| 讲座题目 | 运用深度学型模型分析山区 坡地影像异常 | ||||
|---|---|---|---|---|---|
| 主办单位 | 土木工程学院 | ||||
| 联合主办单位 | |||||
| 讲座人 | 王淳讙 | 讲座人 职称 | 副高 | 主持人 | 陈军浩 |
| 讲座类型 | 自然科学 | 讲座对象 | 全校师生 | 时间 | 2024-12-22 11:30 |
| 地点 | 学术报告厅 | ||||
| 讲 座 人 简 介 | 王淳讙：美国华盛顿大学西雅图分校博士毕业，中原大学环控防灾科技中心主任，中原大学土木工程系助理教授。研究领域包括坡地稳定分析、工程灾害及风险管理、坡地灾害与管理、岩土工程数值分析、岩土工程地震学等多方面，担任多个国际知名SCI期刊审稿人。 | ||||
| 讲座 主要内容 | 山区坡地环境复杂多变，坡地异常现象如滑坡、塌方等地质灾害的早期识别对灾害预警和风险防控具有重要意义。传统方法多依赖人工解译与物理建模，效率低且易受主观因素影响。随着深度学习技术的飞速发展，其在影像处理与特征识别中的优势，为山区坡地影像异常的自动化分析提供了全新思路。本文基于深度学习模型的应用，探讨了高效、精准识别山区坡地影像异常的方法与实践。 研究以深度学习为核心，通过整合多源遥感影像与地形数据，构建了面向山区坡地的异常检测模型。通过对大规模历史影像数据的训练，模型能够从复杂背景中提取与坡地异常相关的关键特征，并实现自动分类与定位。此外，为提升模型的鲁棒性与泛化能力，研究还引入了迁移学习与多任务学习框架，以解决数据不足与样本类别不平衡的问题。 实验结果表明，深度学习模型在识别滑坡、崩塌等地质异常现象时，较传统方法具有显著的精度提升，并能够快速处理大面积区域的数据。特别是在影像分辨率较低或受云层干扰的情况下，模型仍能保持较高的检测可靠性。这表明深度学习在山区地质灾害监测中的应用潜力巨大。 本研究不仅为山区坡地异常的智能识别与监测提供了新工具，也为地质灾害的动态评估与应急响应提供了技术支持。未来，结合实时数据流与更大规模的多模态数据，将进一步完善模型性能，为地质灾害的预防与治理提供更坚实的基础。 | ||||
字号