CN114742955A - 洪灾预警方法、装置、电子设备及存储介质 - Google Patents
洪灾预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114742955A CN114742955A CN202210464057.1A CN202210464057A CN114742955A CN 114742955 A CN114742955 A CN 114742955A CN 202210464057 A CN202210464057 A CN 202210464057A CN 114742955 A CN114742955 A CN 114742955A
- Authority
- CN
- China
- Prior art keywords
- water body
- image data
- target area
- network model
- flood
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Abstract
本发明公开了一种洪灾预警方法、装置、电子设备及存储介质,首先获取双目摄像装置采集的目标区域的影像数据;然后将影像数据输入至水体识别网络模型,得到水体识别网络模型输出的影像数据中的水体区域;再然后基于双目测距原理,将水体区域进行三维建模,得到三维水体区域;最后在目标区域被三维水体区域覆盖的情况下,获取目标区域的水体深度,并基于水体深度,对目标区域进行洪灾预警。该方法可以自动实现对目标区域内洪灾的灾时预警,不需要人工参与,可以大大提高洪灾预警的效率以及准确性,以便于及时通知相关人员进行洪灾救援,并且可以向用户发出洪灾提示,以使用户远离目标区域,保障人身安全,减少财产损失。
Description
技术领域
本发明是关于洪灾监测预警技术领域,特别是关于一种洪灾预警方法、装置、电子设备及存储介质。
背景技术
随着极端天气的增多,洪水灾害发生的频率以及危害程度都大大的提高,将会造成巨大的经济损失和安全隐患。因此,如何对洪灾进行有效的预警有着十分重要的意义。
传统的洪灾预警手段包括收集全国各地水文数据进行模拟建模,并结合气象数据来进行洪灾预警。该方法对于水文数据的准确性、有效性和代表性有很强的依赖,若水文数据质量不佳,将直接影响到洪灾预警的准确性。目前,随着空间遥感技术的不断发展,各类高分辨率遥感卫星相继升空,市场上也出现了不少使用卫星遥感影像进行各类流域的洪灾预警。
但上述方法均是针对于全国范围内的洪灾预警,无法提供更加精细化的区域洪灾预警。而且,上述方法中在进行洪灾预警时,通常需要大量的人工干预,对于大量数据时,效率过低,而且很难实现洪灾的实时预警。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种洪灾预警方法、装置、电子设备及存储介质,其能够自动实现对目标区域内洪灾的灾时预警,不需要人工参与,可以大大提高洪灾预警的效率以及准确性,以便于及时通知相关人员进行洪灾救援,并且可以向用户发出洪灾提示,以使用户远离目标区域,保障人身安全,减少财产损失。
为实现上述目的,本发明提供了一种洪灾预警方法,包括:
获取双目摄像装置采集的目标区域的影像数据;
将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;
基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;
若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;
其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
在本发明的一实施方式中,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,包括:
将所述影像数据输入至所述水体识别网络模型的物理机制层,由所述物理机制层基于水体影像颜色特征提取所述目标区域的备选区域;
将所述备选区域输入至所述水体识别网络模型的特征提取层,由所述特征提取层基于注意力机制确定所述备选区域的时空语义特征;
将所述时空语义特征输入至所述水体识别网络模型的特征恢复层,得到所述特征恢复层输出的所述水体区域。
在本发明的一实施方式中,所述注意力机制包括空间注意力机制和/或通道注意力机制。
在本发明的一实施方式中,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,之前包括:
获取活动于所述目标区域的上方空间内的无人机采集的无人机影像数据。
在本发明的一实施方式中,所述双目摄像装置为网络双目摄像头。
在本发明的一实施方式中,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,之前包括:
将所述影像数据进行立体校正操作、消除畸变操作以及图像裁剪操作中的至少一项。
在本发明的一实施方式中,所述基于所述水体深度,对所述目标区域进行洪灾预警,包括:
若所述水体深度大于等于预设深度,则向所述目标区域内的终端设备发送洪灾预警信息。
本发明还提供了一种洪灾预警装置,包括:
获取模块,用于获取双目摄像装置采集的目标区域的影像数据;
识别模块,用于将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;
建模模块,用于基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;
预警模块,用于若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;
其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
本发明还提供了一种电子设备,包括存储器、处理器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程序时实现如上述任一种所述洪灾预警方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述洪灾预警方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述洪灾预警方法的步骤。
与现有技术相比,根据本发明的洪灾预警方法、装置、电子设备及存储介质,能够自动实现对目标区域内洪灾的灾时预警,不需要人工参与,可以大大提高洪灾预警的效率以及准确性,以便于及时通知相关人员进行洪灾救援,并且可以向用户发出洪灾提示,以使用户远离目标区域,保障人身安全,减少财产损失。
附图说明
图1是根据本发明一实施方式的洪灾预警方法的流程示意图;
图2是根据本发明一实施方式的洪灾预警装置的结构示意图;
图3是根据本发明一实施方式的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
图1为本发明实施例提供的一种洪灾预警方法的流程示意图,如图1所示,该方法包括:
S1,获取双目摄像装置采集的目标区域的影像数据;
S2,将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;
S3,基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;
S4,若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;
其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
具体地,本发明实施例中提供的洪灾预警方法,其执行主体为洪灾预警装置,该装置可以配置于服务器内,该服务器可以是本地服务器,也可以是云端服务器,本地服务器具体可以是计算机以及平板电脑等,本发明实施例中对此不作具体限定。
首先执行步骤S1,获取双目摄像装置采集的目标区域的影像数据,该双目摄像装置可以是双目摄像头,目标区域可以是任意设定的区域,例如可以是地铁口,地下人行通道等区域。影像数据可以是双目摄像装置拍摄得到的目标区域的影像。
然后执行步骤S2,将影像数据输入至水体识别网络模型,通过该水体识别网络模型可以对影像数据进行处理,进而得到并输出水体识别网络模型输出的影像数据中的水体区域。其中,水体识别网络模型可以基于神经网络模型构建,可以通过携带有水体标注的历史水体影像样本对初始模型进行训练得到。本发明实施例中,水体识别网络模型又可以称为FloodNet深度学习模型。
例如,可以将历史水体影像样本输入至初始模型,得到初始模型输出的水体区域,然后通过水体区域与该历史水体影像样本携带的水体标注计算初始模型的损失函数,并基于该损失函数,对初始模型的模型参数进行更新。更换历史水体影像样本,重复执行上述过程,直至损失函数收敛,训练完成。最终得到水体识别网络模型。
该水体区域可以通过坐标点表示,例如该水体区域可以通过其边缘坐标点进行表示,也可以通过其内具有标志性的坐标点表示,此处不作具体限定。
然后执行步骤S3,基于双目测距原理,将水体区域进行三维建模,得到三维水体区域。由于步骤S2得到的水体区域为二维的水体区域,因此为确定水体深度以便于对目标区域进行洪灾预警,需要将二维的水体区域进行三维建模,得到三维水体区域。其中,三维建模时,可以利用双目摄像装置的双目测距原理,在已知双目摄像头内外方位元素及两个摄像头已标定过的相对位置(即右摄像头相对于左摄像头的平移向量和旋转矩阵)的基础上,通过前方交会得到影像数据中每个像素点与双目摄像装置的相对空间三维坐标信息,并经过双目摄像装置的绝对坐标信息进行修正,可以得到影像数据中水体的绝对空间三维坐标,即完成了三维建模,确定了目标区域内的三维水体区域。
其中,双目摄像装置的绝对坐标信息可以通过全球定位系统(GlobalPositioning System,GPS)静态观测测定,也可以通过其他可实施方式实现,此处不作具体限定。
然后执行步骤S4,判断目标区域是否被三维水体区域覆盖,在目标区域被三维水体区域覆盖的情况下,说明目标区域有产生洪灾的风险,可以进一步获取目标区域的水体深度,该水体深度可以通过步骤S3中的三维建模过程得到,然后根据水体深度,对目标区域进行洪灾预警。如果目标区域未被三维水体区域覆盖,则说明目标区域虽然存在较大有水区域,但是并无产生洪灾的风险,因此可以继续通过双目摄像装置采集目标区域的影像数据,并持续执行步骤S1-S4,直至目标区域被三维水体区域覆盖。
本发明实施例中提供的洪灾预警方法,首先获取双目摄像装置采集的目标区域的影像数据;然后将影像数据输入至水体识别网络模型,得到水体识别网络模型输出的影像数据中的水体区域;再然后基于双目测距原理,将水体区域进行三维建模,得到三维水体区域;最后在目标区域被三维水体区域覆盖的情况下,获取目标区域的水体深度,并基于水体深度,对目标区域进行洪灾预警。该方法可以自动实现对洪灾的灾时预警,不需要人工参与,可以大大提高洪灾预警的效率以及准确性,以便于及时通知相关人员进行洪灾救援,并且可以向用户发出洪灾提示,以使用户远离目标区域,保障人身安全,减少财产损失。
在上述实施例的基础上,本发明实施例中提供的洪灾预警方法,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,包括:
将所述影像数据输入至所述水体识别网络模型的物理机制层,由所述物理机制层基于水体影像颜色特征提取所述目标区域的备选区域;
将所述备选区域输入至所述水体识别网络模型的特征提取层,由所述特征提取层基于注意力机制确定所述备选区域的时空语义特征;
将所述时空语义特征输入至所述水体识别网络模型的特征恢复层,得到所述特征恢复层输出的所述水体区域。
具体地,本发明实施例中,水体识别网络模型可以包括物理机制层、特征提取层以及特征恢复层,物理机制层、特征提取层以及特征恢复层依次连接。物理机制层又可以称为RGB颜色区分层,由于水体影像颜色特征,即影像数据中水体的物理颜色在大部分的情况下都不会出现红色、白色等颜色,因此可以先通过物理机制层结合水体影像颜色特征对影像数据进行标注,把红色、白色等颜色标注为非水区域,未被标注的区域则为提取得到的目标区域的备选区域,如此不仅可以提高水体识别网络模型的学习效率以及学习精度,还可以提高目标区域内水体区域的获取效率。
物理机制层可以先对影像数据进行位深度转换,将影像数据转换为8bit位深影像,然后将8bit位深影像进行数字化处理,将8bit位深影像的颜色数字化为R、G、B三种参数,最后将数字化得到的R、G、B参数与预先设定的R、G、B参数阈值进行比较。对于8bit位深影像中的任一像元,若该像元的R、G、B参数均大于或等于R、G、B参数阈值,则将该像元标注为非水体像元。由此,所有非水体像元则构成非水体区域,剩余的区域即为目标区域的备选区域。
然后将备选区域输入至特征提取层,由特征提取层基于注意力机制确定备选区域的时空语义特征。其中,特征提取层可以是卷积层,该特征提取层可以包括卷积模块、池化模块以及激活模块。卷积模块用于通过卷积核采用注意力机制对备选区域进行卷积操作,池化模块用于对卷积操作的结果进行池化操作,激活模块用于对卷积操作的结果进行激活操作。
水体识别网络模型中可以包括一个或多个特征提取层,当包括多个特征提取层时,各特征提取层中卷积模块的卷积核大小可以相同,也可以不同,此处不作具体限定。例如,特征提取层为3个,且3个特征提取层依次连接,在前的特征提取层中卷积模块的卷积核大小依次减小。第一个特征提取层中卷积模块的卷积核大小可以是512×512,第二个特征提取层中卷积模块的卷积核大小可以是256×256,第三个特征提取层中卷积模块的卷积核大小可以是128×128。
卷积模块在通过卷积核对备选区域进行卷积操作时,可以利用一系列卷积滑动计算方式,根据卷积核大小与滑动步长,在影像数据的备选区域和多层时间序列上做卷积运算,从而得到影像数据的备选区域的时空语义特征。
激活模块需利用激活函数如Sigmoid函数或ReLu函数,将水体识别网络模型中的线性连接变成非线性关系,使得水体识别网络模型的输入输出的映射情况更加符合真实情况,可以对特征提取层提取的时空语义特征进行自动决策。
在该水体识别网络模型中,不仅设置了若干特征提取层以提取影像数据的备选区域中的时空语义特征,同时也可将前几个特征提取层提取出的时空语义特征与当前特征提取层进行运算,更加充分地利用浅层时空语义特征与深层时空语义特征,从而提高运算效率。
最后,将时空语义特征输入至特征恢复层,可以得到特征恢复层输出的目标区域内的水体区域。此处,特征恢复层也可以是卷积层,该特征提取层可以包括反卷积模块、池化模块以及激活模块。反卷积模块用于通过卷积核对时空语义特征进行反卷积操作,池化模块用于对反卷积操作的结果进行池化操作,激活模块用于对池化操作的结果进行激活操作。
水体识别网络模型中可以包括一个或多个特征恢复层,特征恢复层的数量与特征提取层的数量相等,当有多个特征恢复层时,各特征恢复层中反卷积模块的卷积核大小可以相同,也可以不同,此处不作具体限定。例如,特征恢复层为3个,且3个特征恢复层依次连接,在前的特征恢复层中反卷积模块的卷积核大小依次减小。第一个特征恢复层中反卷积模块的卷积核大小可以是128×128,第二个特征恢复层中反卷积模块的卷积核大小可以是256×256,第三个特征恢复层中反卷积模块的卷积核大小可以是512×512。
特征恢复层中池化模块与激活模块则与特征提取层中的池化模块与激活模块的结构和作用一致,此处不再赘述。
本发明实施例中,在水体识别网络模型中引入物理机制层,通过水体影像颜色特征可以对目标区域中的水体区域进行初步筛选,得到备选区域,可以提高水体识别网络模型对水体区域的识别效率。在水体识别网络模型的特征提取层引入注意力机制,可以使得到的时空语义特征更加精准,可以提高水体区域的识别准确度。
在上述实施例的基础上,本发明实施例中提供的洪灾预警方法,所述注意力机制包括空间注意力机制和/或通道注意力机制。
具体地,本发明实施例中,在特征提取层引入的注意力机制可以包括空间注意力机制以及时间注意力机制中的至少一项,通过空间注意力机制可以从空间上辅助得到时空语义特征,通过时间注意力机制可以从时间上辅助得到时空语义特征。
对于注意力机制,旨在告诉水体识别网络模型学习的重点区域,通过注意力机制,可以采用数学运算,提高影像数据的水体区域权重,并把通过注意力机制得到的新权重,与卷积层进行通道维度上的组合,提高水体识别的准确度。
水体识别网络模型可以使用两种注意力机制,分别为空间注意力机制以及通道注意力机制。通道注意力机制可以通过如下公式表示:
Mc(F)=δ(MLP(AvgPool(F))+MLP(MaxPool(F)))
其中,δ为激活函数,F为中间特征图(intermediate feature map),MLP为权值共享的多层感知机。
与通道注意力机制不同,空间注意力机制主要关注于位置信息,首先在通道的维度上使用最大池化和平均池化得到两个不同的特征层,然后将两个特征层合并,并使用卷积操作生成空间注意力分布图。空间注意力机制的计算过程如下式所示:
Mc(F)=δ(fn*n([AvgPool(f)];MaxPool(F)])
其中,fn*n为n*n的卷积运算。
本发明实施例中,引入不同注意力机制,可以从不同角度辅助时空语义特征的提取,可以提高提取准确率。
由于双目摄像装置可能存在盲区,如此导致得到的水体区域不准确,进而影响洪灾的预警准确性。
为此,在上述实施例的基础上,本发明实施例中提供的洪灾预警方法,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,之前包括:
获取活动于所述目标区域的上方空间内的无人机采集的无人机影像数据。
具体地,本发明实施例中,在获取双目摄像装置采集的目标区域的影像数据时,还可以获取活动于目标区域的上方空间内的无人机采集的无人机影像数据。该无人机可以配备全球定位系统(Global Positioning System,GPS)和惯性导航姿态校准装置(InterialMeasurement Unit,IMU),可以快速方便获取无人机获取影像数据时的内外方位元素及无人机的空间三维定位信息。
然后,将该无人机影像数据输入至水体识别网络模型,得到水体识别网络模型输出的无人机影像数据中的水体区域,通过无人机影像数据中的水体区域,对通过双目摄像装置采集的目标区域的影像数据中的水体区域进行更新,如此可以避免因双目摄像装置存在盲区而导致得到的目标区域的影像数据不完整,进而使得到水体区域不准确的现象发生,可以提高目标区域内水体区域的准确性,进一步提高预警准确性。
在上述实施例的基础上,本发明实施例中提供的洪灾预警方法,所述双目摄像装置为网络双目摄像头,网络双目摄像头与洪灾预警装置可以通过5G通信连接,如此可以兼顾网络双目摄像头与洪灾预警装置之间数据传输的速度和质量,提高洪灾预警效率。
在上述实施例的基础上,本发明实施例中提供的洪灾预警方法,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,之前包括:
将所述影像数据进行立体校正操作、消除畸变操作以及图像裁剪操作中的至少一项。
具体地,本发明实施例中,为提高影像数据的质量,在应用影像数据提取水体区域之前,可以将影像数据进行立体校正操作、消除畸变操作以及图像裁剪操作等,以降低水体识别网络模型的识别难度。
在上述实施例的基础上,本发明实施例中提供的洪灾预警方法,所述基于所述水体深度,对所述目标区域进行洪灾预警,包括:
若所述水体深度大于等于预设深度,则向所述目标区域内的终端设备发送洪灾预警信息。
具体地,本发明实施例中,在根据水体深度对目标区域进行洪灾预警时,可以判断水体深度与预设深度之间的大小关系,当水体深度大于等于预设深度时,说明目标区域内已经发生洪灾,此时需要向目标区域内的终端设备发送洪灾预警信息,以警示持有终端设备的用户目标区域已经发生洪灾,请勿靠近。其中,预设深度可以根据需要进行设置,用以作为洪灾发生时的水位深度。
当水体深度小于预设深度时,说明目标区域内并未发生洪灾,此时可以继续通过双目摄像装置采集目标区域的影像数据,并持续执行步骤S1-S4,直至目标区域被三维水体区域覆盖,继续对水体深度与预设深度之间的大小关系进行判断。
本发明实施例中,在水体深度大于等于预设深度时,向目标区域内的终端设备发送洪灾预警信息,可以及时通知终端设备的持有用户,降低洪灾可能造成的损害。
如图2所示,在上述实施例的基础上,本发明实施例中提供了一种洪灾预警装置,包括:
获取模块21,用于获取双目摄像装置采集的目标区域的影像数据;
识别模块22,用于将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;
建模模块23,用于基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;
预警模块24,用于若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;
其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
在上述实施例的基础上,本发明实施例中提供的洪灾预警装置,所述识别模块,用于:
将所述影像数据输入至所述水体识别网络模型的物理机制层,由所述物理机制层基于水体影像颜色特征提取所述目标区域的备选区域;
将所述备选区域输入至所述水体识别网络模型的特征提取层,由所述特征提取层基于注意力机制确定所述备选区域的时空语义特征;
将所述时空语义特征输入至所述水体识别网络模型的特征恢复层,得到所述特征恢复层输出的所述水体区域。
在上述实施例的基础上,本发明实施例中提供的洪灾预警装置,所述注意力机制包括空间注意力机制和/或通道注意力机制。
在上述实施例的基础上,本发明实施例中提供的洪灾预警装置,所述获取模块,还用于:
获取活动于所述目标区域的上方空间内的无人机采集的无人机影像数据。
在上述实施例的基础上,本发明实施例中提供的洪灾预警装置,所述双目摄像装置为网络双目摄像头。
在上述实施例的基础上,本发明实施例中提供的洪灾预警装置,还包括预处理模块,用于:
将所述影像数据进行立体校正操作、消除畸变操作以及图像裁剪操作中的至少一项。
在上述实施例的基础上,本发明实施例中提供的洪灾预警装置,所述预警模块,用于:
若所述水体深度大于等于预设深度,则向所述目标区域内的终端设备发送洪灾预警信息。
具体地,本发明实施例中提供的洪灾预警装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行上述各实施例中提供的洪灾预警方法,该方法包括:获取双目摄像装置采集的目标区域的影像数据;将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
此外,上述的存储器330中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例中提供的洪灾预警方法,该方法包括:获取双目摄像装置采集的目标区域的影像数据;将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例中提供的洪灾预警方法,该方法包括:获取双目摄像装置采集的目标区域的影像数据;将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种洪灾预警方法,其特征在于,包括:
获取双目摄像装置采集的目标区域的影像数据;
将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;
基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;
若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;
其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
2.如权利要1所述的洪灾预警方法,其特征在于,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,包括:
将所述影像数据输入至所述水体识别网络模型的物理机制层,由所述物理机制层基于水体影像颜色特征提取所述目标区域的备选区域;
将所述备选区域输入至所述水体识别网络模型的特征提取层,由所述特征提取层基于注意力机制确定所述备选区域的时空语义特征;
将所述时空语义特征输入至所述水体识别网络模型的特征恢复层,得到所述特征恢复层输出的所述水体区域。
3.如权利要求2所述的洪灾预警方法,其特征在于,所述注意力机制包括空间注意力机制和/或通道注意力机制。
4.如权利要求1-3中任一项所述的洪灾预警方法,其特征在于,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,之前包括:
获取活动于所述目标区域的上方空间内的无人机采集的无人机影像数据。
5.如权利要求1-3中任一项所述的洪灾预警方法所述的洪灾预警方法,其特征在于,所述双目摄像装置为网络双目摄像头。
6.如权利要求1-3中任一项所述的洪灾预警方法,其特征在于,所述将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域,之前包括:
将所述影像数据进行立体校正操作、消除畸变操作以及图像裁剪操作中的至少一项。
7.如权利要求1-3中任一项所述的洪灾预警方法,其特征在于,所述基于所述水体深度,对所述目标区域进行洪灾预警,包括:
若所述水体深度大于等于预设深度,则向所述目标区域内的终端设备发送洪灾预警信息。
8.一种洪灾预警装置,其特征在于,包括:
获取模块,用于获取双目摄像装置采集的目标区域的影像数据;
识别模块,用于将所述影像数据输入至水体识别网络模型,得到所述水体识别网络模型输出的所述影像数据中的水体区域;
建模模块,用于基于双目测距原理,将所述水体区域进行三维建模,得到三维水体区域;
预警模块,用于若所述目标区域被所述三维水体区域覆盖,则获取所述目标区域的水体深度,并基于所述水体深度,对所述目标区域进行洪灾预警;
其中,所述水体识别网络模型基于携带有水体标注的历史水体影像样本训练得到。
9.一种非暂态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如权利要求1至7任一项所述洪灾预警方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述洪灾预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210464057.1A CN114742955A (zh) | 2022-04-29 | 2022-04-29 | 洪灾预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210464057.1A CN114742955A (zh) | 2022-04-29 | 2022-04-29 | 洪灾预警方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742955A true CN114742955A (zh) | 2022-07-12 |
Family
ID=82284964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210464057.1A Pending CN114742955A (zh) | 2022-04-29 | 2022-04-29 | 洪灾预警方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742955A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410340A (zh) * | 2022-07-21 | 2022-11-29 | 栾奕 | 集视频、卫星与传感器监测一体的水库安全监控预警方法 |
-
2022
- 2022-04-29 CN CN202210464057.1A patent/CN114742955A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410340A (zh) * | 2022-07-21 | 2022-11-29 | 栾奕 | 集视频、卫星与传感器监测一体的水库安全监控预警方法 |
CN115410340B (zh) * | 2022-07-21 | 2023-11-14 | 栾奕 | 集视频、卫星与传感器监测一体的水库安全监控预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685842B (zh) | 一种基于多尺度网络的稀疏深度稠密化方法 | |
CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 | |
CN110956069B (zh) | 一种行人3d位置的检测方法及装置、车载终端 | |
CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
CN113705108A (zh) | 实时滑坡灾害监测预警方法及系统 | |
CN115797350B (zh) | 桥梁病害检测方法、装置、计算机设备和存储介质 | |
CN111325782A (zh) | 一种基于多尺度统一的无监督单目视图深度估计方法 | |
CN112560716A (zh) | 一种基于低层特征融合的高分辨率遥感影像水体提取方法 | |
CN112528974A (zh) | 测距方法、装置、电子设备及可读存储介质 | |
CN116485885A (zh) | 基于深度学习去除视觉slam前端动态特征点的方法 | |
CN114742955A (zh) | 洪灾预警方法、装置、电子设备及存储介质 | |
CN115272887A (zh) | 基于无人机检测的海岸带垃圾识别方法、装置以及设备 | |
CN112613437B (zh) | 一种违章建筑识别方法 | |
CN112598709B (zh) | 一种基于视频流的行人运动速度智能感知方法 | |
CN114494435A (zh) | 视觉与高精地图匹配定位的快速优化方法、系统及介质 | |
CN113496163B (zh) | 障碍物识别方法和装置 | |
CN112837404B (zh) | 一种平面对象的三维信息的构建方法及装置 | |
Saleh et al. | Navigational path detection for the visually impaired using fully convolutional networks | |
CN110751163B (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
CN110992291A (zh) | 基于三目视觉的测距方法、系统及存储介质 | |
CN116052120A (zh) | 基于图像增强和多传感器融合的挖掘机夜间物体检测方法 | |
CN111783580B (zh) | 基于人腿检测的行人识别方法 | |
CN110910496B (zh) | 基于大数据和ai的vr自然环境自动构成方法 | |
CN114089364A (zh) | 一种集成化的感知系统装置及实现方法 | |
CN112633158A (zh) | 一种输电线路走廊车辆识别方法、装置、设备和存储介质 |
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 |