CN116258608A - 融合gis和bim三维技术的水利实时监测信息管理系统 - Google Patents
融合gis和bim三维技术的水利实时监测信息管理系统 Download PDFInfo
- Publication number
- CN116258608A CN116258608A CN202310542358.6A CN202310542358A CN116258608A CN 116258608 A CN116258608 A CN 116258608A CN 202310542358 A CN202310542358 A CN 202310542358A CN 116258608 A CN116258608 A CN 116258608A
- Authority
- CN
- China
- Prior art keywords
- layer
- water conservancy
- data
- real
- dimensional
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 144
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000005516 engineering process Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000007726 management method Methods 0.000 claims description 50
- 210000002569 neuron Anatomy 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 241000287196 Asthenes Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000012876 topography Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000018883 loss of balance Diseases 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Computer Graphics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
Abstract
融合GIS和BIM三维技术的水利实时监测信息管理系统，包括实景三维地形数据获取端、BIM信息模型建立端、GIS数据调用处理端和水利信息实时监测端，水利三维地形数据获取端用于获取三维水利地形数据，BIM信息模型建立端用于通过维度建模方式建立具有水利建筑物真实信息的模型，GIS数据调用处理端用于根据三维水利地形数据进行预处理和分类处理，水利信息实时监测端用于将接收到的三维水利地形数据和该区域地形数据合并存储并进行水利监测管理。本发明采用多个无人机设备航拍进行拍照，结合GIS和BIM数据和改进的算法，实现水利信息管理系统的实时监测管理，为水利实时监测信息管理提供更优的方案。
Description
技术领域
本发明涉及三维地形下水利系统大数据领域，具体涉及融合GIS和BIM三维技术的水利实时监测信息管理系统。
背景技术
水利管理过程中，水利调度与监控的影响力不容小觑，在社会日新月异的发展形势下，要求水利调度监控必须达到更高的标准，伴随水利调度监控项目的持续增多，涉及内容随之增加，对于水利监控技术以及调度监控手段的需求随之增长，水利管理的关键就在于水资源配置的优化以及实时动态的监管，而水利及其相关信息的取得则是上述工作顺利开展的根本，在移动技术与网络通信技术迅速发展的过程中，尤其是数字化技术与信息化技术的发展，为水利的实时监管提供了可实现的契机。
GIS（Geographic Information System）是一种特定的十分重要的空间信息系统，它是在计算机硬、软件系统支持下，对整个地球表层（包括大气层）空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统，三维GIS是布满整个三维空间的GIS，尤其体现在空间位置和拓扑关系的描述及空间分析的扩展上，在二维平面上增加属性数据如高程、温度进行DTM三维表示，但实际中，依旧是是用2维的图像模仿3维中的变化，也就是说虽看上去类似3维中的图像变化，但实际上还是2维的，也即常说的2.5维，而在三维GIS中，空间目标通过X、Y、Z三个坐标轴来定义，三维GIS作为实现数字地球理念的关键技术理论，其不仅具备二维GIS技术所具有的基本的空间数据处理功能，分析和数据表达，而且还具有对地理空间数据三维可视化显示、多维度的空间分析优势，这使得三维GIS技术成为构建数字地球、数字国家、数字区域以及数字城市的关键技术，成为重要的辅助决策工具。
BIM(Building Information Modeling)技术是一种应用于工程设计、建造、管理的数据化工具，通过对建筑的数据化、信息化模型整合，在项目策划、运行和维护的全生命周期过程中进行共享和传递，使工程技术人员对各种建筑信息作出正确理解和高效应对，为设计团队以及包括建筑、运营单位在内的各方建设主体提供协同工作的基础，在提高生产效率、节约成本和缩短工期方面发挥重要作用。
融合GIS和BIM三维技术，是通过数据集成、系统集成应用集成来实现的，融合GIS和BIM三维技术可提高长线工程和大规模区域性工程的管理能力，利用GIS宏观尺度上的功能，可将BIM的应用范围扩展发挥各自优势，拓展应用领域，这两个系统整合以后的应用领域很广，与各自单独应用相比，在建模质量、分析精度、决策效率、成本控制水平方面都有明显提高。
针对上述问题，本发明旨在提供融合GIS和BIM三维技术的水利实时监测信息管理系统，本发明旨在解决的技术问题是：提供融合GIS和BIM三维技术的水利实时监测信息管理系统。通过多个无人机联合航拍，可以补全视野盲区，采集全部水利地形图像，同时，对水利地形图像进行清洗、整理，再结合GIS和BIM数据，可以更为直观、准确地表达我省水利资源的分布情况，然后，对水利地形图像采用改进ACE算法进行清晰度提升，可以更有效地捕捉水利地形图像细节，最后采用结合JDE（共同学习检测器和嵌入模型）的在线关联策略的对象跟踪算法和网络传输技术对水利信息进行实时监测，为水利工作、水利资源管理提供更为全面、准确地技术支撑。
发明内容
针对上述问题，本发明旨在解决的技术问题是：提供融合GIS和BIM三维技术的水利实时监测信息管理系统。通过多个无人机联合航拍，可以补全视野盲区，采集全部水利地形图像，同时，对水利地形图像进行清洗、整理，再结合GIS和BIM数据，可以更为直观、准确地表达我省水利资源的分布情况，然后，对水利地形图像采用改进ACE算法进行清晰度提升，可以更有效地捕捉水利地形图像细节，最后采用结合JDE（共同学习检测器和嵌入模型）的在线关联策略的对象跟踪算法和网络传输技术对水利信息进行实时监测，为水利工作、水利资源管理提供更为全面、准确地技术支撑。
本发明的目的通过以下技术方案实现：
融合GIS和BIM三维技术的水利实时监测信息管理系统，包括实景三维地形数据获取端、BIM信息模型建立端、GIS数据调用处理端和水利信息实时监测端，实景三维地形数据获取端包括水利地形获取模块和地形数据转换模块，主要是为了用多个无人机设备航拍的照片来获取实际的三维高程地形数据，并将获取的三维高程地形数据输入GIS数据调用处理端，BIM信息模型建立端包括数据库模块和应用模块用于建立一个具有完整的、与实际情况一致的水利建筑工程信息库的模型，并将生成的信息模型输入GIS数据调用处理端，GIS数据调用处理端包括水利地形数据调用模块、三维地形显示模块和水利地形分类管理模块，水利地形数据调用模块先对实景三维地形数据获取端输入的三维高程地形数据进行预处理，完成数据的整理和最佳重建，并将预处理后的三维高程地形数据输入三维地形显示模块，在三维地形显示模块中对输入的数据进行建模并对地形进行修正并显示出实景3D图像，三维地形显示模块主要针对已经处理后的图像数据，根据提前预设的算法模型进行实景建模，并最大程度上提升模型鲁棒性，随之三维地形显示模块将会把数据输入到水利地形分类管理模块，水利地形分类管理模块会针对水利监测管理系统的特点，对接收到的三维高程地形数据进行检测，针对不同的水域、非水域以及交互边缘部分进行分类管理并完成3D模型的修复以及图像增强，最后GIS和BIM数据调用处理端再将处理后的模型数据导入水利信息实时监测端进行存储并进行水利系统管理，水利系统的运行管理可以提供综合地图、工程基础信息、设备资产管理、调度运行、检查巡查、监测监控、维修养护、应急管理、达标考核、组织机构、综合首页、管理配置功能，方便水利运行的实时监测管理。进一步的，实景三维地形数据的获取主要采用无人机航拍和地面机器设备拍照相联合，无人机航拍设备获取实景地点全貌，以及经纬度点，以便结合GIS数据，从而得到更准确的模型，同时，与地面机器设备结合，地面机器设备拍摄出地面的清晰图像以及补全无人机拍摄时的盲区，从而可以非常完备的建立实景三维地形模型。
进一步的，地形数据转换模块采用DBN-Greedy聚类算法对收集的水利地形数据进行聚类，将待聚类的水利地形数据组成的数据集表示为
。
进一步的，采用DBN网络确定对数据集
进行聚类的初始聚类中心，并利用Greedy算法进行网络逐层训练，首先搭建DBN网络，记输入层的可视变量为/>
，记隐藏层为/>
，隐藏层层数有/>
层，记状态转移概率函数为/>
，包含输入层元素和隐藏层元素，定义DBN网络的状态转移函数为:/>
，其中，
表示隐藏层神经元的数量，/>
表示第一层隐藏层，/>
表示第二层隐藏层，/>
表示第三层隐藏层，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层，每层隐藏层对应了不同数量的神经元，/>
表示第一层隐藏层神经元的数量，/>
表示第二层隐藏层神经元的数量，
表示第/>
层隐藏层神经元的数量，/>
表示可视变量的数量，/>
表示输入层中第/>
个可视变量，并且有：
…，
DBN网络采用
函数作为激活函数，将概率映射到/>
之间，/>
表示第一层神经网络第/>
个输入层权重的转置列向量，/>
第二层神经网络第/>
个输入层的偏置，/>
表示第二层神经网络第/>
个输入层权重的转置列向量，/>
第一层神经网络第/>
个输入层的偏置，/>
表示第三层神经网络第/>
个输入层权重的转置列向量，/>
第二层神经网络第/>
个输入层的偏置，/>
表示神经网络训练过程中的隐变量，/>
表示第/>
层隐藏层的转置，
表示第/>
层隐藏层的权重，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层的转置，/>
表示第/>
层隐藏层的偏置，/>
表示第/>
层隐藏层的偏置，/>
表示第
层隐藏层神经元的数量，通过训练网络模型，得到不同的转移概率，以推测出最优的数据集/>
聚类的初始聚类中心。
进一步的，推测出最优的数据集
聚类的初始聚类中心，采用Greedy算法对最优的数据集/>
聚类的初始聚类中心进行搜索，采用对数极大似然估计网络模型进行边界约束，定义：/>
，其中，/>
表示极大似然估计的总概率值，/>
表示第1层隐藏层的极大似然估计的概率值，
表示第一层隐藏层的后验概率，包含隐藏层元素和输入层元素，/>
为期望，/>
为常数，为了提高DBN网络的收敛效率，利用Greedy算法，根据计算隐藏层每一层的状态转移概率函数所对应的后验概率/>
，其中，/>
，/>
表示求积符号，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层神经元的数量，
表示第/>
层隐藏层/>
个权重，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层神经元的数量，/>
指的是D-1层隐藏层，这层隐藏层包含了j(D-1)个神经元，/>
表示第/>
层隐藏层/>
个偏置，/>
表示第/>
层隐藏层/>
个权重，/>
表示第/>
层隐藏层神经元的数量，/>
表示第/>
层隐藏层/>
个偏置，如果/>
，则表示第/>
层的隐藏层所包含的权重与偏置能训练出较好的初始聚类中心，否则每次迭代增加1层隐藏层，保留上一次训练的权值与偏置作为本次的输入权值与输入偏置，如果满足/>
则跳出循环，训练出较好的初始聚类中心，否则继续通过Greedy算法对最优数据集/>
聚类的初始聚类中心进行重复搜索，重新进行边界约束计算与后验概率计算，直至DBN网络收敛。
进一步的，数据库模块采用维度建模方式建立一个具有完整的、与实际情况一致的水利建筑工程信息库的模型，并通过应用模块将生成的信息模型输入GIS数据调用处理端。
进一步的，水利地形数据调用模块采用改进ACE算法对处理后的影像数据像素点进行多尺度测量，同时可提升图像清晰度。
进一步的，在对图像进行检测并完成时刻化清晰度处理后，三维地形显示模块随即可结合GIS和BIM融合技术进行实景建模，针对缺失、穿模问题的部分进行修正和完善，由此主要采取的精确化实景联合更新方式为：
（1）对预处理后的数据采用改进ACE算法进行像素点测量并更新像素块；
（2）结合GIS和BIM以及多个无人机联合捕获的多维影像数据进行精确化实景更新以修正缺陷。
进一步的，采用下列方式对预处理后的数据采用改进ACE算法进行像素点测量并更新像素块：
假设一幅图像中像素点表示为
, 那么以/>
为中心，标准偏差为/>
，方差为
，每个像素点的均值为/>
，与像素点/>
横向距离为/>
、纵向距离为/>
的像素点为
，窗口大小为/>
的区域内，其局部均值和方差可以表示为：
其中，均值
近似认为是背景部分，此时/>
即是高频细节部分，对高频作增益/>
乘积，即/>
，对于增益/>
，方案一是取大于1的常数/>
，达到增强的效果，即/>
，方案二是表示为与局部均方差成反比的变化值/>
，即/>
，围增强通过线性对比度拉伸完成，使用计算出的/>
和/>
对比度极限边界点，如下：
，其中，/>
表示对比度增强后图像，若原始图像/>
小于参考范围的上限/>
，则/>
为0；若原始图像/>
大于等于参考范围的下限/>
，则/>
为1；若原始图像/>
不在参考范围内，则/>
为
，其中，/>
表示新动态范围的宽度。
进一步的，对水利信息进行实时监测，水利信息实时监测端对水利信息采用结合JDE（共同学习检测器和嵌入模型）（共同学习检测器和嵌入模型）的在线关联策略的对象跟踪算法进行实时监测。
进一步的，采用下列方式对水利信息采用结合JDE（共同学习检测器和嵌入模型）（共同学习检测器和嵌入模型）的在线关联策略的目标跟踪算法进行实时监测：
由两部分组成：用于目标定位的检测模型和用于数据关联的外观嵌入模型，将外观嵌入模型合并到单个检测器中，以便该模型可以同时输出检测结果和相应的嵌入，这样，该系统被表述为一个多任务学习问题：存在多个任务，即锚点分类，边界框回归和嵌入学习，并自动对单个损失进行加权，JDE（共同学习检测器和嵌入模型）的目的是在单次前向传播中同时输出目标的位置和外观嵌入，假定有一个数据集
，/>
表示图像帧，/>
表示此帧中/>
个目标的边界框注释，/>
表示部分身份标签标注，其中，/>
，即当/>
=1表示目标有身份标签，/>
=-1表示目标没有身份标签，JDE（共同学习检测器和嵌入模型）的目的是输出预测的边界框/>
和外观嵌入/>
，其中/>
中包含的/>
表示嵌入的维度，应满足以下两个目标，第一个目标要求模型能够准确检测目标，第二个目标是要求外观嵌入具有以下特性，连续帧中相同身份的检测框之间的距离应小于不同身份之间的距离，距离度量/>
是欧式距离，输入水利数据信息首先经过骨干网络分别获得三个尺度的特征图（1/32、1/16、1/8的下采样率），然后，通过跳过连接对具有最小大小的特征图进行上采样并与第二小的比例尺上的特征图相融合，其他比例尺也是如此，最后，将预测头添加到所有三个比例的融合特征图上，预测头由几个堆叠的卷积层组成，并输出一个大小为/>
的密集预测图，其中/>
是分配给该比例的锚模板的数量，/>
是嵌入的维度，/>
是特征图矩阵，
是卷积层矩阵，检测框的分类结果为/>
，密集嵌入图为/>
，其主要步骤如下：
（1）学习检测：首先，根据数量，比例和长宽比重新设计锚，以适应目标，即所述的水利数据信息，注意到为用于前景/背景分配的双重阈值选择适当的值很重要，通过可视化，确定重叠度
为真时就大致确定了目标位置，这与通用对象检测中的通用设置一致；
（2）学习外观嵌入：第二个目标是度量学习问题，即学习一个嵌入空间，其中相同身份的实例彼此靠近，而不同身份的实例相距甚远，为了稳定训练过程并加快融合，在三重态损耗的平滑上限上进行优化，即
，其中/>
表示三重态损耗的平滑上限，/>
表示外观嵌入/>
的行向量，/>
为/>
的转置，/>
为/>
共轭转置，/>
为/>
的逆；
（3）自动损耗平衡：JDE（共同学习检测器和嵌入模型）中每个预测头的学习目标可以建模为多任务学习问题，联合目标可以表示为每个尺度和每个组成部分的加权线性损失总和，采用针对任务权重的自动学习方案和任务无关的不确定性概念，形式上，具有自动损失平衡的学习目标写为：
，其中/>
表示自动损失平衡，
表示每个个体损失的任务依赖不确定性，/>
表示每个个体的损失平衡，/>
表示个体，/>
表示损失的任务依赖不确定度，/>
表示个体/>
的总个体数，/>
表示三种损失的任务依赖不确定性；
（4）在线关联：对于给定的水利数据信息，JDE（共同学习检测器和嵌入模型）模型处理每个信息并输出边框和相应的外观嵌入，因此，计算观测值的嵌入与之前存在的轨迹池中的嵌入之间的关联矩阵，使用匈牙利算法将观测分配给轨迹，卡尔曼滤波器用于平滑轨迹并预测先前轨迹在当前帧中的位置，如果所分配的观测值在空间上与预测位置相距太远，则该分配将被拒绝，然后，对一个跟踪器的嵌入进行如下更新，如果没有任何观察值分配给小段轨迹，则将该小段轨迹标记为丢失，如果丢失的时间大于给定的阈值，则标记为已丢失的跟踪并删除该小段轨迹。
本发明的有益效果：本发明通过多个无人机联合航拍，可以补全视野盲区，采集全部水利地形图像，同时，对水利地形图像进行清洗、整理，再结合GIS和BIM数据，可以更为直观、准确地表达我省水利资源的分布情况，然后，对水利地形图像采用改进ACE算法进行清晰度提升，可以更有效地捕捉水利地形图像细节，最后采用结合JDE（共同学习检测器和嵌入模型）的在线关联策略的对象跟踪算法和网络传输技术对水利信息进行实时监测，为水利工作、水利资源管理提供更为全面、准确地技术支撑，为安全、科学、高效地水利资源管理及利用提供更好的决策支持，为水利实时监测信息管理提供更优的方案，为水利发展保驾护航。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，融合GIS和BIM三维技术的水利实时监测信息管理系统，包括实景三维地形数据获取端、BIM信息模型建立端、GIS数据调用处理端和水利信息实时监测端，实景三维地形数据获取端包括水利地形获取模块和地形数据转换模块，主要是为了用多个无人机设备航拍的照片来获取实际的三维高程地形数据，并将获取的三维高程地形数据输入GIS数据调用处理端，BIM信息模型建立端包括数据库模块和应用模块用于建立一个具有完整的、与实际情况一致的水利建筑工程信息库的模型，并将生成的信息模型输入GIS数据调用处理端，GIS数据调用处理端包括水利地形数据调用模块、三维地形显示模块和水利地形分类管理模块，水利地形数据调用模块先对实景三维地形数据获取端输入的三维高程地形数据进行预处理，完成数据的整理和最佳重建，并将预处理后的三维高程地形数据输入三维地形显示模块，在三维地形显示模块中对输入的数据进行建模并对地形进行修正并显示出实景3D图像，三维地形显示模块主要针对已经处理后的图像数据，根据提前预设的算法模型进行实景建模，并最大程度上提升模型鲁棒性，随之三维地形显示模块将会把数据输入到水利地形分类管理模块，水利地形分类管理模块会针对水利监测管理系统的特点，对接收到的三维高程地形数据进行检测，针对不同的水域、非水域以及交互边缘部分进行分类管理并完成3D模型的修复以及图像增强，最后GIS和BIM数据调用处理端再将处理后的模型数据导入水利信息实时监测端进行存储并进行水利系统管理，水利系统的运行管理可以提供综合地图、工程基础信息、设备资产管理、调度运行、检查巡查、监测监控、维修养护、应急管理、达标考核、组织机构、综合首页、管理配置功能，方便水利运行的实时监测管理。进一步的，实景三维地形数据的获取主要采用无人机航拍和地面机器设备拍照相联合，无人机航拍设备获取实景地点全貌，以及经纬度点，以便结合GIS数据，从而得到更准确的模型，同时，与地面机器设备结合，地面机器设备拍摄出地面的清晰图像以及补全无人机拍摄时的盲区，从而可以非常完备的建立实景三维地形模型。
优选的，地形数据转换模块采用DBN-Greedy聚类算法对收集的水利地形数据进行聚类，将待聚类的水利地形数据组成的数据集表示为
。
具体的，采用DBN网络确定对数据集
进行聚类的初始聚类中心，并利用Greedy算法进行网络逐层训练，首先搭建DBN网络，记输入层的可视变量为/>
，记隐藏层为/>
，隐藏层层数有/>
层，记状态转移概率函数为/>
，包含输入层元素和隐藏层元素，定义DBN网络的状态转移函数为:/>
，其中，/>
表示隐藏层神经元的数量，/>
表示第一层隐藏层，/>
表示第二层隐藏层，/>
表示第三层隐藏层，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层，每层隐藏层对应了不同数量的神经元，/>
表示第一层隐藏层神经元的数量，/>
表示第二层隐藏层神经元的数量，/>
表示第/>
层隐藏层神经元的数量，/>
表示可视变量的数量，/>
表示输入层中第/>
个可视变量，并且有：/>
…，
DBN网络采用
函数作为激活函数，将概率映射到/>
之间，/>
表示第一层神经网络第/>
个输入层权重的转置列向量，/>
第二层神经网络第/>
个输入层的偏置，/>
表示第二层神经网络第/>
个输入层权重的转置列向量，/>
第一层神经网络第/>
个输入层的偏置，/>
表示第三层神经网络第/>
个输入层权重的转置列向量，/>
第二层神经网络第/>
个输入层的偏置，z表示神经网络训练过程中的隐变量，/>
表示第/>
层隐藏层的转置，
表示第/>
层隐藏层的权重，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层的转置，/>
表示第/>
层隐藏层的偏置，/>
表示第/>
层隐藏层的偏置，/>
表示第
层隐藏层神经元的数量，通过训练网络模型，得到不同的转移概率，以推测出最优的数据集/>
聚类的初始聚类中心。
具体的，推测出最优的数据集
聚类的初始聚类中心，采用Greedy算法对最优的数据集/>
聚类的初始聚类中心进行搜索，采用对数极大似然估计网络模型进行边界约束，定义：/>
，其中，/>
表示极大似然估计的总概率值，/>
表示第1层隐藏层的极大似然估计的概率值，
表示第一层隐藏层的后验概率，包含隐藏层元素和输入层元素，/>
为期望，/>
为常数，为了提高DBN网络的收敛效率，利用Greedy算法，根据计算隐藏层每一层的状态转移概率函数所对应的后验概率：/>
，
，其中，/>
，/>
表示求积符号，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层神经元的数量，/>
表示第/>
层隐藏层/>
个权重，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层神经元的数量，
指的是D-1层隐藏层，这层隐藏层包含了j(D-1)个神经元，/>
表示第/>
层隐藏层/>
个偏置，/>
表示第/>
层隐藏层/>
个权重，/>
表示第/>
层隐藏层神经元的数量，
表示第/>
层隐藏层/>
个偏置，如果/>
，则表示第/>
层的隐藏层所包含的权重与偏置能训练出较好的初始聚类中心，否则每次迭代增加1层隐藏层，保留上一次训练的权值与偏置作为本次的输入权值与输入偏置，如果满足/>
则跳出循环，训练出较好的初始聚类中心，否则继续通过Greedy算法对最优数据集/>
聚类的初始聚类中心进行重复搜索，重新进行边界约束计算与后验概率计算，直至DBN网络收敛。
本优选实施例考虑到当采用DBN-Greedy聚类算法对数据集
进行聚类后，当所得的类之间存在数据重叠现象时，利用这些类对水利实时监测信息管理系统进行训练，容易影响水利实时监测信息管理系统的评估准确度，针对该缺陷，本优选实施例在采用FCM聚类算法对数据集/>
进行聚类后，对所得的类中的实景地形数据进行类检测，从而修正在FCM聚类过程中分类错误的实景地形数据，并在修正的过程中去除数据集/>
中的噪声数据，从而提高聚类结果的准确度，避免类边界数据之间存在混淆的现象，从而在利用所述类对水利实时监测信息管理系统进行训练时，提高水利实时监测信息管理系统评估。
优选的，数据库模块采用维度建模方式建立一个具有完整的、与实际情况一致的水利建筑工程信息库的模型，并通过应用模块将生成的信息模型输入GIS数据调用处理端。
优选的，水利地形数据调用模块采用改进ACE算法对处理后的影像数据像素点进行多尺度测量，同时可提升图像清晰度。
优选的，在对图像进行检测并完成时刻化清晰度处理后，三维地形显示模块随即可结合GIS和BIM进行实景建模，针对缺失、穿模问题的部分进行修正和完善，由此主要采取的精确化实景联合更新方式为：
（1）对预处理后的数据采用改进ACE算法进行像素点测量并更新像素块；
（2）结合GIS和BIM以及多个无人机联合捕获的多维影像数据进行精确化实景更新以修正缺陷。
具体的，采用下列方式对预处理后的数据采用改进ACE算法进行像素点测量并更新像素块：
假设一幅图像中像素点表示为
, 那么以/>
为中心，标准偏差为/>
，方差为
，每个像素点的均值为/>
，与像素点/>
横向距离为/>
、纵向距离为/>
的像素点为
，窗口大小为/>
的区域内，其局部均值和方差可以表示为：
其中，均值
近似认为是背景部分，此时/>
即是高频细节部分，对高频作增益/>
乘积，即/>
，对于增益/>
，方案一是取大于1的常数/>
，达到增强的效果，即/>
，方案二是表示为与局部均方差成反比的变化值/>
，即/>
，在图像的高频区域，局部均方差较大，此时增益值就比较小，这样结果不会出现过亮情况，但是在图像平滑的区域，局部均方差很小，此时增益值比较大，从而可能会放大噪声信号，所以需要对增益最大值做一定的限制才能取得较好的效果，改进算法的目标是在根据图像不同区域的光照变化自适应增强对比度的同时，有效地增强浅静脉图像的对比度，该算法首先分析光照变化，然后选择参考动态范围应用线性对比度拉伸过程，当照明在图像的不同区域发生显著变化时，具有固定动态范围的线性对比度增强效果较差，改进ACE算法假定，通过将像素值从参考范围（其中边界值与照明贴图的相应响应成比例）缩放到可调节的更高动态范围，可以最佳地增强对比度，在高斯滤波器中，频率截止可以用标准偏差即/>
进行调谐，改进ACE算法使用固定的范围宽度来增强整个图像的对比度，但是，范围会根据计算的照明度进行移动，即范围的两个边界值会因点而异，边界值的选择可以通过以下方式完成，/>
，/>
，其中/>
表示缩放参考范围的上限, />
表示缩放参考范围的下限，/>
是参考动态范围的宽度，/>
是原始图像的低频范围的响应，其通过将原始图像/>
与高斯核卷积为：/>
，/>
，动态范围增强的参考范围随着其对称地位于照明参考点周围而移动，即在两侧允许d/2空间，以便给出参考范围内像素强度的相似概率，这显著地有助于期望的细节，然而，如果要增强的所需细节的空间维度远小于滤波器大小，则仍然可以不对称地选择范围，相对于周围环境，浅静脉看起来较暗，但静脉的平均宽度始终为选定高斯核大小的50%左右，动态范围增强通过线性对比度拉伸完成，使用计算出的/>
和/>
对比度极限边界点，如下：
，其中，/>
表示对比度增强后图像，若原始图像/>
小于参考范围的上限/>
，则/>
为0；若原始图像/>
大于等于参考范围的下限/>
，则/>
为1；若原始图像/>
不在参考范围内，则/>
为
，其中，/>
表示新动态范围的宽度。
优选的，对水利信息进行实时监测，水利信息实时监测端对水利信息采用结合JDE（共同学习检测器和嵌入模型）的在线关联策略的对象跟踪算法进行实时监测。
具体的，采用下列方式对水利信息采用结合JDE（共同学习检测器和嵌入模型）的在线关联策略的目标跟踪算法进行实时监测：
由两部分组成：检测模型——用于目标定位和外观嵌入模型——用于数据关联，分别执行两个模型会降低时间效率，因此，将外观嵌入模型合并到单个检测器中，以便该模型可以同时输出检测结果和相应的嵌入，这样，该系统被表述为一个多任务学习问题：存在多个任务，即锚点分类，边界框回归和嵌入学习，并自动对单个损失进行加权，JDE（共同学习检测器和嵌入模型）的目的是在单次前向传播中同时输出目标的位置和外观嵌入，假定有一个数据集
，/>
表示图像帧，/>
表示此帧中/>
个目标的边界框注释，/>
表示部分身份标签标注，其中，/>
，即当/>
=1表示目标有身份标签，/>
=-1表示目标没有身份标签，JDE（共同学习检测器和嵌入模型）的目的是输出预测的边界框/>
和外观嵌入/>
，其中/>
中的/>
表示嵌入的维度，应满足以下两个目标，第一个目标要求模型能够准确检测目标，第二个目标是要求外观嵌入具有以下特性，连续帧中相同身份的检测框之间的距离应小于不同身份之间的距离，距离度量/>
是欧式距离，从技术上讲，如果两个目标都得到满足，那么即使是简单的关联策略，例如匈牙利算法，也会产生良好的跟踪结果，输入水利数据信息首先经过骨干网络分别获得三个尺度的特征图（1/32、1/16、 1/8的下采样率），然后，通过skip connection对具有最小大小（也是语义上最强的特征）的特征图进行上采样并与第二小的比例尺上的特征图相融合，其他比例尺也是如此，最后，将预测头添加到所有三个比例的融合特征图上，预测头由几个堆叠的卷积层组成，并输出一个大小为
的密集预测图，其中/>
是分配给该比例的锚模板的数量，/>
是嵌入的维度，/>
是特征图矩阵，/>
是卷积层矩阵，检测框的分类结果为/>
，密集嵌入图为
，其主要步骤如下：
（1）学习检测：首先，根据数量，比例和长宽比重新设计锚，以适应目标，即所述的水利数据信息，根据共同的先验，所有锚点的长宽比均设置为1:3，锚点模板的数量设置为12，使得每个尺度的
，锚点的尺度（宽度）范围为11-512，其次，注意到为用于前景/背景分配的双重阈值选择适当的值很重要，通过可视化，确定重叠度/>
为真时就大致确定了目标位置，这与通用对象检测中的通用设置一致；
（2）学习外观嵌入：第二个目标是度量学习问题，即学习一个嵌入空间，其中相同身份的实例彼此靠近，而不同身份的实例相距甚远，为了稳定训练过程并加快融合，在三重态损耗的平滑上限上进行优化，即
，其中/>
表示三重态损耗的平滑上限，/>
表示外观嵌入/>
的行向量，/>
为/>
的转置，/>
为/>
共轭转置，/>
为/>
的逆；
（3）自动损耗平衡：JDE（共同学习检测器和嵌入模型）中每个预测头的学习目标可以建模为多任务学习问题，联合目标可以表示为每个尺度和每个组成部分的加权线性损失总和，采用针对任务权重的自动学习方案和任务无关的不确定性概念，形式上，具有自动损失平衡的学习目标写为：
，其中/>
表示自动损失平衡，
表示每个个体损失的任务依赖不确定性，/>
表示每个个体的损失平衡，/>
表示个体，/>
表示损失的任务依赖不确定度，/>
表示个体/>
的总个体数，/>
表示三种损失的任务依赖不确定性；
（4）在线关联：对于给定的水利数据信息，JDE（共同学习检测器和嵌入模型）模型处理每个信息并输出边框和相应的外观嵌入，因此，计算观测值的嵌入与之前存在的轨迹池中的嵌入之间的关联矩阵，使用匈牙利算法将观测分配给轨迹，卡尔曼滤波器用于平滑轨迹并预测先前轨迹在当前帧中的位置，如果所分配的观测值在空间上与预测位置相距太远，则该分配将被拒绝，然后，对一个跟踪器的嵌入进行如下更新，如果没有任何观察值分配给小段轨迹，则将该小段轨迹标记为丢失，如果丢失的时间大于给定的阈值，则标记为已丢失的跟踪，并删除该小段轨迹。
通过在重要水利工程、河流、湖泊、水库区域设置相应传感器，实时获取水位、流量、雨量、水质专项数据，同时结合网络传输技术，将数据传输至管理系统后台进行整理、清洗、入库，本系统将江西省境内主要的河流、湖泊、水利工程相关水利资源数据进行收集、分类、整理，并在GIS和BIM底图中进行准确展示，可以更为直观、准确地表达我省水利资源的分部情况；同时，收集了各水利资源的历史水文资料、各水利工程的基础资料，以便更为全面、准确地掌握水利资源历史现状及各流域、各水利工程的安全运行，发挥其防汛抗旱及相关水利功能的实际需求，结合流域及水利工程基础数据、水文历史数据、实时物联网数据进行大数据分析，充分考虑各水利工程及水利资源间内在联系及影响，为水利工作、水利资源管理提供更为全面、准确地技术支撑，为安全、科学、高效地水利资源管理及利用提供更好的决策支持，为水利发展保驾护航。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改，而不脱离本发明技术方案的实质和范围。
Claims (10)
1.融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，包括实景三维地形数据获取端、BIM信息模型建立端、GIS数据调用处理端和水利信息实时监测端，实景三维地形数据获取端包括水利地形获取模块和地形数据转换模块，为了用多个无人机设备航拍的照片来获取实际的三维高程地形数据，并将获取的三维高程地形数据输入GIS数据调用处理端，BIM信息模型建立端包括数据库模块和应用模块用于建立一个具有完整的、与实际情况一致的水利建筑工程信息库的模型，并将生成的信息模型输入GIS数据调用处理端，GIS数据调用处理端包括水利地形数据调用模块、三维地形显示模块和水利地形分类管理模块，水利地形数据调用模块先对实景三维地形数据获取端输入的三维高程地形数据进行预处理，完成数据的整理和最佳重建，并将预处理后的三维高程地形数据输入三维地形显示模块，在三维地形显示模块中对输入的数据进行建模并对地形进行修正并显示出实景3D图像，三维地形显示模块主要针对已经处理后的图像数据，根据提前预设的算法模型进行实景建模，并最大程度上提升模型鲁棒性，随之三维地形显示模块将会把数据输入到水利地形分类管理模块，水利地形分类管理模块会针对水利监测管理系统的特点，对接收到的三维高程地形数据进行检测，针对不同的水域、非水域以及交互边缘部分进行分类管理并完成3D模型的修复以及图像增强，最后GIS和BIM数据调用处理端再将处理后的模型数据导入水利信息实时监测端进行存储并进行水利系统管理，水利系统的运行管理可以提供综合地图、工程基础信息、设备资产管理、调度运行、检查巡查、监测监控、维修养护、应急管理、达标考核、组织机构、综合首页、管理配置功能，方便水利运行的实时监测管理。
2.根据权利要求1所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，地形数据转换模块采用DBN-Greedy聚类算法对收集的水利地形数据进行聚类，将待聚类的水利地形数据组成的数据集表示为
。
3.根据权利要求2所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，采用DBN网络确定对数据集
进行聚类的初始聚类中心，并利用Greedy算法进行网络逐层训练，首先搭建DBN网络，记输入层的可视变量为/>
，记隐藏层为/>
，隐藏层层数有/>
层，记状态转移概率函数为/>
，包含输入层元素和隐藏层元素，定义DBN网络的状态转移函数为:/>
，其中，/>
表示隐藏层神经元的数量，/>
表示第一层隐藏层，/>
表示第二层隐藏层，/>
表示第三层隐藏层，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层，每层隐藏层对应了不同数量的神经元，/>
表示第一层隐藏层神经元的数量，/>
表示第二层隐藏层神经元的数量，/>
表示第/>
层隐藏层神经元的数量，/>
表示可视变量的数量，/>
表示输入层中第/>
个可视变量，并且有：/>
，/>
，
，…，
，/>
指的是D-1层隐藏层，这层隐藏层包含了j(D-1)个神经元，/>
表示第一层隐藏层包含j1个神经元的数量，/>
表示第二层隐藏层包含j2个神经元的数量，DBN网络采用/>
函数作为激活函数，将概率映射到/>
之间，/>
表示第一层神经网络第/>
个输入层权重的转置列向量，
二层神经网络第/>
个输入层的偏置，/>
表示第二层神经网络第/>
个输入层权重的转置列向量，/>
第一层神经网络第/>
个输入层的偏置，/>
表示第三层神经网络第/>
个输入层权重的转置列向量，/>
第二层神经网络第/>
个输入层的偏置，/>
表示神经网络训练过程中的隐变量，/>
表示第/>
层隐藏层的转置，/>
表示第/>
层隐藏层的权重，/>
表示第
层隐藏层，/>
表示第/>
层隐藏层的转置，/>
表示第/>
层隐藏层的偏置，
表示第/>
层隐藏层的偏置，/>
表示第/>
层隐藏层神经元的数量，通过训练网络模型，得到不同的转移概率，以推测出最优的数据集/>
聚类的初始聚类中心。
4.根据权利要求3所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，推测出最优的数据集
聚类的初始聚类中心，采用Greedy算法对最优的数据集/>
聚类的初始聚类中心进行搜索，采用对数极大似然估计网络模型进行边界约束，定义：
，其中，/>
表示极大似然估计的总概率值，/>
表示第1层隐藏层的极大似然估计的概率值，
表示第一层隐藏层的后验概率，包含隐藏层元素和输入层元素，/>
为期望，/>
为常数，为了提高DBN网络的收敛效率，利用Greedy算法，根据计算隐藏层每一层的状态转移概率函数所对应的后验概率：/>
，
，其中，/>
，/>
表示求积符号，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层神经元的数量，/>
表示第/>
层隐藏层/>
个权重，/>
表示第/>
层隐藏层，/>
表示第/>
层隐藏层神经元的数量，/>
指的是d层隐藏层，这层隐藏层包含了/>
个神经元，/>
指的是d-1层隐藏层，这层隐藏层包含了/>
个神经元，/>
指的是d-2层隐藏层，这层隐藏层包含了/>
个神经元；/>
表示第/>
层隐藏层/>
个偏置，/>
表示第/>
层隐藏层/>
个权重，/>
表示第/>
层隐藏层神经元的数量，/>
表示第/>
层隐藏层/>
个偏置，如果/>
，则表示第/>
层的隐藏层所包含的权重与偏置能训练出较好的初始聚类中心，否则每次迭代增加1层隐藏层，保留上一次训练的权值与偏置作为本次的输入权值与输入偏置，如果满足
则跳出循环，训练出较好的初始聚类中心，否则继续通过Greedy算法对最优数据集/>
聚类的初始聚类中心进行重复搜索，重新进行边界约束计算与后验概率计算，直至DBN网络收敛。
5.根据权利要求1所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，数据库模块采用维度建模方式建立一个具有完整的、与实际情况一致的水利建筑工程信息库的模型，并通过应用模块将生成的信息模型输入GIS数据调用处理端。
6.根据权利要求1所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，水利地形数据调用模块采用改进ACE算法对处理后的影像数据像素点进行多尺度测量，同时可提升图像清晰度。
7.根据权利要求6所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，在对图像进行检测并完成清晰度处理后，三维地形显示模块随即可结合GIS和BIM进行实景建模，针对缺失、穿模问题的部分进行修正和完善，由此主要采取的精确化实景联合更新方式为：
（1）对预处理后的数据采用改进ACE算法进行像素点测量并更新像素块；
（2）结合GIS和BIM以及多个无人机联合捕获的多维影像数据进行精确化实景更新以修正缺陷。
8.根据权利要求7所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，采用下列方式对预处理后的数据采用改进ACE算法进行像素点测量并更新像素块：
假设一幅图像中像素点表示为
, 那么以/>
为中心，标准偏差为/>
，方差为/>
，每个像素点的均值为/>
，与像素点/>
横向距离为/>
、纵向距离为/>
的像素点为/>
，窗口大小为/>
的区域内，其局部均值和方差可以表示为：
9.根据权利要求2所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，对水利信息进行实时监测，水利信息实时监测端对水利信息采用结合JDE的在线关联策略的对象跟踪算法进行实时监测。
10.根据权利要求9所述的融合GIS和BIM三维技术的水利实时监测信息管理系统，其特征在于，采用下列方式对水利信息采用结合JDE的在线关联策略的目标跟踪算法进行实时监测：
由两部分组成：用于目标定位的检测模型和用于数据关联的外观嵌入模型，将外观嵌入模型合并到单个检测器中，以便该模型可以同时输出检测结果和相应的嵌入，这样，该系统被表述为一个多任务学习问题：存在多个任务，即锚点分类，边界框回归和嵌入学习，并自动对单个损失进行加权，JDE的目的是在单次前向传播中同时输出目标的位置和外观嵌入，假定有一个数据集
，/>
表示图像帧，/>
表示此帧中/>
个目标的边界框注释，/>
表示部分身份标签标注，其中，/>
，即当/>
=1表示目标有身份标签，/>
=-1表示目标没有身份标签，JDE的目的是输出预测的边界框/>
和外观嵌入/>
，其中/>
中包含的/>
表示嵌入的维度，应满足以下两个目标，第一个目标要求模型能够准确检测目标，第二个目标是要求外观嵌入具有以下特性，连续帧中相同身份的检测框之间的距离应小于不同身份之间的距离，距离度量/>
是欧式距离，输入水利数据信息首先经过骨干网络分别获得三个尺度的特征图，然后，通过跳过连接对具有最小大小的特征图进行上采样并与第二小的比例尺上的特征图相融合，其他比例尺也是如此，最后，将预测头添加到所有三个比例的融合特征图上，预测头由几个堆叠的卷积层组成，并输出一个大小为/>
的密集预测图，其中/>
是分配给该比例的锚模板的数量，/>
是嵌入的维度，/>
是特征图矩阵，
是卷积层矩阵，检测框的分类结果为/>
，密集嵌入图为/>
，其主要步骤如下：
（1）学习检测：首先，根据数量，比例和长宽比重新设计锚，以适应目标，即所述的水利数据信息，注意到为用于前景/背景分配的双重阈值选择适当的值很重要，通过可视化，确定重叠度
为真时就大致确定了目标位置，这与通用对象检测中的通用设置一致；
（2）学习外观嵌入：第二个目标是度量学习问题，即学习一个嵌入空间，其中相同身份的实例彼此靠近，而不同身份的实例相距甚远，为了稳定训练过程并加快融合，在三重态损耗的平滑上限上进行优化，即
，其中/>
表示三重态损耗的平滑上限，/>
表示个体，/>
表示外观嵌入/>
的行向量，/>
为/>
的转置，/>
为/>
共轭转置，/>
为/>
的逆；
（3）自动损耗平衡：JDE中每个预测头的学习目标可以建模为多任务学习问题，联合目标可以表示为每个尺度和每个组成部分的加权线性损失总和，采用针对任务权重的自动学习方案和任务无关的不确定性概念，形式上，具有自动损失平衡的学习目标写为：
，其中/>
表示自动损失平衡，/>
表示每个个体损失的任务依赖不确定性，/>
表示每个个体的损失平衡，/>
表示个体，/>
表示损失的任务依赖不确定度，
表示个体/>
的总个体数，/>
表示三种损失的任务依赖不确定性；
（4）在线关联：对于给定的水利数据信息，JDE模型处理每个信息并输出边框和相应的外观嵌入，因此，计算观测值的嵌入与之前存在的轨迹池中的嵌入之间的关联矩阵，使用匈牙利算法将观测分配给轨迹，卡尔曼滤波器用于平滑轨迹并预测先前轨迹在当前帧中的位置，如果所分配的观测值在空间上与预测位置相距太远，则该分配将被拒绝，然后，对一个跟踪器的嵌入进行如下更新，如果没有任何观察值分配给小段轨迹，则将该小段轨迹标记为丢失，如果丢失的时间大于给定的阈值，则标记为已丢失的跟踪并删除该小段轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310542358.6A CN116258608B (zh) | 2023-05-15 | 2023-05-15 | 融合gis和bim三维技术的水利实时监测信息管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310542358.6A CN116258608B (zh) | 2023-05-15 | 2023-05-15 | 融合gis和bim三维技术的水利实时监测信息管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116258608A true CN116258608A (zh) | 2023-06-13 |
| CN116258608B CN116258608B (zh) | 2023-08-11 |
Family
ID=86684734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310542358.6A Active CN116258608B (zh) | 2023-05-15 | 2023-05-15 | 融合gis和bim三维技术的水利实时监测信息管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116258608B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236791A (zh) * | 2023-11-10 | 2023-12-15 | 山东汇颐信息技术有限公司 | 基于gis和bim三维技术的水利实时监测方法和系统 |
| CN117371949A (zh) * | 2023-10-24 | 2024-01-09 | 国网山东省电力公司建设公司 | 基于三维可视化模型的输电线路施工安全监测方法及系统 |
| CN117726308A (zh) * | 2024-02-18 | 2024-03-19 | 中铁水利信息科技有限公司 | 基于物联网和5g的智慧水利管理系统及方法 |
| CN117807381A (zh) * | 2024-02-23 | 2024-04-02 | 余姚市农业技术推广服务总站 | 一种农业技术推广记录数据智能管理系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107492042A (zh) * | 2017-07-31 | 2017-12-19 | 长江勘测规划设计研究有限责任公司 | 基于gis+bim的水利水电工程建设管理方法及系统 |
| EP3312742A1 (en) * | 2016-10-21 | 2018-04-25 | HERE Global B.V. | Method and apparatus for hierarchical clustering of geographical data |
| CN108764518A (zh) * | 2018-04-10 | 2018-11-06 | 天津大学 | 一种基于物联网大数据的交通资源动态优化方法 |
| US20190303725A1 (en) * | 2018-03-30 | 2019-10-03 | Fringefy Ltd. | Neural network training system |
| US20200302340A1 (en) * | 2019-03-22 | 2020-09-24 | Royal Bank Of Canada | Systems and methods for learning user representations for open vocabulary data sets |
| CN112150407A (zh) * | 2019-10-30 | 2020-12-29 | 重庆大学 | 针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统 |
| CN113255422A (zh) * | 2020-12-29 | 2021-08-13 | 四川隧唐科技股份有限公司 | 一种基于深度学习的工序衔接目标识别管理方法及系统 |
| EP3865982A1 (en) * | 2020-02-17 | 2021-08-18 | Hexagon Technology Center GmbH | Augmented viewing of a scenery and subsurface infrastructure |
| CN113392854A (zh) * | 2021-07-06 | 2021-09-14 | 南京信息工程大学 | 一种图像纹理特征提取分类方法 |
| CN113570275A (zh) * | 2021-08-04 | 2021-10-29 | 江西武大扬帆科技有限公司 | 基于bim和数字高程模型的水资源实时监测系统 |
| KR102428277B1 (ko) * | 2021-05-27 | 2022-08-02 | 한양대학교 산학협력단 | 3d bim-gis 기반 건설장비·안전 관제 시스템 및 활용 방법 |
| CN114897939A (zh) * | 2022-05-26 | 2022-08-12 | 东南大学 | 基于深度路径聚合网络的多目标跟踪方法及系统 |
| CN114972805A (zh) * | 2022-05-07 | 2022-08-30 | 杭州像素元科技有限公司 | 一种基于无锚的联合检测和嵌入的多目标跟踪方法 |
| CN115797568A (zh) * | 2023-01-30 | 2023-03-14 | 易迅通科技有限公司 | 一种基于三维gis与bim集成的建模方法及装置 |
-
2023
- 2023-05-15 CN CN202310542358.6A patent/CN116258608B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3312742A1 (en) * | 2016-10-21 | 2018-04-25 | HERE Global B.V. | Method and apparatus for hierarchical clustering of geographical data |
| CN107492042A (zh) * | 2017-07-31 | 2017-12-19 | 长江勘测规划设计研究有限责任公司 | 基于gis+bim的水利水电工程建设管理方法及系统 |
| US20190303725A1 (en) * | 2018-03-30 | 2019-10-03 | Fringefy Ltd. | Neural network training system |
| CN108764518A (zh) * | 2018-04-10 | 2018-11-06 | 天津大学 | 一种基于物联网大数据的交通资源动态优化方法 |
| US20200302340A1 (en) * | 2019-03-22 | 2020-09-24 | Royal Bank Of Canada | Systems and methods for learning user representations for open vocabulary data sets |
| CN112150407A (zh) * | 2019-10-30 | 2020-12-29 | 重庆大学 | 针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统 |
| EP3865982A1 (en) * | 2020-02-17 | 2021-08-18 | Hexagon Technology Center GmbH | Augmented viewing of a scenery and subsurface infrastructure |
| CN113255422A (zh) * | 2020-12-29 | 2021-08-13 | 四川隧唐科技股份有限公司 | 一种基于深度学习的工序衔接目标识别管理方法及系统 |
| KR102428277B1 (ko) * | 2021-05-27 | 2022-08-02 | 한양대학교 산학협력단 | 3d bim-gis 기반 건설장비·안전 관제 시스템 및 활용 방법 |
| CN113392854A (zh) * | 2021-07-06 | 2021-09-14 | 南京信息工程大学 | 一种图像纹理特征提取分类方法 |
| CN113570275A (zh) * | 2021-08-04 | 2021-10-29 | 江西武大扬帆科技有限公司 | 基于bim和数字高程模型的水资源实时监测系统 |
| CN114972805A (zh) * | 2022-05-07 | 2022-08-30 | 杭州像素元科技有限公司 | 一种基于无锚的联合检测和嵌入的多目标跟踪方法 |
| CN114897939A (zh) * | 2022-05-26 | 2022-08-12 | 东南大学 | 基于深度路径聚合网络的多目标跟踪方法及系统 |
| CN115797568A (zh) * | 2023-01-30 | 2023-03-14 | 易迅通科技有限公司 | 一种基于三维gis与bim集成的建模方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王俊等: "融合多阶语义增强的JDE多目标跟踪算法", 《西北工业大学学报》, vol. 40, no. 04 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371949A (zh) * | 2023-10-24 | 2024-01-09 | 国网山东省电力公司建设公司 | 基于三维可视化模型的输电线路施工安全监测方法及系统 |
| CN117371949B (zh) * | 2023-10-24 | 2024-05-31 | 国网山东省电力公司建设公司 | 基于三维可视化模型的输电线路施工安全监测方法及系统 |
| CN117236791A (zh) * | 2023-11-10 | 2023-12-15 | 山东汇颐信息技术有限公司 | 基于gis和bim三维技术的水利实时监测方法和系统 |
| CN117236791B (zh) * | 2023-11-10 | 2024-03-08 | 山东汇颐信息技术有限公司 | 基于gis和bim三维技术的水利实时监测方法和系统 |
| CN117726308A (zh) * | 2024-02-18 | 2024-03-19 | 中铁水利信息科技有限公司 | 基于物联网和5g的智慧水利管理系统及方法 |
| CN117726308B (zh) * | 2024-02-18 | 2024-05-24 | 中铁水利信息科技有限公司 | 基于物联网和5g的智慧水利管理系统及方法 |
| CN117807381A (zh) * | 2024-02-23 | 2024-04-02 | 余姚市农业技术推广服务总站 | 一种农业技术推广记录数据智能管理系统 |
| CN117807381B (zh) * | 2024-02-23 | 2024-05-24 | 余姚市农业技术推广服务总站 | 一种农业技术推广记录数据智能管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116258608B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116258608B (zh) | 融合gis和bim三维技术的水利实时监测信息管理系统 | |
| CN107967451B (zh) | 一种对静止图像进行人群计数的方法 | |
| CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
| Tsai et al. | Real-time indoor scene understanding using bayesian filtering with motion cues | |
| CN102804231B (zh) | 三维场景的分段平面重建 | |
| CN110223341B (zh) | 一种基于图像识别的智能水位监测方法 | |
| CN111598998A (zh) | 三维虚拟模型重建方法、装置、计算机设备和存储介质 | |
| Rout | A survey on object detection and tracking algorithms | |
| CN109145836B (zh) | 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法 | |
| JP6397379B2 (ja) | 変化領域検出装置、方法、及びプログラム | |
| CN106815563B (zh) | 一种基于人体表观结构的人群数量预测方法 | |
| CN115659816A (zh) | 基于孪生模型的城市内涝点预测方法及系统 | |
| CN114022910A (zh) | 泳池防溺水监管方法、装置、计算机设备及存储介质 | |
| CN104778699B (zh) | 一种自适应对象特征的跟踪方法 | |
| CN109242019A (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
| CN112418149A (zh) | 一种基于深卷积神经网络的异常行为检测方法 | |
| CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
| CN110310305A (zh) | 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置 | |
| Zhou et al. | Automated extraction of 3D vector topographic feature line from terrain point cloud | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| Wang et al. | Seamline determination for high resolution orthoimage mosaicking using watershed segmentation | |
| CN114529552A (zh) | 一种基于几何轮廓顶点预测的遥感影像建筑物分割方法 | |
| CN111531546B (zh) | 一种机器人位姿估计方法、装置、设备及存储介质 | |
| Gong et al. | Urban land-use land-cover extraction for catchment modelling using deep learning techniques | |
| CN109919990A (zh) | 利用深度感知网络和视差遥感影像进行森林高度预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |