CN114494695A - 一种智慧水利城乡积涝水位监测预警方法及装置 - Google Patents
一种智慧水利城乡积涝水位监测预警方法及装置 Download PDFInfo
- Publication number
- CN114494695A CN114494695A CN202210037514.9A CN202210037514A CN114494695A CN 114494695 A CN114494695 A CN 114494695A CN 202210037514 A CN202210037514 A CN 202210037514A CN 114494695 A CN114494695 A CN 114494695A
- Authority
- CN
- China
- Prior art keywords
- water gauge
- data
- water
- image
- physical
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 286
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims 1
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/0007—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm for discrete indicating and measuring
- G01F23/0015—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm for discrete indicating and measuring with a whistle or other sonorous signal
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种智慧水利城乡积涝水位监测预警方法及装置，对包含水尺的图像进行识别与计算，生成虚拟水尺，并利用深度学习对图像中的水域进行分割，通过结合生成的虚拟水尺和分割的水域进行内涝深度的计算。相比于现有技术，本申请通过自动生成虚拟水尺并对水域进行分割从而计算获得内涝深度，提高了内涝深度的识别精度，实现了内涝深度获取的自动化和智能化，大大提高了内涝深度的获取效率。
Description
技术领域
本发明涉及城市内涝检测领域，尤其涉及一种智慧水利城乡积涝水位监测预警方法及装置。
背景技术
对于一些高度城市化的城市，往往存在着排水系统设计不合理或者城市地势低的问题，在面对突发性强降雨以及持续性降雨的天气时，这些城市会出现严重的内涝现象，给人民生活造成了较大的不便和损失。因此，及时判断出内涝危害并提前布置防涝工作，是改善排水系统这一方法以外最有效的措施。对于内涝的判断，需要对城市各处内涝的数据进行采集从而掌握城市的内涝状况。而传统内涝检测方法通过水位计以及专业仪器的设备的测量并进行人工读取，存在设备成本高、维护成本高、精确率低以及时效性低的缺点，无法满足大城市内涝数据的采集。为了构建内涝预警系统，使内涝信息的检测更加人工智能化，需要寻找一个更加有效的方法。
对于内涝深度检测技术，现有技术包括：淡森华、庄自成等人提出的“一种基于图像语义分割的水尺识别方法”(CN201911128971.3),该技术通过采集水尺图像的样本并进行预处理，构建水尺语义分割模型进行训练从而得到最佳水尺语义分割模型，然后对水尺图像进行预处理，筛选水尺候选区域，进行检测并拟合边缘四边，最后将识别出的水尺区域与水尺读数投射到原图像种，计算得到的实际水尺刻度。
本发明人在实施本发明的过程中发现，现有技术对于内涝深度监测时效性较低，往往无法在监测到汛情时及时作出预警，从而造成了较大的经济损失。而当水尺出现遮挡、腐蚀或损坏的情况时，往往无法精准监测内涝深度的高低，从而影响了内涝深度检测的精准度。
发明内容
本发明实施例提供一种智慧水利城乡积涝水位监测预警方法及装置，以实现如何通过准确提取内涝深度，从而提高内涝预警准确性的技术问题。
为了解决上述问题，本发明一实施例提供一种智慧水利城乡积涝水位监测预警方法，包括：
获取物理水尺的第一图像，对所述第一图像进行水尺识别，获取物理水尺刻度数据；
计算所述物理水尺刻度数据的离散程度和相邻间距，获得差值数据，并根据差值数据校正所述物理水尺刻度数据，从而生成虚拟水尺信息；
对所述第一图像进行水域分割，获得水位线位置信息；
根据所述虚拟水尺信息和所述水位线位置信息计算获得内涝深度；
当内涝深度大于预设值时，发出预警信号。
作为优选的，对所述第一图像进行水尺识别，获取物理水尺刻度数据，具体为：
对所述第一图像进行水尺识别，获取所述第一图像中水尺的位置包围盒数据、以及水尺刻度的分度包围盒数据；
计算获得每个所述分度包围盒数据和所述水尺的位置包围盒数据之间的交并比数据；
保留所述交并比数据大于第一预设值的分度包围盒数据，生成所述物理水尺刻度数据。
作为优选的，所述对所述第一图像进行水尺识别，具体为：
对于所述第一图像进行特征提取，将获取的特征输入到神经网络中进行识别，利用多尺度特征进行对象检测并分类。
作为优选的，所述计算所述物理水尺刻度数据的离散程度和相邻间距，获得差值数据，并根据差值数据校正所述物理水尺刻度数据，从而生成虚拟水尺信息，具体为：
将每个所述物理水尺刻度数据的离散程度数据和相邻间距数据进行做差处理，获得差值数据；
对于差值数据大于第二预设值的物理水尺刻度数据，以第二预设值来代替差值数据，从而校正所述差值数据大于第二预设值的物理水尺刻度数据；
将所有所述差值数据校正至小于等于第二预设值，并对校正后的物理水尺刻度数据进行差分处理，从而获得所述虚拟水尺信息。
作为优选的，在所述根据所述虚拟水尺信息数据和所述水位线位置数据计算获得内涝深度之后，还包括：
获取水尺的第二图像，对所述第二图像进行水域分割，获得水位线位置数据；其中，获取所述第二图像的水尺位置与获取所述第一图像的水尺位置相同；
根据已生成的所述虚拟水尺信息以及第二图像的水位线位置数据，进行第二图像的内涝深度计算。
作为优选的，所述对所述第一图像进行水域分割，获得水位线位置信息，具体为：
将所述第一图像输入到神经网络中进行识别，捕获上下文信息，并修复边缘语义信息，从而对水域进行分割；
根据分割的水域以及所述第一图像中物理水尺的位置，获得水位线位置信息。
作为优选的，所述获取物理水尺的第一图像，具体为：
采集包含物理水尺的拍摄图像，对所述拍摄图像进行滤波、去噪、以及筛除马赛克图像的操作，从而获得所述物理水尺的第一图像。
相应的，本发明还提供一种智慧水利城乡积涝水位监测预警装置，包括：水尺获取模块、水尺校正模块、水域分割模块、深度计算模块和预警模块；
其中，所述水尺获取模块用于获取物理水尺的第一图像，对所述第一图像进行水尺识别，获取物理水尺刻度数据；
所述水尺校正模块用于计算所述物理水尺刻度数据的离散程度和相邻间距，获得差值数据，并根据差值数据校正所述物理水尺刻度数据，从而生成虚拟水尺信息；
所述水域分割模块用于对所述第一图像进行水域分割，获得水位线位置信息；
所述深度计算模块用于根据所述虚拟水尺信息数据和所述水位线位置信息计算获得内涝深度；
所述预警模块用于当内涝深度大于预设值时，发出预警信号。
作为优选的，所述水尺获取模块，包括：获取单元、计算单元和筛选单元；
其中，所述获取单元用于对所述第一图像进行水尺识别，获取所述第一图像中水尺的位置包围盒数据、以及水尺刻度的分度包围盒数据；
所述计算单元用于计算获得每个所述分度包围盒数据和所述水尺的位置包围盒数据之间的交并比数据；
所述筛选单元用于保留所述交并比数据大于第一预设值的分度包围盒数据，生成所述物理水尺刻度数据。
作为优选的，所述水尺校正模块，包括：做差单元、修正单元和差分处理单元；
其中，所述做差单元用于将每个所述物理水尺刻度数据的离散程度数据和相邻间距数据进行做差处理，获得差值数据；
所述修正单元用于对于差值数据大于第二预设值的物理水尺刻度数据，以第二预设值来代替差值数据，从而校正所述差值数据大于第二预设值的物理水尺刻度数据；
所述差分处理单元用于将所有所述差值数据校正至小于等于第二预设值，并对校正后的物理水尺刻度数据进行差分处理，从而获得所述虚拟水尺信息。
由上可见，本发明具有如下有益效果：
本发明提供了一种智慧水利城乡积涝水位监测预警方法及装置，对包含水尺的图像进行识别与计算，生成虚拟水尺，并利用深度学习对图像中的水域进行分割，通过结合生成的虚拟水尺和分割的水域进行内涝深度的计算。相比于现有技术，本申请通过自动生成虚拟水尺并对水域进行分割从而计算获得内涝深度，提高了内涝深度的识别精度，实现了内涝深度获取的自动化和智能化，大大提高了内涝深度的获取效率。
进一步的，本发明的实施例提供了一种生成虚拟水尺的方法，对图像中物理水尺的刻度进行漏识别和误识别，并对错误信息进行自动校正，从而生成虚拟水尺。能够处理物理水尺被遮挡、损坏所导致物理水尺模糊不清的情况，提高了获取内涝深度的准确度。同时，本发明可根据生成的虚拟水尺进行内涝深度的计算，无需对图像对应的物理水尺进行维护，降低了维护的成本。
附图说明
图1是本发明一实施例提供的智慧水利城乡积涝水位监测预警方法的流程示意图；
图2是本发明一实施例提供的智慧水利城乡积涝水位监测预警装置的结构示意图；
图3是本发明另一实施例提供的内涝深度计算方法的流程示意图；
图4是本发明一实施例提供的水尺校正算法的流程示意图；
图5是本发明一实施例提供的水尺识别模型和水域分割模型的训练流程示意图；
图6是本发明一实施例提供的虚拟水尺生成的结果示意图；
图7是本发明一实施例提供的内涝深度的结果示意图；
图8是本发明一实施例提供的一种终端设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
参见图1，是本发明一实施例提供的智慧水利城乡积涝水位监测预警方法的流程示意图，如图1所示，该方法包括步骤101至步骤105，各步骤具体如下：
步骤101：获取物理水尺的第一图像，对所述第一图像进行水尺识别，获取物理水尺刻度数据。
在本实施例中，步骤101具体为：
采集包含物理水尺的拍摄图像，对拍摄图像进行滤波、去噪、以及筛除马赛克图像的操作，从而获得物理水尺的第一图像。
对第一图像进行水尺识别，获取第一图像中水尺的位置包围盒数据、以及水尺刻度的分度包围盒数据。
计算获得每个分度包围盒数据和水尺的位置包围盒数据之间的交并比数据。
保留交并比数据大于第一预设值的分度包围盒数据，生成物理水尺刻度数据；其中，交并比数据小于第一预设值的分度包围盒数据视为误识别的数据，并进行排除。
作为优选的，对于所述第一图像进行特征提取，将获取的特征输入到神经网络中进行识别，利用多尺度特征进行对象检测并分类。
作为优选的，拍摄图像需要包含E与数字相间的条形水位标尺的图片数据。
作为优选的，采用水尺识别模型对第一图像进行水尺识别。
步骤102：计算所述物理水尺刻度数据的离散程度和相邻间距，获得差值数据，并根据差值数据校正所述物理水尺刻度数据，从而生成虚拟水尺信息。
在本实施例中，步骤102具体为：
将每个物理水尺刻度数据的离散程度数据和相邻间距数据进行做差处理，获得差值数据。
对于差值数据大于第二预设值的物理水尺刻度数据，以第二预设值来代替差值数据，从而校正差值数据大于第二预设值的物理水尺刻度数据；其中，校正差值数据大于第二预设值的物理水尺刻度数据被视为漏识别的物理水尺刻度数据，并进行校正。
将所有差值数据校正至小于等于第二预设值，并对校正后的物理水尺刻度数据进行差分处理，从而获得虚拟水尺信息。
步骤103：对所述第一图像进行水域分割，获得水位线位置信息。
在本实施例中，步骤103具体为：
将所述第一图像输入到神经网络中进行识别，捕获上下文信息，并修复边缘语义信息，从而对水域进行分割。
根据分割的水域以及所述第一图像中物理水尺的位置，获得水位线位置信息。
作为优选的，采用水域分割模型进行水域分割。
步骤104：根据所述虚拟水尺信息和所述水位线位置信息计算获得内涝深度。
在本实施例中，步骤104具体为：
作为优选的，根据步骤101至104任意一项智慧水利城乡积涝水位监测预警方法，在计算获得内涝深度后，还包括：获取水尺的第二图像，对第二图像进行水域分割，获得水位线位置数据；其中，获取第二图像的水尺位置与获取第一图像的水尺位置相同；根据已生成的虚拟水尺信息以及第二图像的水位线位置数据，进行第二图像的内涝深度计算。
步骤105：当内涝深度大于预设值时，发出预警信号。
参见图2，图2是本发明一实施例提供的智慧水利城乡积涝水位监测预警装置的结构示意图，包括：水尺获取模块201、水尺校正模块202、水域分割模块203、深度计算模块204和预警模块205。
其中，水尺获取模块201用于获取物理水尺的第一图像，对第一图像进行水尺识别，获取物理水尺刻度数据。
水尺校正模块202用于计算物理水尺刻度数据的离散程度和相邻间距，获得差值数据，并根据差值数据校正物理水尺刻度数据，从而生成虚拟水尺信息。
水域分割模块203用于对第一图像进行水域分割，获得水位线位置信息。
深度计算模块204用于根据虚拟水尺信息数据和水位线位置信息计算获得内涝深度。
所述预警模块205用于当内涝深度大于预设值时，发出预警信号。
作为优选的，水尺获取模块201包括：获取单元、计算单元和筛选单元。
其中，获取单元用于对第一图像进行水尺识别，获取第一图像中水尺的位置包围盒数据、以及水尺刻度的分度包围盒数据。
计算单元用于计算获得每个分度包围盒数据和水尺的位置包围盒数据之间的交并比数据。
筛选单元用于保留交并比数据大于第一预设值的分度包围盒数据，生成物理水尺刻度数据。
作为优选的，水尺校正模块202包括：做差单元、修正单元和差分处理单元；
其中，做差单元用于将每个物理水尺刻度数据的离散程度数据和相邻间距数据进行做差处理，获得差值数据；
修正单元用于对于差值数据大于第二预设值的物理水尺刻度数据，以第二预设值来代替差值数据，从而校正差值数据大于第二预设值的物理水尺刻度数据；
差分处理单元用于将所有差值数据校正至小于等于第二预设值，并对校正后的物理水尺刻度数据进行差分处理，从而获得所述虚拟水尺信息。
参见图3，图3是本发明另一实施例提供的智慧水利城乡积涝水位监测预警方法的流程示意图，如图3所示，该方法包括步骤301至步骤304，各步骤具体如下：
步骤301：采集由城市摄像头拍摄的水尺图像，输入包含水尺的图像数据，并对图像进行预处理，对马赛克现象进行判断，若判断为马赛克图像，则进行筛除；若判断为非马赛克图像，则进行下一步骤。
步骤302：对获取图像的站点摄像头设备进行虚拟水尺的初始化判断，若未进行初始化，则将非马赛克图像输入到水尺识别模型中，获得物理水尺刻度；通过水尺验证算法计算物理水尺刻度是否存在漏失别以及误识别，并对漏识别的物理水尺刻度采用水尺纠正算法，进行自动校正且自适应生成虚拟水尺，最后保存生成的虚拟水尺信息完成设备初始化，从而进行下一步骤；
若获取图像的站点摄像头设备已完成初始化，则直接进行下一步骤。
步骤303：将步骤301获得的非马赛克图像输入到水域分割模型获得分割水域，并结合步骤302中设备初始化获得的虚拟水尺。
步骤304：将步骤303中获得的分割水域以及步骤302中站点摄像头设备初始化获得的虚拟水尺计算得出内涝深度。
参见图4，图4是本发明一实施例提供的水尺校正算法的流程示意图，如图4所示，该方法包括步骤401至步骤404，各步骤具体如下：
步骤401：对包含水尺的图像进行目标检测，判断是否包含有水尺刻度以及水尺区域，若水尺刻度和水尺区域缺少一项或以上，则识别失败；若同时包含水尺刻度和水尺区域，则进行下一步骤。
步骤402：分别计算水尺的区域包围盒数据和每个水尺的刻度包围盒数据，获得水尺的区域包围盒数据和每个水尺的刻度包围盒数据之间的交并比。
通过交并比与设定阈值的比较，判断水尺刻度是否属于水尺区域，筛除小于阈值的刻度包围盒数据，并将大于设定阈值的刻度包围盒数据归为一个集合，获得初步的虚拟水尺。
步骤403：计算初步的虚拟水尺中每一个刻度包围盒数据的离散程度和相邻间距，并将离散程度和相邻间距做差。
同时将所获差值与自适应阈值比较，判断是否存在水尺刻度漏识别的情况；将大于自适应阈值的差值，用自适应阈值进行代替，从而校正刻度包围盒数据，并重新进行差值与自适应阈值的比较。
当初步虚拟水尺中所有刻度包围盒数据的离散程度和相邻间距之差都小于阈值时，获得完整的虚拟水尺。
作为优选的，对于大于自适应阈值的差值，可以用均值进行代替，从而校正刻度包围盒数据。
步骤404：对完整的虚拟水尺进行差分处理，获得完整的cm级别虚拟水尺。
参见图5，图5是本发明一实施例提供的水尺识别模型和水域分割模型的训练流程示意图，如图5所示，具体为：
获取包含水尺的图像数据，进行滤波、去噪以及筛除马赛克图像的预处理。
根据水尺识别模型和水域分割模型所需的数据，将经过预处理的图像分为水尺识别模型的数据集、以及水域分割模型的数据集；并将两个模型的数据集按一定比例分别拆分为：训练集、验证集和测试集。
作为优选的，两个模型的数据集可以按照7：2：1的比例分别进行拆分。
作为优选的，对于水尺识别模型：使用CNN进行特征提取，并使用darknet神经网络，并将模型的输出类别分为水尺和刻度，利用多尺度特征进行对象检测，并使用Logistic进行对象分类。
作为优选的，水尺识别模型的神经网络可以使用RCNN、SSD。
作为优选的，对于水域分割模型，使用deeplab系列的神经网络来增大感受野，通过在不同分辨率上以池化操作捕获丰富的上下文信息，且采用编解码结构来修复边缘语义信息。
作为优选的，水域分割模型的神经网络可使用Mask-RCNN、U-net，编解码结构可以使用Encoder-Decoder。
作为优选的，使用解冻卷积层训练水尺识别模型的网络和水域分割模型的网络，最后得到最终的水尺识别模型和水域分割模型。
参见图6，图6是本发明一实施例提供的虚拟水尺生成的结果示意图，如图6所示：图像中在物理水尺的位置，生成了带有明显数字标识和位置标识的虚拟水尺。
参见图7，图7是本发明一实施例提供的内涝深度的结果示意图，如图7所示：图像中的水域与其它场景元素分割开，并结合虚拟水尺的信息，获得数据waterlevel：97.0cm，该数据即为内涝深度。
参见图8，图8是本发明一实施例提供的终端设备结构示意图。
该实施例的一种终端设备包括：处理器801、存储器802以及存储在所述存储器802中并可在所述处理器801上运行的计算机程序。所述处理器801执行所述计算机程序时实现上述各个智慧水利城乡积涝水位监测预警方法在实施例中的步骤，例如图1所示的智慧水利城乡积涝水位监测预警方法的所有步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如：图2所示的智慧水利城乡积涝水位监测预警装置的所有模块。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的智慧水利城乡积涝水位监测预警方法。
本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器801可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器801是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器802可用于存储所述计算机程序和/或模块，所述处理器801通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器802内的数据，实现所述终端设备的各种功能。所述存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
由上可见，本发明提供了一种智慧水利城乡积涝水位监测预警方法及装置，本发明通过采用语义分割方法对水域进行分割，并结合虚拟水尺进行运算，将识别的精度精确到了cm级别，大大提高了获取内涝深度的精确度。基于本发明所提供的内涝深度检测方法，可结合视频监控进行水安全的实时监控，达到了远距离获取内涝深度的目的，提高了获取内涝深度的效率和时效性，有利于构建城市内涝预警系统的构建，能最大限度地降低城市内涝所带来的危害，从而保护了城市的经济建设和人们的财产安全。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种智慧水利城乡积涝水位监测预警方法，其特征在于，包括：
获取物理水尺的第一图像，对所述第一图像进行水尺识别，获取物理水尺刻度数据；
计算所述物理水尺刻度数据的离散程度和相邻间距，获得差值数据，并根据差值数据校正所述物理水尺刻度数据，从而生成虚拟水尺信息；
对所述第一图像进行水域分割，获得水位线位置信息；
根据所述虚拟水尺信息和所述水位线位置信息计算获得内涝深度；
当内涝深度大于预设值时，发出预警信号。
2.根据权利要求1所述的智慧水利城乡积涝水位监测预警方法，其特征在于，对所述第一图像进行水尺识别，获取物理水尺刻度数据，具体为：
对所述第一图像进行水尺识别，获取所述第一图像中水尺的位置包围盒数据、以及水尺刻度的分度包围盒数据；
计算获得每个所述分度包围盒数据和所述水尺的位置包围盒数据之间的交并比数据；
保留所述交并比数据大于第一预设值的分度包围盒数据，生成所述物理水尺刻度数据。
3.根据权利要求2所述的智慧水利城乡积涝水位监测预警方法，其特征在于，所述对所述第一图像进行水尺识别，具体为：
对于所述第一图像进行特征提取，将获取的特征输入到神经网络中进行识别，利用多尺度特征进行对象检测并分类。
4.根据权利要求1所述的智慧水利城乡积涝水位监测预警方法，其特征在于，所述计算所述物理水尺刻度数据的离散程度和相邻间距，获得差值数据，并根据差值数据校正所述物理水尺刻度数据，从而生成虚拟水尺信息，具体为：
将每个所述物理水尺刻度数据的离散程度数据和相邻间距数据进行做差处理，获得差值数据；
对于差值数据大于第二预设值的物理水尺刻度数据，以第二预设值来代替差值数据，从而校正所述差值数据大于第二预设值的物理水尺刻度数据；
将所有所述差值数据校正至小于等于第二预设值，并对校正后的物理水尺刻度数据进行差分处理，从而获得所述虚拟水尺信息。
5.根据权利要求1至4任意一项所述的智慧水利城乡积涝水位监测预警方法，其特征在于，在所述根据所述虚拟水尺信息数据和所述水位线位置数据计算获得内涝深度之后，还包括：
获取水尺的第二图像，对所述第二图像进行水域分割，获得水位线位置数据；其中，获取所述第二图像的水尺位置与获取所述第一图像的水尺位置相同；
根据已生成的所述虚拟水尺信息以及第二图像的水位线位置数据，进行第二图像的内涝深度计算。
6.根据权利要求1所述的智慧水利城乡积涝水位监测预警方法，其特征在于，所述对所述第一图像进行水域分割，获得水位线位置信息，具体为：
将所述第一图像输入到神经网络中进行识别，捕获上下文信息，并修复边缘语义信息，从而对水域进行分割；
根据分割的水域以及所述第一图像中物理水尺的位置，获得水位线位置信息。
7.根据权利要求1所述的智慧水利城乡积涝水位监测预警方法，其特征在于，所述获取物理水尺的第一图像，具体为：
采集包含物理水尺的拍摄图像，对所述拍摄图像进行滤波、去噪、以及筛除马赛克图像的操作，从而获得所述物理水尺的第一图像。
8.一种智慧水利城乡积涝水位监测预警装置，其特征在于，包括：水尺获取模块、水尺校正模块、水域分割模块、深度计算模块和预警模块；
其中，所述水尺获取模块用于获取物理水尺的第一图像，对所述第一图像进行水尺识别，获取物理水尺刻度数据；
所述水尺校正模块用于计算所述物理水尺刻度数据的离散程度和相邻间距，获得差值数据，并根据差值数据校正所述物理水尺刻度数据，从而生成虚拟水尺信息；
所述水域分割模块用于对所述第一图像进行水域分割，获得水位线位置信息；
所述深度计算模块用于根据所述虚拟水尺信息数据和所述水位线位置信息计算获得内涝深度；
所述预警模块用于当内涝深度大于预设值时，发出预警信号。
9.根据权利要求8所述的智慧水利城乡积涝水位监测预警装置，其特征在于，所述水尺获取模块，包括：获取单元、计算单元和筛选单元；
其中，所述获取单元用于对所述第一图像进行水尺识别，获取所述第一图像中水尺的位置包围盒数据、以及水尺刻度的分度包围盒数据；
所述计算单元用于计算获得每个所述分度包围盒数据和所述水尺的位置包围盒数据之间的交并比数据；
所述筛选单元用于保留所述交并比数据大于第一预设值的分度包围盒数据，生成所述物理水尺刻度数据。
10.根据权利要求8所述的智慧水利城乡积涝水位监测预警装置，其特征在于，所述水尺校正模块，包括：做差单元、修正单元和差分处理单元；
其中，所述做差单元用于将每个所述物理水尺刻度数据的离散程度数据和相邻间距数据进行做差处理，获得差值数据；
所述修正单元用于对于差值数据大于第二预设值的物理水尺刻度数据，以第二预设值来代替差值数据，从而校正所述差值数据大于第二预设值的物理水尺刻度数据；
所述差分处理单元用于将所有所述差值数据校正至小于等于第二预设值，并对校正后的物理水尺刻度数据进行差分处理，从而获得所述虚拟水尺信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210037514.9A CN114494695A (zh) | 2022-01-13 | 2022-01-13 | 一种智慧水利城乡积涝水位监测预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210037514.9A CN114494695A (zh) | 2022-01-13 | 2022-01-13 | 一种智慧水利城乡积涝水位监测预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114494695A true CN114494695A (zh) | 2022-05-13 |
Family
ID=81512263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210037514.9A Pending CN114494695A (zh) | 2022-01-13 | 2022-01-13 | 一种智慧水利城乡积涝水位监测预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494695A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546235A (zh) * | 2022-11-23 | 2022-12-30 | 成都见海科技有限公司 | 一种基于图像分割的水位识别方法、系统及存储介质 |
| CN115965639A (zh) * | 2022-12-26 | 2023-04-14 | 浙江南自建设集团有限公司 | 一种智慧水利图像处理方法、装置及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001281046A (ja) * | 2000-03-30 | 2001-10-10 | Japan Radio Co Ltd | 水位計測方法および装置 |
| CN107490398A (zh) * | 2017-08-04 | 2017-12-19 | 湖北工业大学 | 一种仪表指针自动识别方法 |
| CN111008614A (zh) * | 2019-12-24 | 2020-04-14 | 天津天地人和企业管理咨询有限公司 | 一种基于视频的无水尺水位读数方法 |
| CN112013921A (zh) * | 2019-05-30 | 2020-12-01 | 杭州海康威视数字技术股份有限公司 | 一种基于水位尺测量图像获取水位信息的方法、装置和系统 |
| CN112598001A (zh) * | 2021-03-08 | 2021-04-02 | 中航金城无人系统有限公司 | 一种基于多模型融合的船舶水尺读数自动识别方法 |
| CN113610079A (zh) * | 2021-07-29 | 2021-11-05 | 河南浩宇空间数据科技有限责任公司 | 一种基于机器视觉技术的虚拟水文标尺建立方法 |
-
2022
- 2022-01-13 CN CN202210037514.9A patent/CN114494695A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001281046A (ja) * | 2000-03-30 | 2001-10-10 | Japan Radio Co Ltd | 水位計測方法および装置 |
| CN107490398A (zh) * | 2017-08-04 | 2017-12-19 | 湖北工业大学 | 一种仪表指针自动识别方法 |
| CN112013921A (zh) * | 2019-05-30 | 2020-12-01 | 杭州海康威视数字技术股份有限公司 | 一种基于水位尺测量图像获取水位信息的方法、装置和系统 |
| CN111008614A (zh) * | 2019-12-24 | 2020-04-14 | 天津天地人和企业管理咨询有限公司 | 一种基于视频的无水尺水位读数方法 |
| CN112598001A (zh) * | 2021-03-08 | 2021-04-02 | 中航金城无人系统有限公司 | 一种基于多模型融合的船舶水尺读数自动识别方法 |
| CN113610079A (zh) * | 2021-07-29 | 2021-11-05 | 河南浩宇空间数据科技有限责任公司 | 一种基于机器视觉技术的虚拟水文标尺建立方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546235A (zh) * | 2022-11-23 | 2022-12-30 | 成都见海科技有限公司 | 一种基于图像分割的水位识别方法、系统及存储介质 |
| CN115965639A (zh) * | 2022-12-26 | 2023-04-14 | 浙江南自建设集团有限公司 | 一种智慧水利图像处理方法、装置及系统 |
| CN115965639B (zh) * | 2022-12-26 | 2023-08-29 | 浙江南自建设集团有限公司 | 一种智慧水利图像处理方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gamba et al. | Improving urban road extraction in high-resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts | |
| CN111274918B (zh) | 基于多源遥感影像的河流干涸断流监测方法和装置 | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| CN114494695A (zh) | 一种智慧水利城乡积涝水位监测预警方法及装置 | |
| CN113658192B (zh) | 一种多目标行人的轨迹获取方法、系统、装置及介质 | |
| CN115797798A (zh) | 基于废弃矿山遥感图像的生态修复效果评估方法 | |
| CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
| CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
| CN112766417A (zh) | 一种利用现场照片识别目标地块土地利用现状地类的方法及系统 | |
| CN105184225A (zh) | 一种多国纸币图像识别方法和装置 | |
| CN114495098A (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
| CN112784834A (zh) | 一种自然场景下的车牌自动识别方法 | |
| CN110991437B (zh) | 字符识别方法及其装置、字符识别模型的训练方法及其装置 | |
| CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
| CN103391441A (zh) | 一种基于差异能量的监控视频对象删除篡改检测算法 | |
| CN112085725B (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
| CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
| CN113311507A (zh) | 一种台风路径的识别方法及装置 | |
| CN112232303A (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
| CN110084157B (zh) | 图像重识别的数据处理方法及装置 | |
| CN116543308A (zh) | 一种基于多模型融合的滑坡检测预警模型及预警方法 | |
| CN116246308A (zh) | 基于视觉识别的多目标跟踪预警方法、装置及终端设备 | |
| CN112380986B (zh) | 抗复杂街道背景干扰的车型检测方法、系统及存储介质 | |
| CN115578695A (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
| CN108447045A (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 |
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 |