CN116503406B - 基于大数据的水利工程信息管理系统 - Google Patents
基于大数据的水利工程信息管理系统 Download PDFInfo
- Publication number
- CN116503406B CN116503406B CN202310769616.4A CN202310769616A CN116503406B CN 116503406 B CN116503406 B CN 116503406B CN 202310769616 A CN202310769616 A CN 202310769616A CN 116503406 B CN116503406 B CN 116503406B
- Authority
- CN
- China
- Prior art keywords
- earthwork
- hydraulic engineering
- detection
- fusion
- feature
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 230000004927 fusion Effects 0.000 claims abstract description 72
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000010191 image analysis Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002146 bilateral effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000007726 management method Methods 0.000 description 31
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000003623 enhancer Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
公开了一种基于大数据的水利工程信息管理系统。其包括：土方图像采集模块，用于通过摄像头采集水利工程的土方检测图像；土方图像分析模块，用于对所述水利工程的土方检测图像进行图像分析以得到土方融合特征图；以及，土方检测模块，用于基于所述土方融合特征图，确定水利工程的土方检测是否合格。这样，可以提升水利工程的运维效率，能够在水利工程出现土方时快速、高效的进行维护，提升水利工程的运维效率。
Description
技术领域
本公开涉及信息管理领域，且更为具体地，涉及一种基于大数据的水利工程信息管理系统。
背景技术
水利工程中的土方工程作为水利工程建设的基本组成部分，其运行状态的监测和维护对于水利工程的正常运行至关重要。
然而，传统的土方检测方法主要依靠专业技术人员进行人工视觉检测，即通过人眼和部分仪器对土方是否存在问题进行检测和判断。对于大规模的水利工程来说，土方数量多、区域广，所需人力资源非常庞大，导致需要专业人员花费大量的时间精力，使得检测的精准度和效率难以保证。进而在水利工程出现土方时无法快速、高效的进行维护处理，导致水利工程的运维效率较低。
发明内容
有鉴于此，本公开提出了一种基于大数据的水利工程信息管理系统，其在水利工程出现土方时快速、高效的进行维护，提升水利工程的运维效率。
根据本公开的一方面，提供了一种基于大数据的水利工程信息管理系统，其包括：
土方图像采集模块，用于通过摄像头采集水利工程的土方检测图像；
土方图像分析模块，用于对所述水利工程的土方检测图像进行图像分析以得到土方融合特征图；以及
土方检测模块，用于基于所述土方融合特征图，确定水利工程的土方检测是否合格。
根据本公开的实施例，其首先通过摄像头采集水利工程的土方检测图像，接着，对所述水利工程的土方检测图像进行图像分析以得到土方融合特征图，最后，基于所述土方融合特征图，确定水利工程的土方检测是否合格。这样，可以提升水利工程的运维效率。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于大数据的水利工程信息管理系统的框图。
图2示出根据本公开的实施例的基于大数据的水利工程信息管理系统中所述土方图像分析模块的框图。
图3示出根据本公开的实施例的基于大数据的水利工程信息管理系统中所述土方深浅特征融合单元的框图。
图4示出根据本公开的实施例的基于大数据的水利工程信息管理系统中所述土方检测模块的框图。
图5示出根据本公开的实施例的基于大数据的水利工程信息管理方法的流程图。
图6示出根据本公开的实施例的基于大数据的水利工程信息管理方法的架构示意图。
图7示出根据本公开的实施例的基于大数据的水利工程信息管理系统的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
传统的土方检测方法主要依靠专业技术人员进行人工视觉检测，即通过人眼和部分仪器对土方是否存在问题进行检测和判断。对于大规模的水利工程来说，土方数量多、区域广，所需人力资源非常庞大，导致需要专业人员花费大量的时间精力，使得检测的精准度和效率难以保证。进而在水利工程出现土方时无法快速、高效的进行维护处理，导致水利工程的运维效率较低。因此，期望一种优化的基于大数据的水利工程信息管理系统。
随着大数据技术的不断发展和应用，利用大数据技术实现对水利工程信息管理的需求也越来越迫切。借助大数据技术，可以从海量数据中提取有价值的信息，帮助对水利工程的运行状态进行实时监测和预测，以及快速响应和解决出现的问题。在这个基础上，通过结合深度学习和计算机视觉技术，可以实现对水利工程的土方检测进行自动化处理，进一步提高土方检测的准确度和效率，并有效地降低了相关的人力和物力成本。基于此，在本公开的技术方案中，期望采用基于深度学习的机器视觉技术来对水利工程的土方检测图像进行图像分析，以实现对水利工程的土方维护监测，从而对水利工程的土方检测是否合格进行判定。
图1示出根据本公开的实施例的基于大数据的水利工程信息管理系统的框图示意图。如图1所示，根据本公开实施例的基于大数据的水利工程信息管理系统100，包括：土方图像采集模块110，用于通过摄像头采集水利工程的土方检测图像；土方图像分析模块120，用于对所述水利工程的土方检测图像进行图像分析以得到土方融合特征图；以及，土方检测模块130，用于基于所述土方融合特征图，确定水利工程的土方检测是否合格。
更具体地，在本公开实施例中，所述土方图像采集模块110，用于通过摄像头采集水利工程的土方检测图像。在本实施例中，可以使用普通的数码相机或者专业的工业相机等进行采集，采集时需要将相机对准水利工程的土方部分，保证土方部分的图像清晰可见。同时，为了提高采集的效率和准确性，可以使用自动化的土方图像采集系统，该系统可以根据预设的采集路线和参数，自动对水利工程的土方部分进行采集，从而减少人工干预和误差。在选择摄像头时，需要考虑分辨率、灵敏度、帧率以及等因素，摄像头的分辨率越高，采集的图像就越清晰，对土方图像分析的准确性也就越高；摄像头的灵敏度越高，可以在更暗的环境下进行采集，适应更多的采集场景；摄像头的帧率越高，采集的图像就越流畅，可以更好地捕捉土方的变化情况；摄像头的视角需要考虑采集的范围和角度，保证采集的图像能够覆盖到土方的全部或者关键部分。
应可以理解，可以使用无人机、机器人或者手持设备等技术来采集土方图像，对于无人机和机器人，可以配备相应的摄像头，通过遥控或者自主飞行的方式进行拍摄，而对于手持设备，可以使用智能手机或平板电脑等设备，通过内置的摄像头进行拍摄。对于无人机和机器人，需要考虑其飞行高度、速度、稳定性以及摄像头的像素、焦距等因素；对于手持设备，需要考虑摄像头的像素、对焦方式、防抖性能等因素。同时，还需要考虑采集数据的存储和传输方式，以及数据处理和分析的方法。
在一个具体示例中，使用无人机进行土方图像采集的具体步骤包括：选择合适的无人机和摄像头，根据采集任务的具体要求选择合适的无人机和摄像头，考虑无人机的飞行高度、速度、稳定性以及摄像头的像素、焦距等因素；安装和调试摄像头，将摄像头安装在无人机上，并进行调试和校准，确保摄像头的视野和画质符合要求；飞行任务规划，根据采集区域的大小和形状，规划无人机的飞行路线和高度，确保能够覆盖整个区域，并考虑避开障碍物和安全飞行；飞行数据采集，在规划好的飞行路线和高度下，启动无人机进行飞行数据采集，采集过程中需要保证无人机的稳定性和安全性；数据处理和分析，将采集到的土方图像数据进行处理和分析，包括图像去噪、配准、拼接等操作，以及特征提取、分类和识别等分析。使用无人机进行土方图像采集可以快速地覆盖大面积的土地，并且可以在短时间内完成高质量的图像采集任务，并且，无人机可以悬停在空中，可以拍摄高分辨率的图像，从而提高了土方图像的精度。同时，使用无人机进行土方图像采集可以避免人员进入危险的工作区域，提高工作的安全性，降低人力、物力和时间成本。
更具体地，在本公开实施例中，所述土方图像分析模块120，用于对所述水利工程的土方检测图像进行图像分析以得到土方融合特征图。相应地，在一种可能的实现方式中，如图2所示，所述土方图像分析模块120，包括：土方图像增强单元121，用于对所述土方检测图像进行图像增强以得到增强土方检测图像；土方浅层特征提取单元122，用于从所述增强土方检测图像中提取土方浅层特征图；土方深层特征提取单元123，用于从所述增强土方检测图像中提取土方深层特征图；以及，土方深浅特征融合单元124，用于基于所述土方浅层特征图和所述土方深层特征图的融合特征生成所述土方融合特征图。
相应地，在一种可能的实现方式中，所述土方图像增强单元121，用于：对所述土方检测图像进行双边滤波处理以得到所述增强土方检测图像。应可以理解，在实际通过摄像头进行所述土方检测图像的采集过程中，可能会受到不良天气、光照条件等环境因素的影响，导致图像的质量较差、低对比度以及噪声较多等问题。因此，在进行土方检测任务前，需要对原始的所述土方检测图像进行图像增强预处理来提高图像质量，使得后续算法能够准确地进行土方检测。考虑到基于双边滤波的图像增强方法可以平衡图像的噪声降低和边缘保留这两个因素之间的关系，同时能够有效地去除一些不必要的细节并突出土方目标对象的特征。因此，在本公开的技术方案中，使用基于双边滤波的图像增强器来对于所述土方检测图像进行图像增强以得到增强土方检测图像，这样，可以使得所述土方检测图像中的土方区域更加明显，便于后续的土方检测算法更加准确和稳定地进行检测。
值得一提的是，双边滤波（Bilateral Filtering）是一种图像处理算法，双边滤波算法可以在保留图像边缘信息的同时，对图像进行平滑处理。与传统的高斯滤波算法不同，双边滤波算法不仅考虑像素间的距离，还考虑像素间的差异性，从而更好地保留了图像的细节信息。双边滤波算法的基本原理是：对于图像中的每一个像素，通过计算该像素与周围像素的距离和像素值的差异，来确定一个权重值，然后根据这些权重值对像素进行加权平均，这样，距离相近、像素值相似的像素会被赋予更高的权重，从而更好地保留了图像的边缘信息。双边滤波算法可以用于图像去噪、图像增强、图像分割等领域，是一种比较常用的图像处理算法。
相应地，在一种可能的实现方式中，所述土方浅层特征提取单元122，用于：将所述增强土方检测图像通过基于第一卷积神经网络模型的浅层特征提取器以得到所述土方浅层特征图。使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述增强土方检测图像的特征挖掘，特别地，考虑到在实际进行水利工程的土方检测时，需要更加关注于土方的边缘、轮廓和纹理等浅层特征信息，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本公开的技术方案中，将所述增强土方检测图像通过基于第一卷积神经网络模型的浅层特征提取器以得到土方浅层特征图。这样，通过对于所述增强土方检测图像进行浅层特征提取可以区分目标和背景，找出与其他像素不同的土方像素，并提取出图像中有关于土方的浅层表征信息。进而，从原始像素级别上提取出有用的轮廓、边缘等浅层特征信息，以便于后续的土方检测算法更加准确地判断哪些地方是土方，为土方检测任务提供关键的特征支持。
相应地，在一种可能的实现方式中，所述土方深层特征提取单元123，用于：将所述土方浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到所述土方深层特征图。由于通过所述基于第一卷积神经网络模型的浅层特征提取器虽然能够提取出有关于土方的轮廓、边缘和纹理等浅层特征信息，但是对于深层次的语义特征的感知能力较弱，会使得对于水利工程的土方检测出现偏差和误检，降低了水利工程运维的效率和质量。因此，需要进一步将所述土方浅层特征图通过基于第二卷积神经网络模型的深层特征提取器中进行特征挖掘，以提取出有关于土方的更深层次的高维隐含特征分布信息，以得到土方深层特征图。也就是说，在土方检测任务中，经过第一层的浅层特征提取之后，仍然有部分信息并未被充分挖掘出来。通过使用所述基于第二卷积神经网络模型的深层特征提取器可以进一步地提取土方检测图像的深层次特征表征，使得能够更准确地找到土方目标并提取其深层特征信息，同时也可以有效降低误检率，提高土方检测的准确率和稳定性。
值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要应用于图像和视频等数据的识别和分类任务。卷积神经网络的主要特点是通过卷积操作从输入数据中提取特征，并通过池化操作降低特征的维度，最终通过全连接层将特征映射到输出类别。卷积神经网络的主要组成部分包括卷积层、池化层和全连接层。卷积层是卷积神经网络的核心部分，卷积层通过卷积操作提取输入数据的特征。池化层用于降低特征的维度，同时可以控制模型的过拟合。全连接层将特征映射到输出类别，用于分类和识别任务。卷积神经网络模型的训练过程通常使用反向传播算法，通过最小化损失函数来优化网络参数。在训练过程中，卷积神经网络会逐渐学习到输入数据中的特征，并将这些特征用于分类和识别任务。其中，卷积层是卷积神经网络的核心部分，卷积层通过卷积操作提取输入数据的特征，卷积操作是指将一个卷积核（也称为滤波器）与输入数据的一部分进行点乘操作，得到一个特征图，卷积核的参数是卷积神经网络需要学习的参数之一，通过不断优化这些参数，卷积神经网络可以逐渐学习到输入数据中的特征。池化层用于降低特征的维度，同时可以控制模型的过拟合，常用的池化操作有最大池化和平均池化两种。最大池化是指选取输入数据中某个区域内的最大值作为输出，平均池化是指选取输入数据中某个区域内的平均值作为输出，池化操作可以减少特征的数量，从而降低计算复杂度，并且可以使模型具有更好的鲁棒性。全连接层将特征映射到输出类别，用于分类和识别任务，全连接层将卷积层和池化层中提取的特征进行展开，并将其输入到一个全连接的神经网络中进行分类或回归，全连接层通常是卷积神经网络的最后一层，全连接层的输出是对输入数据进行分类或回归的结果。在卷积神经网络中，卷积层和池化层通常是交替出现的，用于提取输入数据的特征。全连接层则通常出现在卷积神经网络的最后一层，用于将特征映射到输出类别。
相应地，在一种可能的实现方式中，如图3所示，所述土方深浅特征融合单元124，包括：土方特征融合关联子单元1241，用于融合所述土方浅层特征图和所述土方深层特征图以得到土方检测特征图；以及，土方空间特征增强子单元1242，用于将所述土方检测特征图通过跨通道空间注意力模块以得到所述土方融合特征图。融合所述土方浅层特征图和所述土方深层特征图以得到土方检测特征图，以此来表示所述土方的轮廓和边缘等浅层特征信息和深层语义特征信息的关联性融合特征。应可以理解，在实际进行水利工程的土方检测任务时，由于所述土方检测图像中存在很多背景、干扰信息等因素，因此需要进一步去除背景干扰，以将有用的信息提取出来，进而实现更加精准的检测结果。也就是说，在实际进行土方检测时，应更加关注于空间位置上关于土方的特征分布信息而忽略与土方检测无关的干扰特征。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本公开的技术方案中，将所述土方检测特征图通过跨通道空间注意力模块中进行处理，以提取出图像中聚焦于空间位置上的关于土方的隐含特征分布信息，从而得到土方融合特征图。也就是说，通过所述跨通道空间注意力模块的加入，可以更好地获取到每个通道中各自最相关的特征信息以及空间上聚焦于土方区域的隐含特征信息，并把这些信息进行融合处理，得到最终的土方融合特征图，有利于提高土方检测的精度和稳定性。
值得一提的是，跨通道空间注意力模块（Cross-Channel Spatial AttentionModule）是一种卷积神经网络中的注意力机制，跨通道空间注意力模块可以用于提高网络的感知能力和分类性能。该模块的主要作用是在通道间和空间上建立关联，以便网络更好地捕捉不同通道和空间位置之间的相关性。具体来说，跨通道空间注意力模块可以分为两个部分：通道注意力和空间注意力。通道注意力部分使用全局平均池化操作来获取每个通道的全局信息，并通过两个全连接层来计算每个通道的权重。空间注意力部分则使用双线性插值来将通道注意力权重应用于每个空间位置，以便网络可以更好地关注重要的位置。通过将通道注意力和空间注意力结合起来，跨通道空间注意力模块可以使网络更好地捕捉不同通道和空间位置之间的相关性，从而提高网络的感知能力和分类性能。
特别地，在本公开的技术方案中，在融合所述土方浅层特征图和所述土方深层特征图时，为了充分利用浅层和深层的土方检测图像语义特征，优选地通过沿通道维度直接级联所述土方浅层特征图和所述土方深层特征图来得到所述土方检测特征图，但是，这也会导致所述土方检测特征图的沿通道排列的各个特征矩阵之间的特征分布差异。进一步地，将所述土方检测特征图通过跨通道空间注意力模块以得到土方融合特征图时，由于所述跨通道空间注意力模块会对沿通道分布的各个特征矩阵进一步强化其矩阵内部的局部空间分布，也会进一步增大沿通道排列的各个特征矩阵之间的特征分布差异，从而影响所述土方融合特征图的全局关联表达效果。
本公开的申请人考虑到所述土方融合特征图可以被视为各个特征矩阵的局部特
征集合组成的整体特征集合，从而具有特征集合维度下的相互关联的邻域分布关系。并且，
由于所述土方融合特征图的各个特征矩阵遵循所述第一卷积神经网络模型和所述第二卷
积神经网络模型的结合的通道特征关联分布，因此所述土方融合特征图的各个特征矩阵还
具有对应于土方检测图像语义特征在所述第一卷积神经网络模型和所述第二卷积神经网
络模型的通道维度下的结合的关联分布信息的多源信息关联关系。因此，为了提升所述土
方融合特征图的各个特征矩阵之间的整体关联表达效果，本公开的申请人在对所述土方融
合特征图进行分类而展开为特征向量时，对于每个特征矩阵对应的部分特征向量，例如记
为进行多源信息融合验前分布评估优化，以获得优化后的部分特征向量。
相应地，在一种可能的实现方式中，土方特征分布优化单元，用于：以如下优化公式对所述土方融合特征图中每个特征矩阵对应的部分特征向量进行多源信息融合验前分布评估优化以得到所述优化土方融合特征图；其中，所述优化公式为：
其中，是所述土方融合特征图中各个特征矩阵的第个部分特征向量，是均值
特征向量，为邻域设置超参数，表示以2为底的对数函数，表示按位置减法，是所述
优化土方融合特征图中各个特征矩阵的第个优化部分特征向量。且进一步地，当小于等
于零或者大于所述部分特征向量的数目时，特征向量可以为全零向量或者单位向量。
这里，所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合，基于特征分布融合稳健性的类极大似然估计，来实现各个部分特征向量各自的验前信息在局部合成分布上的有效折合，并通过多源情况下的验前分布构建，来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式，以提升各个部分特征向量之间基于多源信息关联融合的信息表达效果，从而提升所述土方融合特征图的各个特征矩阵的整体关联表达效果，以提升所述土方融合特征图的表达效果。这样，能够对水利工程的土方检测是否合格进行准确有效地检测，从而提高水利工程运维的效率和质量，并有效地降低了相关的人力和物力成本。
值得一提的是，多源信息融合是指将来自多个来源的信息进行整合和利用，以获得更全面、更准确的信息。在进行多源信息融合时，需要对每个信息源的贡献进行评估，并确定如何将这些信息整合起来以获得最佳结果。而多源信息融合验前分布评估优化则是指在进行多源信息融合之前，通过对信息源的分布进行评估和优化，来提高融合结果的准确性和效率。具体来说，多源信息融合验前分布评估优化包括以下几个步骤：1.收集和整理多源信息：首先需要收集来自不同来源的信息，并对其进行整理和预处理，以便后续的融合操作；2.分析信息源的分布：对每个信息源的分布进行分析，包括其空间、时间和属性等方面的特征，以便确定如何进行信息融合；3.评估信息源的贡献：对每个信息源的贡献进行评估，包括其准确性、可靠性、时效性等方面的指标，以便确定如何对不同信息源进行加权融合；4.优化信息源的分布：根据信息源的分布和贡献评估结果，对信息源的分布进行优化，以最大程度地提高融合结果的准确性和效率。通过进行多源信息融合验前分布评估优化，可以充分利用不同信息源之间的互补性，提高信息的准确性和可靠性，从而为决策提供更全面、更准确的信息支持。
更具体地，在本公开实施例中，所述土方检测模块130，用于基于所述土方融合特征图，确定水利工程的土方检测是否合格。相应地，在一种可能的实现方式中，如图4所示，所述土方检测模块130，包括：土方特征分布优化单元131，用于对所述土方融合特征图进行特征分布优化以得到优化土方融合特征图；以及，分类检测单元132，用于将所述优化土方融合特征图通过分类器以得到分类结果，所述分类结果用于表示水利工程的土方检测是否合格。也就是，在本公开的技术方案中，所述分类器的标签包括水利工程的土方检测合格(第一标签)，以及，水利工程的土方检测不合格(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化土方融合特征图属于哪个分类标签。值得注意的是，这里的第一标签p1和第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“水利工程的土方检测是否合格”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，水利工程的土方检测是否合格的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“水利工程的土方检测是否合格”的语言文本意义。应可以理解，在本公开的技术方案中，所述分类器的分类标签为水利工程的土方检测是否合格的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对水利工程的土方检测是否合格进行检测，从而提高水利工程运维的效率和质量。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一种可能的实现方式中，所述分类检测单元132，用于：将所述优化土方融合特征图按照行向量或者列向量展开为优化分类特征向量；使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
分类器是一种机器学习算法，用于将数据集中的样本分成不同的类别，分类器通常是一个函数或模型，其将输入数据映射到预定义的类别之一。在训练过程中，分类器会根据已知的标签和特征来学习如何将新的数据分配到正确的类别中。分类器通常用于监督学习中，其中数据集已经被标记为不同的类别。它们可以采用不同的方法来分类数据，如决策树、朴素贝叶斯、支持向量机、神经网络等。每个分类器都有其独特的优缺点，适用于不同的数据集和应用场景。
综上，基于本公开实施例的基于大数据的水利工程信息管理系统100被阐明，其可以对水利工程的土方检测是否合格进行准确有效地检测，从而提高水利工程运维的效率和质量，并有效地降低了相关的人力和物力成本。
如上所述，根据本公开实施例的所述基于大数据的水利工程信息管理系统100可以实现在各种终端设备中，例如具有基于大数据的水利工程信息管理算法的服务器等。在一个示例中，基于大数据的水利工程信息管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于大数据的水利工程信息管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于大数据的水利工程信息管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于大数据的水利工程信息管理系统100与该终端设备也可以是分立的设备，并且该基于大数据的水利工程信息管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5示出根据本公开的实施例的基于大数据的水利工程信息管理方法的流程图。图6示出根据本公开的实施例的基于大数据的水利工程信息管理方法的系统架构的示意图。如图5和图6所示，根据本公开实施例的基于大数据的水利工程信息管理方法，其包括：S110，通过摄像头采集水利工程的土方检测图像；S120，对所述水利工程的土方检测图像进行图像分析以得到土方融合特征图；以及，S130，基于所述土方融合特征图，确定水利工程的土方检测是否合格。
这里，本领域技术人员可以理解，上述基于大数据的水利工程信息管理方法中的各个步骤的具体操作已经在上面参考图1到图4的基于大数据的水利工程信息管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图7示出根据本公开的实施例的基于大数据的水利工程信息管理系统的应用场景图。如图7所示，在该应用场景中，首先，通过摄像头（例如，图7中所示意的C）采集水利工程的土方检测图像（例如，图7中所示意的D），然后，将所述水利工程的土方检测图像输入至部署有基于大数据的水利工程信息管理算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述基于大数据的水利工程信息管理算法对所述水利工程的土方检测图像进行处理以得到用于表示水利工程的土方检测是否合格的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (5)
1.一种基于大数据的水利工程信息管理系统，其特征在于，包括：
土方图像采集模块，用于通过摄像头采集水利工程的土方检测图像；
土方图像分析模块，用于对所述水利工程的土方检测图像进行图像分析以得到土方融合特征图；以及
土方检测模块，用于基于所述土方融合特征图，确定水利工程的土方检测是否合格；
其中，所述土方检测模块，包括：
土方特征分布优化单元，用于对所述土方融合特征图进行特征分布优化以得到优化土方融合特征图；以及
分类检测单元，用于将所述优化土方融合特征图通过分类器以得到分类结果，所述分类结果用于表示水利工程的土方检测是否合格；
其中，所述土方特征分布优化单元，用于：
以如下优化公式对所述土方融合特征图中每个特征矩阵对应的部分特征向量进行多源信息融合验前分布评估优化以得到所述优化土方融合特征图；
其中，所述优化公式为：
其中，Vj是所述土方融合特征图中各个特征矩阵的第j个部分特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，V′i是所述优化土方融合特征图中各个特征矩阵的第i个优化部分特征向量；
其中，所述土方图像分析模块，包括：
土方图像增强单元，用于对所述土方检测图像进行图像增强以得到增强土方检测图像；
土方浅层特征提取单元，用于从所述增强土方检测图像中提取土方浅层特征图；
土方深层特征提取单元，用于从所述增强土方检测图像中提取土方深层特征图；以及
土方深浅特征融合单元，用于基于所述土方浅层特征图和所述土方深层特征图的融合特征生成所述土方融合特征图；
其中，所述土方深浅特征融合单元，包括：
土方特征融合关联子单元，用于融合所述土方浅层特征图和所述土方深层特征图以得到土方检测特征图；以及
土方空间特征增强子单元，用于将所述土方检测特征图通过跨通道空间注意力模块以得到所述土方融合特征图。
2.根据权利要求1所述的基于大数据的水利工程信息管理系统，其特征在于，所述土方图像增强单元，用于：对所述土方检测图像进行双边滤波处理以得到所述增强土方检测图像。
3.根据权利要求2所述的基于大数据的水利工程信息管理系统，其特征在于，所述土方浅层特征提取单元，用于：将所述增强土方检测图像通过基于第一卷积神经网络模型的浅层特征提取器以得到所述土方浅层特征图。
4.根据权利要求3所述的基于大数据的水利工程信息管理系统，其特征在于，所述土方深层特征提取单元，用于：将所述土方浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到所述土方深层特征图。
5.根据权利要求4所述的基于大数据的水利工程信息管理系统，其特征在于，所述分类检测单元，用于：
将所述优化土方融合特征图按照行向量或者列向量展开为优化分类特征向量；
使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769616.4A CN116503406B (zh) | 2023-06-28 | 2023-06-28 | 基于大数据的水利工程信息管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769616.4A CN116503406B (zh) | 2023-06-28 | 2023-06-28 | 基于大数据的水利工程信息管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503406A CN116503406A (zh) | 2023-07-28 |
| CN116503406B true CN116503406B (zh) | 2023-09-19 |
Family
ID=87316945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310769616.4A Active CN116503406B (zh) | 2023-06-28 | 2023-06-28 | 基于大数据的水利工程信息管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503406B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128558A (zh) * | 2021-03-11 | 2021-07-16 | 重庆邮电大学 | 基于浅层空间特征融合与自适应通道筛选的目标检测方法 |
| WO2022134655A1 (zh) * | 2020-12-25 | 2022-06-30 | 神思电子技术股份有限公司 | 一种端到端的视频动作检测定位系统 |
| CN114943893A (zh) * | 2022-04-29 | 2022-08-26 | 南京信息工程大学 | 一种土地覆盖分类的特征增强网络 |
| CN115761813A (zh) * | 2022-12-13 | 2023-03-07 | 浙大城市学院 | 基于大数据分析的智能控制系统及方法 |
| CN116030018A (zh) * | 2023-01-10 | 2023-04-28 | 漯河江山天安新型建材有限公司 | 用于门加工的来料合格检验系统及方法 |
| WO2023092813A1 (zh) * | 2021-11-25 | 2023-06-01 | 苏州大学 | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 |
-
2023
- 2023-06-28 CN CN202310769616.4A patent/CN116503406B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022134655A1 (zh) * | 2020-12-25 | 2022-06-30 | 神思电子技术股份有限公司 | 一种端到端的视频动作检测定位系统 |
| CN113128558A (zh) * | 2021-03-11 | 2021-07-16 | 重庆邮电大学 | 基于浅层空间特征融合与自适应通道筛选的目标检测方法 |
| WO2023092813A1 (zh) * | 2021-11-25 | 2023-06-01 | 苏州大学 | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 |
| CN114943893A (zh) * | 2022-04-29 | 2022-08-26 | 南京信息工程大学 | 一种土地覆盖分类的特征增强网络 |
| CN115761813A (zh) * | 2022-12-13 | 2023-03-07 | 浙大城市学院 | 基于大数据分析的智能控制系统及方法 |
| CN116030018A (zh) * | 2023-01-10 | 2023-04-28 | 漯河江山天安新型建材有限公司 | 用于门加工的来料合格检验系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| BIM与GIS集成的三维建模方法在水利工程管理中的应用;袁媛;史赟;丁维馨;张李荪;;江西水利科技(第02期);全文 * |
| 图像识别技术在电信运维质检上的应用;范博;邱芸;沈雷;;电信科学(第04期);全文 * |
| 基于注意力机制和特征融合改进的小目标检测算法;麻森权;周克;;计算机应用与软件(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503406A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11475660B2 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
| US11144889B2 (en) | Automatic assessment of damage and repair costs in vehicles | |
| Lian et al. | Road extraction methods in high-resolution remote sensing images: A comprehensive review | |
| Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
| CN105354565A (zh) | 基于全卷积网络人脸五官定位与判别的方法及系统 | |
| Raghavan et al. | Optimized building extraction from high-resolution satellite imagery using deep learning | |
| CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
| Xing et al. | Traffic sign recognition using guided image filtering | |
| CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
| Sahu et al. | A novel parameter adaptive dual channel MSPCNN based single image dehazing for intelligent transportation systems | |
| CN117237884A (zh) | 一种基于泊位定位的互动式巡检机器人 | |
| Barodi et al. | An enhanced artificial intelligence-based approach applied to vehicular traffic signs detection and road safety enhancement | |
| CN113223011B (zh) | 基于引导网络和全连接条件随机场的小样本图像分割方法 | |
| CN116872961B (zh) | 用于智能驾驶车辆的控制系统 | |
| Saravanarajan et al. | Improving semantic segmentation under hazy weather for autonomous vehicles using explainable artificial intelligence and adaptive dehazing approach | |
| CN111860465A (zh) | 基于超像素的遥感图像提取方法、装置、设备及存储介质 | |
| CN116883650A (zh) | 一种基于注意力和局部拼接的图像级弱监督语义分割方法 | |
| CN116503406B (zh) | 基于大数据的水利工程信息管理系统 | |
| CN116258937A (zh) | 基于注意力机制的小样本分割方法、装置、终端及介质 | |
| Alam et al. | Identification of empty land based on google earth using convolutional neural network algorithm | |
| Kalist et al. | A Novel Lanemark Identification System using Kalman Filtration Logic and Image Processing Principles | |
| Thevarasa et al. | Weighted Ensemble Algorithm for Aerial Imaging Based Mosquito Breeding Sites Classification | |
| CN116861261B (zh) | 自动驾驶模型的训练方法、部署方法、系统、介质和设备 | |
| Zhang et al. | Visual fusion of network security data in image recognition | |
| Gan et al. | Flexible asymmetric convolutional attention network for LiDAR semantic |
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 |