CN116091719A - 一种基于物联网的河道数据管理方法及系统 - Google Patents
一种基于物联网的河道数据管理方法及系统 Download PDFInfo
- Publication number
- CN116091719A CN116091719A CN202310200415.2A CN202310200415A CN116091719A CN 116091719 A CN116091719 A CN 116091719A CN 202310200415 A CN202310200415 A CN 202310200415A CN 116091719 A CN116091719 A CN 116091719A
- Authority
- CN
- China
- Prior art keywords
- preset
- river channel
- river
- result
- abnormal
- 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 41
- 238000013523 data management Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 97
- 230000007613 environmental effect Effects 0.000 claims abstract description 49
- 238000007689 inspection Methods 0.000 claims abstract description 38
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 230000000007 visual effect Effects 0.000 claims abstract description 26
- 238000009877 rendering Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 41
- 230000000694 effects Effects 0.000 abstract description 16
- 230000005856 abnormality Effects 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于物联网的河道数据管理方法及系统，涉及计算机应用技术领域，所述方法包括：对预设河道采集得到预设环境特征集，其中包括多个环境特征；基于预设建模方案得到预设河道地图；通过智能航拍设备得到预设河道巡拍视频；组建预设关键帧集合，其中包括多张关键帧图像；构建智能分类模型并得到输出信息，其中包括多组河道异常图像；分析并将渲染得到可视化河道模型；通过可视化河道模型进行管理。解决了现有技术中存在河道异常发现不及时、易漏检错检，进而导致河道智能化管理效果不佳的问题。实现了对预设河道进行可视化智能管理、精细化分类管理的目标，达到了提高河道管理及时性、准确性、有效性的技术效果。
Description
技术领域
本发明涉及计算机应用技术领域，尤其涉及一种基于物联网的河道数据管理方法及系统。
背景技术
通过河道数据处理分析实现对河道的智能化管理，及时、准确地预警河道水污染等异常情况，对于保障河道水质稳定达标、规范化河道管理、美化河道生态环境具有重要作用。现有技术中通过无人机遥感技术、大数据等对河道进行智能监测管理时，存在河道异常发现不及时、易漏检错检，进而导致河道智能化管理效果不佳的问题。因此，研究利用计算机技术提高河道管理的智能化水平，进而提高河道管理及时性、准确性、有效性，对于相关人员进行河道异常风险分析评估、制定针对性紧急预案具有重要意义。
然而，现有技术中通过无人机遥感技术、大数据等对河道进行智能监测管理时，存在河道异常发现不及时、易漏检错检，进而导致河道智能化管理效果不佳的问题。
发明内容
本发明的目的是提供一种基于物联网的河道数据管理方法及系统，用以解决现有技术中通过无人机遥感技术、大数据等对河道进行智能监测管理时，存在河道异常发现不及时、易漏检错检，进而导致河道智能化管理效果不佳的问题。
鉴于上述问题，本发明提供了一种基于物联网的河道数据管理方法及系统。
第一方面，本发明提供了一种基于物联网的河道数据管理方法，所述河道数据管理方法应用于河道数据管理系统，所述河道数据管理系统与智能航拍设备通信相连，其中，所述方法包括：通过对预设河道进行环境特征采集，得到预设环境特征集，其中，所述预设环境特征集包括多个环境特征；获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图；通过智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频；对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，其中，所述预设关键帧集合包括多张关键帧图像；基于AdaBoost算法原理构建智能分类模型，并将所述多张关键帧图像作为所述智能分类模型的输入信息，得到输出信息，其中，所述输出信息包括多组河道异常图像；对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型；通过所述可视化河道模型对所述预设河道进行管理。
第二方面，本发明还提供了一种基于物联网的河道数据管理系统，用于执行如第一方面所述的一种基于物联网的河道数据管理方法，其中，所述系统包括：第一采集模块，所述第一采集模块用于对预设河道进行环境特征采集，得到预设环境特征集，其中，所述预设环境特征集包括多个环境特征；第一构建模块，所述第一构建模块用于获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图；第二采集模块，所述第二采集模块用于通过智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频；第一获得模块，所述第一获得模块用于对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，其中，所述预设关键帧集合包括多张关键帧图像；第二获得模块，所述第二获得模块用于基于Ada Boost算法原理构建智能分类模型，并将所述多张关键帧图像作为所述智能分类模型的输入信息，得到输出信息，其中，所述输出信息包括多组河道异常图像；第二构建模块，所述第二构建模块用于对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型；执行模块，所述执行模块用于通过所述可视化河道模型对所述预设河道进行管理。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过对预设河道进行环境特征采集，得到预设环境特征集，其中，所述预设环境特征集包括多个环境特征；获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图；通过智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频；对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，其中，所述预设关键帧集合包括多张关键帧图像；基于Ada Boost算法原理构建智能分类模型，并将所述多张关键帧图像作为所述智能分类模型的输入信息，得到输出信息，其中，所述输出信息包括多组河道异常图像；对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型；通过所述可视化河道模型对所述预设河道进行管理。通过智能航拍设备对预设河道进行视频信息采集，结合构建的预设河道地图，实现了对预设河道进行可视化智能管理的技术目标，结合智能分类模型对河道异常进行自动化分类，实现了对河道异常进行精细化的分类管理目标，达到了提高河道管理及时性、准确性、有效性的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明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示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本发明一种基于物联网的河道数据管理方法的流程示意图；
图2为本发明一种基于物联网的河道数据管理方法中根据渲染结果生成预设河道地图的流程示意图；
图3为本发明一种基于物联网的河道数据管理方法中根据分析结果组建预设关键帧集合的流程示意图；
图4为本发明一种基于物联网的河道数据管理方法中叠加得到智能分类模型的流程示意图；
图5为本发明一种基于物联网的河道数据管理系统的结构示意图。
附图标记说明：
第一采集模块M100，第一构建模块M200，第二采集模块M300，第一获得模块M400，第二获得模块M500，第二构建模块M600，执行模块M700。
具体实施方式
本发明通过提供一种基于物联网的河道数据管理方法及系统，解决了现有技术中通过无人机遥感技术、大数据等对河道进行智能监测管理时，存在河道异常发现不及时、易漏检错检，进而导致河道智能化管理效果不佳的问题。通过智能航拍设备对预设河道进行视频信息采集，结合构建的预设河道地图，实现了对预设河道进行可视化智能管理的技术目标，结合智能分类模型对河道异常进行自动化分类，实现了对河道异常进行精细化的分类管理目标，达到了提高河道管理及时性、准确性、有效性的技术效果。
下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做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。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例
请参阅附图1，本发明提供了一种基于物联网的河道数据管理方法，其中，所述方法应用于一种基于物联网的河道数据管理系统，所述方法具体包括如下步骤：
步骤S100：对预设河道进行环境特征采集，得到预设环境特征集，其中，所述预设环境特征集包括多个环境特征；
具体而言，所述河道数据管理方法应用于河道数据管理系统，可以对预设河道进行智能化的信息采集和异常识别管理，并通过对河道异常进行精细化的管理实现河道管理准确性、有效性的效果。其中，所述预设河道是指任意一个待使用所述河道数据管理系统进行河道智能监测和异常管理的河道。通过对所述预设河道的形状、地势变化、尺寸面积以及实际河道分流位置等情况进行采集，得到所述预设河道的相关特征信息，并组成所述预设环境特征集。通过采集得到预设河道的预设环境特征集，实现了为后续构建河道地图提供基本指标参数和环境特征的技术目标。
步骤S200：获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图；
进一步的，如附图2所示，本发明步骤S200还包括：
步骤S210：依次提取所述多个环境特征中的形状特征、尺寸特征、分布特征；
步骤S220：根据所述形状特征、所述尺寸特征，得到所述预设河道的初始地图；
步骤S230：对所述初始地图进行栅格划分，得到栅格划分结果，其中，所述栅格划分结果包括多个栅格；
步骤S240：提取所述多个栅格中的目标栅格，并匹配所述目标栅格的实际河道部位；
步骤S250：结合所述分布特征，判断所述实际河道部位是否符合第一部位类别，获得第一判断结果；
步骤S260：根据所述第一判断结果，对所述初始地图进行渲染，并根据渲染结果生成所述预设河道地图。
进一步的，本发明还包括如下步骤：
步骤S261：基于所述第一判断结果，若所述实际河道部位符合所述第一部位类别，获得第一标记指令；
步骤S262：根据所述第一标记指令对所述目标栅格进行标记，得到第一类别标记结果；
步骤S263：若所述实际河道部位不符合所述第一部位类别，获得第一判断指令；
步骤S264：根据所述第一判断指令，判断所述实际河道部位是否符合第二部位类别，获得第二判断结果；
步骤S265：基于所述第二判断结果，若所述实际河道部位符合所述第二部位类别，获得第二标记指令；
步骤S266：根据所述第二标记指令对所述目标栅格进行标记，得到第二类别标记结果；
步骤S267：将所述第一类别标记结果、所述第二类别标记结果依次渲染至所述初始地图，得到所述预设河道地图。
具体而言，人工分析并确定所述河道数据管理系统中，对所述预设河道进行智能建模的方法原理。示范性的混合地图、拓扑地图和尺度地图等环境地图构建方法。通过依次分析各个环境地图构建方法的底层逻辑，进而结合所述预设河道的实际情况，选择合适、可靠的方案进行模型构建，即确定所述预设建模方案。接着，通过所述预设建模方案对所述多个环境特征进行建模分析，得到所述预设河道的目标地图。其中，所述预设建模方案是指尺寸地图中的栅格地图。栅格地图法是将环境空间分解为多个局部单元，并描述局部单元的使用状态。栅格地图法利用概率值反映了模型的不确定性程度，可以获得更准确的度量信息来形成所述预设河道地图。
在对所述预设河道进行仿真建模之前，首先要对所述预设河道的相关参数进行采集。示范性的如采集预设河道的水体走航、流量走航、暗管、水下地形等形状特征和尺寸特征，以及污染源、排放口等分布特征等基本信息。然后根据所述形状特征、所述尺寸特征，得到所述预设河道的初始地图。紧接着，对所述初始地图进行栅格划分，并得到栅格划分结果，其中，所述栅格划分结果包括多个栅格。示范性的如对预设河道进行同比例绘制得到初始地图，然后将初始地图分割为多个边长5厘米的小单元，即为多个栅格。进而，提取所述多个栅格中的目标栅格，并匹配所述目标栅格的实际河道部位等位置数据。其中，所述目标栅格是指所述多个栅格中的任意一个栅格，进而依次匹配各个栅格对应的预设河道的实际河道部位。最后，结合所述布局特征，判断所述实际河道部位的情况，并根据判断结果对所述初始地图进行渲染，得到所述预设河道地图。
具体来说，首先判断所述实际河道部位是否符合第一部位类别，并获得第一判断结果。其中，当所述实际河道部位符合所述第一部位类别，系统自动获得第一标记指令，并根据所述第一标记指令对所述目标栅格进行标记，得到第一类别标记结果。反之，当所述实际河道部位不符合所述第一部位类别时，系统自动再次进行判断，即判断所述实际河道部位是否符合第二部位类别，并得到第二判断结果。接着，若所述实际河道部位符合所述第二部位类别，系统自动获得第二标记指令，并根据所述第二标记指令对所述目标栅格进行标记，得到第二类别标记结果。继续迭代判断至目标栅格全部判断完毕并针对性标记完毕，即根据标记结果得到所述预设河道地图。示范性的如用黑色三角形标记排污口，用黑色圆形标记暗管等。通过基于预设河道的环境特征，通过预设建模方案分析后构建得到预设河道的预设河道地图，实现了为后续河道的可视化管理提供模型基础的技术目标。
步骤S300：通过所述智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频；
步骤S400：对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，其中，所述预设关键帧集合包括多张关键帧图像；
进一步的，如附图3所示，本发明步骤S400还包括：
步骤S410：利用动态图像专家组对所述预设河道巡拍视频进行编码，并根据编码结果组建编码单元集，其中，所述编码单元集包括多个编码单元；
步骤S420：基于所述多个编码单元，依次提取得到多张I帧图像；
步骤S430：依次提取所述多张I帧图像中的第一I帧图像、第二I帧图像，其中，所述第一I帧图像与所述第二I帧图像为相邻帧图像；
步骤S440：对所述第一I帧图像、所述第二I帧图像依次进行离散余弦变换，分别得到第一离散余弦变换系数、第二离散余弦变换系数；
步骤S450：基于所述第一离散余弦变换系数、所述第二离散余弦变换系数，分别计算得到所述第一I帧图像的第一特征值、所述第二I帧图像的第二特征值；
步骤S460：基于所述第一特征值、所述第二特征值，相减计算得到所述第一I帧图像与所述第二I帧图像的预设特征差值，并根据所述预设特征差值绘制得到所述预设特征差值曲线；
进一步的，本发明还包括如下步骤：
步骤S461：提取所述第一离散余弦变换系数中的第一直流系数、第一交流系数；
步骤S462：根据所述第一直流系数、所述第一交流系数，计算得到所述第一特征值，其中，计算公式如下：
步骤S463：其中，
T n 是指所述第一特征值，是指所述第一直流系数，是指所述第一交流系数，n是指所述第一I帧图像，是指所述第一I帧图像的第个子块，a是指所述第一直流系数对所述第一特征值的影响因子，b是指所述第一交流系数对所述第一特征值的影响因子；
步骤S464：提取所述第二离散余弦变换系数中的第二直流系数、第二交流系数；
步骤S465：根据所述第二直流系数、所述第二交流系数，计算得到所述第二特征值，其中，计算公式如下：
步骤S466：其中，
T n+1是指所述第二特征值，是指所述第二直流系数，是指所述第二交流系数，n+1是指所述第二I帧图像，是指所述第二I帧图像的第个子块，c是指所述第二直流系数对所述第二特征值的影响因子，d是指所述第二交流系数对所述第二特征值的影响因子；
步骤S467：根据所述第一特征值、所述第二特征值，计算得到所述预设特征差值，其中，计算公式如下：
步骤S468：其中，
D（
T n
,T n+1）是指所述预设特征差值。
步骤S470：去噪得到所述预设特征差值曲线的去噪处理结果，对所述去噪处理结果进行分析，并根据分析结果组建所述预设关键帧集合。
具体而言，所述河道数据管理方法应用于河道数据管理系统，由于所述河道数据管理系统与所述智能航拍设备通信相连，因此在通过与所述河道数据管理系统通信相连的所述智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频之后，进而将拍摄到的所述预设河道巡拍视频实时传输至所述河道数据管理系统，并由所述河道数据管理系统进行视频智能化处理分析。其中，所述智能航拍设备是指可用于进行河道实时状态拍摄的任意一种视频拍摄设备，示范性的如高清摄影机等。
首先，利用动态图像专家组对所述预设河道巡拍视频进行编码压缩，从而得到所述预设河道巡拍视频的编码结果，其中，所述预设河道巡拍视频的编码结果中包括所述预设河道巡拍视频的多个编码单元。动态图像专家组即MPEG（Moving Pictures ExpertsGroup），MPEG标准是现在运用最为广泛的国际视频压缩标准，MPEG标准的编码单元包括I帧、B帧和P帧三种图像帧。然后，依次对多个编码单元中各个编码单元的I帧图像进行提取，从而得到所述多张I帧图像。接着，对所述多张I帧图像依次进行解码分析，并根据解码结果计算各个I帧图像的特征信息，进而依次计算两个相邻I帧图像的特征差值，并绘制得到所述目标特征差值曲线。
具体来说，在依次提取得到所述多张I帧图像后，分别提取获得第一I帧图像、第二I帧图像，其中，所述第一I帧图像是指所述多张I帧图像中的任意一张图像，且所述第一I帧图像与所述第二I帧图像为相邻帧图像。接着，对所述第一I帧图像、所述第二I帧图像依次进行离散余弦变换，分别得到第一离散余弦变换系数、第二离散余弦变换系数。也就是说，通过对图像进行划分得到多个图像块，进而依次对每个图像块进行变换，从而得到每个图像块的DCT系数，即离散余弦变换系数。其中，DCT系数包括与图像基色调相关的直流系数和与图像纹理相关的交流系数，即包括DC系数和AC系数。接下来，基于所述第一离散余弦变换系数计算得到所述第一I帧图像的第一特征值，基于所述第二离散余弦变换系数计算得到所述第二I帧图像的第二特征值。也就是说，首先提取所述第一离散余弦变换系数中的第一直流系数、第一交流系数，并根据所述第一直流系数、所述第一交流系数，计算得到所述第一特征值，其中，计算公式如下：
其中，
T n 是指所述第一特征值，是指所述第一直流系数，是指所述第一交流系数，n是指所述第一I帧图像，是指所述第一I帧图像的第个子块，a是指所述第一直流系数对所述第一特征值的影响因子，b是指所述第一交流系数对所述第一特征值的影响因子。此外，图像的主要能量集中于DC系数，即DC系数携带着压缩视频的大量信息，因此，直流系数的影响因子a大于交流系数的影响因子b。
同样提取所述第二离散余弦变换系数中的第二直流系数、第二交流系数，并根据所述第二直流系数、所述第二交流系数，计算得到所述第二特征值，其中，计算公式如下：
其中，
T n+1是指所述第二特征值，是指所述第二直流系数，是指所述第二交流系数，n+1是指所述第二I帧图像，是指所述第二I帧图像的第个子块，c是指所述第二直流系数对所述第二特征值的影响因子，d是指所述第二交流系数对所述第二特征值的影响因子。同样的，直流系数的影响因子c大于交流系数的影响因子d。由于所述第一I帧图像与所述第二I帧图像为相邻帧图像，因此通过n、n+1分别表示两个I帧图像。
进一步的，根据计算得到的所述第一特征值、所述第二特征值，相减计算即得到所述第一I帧图像与所述第二I帧图像的目标特征差值，其中，计算公式如下：
其中，
D(
T n
,T n+1)是指所述目标特征差值。最后，根据所述目标特征差值绘制得到所述目标特征差值曲线。
进一步的，预设河道巡拍视频的特征差值曲线绘制出来后，还不能进行镜头边界检测和关键帧提取，一个镜头内的帧在内容上可能不会发生太大的变化，这就导致帧之间的特征量差别不会很大，所以相邻两帧之间的特征差值波动很小，这只能说明帧之间差别确实存在，但是对镜头边界检测的意义却作用不大。此时，需要对所述目标特征差值曲线中的小波动进行去除，即预处理去除曲线中的噪声，为后续工作做准备。首先，对所述目标特征差值曲线进行小波变换，得到变换处理结果，然后综合分析并设定预设门限阈值，进而将所述变换处理结果中不满足预设门限阈值的结果进行剔除，最终筛选得到变换处理筛选结果。进一步对变换处理筛选结果进行小波反变换，从而得到降噪处理后的结果，最终提取并组建包含有所述预设河道的多张关键帧图像的预设关键帧集合。示范性的如小波阈值去噪剔除数据中的干扰因素，并用阈值去噪可以将存在于数据中的干扰完全去除，仅保留数据中的尖峰点。通过智能航拍设备的自动采集得到预设河道巡拍视频，实现了为后续河道管理提供真实可靠、准确有效的河道信息的技术目标，进而对预设河道巡拍视频进行分析，从而得到预设河道的相关数据信息，为河道管理提供了全面、可靠的数据依据，达到了提高河道管理智能化程度，进而提高河道管理效率、质量的技术效果。
步骤S500：基于Ada Boost算法原理构建智能分类模型，并将所述多张关键帧图像作为所述智能分类模型的输入信息，得到输出信息，其中，所述输出信息包括多组河道异常图像；
进一步的，如附图4所示，本发明步骤S500还包括：
步骤S510：组建河道异常样本集，其中，所述河道异常样本集包括多个河道异常样本；
步骤S520：利用哈尔特征分析法对所述多个河道异常样本依次进行特征提取，得到多组哈尔特征；
步骤S530：将所述多个河道异常样本、所述多组哈尔特征作为第一训练数据，训练得到第一分类器，并获得所述第一分类器的第一分类结果；
步骤S540：对所述多个河道异常样本依次进行标记，得到多个异常类型标记；
步骤S550：将所述第一分类结果与所述多个异常类型标记进行对比，得到第一对比结果；
步骤S560：基于所述第一对比结果进行所述第一训练数据的调整，得到第二训练数据；
步骤S570：根据所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
步骤S580：基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述智能分类模型。
具体而言，基于Ada Boost算法原理构建得到智能分类模型，其中，所述智能分类模型用于对预设河道的多张关键帧图像进行异常种类的划分。进而将所述预设河道的所述多张关键帧图像作为所述智能分类模型的输入信息，通过所述智能分类模型的智能化分析得到输出信息。其中，所述输出信息包括多组不同种类河道异常的河道异常图像。示范性的如某河道图像中有污水偷排异常、极端自然灾害异常等。
在基于Ada Boost算法原理构建所述智能分类模型时，首先基于大数据组建河道异常样本集，其中，所述河道异常样本集包括多个河道异常样本，示范性的如历史采集到的河道异常图像等。然后利用哈尔特征分析法对所述多个河道异常样本，即各个河道异常图像依次进行特征提取，从而得到各个河道异常样本的哈尔特征。接下来，将所述多个河道异常样本、所述多组哈尔特征作为第一训练数据，训练得到第一分类器，并获得所述第一分类器的第一分类结果。此次训练时，每个样本都是均匀分布。接着，通过人工判断分析后对所述多个河道异常样本依次进行标记，得到多个异常类型标记。进而将所述第一分类结果与所述多个异常类型标记进行对比，并得到第一对比结果，接着基于所述第一对比结果进行所述第一训练数据的调整，得到第二训练数据。也就是说，基于人工判断得到的标记结果对所述第一分类器的分类正确与否进行对比判断。基于对比分析情况，将训练数据中分错的样本权重增大，分对了的样本权重进行减小，从而凸显第一分类器分错的样本，并组建得到所述第二训练数据。进而继续迭代至得到第N分类器，最终将得到的多个分类器按照一定的权重叠加，即基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述智能分类模型。
通过构建智能分类模型，并利用智能分类模型对预设河道的各个异常情况进行分类管理，达到了提高河道管理针对性，从而提高河道管理效率的技术效果。
步骤S600：对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型；
步骤S700：通过所述可视化河道模型对所述预设河道进行管理。
具体而言，基于所述智能分类模型对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型。其中，分析结果包括各个图像中的异常类别信息。最终通过所述可视化河道模型对所述预设河道进行管理。通过智能化分析确定各张关键帧图像中的河道异常类别，并针对性渲染至河道的三维模型中，实现了对河道的可视化管理目标，对于提高河道智能巡检效率和巡检效果具有重要意义。
进一步的，本发明还包括如下步骤：
步骤S810：获得预设河道异常类别；
步骤S820：基于所述预设河道异常类别在所述多组河道异常图像中进行遍历，得到遍历结果，其中，所述遍历结果包括多张目标异常图像；
步骤S830：对所述多张目标异常图像依次进行分析，并根据分析结果生成预设河道异常报告；
步骤S840：基于所述预设河道异常报告，对所述预设河道进行所述预设河道异常类别的管理。
具体而言，根据实际检测需求确定需要检查的预设河道异常类别，然后基于所述预设河道异常类别在所述多组河道异常图像中进行遍历，并得到遍历结果。其中，所述遍历结果包括多张具备预设河道异常类别的图像，即所述目标异常图像。接着，对所述多张目标异常图像依次进行分析，并根据分析结果生成预设河道异常报告。其中，所述预设河道异常报告包括预设河道中出现预设河道异常类别的河道位置、异常程度级别等信息。最后，基于所述预设河道异常报告，对所述预设河道进行所述预设河道异常类别的管理。通过对预设河道的各个异常情况进行分类管理，达到了提高河道管理针对性，从而提高河道管理效率的技术效果。
综上所述，本发明所提供的一种基于物联网的河道数据管理方法具有如下技术效果：
通过对预设河道进行环境特征采集，得到预设环境特征集，其中，所述预设环境特征集包括多个环境特征；获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图；通过智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频；对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，其中，所述预设关键帧集合包括多张关键帧图像；基于Ada Boost算法原理构建智能分类模型，并将所述多张关键帧图像作为所述智能分类模型的输入信息，得到输出信息，其中，所述输出信息包括多组河道异常图像；对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型；通过所述可视化河道模型对所述预设河道进行管理。通过智能航拍设备对预设河道进行视频信息采集，结合构建的预设河道地图，实现了对预设河道进行可视化智能管理的技术目标，结合智能分类模型对河道异常进行自动化分类，实现了对河道异常进行精细化的分类管理目标，达到了提高河道管理及时性、准确性、有效性的技术效果。
实施例二
基于与前述实施例中一种基于物联网的河道数据管理方法，同样发明构思，本发明还提供了一种基于物联网的河道数据管理系统，请参阅附图5，所述系统包括：
第一采集模块M100，所述第一采集模块M100用于对预设河道进行环境特征采集，得到预设环境特征集，其中，所述预设环境特征集包括多个环境特征；
第一构建模块M200，所述第一构建模块M200用于获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图；
第二采集模块M300，所述第二采集模块M300用于通过智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频；
第一获得模块M400，所述第一获得模块M400用于对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，其中，所述预设关键帧集合包括多张关键帧图像；
第二获得模块M500，所述第二获得模块M500用于基于Ada Boost算法原理构建智能分类模型，并将所述多张关键帧图像作为所述智能分类模型的输入信息，得到输出信息，其中，所述输出信息包括多组河道异常图像；
第二构建模块M600，所述第二构建模块M600用于对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型；
执行模块M700，所述执行模块M700用于通过所述可视化河道模型对所述预设河道进行管理。
进一步的，所述系统中的所述第一构建模块M200还用于：
依次提取所述多个环境特征中的形状特征、尺寸特征、分布特征；
根据所述形状特征、所述尺寸特征，得到所述预设河道的初始地图；
对所述初始地图进行栅格划分，得到栅格划分结果，其中，所述栅格划分结果包括多个栅格；
提取所述多个栅格中的目标栅格，并匹配所述目标栅格的实际河道部位；
结合所述分布特征，判断所述实际河道部位是否符合第一部位类别，获得第一判断结果；
根据所述第一判断结果，对所述初始地图进行渲染，并根据渲染结果生成所述预设河道地图。
进一步的，所述系统中的所述第一构建模块M200还用于：
基于所述第一判断结果，若所述实际河道部位符合所述第一部位类别，获得第一标记指令；
根据所述第一标记指令对所述目标栅格进行标记，得到第一类别标记结果；
若所述实际河道部位不符合所述第一部位类别，获得第一判断指令；
根据所述第一判断指令，判断所述实际河道部位是否符合第二部位类别，获得第二判断结果；
基于所述第二判断结果，若所述实际河道部位符合所述第二部位类别，获得第二标记指令；
根据所述第二标记指令对所述目标栅格进行标记，得到第二类别标记结果；
将所述第一类别标记结果、所述第二类别标记结果依次渲染至所述初始地图，得到所述预设河道地图。
进一步的，所述系统中的所述第一获得模块M400还用于：
利用动态图像专家组对所述预设河道巡拍视频进行编码，并根据编码结果组建编码单元集，其中，所述编码单元集包括多个编码单元；
基于所述多个编码单元，依次提取得到多张I帧图像；
依次提取所述多张I帧图像中的第一I帧图像、第二I帧图像，其中，所述第一I帧图像与所述第二I帧图像为相邻帧图像；
对所述第一I帧图像、所述第二I帧图像依次进行离散余弦变换，分别得到第一离散余弦变换系数、第二离散余弦变换系数；
基于所述第一离散余弦变换系数、所述第二离散余弦变换系数，分别计算得到所述第一I帧图像的第一特征值、所述第二I帧图像的第二特征值；
基于所述第一特征值、所述第二特征值，相减计算得到所述第一I帧图像与所述第二I帧图像的预设特征差值，并根据所述预设特征差值绘制得到所述预设特征差值曲线；
去噪得到所述预设特征差值曲线的去噪处理结果，对所述去噪处理结果进行分析，并根据分析结果组建所述预设关键帧集合。
进一步的，所述系统中的所述第一获得模块M400还用于：
提取所述第一离散余弦变换系数中的第一直流系数、第一交流系数；
根据所述第一直流系数、所述第一交流系数，计算得到所述第一特征值，其中，计算公式如下：
其中，
T n 是指所述第一特征值，是指所述第一直流系数，是指所述第一交流系数，n是指所述第一I帧图像，是指所述第一I帧图像的第个子块，a是指所述第一直流系数对所述第一特征值的影响因子，b是指所述第一交流系数对所述第一特征值的影响因子；
提取所述第二离散余弦变换系数中的第二直流系数、第二交流系数；
根据所述第二直流系数、所述第二交流系数，计算得到所述第二特征值，其中，计算公式如下：
其中，
T n+1是指所述第二特征值，是指所述第二直流系数，是指所述第二交流系数，n+1是指所述第二I帧图像，是指所述第二I帧图像的第个子块，c是指所述第二直流系数对所述第二特征值的影响因子，d是指所述第二交流系数对所述第二特征值的影响因子；
根据所述第一特征值、所述第二特征值，计算得到所述预设特征差值，其中，计算公式如下：
其中，
D(
T n
,T n+1)是指所述预设特征差值。
进一步的，所述系统中的所述第二获得模块M500还用于：
组建河道异常样本集，其中，所述河道异常样本集包括多个河道异常样本；
利用哈尔特征分析法对所述多个河道异常样本依次进行特征提取，得到多组哈尔特征；
将所述多个河道异常样本、所述多组哈尔特征作为第一训练数据，训练得到第一分类器，并获得所述第一分类器的第一分类结果；
对所述多个河道异常样本依次进行标记，得到多个异常类型标记；
将所述第一分类结果与所述多个异常类型标记进行对比，得到第一对比结果；
基于所述第一对比结果进行所述第一训练数据的调整，得到第二训练数据；
根据所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述智能分类模型。
进一步的，所述系统还包括第二执行模块，其中，所述第二执行模块用于：
获得预设河道异常类别；
基于所述预设河道异常类别在所述多组河道异常图像中进行遍历，得到遍历结果，其中，所述遍历结果包括多张目标异常图像；
对所述多张目标异常图像依次进行分析，并根据分析结果生成预设河道异常报告；
基于所述预设河道异常报告，对所述预设河道进行所述预设河道异常类别的管理。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于物联网的河道数据管理方法和具体实例同样适用于本实施例的一种基于物联网的河道数据管理系统，通过前述对一种基于物联网的河道数据管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于物联网的河道数据管理系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于物联网的河道数据管理方法，其特征在于，所述河道数据管理方法应用于河道数据管理系统，所述河道数据管理系统与智能航拍设备通信相连，所述河道数据管理方法包括：
对预设河道进行环境特征采集，得到预设环境特征集，其中，所述预设环境特征集包括多个环境特征；
获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图；
通过所述智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频；
对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，其中，所述预设关键帧集合包括多张关键帧图像；
基于Ada Boost算法原理构建智能分类模型，并将所述多张关键帧图像作为所述智能分类模型的输入信息，得到输出信息，其中，所述输出信息包括多组河道异常图像；
对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型；
通过所述可视化河道模型对所述预设河道进行管理。
2.如权利要求1所述的方法，其特征在于，所述获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图，包括：
依次提取所述多个环境特征中的形状特征、尺寸特征、分布特征；
根据所述形状特征、所述尺寸特征，得到所述预设河道的初始地图；
对所述初始地图进行栅格划分，得到栅格划分结果，其中，所述栅格划分结果包括多个栅格；
提取所述多个栅格中的目标栅格，并匹配所述目标栅格的实际河道部位；
结合所述分布特征，判断所述实际河道部位是否符合第一部位类别，获得第一判断结果；
根据所述第一判断结果，对所述初始地图进行渲染，并根据渲染结果生成所述预设河道地图。
3.如权利要求2所述的方法，其特征在于，所述根据所述第一判断结果，对所述初始地图进行渲染，并根据渲染结果生成所述预设河道地图，包括：
基于所述第一判断结果，若所述实际河道部位符合所述第一部位类别，获得第一标记指令；
根据所述第一标记指令对所述目标栅格进行标记，得到第一类别标记结果；
若所述实际河道部位不符合所述第一部位类别，获得第一判断指令；
根据所述第一判断指令，判断所述实际河道部位是否符合第二部位类别，获得第二判断结果；
基于所述第二判断结果，若所述实际河道部位符合所述第二部位类别，获得第二标记指令；
根据所述第二标记指令对所述目标栅格进行标记，得到第二类别标记结果；
将所述第一类别标记结果、所述第二类别标记结果依次渲染至所述初始地图，得到所述预设河道地图。
4.如权利要求1所述的方法，其特征在于，所述对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，包括：
利用动态图像专家组对所述预设河道巡拍视频进行编码，并根据编码结果组建编码单元集，其中，所述编码单元集包括多个编码单元；
基于所述多个编码单元，依次提取得到多张I帧图像；
依次提取所述多张I帧图像中的第一I帧图像、第二I帧图像，其中，所述第一I帧图像与所述第二I帧图像为相邻帧图像；
对所述第一I帧图像、所述第二I帧图像依次进行离散余弦变换，分别得到第一离散余弦变换系数、第二离散余弦变换系数；
基于所述第一离散余弦变换系数、所述第二离散余弦变换系数，分别计算得到所述第一I帧图像的第一特征值、所述第二I帧图像的第二特征值；
基于所述第一特征值、所述第二特征值，相减计算得到所述第一I帧图像与所述第二I帧图像的预设特征差值，并根据所述预设特征差值绘制得到所述预设特征差值曲线；
去噪得到所述预设特征差值曲线的去噪处理结果，对所述去噪处理结果进行分析，并根据分析结果组建所述预设关键帧集合。
5.如权利要求4所述的方法，其特征在于，所述基于所述第一特征值、所述第二特征值，相减计算得到所述第一I帧图像与所述第二I帧图像的预设特征差值，包括：
提取所述第一离散余弦变换系数中的第一直流系数、第一交流系数；
根据所述第一直流系数、所述第一交流系数，计算得到所述第一特征值，其中，计算公式如下：
，其中，T n 是指所述第一特征值，是指所述第一直流系数，是指所述第一交流系数，n是指所述第一I帧图像，是指所述第一I帧图像的第个子块，a是指所述第一直流系数对所述第一特征值的影响因子，b是指所述第一交流系数对所述第一特征值的影响因子；
提取所述第二离散余弦变换系数中的第二直流系数、第二交流系数；
根据所述第二直流系数、所述第二交流系数，计算得到所述第二特征值，其中，计算公式如下：
，其中，T n+1是指所述第二特征值，是指所述第二直流系数，是指所述第二交流系数，n+1是指所述第二I帧图像，是指所述第二I帧图像的第个子块，c是指所述第二直流系数对所述第二特征值的影响因子，d是指所述第二交流系数对所述第二特征值的影响因子；
根据所述第一特征值、所述第二特征值，计算得到所述预设特征差值，其中，计算公式如下：
，
其中，D(T n ,T n+1)是指所述预设特征差值。
6.如权利要求1所述的方法，其特征在于，所述基于Ada Boost算法原理构建智能分类模型，包括：
组建河道异常样本集，其中，所述河道异常样本集包括多个河道异常样本；
利用哈尔特征分析法对所述多个河道异常样本依次进行特征提取，得到多组哈尔特征；
将所述多个河道异常样本、所述多组哈尔特征作为第一训练数据，训练得到第一分类器，并获得所述第一分类器的第一分类结果；
对所述多个河道异常样本依次进行标记，得到多个异常类型标记；
将所述第一分类结果与所述多个异常类型标记进行对比，得到第一对比结果；
基于所述第一对比结果进行所述第一训练数据的调整，得到第二训练数据；
根据所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述智能分类模型。
7.如权利要求1所述的方法，其特征在于，还包括：
获得预设河道异常类别；
基于所述预设河道异常类别在所述多组河道异常图像中进行遍历，得到遍历结果，其中，所述遍历结果包括多张目标异常图像；
对所述多张目标异常图像依次进行分析，并根据分析结果生成预设河道异常报告；
基于所述预设河道异常报告，对所述预设河道进行所述预设河道异常类别的管理。
8.一种基于物联网的河道数据管理系统，其特征在于，所述河道数据管理系统包括：
第一采集模块，所述第一采集模块用于对预设河道进行环境特征采集，得到预设环境特征集，其中，所述预设环境特征集包括多个环境特征；
第一构建模块，所述第一构建模块用于获得预设建模方案，并基于所述预设建模方案对所述多个环境特征进行建模分析，得到预设河道地图；
第二采集模块，所述第二采集模块用于通过智能航拍设备对所述预设河道进行巡拍，得到预设河道巡拍视频；
第一获得模块，所述第一获得模块用于对所述预设河道巡拍视频进行处理分析，并根据分析结果组建所述预设河道的预设关键帧集合，其中，所述预设关键帧集合包括多张关键帧图像；
第二获得模块，所述第二获得模块用于基于Ada Boost算法原理构建智能分类模型，并将所述多张关键帧图像作为所述智能分类模型的输入信息，得到输出信息，其中，所述输出信息包括多组河道异常图像；
第二构建模块，所述第二构建模块用于对所述多组河道异常图像依次进行分析，并将分析结果渲染至所述预设河道地图，得到可视化河道模型；
执行模块，所述执行模块用于通过所述可视化河道模型对所述预设河道进行管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310200415.2A CN116091719B (zh) | 2023-03-06 | 2023-03-06 | 一种基于物联网的河道数据管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310200415.2A CN116091719B (zh) | 2023-03-06 | 2023-03-06 | 一种基于物联网的河道数据管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116091719A true CN116091719A (zh) | 2023-05-09 |
| CN116091719B CN116091719B (zh) | 2023-06-20 |
Family
ID=86214189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310200415.2A Active CN116091719B (zh) | 2023-03-06 | 2023-03-06 | 一种基于物联网的河道数据管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091719B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341761A (zh) * | 2023-05-22 | 2023-06-27 | 北京京燃凌云燃气设备有限公司 | 一种燃气管网阀门远程控制机构优化部署方法及系统 |
| CN117745472A (zh) * | 2023-12-21 | 2024-03-22 | 江苏省工程勘测研究院有限责任公司 | 基于轻量化传感模型的河道管理方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929782A (zh) * | 2019-11-20 | 2020-03-27 | 天津大学 | 一种基于正射影像图对比的河道异常检测方法 |
| KR102128708B1 (ko) * | 2020-03-27 | 2020-07-02 | 주식회사 이엘 | 지능형 원격단말장치를 이용한 사물인터넷 기반의 하천 재해 감시 및 시설물 자율 점검 시스템 |
| CN111723657A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 一种基于YOLOv3与自优化的河道异物检测方法及装置 |
| CN112488020A (zh) * | 2020-12-10 | 2021-03-12 | 西安交通大学 | 基于无人机航拍数据的水环境污染情况检测评估装置 |
| WO2021083242A1 (zh) * | 2019-10-31 | 2021-05-06 | Oppo广东移动通信有限公司 | 地图构建方法、定位方法及系统、无线通信终端、计算机可读介质 |
| US20210286104A1 (en) * | 2020-03-16 | 2021-09-16 | River Software Inc | Systems, apparatus, and methods of watershed modeling and assessment |
| CN114220050A (zh) * | 2021-12-08 | 2022-03-22 | 中科计算技术西部研究院 | 一种水体分割方法 |
| WO2022121186A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技（深圳）有限公司 | 基于目标匹配的油气管道巡检方法、装置、设备及介质 |
| WO2022134344A1 (zh) * | 2020-12-21 | 2022-06-30 | 苏州科达科技股份有限公司 | 目标检测方法、系统、设备及存储介质 |
| CN114845260A (zh) * | 2022-04-22 | 2022-08-02 | 华北水利水电大学 | 一种基于物联网的水文监测数据采集系统 |
| CN115272895A (zh) * | 2022-08-04 | 2022-11-01 | 天津飞眼无人机科技有限公司 | 一种基于改进yolov5算法的无人机河道污染物巡检方法及系统 |
-
2023
- 2023-03-06 CN CN202310200415.2A patent/CN116091719B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021083242A1 (zh) * | 2019-10-31 | 2021-05-06 | Oppo广东移动通信有限公司 | 地图构建方法、定位方法及系统、无线通信终端、计算机可读介质 |
| CN110929782A (zh) * | 2019-11-20 | 2020-03-27 | 天津大学 | 一种基于正射影像图对比的河道异常检测方法 |
| US20210286104A1 (en) * | 2020-03-16 | 2021-09-16 | River Software Inc | Systems, apparatus, and methods of watershed modeling and assessment |
| KR102128708B1 (ko) * | 2020-03-27 | 2020-07-02 | 주식회사 이엘 | 지능형 원격단말장치를 이용한 사물인터넷 기반의 하천 재해 감시 및 시설물 자율 점검 시스템 |
| CN111723657A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 一种基于YOLOv3与自优化的河道异物检测方法及装置 |
| CN112488020A (zh) * | 2020-12-10 | 2021-03-12 | 西安交通大学 | 基于无人机航拍数据的水环境污染情况检测评估装置 |
| WO2022121186A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技（深圳）有限公司 | 基于目标匹配的油气管道巡检方法、装置、设备及介质 |
| WO2022134344A1 (zh) * | 2020-12-21 | 2022-06-30 | 苏州科达科技股份有限公司 | 目标检测方法、系统、设备及存储介质 |
| CN114220050A (zh) * | 2021-12-08 | 2022-03-22 | 中科计算技术西部研究院 | 一种水体分割方法 |
| CN114845260A (zh) * | 2022-04-22 | 2022-08-02 | 华北水利水电大学 | 一种基于物联网的水文监测数据采集系统 |
| CN115272895A (zh) * | 2022-08-04 | 2022-11-01 | 天津飞眼无人机科技有限公司 | 一种基于改进yolov5算法的无人机河道污染物巡检方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| NIKHI BOBATE等: "Fusing Conventional and Deep Learning Features for Hyperspectral Image Change Detection", 2022 IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS, COMPUTING AND COMMUNICATION TECHNOLOGIES (CONECCT) * |
| 慎利;唐宏;王世东;张露;: "结合空间像素模板和Adaboost算法的高分辨率遥感影像河流提取", 测绘学报, no. 03 * |
| 王伟;白亮;: "荆江三维可视化人机交互式河道信息管理系统", 人民长江, no. 09 * |
| 费殿波;洪敏慎;吕文斌;吴洪祥;: "基于glTF的上海河道二三维一体化系统的设计与实现", 净水技术, no. 2 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341761A (zh) * | 2023-05-22 | 2023-06-27 | 北京京燃凌云燃气设备有限公司 | 一种燃气管网阀门远程控制机构优化部署方法及系统 |
| CN116341761B (zh) * | 2023-05-22 | 2023-08-25 | 北京京燃凌云燃气设备有限公司 | 一种燃气管网阀门远程控制机构优化部署方法及系统 |
| CN117745472A (zh) * | 2023-12-21 | 2024-03-22 | 江苏省工程勘测研究院有限责任公司 | 基于轻量化传感模型的河道管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116091719B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN105976383A (zh) | 一种基于极限学习机图像识别的输电设备故障诊断方法 | |
| CN116091719B (zh) | 一种基于物联网的河道数据管理方法及系统 | |
| CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
| CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
| CN111223087B (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
| CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
| CN115578523A (zh) | 一种多角度图像融合的舌部三维建模方法及系统 | |
| CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN114399665A (zh) | 外墙外保温层缺陷类型识别方法、装置、设备及存储介质 | |
| Cai et al. | Broken ice circumferential crack estimation via image techniques | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| Dong et al. | Pixel-level intelligent segmentation and measurement method for pavement multiple damages based on mobile deep learning | |
| CN114067103A (zh) | 一种基于YOLOv3的管道第三方破坏智能识别方法 | |
| CN117496384A (zh) | 一种无人机图像物体检测方法 | |
| CN117078670A (zh) | 一种云相框的生产控制系统 | |
| CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
| CN112862764A (zh) | 一种用于识别无砟道床离缝伤损的方法、装置及存储介质 | |
| CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
| CN115294556A (zh) | 基于改进YOLOv5的密闭振动筛上异常流态流体检测方法 | |
| CN114187550A (zh) | 一种基于改进yolo v3网络的弓网核心零部件识别方法 | |
| CN112232307B (zh) | 夜视环境下的安全帽佩戴检测方法 | |
| CN113762021A (zh) | 一种基于循环神经网络和注意力引导机制的复杂路面裂缝检测方法 | |
| An et al. | Semantic Recognition and Location of Cracks by Fusing Cracks Segmentation and Deep Learning |
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 |