基于人工智能模型的小流域沟道漂木识别方法.pdf

第45卷第6期水土保持通报Vol.45，No.6

2025年12月ResearchofSoilandWaterConservationDec.，2025

基于人工智能模型的小流域沟道漂木识别方法

1，211，21，21，21，2

刘海涛，陈剑刚，陶紫琴，李丹丹，王金水，王辰元

（1.中国科学院、水利部成都山地灾害与环境研究所，山地自然灾害与

工程安全重点实验室，四川成都610213；2.中国科学院大学，北京100049）

摘要：［目的］介绍一种基于人工智能模型的漂木图像分割方法，为该模型在漂木灾害调查与评估方面

的应用提供理论依据。［方法］选取西藏自治区昌都市贡觉县则巴沟为研究区，基于人工智能图像分割大

模型（segmentanythingmodel，SAM），通过引入轻量级适配器、简化掩码解码器、设计多任务损失函数以及

添加辅助分类器，构建一种针对漂木图像的分割方法（largewoodSAM，LWSAM）。训练时冻结原始图像

编码器和提示编码器的参数，以低训练成本提升漂木分割性能，在构建的漂木相机（LW_CAM_dataset）和

无人机（LW_UAV_dataset）两个数据集上对模型进行训练与测试，并与当前先进图像分割模型进行对

比。［结果］①多任务损失函数能从不同角度优化分割质量，有效解决了漂木识别中前景稀疏和类别不平

衡的问题，提高了模型对多种漂木形态的适应能力；②相较于SAM方法，在采用点提示的情况下，LWSAM

在LW_CAM_dataset数据集上的MDice，MIoU和F1分数分别提升15.9%，15.9%和10.0%，在

LW_UAV_dataset数据集上的MDice，MIoU和F分数分别提升21.6%，29.6%和16.7%；③漂木分割效果受

数据集质量影响，高质量数据集模型分割结果更好。［结论］采用LWSAM对漂木图像进行分割是可行的，

且在实际运用中表现出较高的精度和较强的鲁棒性，能够准确分割漂木图像，可应用于小流域漂木灾害调查。

关键词：漂木；泥石流；分割一切模型；适配器；损失函数；掩码解码器

文献标识码：B文章编号：1000-288X（2025）06-0158-11中图分类号：TP3，X43

文献参数：刘海涛，陈剑刚，陶紫琴，等.基于人工智能模型的小流域沟道漂木识别方法［J］.水土保持通

报，2025，45（6）：158-168.LiuHaitao，ChenJiangang，TaoZiqin，etal.Identificationmethodforlargewood

insmallwatershedchannelsbasedonsegmentanythingmodel［J］.BulletinofSoilandWaterConservation，

2025，45（6）：158-168.

DOI：10.13961/j

更多 >