摘要落石与滑坡是我国山区常见的地质灾害类型具有突发性强、破坏性大、监测预警困难等特点严重威胁山区公路、铁路及居民点安全。针对传统人工巡查效率低、传感器监测成本高等问题本文提出了一种基于改进YOLO26的目标检测方法实现对落石与滑坡两类地质灾害的自动识别与定位。研究构建了包含1000张标注图像的数据集训练集810张、验证集90张、测试集100张涵盖不同地形、光照和季节条件下的落石与滑坡样本。实验结果表明模型在验证集上的平均精度均值(mAP50)达到56.4%其中落石类别的召回率达到70.1%显示出良好的检测性能。研究成果可为地质灾害的智能监测与早期预警提供技术支持。关键词YOLO26落石检测滑坡识别目标检测地质灾害监测目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景地质灾害监测技术的演进遥感技术与地质灾害监测的结合深度学习驱动的智能解译技术突破存在的问题与挑战数据集介绍训练结果​编辑核心指标分析来自验证结果​编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅参数实时调节置信度和IoU阈值✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言地质灾害的早期识别与预警是防灾减灾工作的关键环节。落石和滑坡作为最常见的地质灾害类型具有突发性、隐蔽性和连锁性等特点一旦发生往往造成严重的人员伤亡和财产损失。据统计我国山区公路地质灾害中落石与滑坡灾害占比超过70%每年造成的直接经济损失达数十亿元。传统的监测手段主要依赖人工巡查和简易传感器布设存在覆盖面有限、实时性差、人力成本高等不足。近年来随着无人机技术和计算机视觉的快速发展基于深度学习的遥感图像智能解译为地质灾害监测提供了新的技术路径。目标检测技术能够在图像中同时识别目标类别并定位其位置特别适用于落石、滑坡等具有明确空间分布特征的地质对象。YOLO系列算法凭借其端到端的检测架构和优异的实时性能在灾害监测领域展现出巨大潜力。本研究基于改进的YOLO26算法针对落石与滑坡两类目标的视觉特征构建专门的地质灾害检测模型探索深度学习技术在山区地质灾害智能监测中的应用可行性。本文后续章节安排如下第二部分介绍研究背景阐述地质灾害监测的技术演进与深度学习在相关领域的应用现状第三部分介绍数据集的构建过程与标注规范第四部分阐述模型选择与训练策略第五部分分析实验结果并讨论存在的问题最后总结研究成果并展望未来工作方向。背景地质灾害监测技术的演进地质灾害监测技术的发展经历了从人工巡查到传感器监测再到遥感与人工智能融合的三个主要阶段。早期阶段主要依靠地质专家现场踏勘和专业调查通过地形地貌特征识别潜在灾害体这种方法高度依赖专家经验难以实现大范围连续监测。20世纪90年代以来随着传感器技术的发展位移计、倾斜仪、雨量计、地声传感器等物理监测设备开始应用于地质灾害点监测实现了对特定点位的定量监测。然而传感器监测存在布设成本高、维护困难、覆盖范围有限等问题难以应对我国山区地质灾害点多面广的现实需求。遥感技术与地质灾害监测的结合遥感技术的引入为地质灾害监测带来了革命性变化。光学遥感、合成孔径雷达干涉测量(InSAR)、激光雷达(LiDAR)等技术能够获取大范围的地表信息实现对地质灾害隐患的宏观识别和形变监测。特别是无人机低空遥感的发展使得高分辨率、高时效的地质灾害数据获取成为可能。然而传统的遥感解译主要依赖人工判读需要专业技术人员逐幅影像进行目视识别效率低下且主观性强难以满足海量遥感数据的快速处理需求。深度学习驱动的智能解译技术突破近年来以卷积神经网络为代表的深度学习技术在计算机视觉领域取得突破性进展为遥感图像的智能解译提供了强大工具。目标检测作为计算机视觉的核心任务之一能够在图像中同时定位目标位置并识别其类别特别适用于落石、滑坡等具有明确空间形态特征的地质对象。国内外学者在这一领域开展了大量研究Ghorbanzadeh等采用多种深度学习模型进行滑坡识别发现ResNet等网络结构在滑坡检测中表现优异Sameen等利用U-Net网络实现了高分辨率遥感影像中滑坡的自动分割Meena等综述了深度学习在滑坡识别中的应用进展指出多源数据融合和模型泛化能力是当前研究的重点和难点。存在的问题与挑战尽管深度学习在地质灾害识别中取得显著进展但仍面临诸多挑战第一地质灾害样本获取困难灾害事件具有偶发性和稀缺性难以构建大规模的标注数据集第二地质灾害在影像中呈现复杂的形态和尺度变化滑坡可能覆盖数平方公里而落石可能仅有几平方米多尺度检测存在难度第三背景干扰严重山体阴影、植被覆盖、农田纹理等容易造成误检第四类别间特征相似落石和滑坡同属岩石类目标在视觉特征上存在重叠容易造成混淆。针对上述问题本研究从数据构建和模型优化两个层面开展系统研究探索面向落石与滑坡的高精度检测方法。数据集介绍经过筛选和预处理共获得有效图像1000张按照8:1:1的比例划分为训练集、验证集和测试集。具体划分如下训练集810张用于模型参数的学习与优化验证集90张用于模型超参数调优和性能验证测试集100张用于最终模型的泛化能力评估图像标注采用LabelImg工具进行标注遵循以下标注规范落石(Rockfall)标注孤立分布、与周围地形有明显边界的块状岩石标注框包含完整的岩石轮廓保留适当边缘余量滑坡(landslides)标注滑坡体的整体范围包括滑源区、滑床和堆积区对于大型滑坡采用多个标注框覆盖不同滑体部位训练结果核心指标分析来自验证结果类别图片数实例数精度 (P)召回率 (R)mAP50mAP50-95全部902360.5090.6260.5640.403Rockfall571670.4270.7010.6420.403landslides67690.5910.5510.4850.212Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频