CN114419556A - 一种城市排水管网排口异常排水图像识别方法及系统 - Google Patents
一种城市排水管网排口异常排水图像识别方法及系统 Download PDFInfo
- Publication number
- CN114419556A CN114419556A CN202210083694.4A CN202210083694A CN114419556A CN 114419556 A CN114419556 A CN 114419556A CN 202210083694 A CN202210083694 A CN 202210083694A CN 114419556 A CN114419556 A CN 114419556A
- Authority
- CN
- China
- Prior art keywords
- image
- drainage
- abnormal
- information
- cloud server
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 15
- 239000010865 sewage Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种城市排水管网排口异常排水图像识别方法，涉及城市排水管网技术领域，该方法包括：获取待监测排口实时监控的图像信息；基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器；所述云服务器接收来自所述边缘计算设备的异常排水图像的相关信息，并将告警信息发送至终端进行展示。本发明的方法可实现对排口监控视频数据进行7*24小时的实时监控计算，并在监测到异常排水图像时及时发送至云服务器，以通过云服务器将异常排水图像的相关信息通过告警信息发送至终端进行展示，可有效减轻人工巡检的压力，提升排口监管的效率。
Description
技术领域
本发明涉及城市排水管网技术领域，尤其是涉及一种城市排水管网排口异常排水图像识别方法及系统。
背景技术
排口作为排水管网的末端出口，对于河道水质有着直接的影响，具有随机性、不确定性和难以监测性等特征。现有常规的沿河排污口监测多采用人工巡检、流量计监测和视频监测的方式。
然而目前的监测方式存在以下不足：人工巡检无法达到7*24小时全时段覆盖。采用流量计监测的方法对半管、小流量的污水排放的监测灵敏度较低，而且针对每个排口进行监测建设成本巨大。视频监测也难以做到人员全时段查看，因此目前对于排水管网排口异常的实时监测，是项目日常运行管理中的重要难点，亟需开发一种能够对排口异常排水进行实时监测的方法及系统，以提高排口监管的效果。
发明内容
本发明的目的在于提供一种城市排水管网排口异常排水图像识别方法及系统，以解决现有技术中对排口异常排水监测效果不佳的技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。
为实现上述目的，本发明提供了以下技术方案：
本发明提供了一种城市排水管网排口异常排水图像识别方法，包括：
获取待监测排口实时监控的图像信息；
基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器；
所述云服务器接收来自所述边缘计算设备的异常排水图像的相关信息，并将告警信息发送至终端进行展示。
根据一种优选实施方式，所述的待监测排口实时监控的图像信息是由设置于待监测排口的高清监控摄像头进行采集的。
根据一种优选实施方式，所述的基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器，包括：
基于排口监控视频端边缘计算设备中的排口异常图像识别算法模型对所获取的图像信息进行识别处理以得到异常图像；并向云服务器发送异常图像的相关信息，其中，所述异常图像的相关信息包括异常图像的时间信息和带标注的告警图片信息。
根据一种优选实施方式，所述排口异常图像识别算法模型的构建方法包括：
构建Pytorch模型训练框架、YoloV5深度学习算法模型和DeepStream算法推理框架以得到算法模型；
获取大量网络公共排污数据和排口现场采集的数据；并对所获取的数据进行解码获取每一帧的图像数据；选取一定数量的正样本和负样本；利用标注工具对样本图像数据进行标注，以标示出每个样本图中排放污水的管道口位置；
基于所获取并标注的图片数据对所构建的算法模型进行训练得到排口异常图像识别算法模型；以及
使用TensorRT对排口异常图像识别算法模型中的算法进行加速优化。
根据一种优选实施方式，所述的基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器，还包括：
基于排口监控视频端的存储服务器或数字化存储设备对所获取的图像信息进行存储。
根据一种优选实施方式，所述的云服务器接收来自所述边缘计算设备的异常排水图像的相关信息，并将告警信息发送至设备终端进行展示，包括：
所述云服务器对接收的异常图像相关信息进行二次分析和确认，并将确认后的告警信息发送至展示屏、告警设备和/或第三方平台进行展示。
本发明还提供了一种城市排水管网排口异常排水图像识别系统，包括：
视频采集设备，用于获取实时监控排口的图像信息；
边缘计算设备，用于对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器；
云服务器，用于接收来自所述边缘计算设备的异常排水图像的相关信息，并将告警信息发送至终端进行展示。
根据一种优选实施方式，所述视频采集设备为高清监控摄像头，所述边缘计算设备内集成有排口异常图像识别算法模型。
基于上述技术方案，本发明的一种城市排水管网排口异常排水图像识别方法及系统至少具有如下技术效果：
本发明的一种城市排水管网排口异常排水图像识别方法包括获取实时监控排口的图像信息；基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器；所述云服务器接收来自所述边缘计算设备的异常排水图像的相关信息，并将告警信息发送至终端进行展示。本发明通过获取排口实时监控的图像信息，同时结合边缘计算设备进行图像识别，可实现对排口监控视频数据进行7*24小时的实时监控计算，并在监测到异常排水图像时及时发送至云服务器，以通过云服务器将异常排水图像的相关信息通过告警信息发送至终端进行展示，可有效减轻人工巡检的压力，提升排口监管的效率。同时，利用边缘计算设备可在排口监控视频端对图像信息进行实时计算和推理，实现视频的即时处理，回传至云服务器的数据仅为异常图像的相关信息，从而减轻了数据传输压力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明一示例性实施例的一种城市排水管网排口异常排水图像识别方法的流程图；
图2是本发明另一示例性实施例的一种城市排水管网排口异常排水图像识别方法的流程图；
图3是本发明一示例性实施例的一种城市排水管网排口异常排水图像识别系统的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
如图1所示，图1示出了本发明一示例性实施例的一种城市排水管网排口异常排水图像识别方法的流程图，包括：
步骤S101：获取待监测排口实时监控的图像信息。
优选的，待监测排口实时监控的图像信息是由设置于待监测排口的高清监控摄像头进行采集的。通过在待监测项目排口安装高清监控摄像头终端设备，以获取海量数据。
步骤S102：基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器。其中，异常图像的相关信息包括异常图像的时间信息和带标注的告警图片信息。
具体的，包括：
基于排口监控视频端边缘计算设备中的排口异常图像识别算法模型对所获取的图像信息进行识别处理以得到异常图像；并向云服务器发送异常图像的相关信息。
优选的，排口异常图像识别算法模型的构建方法包括：
步骤S201：构建Pytorch模型训练框架、YoloV5深度学习算法模型和DeepStream算法推理框架以得到算法模型。
本申请的算法模型选用Pytorch作为模型训练框架，由于现场采集的可用于训练的数据量较大，PyTorch的训练速度优于TensorFlow和Keras等其他框架。Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对GPU加速的深度神经网络编程，其中torch是一个经典的对多维矩阵数据进行操作的张量库，在机器学习和其他数学密集型场景有广泛应用。本申请的算法模型选用YoloV5算法进行图像识别的深度学习算法模型，深度学习算法模型主要包含深度神经网络结构。对于排口异常排污的检测，属于目标检测类模型的应用范围。目标检测模型分为两类。一类是two-stage，将物体识别和物体定位分为两个步骤，分别完成，这一类的模型典型代表是R-CNN，fast R-CNN，faster-RCNN，它们识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。另一类称为one-stage，典型代表是Yolo，SSD。他们识别速度很快，可以达到实时性要求，而且准确率也基本能达到faster R-CNN的水平。为了实现对排口排污的实时监测，选用Yolo系列的最新版本YoloV5模型。本申请的算法模型选用Deepstream作为算法推理框架，DeepStream算法推理框架具有硬件加速构建块，核心实现思路是基于开源框架GStreamer开发而成，采用插件方式，根据业务需要可以灵活添加、裁剪、编辑插件，组成一条功能完整的视频数据流处理通道，包含采集、解码、预处理、算法推理、对象跟踪功能。
步骤S202：获取大量网络公共排污数据和排口现场采集的数据；并对所获取的数据进行解码获取每一帧的图像数据；选取一定数量的正样本和负样本；利用标注工具对样本图像数据进行标注，以标示出每个样本图中排放污水的管道口位置。具体的，包括：
(1)数据采集。
本申请采集的网络公共排污数据主要是从百度图片库下载的500张河道排污的JPG图片。来自项目现场的视频数据主要来自在项目上安装的高清摄像头。项目现场安装的高清摄像头，部署24小时录像服务，采集现场数据。例如采集8、9、10三个月的录像数据共有460GB的视频文件。
(2)数据处理。
在对采集的数据进行处理时，需要对视频数据进行解码，获取每一帧的图像数据，对图片进行筛选，主要选取晴天、阴天、雨天各种天气条件下不同时间段的2000张排污图片作为正样本，没有排污的200张图片作为负样本。
(3)数据标注。
样本图片数据在训练之前，使用LabelImg标注工具进行数据标注。标注过程，主要标示出每一张样本图片中排放污水的管道口位置，记录位置坐标和标签名称，存入xml文件，用于模型训练。
步骤S203：基于所获取并标注的图片数据对所构建的算法模型进行训练得到排口异常图像识别算法模型。训练时需要结合排口异常图像识别项目的具体情况，对训练文件train.py进行修改，包括预训练模型存放的路径、配置文件存放的路径、迭代次数、每次送入模型的图像数量、训练及测试数据的文件路径、图片宽高等内容的修改。
步骤S204：使用TensorRT对排口异常图像识别算法模型中的算法进行加速优化。训练好的算法模型，在边缘计算网关的执行效率不高，无法达到实时分析的速度要求。为了能在边缘端实现实时分析，使用TensorRT对算法进行加速优化，减少神经网络层数，生成可以高效运行的计算流图，供算法推理服务调用进行算法推理。
进一步优选的，本申请的排口异常图像识别算法模型的构建方法还包括构建排口异常图像识别算法模型标准服务接口，标准服务接口包含算法推理引擎启停服务接口、算法推理引擎心跳检测服务接口和推送算法推理结果接口。其中，算法推理引擎启停服务接口主要用于控制算法推理引擎服务的启动和停止，传入参数为算法标识、直播视频流或者视频片段，返回参数为返回启停控制结构。算法推理引擎心跳检测服务接口主要用于实时监控算法推理引擎服务的运行情况，输入参数为算法标识，返回参数为返回算法运行状态。推送算法推理结果接口用于推送算法推理的结果告警数据，传入参数为接收告警数据的IP地址和端口，返回参数为含有告警时间、算法类型带标注的告警图片等结构告警数据。通过标准服务接口为边缘计算设备、算法管理平台、云服务器等其他应用系统提供统一的服务接口，供其调用及使用，实现排口异常图像识别算法工具包与业务应用的紧密结合。
优选的，本申请的边缘计算设备还包括存储服务器或数字化存储设备，基于排口监控视频端的存储服务器或数字化存储设备对所获取的图像信息进行存储。
本发明的排口异常图像识别算法模型的算法识别精度达到0.9以上，可快速高效识别河道排口污水偷排现象，减轻人工巡检压力，提高项目运营管理精细度与应急响应效率。
步骤S103：云服务器接收来自边缘计算设备的异常排水图像的相关信息，并将告警信息发送至终端进行展示。
优选的，云服务器位于后端平台，通过位于排口监控视频端的边缘计算设备对图像数据进行实时计算，以实现视频的即时处理，判断排口的排污情况，并将异常排污的图像相关信息传回至后端平台的云服务器，从而减轻了数据传输的压力。优选的，云服务器对接收的异常图像相关信息进行二次分析和确认，并将确认后的告警信息发送至展示屏、告警设备和/或第三方平台进行展示。以便进一步提高报警准确率。优选的，第三方平台可以为微信或邮箱。
本发明采用排口异常图像识别算法模型的应用，可以降低沿河排口巡检压力，提升项目运营管理效率。一方面，高清监控摄像头等视频监控设备和图像识别技术的结合，可以实现7*24小时的排口监控，并自动识别污水偷排现象，解决了巡检人员无法持续对河道排口情况进行巡查监控的问题；另一方面，图像识别出污水偷排现象可以及时报警，提高运营管理人员从发现问题到处理问题的问题处置速度，能够进行排口及CSO溢流管控，保障了河道水质持续达标。
实施例2
本实施例2提供了一种城市排水管网排口异常排水图像识别系统，包括：
视频采集设备301，用于获取实时监控排口的图像信息。优选的，视频采集设备为高清监控摄像头，且设置在待监测项目排口处。
边缘计算设备302，用于对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器。优选的，边缘计算设备302为边缘计算网关，边缘计算设备中集成有排口异常图像识别算法模型。该网关具有数据优化、实时响应、敏捷连接、模型分析等功能。可以在物联网边缘节点实现排口监控视频数据实时计算，回传到后端平台上的数据仅包含报警相关信息和截图，从而减轻了数据传输压力。优选的，该网关采用工业级ARM处理器，DDR4内存最大8GB，和大容量FLASH，低功耗、高性能深度学习与计算机视觉计算平台。提供了数据采集、视频/图像采集、本地存储、多种通信协议转换、安全通信管理、5G/4G/Wi-Fi无线通信等强大功能，结合排口异常图像识别算法，可以满足排口异常识别的边缘计算需求。
云服务器303，用于接收来自边缘计算设备的异常排水图像的相关信息，并将告警信息发送至终端进行展示。
本发明的城市排水管网排口异常排水图像识别系统还具有如下优点：1、节约了存储资源成本，边缘计算网关进行图像识别后，上报结构化关键视频和图片数据，减少无用视频数据上传，下沉云端计算存储压力，降低了云端硬件资源使用成本，云存储容量降低90％。2、降低了传输资源成本：常规视频数据管理方式是高频率连续上传，带宽资源成本较高。而本发明引入边缘计算方式，关键数据间歇上传，带宽费用降低70％。3、减少了硬件成本：边缘计算网关对终端设备兼容利旧，集中接入多路视频数据并统一进行推理分析，弱化摄像机功能，充分利旧原有资源，硬件成本降低20％。
本发明的一种城市排水管网排口异常排水图像识别方法可以通过计算机程序来执行，计算机程序存储于存储器中，储存器与处理器相连接用于通过处理器调用并执行存储器中的计算机程序。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种城市排水管网排口异常排水图像识别方法，其特征在于，包括：
获取待监测排口实时监控的图像信息；
基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器；
所述云服务器接收来自所述边缘计算设备的异常排水图像的相关信息，并将告警信息发送至终端进行展示。
2.根据权利要求1所述的城市排水管网排口异常排水图像识别方法，其特征在于，所述的待监测排口实时监控的图像信息是由设置于待监测排口的高清监控摄像头进行采集的。
3.根据权利要求1所述的城市排水管网排口异常排水图像识别方法，其特征在于，所述的基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器，包括：
基于排口监控视频端边缘计算设备中的排口异常图像识别算法模型对所获取的图像信息进行识别处理以得到异常图像；并向云服务器发送异常图像的相关信息，其中，所述异常图像的相关信息包括异常图像的时间信息和带标注的告警图片信息。
4.根据权利要求3所述的城市排水管网排口异常排水图像识别方法，其特征在于，所述排口异常图像识别算法模型的构建方法包括：
构建Pytorch模型训练框架、YoloV5深度学习算法模型和DeepStream算法推理框架以得到算法模型；
获取大量网络公共排污数据和排口现场采集的数据；并对所获取的数据进行解码获取每一帧的图像数据；选取一定数量的正样本和负样本；利用标注工具对样本图像数据进行标注，以标示出每个样本图中排放污水的管道口位置；
基于所获取并标注的图片数据对所构建的算法模型进行训练得到排口异常图像识别算法模型；以及
使用TensorRT对排口异常图像识别算法模型中的算法进行加速优化。
5.根据权利要求1所述的城市排水管网排口异常排水图像识别方法，其特征在于，所述的基于排口监控视频端的边缘计算设备对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器，还包括：
基于排口监控视频端的存储服务器或数字化存储设备对所获取的图像信息进行存储。
6.根据权利要求1所述的城市排水管网排口异常排水图像识别方法，其特征在于，所述的云服务器接收来自所述边缘计算设备的异常排水图像的相关信息，并将告警信息发送至设备终端进行展示，包括：
所述云服务器对接收的异常图像相关信息进行二次分析和确认，并将确认后的告警信息发送至展示屏、告警设备和/或第三方平台进行展示。
7.一种城市排水管网排口异常排水图像识别系统，其特征在于，包括：
视频采集设备，用于获取实时监控排口的图像信息；
边缘计算设备，用于对所获取的图像信息进行图像识别以识别出异常排水图像；并将所识别出的异常排水图像的相关信息发送至云服务器；
云服务器，用于接收来自所述边缘计算设备的异常排水图像的相关信息，并将告警信息发送至终端进行展示。
8.根据权利要求7所述的城市排水管网排口异常排水图像识别系统，其特征在于，所述视频采集设备为高清监控摄像头，所述边缘计算设备内集成有排口异常图像识别算法模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210083694.4A CN114419556A (zh) | 2022-01-20 | 2022-01-20 | 一种城市排水管网排口异常排水图像识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210083694.4A CN114419556A (zh) | 2022-01-20 | 2022-01-20 | 一种城市排水管网排口异常排水图像识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419556A true CN114419556A (zh) | 2022-04-29 |
Family
ID=81276625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210083694.4A Pending CN114419556A (zh) | 2022-01-20 | 2022-01-20 | 一种城市排水管网排口异常排水图像识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419556A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115174866A (zh) * | 2022-07-18 | 2022-10-11 | 珠海金智维信息科技有限公司 | 基于rpa的供水泵房视频监控系统、方法和存储介质 |
| CN115272885A (zh) * | 2022-06-10 | 2022-11-01 | 广州中科云图智能科技有限公司 | 排污口识别系统、方法、设备及存储介质 |
| CN115661695A (zh) * | 2022-12-26 | 2023-01-31 | 深圳联和智慧科技有限公司 | 基于无人机的河道排污口监控预警方法及系统 |
| CN116566039A (zh) * | 2023-03-31 | 2023-08-08 | 中国电力科学研究院有限公司 | 一种基于云边端协同感知的输电线路监测系统及方法 |
| CN117217391A (zh) * | 2023-11-07 | 2023-12-12 | 广东泓禹生态环境科技有限公司 | 一种基于边缘计算的入河排污口污染预估方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN211406109U (zh) * | 2020-04-08 | 2020-09-01 | 深圳江行联加智能科技有限公司 | 一种具备ai识别功能的便携视频移动监控系统 |
| CN112184678A (zh) * | 2020-09-30 | 2021-01-05 | 国网北京市电力公司 | 图像识别方法、装置、计算机可读存储介质及处理器 |
| CN113343923A (zh) * | 2021-07-01 | 2021-09-03 | 江苏舆图信息科技有限公司 | 一种基于视频图像的河道排口排水状态实时识别方法 |
-
2022
- 2022-01-20 CN CN202210083694.4A patent/CN114419556A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN211406109U (zh) * | 2020-04-08 | 2020-09-01 | 深圳江行联加智能科技有限公司 | 一种具备ai识别功能的便携视频移动监控系统 |
| CN112184678A (zh) * | 2020-09-30 | 2021-01-05 | 国网北京市电力公司 | 图像识别方法、装置、计算机可读存储介质及处理器 |
| CN113343923A (zh) * | 2021-07-01 | 2021-09-03 | 江苏舆图信息科技有限公司 | 一种基于视频图像的河道排口排水状态实时识别方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272885A (zh) * | 2022-06-10 | 2022-11-01 | 广州中科云图智能科技有限公司 | 排污口识别系统、方法、设备及存储介质 |
| CN115174866A (zh) * | 2022-07-18 | 2022-10-11 | 珠海金智维信息科技有限公司 | 基于rpa的供水泵房视频监控系统、方法和存储介质 |
| CN115661695A (zh) * | 2022-12-26 | 2023-01-31 | 深圳联和智慧科技有限公司 | 基于无人机的河道排污口监控预警方法及系统 |
| CN116566039A (zh) * | 2023-03-31 | 2023-08-08 | 中国电力科学研究院有限公司 | 一种基于云边端协同感知的输电线路监测系统及方法 |
| CN116566039B (zh) * | 2023-03-31 | 2024-03-01 | 中国电力科学研究院有限公司 | 一种基于云边端协同感知的输电线路监测系统及方法 |
| CN117217391A (zh) * | 2023-11-07 | 2023-12-12 | 广东泓禹生态环境科技有限公司 | 一种基于边缘计算的入河排污口污染预估方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114419556A (zh) | 一种城市排水管网排口异常排水图像识别方法及系统 | |
| US20210389293A1 (en) | Methods and Systems for Water Area Pollution Intelligent Monitoring and Analysis | |
| CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
| CN113872328B (zh) | 基于神经网络的变电站远程智能巡检方法及系统 | |
| CN114463594A (zh) | 多模态深度学习的发电设备异常一体化识别方法及设备 | |
| CN106251578A (zh) | 基于探针的人流预警分析方法和系统 | |
| CN109684320B (zh) | 监测数据在线清洗的方法和设备 | |
| CN115393340A (zh) | 一种基于5g算法的ai视觉产品质量检测系统 | |
| WO2024148993A1 (zh) | 管道缺陷检测方法、装置、电子设备及存储介质 | |
| CN112434178A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
| CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
| CN117612060A (zh) | 基于人工智能检测的视频预警系统、方法、设备及介质 | |
| CN113657207B (zh) | 一种云-边协同配电站火光智能监测方法及系统 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN112529466A (zh) | 一种基于大数据的智慧城管方法及系统 | |
| CN112468509A (zh) | 一种基于深度学习技术的流量数据自动检测方法及装置 | |
| CN111553497A (zh) | 一种多媒体终端的设备工作状态检测方法及装置 | |
| CN107862019A (zh) | 一种基于大数据分析昼伏夜出车辆的方法及装置 | |
| CN105187821A (zh) | 一种视频质量智能诊断分析系统 | |
| CN116248861A (zh) | 一种智能视频检测方法、系统及装置 | |
| CN115330262A (zh) | 一种智慧城市公共管理方法、系统和存储介质 | |
| CN116310928A (zh) | 一种云边联合计算智能视频识别方法及应用 | |
| CN115457411A (zh) | 航油管线无人化巡视方法、装置和航油安全运维系统 | |
| CN112016403B (zh) | 一种视频异常事件检测方法 | |
| CN114579639A (zh) | 计算机人工智能信息筛选方法 |
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 |