CN111144254A - 城市内涝积水程度识别方法及装置 - Google Patents
城市内涝积水程度识别方法及装置 Download PDFInfo
- Publication number
- CN111144254A CN111144254A CN201911306656.5A CN201911306656A CN111144254A CN 111144254 A CN111144254 A CN 111144254A CN 201911306656 A CN201911306656 A CN 201911306656A CN 111144254 A CN111144254 A CN 111144254A
- Authority
- CN
- China
- Prior art keywords
- waterlogging
- image
- water
- ponding
- degree
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种城市内涝积水程度识别方法及装置，方法包括：将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像；对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像；对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像；根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。本申请能够实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性。
Description
技术领域
本申请涉及城市内涝监测技术领域，具体涉及城市内涝积水程度识别方法及装置。
背景技术
城市内涝主要发生在一些沿海地势比较低的地区，内陆城市也经常发生。过去城市建设用地面积小，可选择的区域比较大，一般都选择地势比较高的地区建设，而，现在城市用地十分紧张，可选择的余地少。由于城市中植被稀疏，水塘较少，无法贮存雨水，导致出现“汇水”的现象形成积水。而且热岛效应的出现，导致暴雨出现的几率增加，降水集中。因此需要对城市内涝进行监测以进行防灾抢险，在此过程中，获取城市内涝的积水程度是判断是否需要启动防灾抢险处理的关键。
现有的检查城市内涝积水的方法通常为人工通过摄像头采集的数据进行观察的方式，工作人员通过摄像头采集回来的图像或者视频数据来判断所拍摄地点是否发生积水。
然而，在基于人工来进行判断是否发生积水的过程中，由于人的主观判断会造成不同的人对积水的严重程度的理解不同的情形出现，同时，人工无法精确计算当前水面的积水面积以及积水深度，也无法24小时全程对积水站点进行监控，也就是说，现有的城市内涝积水程度识别的过程无法确保识别的准确性和及时性。
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积水程度识别方法及装置，能够实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性。
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积水程度识别方法，包括：
将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像；
对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像；
对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像；
根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。
进一步地，所述根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据，包括：
应用透视变换处理方式对所述广域图像进行空间维度转换，得到对应的转换系数；
根据所述转换系数确定获取所述积水图像对应的积水面积。
进一步地，所述根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据，包括：
将所述广域图像中的现实场景的参照物作为垂直标线；
基于所述垂直标线与所述积水图像对应的平面之间的交点确定所述易涝点的积水深度。
进一步地，在所述将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型之前，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用于表示是否有积水的标识；
应用各个所述历史监测图像数据对预获取的用于分类的卷积神经网络进行训练，得到对应的所述城市内涝积水分类模型。
进一步地，所述对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像，包括：
应用SIFT图像变化算法对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
进一步地，在所述对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像之前，还包括：
获取多个历史广域图像数据，其中，各个所述历史广域图像数据分别对应有分割结果的标识；
应用各个所述历史广域图像数据对预获取的用于分割的卷积神经网络进行训练，得到对应的水域分割模型。
进一步地，所述对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像，包括：
将所述广域图像输入所述水域分割模型中，得到该广域图像对应的水域的掩膜图像；
应用所述掩膜图像对发生积水的区域进行像素分割，得到对应的积水图像。
第二方面，本申请提供一种城市内涝积水程度识别装置，包括：
积水判断模块，用于将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像；
图像拼接模块，用于对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像；
像素分割模块，用于对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像；
积水程度获取模块，用于根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。
进一步地，所述积水程度获取模块包括：
透视变换单元，用于应用透视变换处理方式对所述广域图像进行空间维度转换，得到对应的转换系数；
积水面积获取单元，用于根据所述转换系数确定获取所述积水图像对应的积水面积。
进一步地，所述积水程度获取模块包括：
参照物获取单元，用于将所述广域图像中的现实场景的参照物作为垂直标线；
积水深度获取单元，用于基于所述垂直标线与所述积水图像对应的平面之间的交点确定所述易涝点的积水深度。
进一步地，还包括：
历史监测图像获取模块，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用于表示是否有积水的标识；
城市内涝积水分类模型训练模块，用于应用各个所述历史监测图像数据对预获取的用于分类的卷积神经网络进行训练，得到对应的所述城市内涝积水分类模型。
进一步地，所述图像拼接模块包括：
SIFT图像变化单元，用于应用SIFT图像变化算法对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
进一步地，还包括：
历史广域图像获取模块，用于获取多个历史广域图像数据，其中，各个所述历史广域图像数据分别对应有分割结果的标识；
水域分割模型训练模块，用于应用各个所述历史广域图像数据对预获取的用于分割的卷积神经网络进行训练，得到对应的水域分割模型。
进一步地，所述像素分割模块包括：
掩膜图像获取单元，用于将所述广域图像输入所述水域分割模型中，得到该广域图像对应的水域的掩膜图像；
积水图像获取单元，用于应用所述掩膜图像对发生积水的区域进行像素分割，得到对应的积水图像。
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积水程度识别方法的步骤。
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积水程度识别方法的步骤。
由上述技术方案可知，本申请提供的城市内涝积水程度识别方法及装置，其中的方法通过将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像；对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像；对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像；根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据，通过图像处理和计算机视觉技术，能够实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性，避免人工监控的延时性，并能够提高城市内涝监测的及时性；同时通过采用自动化的城市易涝点监控，能够有效降低人工成本，确保能够更及时的获知道路积水问题，并有效提高预防及治理的及时性。
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积水程度识别方法的流程示意图。
图2为本申请实施例中的城市内涝积水程度识别方法中的步骤400中求取积水面积的流程示意图。
图3为本申请实施例中的城市内涝积水程度识别方法中的步骤400中求取积水深度的流程示意图。
图4为本申请实施例中的城市内涝积水程度识别方法中的城市内涝积水分类模型训练的流程示意图。
图5为本申请实施例中的城市内涝积水程度识别方法中的水域分割模型训练的流程示意图。
图6为本申请实施例中的城市内涝积水程度识别方法中的步骤300的流程示意图。
图7为本申请实施例中的城市内涝积水程度识别装置的结构示意图。
图8为本申请实施例中的电子设备的结构示意图。
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。
考虑到现有的检查城市内涝积水的方法是人工通过摄像头采集的数据进行观察的方式，工作人员通过摄像头采集回来的图像或者视频数据来判断所拍摄地点是否发生积水，由于人的主观判断，不同的人对积水的严重程度的理解不同；人工无法精确计算当前水面的积水面积以及积水深度：人工无法24小时全程对积水站点进行监控等问题，本申请提供一种城市内涝积水程度识别方法、装置、电子设备和计算机可读存储介质，通过将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像；对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像；对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像；根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据，能够实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性，避免人工监控的延时性，并能够提高城市内涝监测的及时性；同时通过采用自动化的城市易涝点监控，能够有效降低人工成本，确保能够更及时的获知道路积水问题，并有效提高预防及治理的及时性。
随着信息技术与影像技术的不断发展，大量的图像、语音数据被收集，这些数据具有非常重要的价值，越来越多的关于图像、语音数据的处理方法开始被提出，例如基于颜色、基于物体轮廓等图像处理方法，而随着计算机芯片处理能力的几何级提升，基于深度学习的图像处理方法也被提出来。深度学习是指由多层的人工神经网络以及网络模型相关的优化方法所组成的学习算法，能够实现端到端的模型识别和特征提取。深度学习方法是一种自动挖掘数据潜在特征的处理方法，被广泛应用于图像、语音、自然语音处理等领域；而在图像方面，深度学习相对于传统的颜色识别等，更加适用于自然场景，而且有着更好的鲁棒性。深度学习结合传统的图像识别方法，在图像识别上可以获得更好的稳定性和更高的精确度。
本申请提供的基于图像识别技术的城市内涝积水识别模型是一种面向水行业测量相关的识别产品，通过结合先进的深度学习分类算法、分割算法以及相关图像处理算法，该模型可自动识别城市道路、涵洞等地区的积水情况并计算出大致的积水面积和积水深度。代替传统的人为通过摄像头观察是否积水的方式，不仅可以全天24小时不间断监控，而且可以在发生严重道路积水的时候给相关人员推送预警信息，保证及时处理积水。
深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。而在一开始，由于计算能力有限，神经网络的参数庞大且复杂，导致在任务上无法取得理想的效果，所以开始在分类器方面采取SVM，Boosting，最近邻等分类器等浅层机器学习模型，而在采集特征方面也是采用不同的手工设计特征，例如SIFT、LBP、HOG特征等。而随着计算机能力的飞跃式发展，为图像识别技术提供了强大的计算能力，深度学习相对于传统图像识别的优势展现出来，不同于传统的手工设计特征，深度学习可以自动从大数据中自动学习特征，而好的特征可以极大的提高图像识别的性能。在传统图像识别方法中，特征提取和分类器的优化是分开的，而且在深度学习中，两者是联合优化的，可以最大程度的发挥二者的联和性能；深度学习模型意味着更深的网络结构，而深度网络结构相对于传统浅层结构可以减少计算所需要的参数以及重复利用中间层的计算单元；深度学习模型拥有强大的学习能力和高效的特征表达能力，能够从像素级的原始数据到抽象级的语义概念逐层提取信息，结合这些特性，深度学习能够为图像识别提供更高的精确度，使得图像识别有着更加广阔的应用场景和发展前途。
虽然深度学习相对于传统机器学习算法有着长足的进步，但深度学习算法在提取容易量化的特征例如颜色、面积、深度等，在速度与稳定性方面要略逊与传统算法，且深度学习需要大量的样本和强力的计算性能来支持，所以要将深度学习算法顺利应用在现有产业当中，仍然需要与传统的机器学习算法相结合。
针对上述内容，本申请实施例提供一种城市内涝积水程度识别装置，所述城市内涝积水程度识别装置可以为一种服务器或控制器，所述城市内涝积水程度识别装置可以与至少一个中心服务器、目标城市中的图像或视频采集设备(摄像头等)以及至少一个控制中心或客户端设备之间通信连接。所述城市内涝积水程度识别装置可以在线接收中心服务器、控制中心或客户端设备发送的城市内涝积水程度识别指令，而后控制目标城市中的图像或视频采集设备采集目标城市内的易涝点的监测图像数据，并将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像，之后，所述城市内涝积水程度识别装置控制采集所述易涝点的监测图像数据的图像或视频采集设备调整自身机位和/或焦距，以采集所述目标城市内的易涝点的多个机位和焦距下的监测图像，而后所述城市内涝积水程度识别装置对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像；对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像；根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。其中，所述易涝点为根据城市历史内涝信息预先选取确定的。
基于此，所述城市内涝积水程度识别装置在获取所述目标城市中的易涝点的积水程度数据之后，可以对该积水程度数据进行进一步阈值判断，若根据该积水程度数据对应的数值超出预设的内涝阈值，则可以将该目标城市中的易涝点对应的内涝报警信息发送至中心服务器或客户端设备，以使维修抢险人员能够根据接收自中心服务器的指令或客户端设备显示的内涝报警信息的内容，及时到达易涝点进行抢修。
又或者，所述城市内涝积水程度识别装置在获取所述目标城市中的易涝点的积水程度数据之后，可以直接将该积水程度数据发送至中心服务器或客户端设备，以使中心服务器或客户端设备根据该积水程度数据自行判断目标城市的易涝点当前是否发生内涝。
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，城市内涝积水程度识别的部分可以在如上述内容所述的服务器侧或控制器侧执行，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。
为了实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性，本申请提供一种城市内涝积水程度识别方法的实施例，参见图1，所述城市内涝积水程度识别方法具体包含有如下内容：
步骤100：将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像。
具体来说，城市内涝积水分类模型是应用深度学习方式预先构建的，所述城市内涝积水分类模型是指利用深度学习技术判断城市易涝点是否发生积水，将发生积水的图像用于后续的图像预处理的一种分类模型。
步骤200：对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
上述步骤200是指利用预设的图像变换算法，对不同机位、不同焦距下的图片进行拼接处理，将不同场景图拼接为一个同一坐标下的广域图像用于后续的模型输入。可以理解的是，所述广域图像是指在控制采集所述监测图像数据的图像采集设备再次变换机位和焦距采集多个监测图像后，由这些监测图像拼接而成的广域视区内的图像，该广域图像的视区范围显然要大于单独的监测图像。
步骤300：对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像。
在步骤300中，可以将分类为发生积水的图图像使用深度学习技术将图片中产生积水的区域进行像素级分割，经过分割后的积水图像用于后续的水深与面积计算。
步骤400：根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。
在步骤400中，具体可以利用透视变换转换空间维度，计算分割出来的水域面积，同时利用现实场景的参照物作为垂直标线，利用垂直标线与水域识别得到的平面的交点来计算积水深度。可以理解的是，所述垂直标线具体可以指高低垂直标线。
为了有效且可靠地对城市易涝点的积水面积进行智能识别，并能够有效提高积水程度识别过程的准确性及全面性，在本申请的城市内涝积水程度识别方法的一个实施例，参见图2，所述城市内涝积水程度识别方法的步骤400具体包含有如下内容：
步骤410：应用透视变换处理方式对所述广域图像进行空间维度转换，得到对应的转换系数。
步骤420：根据所述转换系数确定获取所述积水图像对应的积水面积。
具体来说，所述城市内涝积水程度识别装置可以根据广域图像利用透视变换转换空间维度，获取到转换系数后，利用该系数转换像素分割后的广域图像，根据转换后的平面参照物的实际面积大小换算掩膜的实际面积，得到积水面积。
为了进一步实现对城市易涝点的积水深度的智能识别，并能够有效提高积水识别过程的准确性及全面性，在本申请的城市内涝积水程度识别方法的一个实施例，参见图3，所述城市内涝积水程度识别方法的步骤400具体包含有如下内容：
步骤430：将所述广域图像中的现实场景的参照物作为垂直标线。
步骤440：基于所述垂直标线与所述积水图像对应的平面之间的交点确定所述易涝点的积水深度。
具体来说，所述城市内涝积水程度识别装置可以根据广域图像，在广域图像中寻找垂直于易积水位置的平面，在可计算实际距离的位置设置标定点，通过计算标定点到根据积水水面距离的变化，直接有效的获取积水深度。
为了通过城市内涝积水分类模型的预先构建来提高易涝点是否发生积水的判断的准确性、可靠性及智能化程度，在本申请的城市内涝积水程度识别方法的一个实施例，参见图4，所述城市内涝积水程度识别方法的步骤100之前还具体包含有如下内容：
步骤011：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用于表示是否有积水的标识。
步骤012：应用各个所述历史监测图像数据对预获取的用于分类的卷积神经网络进行训练，得到对应的所述城市内涝积水分类模型。
具体来说，所述城市内涝积水程度识别装置可以定义分类网络结构，网络结构采用基于深度学习的inceptionV4网络，分类网络结构所需要的城市有积水与无积水的分类样本；针对该分类网络结构，采用S1标注的样本训练网络模型，训练的初始学习率为0.0001，动量momentum为0.9，模型迭代周期为20个epoch，并将训练得到的模型作为城市内涝积水分类模型。
可以理解的是，所述inceptionV4可以包含有三个基本模块：
1.基本的Inception v2/v3模块，使用两个3x3卷积代替5x5卷积，并且使用average pooling，该模块主要处理尺寸为35x35的feature map；
2.使用1xn和nx1卷积代替nxn卷积，同样使用average pooling，该模块主要处理尺寸为17x17的feature map；
3.在原始的8x8处理模块上将3x3卷积用1x3卷积和3x1卷积。
Inception v4中基本的Inception module还是沿袭了Inception v2/v3的结构，只是结构看起来更加简洁统一，并且使用更多的Inception module，实验效果也更好。
相对来说，所述城市内涝积水程度识别装置在根据训练得到的城市内涝积水分类模型之后，可以获取原始图像输入到该城市内涝积水分类模型中，区分图像中无积水、轻度积水和重度积水的图像，来判断当前场景的积水情况并获取轻度积水和重度积水的图像。
为了通过SIFT图像变化算法的应用来有效提高对多个机位和焦距下的所述监测图像进行拼接处理过程的准确性，以有效提高获取易涝点的积水区域的全面性，在本申请的城市内涝积水程度识别方法的一个实施例，所述城市内涝积水程度识别方法的步骤200具体包含有如下内容：
应用SIFT图像变化算法对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
为了通过水域分割模型的预先构建来有效提高对所述广域图像中发生积水的识别以及进行像素分割的准确性和可靠性，以有效提高获取易涝点的积水程度的准确性和全面性，在本申请的城市内涝积水程度识别方法的一个实施例，参见图5，在所述城市内涝积水程度识别方法的步骤300之前还具体包含有如下内容：
步骤021：获取多个历史广域图像数据，其中，各个所述历史广域图像数据分别对应有分割结果的标识。
步骤022：应用各个所述历史广域图像数据对预获取的用于分割的卷积神经网络进行训练，得到对应的水域分割模型。
具体来说，所述城市内涝积水程度识别装置可以定义语义分割网络结构，网络结构采取deeplab v3+网络，分割网络结构所需要城市积水分割样本，而后采取标注的城市积水分割样本训练分割网络结构，训练的初始学习率为10-7，动量momentum为0.9，模型迭代周期为10个epoch，得到对应的水域分割模型。之后，所述城市内涝积水程度识别装置可以将获取的广域图像输入到水域分割模型中，得到水域的掩膜图像，并利用掩膜图像来精确分割出图像中的积水。
可以理解的是，DeepLabv3+为了融合多尺度信息，引入语义分割常用的encoder-decoder。在encoder-decoder架构中，引入可任意控制编码器提取特征的分辨率，通过空洞卷积平衡精度和耗时。在语义分割任务中采用Xception模型，在ASPP和解码模块使用depthwise separable convolution，提高编码器-解码器网络的运行速率和健壮性。
为了通过水域分割模型的应用来有效提高像素分割过程的准确性及智能化程度，以进一步提高积水识别过程的准确性及全面性，在本申请的城市内涝积水程度识别方法的一个实施例，参见图6，在所述城市内涝积水程度识别方法的步骤300具体包含有如下内容：
步骤310：将所述广域图像输入所述水域分割模型中，得到该广域图像对应的水域的掩膜图像。
步骤320：应用所述掩膜图像对发生积水的区域进行像素分割，得到对应的积水图像。
本申请的目的是利用图像处理和计算机视觉技术实现智能识别城市易涝点积水区域是否存在积水及积水的深度与面积。采用图像识别方法即时可靠的获取城市易涝点的积水状态，避免人工监控的延时性，提高城市内涝监测的及时性。采用自动化的城市易涝点监控，降低人工成本，确保道路积水问题早知道，早预防，早治理。
为了进一步地说明本方案，本申请还提供一种城市内涝积水程度识别方法的具体应用实例，具体包含有如下内容：
S1：分类网络结构：网络结构采用基于深度学习的inceptionV4网络，分类网络结构所需要的城市有积水与无积水的分类样本；
S2：采用S1标注的样本训练网络模型，训练的初始学习率为0.0001，动量momentum为0.9，模型迭代周期为20个epoch。
S3：获取原始图像输入到分类模型中,区分图像中无积水、轻度积水和重度积水的图像，来判断当前场景的积水情况并获取轻度积水和重度积水的图像；
S4：经过SIFT图像变化算法对不同机位、不同焦距下的图片进行拼接处理，得到一个同一坐标下的广域图像；
S5：语义分割网络结构：网络结构采取deeplab v3+网络，分割网络结构所需要城市积水分割样本。
S6：采取S5标注的样本训练的网络模型，训练的初始学习率为10-7，动量momentum为0.9，模型迭代周期为10个epoch。
S7：将S4获取的广域图像输入到分割模型中，得到水域的掩膜图像，利用掩膜图像来精确分割出图像中的积水。
S8：根据S4得到的广域图像利用透视变换转换空间维度，获取到转换系数后，利用该系数转换S7得到的掩膜图像，根据转换后的平面参照物的实际面积大小换算掩膜的实际面积，得到积水面积。
S9：根据S4得到的广域图像，在图像中寻找垂直于易积水位置的平面，在可计算实际距离的位置设置标定点，通过计算标定点到根据S7积水水面距离的变化，直接有效的获取积水深度。
从上述描述可知，本申请具体应用实例提供的城市内涝积水程度识别方法，通过图像识别技术的城市内涝积水识别算法，利用分类方法判断城市易涝区是否发生积水，利用语义分割方法寻找已经发生积水的区域范围和利用已获取的积水范围区域计算积水的深度和面积，能够辅助人工监控，降低人力成本；24小时不间断监控，大幅度提升预警响应速度；实时反馈积水严重程度以及积水深度和面积，为客户提供详细数据以制定积水解决方案；高效实时的监控效果以及详细的积水数据能够大幅度提升相关部门的响应速度和积水解决方案的制定，直接降低城市内涝积水带来的损失。
为了实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性，本申请提供一种用于实现城市内涝积水程度识别方法中全部或部分内容的城市内涝积水程度识别装置的实施例，参见图7，所述城市内涝积水程度识别装置具体包含有如下内容：
积水判断模块10，用于将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像。
图像拼接模块20，用于对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
像素分割模块30，用于对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像。
积水程度获取模块40，用于根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。
为了有效且可靠地对城市易涝点的积水面积进行智能识别，并能够有效提高积水程度识别过程的准确性及全面性，在本申请的城市内涝积水程度识别装置的一个实施例，在所述城市内涝积水程度识别装置中的积水程度获取模块40还具体包含有如下内容：
透视变换单元，用于应用透视变换处理方式对所述广域图像进行空间维度转换，得到对应的转换系数；
积水面积获取单元，用于根据所述转换系数确定获取所述积水图像对应的积水面积。
为了进一步实现对城市易涝点的积水深度的智能识别，并能够有效提高积水识别过程的准确性及全面性，在本申请的城市内涝积水程度识别装置的一个实施例，在所述城市内涝积水程度识别装置中的积水程度获取模块40还具体包含有如下内容：
参照物获取单元，用于将所述广域图像中的现实场景的参照物作为垂直标线；
积水深度获取单元，用于基于所述垂直标线与所述积水图像对应的平面之间的交点确定所述易涝点的积水深度。
为了通过城市内涝积水分类模型的预先构建来有效提高易涝点是否发生积水的判断的准确性、可靠性及智能化程度，在本申请的城市内涝积水程度识别装置的一个实施例，在所述城市内涝积水程度识别装置中还具体包含有如下内容：
历史监测图像获取模块，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用于表示是否有积水的标识；
城市内涝积水分类模型训练模块，用于应用各个所述历史监测图像数据对预获取的用于分类的卷积神经网络进行训练，得到对应的所述城市内涝积水分类模型。
为了通过SIFT图像变化算法的应用来有效提高对多个机位和焦距下的所述监测图像进行拼接处理过程的准确性，以有效提高获取易涝点的积水区域的全面性，在本申请的城市内涝积水程度识别装置的一个实施例，在所述城市内涝积水程度识别装置中的图像拼接模块20中还具体包含有如下内容：
SIFT图像变化单元，用于应用SIFT图像变化算法对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
为了通过水域分割模型的预先构建来有效提高对所述广域图像中发生积水的识别以及进行像素分割的准确性和可靠性，以有效提高获取易涝点的积水程度的准确性和全面性，在本申请的城市内涝积水程度识别装置的一个实施例，在所述城市内涝积水程度识别装置中还具体包含有如下内容：
历史广域图像获取模块，用于获取多个历史广域图像数据，其中，各个所述历史广域图像数据分别对应有分割结果的标识；
水域分割模型训练模块，用于应用各个所述历史广域图像数据对预获取的用于分割的卷积神经网络进行训练，得到对应的水域分割模型。
为了通过水域分割模型的应用来有效提高像素分割过程的准确性及智能化程度，以进一步提高积水识别过程的准确性及全面性，在本申请的城市内涝积水程度识别装置的一个实施例，在所述城市内涝积水程度识别装置中的像素分割模块30中还具体包含有如下内容：
掩膜图像获取单元，用于将所述广域图像输入所述水域分割模型中，得到该广域图像对应的水域的掩膜图像；
积水图像获取单元，用于应用所述掩膜图像对发生积水的区域进行像素分割，得到对应的积水图像。
从硬件层面来说，为了实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性，本申请提供一种用于实现所述城市内涝积水程度识别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：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现城市内涝积水程度识别装置与至少一个中心服务器、目标城市中的图像或视频采集设备(摄像头等)以及至少一个控制中心或客户端设备等相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例中的城市内涝积水程度识别方法的实施例，以及，城市内涝积水程度识别装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图8为本申请实施例的电子设备9600的系统构成的示意框图。如图8所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图8是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，城市内涝积水程度识别功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
步骤100：将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像。
步骤200：对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
步骤300：对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像。
步骤400：根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。
从上述描述可知，本申请实施例提供的电子设备，通过图像处理和计算机视觉技术，能够实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性，避免人工监控的延时性，并能够提高城市内涝监测的及时性；同时通过采用自动化的城市易涝点监控，能够有效降低人工成本，确保能够更及时的获知道路积水问题，并有效提高预防及治理的及时性。
在另一个实施方式中，城市内涝积水程度识别装置可以与中央处理器9100分开配置，例如可以将城市内涝积水程度识别装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现城市内涝积水程度识别功能。
如图8所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。
如图8所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
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积水程度识别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积水程度识别方法的全部步骤，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：将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像。
步骤200：对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
步骤300：对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像。
步骤400：根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。
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，通过图像处理和计算机视觉技术，能够实现针对城市易涝点积水区域是否发生积水以及积水程度的智能识别，并能够有效提高是否发生积水识别过程以及积水程度识别过程的效率及可靠性，避免人工监控的延时性，并能够提高城市内涝监测的及时性；同时通过采用自动化的城市易涝点监控，能够有效降低人工成本，确保能够更及时的获知道路积水问题，并有效提高预防及治理的及时性。
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 (10)
1.一种城市内涝积水程度识别方法，其特征在于，包括：
将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像；
对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像；
对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像；
根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。
2.根据权利要求1所述的城市内涝积水程度识别方法，其特征在于，所述根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据，包括：
应用透视变换处理方式对所述广域图像进行空间维度转换，得到对应的转换系数；
根据所述转换系数确定获取所述积水图像对应的积水面积。
3.根据权利要求1所述的城市内涝积水程度识别方法，其特征在于，所述根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据，包括：
将所述广域图像中的现实场景的参照物作为垂直标线；
基于所述垂直标线与所述积水图像对应的平面之间的交点确定所述易涝点的积水深度。
4.根据权利要求1所述的城市内涝积水程度识别方法，其特征在于，在所述将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型之前，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用于表示是否有积水的标识；
应用各个所述历史监测图像数据对预获取的用于分类的卷积神经网络进行训练，得到对应的所述城市内涝积水分类模型。
5.根据权利要求1所述的城市内涝积水程度识别方法，其特征在于，所述对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像，包括：
应用SIFT图像变化算法对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像。
6.根据权利要求1所述的城市内涝积水程度识别方法，其特征在于，在所述对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像之前，还包括：
获取多个历史广域图像数据，其中，各个所述历史广域图像数据分别对应有分割结果的标识；
应用各个所述历史广域图像数据对预获取的用于分割的卷积神经网络进行训练，得到对应的水域分割模型。
7.根据权利要求6所述的城市内涝积水程度识别方法，其特征在于，所述对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像，包括：
将所述广域图像输入所述水域分割模型中，得到该广域图像对应的水域的掩膜图像；
应用所述掩膜图像对发生积水的区域进行像素分割，得到对应的积水图像。
8.一种城市内涝积水程度识别装置，其特征在于，包括：
积水判断模块，用于将目标城市内的易涝点的监测图像数据输入预设的城市内涝积水分类模型，并根据该城市内涝积水分类模型的输出判断所述易涝点是否发生积水，若是，则获取该易涝点的多个机位和焦距下的监测图像；
图像拼接模块，用于对多个机位和焦距下的所述监测图像进行拼接处理，得到对应的同一坐标下的广域图像；
像素分割模块，用于对所述广域图像中发生积水的区域进行像素分割，得到对应的积水图像；
积水程度获取模块，用于根据所述广域图像和所述积水图像确定所述易涝点的积水程度数据。
9.一种电子设备，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7任一项所述的城市内涝积水程度识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的城市内涝积水程度识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911306656.5A CN111144254A (zh) | 2019-12-18 | 2019-12-18 | 城市内涝积水程度识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911306656.5A CN111144254A (zh) | 2019-12-18 | 2019-12-18 | 城市内涝积水程度识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111144254A true CN111144254A (zh) | 2020-05-12 |
Family
ID=70518680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911306656.5A Pending CN111144254A (zh) | 2019-12-18 | 2019-12-18 | 城市内涝积水程度识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144254A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113344305A (zh) * | 2021-08-05 | 2021-09-03 | 中国水利水电科学研究院 | 一种暴雨内涝事件的快速预测方法 |
| CN113378668A (zh) * | 2021-05-28 | 2021-09-10 | 上海商汤智能科技有限公司 | 积水类别的确定方法、装置、设备及存储介质 |
| CN113902046A (zh) * | 2021-12-10 | 2022-01-07 | 北京惠朗时代科技有限公司 | 一种特效字体识别方法及装置 |
| CN114255574A (zh) * | 2020-09-11 | 2022-03-29 | 英业达科技有限公司 | 淹水警示方法 |
| CN115205738A (zh) * | 2022-07-05 | 2022-10-18 | 广州和达水务科技股份有限公司 | 应用于城市内涝的应急排水方法和系统 |
| CN115359430A (zh) * | 2022-10-19 | 2022-11-18 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
| CN115375683A (zh) * | 2022-10-24 | 2022-11-22 | 江西省大气探测技术中心 | 基于图像处理的涝点检测方法、系统、存储介质及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103856727A (zh) * | 2014-03-24 | 2014-06-11 | 北京工业大学 | 一种多路实时视频拼接处理系统 |
| US20150204682A1 (en) * | 2012-08-14 | 2015-07-23 | Tata Consultancy Services Limited | Gps based water logging detection and notification |
| CN105631811A (zh) * | 2016-02-25 | 2016-06-01 | 科盾科技股份有限公司 | 一种用于图像拼接的方法及装置 |
| CN106780514A (zh) * | 2016-12-28 | 2017-05-31 | 南京信息工程大学 | 基于监控视频影像的暴雨积涝区积水深度的计算方法 |
| CN108198422A (zh) * | 2018-01-22 | 2018-06-22 | 中国地质大学（武汉） | 一种基于视频影像的道路积水提取系统和方法 |
| CN109543691A (zh) * | 2018-12-27 | 2019-03-29 | 斑马网络技术有限公司 | 积水识别方法、装置以及存储介质 |
| CN109615653A (zh) * | 2018-12-19 | 2019-04-12 | 上海大学 | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 |
-
2019
- 2019-12-18 CN CN201911306656.5A patent/CN111144254A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150204682A1 (en) * | 2012-08-14 | 2015-07-23 | Tata Consultancy Services Limited | Gps based water logging detection and notification |
| CN103856727A (zh) * | 2014-03-24 | 2014-06-11 | 北京工业大学 | 一种多路实时视频拼接处理系统 |
| CN105631811A (zh) * | 2016-02-25 | 2016-06-01 | 科盾科技股份有限公司 | 一种用于图像拼接的方法及装置 |
| CN106780514A (zh) * | 2016-12-28 | 2017-05-31 | 南京信息工程大学 | 基于监控视频影像的暴雨积涝区积水深度的计算方法 |
| CN108198422A (zh) * | 2018-01-22 | 2018-06-22 | 中国地质大学（武汉） | 一种基于视频影像的道路积水提取系统和方法 |
| CN109615653A (zh) * | 2018-12-19 | 2019-04-12 | 上海大学 | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 |
| CN109543691A (zh) * | 2018-12-27 | 2019-03-29 | 斑马网络技术有限公司 | 积水识别方法、装置以及存储介质 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114255574A (zh) * | 2020-09-11 | 2022-03-29 | 英业达科技有限公司 | 淹水警示方法 |
| CN113378668A (zh) * | 2021-05-28 | 2021-09-10 | 上海商汤智能科技有限公司 | 积水类别的确定方法、装置、设备及存储介质 |
| CN113344305A (zh) * | 2021-08-05 | 2021-09-03 | 中国水利水电科学研究院 | 一种暴雨内涝事件的快速预测方法 |
| CN113344305B (zh) * | 2021-08-05 | 2021-10-29 | 中国水利水电科学研究院 | 一种暴雨内涝事件的快速预测方法 |
| CN113902046A (zh) * | 2021-12-10 | 2022-01-07 | 北京惠朗时代科技有限公司 | 一种特效字体识别方法及装置 |
| CN113902046B (zh) * | 2021-12-10 | 2022-02-18 | 北京惠朗时代科技有限公司 | 一种特效字体识别方法及装置 |
| CN115205738A (zh) * | 2022-07-05 | 2022-10-18 | 广州和达水务科技股份有限公司 | 应用于城市内涝的应急排水方法和系统 |
| CN115359430A (zh) * | 2022-10-19 | 2022-11-18 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
| CN115359430B (zh) * | 2022-10-19 | 2023-02-28 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
| CN115375683A (zh) * | 2022-10-24 | 2022-11-22 | 江西省大气探测技术中心 | 基于图像处理的涝点检测方法、系统、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144254A (zh) | 城市内涝积水程度识别方法及装置 | |
| CN110032926B (zh) | 一种基于深度学习的视频分类方法以及设备 | |
| CN109685124A (zh) | 基于神经网络的道路病害识别方法及装置 | |
| CN110458025B (zh) | 一种基于双目摄像头的目标识别与定位方法 | |
| CN115131283B (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
| CN114359130A (zh) | 一种基于无人机影像的道路裂缝检测方法 | |
| CN109635662A (zh) | 一种基于卷积神经网络的道路场景语义分割方法 | |
| CN112784724A (zh) | 一种车辆变道检测方法、装置、设备及存储介质 | |
| CN112215188B (zh) | 交警姿态识别方法、装置、设备及存储介质 | |
| CN114419603A (zh) | 一种自动驾驶车辆控制方法、系统和自动驾驶车辆 | |
| WO2021103474A1 (zh) | 图像的处理方法和装置、存储介质及电子装置 | |
| CN113609980A (zh) | 一种用于自动驾驶车辆的车道线感知方法及装置 | |
| US20210124990A1 (en) | Method and apparatus for computer vision | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| CN109241893B (zh) | 基于人工智能技术的道路选择方法、装置及可读存储介质 | |
| CN112581495A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN112668675B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
| CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
| CN111178181B (zh) | 交通场景分割方法及相关装置 | |
| CN116258756B (zh) | 一种自监督单目深度估计方法及系统 | |
| CN117198056A (zh) | 路口交通指挥模型的构建方法及相关装置、应用 | |
| CN114550297A (zh) | 一种行人的意图分析方法及系统 | |
| CN117275030B (zh) | 审核地图的方法和装置 | |
| CN110740256A (zh) | 门铃摄像头协作方法及相关产品 | |
| CN114565897B (zh) | 一种红绿灯路口导盲方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |
|
| RJ01 | Rejection of invention patent application after publication |