基于改進Mask R-CNN的露天礦邊坡裂隙智能檢測算法

景 瑩,阮順領,盧才武,劉丹洋,顧清華

(西安建筑科技大學 a.管理學院;b.資源工程學院;c.西安市智慧工業感知計算與決策重點實驗室, 西安 710055)

礦山高陡邊坡滑坡經常威脅到人們的生命財產安全,造成環境和資源的破壞,是制約礦山安全生產的核心問題[1],滑坡災害作為一種嚴重的地質災害,其發生的原因往往是未及時進行科學的邊坡病害檢測。其中裂隙是最主要、最明顯的邊坡病害表征之一,對露天礦邊坡穩定具有重要影響,因此,選擇科學合理的方法對露天礦邊坡裂隙進行準確、實時的檢測,對邊坡進行及時有效的管控,對于保證礦山安全生產,提高礦山經濟效益,具有重要的理論意義和實際意義。

隨著圖像處理、深度學習和機器視覺技術的發展,基于圖像的無損檢測技術已成為國內外裂隙檢測的研究熱點。近年來,為了從圖像中準確、快速地提取裂隙,國內外學者對此進行了廣泛而深入的研究,取得了一定的研究成果。劉曉瑞等[2]提出了一種利用兩種不同閾值分割方法對圖像進行二值化處理的裂隙快速檢測方法;Li等[3]構造了最大化兩個類別之間差異的目標函數,提出了一種基于鄰域差異直方圖的圖像閾值分割裂隙算法,準確地提取出了裂隙。這類基于閾值分割的裂隙檢測算法計算簡單,便于應用,但是易受到噪聲影響,適用于特征較明顯的目標,對于復雜環境下的邊坡裂隙圖像很難取得穩定的識別效果。張娟等[4]指出了傳統基于灰度進行邊緣提取的裂隙檢測算法的不足,提出了采用相位編組法進行裂隙提取,有利于檢測具有弱對比度的細小裂隙;王華等[5]提出了利用分形維數分割裂隙的方法,與利用Sobel算子的方法相比,得到的裂隙較為連續、清晰;這類基于邊緣檢測和形態學特征的裂隙識別算法能夠很好地檢測邊緣,對于裂隙檢測具有重要的借鑒價值。Amhaz等[6]提出了一種基于二維圖像,同時考慮光度計特征和路面圖像幾何特征的裂隙檢測算法;Nguyen等[7]提出了一種綜合考慮圖像亮度和連通性的裂隙檢測方法,該方法不需要進行裂隙紋理學習,可以進行默認檢測,簡稱為FFA(free-form anisotropy)算法;在裂隙檢測方面,除了上述這些傳統主流裂隙檢測算法外,還有很多其他方法[8-14]。

雖然上述方法對于常見的特征明顯的裂隙圖像具有較好的識別效果,但是露天礦邊坡裂隙圖像具有較多復雜的特征,如背景紋理復雜,噪聲多樣,裂紋分布不規律,表面形態極不規則和接觸方式具有復雜性等,所以傳統的裂隙檢測算法在露天礦邊坡裂隙圖像上檢測效果不甚理想,不能很好地進行裂隙檢測。隨著機器學習和深度學習理論的不斷發展[15],基于有監督學習的裂隙識別算法成為近年來研究的熱點,在深度學習中,數據的特征是通過訓練過程自動學習得到的,不需要通過預定義的特征提取階段,只需要提供足夠多的數據,就可以訓練出更加通用健壯的檢測模型。其中,卷積神經網絡(CNN)作為在圖像識別,語音識別以及文字識別等領域都具有廣泛應用的經典深度學習網絡,在裂隙檢測方面也具有突出的優勢。通過對裂隙檢測的相關文獻進行收集整理發現,目前還未有針對復雜背景下的露天礦邊坡裂隙進行檢測的模型,但是針對橋梁、路面以及建筑混凝土等一般結構進行裂隙檢測的方法主要有以下3種:圖像分析檢測方法、機器學習檢測方法以及深度學習檢測方法。對這3種方法進行對比分析的結果如表1所示,從中可以發現,基于圖像分析的方法較簡單,具有最少的計算復雜度和內存需求,而基于深度學習的方法無論是在內存需求還是操作成本方面都是最昂貴的,計算復雜度也最高。盡管基于圖像分析的方法的計算效率很高且成本較低,但是針對邊坡裂隙這類具有背景紋理復雜,噪聲多樣,裂紋分布不規律,表面形態極不規則和接觸方式復雜的圖像,其檢測效果非常不準確,如圖1(c)(d)所示。相對地,基于深度學習的方法卻具有最好的識別準確性、算法魯棒性以及泛化能力,這些特性都是計算嚴格的識別方法所期待的。雖然基于機器學習的方法同時具有較低的計算成本、較高的計算效率以及和深度學習方法相當的檢測準確性和算法魯棒性,但是,這些性能都需要在具體特征定義的前提下才能實現。這一點并不適合露天礦邊坡裂隙圖像,因為其通常不具有任何可以用來區分裂隙面元和背景面元的幾何特征和紋理特征等信息。然而,深度學習中的卷積神經網絡具有非常強大的特征提取能力和目標識別能力,如圖1(e)～(f)所示。

表1 裂隙檢測主要方法優缺點對比結果

圖1 邊坡裂隙檢測效果對比Fig. 1 Effects of slope fracture detection

通過圖1所示的露天礦邊坡裂隙檢測對比圖可以發現,選擇將集目標識別與語義分割為一體的Mask R-CNN深度學習框架作為露天礦邊坡裂隙檢測模型構建的基礎時,具有較高的準確率和檢測效率。但是,直接運用骨干網絡為ResNet50的Mask R-CNN模型對露天礦邊坡裂隙進行檢測時,仍存在誤檢以及裂隙邊緣不清晰的情況。所以,筆者提出了一種基于改進Mask R-CNN的露天礦邊坡裂隙智能檢測算法,用于檢測邊坡裂隙并進行裂隙分割、定位。該算法首先采用基于滑動窗口算法的圖像預處理對采集的邊坡圖像進行數據增強,然后利用基于SVM構建的分類模型對邊坡裂隙面元和邊坡背景面元進行分類識別,最后針對露天礦邊坡裂隙面元,提出了一種基于改進Mask R-CNN的檢測模型,實現對露天礦邊坡裂隙的目標檢測及裂隙分割。該模型可以在數據量有限的情況下完成對露天礦邊坡裂隙圖像的分類,目標識別以及裂隙分割三大任務,如圖2所示。經過大量對比實驗證明,與傳統裂隙檢測算法相比,該算法對于露天礦邊坡裂隙具有更好的識別效果和更高的泛化能力,以及更加精準地分割邊緣。

圖2 露天礦邊坡裂隙Fig. 2 Open-pit mine slope fractures

1 Mask R-CNN網絡模型分析

露天礦邊坡裂隙圖像中的裂隙和背景之間區分往往不明顯,且背景紋理和裂隙表面形態復雜,而Mask R-CNN能夠自主學習得到可描述裂隙和背景之間差別的特征,實現像素級語義分割,可以有效地檢測出圖像中的裂隙對象,并同時為每個對象生成高質量的分割掩膜,Mask R-CNN的網絡流程如圖3所示。

圖3 Mask R-CNN網絡流程圖[16]Fig. 3 Mask R-CNN network flowchart[16]

Mask R-CNN的構建在概念上十分簡單,在Faster R-CNN[17]針對每個對象所輸出的類別標簽以及邊界框的基礎上,增加第3個輸出分支,即對象掩碼,是一種實現目標檢測和語義分割集成為一體的深度神經網絡框架,其骨干網絡架構如圖4所示。為了清晰起見,可將其分為兩部分:1)用于對整個圖像進行特征提取的卷積骨干結構;2)用于邊界框識別(分類和回歸)的頭網絡和分別應用于每個ROI(region of interest)的掩碼預測網絡。到目前為止,許多國內外學者已經設計出了一些性能優異的CNN框架,例如,AlexNet[18]、VGG[19]、ResNet[20]和DenseNet[21]等。在檢測不同的目標時,這些CNN框架所具有的精確度和性能都有所不同,骨干結構網絡的性能決定了后續網絡在目標檢測和實例分割任務方面的性能,Mask R-CNN常采用ResNet作為其骨干網絡框架,但是目前還沒有實驗證明其中最適合用于露天礦邊坡裂隙檢測的卷積骨干架構網絡是哪個。

圖4 Mask R-CNN骨干網絡架構圖[16]Fig. 4 Mask R-CNN Backbone network architecture

Mask R-CNN是一個兩階段的實例分割網絡模型,在第1個階段利用區域建議網絡(region proposal networks, RPN)來完成在圖像上的滑動掃描,尋找出存在目標的ROI區域,然后在第2個階段并行地對RPN找到的每個ROI預測其分類和定位,并輸出其對應的二進制掩碼。在模型訓練的過程中,骨干特征提取網絡提取到的P2、P3、P4、P5、P6作為RPN網絡的有效特征層,RPN網絡通過分類器預先檢查哪個ROI位置包含目標,然后通過回歸器來相應地調整先驗框的位置,最終為檢測到的類別和區域生成相應的建議框。Mask R-CNN為每個取樣得到的ROI定義了一個多任務的損失函數如式(1)所示。

L=Lcls+Lbox+Lmask,

(1)

式中:Lcls為分類網絡的損失值,Lbox為建議框網絡的損失值,Lmask為掩碼分支網絡的平均二進制交叉熵損失值。

然后,在MaskR-CNN中引入了特征金字塔網絡(featurepyramidnetwork,FPN)[22],即取出在主干特征提取網絡中壓縮了2,3,4,5次的特征層C2、C3、C4、C5來構造FPN,實現了特征信息的多尺度融合,這使得網絡不僅能夠有效利用低特征層進行高分辨率特征的精確定位,還能夠使掩碼分支對高特征層的低分辨率特征進行分割。FPN使用具有橫向連接的自頂向下體系結構,從單尺度輸入構建網絡內特征金字塔。MaskR-CNN采用ResNet-FPN的骨干結構網絡進行特征提取能在檢測精度和速度上都有所提高[16]。

2 露天礦邊坡裂隙檢測模型

2.1 邊坡裂隙檢測網絡優化模型

通過對露天礦邊坡裂隙特征的分析,結合MaskR-CNN網絡模型的特點提出一種邊坡裂隙智能檢測模型,如圖5所示。該模型包含以下3個步驟:1)基于滑動窗口算法對邊坡圖像進行數據增強等預處理操作,并利用基于SVM構建的邊坡圖像數據分類模型對數據集進行預分類;2)基于ResNet構建邊坡裂隙多尺度特征提取網絡;3)基于空洞空間卷積池化金字塔構建邊坡裂隙分割模型,以解決圖1中所提到的檢測存在誤檢、漏檢以及邊緣粗糙、不精細的問題。

圖5 用于檢測露天礦邊坡裂隙的改進的Mask R-CNN網絡結構Fig. 5 Improved Mask R-CNN network structure for detecting cracks in open-pit mine slopes

2.2 邊坡裂隙多尺度特征提取

針對裂隙檢測優化模型在下采樣的過程中會出現局部細節信息丟失問題,采用在掩碼分支引入空洞空間卷積池化金字塔的方法對模型進行優化。

在邊坡裂隙檢測模型的骨干卷積神經網絡中,由于特征金字塔網絡底層特征和高層特征的融合路徑較長,在提取特征信息時,底層特征信息在前向傳播的過程中損失嚴重,進而影響后續的分類、邊界框回歸以及掩膜生成,從而導致了部分邊坡裂隙出現漏檢以及分割精度不高的情況。為解決這一問題,在提取特征時保留特征金字塔的底層特征信息,在MaskR-CNN中引入空洞空間卷積池化金字塔(atrousspatialpyramidpooling,ASPP)模塊,來增強特征信息的感受野。采用采樣率分別為1,6,12,18的空洞卷積對頂部特征映射圖進行并行空洞卷積操作,可以在不損失分辨率的情況下增大有效特征層特征中心的感受野。感受野是每個有效特征層輸出特征圖上的像素點在輸入圖像上的映射區域,其計算公式如式(2)所示。

式中:jl為第l層特征圖上相鄰元素間的像素距離,sl為第l層的步幅大小,kl為第l層的卷積核大小,rl為第l層的感受野邊長,cl為第l層特征圖的感受野中心坐標。骨干卷積網絡對輸入圖像進行了4次下采樣后,輸入空洞卷積層的特征圖變為32×32×2 048,經過3次卷積核為3×3的空洞卷積操作后,特征圖中心特征點的感受野依次為13×13,25×25,37×37。利用并行的空洞卷積組成特征金字塔能夠將多尺度的邊坡裂隙特征融合,使特征層中保留更多的邊坡裂隙特征信息。

2.3 邊坡裂隙目標分割

在Mask R-CNN中得到分辨率28×28的掩碼之后,會將其直接插值回原像素的尺寸,這種操作會直接導致回插的掩碼邊緣像素十分不準確。為了解決在Mask R-CNN中邊緣不夠精細的問題,考慮到掩碼邊緣的像素點一般為預測不準確的像素點,結合Kirillov等[23]提出的PointRend中先對這些不準確的點進行單獨處理,再對其他部分的像素點采用直接插值的方法,對Mask R-CNN的掩碼預測分支進行了進一步的改進。

在模型訓練階段和測試階段設置了靈活地、自適應的選點策略,然后為每一個采樣點重建特征向量,預測其分類,為掩碼重新分割標簽,優化了分割采樣方法,實現了分類分割迭代上采樣,通過一步步的循環迭代生成滿足像素精度要求的分割掩碼,避免了對像素點逐一計算所造成的算力過大的問題。

在測試階段的每次迭代中,先使用雙線性插值對其先前預測的裂隙分割結果進行一次上采樣操作,然后在這個更密集的網絡上進行裂隙邊緣點的確定,具體過程如圖6所示。

圖6 PointRend模塊[23]Fig. 6 PointRend module[23]

在訓練階段使用基于隨機采樣的非迭代策略,為裂隙掩碼像素點逐點設定不確定性度量,選取多個最不確定的點作為一次采樣點,這種靈活的選點策略能夠避免在高分辨率的輸出中出現過量的計算,造成算力的浪費。接下來,在對被選擇出來的點進行特征提取時,通過在選定的點上組合細粒度特征和粗略的預測概率來重新構造逐點特征,為采樣點提供更精細的分割細節以及更多的全局背景信息。最后,利用一個輕量型的多層感知機作為預測頭網絡來進行新的掩碼預測,直至掩碼精度達到像素要求,為邊坡裂隙生成分辨率更高的新的掩碼。

3 實驗結果及分析

3.1 實驗環境及數據準備

圖7 邊坡整體面貌Fig. 7 Overall appearance of slope

在裂隙檢測實驗中,需要大量的、帶有數據標注及類別標簽的邊坡裂隙圖像分別作為檢測模型的訓練集、驗證集和測試集。但是,到目前為止,國內外還沒有公開的帶有數據標注和類別標簽的、用于深度學習的露天礦邊坡裂隙圖像數據集。因此利用人工采集以及大疆無人機巡檢的方式在某大型露天礦山現場進行了邊坡巖體裂隙圖像的采集,共采集到礦山現場邊坡圖像500張。某大型露天礦區總面積為2.51 km2,走向長1 420 m,傾向延伸1 120 m,厚度80～150 m,平均厚度125 m。目前開采境界長2 350 m,寬1 385 m,開采標高1 600～1 072 m,允許最大邊坡高度528 m,生產臺階高12 m,最終并段為24 m,設計最終境界臺階為22個,邊坡整體面貌如圖7所示。

目前所采集到的500張露天礦邊坡裂隙圖像不能完全滿足深度學習模型的訓練、驗證以及測試的需要,而若僅靠人工采集數據的方式,也將是一個具有挑戰性的任務。因此在采集來的500張露天礦邊坡裂隙圖像的基礎上,提出了一種基于滑動窗口算法的露天礦邊坡裂隙圖像數據集擴增方法,其具體流程如圖8所示,該方法能將數據集的容量擴大4倍以上。

圖8 基于滑動窗口算法的數據集擴增流程圖Fig. 8 Flowchart of data set amplification based on the sliding window algorithm

首先,對在某大型露天礦山現場利用人工采集來的500張邊坡裂隙圖像(Crackimg1,Crackimg2,Crackimg3,…,Crackimg500)進行歸一化處理,得到像素尺寸大小為3 000×2 560,分辨率為75×75的露天礦邊坡裂隙數據集(crackimg1,crackimg2,crackimg3,…,crackimg500)。

然后,采用1 024×1 024的固定大小窗口在歸一化后的邊坡裂隙圖像(crackimg1,crackimg2,crackimg3,…,crackimg500)上進行步長為512的重疊滑動,并將每一次滑動后窗口覆蓋下的圖像區域作為一個邊坡圖像面元(img1,img2,img3,…)。其中,把包含裂隙的邊坡圖像面元稱為邊坡裂隙面元,把不包含裂隙的邊坡圖像面元稱為邊坡背景面元。

最后,采用基于支持向量機(SVM)的圖像二分類算法對擴增后的邊坡圖像面元進行分類,選出其中的邊坡裂隙面元,經過人工篩查后,對邊坡裂隙圖像數據集進行水平、垂直翻轉或者隨機旋轉等操作,進一步對數據集進行擴增。最終獲得了包含2 052張圖像的露天礦邊坡裂隙圖像數據集,將整個數據集劃分為兩個集合,其中訓練集和驗證集為一個集合共包含圖像1 900張,用于模型訓練;測試集包含剩下的152張圖像,用于對模型的訓練效果進行測試。

深度學習模型的訓練、驗證以及測試都需要大量的、帶有標注標簽的數據集,所以對數據集進行精確的標注也極其重要,本文中對人工擴增后的邊坡裂隙圖像數據集進行了精確標注。由于邊坡裂隙圖像形狀及結構毫無規律,所以這個標注的過程也是十分艱巨的,為邊坡圖像中的裂隙分配了紅色,其余部分分配了黑色,標注好的圖像示例如圖9所示。

圖9 數據集標注示例Fig. 9 Example of data set annotation

算法的程序是使用Python語言基于深度學習的主流框架TensorFlow、Keras和計算機視覺開源庫OpenCV編寫的,實驗環境為Intel(R)Core(TM)i7-9700 CPU,主頻為3.00 GHz,GPU為NVIDIA GeForce GTX 1660Super,顯存為6G。

3.2 檢測性能分析

數據集的規模大小和質量以及骨干架構網絡對于檢測邊坡裂隙的適應性都制約著裂隙檢測模型的檢測性能,本實驗首先找出了最適合用于檢測邊坡裂隙的骨干架構網絡,然后驗證了數據增強對于檢測性能所產生的影響。

首先,第1組實驗用于測試不同的骨干架構網絡對露天礦邊坡裂隙檢測性能的影響。本組實驗包含了3個小實驗,實驗1,使用ResNet50-RPN-FPN進行模型構建,訓練集經過50代訓練后,選取最終擬合的權重對測試集進行測試;實驗2,使用ResNet101-RPN-FPN構建模型,并對模型設置與實驗1相同的初始化參數,并使用相同的訓練集和測試集進行實驗;實驗3,使用ResNet152-RPN-FPN構建模型,其余設置均與實驗1、實驗2相同。第1組實驗的3個小實驗的loss值及valloss值的變化情況如圖10所示。

圖10 模型backbone的loss圖Fig. 10 The loss diagrams of the model backbone

由圖10(a)可知,當采用ResNet50為檢測模型的骨干架構網絡時,模型訓練到第17代就會出現loss值消失的情況,模型不能得到完全的訓練,從而不能獲得較好的檢測效果;由圖(b)(c)可知,當采用ResNet101和ResNet152作為檢測模型的骨干架構網絡時,模型訓練到第40代時已逐步收斂,loss值和valloss值變化趨于平緩,模型得到較好的訓練效果。然后,為驗證針對邊坡裂隙檢測模型所提出的基于滑動窗口算法的數據增強對于檢測精度的影響,設計了1組對比實驗,實驗結果如表2所示。

表2 數據增強對露天礦邊坡裂隙檢測模型精度的影響

在圖像分割中通常使用許多標準來衡量算法的精度,選取了PA(pixel accuracy,像素精度)、MPA(mean pixel accuracy,均像素精度)、MIoU(mean intersection over union,均交并比)以及FWIoU(frequency weighted intersection over union,頻權交并比)4個評價指標。其中PA是最簡單的度量,是檢測出的標記正確的像素占總像素的比例;MPA是PA的一種簡單提升,計算每個類內被正確分類像素數的比例,然后求所有類的平均;MIoU是語義分割的標準度量,對真實值(ground truth)和預測值(predicted segmentation)兩個集合的交集和并集的比值進行計算;FWIoU是MIoU的一種提升,該方法根據每個類出現的頻率為其設置權重;其公式如式(3)所示。

式中:IPA表示像素精度,IMPA表示均像素精度,IMIoU表示均交并比,IFWIoU表示頻權交并比,k為不包含背景的類別數,pii表示被正確分類的像素數量,pij表示本屬于類i但被預測為類j的像素數量,pji表示為本屬于類j但被預測為類i的像素數量。根據表2中的數據對比,可以發現,無論Mask R-CNN的骨干網絡架構采用ResNet101還是ResNet152,采用基于滑動窗口算法的數據增強都對檢測精度有一定的正向影響,對采用數據增強前后的ResNet101和ResNet152在PA、MPA、MIoU以及FWIoU4個評價指標上進行數據對比,可以發現,以ResNet101作為骨干網絡結構的裂隙檢測模型的評價指標值也相對較高,數據集擴增對于ResNet101的檢測精度提高程度較為明顯。

3.3 檢測效果分析

通過對模型檢測性能的實驗結果分析,ResNet101和ResNet152在邊坡裂隙檢測中模型性能接近,需進一步對其檢測效果進行直觀實驗評價,部分實驗結果如圖11所示。

圖11 不同骨干網絡架構下邊坡裂隙檢測效果對比Fig. 11 Slope fracture detection results under different backbone network architectures

根據圖11中分別采用ResNet152和ResNet101作為骨干網絡架構的露天礦邊坡裂隙檢測效果對比,可以發現,直接采用Mask R-CNN進行露天礦邊坡裂隙檢測,在目標檢測分支可以對裂隙進行較好的目標識別,但是在掩碼分支分割的裂隙掩碼精度較低,邊緣不清晰,頭尾兩端較難分割得到。對比圖11的第1行和第4行的(b)和(d)可以發現,利用ResNet101分割出的裂隙掩碼比利用ResNet152的效果所呈現的連續性較好,邊緣分割較精細,但仍存在分割所得的裂隙較寬,與實際裂隙吻合效果較差等缺點。綜合上述檢測性能實驗結果分析中圖像增強在ResNet101上所展現出的更好的適應性,可以判斷,ResNet101更適合作為裂隙檢測模型的骨干架構網絡。

然后,為了進一步驗證本文算法檢測效果在檢測精度上的提升,對圖12中的第2列圖像和第4列圖像進行對比可知,本文中所構建的ASPP-PointRend-Mask R-CNN露天礦邊坡裂隙檢測模型在裂隙檢測及分割方面的視覺效果更為精細,裂隙檢測結果更為準確,分割出的邊緣與真實的裂隙邊緣吻合度較高,提取出的裂隙在原圖上的定位效果也較為準確。

圖12 本文裂隙檢測算法與傳統Mask R-CNN對于露天礦邊坡裂隙檢測的效果對比Fig. 12 Comparison of the effects of the proposed fracture detection algorithm with the traditional Mask R-CNN for open pit slope fracture detection

通過以上實驗效果及量化分析結果的對比,可以看出相比于主流裂隙檢測算法,該檢測算法具有更好的適應性和更精細的裂隙邊緣分割效果。在包含152張露天礦邊坡裂隙圖像的測試集上進行了測試,并對其測試結果進行4個方面評價指標值的計算,表3為檢測評價結果,可以發現,本文算法在像素精度和均交并比方面的評價指標結果都有0.02以上的提升,檢測效果更為精細。

表3 本文算法與原算法檢測結果評價對比結果

4 結論與展望

提出了一種基于改進Mask R-CNN的露天礦邊坡裂隙智能檢測算法,討論了針對露天礦邊坡裂隙圖像的基于滑動窗口算法的數據增強,并詳細地介紹了該算法在Mask R-CNN上針對掩膜分支的改進點,同時對Mask R-CNN中最適合用于露天礦邊坡裂隙檢測的骨干架構網絡進行了實驗分析,并對該算法的改進效果進行了實驗驗證。實驗結果表明,和傳統的裂隙檢測算法及Mask R-CNN相比,所提出的露天礦邊坡裂隙智能檢測模型具有更好的識別效果和更精準的分割邊緣。

未來進一步的研究重點是:在不斷提高算法的識別能力和裂隙分割結果的同時,提高算法的泛化能力,以及對所檢測出的邊坡裂隙進行進一步的統計分析,度量其屬性信息,以便算法在實際的應用過程中,表現出更好的性能,并為進一步的邊坡穩定性監測提供數據信息,有效預防露天礦邊坡發生滑坡災害。