CN113450349A - 基于人工智能的水利工程水闸管理方法及系统 - Google Patents

基于人工智能的水利工程水闸管理方法及系统 Download PDF

Info

Publication number
CN113450349A
CN113450349A CN202110846687.0A CN202110846687A CN113450349A CN 113450349 A CN113450349 A CN 113450349A CN 202110846687 A CN202110846687 A CN 202110846687A CN 113450349 A CN113450349 A CN 113450349A
Authority
CN
China
Prior art keywords
water
water surface
wave
sliding
gate pier
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.)
Granted
Application number
CN202110846687.0A
Other languages
English (en)
Other versions
CN113450349B (zh
Inventor
刘传统
王卫军
王爱民
湛美欣
刘婧
李瑞涛
张伟杰
楚雪平
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.)
Henan Yellow River Bureau Xinxiang Yellow River Bureau
Original Assignee
Henan Yellow River Bureau Xinxiang Yellow River Bureau
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 Henan Yellow River Bureau Xinxiang Yellow River Bureau filed Critical Henan Yellow River Bureau Xinxiang Yellow River Bureau
Priority to CN202110846687.0A priority Critical patent/CN113450349B/zh
Publication of CN113450349A publication Critical patent/CN113450349A/zh
Application granted granted Critical
Publication of CN113450349B publication Critical patent/CN113450349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D9/00—Level control, e.g. controlling quantity of material stored in vessel
    • G05D9/12—Level control, e.g. controlling quantity of material stored in vessel characterised by the use of electric means
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于人工智能的水利工程水闸管理方法及系统，该方法包括：获取闸墩图像，基于闸墩图像获取的所有闸墩处的瞬时水位构成瞬时水位集合，对多帧闸墩图像对应的瞬时水位集合进行整合，得到水面空域信息描述集合；利用水面高度推测模型对时序上的若干水面空域信息描述集合进行处理，得到水面无波动时的水面高度；基于得到的水面高度对水闸进行控制。基于水波移动的空域信息，本发明不仅可准确推测水面无波动时的水面高度，还无需利用其它数据进行辅助推测，减少无效计算，节省计算资源。

Description

基于人工智能的水利工程水闸管理方法及系统
技术领域
本发明涉及水利工程领域，具体为一种基于人工智能的水利工程水闸管理方法及系统。
背景技术
现有的排水闸智能管理方法通常通过水位计或相机采集图像进行水位监测，生成控制信号自动控制排水闸。但现有的排水闸智能管理方法的问题在于，各类型水位计分别存在精度、价格、环境要求等各式限制，难以泛化；近端相机存在安装维护困难的问题；远程相机存在精度较低，无法准确判断水位变化的问题。
发明内容
为了解决上述问题，本发明提出一种基于人工智能的水利工程水闸管理方法，该方法包括：
获取闸墩图像，基于闸墩图像获取的所有闸墩处的瞬时水位构成瞬时水位集合，对多帧闸墩图像对应的瞬时水位集合进行整合，得到水面空域信息描述集合；
利用水面高度推测模型对时序上的若干水面空域信息描述集合进行处理，得到水面无波动时的水面高度；
基于得到的水面高度对水闸进行控制。
进一步地，所述水面高度推测模型为TCN网络。
进一步地，计算水波的波动周期，根据水波的波动周期和水面空域信息描述集合中瞬时水位集合的个数确定输入TCN网络的水面空域信息描述集合的个数L；
根据输入TCN网络的水面空域信息描述集合的个数L、TCN网络的滑窗长度、滑窗步长确定TCN网络的深度。
进一步地，水波的波动周期的计算方法为：
获取水面深度图，水面深度图中包括闸墩；
根据水面深度图中的深度信息获取一个波动周期内水波的移动距离；计算水波移动速度；根据一个波动周期内水波的移动距离和水波移动速度得到水波的波动周期。
进一步地，所述一个波动周期内水波的移动距离的获取方法为：
水面深度图中闸墩所在行或列为起始行或起始列，预设大小的滑动模板以预设滑动步长从起始行或起始列开始滑动，每次滑动都得到一个滑动区域，当滑动区域与初始区域的相似度小于预设相似度阈值时，根据滑动次数和滑动步长得到一个波动周期内水波的移动距离；其中，初始区域中包括起始行或起始列，且初始区域与滑动区域大小相同。
进一步地，所述水波移动速度的计算方法为：
水面空域信息描述集合转换为描述矩阵；
基于描述矩阵的转换方式，对水面深度图进行图像旋转，选择在水面深度图中每隔q行取一行像素构成水波运动图像，或每隔q列取一列像素构成水波运动图像；
基于水波运动图像与所述描述矩阵最相似时的q值获取水波在一个采样间隔内的移动距离，进而获取水波移动速度；所述采样间隔为闸墩图像的采样间隔。
进一步地，q的取值依次为[0，1，2，...，Q]，
Figure BDA0003180829270000021
W为水面深度图目标边的长度，所述目标边为与水面深度图中闸墩连线夹角大于夹角阈值的边，T表示对T帧闸墩图像对应的瞬时水位集合进行整合，得到水面空域信息描述集合。
本发明还提出一种基于人工智能的水利工程水闸管理系统，该系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现基于人工智能的水利工程水闸管理方法中的步骤。
本发明的有益效果在于：
1.本发明利用水面高度推测模型对时序上的若干水面空域信息描述集合进行处理，得到水面无波动时的水面高度，水面空域信息描述集合可以反映水波的空域信息，因此，基于水波移动的空域信息，本发明不仅可准确推测水面无波动时的水面高度，还无需利用其它数据进行辅助推测，减少无效计算，节省计算资源。
2.本发明根据水波的移动特性确定TCN网络的深度，进而可通过合适的感受野提取特征，避免由于水波的移动特性导致无法获取足够的水波信息或所提取水波信息的相位差过大导致特征提取出现偏差，实现水面高度推测准确率的提高。
具体实施方式
为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
本发明的主要目的是实现，以视觉信息为基础，智能分析推测水面无波动时水面的高度及智能生成水闸控制信息实现排水闸的智能管理。
本发明所针对的具体场景为：水利工程中的排水闸场景，所述排水闸处有多个闸墩，且排水闸处已部署可由控制指令自动实现水闸控制的驱动装置；相机部署于远端，位姿固定，视野范围可覆盖整个排水闸，相机采集RGB闸墩图像并传输至服务器，服务器端可传输控制指令至驱动装置。
实施例一：
该实施例提供了一种基于人工智能的水利工程水闸管理方法，具体地，该方法包括：
步骤S1，获取闸墩图像和水面深度图：利用第一相机采集闸墩图像，第一相机为已标定的RGB相机，位姿固定，其中，标定内容包括：1.排水闸每个闸墩上各个位置对应的瞬时水位高度，预存为映射表，即结合闸墩与水面信息，基于映射表可查找到闸墩处的瞬时水位高度；2.各闸墩宽度和间距宽度在图像中的成像长度；3.各闸墩在图像中的成像位置，标记为多个ROI区域；利用第二相机采集水面深度图，水面深度图中包括闸墩，第二相机为RGB-D相机，如RealSense，位姿固定，已标定且默认拍摄水面区域为矩形；所述第一相机按设定的第一采样频率进行图像采集，得到连续时序的RGB闸墩图像，其中每帧闸墩图像均已知采样时刻；第二相机按设定的第二采样频率采集深度图像。
步骤S2，基于闸墩图像获取的所有闸墩处的瞬时水位构成瞬时水位集合，对多帧闸墩图像对应的瞬时水位集合进行整合，得到水面空域信息描述集合。
将单帧RGB闸墩图像输入语义分割网络，输出语义分割图像，语义分割图像中包括水面和闸墩，具体地，实施例中水面像素为1，闸墩像素为2，其他背景像素为0，得到语义分割图像；实施例中仅考虑ROI区域内的语义分割结果，得到水面像素点连通域的边缘信息，即水面与闸墩交界处的边缘像素点信息。进一步地，基于各ROI区域内边缘像素点对应的瞬时水位高度获取各个闸墩处的瞬时水位，具体地，每个ROI区域内边缘像素点对应的瞬时水位信息分别构成一个瞬时水位子集合，即每个闸墩对应一个瞬时水位子集合，瞬时水位子集合反映闸墩处的瞬时水位，所有闸墩处的瞬时水位构成瞬时水位集合，即所有闸墩对应的瞬时水位子集合构成瞬时水位集合，为了便于后续步骤的处理，实施例中将瞬时水位子集合、瞬时水位集合分别描述为瞬时水位描述子向量、瞬时水位描述向量。
为确保各瞬时水位描述子向量尺寸一致，以距离第一相机最近的闸墩对应的瞬时水位描述子向量尺寸作为参照，对其他闸墩对应的瞬时水位描述子向量进行插值，各闸墩之间宽度与闸墩宽度比例已知，该比例乘上参照尺寸得到各瞬时水位描述子向量间的间隔图像尺寸后，根据间隔图像尺寸计算各瞬时水位描述子向量之间需要补0的个数，按闸墩到相机距离由近到远的顺序对各闸墩对应的瞬时水位描述子向量进行合并表示，得到瞬时水位描述向量。采用插值方法的目的在于消除非深度相机的成像偏差，补0的目的在于尽可能保留空域信息，避免后续处理提取到错误特征；
每帧闸墩图像对应一个瞬时水位集合，对多帧闸墩图像对应的瞬时水位集合进行整合，得到水面空域信息描述集合；优选地，实施例中对多帧闸墩图像对应的瞬时水位描述向量进行整合，得到描述矩阵；该处获取描述矩阵的原因在于，由于水面波动信息难以获得，因此以水面在闸墩处的水位描述进行时域上的联接来近似水面的瞬时空域描述信息。
一种实施方式中，一个瞬时水位描述向量为描述矩阵中的一行，将T帧闸墩图像对应的瞬时水位描述向量按照时间维度进行concat，得到描述矩阵。
另一种实施方式中，一个瞬时水位描述向量为描述矩阵中的一列，将T帧闸墩图像对应的瞬时水位描述向量按照时间维度进行concat，得到描述矩阵。
持续获取多个时间段对应的描述矩阵，需要说明的是，该多个时间段要保持连续，并按照时间先后顺序为描述矩阵赋予标记序号，例如0-10帧闸墩图像对应的瞬时水位描述向量构成第一描述矩阵，10-20帧闸墩图像对应的瞬时水位描述向量构成第二描述矩阵……
需要说明的是，基于上述描述矩阵对应的闸墩图像的帧数T确定第二相机的采样频率，使每采集T帧闸墩图像时至少有一帧水面深度图被采集，后续步骤以每采集T帧闸墩图像的过程中采集一帧水面深度图的情况为例进行说明。
步骤S3，利用水面高度推测模型对时序上的若干水面空域信息描述集合进行处理，得到水面无波动时的水面高度；优选地，利用面高度推测模型对时序上的若干描述矩阵进行处理，得到水面无波动时的水面高度。
优选地，实施例中所述水面高度推测模型为因果卷积TCN网络。本发明中还根据水波的移动特性确定TCN网络的深度，具体地，根据TCN滑窗中的某一个描述矩阵获取TCN网络的深度，优选地，基于滑窗中处于中间位置的描述矩阵为目标描述矩阵确定TCN网络的深度。
1)计算水波的波动周期：
根据水面深度图中的深度信息获取一个波动周期内水波的移动距离；计算水波移动速度；根据一个波动周期内水波的移动距离和水波移动速度得到水波的波动周期。
i)所述一个波动周期内水波的移动距离的获取方法为：
水面深度图中闸墩所在行或列为起始行或起始列，预设大小的滑动模板以预设滑动步长从起始行或起始列开始滑动，每次滑动都得到一个滑动区域，当滑动区域与初始区域的相似度小于预设相似度阈值时，根据滑动次数和滑动步长得到一个波动周期内水波的移动距离；其中，初始区域中包括起始行或起始列，且初始区域与滑动区域大小相同。
实施例中滑动模板的短边宽度为3，即滑动模板中包括三行或三列像素，相应的，初始区域为包括起始行或起始列在内的三行或三列；滑动模板的步长为1，因此，实施例中总滑动步长为一个波动周期内水波的移动距离。
ii)所述水波移动速度的计算方法为：
基于描述矩阵的转换方式，对水面深度图进行图像旋转，选择在水面深度图中每隔q行取一行像素构成水波运动图像，或每隔q列取一列像素构成水波运动图像；例如，若一个瞬时水位描述向量为描述矩阵中的一行，且时序上的瞬时水位描述向量按照从上往下的顺序构成描述矩阵，则将水面深度图旋转至闸墩处于图像上方后，在水面深度图中每隔q行取一行像素构成水波运动图像；若一个瞬时水位描述向量为描述矩阵中的一列，且时序上的瞬时水位描述向量按照从由往左的顺序构成描述矩阵，则将水面深度图旋转至闸墩处于图像右方后，在水面深度图中每隔q行取一行像素构成水波运动图像。
基于水波的移动特性，具体地，在闸墩图像中连接闸墩得到闸墩连线，根据水波沿垂直于闸墩连线方向移动的特性可知，采集一帧闸墩图像时，此时移动到闸墩处的水波位置记为a，采集下一帧闸墩图像时，原来位于位置b的水波会移动到闸墩处，因此本发明中在水面深度图中寻找与描述矩阵中每个瞬时水位描述向量元素值相同的行或列，水面深度图中与相邻两个瞬时水位描述向量元素值相同的两行或两列间的间隔距离为一个闸墩图像采样间隔内的移动距离；具体地：
在滑窗中确定目标矩阵，基于水波运动图像与所述目标描述矩阵最相似时的q值获取水波在一个采样间隔f内的移动距离，具体地，水波运动图像与所述目标描述矩阵最相似时的q值为水波在一个采样间隔f内的移动距离，进而获取水波移动速度q*f；所述采样间隔为闸墩图像的采样间隔f。其中，q的取值依次为[0，1，2，…，Q]，
Figure BDA0003180829270000041
W为水面深度图目标边的长度，所述目标边为与水面深度图中闸墩连线夹角大于夹角阈值的边，若第二相机位姿合适，则所述目标边与水面深度图中的闸墩连线间的夹角接近90度，具体地，W和描述矩阵的转换方式相关，例如，若一个瞬时水位描述向量为描述矩阵中的一行，且时序上的瞬时水位描述向量按照从上往下的顺序构成描述矩阵，此时需要将水面深度图旋转至闸墩处于图像上方，为了便于理解，假设旋转前的水面深度图中闸墩位于图像右方，此时水面深度图为α行β列，则旋转后闸墩处于图像上方时水面深度图为β行α列，进而W的值为β；T表示对T帧闸墩图像对应的瞬时水位集合进行整合，得到水面空域信息描述集合；需要注意，当Q不是整数时，需要向下取整。
2)根据水波的波动周期和水面空域信息描述集合中瞬时水位集合的个数确定输入TCN网络的水面空域信息描述集合的个数L；实施例中根据水波的波动周期和描述矩阵中瞬时水位描述向量的个数确定输入TCN网络的描述矩阵的个数L，具体地，水波的波动周期与描述矩阵中瞬时水位描述向量的个数T的比值为输入TCN网络的描述矩阵的个数L。
3)根据输入TCN网络的水面空域信息描述集合的个数L即输入TCN网络的描述矩阵的个数L、TCN网络的滑窗长度、滑窗步长确定TCN网络的深度；具体地：
L＝l+(l-1)(v-1)u
其中，l为TCN网络的滑窗长度，l的取值为奇数，原因在于本发明采用因果卷积的方式进行处理，需要至少三个描述矩阵，优选地，实施例中l取5；u为滑窗步长，为确保信息不遗漏，实施例中u取1；v为TCN网络的深度即TCN网络中神经元的层数。
上式中只有v是未知数，对v进行求解，求解后向上取整得到最终TCN网络的深度。
需要说明，TCN网络后续需要连接编码器和全连接层，通过全连接层输出水面无波动时的水面高度。此外，TCN网络在训练过程中要具备足够的深度，具体地训练过程为：采用多组不同时段的连续序号的描述矩阵作为训练数据集，以在滑窗中处于中心位置的描述矩阵所对应时间段的水面无波动时真实的水面高度的均值作为标签值，损失函数采用MSELoss。
步骤S4，基于得到的水面高度对水闸进行控制。
实际运用时，需要设置推测开启时刻及推测时长，从推测开启时刻开始生成描述矩阵，根据推测时长确定推测终止时刻，经TCN网络输出多个水面无波动时的水面高度推测值后，计算多个水面高度推测值的均值
Figure BDA0003180829270000051
设置触发阈值m1及限高水位H，当
Figure BDA0003180829270000052
时，生成触发信息，进行下一步水位超限事件检测；否则，不生成触发信息；该触发信息生成的目的在于节省计算资源，避免持续进行事件检测。
当服务器检测到水位超限事件检测触发信息后，开启水位超限事件检测；对于每个闸墩，其对应的瞬时水位描述子向量中的元素值与限高水位H进行比较，设置事件累积值x，若瞬时水位描述子向量内任一元素大于等于限高水位H，判断为此时可能存在水位超限事件，当前时刻的事件累积值x为1；否则，当前时刻的事件累积值x为-1；构建事件累积评价指标f＝e-0.95(2+sgn(x))x+(1-e-0.95[2+sgn(x)])x′，其中，sgn(·)表示符号函数，x表示当前时刻的事件累积值，x′表示当前时刻之前所有时刻事件累积值的累加结果；设置双阈值m2和m3，其中m2为衰减阈值，m3为累积阈值，当上述事件累积评价指标f大于等于累积阈值m3时，判断为水位超限事件发生；当上述事件累积评价指标f小于衰减阈值m2时，判断为水位超限事件未发生；设计上述事件累积评价指标的目的在于避免水位波动对事件发生判断造成影响，导致指令反复生成；设计双阈值的目的在于避免水位波动对事件终止的判断造成影响，导致指令提前停止发送。当水位超限事件发生后，生成控制指令，由服务器传输到驱动装置进行水闸的智能控制。
上述进行水位超限事件检测的有益效果在于，在水位超限事件未发生时，事件累积值的累积速度较慢，防止水波偶尔超过限高水位情况下判断为水位超限事件发生，产生错误的控制信息；设置衰减阈值是避免因水波震荡导致控制信息反复生成；在出现衰减时衰减速度较快，确保事件累积评价指标快速降低，便于快速响应下次事件累积过程，且可保留事件状态变动信息。
实施例二：
基于与上述方法实施例相同的发明构思，该实施例提供了一种基于人工智能的水利工程水闸管理系统，具体地，该系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现基于人工智能的水利工程水闸管理方法中的步骤。
关于系统实施例，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可；以上所述旨在让本领域技术人员更好的理解本发明，并不用于限制本发明，凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。

Claims (8)

1.一种基于人工智能的水利工程水闸管理方法，其特征在于，该方法包括：
获取闸墩图像，基于闸墩图像获取的所有闸墩处的瞬时水位构成瞬时水位集合，对多帧闸墩图像对应的瞬时水位集合进行整合，得到水面空域信息描述集合；
利用水面高度推测模型对时序上的若干水面空域信息描述集合进行处理，得到水面无波动时的水面高度；
基于得到的水面高度对水闸进行控制。
2.如权利要求1所述的方法，其特征在于，所述水面高度预测模型为TCN网络。
3.如权利要求2所述的方法，其特征在于，计算水波的波动周期，根据水波的波动周期和水面空域信息描述集合中瞬时水位集合的个数确定输入TCN网络的水面空域信息描述集合的个数L；
根据输入TCN网络的水面空域信息描述集合的个数L、TCN网络的滑窗长度、滑窗步长确定TCN网络的深度。
4.如权利要求3所述的方法，其特征在于，水波的波动周期的计算方法为：
获取水面深度图，水面深度图中包括闸墩；
根据水面深度图中的深度信息获取一个波动周期内水波的移动距离；计算水波移动速度；根据一个波动周期内水波的移动距离和水波移动速度得到水波的波动周期。
5.如权利要求4所述的方法，其特征在于，所述一个波动周期内水波的移动距离的获取方法为：
水面深度图中闸墩所在行或列为起始行或起始列，预设大小的滑动模板以预设滑动步长从起始行或起始列开始滑动，每次滑动都得到一个滑动区域，当滑动区域与初始区域的相似度小于预设相似度阈值时，根据滑动次数和滑动步长得到一个波动周期内水波的移动距离；其中，初始区域中包括起始行或起始列，且初始区域与滑动区域大小相同。
6.如权利要求5所述的方法，其特征在于，所述水波移动速度的计算方法为：
水面空域信息描述集合转换为描述矩阵；
基于描述矩阵的转换方式，对水面深度图进行图像旋转，选择在水面深度图中每隔q行取一行像素构成水波运动图像，或每隔q列取一列像素构成水波运动图像；
基于水波运动图像与所述描述矩阵最相似时的q值获取水波在一个采样间隔内的移动距离，进而获取水波移动速度；所述采样间隔为闸墩图像的采样间隔。
7.如权利要求6所述的方法，其特征在于，q的取值依次为[0，1，2，...，Q]，
Figure FDA0003180829260000011
W为水面深度图目标边的长度，所述目标边为与水面深度图中闸墩连线夹角大于夹角阈值的边，T表示对T帧闸墩图像对应的瞬时水位集合进行整合，得到水面空域信息描述集合。
8.一种基于人工智能的水利工程水闸管理系统，包括存储器、处理器以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，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
CN202110846687.0A 2021-07-26 2021-07-26 基于人工智能的水利工程水闸管理方法及系统 Active CN113450349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110846687.0A CN113450349B (zh) 2021-07-26 2021-07-26 基于人工智能的水利工程水闸管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110846687.0A CN113450349B (zh) 2021-07-26 2021-07-26 基于人工智能的水利工程水闸管理方法及系统

Publications (2)

Publication Number Publication Date
CN113450349A true CN113450349A (zh) 2021-09-28
CN113450349B CN113450349B (zh) 2024-03-22

Family

ID=77817290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110846687.0A Active CN113450349B (zh) 2021-07-26 2021-07-26 基于人工智能的水利工程水闸管理方法及系统

Country Status (1)

Country Link
CN (1) CN113450349B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101166127A (zh) * 2006-10-16 2008-04-23 武汉大学 基于无线传感网络的水库汛情实时监测系统
JP2015183365A (ja) * 2014-03-20 2015-10-22 富士通株式会社 ダムゲート制御装置、ダムゲート制御プログラム及びダムゲート制御方法
CN111898809A (zh) * 2020-07-15 2020-11-06 闫慧强 一种基于tcn的汛期气候趋势预测系统
CN112330695A (zh) * 2020-11-26 2021-02-05 河南耀蓝智能科技有限公司 一种基于人工智能的自动加水换水决策方法及系统
CN112489127A (zh) * 2020-12-14 2021-03-12 石倩 基于人工智能的升降台控制方法及系统
CN112785560A (zh) * 2021-01-06 2021-05-11 李俊 一种基于人工智能的气密性检测水体更新方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101166127A (zh) * 2006-10-16 2008-04-23 武汉大学 基于无线传感网络的水库汛情实时监测系统
JP2015183365A (ja) * 2014-03-20 2015-10-22 富士通株式会社 ダムゲート制御装置、ダムゲート制御プログラム及びダムゲート制御方法
CN111898809A (zh) * 2020-07-15 2020-11-06 闫慧强 一种基于tcn的汛期气候趋势预测系统
CN112330695A (zh) * 2020-11-26 2021-02-05 河南耀蓝智能科技有限公司 一种基于人工智能的自动加水换水决策方法及系统
CN112489127A (zh) * 2020-12-14 2021-03-12 石倩 基于人工智能的升降台控制方法及系统
CN112785560A (zh) * 2021-01-06 2021-05-11 李俊 一种基于人工智能的气密性检测水体更新方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TAO SONG等: ""A Deep Learning Method With Merged LSTM Neural Networks for SSHA Prediction"", 《 IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, 29 May 2020 (2020-05-29) *
董伟;张磊磊;金子恒;孙伟;高俊波;: "基于多特征时空图卷积网络的水运通航密度预测", 物联网学报, no. 03 *

Also Published As

Publication number Publication date
CN113450349B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN111612760B (zh) 用于检测障碍物的方法和装置
CN101281650B (zh) 用于视频稳定的快速全局运动估计方法
CN110248048B (zh) 一种视频抖动的检测方法及装置
CN110120064B (zh) 一种基于互强化与多注意机制学习的深度相关目标跟踪算法
CN111462324B (zh) 一种在线时空语义融合方法和系统
CN110246160B (zh) 视频目标的检测方法、装置、设备及介质
CN105069804A (zh) 基于智能手机的三维模型扫描重建方法
CN102915545A (zh) 一种基于OpenCV的视频目标跟踪算法
CN109242019B (zh) 一种水面光学小目标快速检测与跟踪方法
Battrawy et al. Rms-flownet: Efficient and robust multi-scale scene flow estimation for large-scale point clouds
Zhang et al. Unsupervised multi-view constrained convolutional network for accurate depth estimation
CN113450349A (zh) 基于人工智能的水利工程水闸管理方法及系统
CN112561979B (zh) 一种基于深度学习的自监督单目深度估计方法
CN116519106B (zh) 一种用于测定生猪体重的方法、装置、存储介质和设备
CN113163120A (zh) 一种基于transformer的视频防抖方法
CN113361447A (zh) 一种基于滑动窗口自注意力机制的车道线检测方法及系统
CN113129336A (zh) 一种端到端多车辆跟踪方法、系统及计算机可读介质
CN115639536B (zh) 基于多传感器融合的无人船感知目标检测方法及装置
CN112446245A (zh) 一种基于运动边界小位移的高效运动表征方法及装置
CN111369483A (zh) 一种融合多源遥感数据生成高时空分辨率遥感数据的方法
CN113936036B (zh) 基于无人机视频的目标跟踪方法、装置及计算机设备
CN115147720A (zh) 基于坐标注意力和长短距上下文的sar舰船检测方法
CN117006947B (zh) 一种低光照图像增强的高层建筑结构位移测量方法及系统
CN113066152B (zh) 一种agv地图构建方法和系统
CN113596330B (zh) 红外光学定位器刷新率提升方法、装置及设备

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