A Novel Method for Identifying Landslide Surface Deformation via the Integrated YOLOX and Mask R-CNN Model
Notice bibliographique
Résumé
Abstract The detection of landslide areas and surface characteristics is the prerequisite and basis of landslide hazard risk assessment. The traditional method relies mainly on manual field identification, and discrimination is based on the lack of unified quantitative standards. Thus, the use of neural networks for the quantitative identification and prediction of landslide surface deformation is explored. By constructing an integrated model based on YOLO X-CNN and Mask R-CNN, a deep learning-based feature detection method for landslide surface images is proposed. First, the method superimposes Unmanned Aerial Vehicle (UAV) oblique photography data (UOPD) and Internet heterosource image data (IHID) to construct a landslide surface image dataset and landslide surface deformation database. Second, an integrated model suitable for small- and medium-scale target detection and large-scale target edge extraction is constructed to automatically identify and extract landslide surface features and to achieve rapid detection of landslide surface features and accurate segmentation and deformation recognition of landslide areas. The results show that the detection accuracy for small rock targets is greater than 80% and that the speed is 57.04 FPS. The classification and mask segmentation accuracies of large slope targets are approximately 90%. A speed of 7.89 FPS can meet the needs of disaster emergency response; this provides a reference method for the accurate identification of landslide surface features.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».