CN111462218A - 一种基于深度学习技术的城市内涝积水面积监测方法 - Google Patents
一种基于深度学习技术的城市内涝积水面积监测方法 Download PDFInfo
- Publication number
- CN111462218A CN111462218A CN202010182464.4A CN202010182464A CN111462218A CN 111462218 A CN111462218 A CN 111462218A CN 202010182464 A CN202010182464 A CN 202010182464A CN 111462218 A CN111462218 A CN 111462218A
- Authority
- CN
- China
- Prior art keywords
- ponding
- json
- image
- train
- val
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 125000003580 L-valyl group Chemical group [H]N([H])[C@]([H])(C(=O)[*])C(C([H])([H])[H])(C([H])([H])[H])[H] 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003702 image correction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010013647 Drowning Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习技术的城市内涝监测方法，包括以下步骤：步骤1，制作初始积水图像数据集；步骤2，对初始积水图像数据集进行预处理；步骤3，基于Mask RCNN实例分割算法进行训练，得到最优积水模型water.h5；步骤4，采用基于单平面棋盘格方法对摄像机进行标定并对图像进行畸变校正；步骤5，进行透视变换处理；步骤6，基于water.h5模型，将步骤5经过透视变换的结果图像作为模型输入，计算到真实积水面积范围。本方法突破了传统人工监控方法的局限性，保证了内涝监测过程中积水信息获取的实时性和准确性，为高效、安全、快速地开展城市内涝监测工作提供了强有力的技术支持。
Description
技术领域
本发明属于城市内涝监测技术领域，具体涉及一种基于深度学习技术的城市内涝积水面积监测的方法。
背景技术
随着全球气候变化的不断加剧，极端暴雨场次增多，加之城镇化进程快速发展，中国许多城市暴雨内涝灾害频发。据统计，自2000年以来中国每年发生200多起不同程度的城市内涝灾害，覆盖省份范围包括31个省，受灾人口约1亿人，且2011年为内涝最严重的时期，因内涝灾害造成的全国经济损失达到4000亿元。城市内涝灾害的发生不仅严重造成了因溺水、触电等意外事故导致的人员死亡，而且极大的阻碍了城市交通、制约了社会经济及中国城市化的发展，成为了国内外学者广泛关注的重大问题。为降低城市内涝造成的损失，一方面要对内涝灾害提出实时有效的预报预警，另一方面对于内涝积水进行实时监测为保障人身安全及社会发展具有更重要的价值及意义。
目前，传统的城市内涝监测方式主要包括人工现场监测、借助仪器设备测量等，但这些监测方法效率低、难度大、精度差，浪费大量的人力物力财力，不仅有些地区监测环境恶劣，而且持续性暴雨伴随着雷电天气的监测过程极其危险。因此，迫切需要提出有效开展洪涝过程实时监测的方法，这对建立科学的应对机制，降低内涝成灾的风险，减少内涝灾害引起的损失具有重要意义。
发明内容
本发明的目的是提供一种基于深度学习技术的城市内涝监测方法，解决了现有技术中存在的监测方法效率低、难度大、精度差，浪费大量的人力物力财力问题。
本发明所采用的技术方案是，一种基于深度学习技术的城市内涝监测方法，具体按照以下步骤实施：
步骤1，制作初始积水图像数据集；
步骤2，对初始积水图像数据集进行预处理得训练集、验证集、测试集积水数据；
步骤3，基于Mask RCNN实例分割算法，对训练集和验证集积水数据进行训练，并通过多参数调整，得到最优积水模型water.h5；
步骤4，采用基于单平面棋盘格方法对摄像机进行标定以获取摄像机设备参数，对测试集积水数据中图像进行畸变校正；
步骤5，在步骤4的基础上对图像进行透视变换处理；
步骤6，基于步骤3训练好的water.h5模型，将步骤5经过透视变换的结果图像作为模型输入，对图像积水边界特征进行提取，得到积水识别结果图像，进一步利用像素数量大小，经过简单的线性计算即可定量得到真实积水面积范围。
本发明的特点还在于：
步骤1的具体方法如下：于易发生内涝处通过固定摄像机设备采集积水视频影像，进一步采用逐帧读取积水视频保存为积水图片，制作为初始积水图像数据集。
步骤2的具体方法如下：
步骤2.1，将初始积水图像数据集中积水图片的分辨率2560*1440按比例缩放到800*450；
步骤2.2，在步骤2.1的基础上，利用彩色变换及角度变换方法对积水图片进行图像增强，以便增大数据量，并将得到的所有积水图片按照比例8:1:1分为训练集、验证集和测试集，并命名为对应的train/pic、val/pic、test/pic文件夹；
步骤2.3，使用labelme工具分别对训练集、验证集对应的train/pic、val/pic文件夹中图片逐一进行积水特征标签制作，得到保存有标注信息的json文件，将所有json文件保存到名为train/json、val/json的文件夹中；
步骤2.4，采用json数据转换工具分别对train/json、val/json文件夹中每一个json文件进行转换，逐一生成*_json文件，将所有文件对应保存到train/labelme_json、val/labelme_json文件夹中；将所有*_json文件中的label.png提取出来并保存为初始图片名称，放入名为train/cv2_mask、val/cv2_mask文件夹中。
步骤3所述的具体方法如下：
步骤3.1，从GitHub网站下载Mask Rcnn实例分割网络模型作为训练，下载预先训练好的COCO权重文件(mask_rcnn_coco.h5)作为预训练权重；
其中，训练集数据为对应的train/pic、train/json、train/labelme_json、train/cv2_mask文件夹中数据；验证集集数据为对应的val/pic、val/json、val/labelme_json、val/cv2_mask文件夹中数据；
步骤3.2，将步骤2.3预设的特征标签类别的名称加入Mask Rcnn的训练文件train.Ipynb、val.ipynb中，并将文件中训练和验证集路径修改成步骤2得到的“train”、“val”文件路径，之后运行使模型开始训练；
步骤3.3，进一步通过调整config.py文件中的多类参数，不断训练模型，使模型结果达到最优，最终输出water.h5模型文件。
步骤4所述的具体方法如下：
步骤4.1，制作一黑白相间的棋盘板作为标定物，棋盘板大小根据摄像头拍摄的控制区域规模而定；
步骤4.2，通过调整棋盘板，使其尽可能布满整个摄像头拍摄区域，抓拍多组图像；
步骤4.3，在步骤4.2的基础上，利用OpenCV开源数据库，采用Harris角点检测法提取棋盘格角点，得摄像头的内外参数和畸变参数；
步骤4.4，输入摄像头内外及畸变参数，对测试集进行图像校正。
步骤5所述的具体方法如下：
步骤5.1，基于OpenCV开源数据库，利用透视变换原理编写透视变换C++程序；
步骤5.2，于图像中选取合适的四点坐标，便可得到该区域范围内的正视图，即为透视变换结果图像。
步骤6所述的具体方法如下：
步骤6.1，通过统计积水识别结果图像中的积水范围像素数量n及整个图像像素数量N；
步骤6.2，通过实地测量积水识别结果图像的实际大小S；
步骤6.3，计算积水面积范围：
式中：A为积水面积，单位为：m2。
本发明一种基于深度学习技术的城市内涝积水面积监测的方法有益效果：不需要大量物力人力进行人工监测的情况下,通过远程操作完成对内涝点积水情况的实时监测，采集到海量的图像、视频信息数据，进一步采用深度学习技术对内涝监测点积水面积过程的图像信息特征进行识别分析，快速自动提取不同时刻、不同地点图像中积水的面积和边界特征信息，准确获取各内涝点的积水面积特征。
附图说明
图1是本发明一种基于深度学习技术的城市内涝监测方法的流程图；
图2是本发明一种基于深度学习技术的城市内涝监测方法的积水图像数据集中图片原图；
图3是本发明一种基于深度学习技术的城市内涝监测方法中图片经过图像矫正技术后的效果图；
图4是本发明一种基于深度学习技术的城市内涝监测方法中图片经过透视变换技术后的效果图；
图5是本发明一种基于深度学习技术的城市内涝监测方法中经过模型训练得到的积水识别图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于深度学习技术的城市内涝积水面积监测的方法，如图1所示，具体按照以下步骤实施：
步骤1，制作初始积水图像数据集：
于易发生内涝处通过固定摄像机设备采集积水视频影像，进一步采用逐帧读取积水视频保存为积水图片，制作为初始积水图像数据集。
步骤2，对初始积水图像数据集进行预处理，具体按照以下步骤实施：
步骤2.1，将初始积水图像数据集中积水图片的分辨率2560*1440按比例缩放到800*450；
步骤2.2，在步骤2.1的基础上，利用彩色变换及角度变换方法对积水图片进行图像增强，以便增大数据量，并将得到的所有积水图片按照比例8:1:1分为训练集、验证集和测试集，并命名为对应的train/pic、val/pic、test/pic文件夹；
步骤2.3，使用labelme工具分别对训练集、验证集对应的train/pic、val/pic文件夹中图片逐一进行积水特征标签制作，得到保存有标注信息的json文件，将所有json文件保存到名为train/json、val/json的文件夹中；
步骤2.4，采用json数据转换工具分别对train/json、val/json文件夹中每一个json文件进行转换，逐一生成*_json文件，将所有文件对应保存到train/labelme_json、val/labelme_json文件夹中；将所有*_json文件中的label.png提取出来并保存为初始图片名称，放入名为train/cv2_mask、val/cv2_mask文件夹中。
步骤3，基于Mask RCNN实例分割算法，对训练集和验证集积水数据进行训练，并通过多参数调整，得到最优积水模型，具体按照以下步骤实施：
步骤3.1，从GitHub网站下载Mask Rcnn实例分割网络模型作为训练，下载预先训练好的COCO权重文件(mask_rcnn_coco.h5)作为预训练权重；
其中，训练集数据为对应的train/pic、train/json、train/labelme_json、train/cv2_mask文件夹中数据；验证集集数据为对应的val/pic、val/json、val/labelme_json、val/cv2_mask文件夹中数据；
步骤3.2，将步骤2.3预设的特征标签类别的名称加入Mask Rcnn的训练文件train.Ipynb、val.ipynb中，并将文件中训练和验证集路径修改成步骤2得到的“train”、“val”文件路径，之后运行使模型开始训练；
步骤3.3，进一步通过调整config.py文件中的多类参数，不断训练模型，使模型结果达到最优，最终输出water.h5模型文件。
步骤4，采用基于单平面棋盘格方法对摄像机进行标定以获取摄像机设备参数，对测试集test/pic文件夹中图像进行畸变校正，具体操作步骤如下：
步骤4.1，制作一黑白相间的棋盘板作为标定物，棋盘板大小根据摄像头拍摄的控制区域规模而定；
步骤4.2，通过调整棋盘板，使其尽可能布满整个摄像头拍摄区域，抓拍多组图像；
步骤4.3，在步骤4.2的基础上，利用OpenCV开源数据库，采用Harris角点检测法提取棋盘格角点，得摄像头的内外参数和畸变参数；
步骤4.4，输入摄像头内外及畸变参数，对测试集进行图像校正。
步骤5，在步骤4的基础上对图像进行透视变换处理，具体操作步骤如下：
步骤5.1，基于OpenCV开源数据库，利用透视变换原理编写透视变换C++程序；
步骤5.2，于图像中选取合适的四点坐标，便可得到该区域范围内的正视图，即为透视变换结果图像。
步骤6，基于步骤3训练好的water.h5模型，将步骤5经过透视变换的结果图像作为模型输入，对图像积水边界特征进行提取，得到积水识别结果图像，进一步利用像素数量大小，经过简单的线性计算即可定量得到真实积水面积范围，具体按照以下步骤计算：
步骤6.1，通过统计积水识别结果图像中的积水范围像素数量n及整个图像像素数量N；
步骤6.2，通过实地测量积水识别结果图像的实际大小S；
步骤6.3，计算积水面积范围：
式中：A为积水面积，单位为：m2；
由于积水图像数据集数据量大，本方法以测试集test/pic中一张积水图像为例，计算该图像中的积水面积。
积水原始图像如图2所示，通过图像矫正技术得到图3，并在此基础上进行透视变换，得到图4，通过训练积水图像样本集得到积水模型及权重，进一步使用该积水模型载入图4进行预测得到积水识别结果图像，如图5所示。
进一步对积水面积进行计算，通过自动统计出图5中积水范围的像素数量n为323869，该图像总的像素数量N为1700*683＝1161100，另一方面通过实地测量得图像4所包含的实际面积S为6×5.15＝30.90m2，故经过步骤6.3的公式
计算可得，积水面积A为8.62m2,与实际测量积水面积8.34m2相比，误差仅为3.36％。
Claims (7)
1.一种基于深度学习技术的城市内涝积水面积监测方法，其特征在于，具体按照以下步骤实施：
步骤1，制作初始积水图像数据集；
步骤2，对初始积水图像数据集进行预处理得训练集、验证集、测试集积水数据；
步骤3，基于Mask RCNN实例分割算法，对训练集和验证集积水数据进行训练，并通过多参数调整，得到最优积水模型water.h5；
步骤4，采用基于单平面棋盘格方法对摄像机进行标定以获取摄像机设备参数，对测试集积水数据中图像进行畸变校正；
步骤5，在步骤4的基础上对图像进行透视变换处理；
步骤6，基于步骤3训练好的water.h5模型，将步骤5经过透视变换的结果图像作为模型输入，对图像积水边界特征进行提取，得到积水识别结果图像，进一步利用像素数量大小，经过简单的线性计算即可定量得到真实积水面积范围。
2.根据权利要求1所述的一种基于深度学习技术的城市内涝积水面积监测的计算方法，其特征在于，所述步骤1的具体方法如下：于易发生内涝处通过固定摄像机设备采集积水视频影像，进一步采用逐帧读取积水视频保存为积水图片，制作为初始积水图像数据集。
3.根据权利要求2所述的一种基于深度学习技术的城市内涝积水面积监测的计算方法，其特征在于，所述步骤2的具体方法如下：
步骤2.1，将初始积水图像数据集中积水图片的分辨率2560*1440按比例缩放到800*450；
步骤2.2，在步骤2.1的基础上，利用彩色变换及角度变换方法对积水图片进行图像增强，以便增大数据量，并将得到的所有积水图片按照比例8:1:1分为训练集、验证集和测试集，并命名为对应的train/pic、val/pic、test/pic文件夹；
步骤2.3，使用labelme工具分别对训练集、验证集对应的train/pic、val/pic文件夹中图片逐一进行积水特征标签制作，得到保存有标注信息的json文件，将所有json文件保存到名为train/json、val/json的文件夹中；
步骤2.4，采用json数据转换工具分别对train/json、val/json文件夹中每一个json文件进行转换，逐一生成*_json文件，将所有文件对应保存到train/labelme_json、val/labelme_json文件夹中；将所有*_json文件中的label.png提取出来并保存为初始图片名称，放入名为train/cv2_mask、val/cv2_mask文件夹中。
4.根据权利要求3所述的一种基于深度学习技术的城市内涝积水面积监测的计算方法，其特征在于，所述步骤3所述的具体方法如下：
步骤3.1，从GitHub网站下载Mask Rcnn实例分割网络模型作为训练，下载预先训练好的COCO权重文件(mask_rcnn_coco.h5)作为预训练权重；
其中，训练集数据为对应的train/pic、train/json、train/labelme_json、train/cv2_mask文件夹中数据；验证集集数据为对应的val/pic、val/json、val/labelme_json、val/cv2_mask文件夹中数据；
步骤3.2，将步骤2.3预设的特征标签类别的名称加入Mask Rcnn的训练文件train.Ipynb、val.ipynb中，并将文件中训练和验证集路径修改成步骤2得到的“train”、“val”文件路径，之后运行使模型开始训练；
步骤3.3，进一步通过调整config.py文件中的多类参数，不断训练模型，使模型结果达到最优，最终输出water.h5模型文件。
5.根据权利要求4所述的一种基于深度学习技术的城市内涝积水面积监测的计算方法，其特征在于，所述步骤4所述的具体方法如下：
步骤4.1，制作一黑白相间的棋盘板作为标定物，棋盘板大小根据摄像头拍摄的控制区域规模而定；
步骤4.2，通过调整棋盘板，使其尽可能布满整个摄像头拍摄区域，抓拍多组图像；
步骤4.3，在步骤4.2的基础上，利用OpenCV开源数据库，采用Harris角点检测法提取棋盘格角点，得摄像头的内外参数和畸变参数；
步骤4.4，输入摄像头内外及畸变参数，对测试集进行图像校正。
6.根据权利要求5所述的一种基于深度学习技术的城市内涝积水面积监测的计算方法，其特征在于，所述步骤5所述的具体方法如下：
步骤5.1，基于OpenCV开源数据库，利用透视变换原理编写透视变换C++程序；
步骤5.2，于图像中选取合适的四点坐标，便可得到该区域范围内的正视图，即为透视变换结果图像。
7.根据权利要求6所述的一种基于深度学习技术的城市内涝积水面积监测的计算方法，其特征在于，所述步骤6所述的具体方法如下：
步骤6.1，通过统计积水识别结果图像中的积水范围像素数量n及整个图像像素数量N；
步骤6.2，通过实地测量积水识别结果图像的实际大小S；
步骤6.3，计算积水面积范围：
式中：A为积水面积，单位为：m2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010182464.4A CN111462218A (zh) | 2020-03-16 | 2020-03-16 | 一种基于深度学习技术的城市内涝积水面积监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010182464.4A CN111462218A (zh) | 2020-03-16 | 2020-03-16 | 一种基于深度学习技术的城市内涝积水面积监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111462218A true CN111462218A (zh) | 2020-07-28 |
Family
ID=71680756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010182464.4A Pending CN111462218A (zh) | 2020-03-16 | 2020-03-16 | 一种基于深度学习技术的城市内涝积水面积监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111462218A (zh) |
Cited By (7)
| 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 |
| CN112036452A (zh) * | 2020-08-13 | 2020-12-04 | 西安理工大学 | 一种基于ssd神经网络的水深自动监测方法 |
| CN112861732A (zh) * | 2021-02-10 | 2021-05-28 | 东北林业大学 | 一种生态环境脆弱区土地监测方法、系统及装置 |
| CN114724107A (zh) * | 2022-03-21 | 2022-07-08 | 北京卓视智通科技有限责任公司 | 一种图像检测方法、装置、设备及介质 |
| CN114964171A (zh) * | 2022-06-20 | 2022-08-30 | 东南大学 | 基于无人机的两阶段路面积水结冰状况检测方法与系统 |
| CN115170800A (zh) * | 2022-07-15 | 2022-10-11 | 浙江大学 | 一种基于社交媒体与深度学习的城市内涝积水深度识别方法 |
| CN115239794A (zh) * | 2022-09-23 | 2022-10-25 | 长沙海信智能系统研究院有限公司 | 道路积水面积检测方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517202A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种车身摄像头标定方法及其标定装置 |
| JP2020009446A (ja) * | 2018-07-06 | 2020-01-16 | タタ・コンサルタンシー・サーヴィシズ・リミテッド | ディープネットワークを使用する自動オブジェクトアノテーションのための方法およびシステム |
| CN110853041A (zh) * | 2019-11-12 | 2020-02-28 | 东南大学 | 一种基于深度学习与声呐成像的水下桥墩构件分割方法 |
-
2020
- 2020-03-16 CN CN202010182464.4A patent/CN111462218A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020009446A (ja) * | 2018-07-06 | 2020-01-16 | タタ・コンサルタンシー・サーヴィシズ・リミテッド | ディープネットワークを使用する自動オブジェクトアノテーションのための方法およびシステム |
| CN110517202A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种车身摄像头标定方法及其标定装置 |
| CN110853041A (zh) * | 2019-11-12 | 2020-02-28 | 东南大学 | 一种基于深度学习与声呐成像的水下桥墩构件分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 侯精明: "深度学习技术在城市内涝监测中的应用", 《中国防汛抗旱》 * |
Cited By (10)
| 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 |
| CN112036452A (zh) * | 2020-08-13 | 2020-12-04 | 西安理工大学 | 一种基于ssd神经网络的水深自动监测方法 |
| CN112036452B (zh) * | 2020-08-13 | 2024-02-02 | 西安理工大学 | 一种基于ssd神经网络的水深自动监测方法 |
| CN112861732A (zh) * | 2021-02-10 | 2021-05-28 | 东北林业大学 | 一种生态环境脆弱区土地监测方法、系统及装置 |
| CN114724107A (zh) * | 2022-03-21 | 2022-07-08 | 北京卓视智通科技有限责任公司 | 一种图像检测方法、装置、设备及介质 |
| CN114724107B (zh) * | 2022-03-21 | 2023-09-01 | 北京卓视智通科技有限责任公司 | 一种图像检测方法、装置、设备及介质 |
| CN114964171A (zh) * | 2022-06-20 | 2022-08-30 | 东南大学 | 基于无人机的两阶段路面积水结冰状况检测方法与系统 |
| CN115170800A (zh) * | 2022-07-15 | 2022-10-11 | 浙江大学 | 一种基于社交媒体与深度学习的城市内涝积水深度识别方法 |
| CN115239794A (zh) * | 2022-09-23 | 2022-10-25 | 长沙海信智能系统研究院有限公司 | 道路积水面积检测方法、装置及电子设备 |
| CN115239794B (zh) * | 2022-09-23 | 2023-02-07 | 长沙海信智能系统研究院有限公司 | 道路积水面积检测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111462218A (zh) | 一种基于深度学习技术的城市内涝积水面积监测方法 | |
| CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
| CN112766274B (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 | |
| CN109145830B (zh) | 一种智能水尺识别方法 | |
| Yang et al. | Deep learning‐based bolt loosening detection for wind turbine towers | |
| CN110610190A (zh) | 一种针对雨天图片的卷积神经网络降雨强度分类方法 | |
| CN107631782B (zh) | 一种基于Harris角点检测的水位检测方法 | |
| CN112700444A (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
| CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
| CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 | |
| CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
| CN117437201A (zh) | 一种基于改进YOLOv7的道路裂缝检测方法 | |
| CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
| CN112906689A (zh) | 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 | |
| Li et al. | YOLOv5-based defect detection model for hot rolled strip steel | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| Xu et al. | Water level estimation based on image of staff gauge in smart city | |
| CN116229052A (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
| CN116385911A (zh) | 一种用于无人机巡检绝缘子的轻量型目标检测方法 | |
| CN104165892A (zh) | 土壤裂纹参数在线测量系统及采用该系统实现土壤裂纹参数提取方法 | |
| CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
| CN110633626A (zh) | 一种针对雨天图片的卷积神经网络降雨强度在线量化方法 | |
| CN117291913A (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
| CN112001964A (zh) | 一种基于深度学习的洪水演进过程淹没范围测量方法 |
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: 20200728 |
|
| RJ01 | Rejection of invention patent application after publication |