CN115388977A - 基于实时视频的隧道水位超限预警方法、装置及电子设备 - Google Patents
基于实时视频的隧道水位超限预警方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115388977A CN115388977A CN202211147091.2A CN202211147091A CN115388977A CN 115388977 A CN115388977 A CN 115388977A CN 202211147091 A CN202211147091 A CN 202211147091A CN 115388977 A CN115388977 A CN 115388977A
- Authority
- CN
- China
- Prior art keywords
- early warning
- water level
- line
- water
- tunnel
- 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
- 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
- G01F23/04—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 by dip members, e.g. dip-sticks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fluid Mechanics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于实时视频的隧道水位超限预警方法、装置及电子设备,用于隧道水位超限预警,本发明涉及轨道交通技术领域;本发明采用Bisenetv2模型对隧道水流进行分割获取水流轮廓,将水流轮廓输入数学模型计算出水位线,然后采用水位预警判定模型对水位是否超预警线进行判定,若发生的超限事件则预警,输出预警图片及对应的水位超限等级,本发明通过摄像机采集图片,可多角度多姿态采集,图片采用分割的方法能够更精细的获取到水流轮廓,配置水位预警线,对应水位预警等级进行预警,提高水位预警准确性。
Description
技术领域
一种基于实时视频的隧道水位超限预警方法、装置及电子设备,用于隧道水位超限预警,本发明涉及轨道交通技术领域。
背景技术
我国暴雨洪涝天气在各地频繁发生,城市地铁隧道由于地势低,易遭受雨水倒灌,导致隧道水位超限,严重威胁到隧道的正常运营,造成严重的后果;故科学合理的应急预警方案将为隧道运营安全提供有力保障;城市地铁隧道是城市的重要交通枢纽,分析发现,暴雨洪涝天气隧道中雨水不能及时排出的主要原因在于,缺乏智能的隧道水位等级超限预警系统,导致隧道列车及人员被淹没而不能及时撤离,检索“隧道水位”关键字可发现现有的技术,基本都是基于液位计或水位传感器实现水位检测,现有的隧道水位预警技术,极易因暴雨/洪水淹没而导致设备损坏或烧毁,无法进行预警。
发明内容
本发明的目的在于:为了解决现有的隧道水位预警技术,极易因暴雨/洪水淹没而导致设备损坏或烧毁,无法进行预警的技术问题,本发明提供一种基于实时视频的隧道水位超限预警方法、装置及电子设备,通过在隧道高位安装带备用电源的摄像头,实时拍摄隧道场景视频,将实时视频流输入图像语义分割模型+水位预警判定,实现隧道水位超限及时预警的目的。
本发明采用的技术方案如下:一种基于实时视频的隧道水位超限预警方法,包括如下步骤:
S1、信息采集:包括配置参数和视频取帧,所述配置参数是获取n条预警线及其对应的预警等级,用于水位超限判定;设置水位测量标尺,用于截取水位线;所述视频取帧是读取实时视频流或离线视频,按指定帧率进行截帧,得到输入图片帧;
S2、获取水位线段:将步骤S1得到的输入图片帧输入到构建的BisenetV2水流分割模型,得到分割结果获取水流轮廓;再将水流轮廓及配置参数获取的y纵轴线方程输入到数学模型,求取水位线;其中,BisenetV2水流分割模型采用图像语义分割获得隧道水流区域的轮廓信息,根据轮廓信息及配置参数计算出水位线;
S3、水位超限预警判定:遍历n条水位预警线的中心点纵坐标,获取隧道水位所处预警等级;判断当前水位是否达到某预警线,满足条件后触发预警,其中,在水位预警判定过程中,对不同摄像头下的水流区域、角度等不一样,通过配置参数及数学方法,可完成对实际隧道水位线所属的水位等级的估计,达到预警的目的。
步骤S2所述BisenetV2水流分割模型的算法流程如下:
a、采集不同隧道场景下的有水流及无水流图片,保证样本的多样性;
b、采用半自动标注法对数据集进行标注;
c、用标注好的图片集进行BisenetV2模型训练及调优;
d、将隧道水位场景图像帧输入到BisenetV2分割模型,进行水流分割,获取水流掩码;
e、通过OpenCV自带的轮廓函数cv2.findContours,获取水流掩码对应的水流轮廓。
在地铁隧道中的水流因阴影、光线、波纹等原因,边缘分界不是很明显,因此需要采用对边缘特征的提取能力较强的网络;同时在语义分割领域,由于需要对输入图片进行逐像素的分类,运算量很大,故需要使用尽量少的运算量和参数量的同时获得较高的模型精度;综合上述情况,本发明采用BisenetV2网络进行语义分割,双边分割网络(BiSeNetV2)将这些低层次的空间细节和高层次的分类语义分开处理,以实现高精度和高效率的实时语义分割,细节分支,具有宽通道和浅层,用于捕获低层细节并生成高分辨率的特征表示;语义分支(轻量级的,它减少了通道容量和快速下采样策略),通道窄,层次深,获取高层次语义语境。此外,通过设计引导聚合层来增强相互连接和融合这两种类型的特征表示;通过设计一种增强型训练策略,在不增加任何推理代价的情况下提高分割性能。
步骤S1所述配置参数标注出摄像头点位下的所有的水位预警线,并给出对应的水位等级。如“水位图像坐标系”中的Line-1、Line-2、...、Line-n为配置的n条水位预警线,Y1、Y2、...、Yn为配置的n条水位预警线对应的预警等级名称;配置水位预警线时,利用2点组成1条直线段原理,故每条水位预警线各配置2个端点,以第n条预警线为例:第0个端点坐标为(Xn0、Yn0),第1个端点坐标为(Xn1、Yn1)。
步骤S1所述配置参数还标注出摄像头点位下的2条水位测量标尺参考线,用于截取水位线。
步骤S2所述获取水位线段的具体步骤如下:
a、计算两条y纵轴线的直线方程y= ax+b,式中,a代表直线的斜率,b代表这条直线与y轴的截距,x表示自变量,y表示因变量;
b、计算两条y纵轴线与水流轮廓的交点:
Ⅰ、采用点到直线的距离公式, d = |Ax+By+C|/sqrt(A*A + B*B), 计算点(x,y)到直线Ax+By+c距离;式中,已知直线一般式Ax+By+C=0,A、B为不同时为零的实数,C为常数项,x表示自变量,y表示因变量;
Ⅱ、Point NMS,对交点进行非极大值抑制;
Ⅲ、获得两交点组成的线段即水位线的中心点的坐标(x_water, y_water)。
步骤S3所述水位超限预警判定流程如下:
a、计算两条y纵轴线与n条预警线(遍历方式)的交点,从而获取k条预警线段的中心点坐标;
b、判断当前水位是否达到某预警线:即所求水位线段中心点的纵坐标y_water是否小于等于第i条预警线中心点的纵坐标,满足条件则当前隧道水位等级等于第i条预警线的预警等级。
若水位达到新的水位预警等级,产生新的超限事件则预警并输出对应的预警图片。
一种基于实时视频的隧道水位超限预警装置,包括:
输入模块,用于通过获取n条预警线及其对应的预警等级,进行水位超限判定;通过获取2条y纵轴线段,截取水位线;并且读取实时视频流或离线视频,按指定帧率进行截帧,得到输入图片帧;
算法模块,用于将步骤S1得到的输入图片帧输入到训练好的BisenetV2水流分割模型,得到分割结果获取水流轮廓;再将水流轮廓及配置参数获取的y纵轴线方程输入到数学模型,求取水位线;
逻辑判断模块和输出模块,用于遍历n条水位预警线的中心点纵坐标,获取隧道水位所处预警等级;判断当前水位是否达到某预警线,满足条件后触发预警。
一种电子设备,包括:存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述方法的步骤。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、水流区域为不规则区域,如目标识别的方法,检测出的水流区域为矩形,而采用双边分割网络(BiSeNet V2)可将低层细节和高层语义分开处理,以实现高精度和高效率的实时语义分割,从而能够更精细的获取到水流轮廓;
2、采用水位预警判定模型,将BiSeNet V2分割模型获取的水位线与配置的n条预警线位置进行比对,输出大于等于的预警线中预警等级最高的一个,从而实现隧道水位超限预警。
3、摄像机的安装约束小,可以安装在隧道上方的任一位置,可多角度多姿态,只需保证水流区域在视野内即可;
4、未达到任何报警等级,则无报警图片输出,当达到预警等级时,输出报警图片到监控系统,将地段、水位以及达到某种等级等预警信息推送到监控系统前端,监控人员可调看该路段的实时监控,也可回看视频,实现可追溯可复核的效果。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明工作流程框图;
图2是本发明输入模块流程框图;
图3是本发明算法模块流程框图;
图4是本发明逻辑判断模块和输出模块流程框图;
图5是本发明摄像头参数配置示意图;
图6是本发明实施例1达到预警等级输出报警图片;
图7是本发明实施例2达到预警等级输出报警图片;
图8是本发明实施例3达到预警等级输出报警图片。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
如图1-5所示,本实施例提供一种基于实时视频的隧道水位超限预警方法,包括如下步骤:
S1、信息采集:包括配置参数和视频取帧,所述配置参数是获取n条预警线及其对应的预警等级,用于水位超限判定;设置水位测量标尺,用于截取水位线;所述视频取帧是读取实时视频流或离线视频,按指定帧率进行截帧,得到输入图片帧;
S2、获取水位线段:将步骤S1得到的输入图片帧输入到构建的BisenetV2水流分割模型,得到分割结果获取水流轮廓;再将水流轮廓及配置参数获取的y纵轴线方程输入到数学模型,求取水位线;其中,BisenetV2水流分割模型采用图像语义分割获得隧道水流区域的轮廓信息,根据轮廓信息及配置参数计算出水位线;
S3、水位超限预警判定:遍历n条水位预警线的中心点纵坐标,获取隧道水位所处预警等级;判断当前水位是否达到某预警线,满足条件后触发预警,其中,在水位预警判定过程中,对不同摄像头下的水流区域、角度等不一样,通过配置参数及数学方法,可完成对实际隧道水位线所属的水位等级的估计,达到预警的目的,在触发预警后,输出判定的预警事件,记录预警时间、摄像头点位信息、预警描述、水位预警等级等信息,保存报警图片。
步骤S2所述BisenetV2水流分割模型的算法流程如下:
a、采集不同隧道场景下的有水流及无水流图片,保证样本的多样性;
b、采用半自动标注法对数据集进行标注;
c、用标注好的图片集进行BisenetV2模型训练及调优;
d、将隧道水位场景图像帧输入到BisenetV2分割模型,进行水流分割,获取水流掩码;
e、通过OpenCV自带的轮廓函数cv2.findContours,获取水流掩码对应的水流轮廓。
在地铁隧道中的水流因阴影、光线、波纹等原因,边缘分界不是很明显,因此需要采用对边缘特征的提取能力较强的网络;同时在语义分割领域,由于需要对输入图片进行逐像素的分类,运算量很大,故需要使用尽量少的运算量和参数量的同时获得较高的模型精度;综合上述情况,本发明采用BisenetV2网络进行语义分割,双边分割网络(BiSeNetV2)将这些低层次的空间细节和高层次的分类语义分开处理,以实现高精度和高效率的实时语义分割,细节分支,具有宽通道和浅层,用于捕获低层细节并生成高分辨率的特征表示;语义分支(轻量级的,它减少了通道容量和快速下采样策略),通道窄,层次深,获取高层次语义语境。此外,通过设计引导聚合层来增强相互连接和融合这两种类型的特征表示;通过设计一种增强型训练策略,在不增加任何推理代价的情况下提高分割性能。
步骤S1所述配置参数标注出摄像头点位下的所有的水位预警线,并给出对应的水位等级。如“水位图像坐标系”中的Line-1、Line-2、...、Line-n为配置的n条水位预警线,Y1、Y2、...、Yn为配置的n条水位预警线对应的预警等级名称;配置水位预警线时,利用2点组成1条直线段原理,故每条水位预警线各配置2个端点,以第n条预警线为例:第0个端点坐标为(Xn0、Yn0),第1个端点坐标为(Xn1、Yn1)。
步骤S1所述配置参数还标注出摄像头点位下的2条水位测量标尺参考线,用于截取水位线。
步骤S2所述获取水位线段的具体步骤如下:
a、计算两条y纵轴线的直线方程y= ax+b,式中,a代表直线的斜率,b代表这条直线与y轴的截距,x表示自变量,y表示因变量;
b、计算两条y纵轴线与水流轮廓的交点:
Ⅰ、采用点到直线的距离公式, d = |Ax+By+C|/sqrt(A*A + B*B), 计算点(x,y)到直线Ax+By+c距离;式中,已知直线一般式Ax+By+C=0,A、B为不同时为零的实数,C为常数项,x表示自变量,y表示因变量;
Ⅱ、Point NMS,对交点进行非极大值抑制;
Ⅲ、获得两交点组成的线段即水位线的中心点的坐标(x_water, y_water)。
步骤S3所述水位超限预警判定流程如下:
a、计算两条水位测量标尺y纵轴线与n条预警线(遍历方式)的交点,从而获取k条预警线段的中心点坐标;
b、判断当前水位是否达到某预警线:即所求水位线段中心点的纵坐标y_water是否小于等于第i条预警线中心点的纵坐标,满足条件则当前隧道水位等级等于第i条预警线的预警等级。
若水位达到新的水位预警等级,产生新的超限事件则预警并输出对应的预警图片。
一种基于实时视频的隧道水位超限预警装置,包括:
输入模块,用于通过获取n条预警线及其对应的预警等级,进行水位超限判定;通过获取2条y纵轴线段,截取水位线;并且读取实时视频流或离线视频,按指定帧率进行截帧,得到输入图片帧;
算法模块,用于将步骤S1得到的输入图片帧输入到训练好的BisenetV2水流分割模型,得到分割结果获取水流轮廓;再将水流轮廓及配置参数获取的y纵轴线方程输入到数学模型,求取水位线;
逻辑判断模块和输出模块,用于遍历n条水位预警线的中心点纵坐标,获取隧道水位所处预警等级;判断当前水位是否达到某预警线,满足条件后触发预警。
一种电子设备,包括:存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述方法的步骤。
综上所述,本发明采用Bisenetv2模型对隧道水流进行分割获取水流轮廓,将水流轮廓输入数学模型计算出水位线,然后采用水位预警判定对水位是否超预警线进行判定,超出则进行预警,若发生新的超限事件则再次预警,输出预警图片及对应的水位超限等级。
实施例1
如图6所示,S1、按指定帧率进行截帧,摄像机对所述水位测量标尺在水位上的部分进行拍摄,以获得水上标尺图像,得到输入图片帧;
S2、获取水位线段:将步骤S1得到的输入图片帧输入到构建的BisenetV2水流分割模型,得到分割结果获取水流轮廓;再将水流轮廓及配置参数获取的y纵轴线方程输入到数学模型,求取水位线;其中,BisenetV2水流分割模型采用图像语义分割获得隧道水流区域的轮廓信息,根据轮廓信息及配置参数计算出水位线;
参阅图6,所述获取水位线段的具体计算步骤如下:
a、计算两条y纵轴线的直线方程y= ax+b,式中,a代表直线的斜率,b代表这条直线与y轴的截距,x表示自变量,y表示因变量;
b、计算两条y纵轴线与水流轮廓的交点:
Ⅰ、采用点到直线的距离公式, d = |Ax+By+C|/sqrt(A*A + B*B), 计算点(x,y)到直线Ax+By+c距离;式中,已知直线一般式Ax+By+C=0,A、B为不同时为零的实数,C为常数项,x表示自变量,y表示因变量;
Ⅱ、Point NMS,对交点进行非极大值抑制;
Ⅲ、获得两交点组成的线段即水位线的中心点的坐标(536, 306)。
S3、水位超限预警判定:遍历配置的4条水位预警线的中心点纵坐标{'1':332.492, '2': 318.855, '3': 298.485, '4': 272.896},获取隧道水位线中心点纵坐标306,判断当前水位达到第’2’条预警线的预警等级,即第’2’级,满足条件触发预警,输出预警图6到监制系统。
实施例2
如图7所示,计算两条y纵轴线的直线方程y= ax+b,式中,a代表直线的斜率,b代表这条直线与y轴的截距,x表示自变量,y表示因变量;
b、计算两条y纵轴线与水流轮廓的交点:
Ⅰ、采用点到直线的距离公式, d = |Ax+By+C|/sqrt(A*A + B*B), 计算点(x,y)到直线Ax+By+c距离;式中,已知直线一般式Ax+By+C=0,A、B为不同时为零的实数,C为常数项,x表示自变量,y表示因变量;
Ⅱ、Point NMS,对交点进行非极大值抑制;
Ⅲ、获得两交点组成的线段即水位线的中心点的坐标(392, 325)。
S3、水位超限预警判定:遍历配置的4条水位预警线的中心点纵坐标{'1':331.696, '2': 291.323, '3': 245.36, '4': 228.901},获取隧道水位线中心点纵坐标325,判断当前水位达到第’1’条预警线的预警等级,即第’1’级,满足条件触发预警,输出预警图7到监制系统。
实施例3
如图8所示,计算两条y纵轴线的直线方程y= ax+b,式中,a代表直线的斜率,b代表这条直线与y轴的截距,x表示自变量,y表示因变量;
b、计算两条y纵轴线与水流轮廓的交点:
Ⅰ、采用点到直线的距离公式, d = |Ax+By+C|/sqrt(A*A + B*B), 计算点(x,y)到直线Ax+By+c距离;式中,已知直线一般式Ax+By+C=0,A、B为不同时为零的实数,C为常数项,x表示自变量,y表示因变量;
Ⅱ、Point NMS,对交点进行非极大值抑制;
Ⅲ、获得两交点组成的线段即水位线的中心点的坐标(360.0, 388.5)。
S3、水位超限预警判定:遍历配置的3条水位预警线的中心点纵坐标{'1':421.226, '2': 401.548, '3': 342.194},获取隧道水位线中心点纵坐标388.5,判断当前水位达到第’2’条预警线的预警等级,即第’2’级,满足条件触发预警,输出预警图8到监制系统。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (9)
1.一种基于实时视频的隧道水位超限预警方法,其特征在于,包括如下步骤:
S1、信息采集:包括配置参数和视频取帧,所述配置参数是获取n条预警线及其对应的预警等级,用于水位超限判定;设置水位测量标尺,用于截取水位线;所述视频取帧是读取实时视频流或离线视频,按指定帧率进行截帧,得到输入图片帧;
S2、获取水位线段:将步骤S1得到的输入图片帧输入到构建的BisenetV2水流分割模型,得到分割结果获取水流轮廓;再将水流轮廓及配置参数获取的y纵轴线方程输入到数学模型,求取水位线;
S3、水位超限预警判定:遍历n条水位预警线的中心点纵坐标,获取隧道水位所处预警等级;判断当前水位是否达到某预警线,满足条件后触发预警。
2.根据权利要求1所述的一种基于实时视频的隧道水位超限预警方法,其特征在于,步骤S2所述BisenetV2水流分割模型的算法流程如下:
a、采集不同隧道场景下的有水流及无水流图片,保证样本的多样性;
b、采用半自动标注法对数据集进行标注;
c、用标注好的图片集进行BisenetV2模型训练及调优;
d、将隧道水位场景图像帧输入到BisenetV2分割模型,进行水流分割,获取水流掩码;
e、通过OpenCV自带的轮廓函数cv2.findContours,获取水流掩码对应的水流轮廓。
3.根据权利要求1所述的一种基于实时视频的隧道水位超限预警方法,其特征在于,步骤S1所述配置参数标注出摄像头点位下的所有的水位预警线,并给出对应的水位等级。
4.根据权利要求3所述的一种基于实时视频的隧道水位超限预警方法,其特征在于,步骤S1所述配置参数还标注出摄像头点位下的2条水位测量标尺参考线,其中,水位测量标尺参考线竖直绘制。
5.根据权利要求1所述的一种基于实时视频的隧道水位超限预警方法,其特征在于,步骤S2所述获取水位线段的具体步骤如下:
a、计算两条y纵轴线的直线方程y= ax+b,式中,a代表直线的斜率,b代表这条直线与y轴的截距,x表示自变量,y表示因变量;
b、计算两条y纵轴线与水流轮廓的交点:
Ⅰ、采用点到直线的距离公式, d = |Ax+By+C|/sqrt(A*A + B*B), 计算点(x,y)到直线Ax+By+c距离;式中,已知直线一般式Ax+By+C=0,A、B为不同时为零的实数,C为常数项,x表示自变量,y表示因变量;
Ⅱ、Point NMS,对交点进行非极大值抑制;
Ⅲ、获得两交点组成的线段即水位线的中心点的坐标(x_water, y_water)。
6.根据权利要求1所述的一种基于实时视频的隧道水位超限预警方法,其特征在于,步骤S3所述水位超限预警判定流程如下:
a、计算水位测量标尺上的y纵轴线与n条预警线的交点,从而获取k条预警线段的中心点坐标;
b、判断当前水位是否达到某预警线:即所求水位线段中心点的纵坐标y_water是否小于等于第i条预警线中心点的纵坐标,满足条件则当前隧道水位等级等于第i条预警线的预警等级。
7.根据权利要求1所述的一种基于实时视频的隧道水位超限预警方法,其特征在于,若水位达到新的水位预警等级,产生新的超限事件则预警并输出对应的预警图片。
8.一种基于实时视频的隧道水位超限预警装置,其特征在于,包括:
输入模块,用于通过获取n条预警线及其对应的预警等级,进行水位超限判定;设置水位测量标尺,截取水位线;并且读取实时视频流或离线视频,按指定帧率进行截帧,得到输入图片帧;
算法模块,用于将步骤S1得到的输入图片帧输入到构建的BisenetV2水流分割模型,得到分割结果获取水流轮廓;再将水流轮廓及配置参数获取的y纵轴线方程输入到数学模型,求取水位线;
逻辑判断模块和输出模块,用于遍历n条水位预警线的中心点纵坐标,获取隧道水位所处预警等级;判断当前水位是否达到某预警线,满足条件后触发预警。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211147091.2A CN115388977A (zh) | 2022-09-21 | 2022-09-21 | 基于实时视频的隧道水位超限预警方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211147091.2A CN115388977A (zh) | 2022-09-21 | 2022-09-21 | 基于实时视频的隧道水位超限预警方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115388977A true CN115388977A (zh) | 2022-11-25 |
Family
ID=84126788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211147091.2A Pending CN115388977A (zh) | 2022-09-21 | 2022-09-21 | 基于实时视频的隧道水位超限预警方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115388977A (zh) |
-
2022
- 2022-09-21 CN CN202211147091.2A patent/CN115388977A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103164706B (zh) | 基于视频信号分析的对象计数方法与装置 | |
CN110675415B (zh) | 一种基于深度学习增强实例分割的道路积水区域检测方法 | |
CN110688922A (zh) | 基于深度学习的交通拥堵检测系统及检测方法 | |
CN112836657B (zh) | 一种基于轻量化YOLOv3的行人检测方法及系统 | |
CN111582182B (zh) | 船舶名称识别方法、系统、计算机设备及存储介质 | |
CN111582029A (zh) | 一种基于密集连接与注意力机制的交通标志识别方法 | |
CN113989510B (zh) | 一种河道排水口溢流检测方法、装置及相关设备 | |
CN116434159A (zh) | 一种基于改进YOLO V7和Deep-Sort的交通流量统计方法 | |
CN112633722A (zh) | 车载道路安全风险评估系统及方法 | |
CN108471497A (zh) | 一种基于云台摄像机的船目标实时检测方法 | |
CN110852179A (zh) | 基于视频监控平台的可疑人员入侵的检测方法 | |
CN114783149A (zh) | 一种基于大数据和图像识别的地质灾害监测预警方法 | |
CN112637550A (zh) | 多路4k准实时拼接视频的ptz动目标跟踪方法 | |
CN113744267B (zh) | 一种基于深度学习的输电导线覆冰检测和厚度估计的方法 | |
CN114694078A (zh) | 一种基于多目标跟踪的交通行为判定方法 | |
CN101877135B (zh) | 一种基于背景重构的运动目标检测方法 | |
Yuliandoko et al. | Automatic vehicle counting using Raspberry pi and background subtractions method in the sidoarjo toll road | |
CN113823088A (zh) | 基于视觉识别技术的城市道路积水深度预测及预警方法 | |
CN111476314B (zh) | 一种融合光流算法与深度学习的模糊视频检测方法 | |
CN116912517B (zh) | 相机视野边界的检测方法及装置 | |
CN117152617A (zh) | 一种城市洪涝识别方法及系统 | |
CN115388977A (zh) | 基于实时视频的隧道水位超限预警方法、装置及电子设备 | |
CN116311039A (zh) | 一种城市降水量反演方法、装置、计算机设备及存储介质 | |
CN112784914B (zh) | 一种基于云端处理的管廊视频智能属性检测方法及系统 | |
CN113192011A (zh) | 一种基于监控视频图像的交通事故车速测量方法 |
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 |