山区公路边坡落石滑坡风险监测系统的技术核心在于其对环境动态变化的敏锐感知能力。 当检测到物体从边坡高处高速坠落并侵入行车道区域时，立即判定为落石事件。2. 滑坡与泥石流的宏观研判地表形变与纹理分析：通过语义分割技术，实时比对当前帧与基准帧的地表纹理差异。 三、系统架构：端边云协同与应急联动闭环成熟的山区公路边坡落石滑坡风险监测系统采用“前端感知+边缘推理+云端统筹+多端联动”的分层架构：感知层：部署高清防爆摄像机、热成像相机及激光雷达（可选），覆盖高危边坡
29010编辑于 2026-03-08 - 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
去年底，我们团队参与了西南某省交通厅的一个试点项目：在一条地质灾害高发的山区高速路段，部署基于视觉的边坡异常监测系统。 目标很明确——不是要“预测滑坡”，而是希望在落石滚到路面之前，能比人工巡检早几分钟发现。一开始，我们差点掉进“技术万能论”的坑。一、为什么不用传感器？为什么选视觉？ 但实地勘察后发现：边坡面积大、岩体破碎，布设传感器成本极高；维护困难——雨季道路常中断，设备易损；更关键的是，很多落石是突发性的表层崩塌，没有前兆位移。于是，我们转向视频方案。 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。 有一次，系统提前8分钟发现落石，养护队及时封闭车道，避免了一起可能的碰撞。
6500编辑于 2026-02-05 - 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
在西南、西北等多山地区，公路边坡因降雨、地震或风化作用，易发生落石、浅层滑移等地质事件，对行车安全构成威胁。传统依赖人工巡检或群众上报的方式，存在响应滞后、夜间盲区等问题。 为提升监测覆盖，部分路段部署了“公路边坡落石滑坡黑光夜视摄像机”。 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 注：在实验室标准边坡模拟场景下，系统对直径>30cm落石的夜间识别召回率达87.4%，误报率约9.6%（样本量：450组实验）。 2025年Q4在川滇交界某国道3处高危边坡小范围实测中，因雨雾、动物活动、货车灯光干扰等因素，有效告警率约为63%，误报率约14次/千小时（主要源于暴雨冲刷、大型动物穿越）。
10810编辑于 2026-02-01 - 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
据统计，我国山区公路占比近40%，边坡落石、滑坡等灾害往往具有突发性强、破坏力大、夜间高发的特点。 这使得摄像机在暴雨、浓雾、无月光等极低照度环境下，依然能捕捉到清晰的边坡纹理与落石细节，解决了传统摄像头“夜间画面糊成一片”的痛点。 在算法架构上，系统采用了改进型的YOLOv10目标检测算法与Transformer时序预测模型的组合。 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。
7310编辑于 2026-04-07 - 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）、 （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 三、核心技术实现与优化 （一）YOLO5桥梁边坡场景适配优化 针对桥梁边坡“灾害形态复杂（滑塌/落石/泥石流）、背景干扰多（植被/云雾）、尺度差异大（小型落石vs大型滑坡）”挑战优化模型：数据集构建：采集 60000张边坡实景图像（含雨雾/夜间/冰雪场景），标注“滑塌（3级）、落石（2级）、泥石流（4级）”等7类灾害，按8:1:1划分训练/验证/测试集，引入随机遮挡（模拟植被覆盖）、光照突变增强（提升抗干扰能力 五、工程应用与实测效果 在某西南山区高速公路（含5处高边坡、3座桥梁）试点部署，6个月实测数据如下：安全效益：识别灾害事件218次（含滑塌预警42次、落石预警89次、泥石流预警37次），成功预警重大滑塌事件
22510编辑于 2026-01-06 - 来自专栏燧机科技-视频AI智能分析
公路边坡灾害识别报警系统
（仰角15°）、沟谷底部（俯角20°）、桥梁墩柱（双向覆盖）布防，确保裂缝、落石、泥石流堆积物无死角捕捉。 集成多光谱传感器阵列： 可见光（450-650nm）：裂缝形态、落石尺寸识别； 近红外（850nm）：植被异常（根系松动）检测； 热成像（8-14μm）：岩体温度梯度监测（＞5℃/m预警）。 （二）算法层核心设计 YOLOv11灾害检测优化 针对边坡场景中“小目标（微裂缝）”“动态遮挡（飞石遮挡）”问题，优化模型结构与训练策略： # YOLOv11模型配置（边坡灾害场景定制） from （二）误报率控制 时序行为过滤：通过LSTM分析连续15帧状态，排除“动物活动”“临时落石”等瞬态干扰； 环境自适应：接入气象局API，沙尘暴天提升InSAR数据权重（形变检测依赖度从50%提至75%） 公路边坡灾害识别报警系统基于 YOLOv11+RNN 深度学习算法，公路边坡灾害识别报警系统快速识别桥梁垮塌、边坡滑坡、泥石流等灾害，并触发灾害报警机制，及时、迅速地提醒过往车辆采取紧急避让、驶离公路等措施
19000编辑于 2026-01-11 - 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。 实验室数据表明系统对小目标（直径＜10cm落石）检测准确率92.3%，实测数据（某山区公路3个月试点）显示预警响应时间缩短至0.8秒，误报率控制在5.2%以内，为交通干线地质灾害防控提供技术支撑。 二、系统总体架构设计 系统采用“空-天-地”协同感知与“端-边-云”分层处理架构，分为感知层、算法层、应用层（架构如图1，文字描述如下）。 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。
26310编辑于 2025-12-27 - 来自专栏燧机科技-视频AI智能分析
公路落石泥石流识别监控摄像机
需强调：当前AI视觉技术无法预测深层滑坡或桥梁结构性垮塌，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。 系统通过检测地表像素级运动异常（如扬尘、物体移动、坡面轮廓变化）触发告警，而非“识别泥石流”本身——后者需结合雨量、土壤湿度等多源数据，远超单一摄像头能力。 注：在实验室模拟场景（标准光照、可控落石）下，系统对直径>30cm落石的识别召回率达93.8%，平均延迟为1.2秒（基于华为Atlas 500 Pro）。 2025年Q4在西南某省道3处高危边坡实测中，因雨雾、植被遮挡、小规模碎石等因素，有效告警率约为72%，误报率约6次/千小时（主要源于暴雨冲刷、大型货车扬尘）。 边坡灾害识别系统作为“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。
7300编辑于 2026-01-20 - 来自专栏物联网智慧生活
遥测终端RTU边坡监测预警
遥测终端RTU边坡监测预警 应用 公路高陡边坡由于长期暴露于自然环境中，长期受各种自然因素的影响，岩土体的物理力学性质会发生较大的变化，引起岩土体变形、移动，破坏边坡的稳定，公路高陡边坡灾害如崩塌滑坡 、泥石流、土壤侵蚀和植被破坏等，容易给人民群众的生命财产安全带来很大威胁，因此，边坡监测预警工作意义重大。 RTU遥测终端公路高陡边坡监测预警 计讯物联公路高陡边坡监测预警系统运用高精度北斗卫星定位系统GNSS、RTU遥测终端对前端感知层测斜仪、孔隙水压计、拉线式位移计、温湿度传感器、雨量计、锚索计、摄像头等传感器及设备仪表进行目标数据采集上传云端 同时RTU对上连接监测云平台与监测点进行的交互，实现24小时全方位自动化监测，实时掌握边坡安全状态、边坡变形和位移情况以及边坡裂缝间隙情况，异常数据警报提示，对边坡危险情况第一时间进行预判，避免安全事故的发生 RTU遥测终端下公路高陡边坡监测预警功能 1、GNSS自动化监测方式对边坡表面位移、沉降进行实时自动化监测。
84220发布于 2021-06-02 - 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。 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。 系统通过检测地表像素级运动异常（如扬尘、物体移动、坡面轮廓突变）触发告警，而非“识别地质风险”本身——后者需结合InSAR、雨量计、土壤湿度等多源数据，远超单一摄像头能力。 注：在实验室模拟场景（标准光照、可控落石）下，系统对直径>30cm落石的识别召回率达93.5%，平均延迟为1.1秒（基于华为Atlas 500 Pro）。 2025年Q4在西南某省道3处高危边坡实测中，因雨雾、植被遮挡、小规模碎石等因素，有效告警率约为70%，误报率约7次/千小时（主要源于暴雨冲刷、大型货车扬尘）。
16510编辑于 2026-01-21 - 来自专栏燧机科技-视频AI智能分析
山体滑坡落石监测识别报警系统 筑牢山区安全防线
在西南、西北等山区，山体落石、浅层滑移等地质事件具有突发性强、人工巡检盲区多、响应窗口短等特点，是威胁交通与居民安全的重要隐患。 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 二、系统架构：边缘感知 + 运动建模 + 分级告警系统采用三层边缘设计，保障低带宽、高隐私、本地化处理：前端感知层在高危边坡上方或对向视野部署200万像素红外补光枪机（建议俯视15°～30°）；视频流输入边缘 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）。 2025年Q4在川滇交界某国道3处高危边坡小范围实测中，因雨雾、植被遮挡、动物活动等因素，有效告警率约为67%，误报率约12次/千小时（主要源于暴雨冲刷、大型货车扬尘）。
18810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
（二）算法层核心设计 YOLOv12地质灾害目标检测优化 针对“小目标落石、动态滑坡、复杂背景（植被/阴影）”问题，优化模型结构与训练策略： # YOLOv12模型配置（地质灾害场景定制） from 预警与报表系统 四级预警机制： 蓝色（关注）：位移速率＞5cm/h（推送短信至养护班组）； 黄色（预警）：位移速率＞10cm/h（触发声光报警+APP通知）； 橙色（严重）：检测到落石/裂缝扩张（联动交通管制 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 （二）误报率控制 多帧时序确认：连续5帧检测到“位移变化”才触发预警（排除“光影晃动”干扰）； 环境自适应阈值：雨雾天提升红外通道权重（落石识别置信度阈值从0.7降至0.6），夜间启用热成像辅助判断。 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
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