CN117012006A - 一种城市道路的洪涝灾害预警方法、设备及介质 - Google Patents
一种城市道路的洪涝灾害预警方法、设备及介质 Download PDFInfo
- Publication number
- CN117012006A CN117012006A CN202311090730.0A CN202311090730A CN117012006A CN 117012006 A CN117012006 A CN 117012006A CN 202311090730 A CN202311090730 A CN 202311090730A CN 117012006 A CN117012006 A CN 117012006A
- Authority
- CN
- China
- Prior art keywords
- road
- ponding
- current
- regional
- water
- 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 53
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 415
- 238000009825 accumulation Methods 0.000 claims description 236
- 230000003993 interaction Effects 0.000 claims description 61
- 230000000875 corresponding effect Effects 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 30
- 238000012876 topography Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 239000007921 spray Substances 0.000 claims description 8
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施例公开了一种城市道路的洪涝灾害预警方法、设备及介质，涉及道路洪涝预警技术领域，方法包括：采集当前城市道路每个预设位置处的多个实时道路数据，通过每帧实时道路图像和预设的道路积水识别模型，生成每帧实时道路图像中的当前区域积水信息，当前区域积水信息包括区域积水类型标识和区域位置信息；基于每帧实时道路图像中的当前区域积水信息，确定当前城市道路的每个所述预设位置处的区域道路积水等级，通过大数据技术，获取当前城市道路的积水风险信息；基于当前城市道路的积水风险信息和每个预设位置处的区域道路积水等级，生成当前城市道路的实时洪涝灾害预警信息，以对当前城市道路的洪涝灾害进行预警。
Description
技术领域
本说明书涉及道路洪涝预警技术领域，尤其涉及一种城市道路的洪涝灾害预警方法、设备及介质。
背景技术
在全球气候变化和城市化进程加快共同作用下，城市内涝问题越来越严重。城市内涝预警体系和应对措施不够完善。洪涝灾害不仅会导致财产损失，更严重威胁人们的生命安全，在此背景下，城市内涝预警体系和对应的应对措施显得尤为重要。在城市场景中，城市道路积水问题是城市安全管理的重要部分。
在现有技术技术中，通常以积水面积作为判定标准，对城市道路的积水情况进行识别，以进行洪涝灾害的预警。但是由于城市道路具备延展特性，即城市道路为具有一定长度的道路，且不同路段的实际情况存在差异，积水面积仅代表某段道路的积水现状，单个路段的实际积水情况无法代表整个城市道路的整体积水情况，进而导致洪灾预警的针对性和全面覆盖性较低；此外，由于城市道路中不断有车辆驶过，车辆驶过时对积水面积的大小产生了一定影响，导致积水面积的准确度较低，进而导致洪涝灾害的预警准确程度较低。因此，现有技术中的洪灾预警将积水面积作为参考因素，忽略了城市道路的延展特性以及车辆行驶产生的影响，导致洪灾预警缺少针对性，且无法满足准确预警的预警需求。
发明内容
本说明书一个或多个实施例提供了一种城市道路的洪涝灾害预警方法、设备及介质，用于解决如下技术问题：现有技术中的洪灾预警将积水面积作为参考因素，忽略了城市道路的延展特性以及车辆行驶产生的影响，导致洪灾预警缺少针对性，且无法满足准确预警的预警需求。
本说明书一个或多个实施例采用下述技术方案：
本说明书一个或多个实施例提供一种城市道路的洪涝灾害预警方法，所述方法包括：采集当前城市道路每个预设位置处的多个实时道路数据，其中，所述实时道路数据为多帧实时道路图像；通过每帧所述实时道路图像和预设的道路积水识别模型，生成每帧所述实时道路图像中的当前区域积水信息，其中，所述当前区域积水信息包括区域积水类型标识和区域位置信息，所述区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识，收拾当前积水深浅类型标识包括浅积水类型和深积水类型，所述当前车水交互类型标识包括车水浪花类型和车水波涌类型；基于每帧所述实时道路图像中的所述当前区域积水信息，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级；通过大数据技术，获取所述当前城市道路的积水风险信息，其中，所述积水风险信息包括历史积水数据、所述预设位置处的地势数据和道路排水设施分布数据；基于所述当前城市道路的积水风险信息和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，以对所述当前城市道路的洪涝灾害进行预警，其中，所述实时洪涝灾害预警信息包括多个指定道路路段的积水预警顺序、每个所述预设位置处的区域道路积水等级和所述当前区域积水信息中的区域位置信息。
进一步地，采集当前城市道路每个预设位置处的多个实时道路数据之前，所述方法还包括：按照预设道路划分规则，将所述当前城市道路分为多个路段；通过大数据技术，获取每个路段的路段积水风险信息，其中，所述路段积水风险信息包括所述路段的多个路段地势数据、所述路段的路段历史积水数据和所述路段的路段排水设施数据；根据每个路段的路段积水风险信息，在所述当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段；根据每个路段的路段积水风险信息，在所述当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段，具体包括：根据每个路段的路段积水风险信息，确定每个所述路段的路段路面特征数据、路段排水设施数据和路段积水特征数据；通过每个所述路段的路段路面特征数据、路段排水设施数据和路段积水特征数据，生成每个所述路段的路段积水风险权重参数；根据每个所述路段的路段积水风险权重参数，在所述当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段；在所述易积水路段的预设位置处设置数据采集装置，以通过每个所述数据采集装置采集每个所述易积水路段的预设位置处的实时道路数据。
进一步地，基于每帧所述实时道路图像中的所述当前区域积水信息，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级，具体包括：获取所述当前区域积水信息中的所述区域积水类型标识；根据所述区域积水类型标识中的所述当前积水深浅类型标识，确定每帧所述实时道路图像中的实时积水深浅类型，以确定指定时间周期内的积水深浅变化走向，其中，所述实时积水深浅类型包括浅积水和深积水，所述指定时间周期用于表示当前采集时刻和初始采集时刻之间的时间周期；通过所述区域积水类型标识中的所述当前车水交互类型标识，确定每帧所述实时道路图像中的实时车水交互类型，并统计所述指定时间周期内的所述实时车水交互类型的出现次数，其中，所述实时车水交互类型包括车水浪花类型和车水波涌类型；基于所述指定时间周期内的积水深浅变化走向、所述实时车水交互类型和所述指定时间周期内的所述实时车水交互类型的出现次数，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级，其中，所述区域道路积水等级包括轻度积水、中度积水、重度积水和超重度积水。
进一步地，基于所述当前城市道路的积水风险信息和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，具体包括：在所述当前城市道路的积水风险信息中进行数据查找，以获取每个所述预设位置处的路段积水风险信息，其中，所述路段积水风险信息包括所述路段积水风险信息包括多个路段地势数据、路段历史积水数据和路段排水设施数据；基于每个所述预设位置处的路段积水风险信息，生成每个所述预设位置的积水风险权重参数，其中，所述积水风险权重参数与易积水程度为正相关；根据每个所述预设位置的积水风险权重参数和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息。
进一步地，基于每个所述预设位置处的路段积水风险信息，生成每个所述预设位置的积水风险权重参数，具体包括：确定每个所述预设位置对应的所述当前城市道路的指定道路路段；基于每个所述预设位置处的所述多个路段地势数据，对每个所述指定道路路段进行低洼区域识别，以确定每个所述指定道路路段的路面特征数据，其中，所述路面特征数据包括路段低洼区域面积、路段低洼区域数量以及路段低洼区域位置信息；根据每个所述预设位置处的所述路段历史积水数据，对所述指定道路路段的历史积水情况进行统计分析，确定每个所述指定道路路段的积水特征数据，其中，所述积水特征数据包括预设时间周期内的积水次数；通过每个所述预设位置处的路段排水设施数据，确定每个所述指定道路路段的排水特征数据，其中，所述排水特征数据包括排水设施数量和每个所述排水设施的排水设施位置信息；基于所述路面特征数据、所述路段排水设施数据和所述积水特征数据，生成每个所述预设位置的积水风险权重参数。
进一步地，根据每个所述预设位置的积水风险权重参数和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，具体包括：按照每个所述预设位置处的积水风险权重参数由大到小的顺序，将每个所述预设位置对应的所述当前城市道路的指定道路路段进行排序，生成多个所述指定道路路段的初始预警序列；根据每个所述预设位置处的区域道路积水等级，对所述初始预警序列中所述指定道路路段的顺序进行调整，生成当前预警序列，其中，所述当前预警序列包括由小到大依次排列的多个预警顺序标识；基于所述当前预警序列中每个所述指定道路路段的预警顺序标识，生成所述当前城市道路中多个指定道路路段的积水预警顺序；通过所述当前城市道路中多个指定道路路段的积水预警顺序、每个所述指定道路路段的区域道路积水等级和所述当前区域积水信息中的区域位置信息，生成所述当前城市道路的实时洪涝灾害预警信息。
进一步地，通过每帧所述实时道路图像和预设的道路积水识别模型，生成每帧所述实时道路图像中的当前区域积水信息之前，所述方法还包括：获取多个城市道路视频数据，对每个所述城市道路视频数据进行每秒抽帧处理，得到多帧城市道路图像；对所述多帧城市道路图像进行图像处理，以剔除冗余图像，生成初始城市道路图像集，其中，所述冗余图像包括重复图像和无积水图像；确定所述初始城市道路图像集中的图像数量，当所述初始城市道路图像集中的图像数据低于预设数量阈值时，通过生成对抗网络对所述初始城市道路图像集中的数据进行数据扩充，以得到城市道路图像数据集；对所述城市道路图像数据集中的城市道路积水图像进行特征识别，确定每个所述城市道路积水图像中的至少一个积水区域；通过指定标注工具，对每个积水区域进行积水标签标注，生成标注后的标签城市道路积水图像，以构建标注后的标签数据集，其中，所述积水标签包括浅积水标签、深积水标签、车水浪花标签和车水波涌标签；使用所述标签数据集，对Yolov8-seg实例分割网络进行训练，以确定所述道路积水识别模型。
进一步地，基于所述指定时间周期内的积水深浅变化走向和所述指定时间周期内的所述实时车水交互类型的出现次数，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级，具体包括：当所述积水深浅变化走向为深积水至浅积水走向时，确定所述预设位置处的区域道路积水等级为轻度积水；当所述积水深浅变化走向为浅积水至深积水走向，且所述实时车水交互类型为车水浪花类型，且所述车水浪花类型的出现次数大于预设次数阈值时，确定所述预设位置处的区域道路积水等级为中度积水；当所述积水深浅变化走向为浅积水至深积水走向，且所述实时车水交互类型为车水波涌类型，且所述车水波涌类型的出现次数大于所述预设次数阈值时，确定所述预设位置处的区域道路积水等级为重度积水；当所述积水深浅变化走向为浅积水至深积水走向，且所述指定时间周期内的所述实时车水交互类型的出现次数为零时，确定所述预设位置处的区域道路积水等级为超重度积水。
本说明书一个或多个实施例提供一种城市道路的洪涝灾害预警设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采集当前城市道路每个预设位置处的多个实时道路数据，其中，所述实时道路数据为多帧实时道路图像；通过每帧所述实时道路图像和预设的道路积水识别模型，生成每帧所述实时道路图像中的当前区域积水信息，其中，所述当前区域积水信息包括区域积水类型标识和区域位置信息，所述区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识，收拾当前积水深浅类型标识包括浅积水类型和深积水类型，所述当前车水交互类型标识包括车水浪花类型和车水波涌类型；基于每帧所述实时道路图像中的所述当前区域积水信息，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级；通过大数据技术，获取所述当前城市道路的积水风险信息，其中，所述积水风险信息包括历史积水数据、所述预设位置处的地势数据和道路排水设施分布数据；基于所述当前城市道路的积水风险信息和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，以对所述当前城市道路的洪涝灾害进行预警，其中，所述实时洪涝灾害预警信息包括多个指定道路路段的积水预警顺序、每个所述预设位置处的区域道路积水等级和所述当前区域积水信息中的区域位置信息。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
采集当前城市道路每个预设位置处的多个实时道路数据，其中，所述实时道路数据为多帧实时道路图像；通过每帧所述实时道路图像和预设的道路积水识别模型，生成每帧所述实时道路图像中的当前区域积水信息，其中，所述当前区域积水信息包括区域积水类型标识和区域位置信息，所述区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识，收拾当前积水深浅类型标识包括浅积水类型和深积水类型，所述当前车水交互类型标识包括车水浪花类型和车水波涌类型；基于每帧所述实时道路图像中的所述当前区域积水信息，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级；通过大数据技术，获取所述当前城市道路的积水风险信息，其中，所述积水风险信息包括历史积水数据、所述预设位置处的地势数据和道路排水设施分布数据；基于所述当前城市道路的积水风险信息和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，以对所述当前城市道路的洪涝灾害进行预警，其中，所述实时洪涝灾害预警信息包括多个指定道路路段的积水预警顺序、每个所述预设位置处的区域道路积水等级和所述当前区域积水信息中的区域位置信息。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过上述技术方案，针对城市道路的延展特征，选择易积水路段进行预警，既可以代表整体城市道路的积水概况，具备代表，又减少了数据采集数量和装置安装数量，进一步降低了预警的设备安装成本，降低数据计算量，减少服务器计算压力，提高了预警效率；通过模型识别的方式对每帧实时道路图像进行积水信息识别，得到每个路段的区域积水信息，设置多种积水类型标识，为预警提供了全面的数据分析基础，避免了仅使用积水面积等产生的结果不准确的问题；将当前区域积水信息先按照深浅进行分类，再对深积水进行车水交互过程的分类，结合城市道路的车辆通行特征，对积水等级进行准确划分，此处将车辆影响积水判断的因素转换为等级判断的参考因素，避免了现有技术中行驶车辆对积水识别的影响，进一步保证了积水识别分类的准确性和精确性，更符合城市道路的积水识别场景；在实时洪涝灾害预警信息中包括反映实时积水情况的预警顺序、指定道路路段的实时区域积水等级以及每个指定道路路段的位置信息。既考虑了预警顺序，保证对积水严重的路段及时作出响应，又考虑了每个路段的区域道路积水等级，可以对整条城市道路的积水情况进行整体了解，还考虑了路段的位置信息，便于对积水严重路段进行定位。
附图说明
为了更清楚地说明本说明书实施例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本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书实施例提供的一种城市道路的洪涝灾害预警方法的流程示意图；
图2为本说明书实施例提供的一种车水波涌对应的应用场景示意图；
图3为本说明书实施例提供的一种车水浪花对应的应用场景示意图；
图4为本说明书实施例提供的一种城市道路的洪涝灾害预警设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
在现有技术技术中，通常以积水面积作为判定标准，对城市道路的积水情况进行识别，以进行洪涝灾害的预警。但是由于城市道路具备延展特性，即城市道路为具有一定长度的道路，且不同路段的实际情况存在差异，积水面积仅代表某段道路的积水现状，单个路段的实际积水情况无法代表整个城市道路的整体积水情况，进而导致洪灾预警的针对性和全面覆盖性较低；此外，由于城市道路中不断有车辆驶过，车辆驶过时对积水面积的大小产生了一定影响，导致积水面积的准确度较低，进而导致洪涝灾害的预警准确程度较低。因此，现有技术中的洪灾预警将积水面积作为参考因素，忽略了城市道路的延展特性以及车辆行驶产生的影响，导致洪灾预警缺少针对性，且无法满足准确预警的预警需求。
本说明书实施例提供一种城市道路的洪涝灾害预警方法，需要说明的是，本说明书实施例中的执行主体可以是服务器，也可以是任意一种具备数据处理能力的设备。图1为本说明书实施例提供的一种城市道路的洪涝灾害预警方法的流程示意图，如图1所示，主要包括如下步骤：
步骤S101，采集当前城市道路每个预设位置处的多个实时道路数据。
采集当前城市道路每个预设位置处的多个实时道路数据之前，该方法还包括：按照预设道路划分规则，将该当前城市道路分为多个路段；通过大数据技术，获取每个路段的路段积水风险信息，其中，该路段积水风险信息包括该路段的多个路段地势数据、该路段的路段历史积水数据和该路段的路段排水设施数据；根据每个路段的路段积水风险信息，在该当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段；根据每个路段的路段积水风险信息，在该当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段，具体包括：根据每个路段的路段积水风险信息，确定每个该路段的路段路面特征数据、路段排水设施数据和路段积水特征数据；通过每个该路段的路段路面特征数据、路段排水设施数据和路段积水特征数据，生成每个该路段的路段积水风险权重参数；根据每个该路段的路段积水风险权重参数，在该当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段；在该易积水路段的预设位置处设置数据采集装置，以通过每个该数据采集装置采集每个该易积水路段的预设位置处的实时道路数据。
在实际的城市道路中，由于城市道路的延展特性，通常有较长的一段距离，一条城市道路甚至可以贯穿整个城市，也就是说城市公路长且经过的环境多变，若对整条城市道路进行分析，需要设置的采集装置的数量较多，处理分析的数据量较大，进而提高了预警成本，降低了预警效率。因此，在对城市道路进行分析时，为了提高洪涝灾害的预警效率，可以对每条城市道路中的易积水路段进行筛选，在易积水路段设置数据采集装置。
在本说明书的一个实施例中，按照预设道路划分规则，将当前城市道路分为多个路段，例如等间距划分、按其他道路穿过的当前城市道路的交点划分，还可以按照路灯、垃圾桶等路边设施的位置进行划分。通过大数据技术，获取每个路段的路段积水风险信息，路段积水风险信息包括路段的多个路段地势数据、路段的路段历史积水数据和路段的路段排水设施数据；路段地势数据可以是该路段的地势分布平面图的形式，路段排水设施数据可以是此路段内的排水设施的数量以及排水设施在该路段的位置，路段历史积水数据可以通过市政部门等官方机构公布的维修数据推算得到，也可以通过网络爬虫技术爬取下雨天气的网络发表言论进行统计得到，最终的路段历史积水数据，可以是积水次数或积水频率，例如可以通过统计一个月内下雨次数以及该路段的积水次数，得到积水频率。
根据每个路段的路段积水风险信息，在当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段，此处易积水路段的选择可以根据预警需求设置每种路段积水风险信息的阈值。例如，设置路段的多个路段地势数据中最高地势与最低地势的地势差值阈值，设置积水次数阈值，设置排水设施数量阈值。根据三个阈值在多个路段中进行易积水路段筛选，可以是任意一个风险信息满足阈值条件，也可以多个风险信息满足阈值条件，此处根据实际的预警场景设置。
根据每个路段的路段积水风险信息，在当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段，还可以通过根据每个路段的路段积水风险信息，确定每个该路段的路段路面特征数据、路段排水设施数据和路段积水特征数据；通过每个该路段的路段路面特征数据、路段排水设施数据和路段积水特征数据，生成每个该路段的路段积水风险权重参数；根据每个该路段的路段积水风险权重参数，在当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段。
在易积水路段的预设位置处设置数据采集装置，以通过每个该数据采集装置采集每个该易积水路段的预设位置处的实时道路数据。此处的预设位置可以是通过经验数据得到能采集到此路段较为全面道路景象的位置。在预设位置处安装数据采集装置，数据采集装置可以是摄像装置，摄像装置要求角度可变，型号统一，高度在6米上下，高度误差不超过0.5米，保持与交通信号灯高度一致，以保证可以采集到此路段较为全面的道路图像。通过每个摄像装置当前城市道路每个预设位置处的多个实时道路数据，每个实时道路数据为视频流数据，包括多帧实时道路图像。
通过上述技术方案，针对城市道路的延展特征，在当前城市道路的易积水路段设置数据采集装置，采集路段的实时道路图像，选择易积水路段进行预警，既可以代表整体城市道路的积水概况，具备代表，又减少了数据采集数量和装置安装数量，进一步降低了预警的设备安装成本，降低数据计算量，减少服务器计算压力，提高了预警效率。
步骤S102，通过每帧实时道路图像和预设的道路积水识别模型，生成每帧实时道路图像中的当前区域积水信息。
通过每帧该实时道路图像和预设的道路积水识别模型，生成每帧该实时道路图像中的当前区域积水信息之前，该方法还包括：获取多个城市道路视频数据，对每个该城市道路视频数据进行每秒抽帧处理，得到多帧城市道路图像；对该多帧城市道路图像进行图像处理，以剔除冗余图像，生成初始城市道路图像集，其中，该冗余图像包括重复图像和无积水图像；确定该初始城市道路图像集中的图像数量，当该初始城市道路图像集中的图像数据低于预设数量阈值时，通过生成对抗网络对该初始城市道路图像集中的数据进行数据扩充，以得到城市道路图像数据集；对该城市道路图像数据集中的城市道路积水图像进行特征识别，确定每个该城市道路积水图像中的至少一个积水区域；通过指定标注工具，对每个积水区域进行积水标签标注，生成标注后的标签城市道路积水图像，以构建标注后的标签数据集，其中，该积水标签包括浅积水标签、深积水标签、车水浪花标签和车水波涌标签；使用该标签数据集，对Yolov8-seg实例分割网络进行训练，以确定该道路积水识别模型。
在本说明书的一个实施例中，获取每个数据采集装置采集每个易积水路段的预设位置处的历史道路数据，记作第一数据。得到第一数据后，对第一数据中的视频进行每秒的抽帧操作。抽帧完毕后，筛选出不重复的带有积水的图像。当摄像头安置时间较短，摄像头数量较少或者摄像头图像质量不够清晰时，可以从其他途径搜集不同高度、不同角度的积水素材。也可以采用生成对抗网络(Generative Adversarial Network,GAN)进行数据的扩充。GAN分为生成器与判别器，两者都是一种神经网络模型，生成器网络的任务是根据一组随机噪声数据来生成分布而形成新的数据；判别器网络任务是评估新生成的数据是否真实，即是否来自真实的训练集。通过生成对抗网络对该初始城市道路图像集中的数据进行数据扩充，得到城市道路图像数据集。GAN网络可以大量的扩充数据，并且图像清晰度也可以增强，可操作性强、能够无监督地学习到各种数据特征，保证了城市道路图像数据集的准确性、数据完整性和可用性。
对城市道路图像数据集中的城市道路积水图像进行特征识别，确定每个城市道路积水图像中的至少一个积水区域。扩充完毕之后使用labelme对图像进行标注，在标注时应尽量贴合积水区域边界，不可露出过多背景，并保持标注一致性。设置四个标签进行标注包括ponding(浅积水标签)、flood(深积水标签)、wave(车水波涌标签)、spray(车水浪花标签)。标注完成后将标签转为txt格式，构建标注后的标签数据集，并完成训练集、测试集、验证集的分类。需要说明的是，浅积水和深积水的区别在于是否可以显现出积水覆盖路面的路面特征，例如路面车道线、路面井盖、路面引导线等，若积水图像中可以显现出积水覆盖路面的路面特征，则标注为浅积水标签，若积水图像中无法显现出积水覆盖路面的路面特征，则标注为深积水标签。此外，图2为本说明书实施例提供的一种车水波涌对应的应用场景示意图，如图2所示，车水波涌标签是指当车辆经过积水路段时，车辆与积水形成的相对作用的表现形式为波涌形状，也可以是波浪形状，具备层次特征，图3为本说明书实施例提供的一种车水浪花对应的应用场景示意图，如图3所所示车水浪花标签是指当车辆经过积水路段时，车辆与积水形成的相对作用的表现形式为浪花形状。此处的标注过程可以直接使用工具标注得到，也可以先通过识别算法识别车辆与积水形成的相对作用的积水形状和识别积水覆盖路面有无路面特征，得到标签后，再使用工具进行标注。
将建立的标注后的标签数据集使用Yolov8-seg实例分割网络，可以利用A10显卡进行训练并调试，得到训练完成的模型。Yolov8-seg是Yolo系列最新的研究模型，其中，实例分割网络是基于YOLACT的实例分割模型，提供了多个尺度的不同大小模型用于满足不同场景需求。由于本实施例对视频流的检测为每秒的检测，运行显卡为A10显卡，资源充足，因此使用的模型为Yolov8x-seg，即最大的模型。在训练时使用迁移训练，使用训练集训练好的模型作为预训练模型，以确定出道路积水识别模型。
在本说明书的一个实施例中，通过每帧实时道路图像和预设的道路积水识别模型，生成每帧实时道路图像中的当前区域积水信息，该当前区域积水信息包括区域积水类型标识和区域位置信息。通过模型识别的方式对每帧实时道路图像进行积水信息识别，得到每个路段的区域积水信息，设置多种积水类型标识，为预警提供了全面的数据分析基础，避免了仅使用积水面积等产生的结果不准确的问题。
步骤S103，基于每帧实时道路图像中的该当前区域积水信息，确定当前城市道路的每个预设位置处的区域道路积水等级。
基于每帧该实时道路图像中的该当前区域积水信息，确定该当前城市道路的每个该预设位置处的区域道路积水等级，具体包括：获取该当前区域积水信息中的该区域积水类型标识，其中，该区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识；根据该区域积水类型标识中的该当前积水深浅类型标识，确定每帧该实时道路图像中的实时积水深浅类型，以确定指定时间周期内的积水深浅变化走向，其中，该实时积水深浅类型包括浅积水和深积水，该指定时间周期用于表示当前采集时刻和初始采集时刻之间的时间周期；通过该区域积水类型标识中的该当前车水交互类型标识，确定每帧该实时道路图像中的实时车水交互类型，并统计该指定时间周期内的该实时车水交互类型的出现次数，其中，该实时车水交互类型包括车水浪花类型和车水波涌类型；基于该指定时间周期内的积水深浅变化走向、该实时车水交互类型和该指定时间周期内的该实时车水交互类型的出现次数，确定该当前城市道路的每个该预设位置处的区域道路积水等级。
在本说明书的一个实施例中，获取当前区域积水信息中的区域积水类型标识，区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识。通过当前积水深浅类型标识，确定每帧实时道路图像中的实时积水深浅类型，此处的实时积水深浅类型包括浅积水和深积水，表示视频帧对应时刻下的积水深浅情况。通过多帧视频对应的实时积水深浅类型，绘制指定时间周期内的积水深浅变化走向，指定时间周期用于表示当前采集时刻和初始采集时刻之间的时间周期，通过积水深浅变化走向可以对当前路段的积水深浅的变化情况进行直观展示，实时观察路段的积水变化。
同样地，通过区域积水类型标识中的当前车水交互类型标识，确定每帧实时道路图像中的实时车水交互类型，并统计指定时间周期内的实时车水交互类型的出现次数，实时车水交互类型包括车水浪花类型和车水波涌类型。基于指定时间周期内的积水深浅变化走向、实时车水交互类型和指定时间周期内的实时车水交互类型的出现次数，确定当前城市道路的每个预设位置处的区域道路积水等级。区域道路积水等级包括轻度积水、中度积水、重度积水和超重度积水，上述各等级对应的积水程度依次递增。
基于该指定时间周期内的积水深浅变化走向和该指定时间周期内的该实时车水交互类型的出现次数，确定该当前城市道路的每个该预设位置处的区域道路积水等级，具体包括：当该积水深浅变化走向为深积水至浅积水走向时，确定该预设位置处的区域道路积水等级为轻度积水；当该积水深浅变化走向为浅积水至深积水走向，且该实时车水交互类型为车水浪花类型，且该车水浪花类型的出现次数大于预设次数阈值时，确定该预设位置处的区域道路积水等级为中度积水；当该积水深浅变化走向为浅积水至深积水走向，且该实时车水交互类型为车水波涌类型，且该车水波涌类型的出现次数大于该预设次数阈值时，确定该预设位置处的区域道路积水等级为重度积水；当该积水深浅变化走向为浅积水至深积水走向，且该指定时间周期内的该实时车水交互类型的出现次数为零时，确定该预设位置处的区域道路积水等级为超重度积水。
在本说明书的一个实施例中，当积水深浅变化走向为深积水至浅积水走向时，说明此路段的积水在排水设施的作用下，由深变浅，则将预设位置对应路段的区域道路积水等级为轻度积水。当积水深浅变化走向为浅积水至深积水走向时，说明此路段的积水逐渐变深，根据车水交互类型确定对应的积水等级。一般情况下，当存在积水时，积水越深，对车辆行车产生的影响越大，车辆速度较低，因此，车辆经过积水时为波涌的形式，若车辆经过之后出现浪花，说明车速相比较快，积水溅起形成浪花。因此，当实时车水交互类型为车水浪花类型，且车水浪花类型的出现次数大于预设次数阈值时，确定该预设位置处的区域道路积水等级为中度积水，此处的预设次数阈值可以根据需求设置，为了避免单个车辆经过时出现偶然现象，此处的预设次数阈值可以根据此时间段内通行的车辆总数确定，例如超过时间段内通行的车辆总数四分之一的车辆均出现了车水浪花，则说明此处的浪花非偶然现象，可以作为判定标准，确定该预设位置处的区域道路积水等级为中度积水。同样地，当实时车水交互类型为车水波涌类型，且车水波涌类型的出现次数大于预设次数阈值时，确定预设位置处的区域道路积水等级为重度积水，此处的预设次数阈值与车水浪花类型的预设次数阈值的设置相同。当指定时间周期内的任意一种实时车水交互类型的出现次数为零时，既既未出现车水浪花，也没有出现车水波涌，说明此路段没有车辆通行，即无法满足通行条件，确定预设位置处的区域道路积水等级为超重度积水。
通过上述技术方案，基于每帧实时道路图像中的当前区域积水信息，确定当前城市道路的每个预设位置处的区域道路积水等级。将当前区域积水信息先按照深浅进行分类，再对深积水进行车水交互过程的分类，结合城市道路的车辆通行特征，对积水等级进行准确划分，此处将车辆影响积水判断的因素转换为等级判断的参考因素，避免了现有技术中行驶车辆对积水识别的影响，进一步保证了积水识别分类的准确性和精确性，更符合城市道路的积水识别场景。
步骤S104，通过大数据技术，获取当前城市道路的积水风险信息。
在实际的应用场景中，为了对城市道路的洪涝灾害进行预警，需要及时、准确进行预警信息的发布，以便于各部门开展应急措施。由于城市道路可能存在较长的情况，此时面对的不同路段的道路积水等级不同，针对城市道路上述特点，如何进行及时、准确的预警信息发布关乎到应急措施的实施效果。
在本说明书的一个实施例中，通过大数据技术，获取当前城市道路的积水风险信息，积水风险信息包括历史积水数据、该预设位置处的地势数据和道路排水设施分布数据，此处的积水风险信息与确定易积水路段时使用的路段积水风险信息相同。
步骤S105，基于当前城市道路的积水风险信息和每个预设位置处的区域道路积水等级，生成当前城市道路的实时洪涝灾害预警信息，以对当前城市道路的洪涝灾害进行预警。
在本说明书的一个实施例中，在当前城市道路的积水风险信息中进行数据查找，以获取每个预设位置处的路段积水风险信息，路段积水风险信息包括该路段积水风险信息包括多个路段地势数据、路段历史积水数据和路段排水设施数据。基于每个预设位置处的路段积水风险信息，生成每个该预设位置的积水风险权重参数，积水风险权重参数与易积水程度为正相关，积水风险权重参数越大，越容易积水。根据每个该预设位置的积水风险权重参数和每个该预设位置处的区域道路积水等级，生成该当前城市道路的实时洪涝灾害预警信息。
基于每个该预设位置处的路段积水风险信息，生成每个该预设位置的积水风险权重参数，具体包括：确定每个该预设位置对应的该当前城市道路的指定道路路段；基于每个该预设位置处的该多个路段地势数据，对每个该指定道路路段进行低洼区域识别，以确定每个该指定道路路段的路面特征数据，其中，该路面特征数据包括路段低洼区域面积、路段低洼区域数量以及路段低洼区域位置信息；根据每个该预设位置处的该路段历史积水数据，对该指定道路路段的历史积水情况进行统计分析，确定每个该指定道路路段的积水特征数据，其中，该积水特征数据包括预设时间周期内的积水次数；通过每个该预设位置处的路段排水设施数据，确定每个该指定道路路段的排水特征数据，其中，该排水特征数据包括排水设施数量和每个该排水设施的排水设施位置信息；基于该路面特征数据、该路段排水设施数据和该积水特征数据，生成每个该预设位置的积水风险权重参数。
在本说明书的一个实施例中，建立预设位置和对应的当前城市道路的指定道路路段的对应关系，将预设位置与指定道路路段进行关联，使用预设位置处的数据作为指定道路路段的数据。基于每个预设位置处的该多个路段地势数据，对每个指定道路路段进行低洼区域识别，此处的低洼区域识别可以通过多个位置中相邻两个位置的地势差的方式确定，例如可以在指定道路路段中确定多个位置点，计算每个位置点与相邻位置的地势差，根据多个地势差和多个位置点的相对地势高度，确定低洼区域；也可以通过三维路面图的形式确定，在此不作具体限定，以确定每个指定道路路段的路面特征数据，路面特征数据包括路段低洼区域面积、路段低洼区域数量以及路段低洼区域位置信息，此处的路段低洼区域位置信息为低洼区域在指定路段的相对位置信息。
根据每个预设位置处的该路段历史积水数据，对该指定道路路段的历史积水情况进行统计分析，确定每个指定道路路段的积水特征数据，积水特征数据包括预设时间周期内的积水次数，此处的预设时间周期可以是累计降水次数为固定值时对应的时间周期，例如，累计降水100次对应的时间为18个月，则预设时间周期为18个月。通过每个预设位置处的路段排水设施数据，确定每个指定道路路段的排水特征数据，排水特征数据包括排水设施数量和每个该排水设施的排水设施位置信息。基于路面特征数据、该路段排水设施数据和该积水特征数据，生成每个该预设位置的积水风险权重参数。路面特征数据和该积水特征数据与积水风险权重为正相关，即路面特征数据和该积水特征数据越大，越容易积水；即低洼区域的面积越大、低洼区域的数量越多，对应的预设位置处的积水风险权重越大，同样地，历史积水次数越多，说明此位置越容易发生积水，对应的积水风险越大，即积水风险权重越大。路段排水设施数据与积水风险权重为负相关，即路段排水设施数量越多，排水能力越强，越不容易积水。
此外，基于路面特征数据、该路段排水设施数据和该积水特征数据，生成每个该预设位置的积水风险权重参数，还可以通过如下公式计算:其中，Q为积水风险权重参数，SD为路段低洼区域面积，ND为路段低洼区域数量，NJ为预设时间周期内的积水次数，SZ为预设位置处对应的道路路段的总面积，N0为预设时间周期内的累计降水次数，NP为排水设施数量。在步骤S101之前，根据每个路段的路段积水风险信息，在该当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段时，也可通过上述方式确定，将积水风险权重参数大于预设权重参数阈值的路段作为符合要求的至少一个易积水路段。根据每个该预设位置的积水风险权重参数和每个该预设位置处的区域道路积水等级，生成该当前城市道路的实时洪涝灾害预警信息，具体包括：按照每个该预设位置处的积水风险权重参数由大到小的顺序，将每个该预设位置对应的该当前城市道路的指定道路路段进行排序，生成多个该指定道路路段的初始预警序列；根据每个该预设位置处的区域道路积水等级，对该初始预警序列中该指定道路路段的顺序进行调整，生成当前预警序列，其中，该当前预警序列包括由小到大依次排列的多个预警顺序标识；基于该当前预警序列中每个该指定道路路段的预警顺序标识，生成该当前城市道路中多个指定道路路段的积水预警顺序；通过该当前城市道路中多个指定道路路段的积水预警顺序、每个该指定道路路段的区域道路积水等级和当前区域积水信息中的区域位置信息，生成该当前城市道路的实时洪涝灾害预警信息。
在本说明书的一个实施例中，按照每个预设位置处的积水风险权重参数由大到小的顺序，将每个预设位置对应的当前城市道路的指定道路路段进行排序，生成多个该指定道路路段的初始预警序列。此处的初始预警序列为根据道路路段的路段属性和历史情况得到的参考积水风险的排序，在初始预警序列中的顺序依次是预测最易积水到最不易积水的路段排列顺序。之后，参考实际的每个预设位置处的区域道路积水等级，对初始预警序列中指定道路路段的顺序进行调整，将实际积水等级较高的路段设置在序列前方，当多个路段为同一等级时，以初始预警序列中多个路段的相对顺序对多个路段进行排列，生成当前预警序列，当前预警序列包括由小到大依次排列的多个预警顺序标识，顺序越小，越靠前，其对应区域道路积水等级不小于顺序较大的积水等级。
基于当前预警序列中每个指定道路路段的预警顺序标识，生成当前城市道路中多个指定道路路段的积水预警顺序，通过该当前城市道路中多个指定道路路段的积水预警顺序、每个该指定道路路段的区域道路积水等级和当前区域积水信息中的区域位置信息，生成该当前城市道路的实时洪涝灾害预警信息。也就是说，在实时洪涝灾害预警信息中包括反映实时积水情况的预警顺序、指定道路路段的实时区域积水等级以及每个指定道路路段的位置信息。既考虑了预警顺序，保证对积水严重的路段及时作出响应，又考虑了每个路段的区域道路积水等级，可以对整条城市道路的积水情况进行整体了解，还考虑了路段的位置信息，便于对积水严重路段进行定位。通过预警顺序有利于及时对风险较大的区域开展应急疏水措施，有利于及时发现积水严重路段的问题，提高了洪涝预警的全面性，增加了整体把控能力，有利于开展针对性应急措施。
通过上述技术方案，针对城市道路的延展特征，选择易积水路段进行预警，既可以代表整体城市道路的积水概况，具备代表，又减少了数据采集数量和装置安装数量，进一步降低了预警的设备安装成本，降低数据计算量，减少服务器计算压力，提高了预警效率；通过模型识别的方式对每帧实时道路图像进行积水信息识别，得到每个路段的区域积水信息，设置多种积水类型标识，为预警提供了全面的数据分析基础，避免了仅使用积水面积等产生的结果不准确的问题；将当前区域积水信息先按照深浅进行分类，再对深积水进行车水交互过程的分类，结合城市道路的车辆通行特征，对积水等级进行准确划分，此处将车辆影响积水判断的因素转换为等级判断的参考因素，避免了现有技术中行驶车辆对积水识别的影响，进一步保证了积水识别分类的准确性和精确性，更符合城市道路的积水识别场景；在实时洪涝灾害预警信息中包括反映实时积水情况的预警顺序、指定道路路段的实时区域积水等级以及每个指定道路路段的位置信息。既考虑了预警顺序，保证对积水严重的路段及时作出响应，又考虑了每个路段的区域道路积水等级，可以对整条城市道路的积水情况进行整体了解，还考虑了路段的位置信息，便于对积水严重路段进行定位。
本说明书实施例还提供一种城市道路的洪涝灾害预警设备，如图4所示，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
采集当前城市道路每个预设位置处的多个实时道路数据，其中，该实时道路数据为多帧实时道路图像；通过每帧该实时道路图像和预设的道路积水识别模型，生成每帧该实时道路图像中的当前区域积水信息，其中，该当前区域积水信息包括区域积水类型标识和区域位置信息，该区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识，收拾当前积水深浅类型标识包括浅积水类型和深积水类型，该当前车水交互类型标识包括车水浪花类型和车水波涌类型；基于每帧该实时道路图像中的该当前区域积水信息，确定该当前城市道路的每个该预设位置处的区域道路积水等级；通过大数据技术，获取该当前城市道路的积水风险信息，其中，该积水风险信息包括历史积水数据、该预设位置处的地势数据和道路排水设施分布数据；基于该当前城市道路的积水风险信息和每个该预设位置处的区域道路积水等级，生成该当前城市道路的实时洪涝灾害预警信息，以对该当前城市道路的洪涝灾害进行预警，其中，该实时洪涝灾害预警信息包括多个指定道路路段的积水预警顺序、每个该预设位置处的区域道路积水等级和该当前区域积水信息中的区域位置信息。
本说明书实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：
采集当前城市道路每个预设位置处的多个实时道路数据，其中，该实时道路数据为多帧实时道路图像；通过每帧该实时道路图像和预设的道路积水识别模型，生成每帧该实时道路图像中的当前区域积水信息，其中，该当前区域积水信息包括区域积水类型标识和区域位置信息，该区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识，收拾当前积水深浅类型标识包括浅积水类型和深积水类型，该当前车水交互类型标识包括车水浪花类型和车水波涌类型；基于每帧该实时道路图像中的该当前区域积水信息，确定该当前城市道路的每个该预设位置处的区域道路积水等级；通过大数据技术，获取该当前城市道路的积水风险信息，其中，该积水风险信息包括历史积水数据、该预设位置处的地势数据和道路排水设施分布数据；基于该当前城市道路的积水风险信息和每个该预设位置处的区域道路积水等级，生成该当前城市道路的实时洪涝灾害预警信息，以对该当前城市道路的洪涝灾害进行预警，其中，该实时洪涝灾害预警信息包括多个指定道路路段的积水预警顺序、每个该预设位置处的区域道路积水等级和该当前区域积水信息中的区域位置信息。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种城市道路的洪涝灾害预警方法，其特征在于，所述方法包括：
采集当前城市道路每个预设位置处的多个实时道路数据，其中，所述实时道路数据为多帧实时道路图像；
通过每帧所述实时道路图像和预设的道路积水识别模型，生成每帧所述实时道路图像中的当前区域积水信息，其中，所述当前区域积水信息包括区域积水类型标识和区域位置信息，所述区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识，收拾当前积水深浅类型标识包括浅积水类型和深积水类型，所述当前车水交互类型标识包括车水浪花类型和车水波涌类型；
基于每帧所述实时道路图像中的所述当前区域积水信息，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级；
通过大数据技术，获取所述当前城市道路的积水风险信息，其中，所述积水风险信息包括历史积水数据、所述预设位置处的地势数据和道路排水设施分布数据；
基于所述当前城市道路的积水风险信息和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，以对所述当前城市道路的洪涝灾害进行预警，其中，所述实时洪涝灾害预警信息包括多个指定道路路段的积水预警顺序、每个所述预设位置处的区域道路积水等级和所述当前区域积水信息中的区域位置信息。
2.根据权利要求1所述的一种城市道路的洪涝灾害预警方法，其特征在于，采集当前城市道路每个预设位置处的多个实时道路数据之前，所述方法还包括：
按照预设道路划分规则，将所述当前城市道路分为多个路段；
通过大数据技术，获取每个路段的路段积水风险信息，其中，所述路段积水风险信息包括所述路段的多个路段地势数据、所述路段的路段历史积水数据和所述路段的路段排水设施数据；
根据每个路段的路段积水风险信息，在所述当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段；
根据每个路段的路段积水风险信息，在所述当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段，具体包括：
根据每个路段的路段积水风险信息，确定每个所述路段的路段路面特征数据、路段排水设施数据和路段积水特征数据；
通过每个所述路段的路段路面特征数据、路段排水设施数据和路段积水特征数据，生成每个所述路段的路段积水风险权重参数；
根据每个所述路段的路段积水风险权重参数，在所述当前城市道路对应的多个路段中，进行路段筛选，确定符合要求的至少一个易积水路段；
在所述易积水路段的预设位置处设置数据采集装置，以通过每个所述数据采集装置采集每个所述易积水路段的预设位置处的实时道路数据。
3.根据权利要求1所述的一种城市道路的洪涝灾害预警方法，其特征在于，基于每帧所述实时道路图像中的所述当前区域积水信息，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级，具体包括：
获取所述当前区域积水信息中的所述区域积水类型标识；
根据所述区域积水类型标识中的所述当前积水深浅类型标识，确定每帧所述实时道路图像中的实时积水深浅类型，以确定指定时间周期内的积水深浅变化走向，其中，所述实时积水深浅类型包括浅积水和深积水，所述指定时间周期用于表示当前采集时刻和初始采集时刻之间的时间周期；
通过所述区域积水类型标识中的所述当前车水交互类型标识，确定每帧所述实时道路图像中的实时车水交互类型，并统计所述指定时间周期内的所述实时车水交互类型的出现次数，其中，所述实时车水交互类型包括车水浪花类型和车水波涌类型；
基于所述指定时间周期内的积水深浅变化走向、所述实时车水交互类型和所述指定时间周期内的所述实时车水交互类型的出现次数，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级，其中，所述区域道路积水等级包括轻度积水、中度积水、重度积水和超重度积水。
4.根据权利要求1所述的一种城市道路的洪涝灾害预警方法，其特征在于，基于所述当前城市道路的积水风险信息和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，具体包括：
在所述当前城市道路的积水风险信息中进行数据查找，以获取每个所述预设位置处的路段积水风险信息，其中，所述路段积水风险信息包括所述路段积水风险信息包括多个路段地势数据、路段历史积水数据和路段排水设施数据；
基于每个所述预设位置处的路段积水风险信息，生成每个所述预设位置的积水风险权重参数，其中，所述积水风险权重参数与易积水程度为正相关；
根据每个所述预设位置的积水风险权重参数和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息。
5.根据权利要求4所述的一种城市道路的洪涝灾害预警方法，其特征在于，基于每个所述预设位置处的路段积水风险信息，生成每个所述预设位置的积水风险权重参数，具体包括：
确定每个所述预设位置对应的所述当前城市道路的指定道路路段；
基于每个所述预设位置处的所述多个路段地势数据，对每个所述指定道路路段进行低洼区域识别，以确定每个所述指定道路路段的路面特征数据，其中，所述路面特征数据包括路段低洼区域面积、路段低洼区域数量以及路段低洼区域位置信息；
根据每个所述预设位置处的所述路段历史积水数据，对所述指定道路路段的历史积水情况进行统计分析，确定每个所述指定道路路段的积水特征数据，其中，所述积水特征数据包括预设时间周期内的积水次数；
通过每个所述预设位置处的路段排水设施数据，确定每个所述指定道路路段的排水特征数据，其中，所述排水特征数据包括排水设施数量和每个所述排水设施的排水设施位置信息；
基于所述路面特征数据、所述路段排水设施数据和所述积水特征数据，生成每个所述预设位置的积水风险权重参数。
6.根据权利要求4所述的一种城市道路的洪涝灾害预警方法，其特征在于，根据每个所述预设位置的积水风险权重参数和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，具体包括：
按照每个所述预设位置处的积水风险权重参数由大到小的顺序，将每个所述预设位置对应的所述当前城市道路的指定道路路段进行排序，生成多个所述指定道路路段的初始预警序列；
根据每个所述预设位置处的区域道路积水等级，对所述初始预警序列中所述指定道路路段的顺序进行调整，生成当前预警序列，其中，所述当前预警序列包括由小到大依次排列的多个预警顺序标识；
基于所述当前预警序列中每个所述指定道路路段的预警顺序标识，生成所述当前城市道路中多个指定道路路段的积水预警顺序；
通过所述当前城市道路中多个指定道路路段的积水预警顺序、每个所述指定道路路段的区域道路积水等级和所述当前区域积水信息中的区域位置信息，生成所述当前城市道路的实时洪涝灾害预警信息。
7.根据权利要求1所述的一种城市道路的洪涝灾害预警方法，其特征在于，通过每帧所述实时道路图像和预设的道路积水识别模型，生成每帧所述实时道路图像中的当前区域积水信息之前，所述方法还包括：
获取多个城市道路视频数据，对每个所述城市道路视频数据进行每秒抽帧处理，得到多帧城市道路图像；
对所述多帧城市道路图像进行图像处理，以剔除冗余图像，生成初始城市道路图像集，其中，所述冗余图像包括重复图像和无积水图像；
确定所述初始城市道路图像集中的图像数量，当所述初始城市道路图像集中的图像数据低于预设数量阈值时，通过生成对抗网络对所述初始城市道路图像集中的数据进行数据扩充，以得到城市道路图像数据集；
对所述城市道路图像数据集中的城市道路积水图像进行特征识别，确定每个所述城市道路积水图像中的至少一个积水区域；
通过指定标注工具，对每个积水区域进行积水标签标注，生成标注后的标签城市道路积水图像，以构建标注后的标签数据集，其中，所述积水标签包括浅积水标签、深积水标签、车水浪花标签和车水波涌标签；
使用所述标签数据集，对Yolov8-seg实例分割网络进行训练，以确定所述道路积水识别模型。
8.根据权利要求3所述的一种城市道路的洪涝灾害预警方法，其特征在于，基于所述指定时间周期内的积水深浅变化走向和所述指定时间周期内的所述实时车水交互类型的出现次数，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级，具体包括：
当所述积水深浅变化走向为深积水至浅积水走向时，确定所述预设位置处的区域道路积水等级为轻度积水；
当所述积水深浅变化走向为浅积水至深积水走向，且所述实时车水交互类型为车水浪花类型，且所述车水浪花类型的出现次数大于预设次数阈值时，确定所述预设位置处的区域道路积水等级为中度积水；
当所述积水深浅变化走向为浅积水至深积水走向，且所述实时车水交互类型为车水波涌类型，且所述车水波涌类型的出现次数大于所述预设次数阈值时，确定所述预设位置处的区域道路积水等级为重度积水；
当所述积水深浅变化走向为浅积水至深积水走向，且所述指定时间周期内的所述实时车水交互类型的出现次数为零时，确定所述预设位置处的区域道路积水等级为超重度积水。
9.一种城市道路的洪涝灾害预警设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采集当前城市道路每个预设位置处的多个实时道路数据，其中，所述实时道路数据为多帧实时道路图像；
通过每帧所述实时道路图像和预设的道路积水识别模型，生成每帧所述实时道路图像中的当前区域积水信息，其中，所述当前区域积水信息包括区域积水类型标识和区域位置信息，所述区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识，收拾当前积水深浅类型标识包括浅积水类型和深积水类型，所述当前车水交互类型标识包括车水浪花类型和车水波涌类型；
基于每帧所述实时道路图像中的所述当前区域积水信息，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级；
通过大数据技术，获取所述当前城市道路的积水风险信息，其中，所述积水风险信息包括历史积水数据、所述预设位置处的地势数据和道路排水设施分布数据；
基于所述当前城市道路的积水风险信息和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，以对所述当前城市道路的洪涝灾害进行预警，其中，所述实时洪涝灾害预警信息包括多个指定道路路段的积水预警顺序、每个所述预设位置处的区域道路积水等级和所述当前区域积水信息中的区域位置信息。
10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
采集当前城市道路每个预设位置处的多个实时道路数据，其中，所述实时道路数据为多帧实时道路图像；
通过每帧所述实时道路图像和预设的道路积水识别模型，生成每帧所述实时道路图像中的当前区域积水信息，其中，所述当前区域积水信息包括区域积水类型标识和区域位置信息，所述区域积水类型标识包括当前积水深浅类型标识和当前车水交互类型标识，收拾当前积水深浅类型标识包括浅积水类型和深积水类型，所述当前车水交互类型标识包括车水浪花类型和车水波涌类型；
基于每帧所述实时道路图像中的所述当前区域积水信息，确定所述当前城市道路的每个所述预设位置处的区域道路积水等级；
通过大数据技术，获取所述当前城市道路的积水风险信息，其中，所述积水风险信息包括历史积水数据、所述预设位置处的地势数据和道路排水设施分布数据；
基于所述当前城市道路的积水风险信息和每个所述预设位置处的区域道路积水等级，生成所述当前城市道路的实时洪涝灾害预警信息，以对所述当前城市道路的洪涝灾害进行预警，其中，所述实时洪涝灾害预警信息包括多个指定道路路段的积水预警顺序、每个所述预设位置处的区域道路积水等级和所述当前区域积水信息中的区域位置信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311090730.0A CN117012006B (zh) | 2023-08-28 | 2023-08-28 | 一种城市道路的洪涝灾害预警方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311090730.0A CN117012006B (zh) | 2023-08-28 | 2023-08-28 | 一种城市道路的洪涝灾害预警方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117012006A true CN117012006A (zh) | 2023-11-07 |
| CN117012006B CN117012006B (zh) | 2024-03-08 |
Family
ID=88563693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311090730.0A Active CN117012006B (zh) | 2023-08-28 | 2023-08-28 | 一种城市道路的洪涝灾害预警方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117012006B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576862A (zh) * | 2023-11-17 | 2024-02-20 | 中国水利水电科学研究院 | 一种面向导航车辆的城市洪涝灾害预警方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105716687A (zh) * | 2016-01-25 | 2016-06-29 | 福建三鑫隆信息技术开发股份有限公司 | 一种基于井盖的城市排涝智能预警系统 |
| CN106021970A (zh) * | 2016-07-27 | 2016-10-12 | 泰华智慧产业集团股份有限公司 | 通过降雨预报预测城市积水的方法及系统 |
| KR20170033103A (ko) * | 2015-09-16 | 2017-03-24 | 주식회사 일리시스 | 도로침수 모니터링 시스템 및 그 방법 |
| CN106709608A (zh) * | 2017-01-09 | 2017-05-24 | 泰华智慧产业集团股份有限公司 | 预测积水对城市内区域影响程度的方法及系统 |
| CN109961631A (zh) * | 2017-12-22 | 2019-07-02 | 深圳市城市交通规划设计研究中心有限公司 | 道路积水点识别方法及道路积水点识别系统 |
| CN110852577A (zh) * | 2019-10-25 | 2020-02-28 | 镇江德威乐普能源环保科技有限公司 | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 |
| CN111046773A (zh) * | 2019-12-05 | 2020-04-21 | 北京城市排水集团有限责任公司 | 一种基于图像技术判定路面积滞水的方法 |
| CN114021766A (zh) * | 2021-07-31 | 2022-02-08 | 深圳市自由度环保科技有限公司 | 一种基于物联网和大数据的城市水安全预测方法 |
| CN114663827A (zh) * | 2022-02-28 | 2022-06-24 | 北京慧图科技(集团)股份有限公司 | 一种判断场景内涝积水深度的方法及系统 |
| CN115171031A (zh) * | 2022-07-19 | 2022-10-11 | 杭州开闳流体科技有限公司 | 一种基于车辆参照物的路面积水检测方法、装置及应用 |
| CN115272849A (zh) * | 2022-07-19 | 2022-11-01 | 南京熊猫电子股份有限公司 | 一种城轨积水识别方法及识别系统 |
| CN115471078A (zh) * | 2022-09-15 | 2022-12-13 | 镇江市勘察测绘研究院有限公司 | 一种基于城市水务系统的洪涝风险点评估方法及装置 |
| CN116386284A (zh) * | 2023-05-26 | 2023-07-04 | 浙江贵仁信息科技股份有限公司 | 一种城市洪涝的告预警方法及系统 |
| US11721191B1 (en) * | 2022-05-16 | 2023-08-08 | Chengdu Qinchuan Iot Technology Co., Ltd. | Method and system for flood early warning in smart city based on internet of things |
-
2023
- 2023-08-28 CN CN202311090730.0A patent/CN117012006B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170033103A (ko) * | 2015-09-16 | 2017-03-24 | 주식회사 일리시스 | 도로침수 모니터링 시스템 및 그 방법 |
| CN105716687A (zh) * | 2016-01-25 | 2016-06-29 | 福建三鑫隆信息技术开发股份有限公司 | 一种基于井盖的城市排涝智能预警系统 |
| CN106021970A (zh) * | 2016-07-27 | 2016-10-12 | 泰华智慧产业集团股份有限公司 | 通过降雨预报预测城市积水的方法及系统 |
| CN106709608A (zh) * | 2017-01-09 | 2017-05-24 | 泰华智慧产业集团股份有限公司 | 预测积水对城市内区域影响程度的方法及系统 |
| CN109961631A (zh) * | 2017-12-22 | 2019-07-02 | 深圳市城市交通规划设计研究中心有限公司 | 道路积水点识别方法及道路积水点识别系统 |
| CN110852577A (zh) * | 2019-10-25 | 2020-02-28 | 镇江德威乐普能源环保科技有限公司 | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 |
| CN111046773A (zh) * | 2019-12-05 | 2020-04-21 | 北京城市排水集团有限责任公司 | 一种基于图像技术判定路面积滞水的方法 |
| CN114021766A (zh) * | 2021-07-31 | 2022-02-08 | 深圳市自由度环保科技有限公司 | 一种基于物联网和大数据的城市水安全预测方法 |
| CN114663827A (zh) * | 2022-02-28 | 2022-06-24 | 北京慧图科技(集团)股份有限公司 | 一种判断场景内涝积水深度的方法及系统 |
| US11721191B1 (en) * | 2022-05-16 | 2023-08-08 | Chengdu Qinchuan Iot Technology Co., Ltd. | Method and system for flood early warning in smart city based on internet of things |
| CN115171031A (zh) * | 2022-07-19 | 2022-10-11 | 杭州开闳流体科技有限公司 | 一种基于车辆参照物的路面积水检测方法、装置及应用 |
| CN115272849A (zh) * | 2022-07-19 | 2022-11-01 | 南京熊猫电子股份有限公司 | 一种城轨积水识别方法及识别系统 |
| CN115471078A (zh) * | 2022-09-15 | 2022-12-13 | 镇江市勘察测绘研究院有限公司 | 一种基于城市水务系统的洪涝风险点评估方法及装置 |
| CN116386284A (zh) * | 2023-05-26 | 2023-07-04 | 浙江贵仁信息科技股份有限公司 | 一种城市洪涝的告预警方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576862A (zh) * | 2023-11-17 | 2024-02-20 | 中国水利水电科学研究院 | 一种面向导航车辆的城市洪涝灾害预警方法 |
| CN117576862B (zh) * | 2023-11-17 | 2024-05-17 | 中国水利水电科学研究院 | 一种面向导航车辆的城市洪涝灾害预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117012006B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
| CN117012006B (zh) | 一种城市道路的洪涝灾害预警方法、设备及介质 | |
| CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
| CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
| CN117094474B (zh) | 一种基于全息感知的智慧隧道风险感知方法、设备及介质 | |
| CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
| US20230306573A1 (en) | Systems and methods for assessing infrastructure | |
| CN118505732B (zh) | 一种基于机器视觉的道路积水趋势预测方法、设备及介质 | |
| CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
| Ansariyar et al. | Statistical analysis of vehicle-vehicle conflicts with a LIDAR sensor in a signalized intersection. | |
| CN102722889A (zh) | 一种图像背景获取方法和装置 | |
| CN112863247A (zh) | 一种道路识别方法、装置、设备和存储介质 | |
| CN114694060A (zh) | 一种道路抛洒物检测方法、电子设备及存储介质 | |
| CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
| CN117079482B (zh) | 一种基于交叉路口的车辆通行预测方法、设备及介质 | |
| CN117494018A (zh) | 一种基于群体数据分析的异常行为监测预警方法 | |
| CN115457777B (zh) | 一种特定车辆溯源分析方法 | |
| CN115330577B (zh) | 保护区的区域划分方法及装置、电子设备 | |
| CN115273468B (zh) | 一种交通拥堵控制策略生成方法及装置 | |
| CN115983524A (zh) | 智慧环保平台水环境管理系统的黑臭水管理模块及方法 | |
| Mamdoohi et al. | Identifying the impact area of a traffic event through k-means clustering | |
| CN114943940A (zh) | 一种隧道内车辆可视化监测的方法、设备及存储介质 | |
| Hussain et al. | Visualizing Impact of Weather on Traffic Congestion Prediction: A Quantitative Study | |
| Triwibowo et al. | Analysis of Classification and Calculation of Vehicle Type at APILL Intersection Using YOLO Method and Kalman Filter | |
| CN117994741B (zh) | 基于视频监控的车速检测方法、系统及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |