CN113963314A - 降雨量监测方法、装置、计算机设备及存储介质 - Google Patents
降雨量监测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113963314A CN113963314A CN202111265952.2A CN202111265952A CN113963314A CN 113963314 A CN113963314 A CN 113963314A CN 202111265952 A CN202111265952 A CN 202111265952A CN 113963314 A CN113963314 A CN 113963314A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- rainfall
- target area
- target
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000012806 monitoring device Methods 0.000 claims description 16
- 238000010183 spectrum analysis Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 15
- 230000008859 change Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 239000004576 sand Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了降雨量监测方法、装置、计算机设备及存储介质，属于图像处理领域。本发明的降雨量监测方法可支持大范围部署，在初始阶段可通过预先安装于各个目标区域的采集单元，根据预设频率分别获取每一目标区域的多张第一图像，以便于计算各个目标区域的第一图像的指标平均值，生成与目标区域对应的基准图像；在监测阶段利用采集单元实时采集各个目标区域的第二图像，将第二图像的扭曲数据和基准图像输入神经网络模型计算目标区域的降雨量，从而达到实时精准获取各个目标区域降雨量的目的。
Description
技术领域
本发明涉及图像处理领域，尤其涉及基于图像的降雨量监测方法、装置、计算机设备及存储介质。
背景技术
目前对于实时雨量的观测主要采用翻斗式雨量计。翻斗式雨量计是当前常用的测量技术，具有时间准确、自动记录便于数据采集的优点。但是，由于翻斗式雨量计采用机械式工作原理，当其内部翻斗器件或传感器器件损坏，或短路开路时，易引起降水量测量结果异常。下雨时即使同一个城市，不同区域的降雨量也有所不同，而翻斗式雨量计无法做到大范围密集部署，因此，不能实时精准的测量各个区域的降雨量。
发明内容
针对现有翻斗式雨量计不适合大范围密集部署的问题，现提供一种旨在可大范围部署的降雨量监测方法、装置、计算机设备及存储介质。
为实现上述目的，本发明提供一种降雨量监测方法，包括：初始阶段和监测阶段；
在初始阶段，获取每个目标区域的预设数目张第一图像，根据每一所述目标区域的预设数目张所述第一图像计算指标平均值以生成基准图像，每一所述目标区域对应一张所述基准图像；
在监测阶段，获取各个所述目标区域的第二图像，分别提取每个所述第二图像的扭曲数据，根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
可选的，所述在初始阶段，获取每个目标区域的预设数目张第一图像，根据每一所述目标区域的预设数目张所述第一图像计算指标平均值以生成基准图像，包括：
在初始阶段通过预先安装于各个所述目标区域的采集单元，根据预设频率分别采集每一目标区域的预设数目张第一图像，分别计算每一所述目标区域的预设数目张所述第一图像的指标平均值；
根据所述指标平均值生成基准图像。
可选的，所述指标平均值包括：亮度平均值、灰度平均值、RGB平均值和对比度平均值；
所述根据所述指标平均值生成基准图像，包括：
基于所述第一图像根据所述亮度平均值、所述灰度平均值、所述RGB平均值和所述对比度平均值生成所述基准图像。
可选的，所述在监测阶段，获取各个所述目标区域的第二图像，分别提取每个所述第二图像的扭曲数据，根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量，包括：
在监测阶段获取通过所述采集单元对各个目标区域采集的第二图像；
分别提取每个所述第二图像的扭曲数据；
采用神经网络模型根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
可选的，所述分别提取每个所述第二图像的扭曲数据，之前还包括：
采用防抖算法分别对各个所述第二图像进行校正，以得到校正后的第二图像。
可选的，所述扭曲数据包括线状图和雨水层；
提取所述第二图像的扭曲数据，包括：
识别所述第二图像中是否包括动态目标；
若所述第二图像中包括动态目标，去除所述第二图像中的动态目标，并对去除所述动态目标的区域进行填充，以得到第三图像；
依次对所述第三图像进行锐化、变频及频谱分析以提取所述线状图；
将所述第三图像与所述基准图像进行比对，以提取所述雨水层。
可选的，还包括：
若所述第二图像中不包括动态目标，依次对所述第二图像进行锐化、变频及频谱分析以提取所述线状图；
将所述第二图像与所述基准图像进行比对，以提取所述雨水层。
为实现上述目的，本发明还提供一种降雨量监测装置，包括：
生成组件，用于在初始阶段，获取每个目标区域的预设数目张第一图像，根据每一所述目标区域的预设数目张所述第一图像计算指标平均值以生成基准图像，每一所述目标区域对应一张所述基准图像；
监测组件，用于在监测阶段，获取各个所述目标区域的第二图像，分别提取每个所述第二图像的扭曲数据，根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
为实现上述目的，本发明还提供一种计算机设备，所述计算机设备包括存储器、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，所述处理器执行所述计算机程序时实现上述方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，其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上述方法的步骤。
本发明提供的降雨量监测方法、装置、计算机设备及存储介质，可支持大范围部署，在初始阶段获取每一目标区域的多张第一图像，以便于计算各个目标区域的第一图像的指标平均值，生成与目标区域对应的基准图像；在监测阶段，可实时采集各个目标区域的第二图像，根据第二图像的扭曲数据和基准图像计算目标区域的降雨量，从而达到实时精准获取各个目标区域降雨量的目的。
附图说明
图1为本发明所述的降雨量监测方法的一种实施例的流程图；
图2为本发明提取第二图像的扭曲数据的一种实施例的流程图；
图3为本发明所述的降雨量监测装置的一种实施例的模块图；
图4为本发明所述的计算机设备一实施例的硬件架构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明提供的降雨量监测方法、装置、计算机设备及存储介质，适用于智慧城市领域，涉及人脸识别技术。本发明可支持大范围部署，在初始阶段能够通过预先安装于各个目标区域的采集单元，根据预设频率分别获取每一目标区域的多张第一图像，以便于计算各个目标区域的第一图像的指标平均值，生成与目标区域对应的基准图像；在监测阶段利用采集单元实时采集各个目标区域的第二图像，将第二图像的扭曲数据和基准图像输入神经网络模型计算目标区域的降雨量，从而达到实时精准获取各个目标区域降雨量的目的。
实施例一
请参阅图1，本实施例的一种降雨量监测方法包括初始阶段和监测阶段；
在初始阶段，获取每个目标区域的预设数目张第一图像，根据每一所述目标区域的预设数目张所述第一图像计算指标平均值以生成基准图像，每一所述目标区域对应一张所述基准图像，包括以下步骤：
S1.在初始阶段，通过预先安装于各个目标区域的采集单元，根据预设频率分别采集每一目标区域的预设数目张第一图像，分别计算每一所述目标区域的预设数目张所述第一图像的指标平均值。
其中，所述第一图像是通过采集单元对目标区域采集的图像。所述指标平均值包括：亮度平均值、灰度平均值、RGB平均值和对比度平均值。
在本实施例中，采集单元可采用摄像头。
目前，摄像头作为城市建设基础设施的一部分已经大范围密集的部署于城市的各个区域。在实际应用中，可通过分布于城市各个角落的摄像头(也可以理解为“城市之眼”)采集各个目标区域的第一图像。对于摄像头覆盖较为稀疏的区域，可以在路灯上安装摄像头。在路灯上安装摄像头可以解决摄像头的供电问题，在夜晚可以解决拍摄的光线问题。
作为举例而非限定，可根据采集指令控制采集单元在一天中每间隔2个小时采集一张目标区域的第一图像，获取12张第一图像，基于获取的第一图像，分别计算亮度平均值、灰度平均值、RGB平均值以及对比度平均值。
在本实施例中，计算指标平均值之前还可包括：逐个识别各个第一图像中是否包括动态目标，若包括动态目标，则去除第一图像中的动态目标以避免动态目标对后续图像处理的干扰，并对去除动态目标的区域进行填充，以得到经处理后的第一图像；依次对经处理后的第一图像进行锐化、变频及频谱分析以提取线状图，计算线状图的扭曲度，判断扭曲度是否在扭曲阈值范围内，若是，则表示当前天气未降雨，计算经处理后的多张第一图像的指标平均值，执行步骤S2。若否，则表示当前天气降雨，无法基于第一图像生成基准图像，可生成提示消息，结束。
上述动态目标是指：行人、车辆等移动物体。
S2.根据所述指标平均值生成基准图像。
需要说明的是：每一所述目标区域对应一张所述基准图像，基准图像为未降雨时的图像。
进一步地，步骤S2包括：基于所述第一图像根据所述亮度平均值、所述灰度平均值、所述RGB平均值和所述对比度平均值生成所述基准图像。
在本实施例中，考虑到对于目标区域而言在采集单元的采集视角没有发生变化的前提下，采集单元每天采集到的图像范围及内容基本是固定不变的。每天在不同时段采集的图像，因光线、可见度的变化会产生差异，在有差异的情况下，可通过计算不同时段的多张图像的指标平均值的方式，降低图像之间的差异，以便于根据计算得到的指标平均值生成能够体现目标区域最佳平衡状态的基准图像。
在监测阶段，获取各个所述目标区域的第二图像，分别提取每个所述第二图像的扭曲数据，根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量，包括以下步骤：
S3.在监测阶段获取通过所述采集单元对各个目标区域采集的第二图像。
在本实施例中，每一目标区域关联一采集单元，可将同一采集单元采集的第二图像进行标识，基于图像标识识别其对应的采集单元。在实际应用中，可通过数据传输网络将采集单元采集的第二图像上传至云端保存。
S4.分别提取每个所述第二图像的扭曲数据。
其中，扭曲数据包括：线状图和雨水层。
考虑到天气主要分为：晴天、降雨、降雪、冰雹、雾霾和沙尘暴。在雾霾或沙尘暴的天气状态下采集的图像会产生模糊效果，而图像的主线条(如：道路边缘线条、楼宇建筑边缘线条)形状无明显变化；在降雪或冰雹的天气状态下采集的图像产生遮挡的噪声，使得主线条离散化；在晴天的天气状态下采集的图像画质以及主线条无明显变化；在降雨的天气状态下采集的图像，由于雨水的干扰会使光线发生折射，图像的主线条会产生扭曲与变形，且主线条为连续变化的。由此可知，降雪、冰雹、雾霾、沙尘暴及晴天的天气状态，无需计算降雨量。在本实施例中，可基于图像中的主线条是否扭曲变形鉴别当前天气是否降雨。
进一步地，参阅图2所示在步骤S4中提取一张第二图像的扭曲数据可包括以下步骤：
S41.识别所述第二图像中是否包括动态目标，若是，执行步骤S42；若否，执行步骤S45。
在本实施例中，为了避免动态目标对后续计算降雨量的干扰，可通过图像识别技术识别第二图像中是否存在动态目标，若存在，则需执行步骤S42去除动态目标；若不存在，则可执行步骤45提取扭曲数据。
需要说明的是，上述动态目标是指：行人、车辆等移动物体。
S42.去除所述第二图像中的动态目标，并对去除所述动态目标的区域进行填充，以得到第三图像。
在本实施例中，采用贝叶斯抠图算法对第二图像进行处理，提取其中的动态目标，可在抠图边缘进行模糊处理、羽化操作。在填充过程中，为了保证方向场的正确演变，可采用各向异性的扩散，以防止边界被抹平。先对进行图像分解，得到图像的结构、纹理和噪声，采用拉普拉斯算子(图像的光滑函数)进行图像填充。
S43.依次对所述第三图像进行锐化、变频及频谱分析以提取所述线状图。
图像中对象(建筑、道路等)的轮廓(边缘)和线条是图像中灰度的突变部分，包含丰富的空间高频分量。通过锐化处理补偿第三图像的轮廓，增加第三图像的边缘及灰度跳变的部分，使图像变得清晰。将经锐化处理后图像的域变化为频率域，进行频谱分析(频域分析)，在时间域线条是连续的，在频谱(频域)边缘处梯度是急剧变化的(突变)，根据频谱的变化情况提取线条，得到线状图。
S44.将所述第三图像与所述基准图像进行比对，以提取所述雨水层，结束。
在本实施例中，由于基准图像为非降雨状态下的图像，因此，可将采集的第三图像与基准图像进行比对。对第三图像进行噪音过滤，从图像中提取雨水造成的噪音数据，以生成雨水层。
在本实施例中，还可通过深度卷积神经网络对雨水层进行提取，雨水在图像中呈点状或线状。
S45.依次对所述第二图像进行锐化、变频及频谱分析以提取所述线状图。
在本实施例中，通过锐化处理补偿第二图像的轮廓，增加第二图像的边缘及灰度跳变的部分，使图像变得清晰。将经锐化处理后图像的域变化为频率域，进行频谱分析，在时间域线条是连续的，在频谱边缘处梯度是急剧变化的，根据频谱的变化情况提取线条，得到线状图。
S46.将所述第二图像与所述基准图像进行比对，以提取所述雨水层，结束。
在本实施例中，由于基准图像为非降雨状态下的图像，因此，可将采集的第二图像与基准图像进行比对。对第二图像进行噪音过滤，从图像中提取雨水造成的噪音数据，以生成雨水层。
在本实施例中，还可通过深度卷积神经网络对雨水层进行提取，雨水在图像中呈点状或线状。
在优选的实施例中，在执行步骤S4之前还可包括：采用防抖算法分别对各个所述第二图像进行校正，以得到校正后的第二图像。
在本实施例中，通过防抖算法去除因刮风造成的抖动。可通过多帧图像对比，检测抖动的大小与方向，对图像进行平移或旋转，获得稳定的图像。
在本实施例中，还可采用扩散抖动算法，该算法利用误差扩散实现抖动，从左到右、由上至下扫描图像的像素并将其逐个标准化(或二值化)，把像素标准化后产生的误差叠加到相邻像素上，不影响已经处理过的像素。如果某些像素向下取整，则下一个像素向上取整的可能性更大，这样使得平均量化误差最小。经过扩散抖动算法处理后的图像比较细腻、失真较小、细节丰富。
S5.采用神经网络模型根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
在本实施例中，雨水层中的点状和线状的密集程度越高，降雨量越大；密集程度越低，降雨量越小。由于雨水会对光线产生折射，因而摄像头采集图像较基准图像扭曲程度越高，则降雨量越大；扭曲程度越小，则降雨量越小。神经网络模型通过提取线状图的特征以及雨水层的特征将提取的特征，以及提取基准图像的基准特征，将提取的特征与基准特征进行比对确定降雨量。通过神经网络模型计算出摄像头采集图像与基准图像相比较主要线条的扭曲程度与变形程度。
在优选的实施例中，执行步骤S5之前还可包括：
A.采用样本集训练初始神经网络模型，以得到用于表示扭曲数据与降雨量的映射关系的所述神经网络模型。
所述样本集包括历史降雨量数据，以及每一历史降雨量数据对应的扭曲数据。
在本实施例中，神经网络模型用于表示扭曲数据与降雨量之间的对应关系。提取摄像头采集的历史图像数据中的历史扭曲数据，在训练阶段将历史扭曲数据和基准图像输出到初始神经网络模型中进行计算，根据计算结果和气象中心发布的历史降雨量数据计算损失值，反向传播梯度到神经网络的参数中，更新网络中的权重值，直至达到预设迭代次数，结束训练得到神经网络模型，采用神经网络模型可提高计算降雨量的精准度。在本实施例中神经网络模型可采用深度卷积神经网络模型。
在本实施例中，降雨量监测方法可支持大范围部署，在初始阶段可通过预先安装于各个目标区域的采集单元，根据预设频率分别获取每一目标区域的多张第一图像，以便于计算各个目标区域的第一图像的指标平均值，生成与目标区域对应的基准图像；在监测阶段利用采集单元实时采集各个目标区域的第二图像，将第二图像的扭曲数据和基准图像输入神经网络模型计算目标区域的降雨量，从而达到实时精准获取各个目标区域降雨量的目的，以便于在降雨量急剧突变增大时，予以预警。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在优选的实施例中，降雨量监测方法还可包括：
S6.根据各个所述目标区域的所述降雨量以及所有所述目标区域的路线图生成通行路径。
在本实施例中，将每一目标区域的降雨量与预设阈值区间进行匹配，若匹配，则表示降雨量在正常范围，行人、车辆可正常通行；若不匹配，则表示降雨量很大，该目标区域不适合通行，行人、车辆无法顺利通过需绕行。因此，可依据各个目标区域的降雨量的情况生成相应的通行路径，便于行人、车辆正常通行。
在一实施例中，降雨量监测方法还可包括：
S7.将所述第二图像与所述基准图像进行比对，确定差异数据，识别所述差异数据对应的实际面积。
其中，差异数据为道路积水区域图像。
在本实施例中，还可通过道路积水识别模型对道路积水区域图像进行识别，以得到道路积水区域的实际面积及积水深度。
在本实施例中，可通过降雨量监测方法实时对降雨量进行监控，对于降水量较大造成大量路面积水的情况，合理规划转移路径，保护人们的安全。
实施例二
请参阅图3，本实施例的一种降雨量监测装置1包括生成组件和监测组件。
生成组件，用于在初始阶段，获取每个目标区域的预设数目张第一图像，根据每一所述目标区域的预设数目张所述第一图像计算指标平均值以生成基准图像，每一所述目标区域对应一张所述基准图像。
监测组件，用于在监测阶段，获取各个所述目标区域的第二图像，分别提取每个所述第二图像的扭曲数据，根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
进一步的，生成组件可包括：计算单元11和生成单元12；监测组件可包括接收单元13、提取单元14和处理单元15。
计算单元11，用于在初始阶段通过预先安装于各个目标区域的采集单元，根据预设频率分别采集每一目标区域的预设数目张第一图像，分别计算每一所述目标区域的预设数目张所述第一图像的指标平均值。
其中，所述第一图像是通过采集单元对目标区域采集的图像。所述指标平均值包括：亮度平均值、灰度平均值、RGB平均值和对比度平均值。
在本实施例中，采集单元可采用摄像头。
目前，摄像头作为城市建设基础设施的一部分已经大范围密集的部署于城市的各个区域。在实际应用中，可通过分布于城市各个角落的摄像头(也可以理解为“城市之眼”)采集各个目标区域的第一图像。对于摄像头覆盖较为稀疏的区域，可以在路灯上安装摄像头。在路灯上安装摄像头可以解决摄像头的供电问题，在夜晚可以解决拍摄的光线问题。
作为举例而非限定，可根据采集指令控制采集单元在一天中每间隔2个小时采集一张目标区域的第一图像，获取12张第一图像，基于获取的第一图像，分别计算亮度平均值、灰度平均值、RGB平均值以及对比度平均值。
在本实施例中，计算指标平均值之前还可包括：逐个识别各个第一图像中是否包括动态目标，若包括动态目标，则去除第一图像中的动态目标以避免动态目标对后续图像处理的干扰，并对去除动态目标的区域进行填充，以得到经处理后的第一图像；依次对经处理后的第一图像进行锐化、变频及频谱分析以提取线状图，计算线状图的扭曲度，判断扭曲度是否在扭曲阈值范围内，若是，则表示当前天气未降雨，计算经处理后的多张第一图像的指标平均值，根据指标平均值生成基准图像。若否，则表示当前天气降雨，无法基于第一图像生成基准图像，可生成提示消息，结束。
上述动态目标是指：行人、车辆等移动物体。
生成单元12，用于根据所述指标平均值生成基准图像。
需要说明的是：每一所述目标区域对应一张所述基准图像，基准图像为未降雨时的图像。
进一步地，生成单元12用于基于所述第一图像根据所述亮度平均值、所述灰度平均值、所述RGB平均值和所述对比度平均值生成所述基准图像。
在本实施例中，考虑到对于目标区域而言在采集单元的采集视角没有发生变化的前提下，采集单元每天采集到的图像范围及内容基本是固定不变的。每天在不同时段采集的图像，因光线、可见度的变化会产生差异，在有差异的情况下，可通过计算不同时段的多张图像的指标平均值的方式，降低图像之间的差异，以便于根据计算得到的指标平均值生成能够体现目标区域最佳平衡状态的基准图像。
接收单元13，用于在监测阶段接收通过所述采集单元对各个目标区域采集的第二图像。
在本实施例中，每一目标区域关联一采集单元，可将同一采集单元采集的第二图像进行标识，基于图像标识识别其对应的采集单元。在实际应用中，可通过数据传输网络将采集单元采集的第二图像上传至云端保存。
提取单元14，用于分别提取每个所述第二图像的扭曲数据。
其中，扭曲数据包括：线状图和雨水层。
考虑到天气主要分为：晴天、降雨、降雪、冰雹、雾霾和沙尘暴。在雾霾或沙尘暴的天气状态下采集的图像会产生模糊效果，而图像的主线条(如：道路边缘线条、楼宇建筑边缘线条)形状无明显变化；在降雪或冰雹的天气状态下采集的图像产生遮挡的噪声，使得主线条离散化；在晴天的天气状态下采集的图像画质以及主线条无明显变化；在降雨的天气状态下采集的图像，由于雨水的干扰会使光线发生折射，图像的主线条会产生扭曲与变形，且主线条为连续变化的。由此可知，降雪、冰雹、雾霾、沙尘暴及晴天的天气状态，无需计算降雨量。在本实施例中，可基于图像中的主线条是否扭曲变形鉴别当前天气是否降雨。
进一步地，提取单元14可包括：识别模块、填充模块、第一提取模块和第二提取模块。
识别模块，用于识别所述第二图像中是否包括动态目标。
在本实施例中，为了避免动态目标对后续计算降雨量的干扰，可通过图像识别技术识别第二图像中是否存在动态目标，若存在，则需去除动态目标；若不存在，则可提取扭曲数据。
需要说明的是，上述动态目标是指：行人、车辆等移动物体。
填充模块，当第二图像中包括动态目标时，用于去除所述第二图像中的动态目标，并对去除所述动态目标的区域进行填充，以得到第三图像。
在本实施例中，采用贝叶斯抠图算法对第二图像进行处理，提取其中的动态目标，可在抠图边缘进行模糊处理、羽化操作。在填充过程中，为了保证方向场的正确演变，可采用各向异性的扩散，以防止边界被抹平。先对进行图像分解，得到图像的结构、纹理和噪声，采用拉普拉斯算子(图像的光滑函数)进行图像填充。
第一提取模块，用于依次对所述第三图像进行锐化、变频及频谱分析以提取所述线状图。
图像中对象(建筑、道路等)的轮廓(边缘)和线条是图像中灰度的突变部分，包含丰富的空间高频分量。通过锐化处理补偿第三图像的轮廓，增加第三图像的边缘及灰度跳变的部分，使图像变得清晰。将经锐化处理后图像的域变化为频率域，进行频谱分析(频域分析)，在时间域线条是连续的，在频谱(频域)边缘处梯度是急剧变化的(突变)，根据频谱的变化情况提取线条，得到线状图。
第二提取模块，用于将所述第三图像与所述基准图像进行比对，以提取所述雨水层。
在本实施例中，由于基准图像为非降雨状态下的图像，因此，可将采集的第三图像与基准图像进行比对。对第三图像进行噪音过滤，从图像中提取雨水造成的噪音数据，以生成雨水层。
在本实施例中，还可通过深度卷积神经网络对雨水层进行提取，雨水在图像中呈点状或线状。
当第二图像中不包括动态目标时，第一提取模块，还用于依次对所述第二图像进行锐化、变频及频谱分析以提取所述线状图。
在本实施例中，通过锐化处理补偿第二图像的轮廓，增加第二图像的边缘及灰度跳变的部分，使图像变得清晰。将经锐化处理后图像的域变化为频率域，进行频谱分析，在时间域线条是连续的，在频谱边缘处梯度是急剧变化的，根据频谱的变化情况提取线条，得到线状图。
当第二图像中不包括动态目标时，第二提取模块还用于将所述第二图像与所述基准图像进行比对，以提取所述雨水层。
在本实施例中，由于基准图像为非降雨状态下的图像，因此，可将采集的第二图像与基准图像进行比对。对第二图像进行噪音过滤，从图像中提取雨水造成的噪音数据，以生成雨水层。
在本实施例中，还可通过深度卷积神经网络对雨水层进行提取，雨水在图像中呈点状或线状。
在优选的实施例中，在采用提取单元14提取每个所述第二图像的扭曲数据之前还可包括：采用防抖算法分别对各个所述第二图像进行校正，以得到校正后的第二图像。
在本实施例中，通过防抖算法去除因刮风造成的抖动。可通过多帧图像对比，检测抖动的大小与方向，对图像进行平移或旋转，获得稳定的图像。
在本实施例中，还可采用扩散抖动算法，该算法利用误差扩散实现抖动，从左到右、由上至下扫描图像的像素并将其逐个标准化(或二值化)，把像素标准化后产生的误差叠加到相邻像素上，不影响已经处理过的像素。如果某些像素向下取整，则下一个像素向上取整的可能性更大，这样使得平均量化误差最小。经过扩散抖动算法处理后的图像比较细腻、失真较小、细节丰富。
处理单元15，用于采用神经网络模型根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
在本实施例中，雨水层中的点状和线状的密集程度越高，降雨量越大；密集程度越低，降雨量越小。由于雨水会对光线产生折射，因而摄像头采集图像较基准图像扭曲程度越高，则降雨量越大；扭曲程度越小，则降雨量越小。神经网络模型通过提取线状图的特征以及雨水层的特征将提取的特征，以及提取基准图像的基准特征，将提取的特征与基准特征进行比对确定降雨量。通过神经网络模型计算出摄像头采集图像与基准图像相比较主要线条的扭曲程度与变形程度。
在优选的实施例中，降雨量监测装置1还可包括：
训练单元，用于采用样本集训练初始神经网络模型，以得到用于表示扭曲数据与降雨量的映射关系的所述神经网络模型。
所述样本集包括历史降雨量数据，以及每一历史降雨量数据对应的扭曲数据。
在本实施例中，神经网络模型用于表示扭曲数据与降雨量之间的对应关系。提取摄像头采集的历史图像数据中的历史扭曲数据，在训练阶段将历史扭曲数据和基准图像输出到初始神经网络模型中进行计算，根据计算结果和气象中心发布的历史降雨量数据计算损失值，反向传播梯度到神经网络的参数中，更新网络中的权重值，直至达到预设迭代次数，结束训练得到神经网络模型，采用神经网络模型可提高计算降雨量的精准度。在本实施例中神经网络模型可采用深度卷积神经网络模型。
在本实施例中，降雨量监测装置1可支持大范围部署，在初始阶段可通过预先安装于各个目标区域的采集单元，根据预设频率分别获取每一目标区域的多张第一图像，以便于计算各个目标区域的第一图像的指标平均值，生成与目标区域对应的基准图像；在监测阶段利用采集单元实时采集各个目标区域的第二图像，将第二图像的扭曲数据和基准图像输入神经网络模型计算目标区域的降雨量，从而达到实时精准获取各个目标区域降雨量的目的，以便于在降雨量急剧突变增大时，予以预警。
在优选的实施例中，降雨量监测装置1还可包括：
路径生成单元，用于根据各个所述目标区域的所述降雨量以及所有所述目标区域的路线图生成通行路径。
在本实施例中，将每一目标区域的降雨量与预设阈值区间进行匹配，若匹配，则表示降雨量在正常范围，行人、车辆可正常通行；若不匹配，则表示降雨量很大，该目标区域不适合通行，行人、车辆无法顺利通过需绕行。因此，可依据各个目标区域的降雨量的情况生成相应的通行路径，便于行人、车辆正常通行。
在一实施例中，降雨量监测装置1还可包括：
识别单元，用于将所述第二图像与所述基准图像进行比对，确定差异数据，识别所述差异数据对应的实际面积。
其中，差异数据为道路积水区域图像。
在本实施例中，还可通过道路积水识别模型对道路积水区域图像进行识别，以得到道路积水区域的实际面积及积水深度。
在本实施例中，可通过降雨量监测装置1实时对降雨量进行监控，对于降水量较大造成大量路面积水的情况，合理规划转移路径，保护人们的安全。
实施例三
为实现上述目的，本发明还提供一种计算机设备2，该计算机设备2包括多个计算机设备2，实施例二的降雨量监测装置1的组成部分可分散于不同的计算机设备2中，计算机设备2可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备2至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器23、网络接口22以及降雨量监测装置1(参考图4)。需要指出的是，图4仅示出了具有组件-的计算机设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，所述存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如实施例一的降雨量监测方法的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器23在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器23通常用于控制计算机设备2的总体操作例如执行与所述计算机设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器23用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的降雨量监测装置1等。
所述网络接口22可包括无线网络接口或有线网络接口，该网络接口22通常用于在所述计算机设备2与其他计算机设备2之间建立通信连接。例如，所述网络接口22用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图4仅示出了具有部件21-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器21中的所述降雨量监测装置1还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器23)所执行，以完成本发明。
实施例四
为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器23执行时实现相应功能。本实施例的计算机可读存储介质用于存储降雨量监测装置1，被处理器23执行时实现实施例一的降雨量监测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种降雨量监测方法，其特征在于，包括：初始阶段和监测阶段；
在初始阶段，获取每个目标区域的预设数目张第一图像，根据每一所述目标区域的预设数目张所述第一图像计算指标平均值以生成基准图像，每一所述目标区域对应一张所述基准图像；
在监测阶段，获取各个所述目标区域的第二图像，分别提取每个所述第二图像的扭曲数据，根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
2.根据权利要求1所述的降雨量监测方法，其特征在于，所述在初始阶段，获取每个目标区域的预设数目张第一图像，根据每一所述目标区域的预设数目张所述第一图像计算指标平均值以生成基准图像，包括：
在初始阶段通过预先安装于各个所述目标区域的采集单元，根据预设频率分别采集每一目标区域的预设数目张第一图像，分别计算每一所述目标区域的预设数目张所述第一图像的指标平均值；
根据所述指标平均值生成基准图像。
3.根据权利要求2所述的降雨量监测方法，其特征在于，所述指标平均值包括：亮度平均值、灰度平均值、RGB平均值和对比度平均值；
所述根据所述指标平均值生成基准图像，包括：
基于所述第一图像根据所述亮度平均值、所述灰度平均值、所述RGB平均值和所述对比度平均值生成所述基准图像。
4.根据权利要求2所述的降雨量监测方法，其特征在于，所述在监测阶段，获取各个所述目标区域的第二图像，分别提取每个所述第二图像的扭曲数据，根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量，包括：
在监测阶段获取通过所述采集单元对各个目标区域采集的第二图像；
分别提取每个所述第二图像的扭曲数据；
采用神经网络模型根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
5.根据权利要求4所述的降雨量监测方法，其特征在于，所述分别提取每个所述第二图像的扭曲数据，之前还包括：
采用防抖算法分别对各个所述第二图像进行校正，以得到校正后的第二图像。
6.根据权利要求4所述的降雨量监测方法，其特征在于，所述扭曲数据包括线状图和雨水层；
提取所述第二图像的扭曲数据，包括：
识别所述第二图像中是否包括动态目标；
若所述第二图像中包括动态目标，去除所述第二图像中的动态目标，并对去除所述动态目标的区域进行填充，以得到第三图像；
依次对所述第三图像进行锐化、变频及频谱分析以提取所述线状图；
将所述第三图像与所述基准图像进行比对，以提取所述雨水层。
7.根据权利要求6所述的降雨量监测方法，其特征在于，还包括：
若所述第二图像中不包括动态目标，依次对所述第二图像进行锐化、变频及频谱分析以提取所述线状图；
将所述第二图像与所述基准图像进行比对，以提取所述雨水层。
8.一种降雨量监测装置，其特征在于，包括：
生成组件，用于在初始阶段，获取每个目标区域的预设数目张第一图像，根据每一所述目标区域的预设数目张所述第一图像计算指标平均值以生成基准图像，每一所述目标区域对应一张所述基准图像；
监测组件，用于在监测阶段，获取各个所述目标区域的第二图像，分别提取每个所述第二图像的扭曲数据，根据各个目标区域的所述基准图像和所述第二图像的所述扭曲数据分别计算每个所述目标区域的降雨量。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、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，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111265952.2A CN113963314A (zh) | 2021-10-28 | 2021-10-28 | 降雨量监测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111265952.2A CN113963314A (zh) | 2021-10-28 | 2021-10-28 | 降雨量监测方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113963314A true CN113963314A (zh) | 2022-01-21 |
Family
ID=79468147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111265952.2A Pending CN113963314A (zh) | 2021-10-28 | 2021-10-28 | 降雨量监测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113963314A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782561A (zh) * | 2022-06-17 | 2022-07-22 | 山东浩坤润土水利设备有限公司 | 基于大数据的智慧农业云平台监控系统 |
| CN114863275A (zh) * | 2022-04-27 | 2022-08-05 | 北京良安科技有限公司 | 一种用于粮仓的三维建图方法、系统、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10124653A (ja) * | 1996-10-15 | 1998-05-15 | Nagoya Denki Kogyo Kk | 降雨雪検出方法およびその装置 |
| CN110018529A (zh) * | 2019-02-22 | 2019-07-16 | 南方科技大学 | 降雨测量方法、装置、计算机设备和存储介质 |
| CN110503613A (zh) * | 2019-08-13 | 2019-11-26 | 电子科技大学 | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 |
| CN111145112A (zh) * | 2019-12-18 | 2020-05-12 | 华东师范大学 | 一种基于残差对抗细化网络的两阶段图像去雨方法及系统 |
| CN111932519A (zh) * | 2020-08-12 | 2020-11-13 | 上海眼控科技股份有限公司 | 天气预测方法、装置、计算机设备和存储介质 |
| US20210278564A1 (en) * | 2020-03-05 | 2021-09-09 | International Business Machines Corporation | Dynamic flood risk data management |
| CN113379630A (zh) * | 2021-06-09 | 2021-09-10 | 南京气象科技创新研究院 | 一种基于图像识别算法的降水检验方法 |
-
2021
- 2021-10-28 CN CN202111265952.2A patent/CN113963314A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10124653A (ja) * | 1996-10-15 | 1998-05-15 | Nagoya Denki Kogyo Kk | 降雨雪検出方法およびその装置 |
| CN110018529A (zh) * | 2019-02-22 | 2019-07-16 | 南方科技大学 | 降雨测量方法、装置、计算机设备和存储介质 |
| CN110503613A (zh) * | 2019-08-13 | 2019-11-26 | 电子科技大学 | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 |
| CN111145112A (zh) * | 2019-12-18 | 2020-05-12 | 华东师范大学 | 一种基于残差对抗细化网络的两阶段图像去雨方法及系统 |
| US20210278564A1 (en) * | 2020-03-05 | 2021-09-09 | International Business Machines Corporation | Dynamic flood risk data management |
| CN111932519A (zh) * | 2020-08-12 | 2020-11-13 | 上海眼控科技股份有限公司 | 天气预测方法、装置、计算机设备和存储介质 |
| CN113379630A (zh) * | 2021-06-09 | 2021-09-10 | 南京气象科技创新研究院 | 一种基于图像识别算法的降水检验方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863275A (zh) * | 2022-04-27 | 2022-08-05 | 北京良安科技有限公司 | 一种用于粮仓的三维建图方法、系统、设备及存储介质 |
| CN114863275B (zh) * | 2022-04-27 | 2022-12-09 | 北京良安科技有限公司 | 一种用于粮仓的三维建图方法、系统、设备及存储介质 |
| CN114782561A (zh) * | 2022-06-17 | 2022-07-22 | 山东浩坤润土水利设备有限公司 | 基于大数据的智慧农业云平台监控系统 |
| CN114782561B (zh) * | 2022-06-17 | 2022-09-13 | 山东浩坤润土水利设备有限公司 | 基于大数据的智慧农业云平台监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11687768B2 (en) | Platform, systems, and methods for identifying characteristics and conditions of property features through imagery analysis | |
| EP3408828B1 (en) | Systems and methods for detecting imaged clouds | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| CN111862013B (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
| CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
| CN112669301B (zh) | 一种高铁底板脱漆故障检测方法 | |
| CN114299457A (zh) | 积水深度检测方法及装置 | |
| CN113970734B (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
| CN114187505A (zh) | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 | |
| CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
| CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
| CN111369178A (zh) | 一种基于生态大数据的矿区生态修复指导系统 | |
| CN117409083B (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
| CN117808708A (zh) | 云雾遥感影像的处理方法、装置、设备和介质 | |
| CN113870224A (zh) | 一种洪水监测方法、系统、设备和介质 | |
| CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 | |
| CN113793373B (zh) | 一种能见度检测方法、装置、设备及介质 | |
| CN113450385B (zh) | 一种夜间工作工程机械视觉跟踪方法、装置及存储介质 | |
| CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
| CN112508986B (zh) | 一种基于深度卷积网络与随机场的水位测量方法 | |
| CN111339864B (zh) | 异常行为报警方法和装置 | |
| 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 | |
| CN114581365B (zh) | 一种螺栓检测模型构建及螺栓松动检测方法 | |
| CN118230510B (zh) | 一种基于图像识别的岩石工程地质灾害预警方法 | |
| CN116402807A (zh) | 边坡裂纹状态预测方法、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 |