CN114255574A - 淹水警示方法 - Google Patents
淹水警示方法 Download PDFInfo
- Publication number
- CN114255574A CN114255574A CN202010951973.9A CN202010951973A CN114255574A CN 114255574 A CN114255574 A CN 114255574A CN 202010951973 A CN202010951973 A CN 202010951973A CN 114255574 A CN114255574 A CN 114255574A
- Authority
- CN
- China
- Prior art keywords
- processor
- warning
- value
- area
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 102
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 68
- 238000009825 accumulation Methods 0.000 claims description 26
- 238000013179 statistical model Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 241000521257 Hydrops Species 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/20—Status alarms responsive to moisture
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- 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)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Alarm Systems (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种淹水警示方法,适用于侦测场域,淹水警示方法包含:以摄像机拍摄侦测场域以取得关联于侦测场域的原始影像,其中原始影像包含预设侦测区域,以处理器对原始影像执行影像处理程序以取得处理后影像,且将预设侦测区域重叠于处理后影像,以处理器计算处理后影像的积水区域与预设侦测区域重叠的比例值,以处理器判断比例值是否落入警示值域,以及当判断比例值落入警示值域时,以处理器输出警示通知。
Description
技术领域
本发明关于一种淹水警示方法,特别关于一种可以判定关注区域是否有淹水或积水的状况,并据以发出警示通知的淹水警示方法。
背景技术
为了避免因淹水造成的财产受损或人员伤亡,不论是路面或是河边、湖边等邻近水源的区域多设有水位侦测系统,以在侦测到水位过高时可以迅速地发出警示通知到相关单位,以降低淹水造成的损害。
目前的水位侦测器的原理为,当侦测器内的电极接触到液体时,会透过接触到的液体形成封闭回路,并依据流通的电流检测其水位。因此,在判断是否有淹水状况时,可以通过判断电极间的阻抗值,并依据该阻抗值是否高于或低于域设的阻抗值来判断该场域是否有积水或淹水的状况。
然而,通过水位侦测器侦测淹水状况,除了电极部位可能因交替暴露在艳阳及雨天的情况下而产生腐蚀的状况,不仅会因替换侦测器而产生过高的耗材成本,且在耗损的侦测器尚未被替换的情况下,更可能使得侦测器的侦测准确度下降。此外,一个场域常需要装设多个水位侦测器才能较全面地检测该场域的淹水状况,然即使装设多个水位侦测器仍无法确定该些水位侦测器装设在容易淹水的地点,导致侦测结果不够精确。
发明内容
鉴于上述,本发明提供一种以满足上述需求的淹水警示方法。
依据本发明一实施例的淹水警示方法,适用于一侦测场域,该方法包含:以一摄像机拍摄该侦测场域以取得关联于该侦测场域的一原始影像,其中该原始影像包含一预设侦测区域;以一处理器对该原始影像执行一影像处理程序以取得一处理后影像,且将该预设侦测区域重叠于该处理后影像;以该处理器计算该处理后影像的一积水区域与该预设侦测区域重叠的一比例值;以该处理器判断该比例值是否落入一警示值域;以及当判断该比例值落入该警示值域时,以该处理器输出一警示通知。
依据本发明一实施例的淹水警示方法,适用于一侦测场域,该方法包含:以一摄像机拍摄该侦测场域以取得关联于该侦测场域的一原始影像,其中该原始影像包含多个关键点;以一处理器对该原始影像执行一影像处理程序以取得一处理后影像,且将该些关键点重叠于该处理后影像;以该处理器计算一水位估算值,该水位估算值关联于该处理后影像的该些关键点之中涵盖于一积水区域内的关键点;以该处理器判断该水位估算值是否落入一警示值域;以及当判断该水位估算值落入该警示值域时,以该处理器输出一警示通知。
综上所述,依据本发明一或多个实施例所示的淹水警示方法,可以即时地侦测各个案场的积水或淹水状况,且相较于现有的水位侦测器,本发明所示的淹水警示方法不会因天气交替变换而导致侦测装置受损,甚至影响到侦测准确度的问题。并且,依据本发明一或多个实施例所示的淹水警示方法,可以在不需耗费高额成本装设多个侦测装置的情况下,仍可有效地判断该区域的积水或淹水状况。此外,依据本发明一或多个实施例所示的淹水警示方法,不仅可以针对每个侦测区域有对应的侦测标准,更可以适时地更新侦测标准,以使判断是否淹水的结果可以更准确。且若预先规划的侦测区域不利于观察该区域的积水或淹水状况,通过本发明的淹水警示方法更可以重新划分侦测区域,而不需人工前往侦测区域的地点替换侦测装置的设置位置。
上述关于本发明所公开内容的说明及以下实施方式的说明用以示范与解释本发明的精神与原理,并且提供本发明的权利要求更进一步的解释。
附图说明
图1为依据本发明一实施例所绘示的淹水警示方法的流程图。
图2A及2B为所绘示即时影像及处理后影像的示意图。
图3为图1的步骤S30的细部流程图。
图4为依据本发明另一实施例所绘示的淹水警示方法的流程图。
图5为依据本发明另一实施例所绘示的统计模型的示例图。
图6为依据本发明又一实施例所绘示的淹水警示方法的流程图。
图7A及7B为绘示即时影像及处理后影像的示意图。
其中,附图标记:
DA 预设侦测区域
PA 积水区域
KP 关键点
CI 指定信赖区间
V 比例值
Warn 警示值域
具体实施方式
以下在实施方式中详细叙述本发明的详细特征以及优点,其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施,且根据本说明书所揭露的内容、权利要求及说明书附图,任何本领域技术人员可轻易地理解本发明相关的目的及优点。以下的实施例进一步详细说明本发明的观点,但非以任何观点限制本发明的范畴。
本发明所示的淹水警示方法适用于例如为路面、海港、水库、河川、沟渠等侦测场域,且每一侦测场域较佳具有设置于路灯、交通号志灯等的路侧装置的一摄像机以及一处理器,以基于该摄像机拍摄得的影像执行淹水警示方法。
请一并参考图1以及图2A及2B,其中图1为依据本发明一实施例所绘示的淹水警示方法的流程图;图2A及图2B为依据本发明一实施例所绘示的即时影像及处理后影像的示意图。
步骤S10:拍摄侦测场域以取得关联于侦测场域的原始影像,其中该原始影像包含一预设侦测区域。
以图2A为例,图2A为即为摄像机所拍得的原始影像,而原始影像中的道路区域则为侦测场域,并且原始影像更包含预设侦测区域DA。换言之,在基于原始影像侦测该侦测场域的水位之前,可以先设定对应该侦测场域的一或多个感兴趣区域(region of interest,ROI),并且所述的感兴趣区域即可作为预设侦测区域DA。
步骤S20:对原始影像执行影像处理程序以取得处理后影像,且将预设侦测区域重叠于处理后影像。
处理器可以基于预先取得的先前原始影像以及先前处理后影像对一人工智能模型进行训练,以使训练后的人工智能模型能够对原始影像进行影像处理程序以输出处理后影像。据此,训练后的人工智能模型即可在后续收到即时的原始影像时,可以逐像素(pixelwise)的方式对收到的原始影像执行影像处理程序以输出对应的处理后影像。此述的人工智能模型例如包含卷积类神经网络(convolutional neural network,CNN)、递归类神经网络(recurrent neural network,RNN),或两者的组合,本发明不对人工智能模型的类型予以限制。
换言之,经过影像处理程序后的原始影像可以成为如图2B所示的处理后影像,预设侦测区域DA可以重叠于该处理后影像。也就是说,处理器执行影像处理程序以辨识出原始影像中是否包含积水区域,并且若原始影像中包含积水区域,则在处理后影像中则会包含如图2B所示的积水区域PA(即图2B中所示的白色区块)。需特别注意的是,此述的积水区域仅为示例,处理器执行影像处理程序除了判定影像中是否有积水区域之外,更可以通过辨识路面是否干燥或潮湿、或车辆经过时产生水花与否等方式,判定积水的程度。
步骤S30:计算处理后影像的积水区域与预设侦测区域重叠的比例值。
亦即,因预设侦测区域DA重叠于处理后影像,故当处理后影像中包含积水区域PA时,则积水区域PA可以与处理后影像中的预设侦测区域DA重叠。藉此,处理器可以计算积水区域PA与预设侦测区域DA重叠的比例以取得一比例值。
步骤S40:判断比例值是否落入警示值域。
警示值域最好作为判断积水是否达淹水或危险标准的依据,因此,当积水区域PA与预设侦测区域DA重叠的比例值落入警示值域时,则表示侦测场域中的预设侦测区域DA已达淹水或可能淹水的程度,其中警示值域例如是大于等于50%的值域,然本发明不对警示值域的实际数值予以限制。
步骤S50:输出警示通知。
亦即,当处理器于步骤S40判断比例值落入警示值域时,处理器即可输出警示通知至相关单位,其中警示通知除了包含淹水通知之外,较佳还包含该侦测场域的位置资讯。
请回到步骤S40,当于步骤S40判断比例值未落入警示值域时,表示积水区域PA未与侦测区域DA重叠,或是积水区域PA与侦测区域DA重叠的比例未达危险或警示程度,故处理器可以执行步骤S60结束方法,或是回到步骤S10再持续取得侦测场域的即时的原始影像,并再持续基于取得的原始影像判断侦测场域的侦测区域DA的积水状况。
此外,处理器较佳为一边缘运算装置(edge computing device),因此边缘运算装置较佳可以将警示通知输出至相关单位的云端服务器,边缘运算装置亦可以是将处理后影像输出至云端服务器,并由云端服务器计算处理后影像的积水区域与预设侦测区域重叠的比例值。换言之,边缘运算装置可以是将处理后影像输出至云端服务器,以由云端服务器基于处理后影像判断预设侦测区域的积水状况;边缘运算装置亦可以是基于处理后影像判断预设侦测区域的积水状况,且于判断比例值落入警示值域时再输出警示通至云端服务器,本发明不以此为限。
且,实现为边缘运算装置的处理器可以被密封在箱中(例如,路灯控制箱)并设置在远离地面的位置,因此当天气环境恶劣时,密封在箱中的处理器仍可以正常运作而不受到损害。通过将处理器以边缘运算装置的方式实现,可以避免为了将多帧即时影像传输至云端服务器而占用过多的传输量,以及避免云端服务器承载过多的运算量。
请参考图3,图3为绘示图1的步骤S30的细部流程图。在取得处理后影像并将预设侦测区域重叠于处理后影像(图1的步骤S20)之后,处理器可以执行步骤S30的子步骤S301、S303及S305,以较精准地划分出处理后影像中的积水区域。
步骤S301:判断对应于多个原始影像的多个处理后影像中的多个初估区域。
有鉴于侦测场域例如是车辆往来频繁的道路,因此若处理器仅基于一帧原始影像进行侦测,可能会因车辆等物件刚好位于原始影像中的积水区块而导致处理后影像中的积水区域失准。
因此,处理器取得的原始影像较佳是连续的多帧影像(例如,5~6帧的影像)或是在一间隔时段内依序取得的多帧影像,而在对该些原始影像执行影像处理程序之后即可取得多个处理后影像。并且,若该些原始影像具有如图2A所示的积水的区块时,则该些原始影像中的积水的区块在经过影像处理程序后即可作为所述的多个初估区域。
步骤S303:以该些初估区域的联集区域作为积水区域。
处理器可以将在步骤S301所取得的该些初估区域进行联集以取得联集区域,并以该联集区域作为积水区域,以精确地取得积水区域。
举例而言,若在取得多帧的原始影像时有交通物件经过一或多个该些初估区域,则可能会使得初估区域的一部份被经过的交通物件遮蔽,因此处理器可以基于该些初估区域取得联集区域,并以联集区域作为积水区域,以取得精准的积水区域。
步骤S305:计算积水区域与预设侦测区域之间的重叠比例以取得比例值。
在取得积水区域后,处理器即可计算积水区域与预设侦测区域之间的重叠比例,据以取得用以判断积水是否达警示状态的比例值。
请参考图4并搭配参考图5,其中图4为依据本发明另一实施例所绘示的淹水警示方法的流程图,而图5为依据本发明另一实施例所绘示的统计模型的示例图。图4所示的步骤S01、S03以及S05最好执行于图1的步骤S10之前,以在实际对侦测场域进行积水侦测前,先建立对应于该侦测场域的统计模型,以取得适于该侦测场域的警示值域。
在以摄像机拍摄侦测场域以取得关联于该侦测场域的原始影像(步骤S10)之前,处理器更可以先执行步骤S01:取得关联于侦测场域的多个先前处理后影像的多个建模比例值。
换言之,摄像机可以预先拍摄侦测场域持续一段时间,以取得关联于该侦测场域的多个原始影像,处理器即可对该些原始影像执行影像分析程序以取得所述的多个先前处理后影像。
并且,处理器可以将预设侦测区域重叠于该些先前处理后影像,并执行如前述步骤S30的内容,以计算出每一该些先前处理后影像中的积水区域与预设侦测区域重叠的比例值,并以该些比例值作为该些建模比例值。
步骤S03:基于该些先前处理后影像的数量以及该些建模比例值建立统计模型。
换言之,处理器可以基于该些先前处理后影像的数量以及该些建模比例值建立如图5所示的高斯分布图以作为该统计模型,并且以先前处理后影像的数量作为高斯分布图的纵轴(影像数量);以建模比例值作为高斯分布图的横轴(比例值)。藉此,建立出来的统计模型可以较符合侦测场域的实际状况。然此述的高斯分布图以及其纵轴、横轴的设定仅为示例,本发明不对统计模型的实现方式予以限制。
步骤S05:以统计模型的指定信赖区间的上限值作为警示值域的下限值。
亦即,统计模型可以具有指定信赖区间CI,因此处理器即可以指定信赖区间CI的上限值对应到的统计模型的比例值作为警示值域Warn的下限值V。举例而言,图5所示的统计模型的指定信赖区间CI例如为95%以内的区间,而若95%的指定信赖区间CI的上限值对应到为50%的比例值V,则处理器可以将50%的比例值V(即取指定信赖区间CI的上限值对应到统计模型的横轴的值为比例值V)作为警示值域Warn的下限值。因此,若后续在步骤S30所计算得的比例值高于50%,则可以判断此比例值已落入警示值域Warn,并据此输出警示通知。
并且,在实际侦测时,不论计算出的比例值为何,该比例值皆可用以更新统计模型,以使统计模型及依据指定信赖区间所得的警示值域可以更符合侦测场域的当前或常态状况。举例而言,在经常下雨的一个侦测场域中,若对应该侦测场域的一预设侦测区域的比例值常态性地较高,则统计而得的指定信赖区间的上限值可能也较高,故对应该预设侦测区域的警示值域的下限值可能也较高,以避免误发警示通知。
此外,若预设侦测区域内有暂时性的异常状况时(例如,因施工而造成的暂时性积水),则通过更新统计模型亦可以避免因该暂时性的异常状况而不断地发出警示通知。
请一并参考图6及图7A及7B,其中图6为依据本发明另一实施例所绘示的淹水警示方法的流程图;图7A及7B为依据本发明一实施例所绘示的即时影像及处理后影像的示意图。
图6所示的步骤S10’、S50’及S60’的实现方式相同于图1所示的步骤S10、S50及S60,故相同之处不再于此赘述,惟不同处在于图6所示的淹水警示方法的步骤S20’、S30’及S40’不同于图1的步骤S20、S30及S40。
根据图6,在取得原始影像(步骤S10’)后,处理器可以接着执行步骤S20’:对原始影像执行影像处理程序以取得处理后影像,且将多个关键点重叠于处理后影像。
如图7A所示,原始影像可以包含多个关键点KP,因此在取得如图7B所示的处理后影像之后,处理器可以将该些关键点KP重叠到如图7B所示的处理后影像。
步骤S30’:计算关联于处理后影像中的关键点的水位估算值。
所述的水位估算值关联于处理后影像的该些关键点之中涵盖于积水区域内的关键点。详言之,水位估算值例如为该积水区域所涵盖该些关键点的数量对该些关键点的总数的比例值,以图7B为例,因积水区域PA未涵盖任何一个关键点KP,故于步骤S30’所计算出的水位估算值为0。在未绘示的另一实施例中,若另一处理后影像的关键点KP总数为16个,且该另一处理后影像中的积水区域PA涵盖4个关键点KP,则对应该另一处理后影像的水位估算值即为25%。
在未绘示的又一实施例中,每一关键点KP可以具有不同的权重值,例如较靠近道路的关键点KP可以具有大于1的权重值,而距离道路较远的其他关键点KP则可以具有等于1或小于1的权重值,因此当积水区域PA涵盖具有大于1的权重值的关键点KP时,水位估算值即会适应性地增加。据此,通过对不同位置的关键点KP设定不同的权重值,可以强化侦测场域中重点区域的监控。
此外,相似于图3所示的步骤S30的子步骤,图6的步骤S30’中取得水位估算值的方式亦可以是先判断多个处理后影像中的多个初估区域,并以该些初估区域的联集区域作为积水区域,再计算积水区域所涵盖该些关键点的数量,并以积水区域所涵盖关键点的数量对该些关键点的总数的比例值作为水位估算值。
在计算出水位估算值后,处理器即可执行图6的步骤S40’以判断水位估算值是否落入警示值域,并于判断水位估算值落入警示值域时执行步骤S50’输出警示通知;于判断水位估算值未落入警示值域时执行步骤S60’结束方法。
此外,请回到步骤S10’,在取得原始影像之前,处理器可以执行如图4所示的步骤S01、S03及S05以基于建模比例值建立对应该侦测区域的统计模型,其中需特别注意的是,处理器取得用于图6的实施例的建模比例值基于关键点KP的数量所取得,也就是说,图6的实施例的建模比例值为该些先前处理后影像中的积水区域所涵盖的关键点KP数量,对该些先前处理后影像中的关键点KP的总数的比例,其中建模比例值亦可以基于具有不同权重值的关键点KP所计算出的比例值所取得。
并且,于步骤S30’取得的水位估算值可以用于更新该统计模型,以使统计模型可以符合侦测场域的当前状况。
综上所述,依据本发明一或多个实施例所示的淹水警示方法,可以即时地侦测各个案场的积水或淹水状况,且相较于现有的水位侦测器,本发明所示的淹水警示方法不会因天气交替变换而导致侦测装置受损,甚至影响到侦测准确度的问题。并且,依据本发明一或多个实施例所示的淹水警示方法,可以在不需耗费高额成本装设多个侦测装置的情况下,仍可有效地判断该区域的积水或淹水状况。此外,依据本发明一或多个实施例所示的淹水警示方法,不仅可以针对每个侦测区域有对应的侦测标准,更可以适时地更新侦测标准,以使判断是否淹水的结果可以更准确。且若预先规划的侦测区域不利于观察该区域的积水或淹水状况,通过本发明的淹水警示方法更可以重新划分侦测区域,而不需人工前往侦测区域的地点替换侦测装置的设置位置。
Claims (10)
1.一种淹水警示方法,适用于一侦测场域,其特征在于,该方法包含:
以一摄像机拍摄该侦测场域以取得关联于该侦测场域的一原始影像,其中该原始影像包含一预设侦测区域;
以一处理器对该原始影像执行一影像处理程序以取得一处理后影像,且将该预设侦测区域重叠于该处理后影像;
以该处理器计算该处理后影像的一积水区域与该预设侦测区域重叠的一比例值;
以该处理器判断该比例值是否落入一警示值域;以及
当判断该比例值落入该警示值域时,以该处理器输出一警示通知。
2.如权利要求1所述的淹水警示方法,其特征在于,在以该摄像机拍摄该侦测场域以取得关联于该侦测场域的该原始影像之前,该方法更包含:
取得关联于该侦测场域的多个先前处理后影像的多个建模比例值;
以该处理器基于该些先前处理后影像的数量以及该些建模比例值建立一统计模型;以及
以该统计模型的一指定信赖区间的一上限值作为该警示值域的下限值。
3.如权利要求2所述的淹水警示方法,其特征在于,在计算出该处理后影像中的该积水区域涵盖该预设侦测区域的该比例值后,该方法更包含:
以该比例值更新该统计模型。
4.如权利要求1所述的淹水警示方法,其特征在于,该处理器为一边缘运算装置,以该处理器输出该警示通知包含:
以该边缘运算装置输出该警示通知至一云端服务器。
5.如权利要求1所述的淹水警示方法,其特征在于,以该处理器计算该处理后影像的该积水区域与该预设侦测区域重叠的该比例值包含:
以该处理器判断对应于多个原始影像的多个处理后影像中的多个初估区域;
以该些初估区域的一联集区域作为该积水区域;以及
以该处理器计算该积水区域与该预设侦测区域之间的重叠比例以取得该比例值。
6.一种淹水警示方法,适用于一侦测场域,其特征在于,该方法包含:
以一摄像机拍摄该侦测场域以取得关联于该侦测场域的一原始影像,其中该原始影像包含多个关键点;
以一处理器对该原始影像执行一影像处理程序以取得一处理后影像,且将该些关键点重叠于该处理后影像;
以该处理器计算一水位估算值,该水位估算值关联于该处理后影像的该些关键点之中涵盖于一积水区域内的关键点;
以该处理器判断该水位估算值是否落入一警示值域;以及
当判断该水位估算值落入该警示值域时,以该处理器输出一警示通知。
7.如权利要求6所述的淹水警示方法,其特征在于,在以该摄像机拍摄该侦测场域以取得关联于该侦测场域的该原始影像之前,该方法更包含:
取得关联于该侦测场域的多个先前处理后影像的多个建模比例值;
以该处理器基于该些先前处理后影像的数量以及该些建模比例值建立一统计模型;以及
以该统计模型的一指定信赖区间的一上限值作为该警示值域的下限值。
8.如权利要求7所述的淹水警示方法,其特征在于,在计算出该水位估算值后,该方法更包含:
以该水位估算更新该统计模型。
9.如权利要求6所述的淹水警示方法,其特征在于,该处理器为一边缘运算装置,以该处理器输出该警示通知包含:
以该边缘运算装置输出该警示通知至一云端服务器。
10.如权利要求6所述的淹水警示方法,其特征在于,以该处理器计算出该水位估算值包含:
以该处理器判断对应于多个原始影像的多个处理后影像中的多个初估区域;
以该些初估区域的一联集区域作为该积水区域;以及
以该处理器计算该积水区域所涵盖该些关键点的数量,并以该积水区域所涵盖该些关键点的数量对该些关键点的总数的比例值作为该水位估算值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010951973.9A CN114255574B (zh) | 2020-09-11 | 2020-09-11 | 淹水警示方法 |
US17/114,790 US11842617B2 (en) | 2020-09-11 | 2020-12-08 | Flood warning method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010951973.9A CN114255574B (zh) | 2020-09-11 | 2020-09-11 | 淹水警示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114255574A true CN114255574A (zh) | 2022-03-29 |
CN114255574B CN114255574B (zh) | 2024-08-16 |
Family
ID=80626944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010951973.9A Active CN114255574B (zh) | 2020-09-11 | 2020-09-11 | 淹水警示方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11842617B2 (zh) |
CN (1) | CN114255574B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115574898B (zh) * | 2022-09-30 | 2024-06-14 | 江苏移动信息系统集成有限公司 | 一种基于5g边缘计算的水利感知系统 |
CN116430820B (zh) * | 2023-06-14 | 2023-08-25 | 四川磊蒙机械设备有限公司 | 一种智能制造生产线安全监控系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571952A (zh) * | 2009-06-18 | 2009-11-04 | 北京航空航天大学 | 一种基于定时段区域补偿的视频对象分割方法 |
TW201430318A (zh) * | 2013-01-29 | 2014-08-01 | Univ Ishou | 水位監控方法 |
EP2875316A1 (fr) * | 2012-07-19 | 2015-05-27 | Université de Savoie | Procede de determination de parametres d'observation d'une surface d'eau par imagerie |
US20170193305A1 (en) * | 2014-06-16 | 2017-07-06 | Agt International Gmbh | Flash flooding detection system |
CN108318101A (zh) * | 2017-12-26 | 2018-07-24 | 北京市水利自动化研究所 | 基于深度学习算法的水尺水位视频智能监测方法及系统 |
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 |
WO2019107528A1 (ja) * | 2017-12-01 | 2019-06-06 | 日本電気株式会社 | 河川危険度判定装置、河川危険度判定方法、記憶媒体 |
KR20200012373A (ko) * | 2018-07-27 | 2020-02-05 | 박준혁 | 영상 처리에 기초한 수위 산출 장치 및 방법 |
CN110909640A (zh) * | 2019-11-11 | 2020-03-24 | 浙江大华技术股份有限公司 | 水位线的确定方法及装置、存储介质、电子装置 |
CN111144254A (zh) * | 2019-12-18 | 2020-05-12 | 江河瑞通(北京)技术有限公司 | 城市内涝积水程度识别方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2257598B (en) * | 1991-07-12 | 1994-11-30 | Hochiki Co | Surveillance monitor system using image processing |
US7526105B2 (en) * | 2006-03-29 | 2009-04-28 | Mark Dronge | Security alarm system |
KR20120058770A (ko) * | 2010-11-30 | 2012-06-08 | 한국전자통신연구원 | 지능형 감시 시스템에서의 이벤트 정보 생성 장치 및 그 방법과 이벤트 정보 검색 장치 및 그 방법 |
US10467891B1 (en) * | 2017-05-10 | 2019-11-05 | Alarm.Com Incorporated | Method for allowing drone activity to modify event detection by a monitoring system |
US10506202B2 (en) * | 2017-11-20 | 2019-12-10 | Cisco Technology, Inc. | System and method for protecting critical data on camera systems from physical attack |
US11017649B1 (en) * | 2020-08-24 | 2021-05-25 | Climax Technology Co., Ltd. | Dynamic alarm priority system and method |
-
2020
- 2020-09-11 CN CN202010951973.9A patent/CN114255574B/zh active Active
- 2020-12-08 US US17/114,790 patent/US11842617B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571952A (zh) * | 2009-06-18 | 2009-11-04 | 北京航空航天大学 | 一种基于定时段区域补偿的视频对象分割方法 |
EP2875316A1 (fr) * | 2012-07-19 | 2015-05-27 | Université de Savoie | Procede de determination de parametres d'observation d'une surface d'eau par imagerie |
TW201430318A (zh) * | 2013-01-29 | 2014-08-01 | Univ Ishou | 水位監控方法 |
US20170193305A1 (en) * | 2014-06-16 | 2017-07-06 | Agt International Gmbh | Flash flooding detection system |
WO2019107528A1 (ja) * | 2017-12-01 | 2019-06-06 | 日本電気株式会社 | 河川危険度判定装置、河川危険度判定方法、記憶媒体 |
CN108318101A (zh) * | 2017-12-26 | 2018-07-24 | 北京市水利自动化研究所 | 基于深度学习算法的水尺水位视频智能监测方法及系统 |
KR20200012373A (ko) * | 2018-07-27 | 2020-02-05 | 박준혁 | 영상 처리에 기초한 수위 산출 장치 및 방법 |
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 |
CN110909640A (zh) * | 2019-11-11 | 2020-03-24 | 浙江大华技术股份有限公司 | 水位线的确定方法及装置、存储介质、电子装置 |
CN111144254A (zh) * | 2019-12-18 | 2020-05-12 | 江河瑞通(北京)技术有限公司 | 城市内涝积水程度识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
薛丰昌;宋肖依;唐步兴;朱一晗;王伟;: "视频监控的城市内涝监测预警", 测绘科学, no. 08, 1 February 2018 (2018-02-01), pages 50 - 55 * |
Also Published As
Publication number | Publication date |
---|---|
US11842617B2 (en) | 2023-12-12 |
CN114255574B (zh) | 2024-08-16 |
US20220084385A1 (en) | 2022-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114255574A (zh) | 淹水警示方法 | |
US11605158B2 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
JP7305965B2 (ja) | ビデオ監視システムのパラメータ設定方法、装置及びビデオ監視システム | |
KR101949155B1 (ko) | 도로 침수 감시 cctv 및 방법, 및 도로 침수 감시 cctv를 포함하는 도로 침수 감시 시스템 | |
CN105554494B (zh) | 雪点图像检测方法和装置以及视频质量检测装置和系统 | |
CN115186943A (zh) | 一种城市排水内涝预测建模方法、系统、电子设备 | |
CN112800846A (zh) | 高空抛物的监测方法、装置、电子设备及存储介质 | |
CN116989679A (zh) | 一种基于图像处理的高速公路高边坡位移集成监测方法 | |
EP3665512B1 (en) | Real-time computation of an atmospheric precipitation rate from a digital image of an environment where an atmospheric precipitation is taking place | |
CN114792405A (zh) | 一种架空线路防异物入侵监测方法 | |
KR102368350B1 (ko) | 실시간 도로 침수 모니터링 장치 및 방법 | |
KR102533185B1 (ko) | Cctv 카메라 영상을 이용한 하천 종합 안전관리 장치 | |
TWI465699B (zh) | 水位量測方法 | |
CN117152617A (zh) | 一种城市洪涝识别方法及系统 | |
TWI749770B (zh) | 淹水警示方法 | |
CN111861918A (zh) | 一种基于sar图像的海上溢油检测方法 | |
CN115830460A (zh) | 一种用于河道防汛的实时监控方法及系统 | |
Wixson et al. | Improved illumination assessment for vision-based traffic monitoring | |
CN113850133A (zh) | 一种面向船闸视频监控的船只越线检测方法及系统 | |
TWI487884B (zh) | 多區塊水位量測方法 | |
CN113158800A (zh) | 围界入侵混合检测方法及围界入侵混合检测系统 | |
CN110309838A (zh) | 基于指数变换的视频检测区物体轮廓检测预处理方法 | |
CN117830833B (zh) | 城市排水管网设施联网监控方法和系统 | |
JP7306204B2 (ja) | 水路監視装置、及び水路監視方法 | |
CN116912768A (zh) | 一种识别目标物体的方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |