CN111967419B - 一种坝岸险情预测方法、装置、计算机设备及存储介质 - Google Patents

一种坝岸险情预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111967419B
CN111967419B CN202010863320.5A CN202010863320A CN111967419B CN 111967419 B CN111967419 B CN 111967419B CN 202010863320 A CN202010863320 A CN 202010863320A CN 111967419 B CN111967419 B CN 111967419B
Authority
CN
China
Prior art keywords
data
dam
historical
layer
dam bank
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
Application number
CN202010863320.5A
Other languages
English (en)
Other versions
CN111967419A (zh
Inventor
张沛昌
谭鸿刚
黄磊
安万年
纪训风
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202010863320.5A priority Critical patent/CN111967419B/zh
Publication of CN111967419A publication Critical patent/CN111967419A/zh
Application granted granted Critical
Publication of CN111967419B publication Critical patent/CN111967419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种坝岸险情预测方法、装置、计算机设备及存储介质，该方法包括：获取历史坝岸数据，并对历史坝岸数据进行预处理，得到数据集，历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；将历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型进行预测，得到第一预测结果，然后将第一预测结果实时上传；将历史坝岸数据输入至Faster R‑CNN深度学习网络模型进行训练学习，并利用训练后的Faster R‑CNN深度学习网络模型进行预测，得到第二预测结果；将第二预测结果作为最终预测结果，并根据最终预测结果作出对应的响应。本发明可实现对坝岸险情的实时准确预测。

Description

一种坝岸险情预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及险情预警技术领域，特别涉及一种坝岸险情预测方法、装置、计算机设备及存储介质。
背景技术
当河流泥沙流量大或者河流水位过高时，可能引发河流坝岸发生坝溃问题，严重危害沿岸人民群众的生命财产安全。传统的坝岸管理主要是依靠人工人力进行管理，因此便会存在坝岸险情管理效率低、人工人力的活动范围有限等问题，从而可能导致无法及时检查到坝岸溃坝的信息。当坝岸险情来临时，工作人员可能也得不到及时的安全保障，对工作人员的性命安全造成潜在的威胁。
因此，提供一种基于人工智能的坝岸险情预测识别装置是本领域技术人员需要解决的问题。
发明内容
本发明实施例提供了一种坝岸险情预测方法、装置、计算机设备及存储介质，旨在实现对坝岸险情的实时准确预测。
第一方面，本发明实施例提供了一种坝岸险情预测方法，所述方法包括：
获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；
将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；
将所述历史坝岸数据输入至Faster R-CNN深度学习网络模型进行训练学习，并利用训练后的Faster R-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，所述第二预测结果包括坝岸溃坝或者坝岸安全；
将所述第二预测结果作为最终预测结果，并根据所述最终预测结果作出对应的响应。
进一步的，所述获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据，包括：
通过网络摄像模块采集历史坝岸图像数据，通过拉力传感模块采集历史拉力数据，以及通过水位传感模块采集历史水位数据；
对所述历史坝岸图像数据进行特征提取，得到所述历史坝岸图像数据的特征数据；
对历史坝岸图像数据的特征数据和历史拉力数据、历史水位数据进行归一化处理，并为每一组数据添加分类标签得到数据集。
进一步的，所述将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，包括：
将所述历史坝岸图像数据的特征数据经输入层输入至标准卷积层，并由所述标准卷积层输出特征矩阵；
将所述特征矩阵输入至全连接层中，并通过softmax激活函数对所述特征矩阵进行分类，并将输出结果作为第一预测结果。
进一步的，所述将所述历史坝岸数据输入至Faster R-CNN深度学习网络模型进行训练学习，并利用训练后的Faster R-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，包括：
利用卷积层提取所述历史坝岸数据的特征图；
将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域；
在兴趣区域池化层中根据所述候选区域从所述特征图中提取候选区域特征图；
将所述候选区域特征图输入至全连接层，得到分类结果，并将所述分类结果作为第二预测结果。
进一步的，所述利用卷积层对所述历史坝岸数据提取特征图，包括：
依次通过第一卷积层、第一relu层、第二卷积层、第二relu层、第一池化层、第三卷积层、第三relu层、第四卷积层、第四relu层、第二池化层、第五卷积层、第五relu层、第六卷积层、第六relu层、第七卷积层、第七relu层、第三池化层、第八卷积层、第八relu层、第九卷积层、第九relu层、第十卷积层、第十relu层、第四池化层、第十一卷积层、第十一relu层、第十二卷积层、第十二relu层、第十三卷积层、第十三relu层对所述历史坝岸数据进行特征图提取。
进一步的，所述将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域，包括：
通过卷积核为3×3的卷积层对所述特征图进行卷积，生成正矩形和对应边框回归偏移量；
根据所述边框回归偏移量对所述正矩形进行修正，得到所述候选区域。
进一步的，还包括：
当所述最终预测结果为坝岸溃坝时，发出险情报警，并上传报警数据，所述报警数据包括险情参数和实时坝岸图像数据。
第二方面，本发明实施例提供了一种坝岸险情预测装置，所述装置包括：
获取单元，用于获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；
第一训练单元，用于将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；
第二训练单元，用于将所述历史坝岸数据输入至Faster R-CNN深度学习网络模型进行训练学习，并利用训练后的Faster R-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，所述第二预测结果包括坝岸溃坝或者坝岸安全；
响应单元，用于将所述第二预测结果作为最终预测结果，并根据所述最终预测结果作出对应的响应。
第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的坝岸险情预测方法。
第四方面，本发明实施例提供了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，所述计算机程序被处理器执行时实现如上所述的坝岸险情预测方法。
本发明实施例提供了一种坝岸险情预测方法、装置、计算机设备及存储介质，所述方法包括：获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；将所述历史坝岸数据输入至Faster R-CNN深度学习网络模型进行训练学习，并利用训练后的Faster R-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，所述第二预测结果包括坝岸溃坝或者坝岸安全；将所述第二预测结果作为最终预测结果，并根据所述最终预测结果作出对应的响应。本发明实施例通过轻量化神经网络对实时获取的坝岸图像数据进行预测，从而可以实时提供预测结果以供参考，然后通过Faster R-CNN深度学习网络模型对实时获取的坝岸图像数据、拉力数据和水位数据进行综合预测，得到更加准确的预测结果，从而达到快速准确地对坝岸险情进行预测的效果。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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发明的一些实施例，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为本发明实施例提供的一种坝岸险情预测方法的流程示意图；
图2为本发明实施例提供的一种坝岸险情预测装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面请参见图1，图1为本发明实施例提供的一种坝岸险情预测方法的流程示意图，具体包括：步骤S101～S104。
S101、获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；
S102、将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；
S103、将所述历史坝岸数据输入至Faster R-CNN深度学习网络模型进行训练学习，并利用训练后的Faster R-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，所述第二预测结果包括坝岸溃坝或者坝岸安全；
S104、将所述第二预测结果作为最终预测结果，并根据所述最终预测结果作出对应的响应。
本实施例中，首先利用历史坝岸数据中的历史坝岸图像数据对所述轻量化神经网络进行训练，以及利用历史坝岸数据(包括历史坝岸图像数据、历史拉力数据和历史水位数据)对所述Faster R-CNN深度学习网络模型进行训练，然后利用训练后的模型(即轻量化神经网络模型和Faster R-CNN深度学习网络模型)对采集到的坝岸数据进行实时预测，从而达到对坝岸险情快速预测识别的效果。本实施例先通过所述轻量化神经网络对采集到的坝岸数据(坝岸图像数据)进行实时预测，实时预测坝岸状况，并将预测结果(即第一预测结果)实时上传，为工作人员提供参考信息；再通过所述Faster R-CNN深度学习网络模型对坝岸数据进行综合预测，使预测结果更加准确可靠。
需要注意的是，本实施例所述的轻量化神经网络是相比于Faster R-CNN深度学习网络模型而言的，即所述轻量化神经网络中的网络结构与Faster R-CNN深度学习网络模型相比更加简单。
在一实施例中，所述步骤S101包括：
通过网络摄像模块采集历史坝岸图像数据，通过拉力传感模块采集历史拉力数据，以及通过水位传感模块采集历史水位数据；
对所述历史坝岸图像数据进行特征提取，得到所述历史坝岸图像数据的特征数据；
对历史坝岸图像数据的特征数据和历史拉力数据、历史水位数据进行归一化处理，并为每一组数据添加分类标签得到数据集。
本实施例中，通过所述网络摄像模块(例如网络摄像头)对坝岸进行全时段、全方位的图像数据采集，并对采集到的图像数据进行图像特征处理。通过所述拉力传感模块对坝岸的水位压力进行监测，具体可以是沿坝岸均匀布置拉力传感器的采样点，实现对坝岸水位压力的实时监测与采集，在一具体应用场景中，将拉力传感器布置于根石台外沿或根石护坡4500m3/s水位位置，并间隔1.5米～4米布设采样点，然后将采集到的拉力数据以每秒15次的频率上传，实现工程险情信息采集(即拉力数据采集)。通过所述水位传感模块(例如水位传感器)对坝岸水位进行测量，并实时采集对应的水位数据。所述水位传感模块可以沿坝岸均匀布设，也可以根据历史经验将其布设在险情易发生的部位。
需要说明的是，无论是历史坝岸图像数据，还是实时坝岸图像数据，都可以由网络摄像模块进行采集，同样的，历史拉力数据和实时拉力数据均可以由拉力传感模块进行采集，历史水位数据和实时水位数据均可以由水位传感模块进行采集。还需说明的是，通过网络摄像模块采集时，采集到的数据既可以是图像数据，也可以是视频数据。另外，本实施例所述的分类标签即是指每一组数据所对应的最终结果，具体为坝岸溃坝或者坝岸安全。
可以理解的是，本实施例所述的轻量化神经网络模型为一种简易便捷的神经网络模型，例如卷积神经网络模型等，所述的Faster R-CNN深度学习网络模型为一种目标检测模型。
在一实施例中，所述步骤S102包括：
将所述历史坝岸图像数据的特征数据经输入层输入至标准卷积层，并由所述标准卷积层输出特征矩阵；
将所述特征矩阵输入至全连接层中，并通过softmax激活函数对所述特征矩阵进行分类，并将输出结果作为第一预测结果。
本实施例首先通过获取的历史坝岸图像数据对轻量化神经网络模型进行训练，在通过训练提高所述轻量化神经网络模型的预测准确度后，利用所述轻量化神经网络模型对实时获取的坝岸图像数据进行预测，从而达到对坝岸进行实时预测识别的效果。本实施例根据获取的实时坝岸图像数据对坝岸进行简易的实时预测，并可以将预测结果(即第一预测结果)直接上传至工作人员的客户端，不仅可以为工作人员提供实时参考，还可以解决网络边缘设备(例如采集拉力数据的拉力传感器和采集水位数据的水位传感模块等)与云计算中心网络通信差的情况。
在一实施例中，所述步骤S103包括：
利用卷积层提取所述历史坝岸数据的特征图；
将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域；
在兴趣区域池化层中根据所述候选区域从所述特征图中提取候选区域特征图；
将所述候选区域特征图输入至全连接层，得到分类结果，并将所述分类结果作为第二预测结果。
本实施例中，利用所述历史坝岸数据(包括历史坝岸图像数据、历史拉力数据和历史水位数据)对Faster R-CNN深度学习网络模型进行训练，以提高Faster R-CNN深度学习网络模型的预测精度。在一具体应用场景中，通过2000组数据对所述Faster R-CNN深度学习网络模型进行训练，以提高Faster R-CNN深度学习网络模型的预测精度。
利用训练后的Faster R-CNN深度学习网络模型对实时获取的坝岸数据(包括坝岸图像数据、拉力数据和水位数据)进行预测，从而得到第二预测结果(坝岸溃坝或者坝岸安全)。可以理解的是，由于第二预测结果是根据多项数据预测得到，所以第二预测结果的准确度要高于第一预测结果，因此可以将所述第二预测结果作为最终的预测结果。
在一实施例中，所述利用卷积层对所述历史坝岸数据提取特征图，包括：
依次通过第一卷积层、第一relu层、第二卷积层、第二relu层、第一池化层、第三卷积层、第三relu层、第四卷积层、第四relu层、第二池化层、第五卷积层、第五relu层、第六卷积层、第六relu层、第七卷积层、第七relu层、第三池化层、第八卷积层、第八relu层、第九卷积层、第九relu层、第十卷积层、第十relu层、第四池化层、第十一卷积层、第十一relu层、第十二卷积层、第十二relu层、第十三卷积层、第十三relu层对所述历史坝岸数据进行特征图提取。
本实施例中，一共通过13个卷积层、13个relu层和4个池化层对所述历史坝岸数据提取特征图。在一具体应用场景中，所述的13个卷积层中的每一卷积层的卷积核均为3×3、填充(pad)均为1、步长均为1；所述的4个池化层中的每一池化层的卷积核均为2×2、填充(pad)均为1、步长均为1。
举例来说，在Faster R-CNN深度学习网络模型中对所述的13个卷积层均进行扩边处理(即pad＝1，意为填充一圈0)，从而导致输入矩阵M×N变为(M+2)×(N+2)大小，然后进行3x3卷积后输出矩阵M×N，通过上述设置，可以保证所述的13个卷积层不会改变输入矩阵和输出矩阵的大小。同样的，在卷积层中的4个池化层中，每一经过池化层的M×N矩阵，都会变为(M/2)×(N/2)大小。由此可见，在整个卷积层中，所述的13个卷积层和13个relu层均不改变输入矩阵和输出矩阵的大小，只有所述的4个池化层使输出矩阵的长宽都变为输入矩阵的1/2。那么，一个M×N大小的矩阵经过卷积层后可变为(M/16)×(N/16)大小的矩阵，如此，可使卷积层生成的特征图与输入数据(即历史坝岸数据)对应起来。
在一实施例中，所述将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域，包括：
通过卷积核为3×3的卷积层对所述特征图进行卷积，生成正矩形和对应边框回归偏移量；
根据所述边框回归偏移量对所述正矩形进行修正，得到所述候选区域。
本实施例中，首先根据所述特征图生成positive anchors(正矩形)和boundingbox regression(边框回归)偏移量，再利用bounding box regression偏移量对positiveanchors进行修正，从而得到proposal(候选区域)。在一具体应用场景中，通过softmax分类器获取positive anchors(正矩形)。
在一实施例中，所述坝岸险情预测方法还包括：
当所述最终预测结果为坝岸溃坝时，发出险情报警，并上传报警数据，所述报警数据包括险情参数和实时坝岸图像数据。
本实施例中，所述最终预测结果可以是坝岸安全，也可以是坝岸溃坝，当所述最终预测结果为坝岸安全时，则可以保存本次预测结果，不需要上传；当所述最终预测结果为坝岸溃坝时，则发生险情报警，对险情进行响应。例如通过语音、短信或移动端APP等方式进行报警，以提示工作人员作出相应措施。当进行险情报警时，除了上传预测结果以外，还可以将险情具体参数和对应的坝岸图像数据一同上传，从而为预测结果提供证明，所述险情参数可以包括险情发生的具体部位或者溃坝具体部位、溃坝规格等。
在一具体实施例中，当所述最终预测结果为坝岸溃坝时，根据坝岸溃坝对应的险情参数和实时坝岸图像数据生成对应的解决方案，并将所述解决方案与报警数据一并上传。
在另一具体实施例中，通过一系统平台上传所述报警数据以及对应的险情参数和实时坝岸图像数据，并将其实时传送至上级管理部门，逐级记录审批，在提高报警效率的同时，提供险情报送记录追溯。而且配合现场图像证明(即实时坝岸图像数据)，大幅提升险情管理能力。
图2为本发明实施例提供的一种坝岸险情预测装置200的示意性框图，所述坝岸险情预测装置200包括：
获取单元201，用于获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；
第一训练单元202，用于将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；
第二训练单元203，用于将所述历史坝岸数据输入至Faster R-CNN深度学习网络模型进行训练学习，并利用训练后的Faster R-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，所述第二预测结果包括坝岸溃坝或者坝岸安全；
响应单元204，用于将所述第二预测结果作为最终预测结果，并根据所述最终预测结果作出对应的响应。
在一实施例中，所述获取单元201包括：
采集单元，用于通过网络摄像模块采集历史坝岸图像数据，通过拉力传感模块采集历史拉力数据，以及通过水位传感模块采集历史水位数据；
第一提取单元，用于对所述历史坝岸图像数据进行特征提取，得到所述历史坝岸图像数据的特征数据；
归一化单元，用于对历史坝岸图像数据的特征数据和历史拉力数据、历史水位数据进行归一化处理，并为每一组数据添加分类标签得到数据集。
在一实施例中，所述第一训练单元202包括：
输入单元，用于将所述历史坝岸图像数据的特征数据经输入层输入至标准卷积层，并由所述标准卷积层输出特征矩阵；
第一分类单元，用于将所述特征矩阵输入至全连接层中，并通过softmax激活函数对所述特征矩阵进行分类，并将输出结果作为第一预测结果。
在一实施例中，所述第二训练单元203包括：
第二提取单元，用于利用卷积层提取所述历史坝岸数据的特征图；
输出单元，用于将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域；
第三提取单元，用于在兴趣区域池化层中根据所述候选区域从所述特征图中提取候选区域特征图；
第二分类单元，用于将所述候选区域特征图输入至全连接层，得到分类结果，并将所述分类结果作为第二预测结果。
在一实施例中，所述第二提取单元包括：
混合提取单元，用于依次通过第一卷积层、第一relu层、第二卷积层、第二relu层、第一池化层、第三卷积层、第三relu层、第四卷积层、第四relu层、第二池化层、第五卷积层、第五relu层、第六卷积层、第六relu层、第七卷积层、第七relu层、第三池化层、第八卷积层、第八relu层、第九卷积层、第九relu层、第十卷积层、第十relu层、第四池化层、第十一卷积层、第十一relu层、第十二卷积层、第十二relu层、第十三卷积层、第十三relu层对所述历史坝岸数据进行特征图提取。
在一实施例中，所述输出单元包括：
卷积单元，用于通过卷积核为3×3的卷积层对所述特征图进行卷积，生成正矩形和对应边框回归偏移量；
修正单元，用于根据所述边框回归偏移量对所述正矩形进行修正，得到所述候选区域。
在一实施例中，所述坝岸险情预测装置200还包括：
报警单元，用于当所述最终预测结果为坝岸溃坝时，发出险情报警，并上传报警数据，所述报警数据包括险情参数和实时坝岸图像数据。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (7)

1.一种坝岸险情预测方法，其特征在于，包括：
获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；
所述获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据，包括：
通过网络摄像模块采集历史坝岸图像数据，通过拉力传感模块采集历史拉力数据，以及通过水位传感模块采集历史水位数据；将拉力传感器布置于根石台外沿或根石护坡4500m3/s水位位置，并间隔1.5米～4米布设采样点，然后将采集到的拉力数据以每秒15次的频率上传，实现拉力数据采集；通过水位传感模块对坝岸水位进行测量，并实时采集对应的水位数据；所述水位传感模块沿坝岸均匀布设或者布设在险情部位；
对所述历史坝岸图像数据进行特征提取，得到所述历史坝岸图像数据的特征数据；
对历史坝岸图像数据的特征数据和历史拉力数据、历史水位数据进行归一化处理，并为每一组数据添加分类标签得到数据集；
将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；
将所述历史坝岸数据输入至FasterR-CNN深度学习网络模型进行训练学习，并利用训练后的FasterR-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，所述第二预测结果包括坝岸溃坝或者坝岸安全；
所述将所述历史坝岸数据输入至FasterR-CNN深度学习网络模型进行训练学习，并利用训练后的FasterR-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，包括：
利用卷积层提取所述历史坝岸数据的特征图；
将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域；
在兴趣区域池化层中根据所述候选区域从所述特征图中提取候选区域特征图；
将所述候选区域特征图输入至全连接层，得到分类结果，并将所述分类结果作为第二预测结果；
在FasterR-CNN深度学习网络模型中的卷积层进行扩边处理，从而导致输入矩阵M×N变为(M+2)×(N+2)大小，然后进行3x3卷积后输出矩阵M×N；在卷积层中的池化层中，每一经过池化层的M×N矩阵，都会变为(M/2)×(N/2)大小；
所述将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域，包括：
通过卷积核为3×3的卷积层对所述特征图进行卷积，生成正矩形和对应边框回归偏移量；
根据所述边框回归偏移量对所述正矩形进行修正，得到所述候选区域；
将所述第二预测结果作为最终预测结果，并根据所述最终预测结果作出对应的响应。
2.根据权利要求1所述的坝岸险情预测方法，其特征在于，所述将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，包括：
将所述历史坝岸图像数据的特征数据经输入层输入至标准卷积层，并由所述标准卷积层输出特征矩阵；
将所述特征矩阵输入至全连接层中，并通过softmax激活函数对所述特征矩阵进行分类，并将输出结果作为第一预测结果。
3.根据权利要求1所述的坝岸险情预测方法，其特征在于，所述利用卷积层对所述历史坝岸数据提取特征图，包括：
依次通过第一卷积层、第一relu层、第二卷积层、第二relu层、第一池化层、第三卷积层、第三relu层、第四卷积层、第四relu层、第二池化层、第五卷积层、第五relu层、第六卷积层、第六relu层、第七卷积层、第七relu层、第三池化层、第八卷积层、第八relu层、第九卷积层、第九relu层、第十卷积层、第十relu层、第四池化层、第十一卷积层、第十一relu层、第十二卷积层、第十二relu层、第十三卷积层、第十三relu层对所述历史坝岸数据进行特征图提取。
4.根据权利要求1所述的坝岸险情预测方法，其特征在于，还包括：
当所述最终预测结果为坝岸溃坝时，发出险情报警，并上传报警数据，所述报警数据包括险情参数和实时坝岸图像数据。
5.一种坝岸险情预测装置，其特征在于，包括：
获取单元，用于获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；
所述获取单元包括：
采集单元，用于通过网络摄像模块采集历史坝岸图像数据，通过拉力传感模块采集历史拉力数据，以及通过水位传感模块采集历史水位数据；将拉力传感器布置于根石台外沿或根石护坡4500m3/s水位位置，并间隔1.5米～4米布设采样点，然后将采集到的拉力数据以每秒15次的频率上传，实现拉力数据采集；通过水位传感模块对坝岸水位进行测量，并实时采集对应的水位数据；所述水位传感模块沿坝岸均匀布设或者布设在险情部位；
第一提取单元，用于对所述历史坝岸图像数据进行特征提取，得到所述历史坝岸图像数据的特征数据；
归一化单元，用于对历史坝岸图像数据的特征数据和历史拉力数据、历史水位数据进行归一化处理，并为每一组数据添加分类标签得到数据集
第一训练单元，用于将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；
第二训练单元，用于将所述历史坝岸数据输入至FasterR-CNN深度学习网络模型进行训练学习，并利用训练后的FasterR-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，所述第二预测结果包括坝岸溃坝或者坝岸安全；
所述第二训练单元包括：
第二提取单元，用于利用卷积层提取所述历史坝岸数据的特征图；
输出单元，用于将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域；
第三提取单元，用于在兴趣区域池化层中根据所述候选区域从所述特征图中提取候选区域特征图；
第二分类单元，用于将所述候选区域特征图输入至全连接层，得到分类结果，并将所述分类结果作为第二预测结果；
在FasterR-CNN深度学习网络模型中的卷积层进行扩边处理，从而导致输入矩阵M×N变为(M+2)×(N+2)大小，然后进行3x3卷积后输出矩阵M×N；在卷积层中的池化层中，每一经过池化层的M×N矩阵，都会变为(M/2)×(N/2)大小；
所述输出单元包括：
卷积单元，用于通过卷积核为3×3的卷积层对所述特征图进行卷积，生成正矩形和对应边框回归偏移量；
修正单元，用于根据所述边框回归偏移量对所述正矩形进行修正，得到所述候选区域；
响应单元，用于将所述第二预测结果作为最终预测结果，并根据所述最终预测结果作出对应的响应。
6.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的坝岸险情预测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的坝岸险情预测方法。
CN202010863320.5A 2020-08-25 2020-08-25 一种坝岸险情预测方法、装置、计算机设备及存储介质 Active CN111967419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010863320.5A CN111967419B (zh) 2020-08-25 2020-08-25 一种坝岸险情预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010863320.5A CN111967419B (zh) 2020-08-25 2020-08-25 一种坝岸险情预测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111967419A CN111967419A (zh) 2020-11-20
CN111967419B true CN111967419B (zh) 2023-06-20

Family

ID=73391281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010863320.5A Active CN111967419B (zh) 2020-08-25 2020-08-25 一种坝岸险情预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111967419B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862178A (zh) * 2021-02-02 2021-05-28 国家海洋信息中心 一种基于深度学习的海洋站水位时空预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085733A (zh) * 2017-05-15 2017-08-22 山东工商学院 基于cnn深度学习的近岸红外舰船识别方法
CN110223341A (zh) * 2019-06-14 2019-09-10 北京国信华源科技有限公司 一种基于图像识别的智能水位监测方法
CN110533025A (zh) * 2019-07-15 2019-12-03 西安电子科技大学 基于候选区域提取网络的毫米波人体图像检测方法
CN110796634A (zh) * 2019-09-10 2020-02-14 中国三峡建设管理有限公司 大坝状态检测方法、装置、计算机设备和可读存储介质
CN111275951A (zh) * 2019-12-25 2020-06-12 中国移动通信集团江苏有限公司 一种信息处理方法、装置、设备及计算机存储介质
CN111340130A (zh) * 2020-03-09 2020-06-26 江西省人民医院 一种基于深度学习和影像组学的泌尿结石检测分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085733A (zh) * 2017-05-15 2017-08-22 山东工商学院 基于cnn深度学习的近岸红外舰船识别方法
CN110223341A (zh) * 2019-06-14 2019-09-10 北京国信华源科技有限公司 一种基于图像识别的智能水位监测方法
CN110533025A (zh) * 2019-07-15 2019-12-03 西安电子科技大学 基于候选区域提取网络的毫米波人体图像检测方法
CN110796634A (zh) * 2019-09-10 2020-02-14 中国三峡建设管理有限公司 大坝状态检测方法、装置、计算机设备和可读存储介质
CN111275951A (zh) * 2019-12-25 2020-06-12 中国移动通信集团江苏有限公司 一种信息处理方法、装置、设备及计算机存储介质
CN111340130A (zh) * 2020-03-09 2020-06-26 江西省人民医院 一种基于深度学习和影像组学的泌尿结石检测分类方法

Also Published As

Publication number Publication date
CN111967419A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN107564237A (zh) 一种图像检测报警系统
CN114511784A (zh) 环境监测预警方法、装置、设备及存储介质
CN111967419B (zh) 一种坝岸险情预测方法、装置、计算机设备及存储介质
CN115631421A (zh) 耕地智慧保护方法及保护系统
CN116882758A (zh) 一种大坝安全监测体检单生成方法
CN113569956A (zh) 一种基于ai算法的山火灾害勘查识别方法
CN113485218B (zh) 一种基于5g的智慧物联监管平台
CN114417981B (zh) 一种智能河长巡测系统
CN116935310A (zh) 基于深度学习的实时视频监控鸟类密度估计方法及系统
CN115546742A (zh) 一种基于单目热红外摄像头的铁轨异物识别方法及系统
CN112016542A (zh) 城市积涝智能检测方法及系统
CN116484468A (zh) 一种水库大坝的风险评估方法、装置、设备及存储介质
CN115063427B (zh) 用于新型船舶的污染物排放监控图像处理方法
KR102039666B1 (ko) 사고예방용 시설물 안전점검 시스템 및 방법
CN115841730A (zh) 视频监控系统、异常事件检测方法
CN114549898A (zh) 环境监测数据的处理方法、装置、设备及存储介质
CN115100592A (zh) 一种输电通道外破隐患识别方法、装置及存储介质
CN115187880A (zh) 基于图像识别的通信光缆缺陷检测方法、系统及存储介质
CN114812736A (zh) 一种水位监测的方法、装置、终端及存储介质
Priantama et al. The innovation development of early flash flood warning system based on digital image processing through android smartphone
CN118164196B (zh) 一种基于机器视觉的输煤皮带健康状态监测方法及系统
CN117746580A (zh) 山体滑坡检测及预警方法和装置
CN117975666A (zh) 一种水位监测方法及装置
KR20230114173A (ko) 영상 분석 기반 월파 유무 판별 모니터링 시스템
CN116843941A (zh) 电力设备检测数据智能分析系统

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