本技術涉及數據處理、人工智能領域,并且更具體地,涉及一種邊坡穩定性智能識別方法及系統。
背景技術:
1、在地質災害預防和管理領域,邊坡穩定性分析是一項至關重要的工作。傳統的邊坡穩定性分析方法往往依賴于專家經驗、現場勘查和有限的物理模型模擬。隨著信息技術的發展,特別是人工智能技術的進步,越來越多的研究和應用開始嘗試使用機器學習和深度學習技術來進行邊坡穩定性的自動識別與評估。這些技術能夠提高分析效率,減少人工成本,并且在大數據的支持下,可以更準確地預測潛在的風險區域。現有的邊坡穩定性分析系統通常采用集中式的數據處理架構,所有的數據采集、處理和分析都在中央服務器上進行。這種架構雖然能夠集中資源進行高效計算,但也存在一些問題:大量的地質數據上傳到中央服務器進行處理,這可以導致敏感數據泄露的風險增加。當數據量巨大時,頻繁的數據傳輸會消耗大量的網絡帶寬資源,尤其是在偏遠地區,網絡條件可能較差。邊坡穩定性分析通常復雜的機器學習模型,這對中央服務器的算力提出了很高的要求。不同地區的地質環境差異較大,單一的全局模型可能難以適應所有情況,降低了模型的泛化能力。由于大量數據和算力資源,模型的訓練和更新周期較長,難以快速響應新的地質狀況變化。
技術實現思路
1、有鑒于此,本技術提供一種邊坡穩定性智能識別方法及系統。
2、根據本技術的第一方面,提供了一種邊坡穩定性智能識別方法,應用于國土資源云平臺,所述方法包括:國土資源云平臺獲取x個第一表征數組,基于基石神經網絡中的特征提煉組件對所述x個第一表征數組進行多維度表征數組提煉,獲得所述x個第一表征數組各自對應的第二表征數組,x≥1;所述基石神經網絡還包括用于分別部署于x個地方地質分析平臺上的線性映射組件和邊坡穩定性識別組件;所述x個第一表征數組為通過所述x個地方地質分析平臺分別基于部署的地方特征提取組件對監測的目標區域的邊坡地質數據進行特征提取以獲得;每個地方地質分析平臺部署的地方特征提取組件都是基于對所述線性映射組件進行內部配置參變量優化后以獲得;對所述x個地方地質分析平臺分別發送x個第二表征數組中的一個第二表征數組;其中,目標地方地質分析平臺獲取到的第二表征數組與所述目標地方地質分析平臺特征提取獲得的第一表征數組對應;所述目標地方地質分析平臺為所述x個地方地質分析平臺中的任一地方地質分析平臺;如果所述x個地方地質分析平臺各自部署的地方特征提取組件和地方邊坡穩定性識別組件都達到地方網絡調校停止要求,獲取所述x個地方地質分析平臺分別發送的目標調校誤差,其中,所述目標地方地質分析平臺發送的目標調校誤差為通過所述目標地方地質分析平臺部署的地方邊坡穩定性識別組件和獲取到的第二表征數組構建得到,每個地方地質分析平臺部署的地方邊坡穩定性識別組件都是基于對所述邊坡穩定性識別組件進行內部配置參變量優化后以獲得;基于x個目標調校誤差對所述特征提煉組件進行內部配置參變量優化,獲得協同特征提煉組件,基于所述協同特征提煉組件和所述x個地方地質分析平臺中的地方特征提取組件和地方邊坡穩定性識別組件,生成每個地方地質分析平臺各自對應的協同邊坡穩定性識別組件;同時設置在所述國土資源云平臺和所述目標地方地質分析平臺上的協同邊坡穩定性識別組件被配置為對所述目標地方地質分析平臺中的邊坡地質數據進行邊坡穩定性分析。
3、根據本技術的第二方面,提供了一種邊坡穩定性智能識別方法,應用于目標地方地質分析平臺,所述方法包括:目標地方地質分析平臺依據基石神經網絡中的線性映射組件對邊坡地質數據進行線性映射,獲得第一表征數組,將所述第一表征數組發送到國土資源云平臺,使得所述國土資源云平臺基于所述基石神經網絡中的特征提煉組件對所述第一表征數組進行多維度表征數組提煉,獲得第二表征數組;所述基石神經網絡中的線性映射組件部署于x個地方地質分析平臺上,所述基石神經網絡還包括用于部署于x個地方地質分析平臺上的邊坡穩定性識別組件,所述x個地方地質分析平臺包括所述目標地方地質分析平臺;獲取所述國土資源云平臺發送的所述第二表征數組,基于所述邊坡穩定性識別組件對所述第二表征數組進行邊坡穩定性識別,獲得推理識別結果,依據所述邊坡地質數據的先驗標記和所述推理識別結果,得到迭代調校誤差,基于所述迭代調校誤差對所述線性映射組件和所述邊坡穩定性識別組件進行內部配置參變量優化,獲得地方特征提取組件和地方邊坡穩定性識別組件;如果所述地方特征提取組件和所述地方邊坡穩定性識別組件都達到地方網絡調校停止要求時,將基于所述地方邊坡穩定性識別組件所生成的目標調校誤差發送到所述國土資源云平臺,使得所述國土資源云平臺依據所述x個地方地質分析平臺各自對應的目標調校誤差對所述特征提煉組件進行內部配置參變量優化,獲得協同特征提煉組件,基于所述協同特征提煉組件和所述x個地方地質分析平臺中的地方特征提取組件和地方邊坡穩定性識別組件,生成每個地方地質分析平臺各自對應的協同邊坡穩定性識別組件;同時設置在所述國土資源云平臺和所述目標地方地質分析平臺上的協同邊坡穩定性識別組件被配置為對所述目標地方地質分析平臺中的邊坡地質數據進行邊坡穩定性分析。
4、根據本技術的第三方面,提供了一種邊坡穩定性智能識別系統,包括國土資源云平臺和與所述國土資源云平臺通信連接的至少一個地方地質分析平臺,其中,所述國土資源云平臺包括第一處理器;以及第一存儲器,其中所述第一存儲器中存儲有第一計算機程序,所述第一計算機程序在由所述第一處理器運行時,使得所述第一處理器執行如第一方面所述的方法;所述地方地質分析平臺包括第二處理器;以及第二存儲器,其中所述第二存儲器中存儲有第二計算機程序,所述第二計算機程序在由所述第二處理器運行時,使得所述第二處理器執行如第二方面所述的方法。
5、本技術的有益效果至少包括:本技術基于將基石神經網絡劃分為線性映射組件、特征提煉組件和邊坡穩定性識別組件,將線性映射組件和邊坡穩定性識別組件分別發送到每一地方地質分析平臺,國土資源云平臺維持著特征提煉組件。通過地方地質分析平臺和國土資源云平臺一起進行調校優化,能減少地方地質分析平臺的算力需求,降低成本,地方地質分析平臺和國土資源云平臺同時進行調校優化可以提升調校優化的速度。通過每一地方地質分析平臺基于部署的線性映射組件對邊坡地質數據進行線性映射,獲得第一表征數組,國土資源云平臺獲取x個第一表征數組,基于特征提煉組件對x個第一表征數組進行多維度表征數組提煉,獲得x個第一表征數組各自對應的第二表征數組。向x個地方地質分析平臺分別發送x個第二表征數組中的一個第二表征數組;每一地方地質分析平臺獲取到的第二表征數組與每個地方地質分析平臺特征提取獲得的第一表征數組對應,每一地方地質分析平臺可以依據部署的邊坡穩定性識別組件和獲取的第二表征數組得到迭代調校誤差,依據迭代調校誤差對線性映射組件和邊坡穩定性識別組件進行內部配置參變量優化,獲得地方特征提取組件和地方邊坡穩定性識別組件。如果x個地方地質分析平臺各自部署的地方特征提取組件和地方邊坡穩定性識別組件都達到地方網絡調校停止要求,則每一地方地質分析平臺分別將達到穩定狀態的地方邊坡穩定性識別組件和獲取到的第二表征數組生成的迭代調校誤差作為目標調校誤差,國土資源云平臺基于x個地方地質分析平臺分別發送的目標調校誤差對特征提煉組件進行內部配置參變量優化,獲得協同特征提煉組件。基于協同特征提煉組件和x個地方地質分析平臺中的地方特征提取組件和地方邊坡穩定性識別組件,生成每個地方地質分析平臺各自對應的協同邊坡穩定性識別組件,同時設置在國土資源云平臺和目標地方地質分析平臺上的協同邊坡穩定性識別組件被配置為對目標地方地質分析平臺中的邊坡地質數據進行邊坡穩定性分析。地方地質分析平臺僅進行調校誤差的上傳即可,邊坡地質數據不用進行同步,數據達到隔離,安全性得到保障。因為邊坡地質數據的分布于是非均勻的,基于基石神經網絡中具備多維度表征信息知識的特征提煉組件,能在邊坡地質數據上針對多維異構數據擁有穩定的表征效果,不用對網絡進行反復調校。基于此,國土資源云平臺可以在地方特征提取組件和地方邊坡穩定性識別組件都達到地方網絡調校停止要求的情況下,獲取各地方地質分析平臺對應的調校誤差完成一次參變量優化,特征提煉組件不用反復進行內部配置參變量的調整,防止引起網絡的參數失穩,同時能降低地方平臺和云平臺的交互次數。