CN113793069A - 深度残差网络的城市内涝积水智能识别方法 - Google Patents
深度残差网络的城市内涝积水智能识别方法 Download PDFInfo
- Publication number
- CN113793069A CN113793069A CN202111168647.1A CN202111168647A CN113793069A CN 113793069 A CN113793069 A CN 113793069A CN 202111168647 A CN202111168647 A CN 202111168647A CN 113793069 A CN113793069 A CN 113793069A
- Authority
- CN
- China
- Prior art keywords
- waterlogging
- pictures
- model
- residual error
- probability
- 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 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 8
- 238000010333 wet classification Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明涉及科学排涝调度决策技术领域,具体涉及深度残差网络的城市内涝积水智能识别方法,包括以下步骤:S1、数据准备;S2、数据处理;S3、模型搭建;S4、模型调用,综合路面、行人、车辆等参照物信息,并对设置标签后的图片做预处理,包括将所有图片大小进行重新设置和做归一化处理,使用PyTorch模型的框架和ResNet‑18(残差网络)的神经网络,进行学习,训练模型,模型均匀地学习到了各种内涝级别的特征,利用Javacv从监控摄像头的视频流传中获取图片,综合路面、行人、车辆等参照物信息进行内涝等级的识别,利用RESNET‑18网络对图片进行内涝等级识别。
Description
技术领域
本发明涉及科学排涝调度决策技术领域,具体涉及深度残差网络的城市内涝积水智能识别方法。
背景技术
在全球气候变化和快速城镇化背景下,中国城市内涝问题日益严重,成为制约经济社会持续健康发展的突出瓶颈。近年来,每逢雨季,各地城市轮番上演“城市看海”的景象,频发的内涝灾害造成严重的人员伤亡及财产损失,对城市形象也造成极为负面的影响,且随着人口、社会财富向城市积聚,城市内涝风险越来越产生叠加和放大效应。开发城市内涝积水监测系统,实现内涝实时监控和快速告警显得非常重要,有助于相关职能部门进行科学排涝调度决策,尽可能降低内涝灾害及其产生的影响,提升城市防灾减灾能力。
现有技术方案:如专利公开号为:CN109632037B
一种基于图像智能识别的城市内涝积水深度检测方法,首先获取道路上摄像头拍摄的视频;然后采用人工神经网络,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;接着使用人工神经网络,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,将上述的信息相关联,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。直接使用现在道路上的摄像头拍摄的图像进行积水识别,需要人工进行判断,不能自动进行判断。
发明内容
针对现有技术所存在的上述缺点,本发明的第一目的在于提供深度残差网络的城市内涝积水智能识别方法,参照物信息进行内涝等级的识别,利用RESNET-18网络对图片进行内涝等级识别。
为实现上述目的,本发明提供了如下技术方案:
深度残差网络的城市内涝积水智能识别方法,包括以下步骤:
S1、数据准备;
S2、数据处理;
S3、模型搭建;
S4、模型调用。
本发明进一步设置为:所述步骤S1中,通过收集城市公共摄像头拍摄的城市路面精细化实时图像,采集的图片数据涵盖不同背景、不同时间、不同雨强、不同积水的路面情况。
本发明进一步设置为:所述步骤S2中,包括以下步骤:
S201、综合路面、行人、车辆等参照物信息,人工为采集的图片设置类别标签分别为:特别严重内涝、严重内涝、中度内涝、一般性内涝、干路面;
S202、并对设置标签后的图片做预处理,包括将所有图片大小进行重新设置和做归一化处理。
本发明进一步设置为:所述步骤S3中,包括以下步骤:
S301、使用PyTorch模型的框架和ResNet-18(残差网络)的神经网络,进行学习,为了提高识别精度,模型搭建时采用双模型形式;
S302、在对图片集进行五分类之前,首先对图片进行二分类,将图片分为干湿两种类别进行训练,从而完成地面上有无积水的区分识别;
S303、再进行四分类模型训练,训练时一次迭代只学习几张图片,且图片随机从每种内涝级别的图片库中挑选,并设置挑选到各类图片的概率一致。
本发明进一步设置为:所述步骤S4中,包括以下步骤:
S401、利用Javacv从监控摄像头的视频流传中获取图片;
S402、将图片送入到已经训练好的干湿分类模型中;
S403、模型调用后输出结果为二维向量,如输出的结果为(0,1)则判断图片中地面为是湿地面;
S404、再调用四分类模型,输出结果是符合概率分布的四维向量,如结果为(0.8,0.1,0.06.0.04),则认为有80%的概率是一级内涝,10%的概率是二级内涝,6%的概率是三级内涝,4%的概率是四级内涝。
有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
综合路面、行人、车辆等参照物信息,人工为采集的图片设置类别标签分别为:特别严重内涝、严重内涝、中度内涝、一般性内涝、干路面,并对设置标签后的图片做预处理,包括将所有图片大小进行重新设置和做归一化处理,使用PyTorch模型的框架和ResNet-18(残差网络)的神经网络,进行学习,为了提高识别精度,模型搭建时采用双模型形式,在对图片集进行五分类之前,首先对图片进行二分类,将图片分为干湿两种类别进行训练,从而完成地面上有无积水的区分识别,再进行四分类模型训练,训练时一次迭代只学习几张图片,且图片随机从每种内涝级别的图片库中挑选,并设置挑选到各类图片的概率一致,这种取样方式可使得整个训练结束时,模型均匀地学习到了各种内涝级别的特征,利用Javacv从监控摄像头的视频流传中获取图片,将图片送入到已经训练好的干湿分类模型中,模型调用后输出结果为二维向量,如输出的结果为(0,1)则判断图片中地面为是湿地面,再调用四分类模型,输出结果是符合概率分布的四维向量,如结果为(0.8,0.1,0.06.0.04),则认为有80%的概率是一级内涝,10%的概率是二级内涝,6%的概率是三级内涝,4%的概率是四级内涝,综合路面、行人、车辆等参照物信息进行内涝等级的识别,利用RESNET-18网络对图片进行内涝等级识别。
附图说明:
图1为本发明的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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,都属于本发明保护的范围。
实施例1
参照图1和结合实施例对本发明作进一步的描述。
深度残差网络的城市内涝积水智能识别方法,包括以下步骤:
S1、数据准备,通过收集城市公共摄像头拍摄的城市路面精细化实时图像,采集的图片数据尽可能涵盖不同背景、不同时间、不同雨强、不同积水的路面情况;
S2、数据处理:
S201、综合路面、行人、车辆等参照物信息,人工为采集的图片设置类别标签分别为:特别严重内涝、严重内涝、中度内涝、一般性内涝、干路面;
S202、并对设置标签后的图片做预处理,包括将所有图片大小进行重新设置和做归一化处理;
S3、模型搭建:
S301、使用PyTorch模型的框架和ResNet-18(残差网络)的神经网络,进行学习,为了提高识别精度,模型搭建时采用双模型形式;
S302、在对图片集进行五分类之前,首先对图片进行二分类,将图片分为干湿两种类别进行训练,从而完成地面上有无积水的区分识别;
S303、再进行四分类模型训练,训练时一次迭代只学习几张图片,且图片随机从每种内涝级别的图片库中挑选,并设置挑选到各类图片的概率一致,这种取样方式可使得整个训练结束时,模型均匀地学习到了各种内涝级别的特征,不同等级的图像用分类变量表示。经过8万次迭代后,模型趋于稳定;
S4、模型调用:
S401、利用Javacv从监控摄像头的视频流传中获取图片;
S402、将图片送入到已经训练好的干湿分类模型中;
S403、模型调用后输出结果为二维向量,如输出的结果为(0,1)则判断图片中地面为是湿地面;
S404、再调用四分类模型,输出结果是符合概率分布的四维向量,如结果为(0.8,0.1,0.06.0.04),则认为有80%的概率是一级内涝,10%的概率是二级内涝,6%的概率是三级内涝,4%的概率是四级内涝,则该摄像头所在位置的内涝情况为1级特别严重内涝。
对比例1
本实施例与所提供的实施例1的方法大致相同,其主要区别在于:步骤S301中使用单模型形式;
对比例2
本实施例与所提供的实施例1的方法大致相同,其主要区别在于:步骤S303中未设置挑选到各类图片的概率一致。
性能测试
分别取等量的实施例1和对比例1~2所提供的建筑安全监测数据的趋势预测方法的数据的准确性、校准和趋势预测结果,测试方法:将预测的结果值与实际的数值进行对比。
综合路面、行人、车辆等参照物信息,人工为采集的图片设置类别标签分别为:特别严重内涝、严重内涝、中度内涝、一般性内涝、干路面,并对设置标签后的图片做预处理,包括将所有图片大小进行重新设置和做归一化处理,使用PyTorch模型的框架和ResNet-18(残差网络)的神经网络,进行学习,为了提高识别精度,模型搭建时采用双模型形式,在对图片集进行五分类之前,首先对图片进行二分类,将图片分为干湿两种类别进行训练,从而完成地面上有无积水的区分识别,再进行四分类模型训练,训练时一次迭代只学习几张图片,且图片随机从每种内涝级别的图片库中挑选,并设置挑选到各类图片的概率一致,这种取样方式可使得整个训练结束时,模型均匀地学习到了各种内涝级别的特征,利用Javacv从监控摄像头的视频流传中获取图片,将图片送入到已经训练好的干湿分类模型中,模型调用后输出结果为二维向量,如输出的结果为(0,1)则判断图片中地面为是湿地面,再调用四分类模型,输出结果是符合概率分布的四维向量,如结果为(0.8,0.1,0.06.0.04),则认为有80%的概率是一级内涝,10%的概率是二级内涝,6%的概率是三级内涝,4%的概率是四级内涝,综合路面、行人、车辆等参照物信息进行内涝等级的识别,利用RESNET-18网络对图片进行内涝等级识别。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.深度残差网络的城市内涝积水智能识别方法,其特征在于,包括以下步骤:
S1、数据准备;
S2、数据处理;
S3、模型搭建;
S4、模型调用。
2.根据权利要求1所述的深度残差网络的城市内涝积水智能识别方法,其特征在于:所述步骤S1,通过收集城市公共摄像头拍摄的城市路面精细化实时图像,采集的图片数据涵盖不同背景、不同时间、不同雨强、不同积水的路面情况。
3.根据权利要求1所述的深度残差网络的城市内涝积水智能识别方法,其特征在于:所述步骤S2中,包括以下步骤:
S201、综合路面、行人、车辆等参照物信息,人工为采集的图片设置类别标签分别为:特别严重内涝、严重内涝、中度内涝、一般性内涝、干路面;
S202、并对设置标签后的图片做预处理,包括将所有图片大小进行重新设置和做归一化处理。
4.根据权利要求1所述的深度残差网络的城市内涝积水智能识别方法,其特征在于:所述步骤S3中,包括以下步骤:
S301、使用PyTorch模型的框架和ResNet-18(残差网络)的神经网络,进行学习,为了提高识别精度,模型搭建时采用双模型形式;
S302、在对图片集进行五分类之前,首先对图片进行二分类,将图片分为干湿两种类别进行训练,从而完成地面上有无积水的区分识别;
S303、再进行四分类模型训练,训练时一次迭代只学习几张图片,且图片随机从每种内涝级别的图片库中挑选,并设置挑选到各类图片的概率一致。
5.根据权利要求1所述的深度残差网络的城市内涝积水智能识别方法,其特征在于:所述步骤S4中,包括以下步骤:
S401、利用Javacv从监控摄像头的视频流传中获取图片;
S402、将图片送入到已经训练好的干湿分类模型中;
S403、模型调用后输出结果为二维向量,如输出的结果为(0,1)则判断图片中地面为是湿地面;
S404、再调用四分类模型,输出结果是符合概率分布的四维向量,如结果为(0.8,0.1,0.06.0.04),则认为有80%的概率是一级内涝,10%的概率是二级内涝,6%的概率是三级内涝,4%的概率是四级内涝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111168647.1A CN113793069A (zh) | 2021-09-30 | 2021-09-30 | 深度残差网络的城市内涝积水智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111168647.1A CN113793069A (zh) | 2021-09-30 | 2021-09-30 | 深度残差网络的城市内涝积水智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113793069A true CN113793069A (zh) | 2021-12-14 |
Family
ID=79184585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111168647.1A Pending CN113793069A (zh) | 2021-09-30 | 2021-09-30 | 深度残差网络的城市内涝积水智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793069A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663827A (zh) * | 2022-02-28 | 2022-06-24 | 北京慧图科技(集团)股份有限公司 | 一种判断场景内涝积水深度的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670404A (zh) * | 2018-11-23 | 2019-04-23 | 江苏理工学院 | 一种基于混合模型的道路积水图像检测预警方法 |
CN110569755A (zh) * | 2019-08-26 | 2019-12-13 | 浙江工商大学 | 一种基于视频的智能积水检测方法 |
CN111046773A (zh) * | 2019-12-05 | 2020-04-21 | 北京城市排水集团有限责任公司 | 一种基于图像技术判定路面积滞水的方法 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
-
2021
- 2021-09-30 CN CN202111168647.1A patent/CN113793069A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670404A (zh) * | 2018-11-23 | 2019-04-23 | 江苏理工学院 | 一种基于混合模型的道路积水图像检测预警方法 |
CN110569755A (zh) * | 2019-08-26 | 2019-12-13 | 浙江工商大学 | 一种基于视频的智能积水检测方法 |
CN111046773A (zh) * | 2019-12-05 | 2020-04-21 | 北京城市排水集团有限责任公司 | 一种基于图像技术判定路面积滞水的方法 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663827A (zh) * | 2022-02-28 | 2022-06-24 | 北京慧图科技(集团)股份有限公司 | 一种判断场景内涝积水深度的方法及系统 |
CN114663827B (zh) * | 2022-02-28 | 2023-05-23 | 北京慧图科技(集团)股份有限公司 | 一种判断场景内涝积水深度的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN110619750B (zh) | 面向违停车辆的智能航拍识别方法及系统 | |
CN111368687A (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN111178272B (zh) | 一种识别驾驶员行为的方法、装置及设备 | |
CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及系统 | |
CN112666553B (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN114419552A (zh) | 基于目标检测的违章车辆追踪方法及系统 | |
CN114267082A (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN111767874A (zh) | 一种基于深度学习的路面病害检测方法 | |
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 | |
CN113793069A (zh) | 深度残差网络的城市内涝积水智能识别方法 | |
CN112861762B (zh) | 基于生成对抗网络的铁路道口异常事件检测方法及系统 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN111753610A (zh) | 天气识别方法及装置 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN116612103A (zh) | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 | |
CN115393419A (zh) | 一种基于尺寸标定布的路面坑槽面积检测方法及装置 | |
CN115187886A (zh) | 一种车辆违规行为检测方法、装置及电子设备 | |
CN108062861B (zh) | 一种智能交通监控系统 | |
CN110956156A (zh) | 一种基于深度学习的闯红灯检测系统 | |
CN112733864A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 |
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 |