DOI: https://doi.org/10.1038/s41598-025-95959-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40216897
تاريخ النشر: 2025-04-11
المؤلف: Luhao He وآخرون
الموضوع الرئيسي: الانهيارات الأرضية والمخاطر المرتبطة بها
نظرة عامة
تتناول هذه الدراسة الزيادة المتكررة والشديدة في الانهيارات الأرضية، كما يتضح من الانهيار الأرضي الكارثي في أرغو عام 2014 في أفغانستان، الذي أسفر عن أكثر من 2000 حالة وفاة. لتعزيز الكشف عن الانهيارات الأرضية ومراقبتها، يقترح المؤلفون طريقة تعرف ذكية تستخدم نموذج التعلم العميق YOLOv11-seg. يقوم هذا النموذج بتحسين استخراج الميزات والتجزئة، محققًا دقة عالية في الكشف عن حدود الانهيارات الأرضية المعقدة وتجزئة على مستوى البكسل. تظهر النتائج التجريبية تحسينات كبيرة مقارنة بالطرق التقليدية، مع درجة F1 تبلغ 0.8781 للكشف عن الحدود و0.8114 للتجزئة، بالإضافة إلى قيم متوسط الدقة (mAP) تبلغ 0.835 و0.790 لمهام تجزئة الصندوق المحيط والقناع، على التوالي.
على الرغم من هذه التقدمات، يواجه النموذج قيودًا، بما في ذلك التحديات في الكشف عن الحدود غير الواضحة والتعامل مع الحجب، خاصة في المناطق النباتية أو الحضرية. كما أن التكلفة الحاسوبية للاستدلال في الوقت الحقيقي والتحيز المحتمل في مجموعة البيانات تشكل تحديات للتطبيق الأوسع. تشمل اتجاهات البحث المستقبلية دمج البيانات متعددة الأنماط لتحسين قدرات الكشف، وتنقيح النموذج مع هياكل متقدمة، وتعزيز الكفاءة الحاسوبية، وتوسيع مجموعة بيانات التدريب، ودمج النموذج في الأطر الحالية للمراقبة. بشكل عام، تؤكد الدراسة على إمكانيات طريقة YOLOv11-seg للكشف الفعال عن الانهيارات الأرضية وتقييم المخاطر، مما يساهم في تحسين استراتيجيات إدارة الكوارث الجيولوجية.
مقدمة
تسلط مقدمة خوارزمية YOLOv11-seg الضوء على تقدمها في مجال كشف الأشياء والتجزئة، بناءً على إرث سلسلة YOLO التي طورتها Ultralytics. تستخدم خوارزميات YOLO نهجًا قائمًا على الشبكة لتوقع مواقع الأشياء وفئاتها بكفاءة، معاملة الكشف كمسألة انحدار تعزز السرعة والدقة الحاسوبية. تتضمن YOLOv11، النسخة الأحدث، تحسينات في استخراج الميزات وتحسينات معمارية، محققة دقة وسرعات معالجة متفوقة. تُعزز YOLOv11-seg، وهي امتداد مصمم لتجزئة الصور، التصنيف على مستوى البكسل من خلال التقاط حدود الأشياء والتفاصيل الداخلية بدقة، مما يسهل التجزئة الفورية والحالة الدلالية.
تشير تحليل الأداء لأحجام نماذج YOLOv11-seg المختلفة إلى وجود توازن بين تعقيد النموذج وسرعة الاستدلال. على سبيل المثال، يحقق النموذج الأكبر دقة متوسطة عالية ولكنه يتطلب المزيد من وقت المعالجة، بينما تحافظ النماذج الأصغر على أداء معقول مع معدلات استدلال أسرع. تتفوق YOLOv11-seg في الكشف عن الانهيارات الأرضية في الوقت الحقيقي، محققة 30-60 إطارًا في الثانية، مما يجعلها مناسبة للمراقبة المعتمدة على الطائرات بدون طيار وتطبيقات الحوسبة الطرفية. بالمقابل، تقدم نماذج أخرى مثل Mask R-CNN وDeepLabV3+ دقة أعلى لمهام محددة ولكن تعاني من سرعات استدلال أبطأ، مما يجعلها أقل ملاءمة للتطبيقات في الوقت الحقيقي. بشكل عام، تظهر YOLOv11-seg كخيار رائد للكشف الذكي عن الانهيارات الأرضية، متوازنة بين الكفاءة والدقة ومتطلبات الحوسبة بشكل فعال.
طرق
في قسم الطرق، يوضح المؤلفون إجراءات التقييم والتحليل المستخدمة لتقييم النتائج التجريبية. يشرحون التقنيات الإحصائية المستخدمة لتفسير البيانات، مما يضمن أن النتائج موثوقة وصحيحة. يتم حساب مقاييس محددة، مثل القيم المتوسطة والانحرافات المعيارية وفترات الثقة، لتوفير نظرة شاملة على النتائج.
بالإضافة إلى ذلك، يصف المؤلفون التصميم التجريبي، بما في ذلك اختيار مجموعات التحكم والتجريب، بالإضافة إلى البروتوكولات المتبعة أثناء جمع البيانات. يسمح هذا النهج الصارم بإجراء فحص شامل للفرضيات المطروحة في الدراسة، مما يسهل فهم الأنماط والعلاقات الأساسية داخل البيانات. يؤكد القسم على أهمية القابلية للتكرار والشفافية في عملية التحليل، وهو أمر حاسم لمصداقية نتائج البحث.
نتائج
في تقييم نتائج مجموعة الاختبار، يظهر معدل الثقة كمقياس محوري لتقييم موثوقية توقعات النموذج في مهام الكشف عن الانهيارات الأرضية وتصنيفها. يقيس معدل الثقة درجة يقين النموذج بشأن مخرجاته، حيث تشير الدرجات الأعلى إلى موثوقية أكبر في تحديد المناطق المتأثرة بالانهيارات الأرضية. تكشف النتائج أن 81.35% من العينات حققت درجات ثقة تتجاوز 85%، مما يشير إلى أن النموذج ينتج باستمرار توقعات موثوقة. تشير هذه التوزيعات العالية لمعدلات الثقة إلى قدرة النموذج على الكشف بدقة عن مناطق الانهيارات الأرضية مع الحفاظ على درجة قوية من اليقين، مما يقلل من مخاطر الإيجابيات الكاذبة والسلبيات الكاذبة.
تؤكد أداء النموذج عبر سيناريوهات الانهيارات الأرضية المختلفة، كما هو موضح في الشكل 14، على استقراره وقوته في التعرف على الانهيارات الأرضية. تعتبر القدرة على تقديم درجات ثقة عالية أمرًا حيويًا للتطبيقات في أنظمة الإنذار المبكر لكوارث الانهيارات الأرضية والاستجابة للطوارئ، حيث تعزز الدقة العامة وموثوقية جهود المراقبة. يتم التعبير عن حساب معدل الثقة في نموذج YOLOv11-seg بواسطة المعادلة \( C = P(O) \times \max_i P(C_i | O) \)، حيث يمثل \( C \) معدل الثقة، و\( P(O) \) يدل على احتمال الكشف عن انهيار أرضي، و\( P(C_i | O) \) يشير إلى الاحتمال الشرطي لكون الشيء ينتمي إلى فئة الانهيار الأرضي، مع أخذ أعلى احتمال بين جميع الفئات الممكنة.
نقاش
في مناقشة YOLOv11، يتم تقسيم الهيكل إلى ثلاثة مكونات رئيسية: العمود الفقري، العنق، والرأس، حيث يساهم كل منها في تعزيز قدرات الكشف عن الأشياء. يستخدم العمود الفقري تقنيات متقدمة لاستخراج الميزات، بما في ذلك طبقات الالتفاف المعمقة ووحدة C3k2 المبتكرة، التي تحسن التكيف مع الأشياء متعددة المقاييس. بالإضافة إلى ذلك، تلتقط وحدة تجميع الهرم المكاني (SPPF) الميزات متعددة المقاييس، بينما تقوم آلية الانتباه C2PSA بتنقيح اختيار الميزات من خلال التأكيد على المعلومات الحرجة وكبح الضوضاء. يعزز هذا المزيج من الوحدات بشكل كبير دقة وكفاءة الكشف في النموذج.
يركز طبقة العنق على دمج الميزات، موحدة المعلومات المكانية والدلالية من مقاييس مختلفة لتعزيز أداء الكشف عبر أحجام الأشياء المختلفة. تستخدم رأس الكشف في YOLOv11 نهجًا مزدوج الفرع لتقدير الموقع والتصنيف، معتمدة على الالتفافات القابلة للفصل بشكل عميق لتفاعل الميزات بكفاءة. يتم تحسين عملية تدريب النموذج من خلال دالة خسارة شاملة توازن بين مهام التصنيف والانحدار، مستخدمة تقنيات متقدمة مثل خسارة CLoU لتقدير الصندوق المحيط وخسارة الانتروبيا المتقاطعة للتصنيف. تم بناء مجموعة البيانات المستخدمة للتدريب، مجموعة بيانات Bijie-Landslide، بعناية وزيادتها لضمان القوة ضد الظروف البيئية المتنوعة، مما يؤدي في النهاية إلى تحسين التعميم والدقة في مهام الكشف عن الانهيارات الأرضية.
DOI: https://doi.org/10.1038/s41598-025-95959-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40216897
Publication Date: 2025-04-11
Author(s): Luhao He et al.
Primary Topic: Landslides and related hazards
Overview
This study addresses the increasing frequency and severity of landslides, exemplified by the catastrophic 2014 Argo landslide in Afghanistan, which resulted in over 2000 fatalities. To enhance landslide detection and monitoring, the authors propose an intelligent recognition method utilizing the YOLOv11-seg deep learning model. This model optimizes feature extraction and segmentation, achieving high precision in detecting complex landslide boundaries and pixel-level segmentation. Experimental results demonstrate significant improvements over traditional methods, with an F1 score of 0.8781 for boundary detection and 0.8114 for segmentation, alongside mean Average Precision (mAP) values of 0.835 and 0.790 for bounding box and mask segmentation tasks, respectively.
Despite these advancements, the model faces limitations, including challenges in detecting unclear boundaries and handling occlusions, particularly in vegetated or urban areas. The computational cost for real-time inference and potential dataset bias also pose challenges for broader applicability. Future research directions include integrating multimodal data to improve detection capabilities, refining the model with advanced architectures, enhancing computational efficiency, expanding the training dataset, and integrating the model into existing monitoring frameworks. Overall, the study underscores the potential of the YOLOv11-seg-based method for effective landslide detection and risk assessment, contributing to improved geological disaster management strategies.
Introduction
The introduction of the YOLOv11-seg algorithm highlights its advancements in the field of object detection and segmentation, building upon the legacy of the YOLO series developed by Ultralytics. The YOLO algorithms utilize a grid-based approach to predict object locations and categories efficiently, treating detection as a regression task that enhances computational speed and accuracy. YOLOv11, the latest iteration, incorporates improved feature extraction and architectural optimizations, achieving superior accuracy and processing speeds. YOLOv11-seg, an extension tailored for image segmentation, enhances pixel-level classification by accurately capturing object contours and internal details, thereby facilitating end-to-end instance and semantic segmentation.
The performance analysis of various YOLOv11-seg model sizes indicates a trade-off between model complexity and inference speed. For instance, the largest model achieves high average precision but requires more processing time, while smaller models maintain reasonable performance with faster inference rates. YOLOv11-seg excels in real-time landslide detection, achieving 30-60 FPS, making it suitable for UAV-based monitoring and edge computing applications. In contrast, other models like Mask R-CNN and DeepLabV3+ offer higher accuracy for specific tasks but suffer from slower inference speeds, rendering them less suitable for real-time applications. Overall, YOLOv11-seg emerges as a leading choice for intelligent landslide detection, balancing efficiency, accuracy, and computational demands effectively.
Methods
In the Methods section, the authors outline the evaluation and analysis procedures employed to assess the experimental results. They detail the statistical techniques used to interpret the data, ensuring that the findings are both reliable and valid. Specific metrics, such as mean values, standard deviations, and confidence intervals, are calculated to provide a comprehensive overview of the results.
Additionally, the authors describe the experimental design, including the selection of control and experimental groups, as well as the protocols followed during data collection. This rigorous approach allows for a thorough examination of the hypotheses posed in the study, facilitating a clear understanding of the underlying patterns and relationships within the data. The section emphasizes the importance of replicability and transparency in the analysis process, which is crucial for the credibility of the research findings.
Results
In the evaluation of the test set results, the confidence score emerges as a pivotal metric for assessing the reliability of the model’s predictions in landslide detection and classification tasks. A confidence score quantifies the model’s certainty regarding its outputs, with higher scores indicating greater reliability in identifying landslide-affected areas. The findings reveal that 81.35% of the samples achieved confidence scores exceeding 85%, suggesting that the model consistently produces reliable predictions. This high distribution of confidence scores indicates the model’s capability to accurately detect landslide regions while maintaining a strong degree of certainty, thereby minimizing the risks of false positives and false negatives.
The model’s performance across various landslide scenarios, as depicted in Figure 14, further underscores its stability and robustness in landslide recognition. The ability to deliver high confidence scores is crucial for applications in landslide disaster early warning and emergency response systems, as it enhances the overall accuracy and reliability of monitoring efforts. The computation of the confidence score in the YOLOv11-seg model is articulated by the equation \( C = P(O) \times \max_i P(C_i | O) \), where \( C \) represents the confidence score, \( P(O) \) denotes the probability of detecting a landslide, and \( P(C_i | O) \) signifies the conditional probability of the object belonging to the landslide category, taking the maximum probability among all possible classes.
Discussion
In the discussion of YOLOv11, the architecture is delineated into three primary components: the backbone, neck, and head, each contributing to enhanced object detection capabilities. The backbone employs advanced feature extraction techniques, including deepened convolutional layers and the innovative C3k2 module, which improves adaptability to multiscale objects. Additionally, the Spatial Pyramid Pooling (SPPF) module captures multiscale features, while the C2PSA attention mechanism refines feature selection by emphasizing critical information and suppressing noise. This combination of modules significantly boosts the model’s detection accuracy and efficiency.
The neck layer focuses on feature fusion, integrating spatial and semantic information from various scales to enhance detection performance across different object sizes. YOLOv11’s detection head utilizes a dual-branch approach for position regression and classification, employing depthwise separable convolutions for efficient feature interaction. The model’s training process is optimized through a comprehensive loss function that balances classification and regression tasks, utilizing advanced techniques such as CLoU loss for bounding box regression and cross-entropy loss for classification. The dataset used for training, the Bijie-Landslide dataset, was meticulously constructed and augmented to ensure robustness against diverse environmental conditions, ultimately leading to improved generalization and accuracy in landslide detection tasks.