改进YOLOv8的危岩滑坡识别方法

摘要

山体危岩滑坡属于破坏性强、突发性高的地质灾害，严重威胁生命安全和基础设施安全。现有静态图像检测方法难以区分历史与实时滑坡，且受复杂地貌、模糊边界和光照等因素干扰。为此，提出一种结合动态背景建模与改进YOLOv8模型的滑坡识别方法。首先，在YOLOv8基础上引入全维度动态卷积模块(ODConv),动态调整卷积核和权重，增强模型在不同光照条件和滑坡形态下的适应能力；嵌入CBAM注意力机制，通过通道和空间注意力提升边界模糊区域的识别能力，有效抑制背景噪声干扰；集成广义特征金字塔网络(GFPN)结构，通过密集连接和跨层次特征融合提升多尺度滑坡检测性能；使用插值交并比损失函数(InterpIoU)替代传统IoU损失函数，增强边界框回归精度和小目标检测能力。其次，利用背景建模技术判断山体滑坡动态并标注动态区域，结合YOLOv8检测的滑坡地貌残余区域，通过区域重叠分析提高真实滑坡事件的判断精度。实验结果表明：改进的YOLOv8模型在滑坡地貌残余区域检测任务中达到93.0%的平均精度和86.9%的召回率，具有更强的稳定性与适应性，采用动态背景建模技术可避免历史与实时滑坡的误判。该方法为危岩滑坡智能识别和灾害监测提供理论支持，在自然灾害防控和地质安全方面具有实际应用价值。

关键词

滑坡检测 / YOLOv8 / 背景建模 / 特征融合 / 灾害监测

基金资助

重庆市教委科技重大项目(KJZD-M202301502); 重庆市自然科学基金项目(CSTB2023NSCQ-MSX0760); 重庆科技大学创新计划项目(YKJCX2420405)