CN110956783B - 城市内涝监测方法及电子设备 - Google Patents
城市内涝监测方法及电子设备 Download PDFInfo
- Publication number
- CN110956783B CN110956783B CN201911226137.8A CN201911226137A CN110956783B CN 110956783 B CN110956783 B CN 110956783B CN 201911226137 A CN201911226137 A CN 201911226137A CN 110956783 B CN110956783 B CN 110956783B
- Authority
- CN
- China
- Prior art keywords
- waterlogging
- monitoring
- level
- urban
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 291
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000005059 dormancy Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 description 46
- 238000012545 processing Methods 0.000 description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 15
- 230000001276 controlling effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000008439 repair process Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical group OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供一种城市内涝监测方法及电子设备，方法包括：基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据；将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别；根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息。本申请能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性。
Description
技术领域
本申请涉及城市内涝监测技术领域，具体涉及城市内涝监测方法及电子设备。
背景技术
近年来，随着城市建设的不断发展，城市规模不断扩大，道路、建筑密度不断增加，带来的气候变化引发水循环变化，使得降雨更多的发生在城市。而同时城市发展和建设造成的地面自然滞、蓄雨水能力降低，加之城市排水管渠等防涝设施排水能力不足，使得城市内涝的情况频频发生，给人们的生产生活造成了巨大影响，因此需要进行城市内涝监测，为应急抢修单位提供实时数据支持以降低城市内涝灾害对交通、运输等方面的影响。
目前，对城市进行内涝监测的方式通常有二，其一为基于水位雷达的城市内涝监测方法，依据降雨雷达数据获取降雨的移动方向和移动速度，并最终获取监测点的预报积水深度数；其二为基于图像处理技术的城市内涝积水情况监测方法，对道路上摄像头拍摄的视频画面进行分析处理以获取道路积水的深度。
然而，上述的基于水位雷达的城市内涝监测方法的实施依赖于水位雷达的数量、故障率及人工经验，无论其中哪一个因素的变动都会影响该监测方法的准确度，而基于图像处理技术的城市内涝积水情况监测方法因其无法进行预判，需要道路上有车驶过才可进行积水程度的判别，无法进行预判，也就是说，无论是现有技术中的哪一种城市内涝监测方法均无法同时兼顾监测的准确性、可靠性和及时性。
发明内容
针对现有技术中的问题，本申请提供一种城市内涝监测方法及电子设备，能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供.一种城市内涝监测方法，包括：
基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据；
将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别；
根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息。
进一步地，所述基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，包括：
周期性的向中心服务器发送内涝预判请求，以使该中心服务器在接收到该内涝预判之时或之后，查询所述目标城市区域当前的云端雨量数据，并根据该云端雨量数据发出开始工作状态激活指令或持续休眠指令；
若接收到所述中心服务器发送的工作状态激活指令，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
进一步地，所述基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，还包括：
若接收到所述中心服务器发送的持续休眠指令，则获取所述目标城市区域当前的本地雨量数据；
判断所述本地雨量数据是否大于积水阈值，若是，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
进一步地，所述获取所述目标城市区域当前的本地雨量数据，包括：
控制所述目标城市区域内的雨量计采集当前的本地雨量数据；
自所述雨量计接收所述本地雨量数据。
进一步地，所述获取该目标城市区域内当前的监测图像数据，包括：
控制所述目标城市区域内的摄像头采集当前的视频数据；
对所述视频数据进行解码处理，得到对应的监测图像数据。
进一步地，在所述将所述监测图像数据输入预设的内涝监测模型之前，还包括：
获取多个历史监测图像数据，其中，各个所述历史监测图像数据分别对应有内涝级别的标识；
应用各个所述历史监测图像数据对预获取的用于图像识别的卷积神经网络进行训练，得到对应的所述内涝监测模型。
进一步地，所述内涝级别由低至高划分为多个级别；
相对应的，所述根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息，包括：
判断所述内涝级别是否超过预设的报警级别，若是，则向中心服务器发送针对目标城市区域的内涝报警信息；
其中，所述报警级别为所述内涝级别中的非最低级别。
进一步地，还包括：
若经判断获知所述内涝级别超过预设的报警级别，则获取该目标城市区域内当前的监测图像数据；
将所述目标城市区域内当前的监测图像数据输入预设的行人及车辆监测模型，并根据该行人及车辆监测模型的输出判断当前是否有行人或车辆在所述内涝级别超过预设的报警级别的区域活动，若有，则进行本地报警。
进一步地，所述进行本地报警，包括：
控制所述内涝级别超过预设的报警级别的区域内的声光报警器进行报警。
进一步地，还包括：
若经判断获知所述内涝级别未超过预设的报警级别，且所述内涝级别在多个预设判断周期内持续超过预设的正常级别，则判定所述目标城市区域未发现城市内涝；
其中，所述正常级别为所述内涝级别中的非最低级别和非最高级别。
进一步地，还包括：
若经判断获知所述内涝级别未超过预设的报警级别，且所述内涝级别小于或等于预设的轻度级别，则判定所述目标城市区域未发现城市内涝；
其中，所述轻度级别小于所述正常级别且在所述内涝级别中预先选取而得；
重新获取该目标城市区域内当前的监测图像数据，并将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别，并根据所述内涝级别重新确定是否输出针对目标城市区域的内涝报警信息。
第二方面，本申请提供一种城市内涝监测装置，包括：
内涝预判模块，用于基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据；
内涝识别模块，用于将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别；
内涝报警模块，用于根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息。
进一步地，所述内涝预判模块包括：
内涝预判请求发送单元，用于周期性的向中心服务器发送内涝预判请求，以使该中心服务器在接收到该内涝预判之时或之后，查询所述目标城市区域当前的云端雨量数据，并根据该云端雨量数据发出开始工作状态激活指令或持续休眠指令；
第一工作激活单元，用于若接收到所述中心服务器发送的工作状态激活指令，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
进一步地，所述内涝预判模块还包括：
本地雨量查询单元，用于若接收到所述中心服务器发送的持续休眠指令，则获取所述目标城市区域当前的本地雨量数据；
第二工作激活单元，用于判断所述本地雨量数据是否大于积水阈值，若是，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
进一步地，所述本地雨量查询单元具体用于执行下述内容：
控制所述目标城市区域内的雨量计采集当前的本地雨量数据；
自所述雨量计接收所述本地雨量数据。
进一步地，所述内涝预判模块还还包括：
视频数据采集单元，用于控制所述目标城市区域内的摄像头采集当前的视频数据；
视频数据解码单元，用于对所述视频数据进行解码处理，得到对应的监测图像数据。
进一步地，还包括：
历史数据获取模块，用于获取多个历史监测图像数据，其中，各个所述历史监测图像数据分别对应有内涝级别的标识；
模型训练模块，用于应用各个所述历史监测图像数据对预获取的用于图像识别的卷积神经网络进行训练，得到对应的所述内涝监测模型。
进一步地，所述内涝级别由低至高划分为多个级别；
相对应的，所述内涝报警模块包括：
报警信息发送单元，用于判断所述内涝级别是否超过预设的报警级别，若是，则向中心服务器发送针对目标城市区域的内涝报警信息；
其中，所述报警级别为所述内涝级别中的非最低级别。
进一步地，所述内涝报警模块还包括：
本地图像数据获取单元，用于若经判断获知所述内涝级别超过预设的报警级别，则获取该目标城市区域内当前的监测图像数据；
本地报警单元，用于将所述目标城市区域内当前的监测图像数据输入预设的行人及车辆监测模型，并根据该行人及车辆监测模型的输出判断当前是否有行人或车辆在所述内涝级别超过预设的报警级别的区域活动，若有，则进行本地报警。
进一步地，所述本地报警单元具体用于执行下述内容：
控制所述内涝级别超过预设的报警级别的区域内的声光报警器进行报警。
进一步地，所述内涝报警模块还包括：
第一未内涝确定单元，用于若经判断获知所述内涝级别未超过预设的报警级别，且所述内涝级别在多个预设判断周期内持续超过预设的正常级别，则判定所述目标城市区域未发现城市内涝；
其中，所述正常级别为所述内涝级别中的非最低级别和非最高级别。
进一步地，还包括：
第二未内涝确定单元，用于若经判断获知所述内涝级别未超过预设的报警级别，且所述内涝级别小于或等于预设的轻度级别，则判定所述目标城市区域未发现城市内涝；
其中，所述轻度级别小于所述正常级别且在所述内涝级别中预先选取而得；
重新监测单元，用于重新获取该目标城市区域内当前的监测图像数据，并将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别，并根据所述内涝级别重新确定是否输出针对目标城市区域的内涝报警信息。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的城市内涝监测方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的城市内涝监测方法的步骤。
由上述技术方案可知，本申请提供的城市内涝监测方法及电子设备，其中的方法通过基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据；将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别；根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息，通过事先预判与针对不同级别的内涝监测结果进行不同的处理的设置方式，能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性，同时能够有效减少硬件设备的使用及维护成本，能够为应急抢修单位提供更为准确且可靠地实时数据支持，进而能够有效提高城市内涝预警及应急抢修的时效性和针对性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中的城市内涝监测方法的流程示意图。
图2为本申请实施例中的城市内涝监测方法中的步骤100的流程示意图。
图3为本申请实施例中的城市内涝监测方法中的步骤121至步骤123的流程示意图。
图4为本申请实施例中的城市内涝监测方法中的步骤121的流程示意图。
图5为本申请实施例中的城市内涝监测方法中的步骤131和步骤132的流程示意图。
图6为本申请实施例中的城市内涝监测方法中的步骤010和步骤020的流程示意图。
图7为本申请实施例中的城市内涝监测方法中的步骤300的第一种流程示意图。
图8为本申请实施例中的城市内涝监测方法中的步骤300的第二种流程示意图。
图9为本申请实施例中的城市内涝监测方法中的步骤300的第三种流程示意图。
图10为本申请实施例中的城市内涝监测方法中的步骤300的第四种流程示意图。
图11为本申请应用实例中的城市内涝监测方法的逻辑流程示意图。
图12为本申请实施例中的城市内涝监测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
随着城市建设的不断发展，城市规模不断扩大，道路、建筑密度不断增加，带来的气候变化引发水循环变化，使得降雨更多的发生在城市。而同时城市发展和建设造成的地面自然滞、蓄雨水能力降低，加之城市排水管渠等防涝设施排水能力不足，使得城市内涝的情况频频发生，给人们的生产生活造成了巨大影响。
为降低城市内涝灾害对交通、运输等方面的影响，提高城市应急抢险的反映能力，越来越多的易涝点建立了监控摄像头，但需要工作人员人工监视内涝产生的情况，工作效率低，容易出现误报漏报。另一方面将摄像头数据实时传回到中心服务器所产生的数据量巨大，占用了大量网络带宽，增加了有关单位运维成本。
传统的城市内涝监测，主要通过人工现场观测、摄像头远程人工值班监测，监测效率低，人工成本高，且容易出现疲劳导致的漏检情况；水位计雷达测量技术硬件成本高，维护成本高。
随着近年来嵌入式技术、神经网络技术等相关领域技术的飞速发展，以神经网络计算为核心的小型嵌入式设备越来越多的应用到社会生活的各个方面。边缘计算的城市内涝监测设备是众多边缘计算产品中一款面向水行业及能源行业特定的城市内涝图像监测自动识别产品，通过摄像头获取监控城市易涝点图像，交由配备高性能GPU(图形处理器Graphics Processing Unit)的nano(一种主板的型号)嵌入式计算模块，通过训练得到的城市内涝识别神经网络模型前向计算，得到积水程度、积水范围数据；同时获取雨量计、中心服务器指令；将多种途径获取的数据进行关联实现低功耗远程智能城市内涝状态监测，同时还可将分析结果数据回传至中心服务器，为应急抢修单位提供实时数据支持。
随着基于机器学习技术的图像分析技术不断发展，越来越多的只能通过人工观测方式可以通过图像的方式进行智能识别。从机器学习模型的层次结构来看，机器学习的发展大概经历了两次变革：浅层学习和深度学习。在面对多个变量的异域问题时，浅层学习模型难以对其进行表达，需要多层隐含结点的网络才能有效进行表示，深度学习模型可以简洁有效的来表示复杂的函数。随着大数据的发展，面对庞大的数据，浅层学习结构在模型描述能力方面更是显现出了短板，难以充分挖掘数据的内在表示，只有表达能力更强的模型才能从大数据中发掘出更多更有价值的信息，这也激发了人们探索深度学习模型对复杂函数建模的学习动机。图像识别的研究目标就是根据图像中所具有的某种属性将其划分到预先定义的不同分类中。如何构建图像特征表示和分类模型是解决图像理解问题的关键，很多研究者进行了广泛的研究并提出了一些有效的方法。传统的方法大部分是基于视觉码本模型，该模型很好的利用了人工巧妙设计的图像描述和有效的机器学习模型，但它对图像中层结构和高层语义信息的表示力有限，无法突破语义鸿沟。近年来，深度学习的突破性发展为解决这一问题提供了新的思路，并在许多模式识别问题中得到成功应用，让冰冷的机器看懂多彩的世界。对城市进行内涝监测的方式通常有二：
其一，现有的基于水位雷达的城市内涝监测方法，依据降雨雷达数据获取降雨的移动方向和移动速度；依据降雨的移动方向和移动速度确定在预定时间内会经过监测点的降雨块；获取降雨块经过监测点所需的时间；获取所述降雨块的雷达回波值的平均值；依据所述所需时间、雷达回波值的平均值、预置的排水经验常数获取监测点的预报积水深度数,然而其需要在一定区域内按一定密度安装监测雷达，硬件成本、维护成本高；如果其中部分雷达出现故障，将对整体预报产生影响；获取积水深度除了雷达数据外还需依赖人工经验；雷达水位计除了进行城市内涝积水深度监测外，难以用于其他工作。
其二，现有基于图像智能识别的城市内涝积水情况检测方法，首先获取道路上摄像头拍摄的视频；然后采用卷积神经网络，对视频单帧图片中的轮胎进行检测，输出所有车辆的外接矩形框坐标以及车辆类型；接着使用卷积神经网络，对轮胎积水进行识别，输出每个轮胎的外接矩形框、轮胎位置坐标以及淹没等级；最后过滤掉误检数据，根据这些关联关系以及内置的车型轮胎尺寸，计算积水的深度，需要道路上有车驶过才可进行积水程度的判别，无法进行预判，该方法若用于中心服务器云计算则需要大量数据带宽，若采用边缘计算需要实时开启监测模型增加了设备功耗，降低了可持续运行时间。
针对现有的城市内涝监测方法存在的无法同时兼顾监测的准确性、可靠性和及时性的问题，本申请实施例提供一种城市内涝监测方法、城市内涝监测装置、电子设备和计算机可读存储介质，基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据；将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别；根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息，通过事先预判与针对不同级别的内涝监测结果进行不同的处理的设置方式，能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性，同时能够有效减少硬件设备的使用及维护成本，能够为应急抢修单位提供更为准确且可靠地实时数据支持，进而能够有效提高城市内涝预警及应急抢修的时效性和针对性。
针对上述内容，本申请实施例提供一种城市内涝监测装置，所述城市内涝监测装置可以为一种服务器，所述服务器可以至少一个中心服务器、位于目标城市内的图像或视频采集设备(如摄像头等)、设置在目标城市内的图像或视频采集设备附近的报警装置(如声光报警器等)以及至少一个控制中心或客户端设备之间通信连接。所述城市内涝监测装置可以设定为周期性开启图像检测工作流，即在到达监测周期后，所述城市内涝监测装置自动开启，并在线访问中心服务器查询工作状态指示，若该工作状态指示为激活，则所述城市内涝监测装置基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据；将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别；而后所述城市内涝监测装置根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息，若是，则所述城市内涝监测装置在线向所述中心服务器和/或客户端设备发送该内涝报警信息，所述城市内涝监测装置还可以控制内涝级别超过预设的报警级别的区域内的声光报警器进行报警。
可以理解的是，所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，城市内涝监测的部分可以在如上述内容所述的服务器侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
在本申请的一个或多个实施例中，所述城市内涝监测装置可以为一种用于边缘计算的nano主板，配备独立的GPU，具备128个CUDA核，具备高性能图像计算相关的并行处理能力。
在本申请的一个或多个实施例中，城市内涝是指由于强降水或连续性降水超过城市排水能力致使城市内产生积水灾害的现象。
本申请提供一种城市内涝监测方法的实施例，参见图1，所述城市内涝监测方法具体包含有如下内容：
步骤100：基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据。
步骤200：将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别。
步骤300：根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过事先预判与针对不同级别的内涝监测结果进行不同的处理的设置方式，能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性。
在本申请的城市内涝监测方法的一个实施例，参见图2，所述城市内涝监测方法的步骤100具体包含有如下内容：
步骤111：周期性的向中心服务器发送内涝预判请求，以使该中心服务器在接收到该内涝预判之时或之后，查询所述目标城市区域当前的云端雨量数据，并根据该云端雨量数据发出开始工作状态激活指令或持续休眠指令；
步骤112：若接收到所述中心服务器发送的工作状态激活指令，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过应用云端雨量数据进行预判，在预判结果显示存在内涝可能性之后，才采集城市监测图像并进行后续的内涝分析处理，能够有效提高城市内涝监测结果的准确性的同时，有效降低设备功耗，进而能够有效提高监测设备的使用寿命，并降低监测设备的使用和维护成本。
在本申请的城市内涝监测方法的一个实施例，参见图3，所述城市内涝监测方法的步骤100具体包含有如下内容：
步骤121：若接收到所述中心服务器发送的持续休眠指令，则获取所述目标城市区域当前的本地雨量数据；
步骤122：判断所述本地雨量数据是否大于积水阈值，若是，则执行步骤123，若否，则结束当前进程。
步骤123：确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过应用本地雨量数据进行进一步预判，避免初次判断产生的误判带来的影响，能够更进一步地有效提高城市内涝监测结果的准确性及可靠性。
在本申请的城市内涝监测方法的一个实施例，参见图4，所述城市内涝监测方法的步骤121具体包含有如下内容：
步骤1211：控制所述目标城市区域内的雨量计采集当前的本地雨量数据。
步骤1212：自所述雨量计接收所述本地雨量数据。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过雨量计获取本地雨量数据，能够进一步提高预判的效率及准确性，以进一步提高城市内涝监测结果的准确性及可靠性。
在本申请的城市内涝监测方法的一个实施例，参见图5，所述城市内涝监测方法的步骤100还具体包含有如下内容：
步骤131：控制所述目标城市区域内的摄像头采集当前的视频数据。
步骤132：对所述视频数据进行解码处理，得到对应的监测图像数据。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过摄像头获取监测图像数据，能够利用城市现有设备，避免另行设置监控设备造成的成本增加，并能够进一步提高预判的效率及准确性，以进一步提高城市内涝监测结果的准确性及可靠性。
在本申请的城市内涝监测方法的一个实施例，参见图6，所述城市内涝监测方法的步骤200之前还具体包含有如下内容：
步骤010：获取多个历史监测图像数据，其中，各个所述历史监测图像数据分别对应有内涝级别的标识。
步骤020：应用各个所述历史监测图像数据对预获取的用于图像识别的卷积神经网络进行训练，得到对应的所述内涝监测模型。
可以理解的是，卷积神经网络是一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像识别有着出色表现。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过对卷积神经网络训练得到内涝监测模型，能够有效提高城市内涝监测过程的效率及城市内涝监测结果的准确性。
在本申请的城市内涝监测方法的一个实施例，所述内涝级别由低至高划分为多个级别；基于此，参见图7，所述城市内涝监测方法的步骤300具体包含有如下内容：
步骤310：判断所述内涝级别是否超过预设的报警级别，其中，所述报警级别为所述内涝级别中的非最低级别。
若是，则执行步骤320；
步骤320：向中心服务器发送针对目标城市区域的内涝报警信息。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过对内涝级别进行划分，能够更进一步的防止误报，并有效提高城市内涝监测过程的可靠性。
在本申请的城市内涝监测方法的一个实施例，所述内涝级别由低至高划分为多个级别；基于此，参见图8，所述城市内涝监测方法的步骤300具体包含有如下内容：
步骤310：判断所述内涝级别是否超过预设的报警级别，其中，所述报警级别为所述内涝级别中的非最低级别。
若是，则执行步骤330；
步骤330：获取该目标城市区域内当前的监测图像数据。
步骤340：将所述目标城市区域内当前的监测图像数据输入预设的行人及车辆监测模型，并根据该行人及车辆监测模型的输出判断当前是否有行人或车辆在所述内涝级别超过预设的报警级别的区域活动，若有，则执行步骤350。
步骤350：进行本地报警。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过对行人及车辆监测模型，能够有效提高内涝报警的可靠性、及时性和针对性，能够有效提高城市内涝预警及应急躲避的时效性和针对性。
在本申请的城市内涝监测方法的一个实施例，所述城市内涝监测方法的步骤350具体包含有如下内容：
控制所述内涝级别超过预设的报警级别的区域内的声光报警器进行报警。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过声光报警器的设置，能够进一步提高内涝报警的可靠性、及时性和针对性。
在本申请的城市内涝监测方法的一个实施例，所述内涝级别由低至高划分为多个级别；基于此，参见图9，所述城市内涝监测方法的步骤300具体包含有如下内容：
步骤310：判断所述内涝级别是否超过预设的报警级别，其中，所述报警级别为所述内涝级别中的非最低级别。
若否，则执行步骤360；
步骤360：判断所述内涝级别是否在多个预设判断周期内持续超过预设的正常级别，其中，所述正常级别为所述内涝级别中的非最低级别和非最高级别；
若是，则执行步骤370；
步骤370：判定所述目标城市区域未发现城市内涝，当前进程结束。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过对内涝是否正常进行多次判断，能够更进一步的防止误报，并有效提高城市内涝监测过程的可靠性。
在本申请的城市内涝监测方法的一个实施例，所述内涝级别由低至高划分为多个级别；基于此，参见图10，所述城市内涝监测方法的步骤300具体包含有如下内容：
步骤310：判断所述内涝级别是否超过预设的报警级别，其中，所述报警级别为所述内涝级别中的非最低级别。
若否，则执行步骤380；
步骤380：判断所述内涝级别是否小于或等于预设的轻度级别，其中，所述轻度级别小于所述正常级别且在所述内涝级别中预先选取而得；
若是，则执行步骤390；
步骤390：重新获取该目标城市区域内当前的监测图像数据，并将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别，并根据所述内涝级别重新确定是否输出针对目标城市区域的内涝报警信息。
其中，步骤390也为重新返回步骤100进行全流程的城市内涝监测过程。
从上述描述可知，本申请实施例提供的城市内涝监测方法，通过对内涝是否轻度进行判断，能够更进一步的防止误报，并有效提高城市内涝监测过程的可靠性。
本申请的目的是结合嵌入式传感器技术与计算机视觉技术设计一套基于边缘计算的城市内涝监测设备用于城市内涝状态的监测，并结合本地雨量数据及云端雨量数据自动开启分析模型降低设备功耗，可将监测到的城市内涝预警图像连通本地雨量数据及分析结果回传至云端；并能结合车辆、行人检测模型，在严重内涝状态下对经过的车辆、行人进行报警。
为进一步说明本方案，本申请还提供一种城市内涝监测方法的具体应用实例，参见图11，所述城市内涝监测方法具体包含有如下内容：
S1：为降低设备功耗，系统设定为周期性开启图像检测工作流。由设备中RTC进行唤醒。
S2：设备启动后通过网络访问中心服务器，查询工作状态指示；(中心服务器通过查询区域性降雨信息，会对布置在该区域内的城市内涝监测设备给出wake工作状态指示，对于非降雨区域内的城市内涝监测设备给出sleep工作状态)。若工作状态指示为wake则执行步骤S4，否则执行步骤S3。
S3：查询本地雨量计雨量读数，若读数超过阈值则执行步骤S4,否则执行步骤S9。
S4：设备访问安装位置摄像头视频数据，解码视频数据，并获取一帧编码为图像文件。
S5：图像数据送入内涝监测模型利用GPU进行神经网络前向计算，完成城市内涝状态判定，若内涝判定结果为正常，且已经连续10次正常则执行步骤S9。若内涝结果判定为轻度或严重，则执行步骤S6。
S6：数据回传，将图像文件及判定结果回传到中心云服务器；若判定结果为严重则执行步骤S7行人车辆检测；若判定结果为轻度则执行步骤S4。
S7：图像数据送入行人车辆检测模型利用GPU进行神经网络前向计算，完成行人、车辆的目标检测，若发现目标则执行S8。
S8：喇叭发出“当前道路严重积水，请绕行”的语音提示；报警灯亮起。；
S9：设备关机，RTC模块启动15分钟倒计时，计时完成后触发下一次开机。
从上述描述可知，本申请具体应用实例提供的城市内涝监测方法，可以采用GPU并行计算嵌入式终端方式，完成城市内涝积水状态及区域内行人车辆的检测及联动报警，利用嵌入式终端完成神经网络计算；基于nano板边缘计算城市内涝监测设备的工作流。采用一个摄像头采集的图像，实现城市内涝积水程度、积水范围、行人车辆检测多方面智能判别，实现单摄像头完成积水程度、积水范围、行人车辆检测智能分析。基于nano板边缘计算城市内涝监测设备通过图像分析得到的城市内涝积水程度、积水范围、行人车辆检测进行数据关联，提高现场报警的有效性，降低设备功耗，内涝积水程判断为严重，且行人、车辆在严重积水范围内会进行现场报警；只有当内涝积水程度为严重时，才会启用行人、车辆检测模型计算；积水状态一段时间内为正常会自动关闭设备，可有效降低设备功耗。
从软件层面来说，本申请提供一种用于实现城市内涝监测方法中全部或部分内容的城市内涝监测装置的实施例，参见图12，所述城市内涝监测装置具体包含有如下内容：
内涝预判模块10，用于基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据；
内涝识别模块20，用于将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别；
内涝报警模块30，用于根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过事先预判与针对不同级别的内涝监测结果进行不同的处理的设置方式，能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性。
在本申请的城市内涝监测装置的一个实施例，所述城市内涝监测装置的内涝预判模块10具体包含有如下内容：
内涝预判请求发送单元，用于周期性的向中心服务器发送内涝预判请求，以使该中心服务器在接收到该内涝预判之时或之后，查询所述目标城市区域当前的云端雨量数据，并根据该云端雨量数据发出开始工作状态激活指令或持续休眠指令；
第一工作激活单元，用于若接收到所述中心服务器发送的工作状态激活指令，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过应用云端雨量数据进行预判，在预判结果显示存在内涝可能性之后，才采集城市监测图像并进行后续的内涝分析处理，能够有效提高城市内涝监测结果的准确性的同时，有效降低设备功耗，进而能够有效提高监测设备的使用寿命，并降低监测设备的使用和维护成本。
在本申请的城市内涝监测装置的一个实施例，所述城市内涝监测装置的内涝预判模块10还具体包含有如下内容：
本地雨量查询单元，用于若接收到所述中心服务器发送的持续休眠指令，则获取所述目标城市区域当前的本地雨量数据；
第二工作激活单元，用于判断所述本地雨量数据是否大于积水阈值，若是，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过应用本地雨量数据进行进一步预判，避免初次判断产生的误判带来的影响，能够更进一步地有效提高城市内涝监测结果的准确性及可靠性。
在本申请的城市内涝监测装置的一个实施例，所述城市内涝监测装置的本地雨量查询单元具体用于执行下述内容：
控制所述目标城市区域内的雨量计采集当前的本地雨量数据；
自所述雨量计接收所述本地雨量数据。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过雨量计获取本地雨量数据，能够进一步提高预判的效率及准确性，以进一步提高城市内涝监测结果的准确性及可靠性。
在本申请的城市内涝监测装置的一个实施例，所述城市内涝监测装置的内涝预判模块10还具体包含有如下内容：
视频数据采集单元，用于控制所述目标城市区域内的摄像头采集当前的视频数据；
视频数据解码单元，用于对所述视频数据进行解码处理，得到对应的监测图像数据。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过摄像头获取监测图像数据，能够利用城市现有设备，避免另行设置监控设备造成的成本增加，并能够进一步提高预判的效率及准确性，以进一步提高城市内涝监测结果的准确性及可靠性。
在本申请的城市内涝监测装置的一个实施例，所述城市内涝监测装置还具体包含有如下内容：
历史数据获取模块，用于获取多个历史监测图像数据，其中，各个所述历史监测图像数据分别对应有内涝级别的标识；
模型训练模块，用于应用各个所述历史监测图像数据对预获取的用于图像识别的卷积神经网络进行训练，得到对应的所述内涝监测模型。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过对卷积神经网络训练得到内涝监测模型，能够有效提高城市内涝监测过程的效率及城市内涝监测结果的准确性。
在本申请的城市内涝监测装置的一个实施例，所述内涝级别由低至高划分为多个级别；所述城市内涝监测装置中的内涝报警模块30具体包含有如下内容：
报警信息发送单元，用于判断所述内涝级别是否超过预设的报警级别，若是，则向中心服务器发送针对目标城市区域的内涝报警信息；
其中，所述报警级别为所述内涝级别中的非最低级别。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过对内涝级别进行划分，能够更进一步的防止误报，并有效提高城市内涝监测过程的可靠性。
在本申请的城市内涝监测装置的一个实施例，所述内涝级别由低至高划分为多个级别；所述城市内涝监测装置中的内涝报警模块30还具体包含有如下内容：
本地图像数据获取单元，用于若经判断获知所述内涝级别超过预设的报警级别，则获取该目标城市区域内当前的监测图像数据；
本地报警单元，用于将所述目标城市区域内当前的监测图像数据输入预设的行人及车辆监测模型，并根据该行人及车辆监测模型的输出判断当前是否有行人或车辆在所述内涝级别超过预设的报警级别的区域活动，若有，则进行本地报警。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过对行人及车辆监测模型，能够有效提高内涝报警的可靠性、及时性和针对性，能够有效提高城市内涝预警及应急躲避的时效性和针对性。
在本申请的城市内涝监测装置的一个实施例，所述城市内涝监测装置中的本地报警单元具体用于执行下述内容：
控制所述内涝级别超过预设的报警级别的区域内的声光报警器进行报警。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过声光报警器的设置，能够进一步提高内涝报警的可靠性、及时性和针对性。
在本申请的城市内涝监测装置的一个实施例，所述内涝级别由低至高划分为多个级别；所述城市内涝监测装置中的内涝报警模块30还具体包含有如下内容：
第一未内涝确定单元，用于若经判断获知所述内涝级别未超过预设的报警级别，且所述内涝级别在多个预设判断周期内持续超过预设的正常级别，则判定所述目标城市区域未发现城市内涝；
其中，所述正常级别为所述内涝级别中的非最低级别和非最高级别。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过对内涝是否正常进行多次判断，能够更进一步的防止误报，并有效提高城市内涝监测过程的可靠性。
在本申请的城市内涝监测装置的一个实施例，所述内涝级别由低至高划分为多个级别；所述城市内涝监测装置中的内涝报警模块30还具体包含有如下内容：
第二未内涝确定单元，用于若经判断获知所述内涝级别未超过预设的报警级别，且所述内涝级别小于或等于预设的轻度级别，则判定所述目标城市区域未发现城市内涝；
其中，所述轻度级别小于所述正常级别且在所述内涝级别中预先选取而得；
重新监测单元，用于重新获取该目标城市区域内当前的监测图像数据，并将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别，并根据所述内涝级别重新确定是否输出针对目标城市区域的内涝报警信息。
从上述描述可知，本申请实施例提供的城市内涝监测装置，通过对内涝是否轻度进行判断，能够更进一步的防止误报，并有效提高城市内涝监测过程的可靠性。
从硬件层面来说，为了能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性，本申请提供一种用于实现所述城市内涝监测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图像数据采集模块、本地雨量数据采集模块、逻辑处理模块、高性能图像计算模块、电源模块、网络通信模块、本地预警模块共7部分。
(1)图像数据采集模块，用于接入城市监控摄像头视频数据，进行内涝积水状态监控时会对视频数据解码并按照一定频率进行图像采样，以获得满足图像分析所需的图像。
(2)本地雨量数据采集模块，(若装配有雨量计时)按一定频率采集本地雨量计数据；
(3)逻辑处理模块，用于处理系统及大量并行处理计算之外的指令(系统调度、数据融合等)，即用于处理除图像计算相关的其他命令。
(4)图像计算模块，配备独立的GPU，具备128个CUDA核，具备高性能图像计算相关的并行处理能力。
(5)电源模块，配备有太阳能板、蓄电池及充电控制器。
(6)网络通信模块，负责边缘计算设备与外部的通信工作，比如云端工作状态指令获取、设备软件的更新、内涝预警数据的回传、设备心跳数据的回传等。
(7)本地预警模块，可搭配喇叭、显示屏、报警灯等，在严重内涝状态下对经过该区域的车辆、行人进行声光报警，并在显示大屏上播放报警文字信息。
一实施例中，城市内涝监测功能可以被集成到电子设备的上述7个模块中。其中，电子设备可以被配置为进行如下控制：
步骤100：基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据。
步骤200：将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别。
步骤300：根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息。
从上述描述可知，本申请实施例提供的电子设备，通过事先预判与针对不同级别的内涝监测结果进行不同的处理的设置方式，能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性，同时能够有效减少硬件设备的使用及维护成本，能够为应急抢修单位提供更为准确且可靠地实时数据支持，进而能够有效提高城市内涝预警及应急抢修的时效性和针对性，具体优点如下：
1)降低人工观察多路易涝点监控视频的工作量，实现无需人工参与的24小时实时监测。
2)将城市内涝积水状态监测与行人、测量目标检测智能识别模型结果有机结合，实现严重内涝积水点的智能报警功能。
3)结合云端天气数据与本地雨量数据，实现监测模型的自动启动；根据积水监测结果实现模型的自动关闭，可降低数据的无效传输，并降低设备功耗。
4)利用现有城市监控摄像头数据，边缘设备可与摄像头安装在一处，降低现场安装工作量。
5)回传数据不仅包括模型智能判别结果，还包括现场图像数据，方便人工二次验证，提高应急抢险资源的利用率。
本申请的实施例还提供能够实现上述实施例中的城市内涝监测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的城市内涝监测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据。
步骤200：将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别。
步骤300：根据所述内涝级别确定是否输出针对目标城市区域的内涝报警信息。
从上述描述可知，本申请实施例提供的计算机可读存储介质，通过事先预判与针对不同级别的内涝监测结果进行不同的处理的设置方式，能够在有效提高城市内涝监测结果的准确性的同时，还能够进一步提高城市内涝监测过程的监测效率及可靠性，同时能够有效减少硬件设备的使用及维护成本，能够为应急抢修单位提供更为准确且可靠地实时数据支持，进而能够有效提高城市内涝预警及应急抢修的时效性和针对性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种城市内涝监测方法，其特征在于，包括：
基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，若预判结果显示该目标城市区域存在内涝可能性，则获取该目标城市区域内当前的监测图像数据；
将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别，所述内涝级别由低至高划分为多个级别；
判断所述内涝级别是否超过预设的报警级别，若是，则向中心服务器发送针对目标城市区域的内涝报警信息；其中，所述报警级别为所述内涝级别中的非最低级别；
若经判断获知所述内涝级别超过预设的报警级别，则获取该目标城市区域内当前的监测图像数据；
将所述目标城市区域内当前的监测图像数据输入预设的行人及车辆监测模型，并根据该行人及车辆监测模型的输出判断当前是否有行人或车辆在所述内涝级别超过预设的报警级别的区域活动，若有，则进行本地报警；
若经判断获知所述内涝级别未超过预设的报警级别，且所述内涝级别在多个预设判断周期内持续超过预设的正常级别，则判定所述目标城市区域未发现城市内涝；其中，所述正常级别为所述内涝级别中的非最低级别和非最高级别；
若经判断获知所述内涝级别未超过预设的报警级别，且所述内涝级别小于或等于预设的轻度级别，则判定所述目标城市区域未发现城市内涝；
其中，所述轻度级别小于所述正常级别且在所述内涝级别中预先选取而得；
重新获取该目标城市区域内当前的监测图像数据，并将所述监测图像数据输入预设的内涝监测模型，并将该内涝监测模型的输出作为所述目标城市区域的内涝级别，并根据所述内涝级别重新确定是否输出针对目标城市区域的内涝报警信息。
2.根据权利要求1所述的城市内涝监测方法，其特征在于，所述基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，包括：
周期性的向中心服务器发送内涝预判请求，以使该中心服务器在接收到该内涝预判之时或之后，查询所述目标城市区域当前的云端雨量数据，并根据该云端雨量数据发出开始工作状态激活指令或持续休眠指令；
若接收到所述中心服务器发送的工作状态激活指令，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
3.根据权利要求2所述的城市内涝监测方法，其特征在于，所述基于目标城市区域的雨量数据对该目标城市区域的积水情况进行预判，还包括：
若接收到所述中心服务器发送的持续休眠指令，则获取所述目标城市区域当前的本地雨量数据；
判断所述本地雨量数据是否大于积水阈值，若是，则确定所述内涝预判请求对应的预判结果为该目标城市区域存在内涝可能性。
4.根据权利要求3所述的城市内涝监测方法，其特征在于，所述获取所述目标城市区域当前的本地雨量数据，包括：
控制所述目标城市区域内的雨量计采集当前的本地雨量数据；
自所述雨量计接收所述本地雨量数据。
5.根据权利要求1所述的城市内涝监测方法，其特征在于，所述获取该目标城市区域内当前的监测图像数据，包括：
控制所述目标城市区域内的摄像头采集当前的视频数据；
对所述视频数据进行解码处理，得到对应的监测图像数据。
6.根据权利要求1所述的城市内涝监测方法，其特征在于，在所述将所述监测图像数据输入预设的内涝监测模型之前，还包括：
获取多个历史监测图像数据，其中，各个所述历史监测图像数据分别对应有内涝级别的标识；
应用各个所述历史监测图像数据对预获取的用于图像识别的卷积神经网络进行训练，得到对应的所述内涝监测模型。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述的城市内涝监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911226137.8A CN110956783B (zh) | 2019-12-04 | 2019-12-04 | 城市内涝监测方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911226137.8A CN110956783B (zh) | 2019-12-04 | 2019-12-04 | 城市内涝监测方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110956783A CN110956783A (zh) | 2020-04-03 |
| CN110956783B true CN110956783B (zh) | 2021-11-16 |
Family
ID=69979717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911226137.8A Active CN110956783B (zh) | 2019-12-04 | 2019-12-04 | 城市内涝监测方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956783B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798672A (zh) * | 2020-07-15 | 2020-10-20 | 安徽达尔智能控制系统股份有限公司 | 道路气象信息监测管理系统 |
| CN111882830B (zh) * | 2020-07-31 | 2021-12-14 | 珠江水利委员会珠江水利科学研究院 | 城市内涝监测预报预警方法、装置、系统及存储介质 |
| CN112001964A (zh) * | 2020-07-31 | 2020-11-27 | 西安理工大学 | 一种基于深度学习的洪水演进过程淹没范围测量方法 |
| CN112016831A (zh) * | 2020-08-27 | 2020-12-01 | 西安易辑数字科技有限公司 | 一种基于ai智能预报的城市内涝落区的识别方法 |
| CN112102299A (zh) * | 2020-09-18 | 2020-12-18 | 中德（珠海）人工智能研究院有限公司 | 基于三维建模的城市绿化监测方法、装置、设备和介质 |
| CN113256117B (zh) * | 2021-05-26 | 2023-04-07 | 中铁第四勘察设计院集团有限公司 | 一种基于物联网的地下基础设施水灾风险分析系统及方法 |
| CN113483851B (zh) * | 2021-07-13 | 2023-05-16 | 天津万峰环保科技有限公司 | 路面积水监测设备和方法 |
| CN113744192B (zh) * | 2021-08-02 | 2022-09-02 | 清华大学 | 基于边缘计算的肺结节识别方法、装置、设备及介质 |
| CN113781813A (zh) * | 2021-10-22 | 2021-12-10 | 北京声智科技有限公司 | 一种预警方法、系统、装置和电子设备 |
| CN113971872A (zh) * | 2021-10-22 | 2022-01-25 | 广东电网有限责任公司广州供电局 | 一种电力设施内涝监测预报预警系统、方法及设备 |
| CN114119776B (zh) * | 2022-01-26 | 2022-06-21 | 江西省大气探测技术中心 | 一种城市涝点管理方法、系统、存储介质及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1495648A (zh) * | 2002-09-17 | 2004-05-12 | 株式会社东芝 | 防汛支援装置及程序和防汛支援方法 |
| CN106331605A (zh) * | 2016-08-17 | 2017-01-11 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频的水灾检测装置及方法 |
| KR20170033103A (ko) * | 2015-09-16 | 2017-03-24 | 주식회사 일리시스 | 도로침수 모니터링 시스템 및 그 방법 |
| CN108320462A (zh) * | 2018-03-02 | 2018-07-24 | 中山市爱科应用科技有限公司 | 城市防汛预警预报系统 |
| CN108549862A (zh) * | 2018-04-11 | 2018-09-18 | 北京航空航天大学 | 异常场景检测方法及装置 |
| CN208172857U (zh) * | 2018-02-11 | 2018-11-30 | 南昌市气象局 | 一种城市内涝灾害的气象风险分析预警系统 |
| CN109191358A (zh) * | 2018-10-19 | 2019-01-11 | 中电科新型智慧城市研究院有限公司 | 城市防汛防涝监测指挥作业系统 |
| CN109632037A (zh) * | 2018-12-12 | 2019-04-16 | 四创科技有限公司 | 一种基于图像智能识别的城市内涝积水深度检测方法 |
| CN209132448U (zh) * | 2018-08-24 | 2019-07-19 | 杭州海康威视系统技术有限公司 | 摄像机及水雨情监测系统 |
| KR102043999B1 (ko) * | 2019-04-22 | 2019-11-12 | (주)미래로택 | 홍수 예/경보를 위한 브레이니 rtu 및 이를 이용한 강우 예측 방법과 화재/침수 관련 알람 전송 방법 |
-
2019
- 2019-12-04 CN CN201911226137.8A patent/CN110956783B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1495648A (zh) * | 2002-09-17 | 2004-05-12 | 株式会社东芝 | 防汛支援装置及程序和防汛支援方法 |
| KR20170033103A (ko) * | 2015-09-16 | 2017-03-24 | 주식회사 일리시스 | 도로침수 모니터링 시스템 및 그 방법 |
| CN106331605A (zh) * | 2016-08-17 | 2017-01-11 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频的水灾检测装置及方法 |
| CN208172857U (zh) * | 2018-02-11 | 2018-11-30 | 南昌市气象局 | 一种城市内涝灾害的气象风险分析预警系统 |
| CN108320462A (zh) * | 2018-03-02 | 2018-07-24 | 中山市爱科应用科技有限公司 | 城市防汛预警预报系统 |
| CN108549862A (zh) * | 2018-04-11 | 2018-09-18 | 北京航空航天大学 | 异常场景检测方法及装置 |
| CN209132448U (zh) * | 2018-08-24 | 2019-07-19 | 杭州海康威视系统技术有限公司 | 摄像机及水雨情监测系统 |
| CN109191358A (zh) * | 2018-10-19 | 2019-01-11 | 中电科新型智慧城市研究院有限公司 | 城市防汛防涝监测指挥作业系统 |
| CN109632037A (zh) * | 2018-12-12 | 2019-04-16 | 四创科技有限公司 | 一种基于图像智能识别的城市内涝积水深度检测方法 |
| KR102043999B1 (ko) * | 2019-04-22 | 2019-11-12 | (주)미래로택 | 홍수 예/경보를 위한 브레이니 rtu 및 이를 이용한 강우 예측 방법과 화재/침수 관련 알람 전송 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110956783A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110956783B (zh) | 城市内涝监测方法及电子设备 | |
| CN106846863B (zh) | 基于增强现实和云端智能决策的事故黑点警告系统及方法 | |
| US20200334979A1 (en) | Predictive, integrated and intelligent system for control of times in traffic lights | |
| CN111696348B (zh) | 一种多功能的智能信号控制系统和方法 | |
| KR20160072432A (ko) | 해양환경 관측자료 제공시스템 | |
| CN108382396B (zh) | 驾驶员驾驶状态识别系统及其应用方法 | |
| CN110060484A (zh) | 一种基于区块链的公路客运违章实时预警系统及方法 | |
| CN113970627B (zh) | 一种水质监测及预警方法、系统 | |
| CN105003828A (zh) | 一种基于移动平台的排水在线监测预警方法及系统 | |
| CN111741133A (zh) | 一种云边端协同的气象智能预警系统 | |
| CN208818246U (zh) | 内涝监测系统 | |
| CN114463948A (zh) | 一种地质灾害监测预警方法及系统 | |
| US11004324B1 (en) | Pool alarm | |
| CN116861317A (zh) | 一种基于bp神经网络的小区内涝预警方法及系统 | |
| CN204852948U (zh) | 基于移动平台的排水在线监测预警系统 | |
| CN115107931A (zh) | 海上浮标系统 | |
| CN116056044A (zh) | 路侧设备的控制方法、装置、设备以及存储介质 | |
| CN112907885B (zh) | 基于scnn的分散集中式家居图像火灾报警系统及方法 | |
| CN113920720A (zh) | 高速公路隧道设备故障处理方法、装置及电子设备 | |
| CN114244841B (zh) | 一种基于区块链的云雾结合环卫车辆管理系统 | |
| CN111861394A (zh) | 一种基于物联网的小区智能管理方法及系统 | |
| CN112468696A (zh) | 一种数据处理的方法和装置 | |
| Saxena et al. | Design of a smart public transport system based on IoT | |
| CN108632320B (zh) | 物联网信息服务系统、方法、装置以及终端 | |
| Kaleeem et al. | IoT Regression Techniques In Smart Parking Systems: Survey |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100097 room 10e, unit 2 (block B), 9 / F, building 2, yard 2, lantianchang East Road, Haidian District, Beijing (Building 2, Jinyuan times business center) Patentee after: Kunyu (Beijing) Technology Co.,Ltd. Address before: 100097 room 10e, unit 2 (block B), 9 / F, building 2, yard 2, lantianchang East Road, Haidian District, Beijing (Building 2, Jinyuan times business center) Patentee before: RICHWAY (BEIJING) TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |