CN117057606A - 风险预测模型训练方法、风险预测方法及相关设备 - Google Patents
风险预测模型训练方法、风险预测方法及相关设备 Download PDFInfo
- Publication number
- CN117057606A CN117057606A CN202311028790.XA CN202311028790A CN117057606A CN 117057606 A CN117057606 A CN 117057606A CN 202311028790 A CN202311028790 A CN 202311028790A CN 117057606 A CN117057606 A CN 117057606A
- Authority
- CN
- China
- Prior art keywords
- image
- risk prediction
- network structure
- prediction model
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000012549 training Methods 0.000 title claims abstract description 76
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005305 interferometry Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/08—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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- 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
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本申请提供一种风险预测模型训练方法、风险预测方法及电子设备,所述方法包括:采集目标区域的历史事故数据,利用预处理后的历史事故数据构建样本集,其中所述历史事故数据包括历史图像以及历史图像对应的历史风险等级;利用所述样本集训练预设神经网络,获得风险预测模型,所述风险预测模型包括第一网络结构与第二网络结构,其中,所述第一网络结构用于重建输入的图像并输出重建图像;所述第二网络结构用于根据所述重建图像输出预测风险等级;利用风险预测模型对目标区域的实时数据进行风险预测得到预测风险等级。本申请能够辅助进行风险预测,提高对风险预测的准确性。
Description
技术领域
本申请属于道路监控领域,涉及风险预测技术领域,尤其涉及一种风险预测模型训练方法、风险预测方法及相关设备。
背景技术
道路塌陷是常见的自然灾害,频发的道路塌陷事故对社会造成了严重的损失,因此需要有效的风险预测模型来根据道路数据实现对道路塌陷的准确预警和提前预防。相关技术中使用的风险预测模型对道路数据的精度要求较高,当只能采集到低精度的道路数据时预测得到的风险预测结果的准确性较低。
发明内容
鉴于以上内容,有必要提供一种风险预测模型训练方法、风险预测方法及相关设备,能够解决现有的风险预测模型根据低精度道路数据得到的预测结果准确性较低而引发的对道路安全不能及时预警的问题。
所述风险预测模型训练方法包括:采集目标区域的历史事故数据,利用预处理后的历史事故数据构建样本集,其中所述历史事故数据包括历史图像以及历史图像对应的历史风险等级;利用所述样本集训练预设神经网络,获得风险预测模型,所述风险预测模型包括第一网络结构与第二网络结构,其中,所述第一网络结构用于重建输入的图像并输出重建图像;所述第二网络结构用于根据所述重建图像输出预测风险等级。
在一个实施例中,所述历史图像包括第一图像与第二图像,其中,所述第一图像与所述第二图像之间存在对应关系,所述第二图像的分辨率高于所述第一图像的分辨率。
在一个实施例中,对所述历史事故数据进行预处理的方法包括:对所述历史图像进行尺寸调整、归一化处理。
在一个实施例中,所述第一网络结构的训练方法包括:调用单张第一图像输入所述第一网络结构,利用所述第一网络结构的特征提取层提取所述单张第一图像的第一图像特征;利用上采样层根据所述第一图像特征对所述单张第一图像进行重建,得到所述单张第一图像的重建图像,其中所述单张第一图像的重建图像的尺寸与所述单张第一图像对应的第二图像的尺寸相同;计算所述单张第一图像对应的第二图像与所述单张第一图像的重建图像之间的第一差值,当所述第一差值大于第一阈值时,对所述第一网络结构进行优化,并调用下一张第一图像重复执行对所述第一网络结构的训练方法直至所述第一差值小于或等于所述第一阈值。
在一个实施例中,所述特征提取层包括卷积层、池化层以及残差网络结构,所述第一网络结构还包括注意力机制。
在一个实施例中,所述第二网络结构的训练方法包括:调用单张重建图像输入所述第二网络结构,利用所述第二网络结构输出所述单张重建图像对应的预测风险等级,其中所述单张重建图像是利用训练后的第一网络结构获得的第一图像的重建图像;确定所述预测风险等级与所述单张重建图像对应的第一图像的历史风险等级之间的第二差值,当所述第二差值大于第二阈值时,对所述第二网络结构进行优化,并调用下一张重建图像重复执行对所述第二网络结构的训练方法直至所述第二差值小于或等于所述第二阈值。
在一个实施例中,所述历史图像还包括基于合成孔径雷达干涉测量InSAR技术获得的目标区域的雷达图像,所述预处理还包括:对所述雷达图像进行去噪、配准、生成干涉图、去平地效应、相位解缠、生成形变数据。
所述风险预测方法包括:采集所述目标区域的实时数据,对所述实时数据进行预处理,其中所述实时数据包括实时图像;将预处理后的实时数据输入风险预测模型,所述风险预测模型为利用所述风险预测模型训练方法所获得;利用所述风险预测模型对预处理后的实时数据进行图像重建得到所述实时数据对应的重建图像,并根据所述实时数据对应的重建图像输出预测风险等级。
本申请的实施例提供一种风险预测模型训练装置,所述装置包括:预处理模块,用于采集目标区域的历史事故数据,利用预处理后的历史事故数据构建样本集,其中所述历史事故数据包括历史图像以及历史图像对应的历史风险等级;训练模块,用于利用所述样本集训练预设神经网络,获得风险预测模型,所述风险预测模型包括第一网络结构与第二网络结构,其中,所述第一网络结构用于重建输入的图像并输出重建图像;所述第二网络结构用于根据所述重建图像输出预测风险等级。
本申请的实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现所述风险预测模型训练方法、风险预测方法。
本申请的实施例提供一种电子设备,所述电子设备包括存储器和至少一个处理器,所述存储器中存储有至少一个指令,所述至少一个指令被所述至少一个处理器执行时实现所述风险预测模型训练方法、风险预测方法。
相较于相关技术,本申请实施例提供的风险预测模型训练方法、风险预测方法,基于超分辨率模型构建并训练风险预测模型,使得风险预测模型能够对道路数据中的图像数据进行重构以提高图像数据的分辨率,之后对重构后的图像进行风险预测,能够有效提高模型根据低精度数据进行风险预估时的准确性与可靠性。
附图说明
为了更清楚地说明本申请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申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本申请一实施例提供的电子设备的架构图。
图2是本申请一实施例提供的风险预测模型训练方法的流程图。
图3是本申请一实施例提供的第一网络结构的训练方法的流程图。
图4是本申请一实施例提供的第二网络结构的训练方法的流程图。
图5是本申请一实施例提供的风险预测方法的流程图。
图6是本申请一实施例提供的风险预测装置的结构图。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
在一个实施例中,道路塌陷是常见的自然灾害,频发的道路塌陷事故对社会造成了严重的损失,因此需要有效的风险预测模型来根据道路数据实现对道路塌陷的准确预警和提前预防。相关技术中使用的风险预测模型对道路数据的精度要求较高,当只能采集到低精度的道路数据时预测得到的风险预测结果的准确性较低。
为了解决上述问题,本申请实施例提供的风险预测模型训练方法,基于超分辨率模型构建并训练风险预测模型,使得风险预测模型能够对道路数据中的图像数据进行重构以提高图像数据的分辨率,之后对重构后的图像进行风险预测,能够有效提高模型根据低精度数据进行风险预估时的准确性与可靠性。
例如图1所示,为本申请实施例提供的电子设备的结构图。本申请实施例提供的风险预测模型训练方法由电子设备执行,电子设备可以是计算机、服务器、笔记本电脑、手机等设备。所述电子设备1包括存储器11、至少一个处理器12、至少一条通信总线13及收发器14。
图1示出的电子设备的结构并不构成本申请实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备1是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备1还可包括其他外部设备,例如,键盘、鼠标、遥控器、显示器、触摸板或声控设备等输入输出设备。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
图2是本申请实施例提供的风险预测模型训练方法的流程图。所述风险预测模型训练方法应用于电子设备中,例如图1中的电子设备1,具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
步骤S21,采集目标区域的历史事故数据,利用预处理后的历史事故数据构建样本集。
在一个实施例中,所述目标区域表示需要进行风险预测的区域,例如所述目标区域为需要进行地面塌陷风险预测的某省某市某区。
在一个实施例中,电子设备可以接收用户输入的历史事故数据,用户可以通过多种方式收集所述历史事故数据,例如,通过收集地面塌陷事故的相关案例、查看相关新闻及事故分析报告、详细调研相关地质类文献、前往现场实地调研分析等方式。
在一个实施例中,所述历史事故数据包括历史图像。其中,所述历史图像包括例如哨兵1号(Sentinel-1)等得到的目标区域的历史的光学影像、雷达图像、高程数据等多种类型的遥感图像数据;所述历史图像还可以包括基于合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)技术获得的目标区域的历史的雷达图像(或称为InSAR数据)。
在一个实施例中,所述历史事故数据还可以包括但不限于:历史事故(例如道路塌陷事故)发生的位置、时间,以及事故后果、发生原因。所述位置包括经度、纬度;所述事故后果包括但不限于事故造成的财产损失、地理变化、人员伤亡;所述发生原因包括但不限于目标区域的地质环境与水文气象、地下病害体、人为地质活动、道路状况、地下管线状况、区域历史信息、人员密度等。
例如,历史事故数据一:2018年2月7日,A1市B1区发生道路塌陷,造成11人死亡,8人受伤,1人失联,直接经济损失约5323.8万元,另附事故发生时的雷达图像;历史事故数据二:2019年12月1日,A2市B2区发生道路塌陷,造成3人遇难,直接经济损失约2004.7万元,另附事故发生时的雷达图像。
在一个实施例中,以历史事故数据中基于InSAR技术获得的目标区域的雷达图像进行举例,雷达图像中包括多张获取自历史事故发生时间前后多个时间点、目标区域的不同地点的雷达图像。为了能够基于杂乱的图像数据获得目标区域的风险预测结果,需要对图像数据进行预处理。
在一个实施例中,对所述历史事故数据进行预处理的方法包括:对所述历史图像进行尺寸调整、归一化处理。其中,所述尺寸调整包括图像分割等,可以将历史图像调整为尺寸一致的图像;所述归一化处理包括但不限于:线性拉伸,例如将历史图像中像素值的范围线性映射到一个预定的范围内(例如[0,255]);均值方差标准化,例如计算所述历史图像的均值图像与标准差,通过每张历史图像减去均值图像并除以标准差使标准化后历史图像的均值为0,方差为1;直方图均衡化,例如利用灰度直方图重新分配历史图像的像素值,使得历史图像的灰度直方图在整个像素值范围内均匀分布。
通过上述预处理,可以使历史图像具有相同的尺寸与分布范围,使得历史图像之间具有可比性与一致性;还可以增强历史图像的对比度,使历史图像更清晰、更易于观察和理解;此外,归一化处理还可以消除历史图像的亮度偏移和对比度变化,从而提高图像处理算法的鲁棒性和准确性。
在一个实施例中,在经过上述预处理后,所述预处理还包括:对所述雷达图像进行去噪、配准、生成干涉图、去平地效应、相位解缠、生成形变数据。其中,所述去噪包括:使用滤波器或阈值化等方法消除雷达图像中的大气噪声、系统误差等原因造成的噪声,可以提高数据的信噪比;所述配准包括:通过使用特征匹配算法等将所有去噪后的雷达图像对齐,使所有去噪后的雷达图像具有相同的参考坐标系,可以消除不同时间的雷达图像的位置与方位的差异;所述生成干涉图包括:计算配准后的不同雷达图像之间每个像素点的相位差,得到雷达图像之间干涉图,所述干涉图可以反映不同时间点的地表的形变情况;所述去平地效应包括:基于斜坡平差法或基于拟合平面的方法等消除干涉图中的平地效应,以便更准确地分析地表形变;所述相位解缠包括:使用Goldstein解缠法、二维Helmholtz方程解缠法等方法,将干涉图的相位差还原为真实相位值;所述生成形变数据包括:使用差分相位或小波变换等方法对相位解缠后的干涉图的相位进行分析,得出形变量的空间分布和变化趋势,从而得到地表形变数据,所述地表形变数据包括:地面的沉降点位置、沉降速率、累计沉降量等。
在一个实施例中,由于本案使用了基于超分辨率模型对图像进行重建的方法,所以训练模型时使用的所述历史图像还包括第一图像与第二图像,其中,所述第一图像与所述第二图像之间存在对应关系,所述第二图像的分辨率高于所述第一图像的分辨率。例如,在获取雷达图像时,可以选择同一时间点同一地点的不同分辨率的图像,从不同分辨率的图像中选择分辨率最高的图像作为第一图像,从第一图像之外的图像中选择分辨率较低的图像作为第二图像,此时得到的训练数据中就有互相之间存在对应关系的第一图像与第二图像,可以在后续训练模型时验证超分辨率模型的重构性能。
在一个实施例中,所述历史事故数据还包括历史图像对应的历史风险等级,所述历史风险等级可以是根据历史图像对应的地表形变数据设置的等级。例如,根据雷达图像确定某次地面塌陷事故对应的沉降速率、累计沉降量属于第二级风险的范围内,那么该地面塌陷事故对应的历史风险等级为二级。其中,沉降速率和/或累计沉降量的数值越大,表示风险严重性越高,对应的等级越属于需要被重视的等级。
在一个实施例中,在得到具有对应关系的高分辨率的第一图像、低分辨率的第二图像,以及对应的历史风险等级后,可以在后续模型训练过程中采用有监督的学习方法训练风险预测模型。
步骤S22,利用所述样本集训练预设神经网络,获得风险预测模型。
在一个实施例中,所述风险预测模型或所述预设神经网络包括第一网络结构与第二网络结构,其中,所述第一网络结构用于重建输入的图像并输出重建图像;所述第二网络结构用于根据所述重建图像输出预测风险等级。
在一个实施例中,第一网络结构包括基于超分辨率模型的网络结构,可以对输入的第一图像进行重构,通过比较重构图像与对应的第二图像之间的差异验证第一网络结构的性能,并实现对第一网络结构的优化。其中,第一图像对应的第二图像可以视为训练第一网络结构时的有监督方法的标签。
在一个实施例中,第二网络结构的输入为第一网络结构的输出,第二网络结构包括基于分类器的网络结构,可以通过提取输入图像的特征,使用第一图像对应的历史风险等级作为标签来判断提取到的特征所属的类别标签,从而实现风险等级的预测。
在其他实施例中,第二网络结构还可以用于根据所述重建图像输出预测风险概率。
在一个实施例中,如图3所示,为本申请实施例提供的第一网络结构的训练方法的流程图,具体包括如下步骤:
步骤S31,调用单张第一图像输入所述第一网络结构,利用所述第一网络结构的特征提取层提取所述单张第一图像的第一图像特征。
在一个实施例中,所述特征提取层包括至少一个卷积层、至少一个池化层以及残差网络结构。
具体地,卷积层可以使用不同尺寸的滤波器对单张第一图像进行卷积操作,通过捕捉单张第一图像中不同方向、形状和尺寸的边缘与纹理特征得到第一图像的特征图;在卷积操作后,可以使用非线性激活幻术(例如ReLU函数)引入非线性性质,从而增强第一图像的特征图中边缘和纹理等高频细节的表示;在卷积层之后,使用卷积层对第一图像的特征图进行下采样,实现在降低该特征图的空间维度的同时保留其中的重要特征,还可以进一步突出该特征图的边缘和纹理等高频细节,并且可以提高模型的鲁棒性;此外,所述特征提取层使用的残差网络结构通过引入残差连接使不同网络层之间的信息能够跳跃传递,从而有效解决模型训练时的梯度消失和梯度爆炸的问题,并且残差网络结构使用的多个残差块或密集连接块能够通过堆叠多个卷积层来增加网络的深度,提高网络训练效果和特征提取性能。
步骤S32,利用上采样层根据所述第一图像特征对所述单张第一图像进行重建,得到所述单张第一图像的重建图像。
在一个实施例中,所述单张第一图像的重建图像的尺寸与所述单张第一图像对应的第二图像的尺寸相同。上采样层可以根据所述第一图像特征增加第一图像的分辨率或尺寸,具体地,上采样层可以通过插值、反卷积等方法扩展输入的特征图的大小,从而恢复低分辨率图像丢失的细节和增加图像的分辨率,以便生成更高质量的重建图像使得低分辨率的特征图能够与高分辨率的特征图相匹配。
在其他实施例中,除了使用上述上采样层外,还可以使用映射函数实现对第一图像的重构,具体地,映射函数可以由多个神经网络层(例如包括卷积层、激活函数等)组成,映射函数可以学习输入低分辨率图像与目标高分辨率图像之间的映射关系,从而将低分辨率图像映射到高分辨率图像,以最大程度地保留细节和纹理信息。
在其他实施例中,第一网络结构还可以包括但不限于:生成对抗网络、基于稀疏编码的模型等。
在一个实施例中,为了实现神经网络中不同层次的特征信息的融合,所述第一网络结构还包括跳跃连接或注意力机制。具体地,所述跳跃连接可以在第一网络结构中引入跨层次的连接机制,从而实现将低层或中间层的特征传递至高层,实现第一网络结构中跨层次的信息流动,提高模型的性能和泛化能力;所述注意力机制可以通过对不同的特征赋予不同的权重实现第一网络结构中多层次特征信息的融合,可以通过调整不同网络层输出的特征的权重实现对不同特征的贡献度的调整,使得第一网络结构能更有针对性地关注和利用对当前任务更重要的特征(例如边缘与纹理特征),所述注意力机制包括但不限于自注意力(Self-Attention)、双线性注意力(Bilinear Attention)等。
步骤S33,计算所述单张第一图像对应的第二图像与所述单张第一图像的重建图像之间的第一差值。
在一个实施例中,可以使用预设的第一损失函数计算所述第一差值,所述第一差异表示重建图像与对应的高分辨率的第二图像之间的差异。例如,所述第一损失函数可以包括但不限于以下损失函数的组合函数:均方误差、结构相似性指数、感知损失、L1损失、对抗损失等。
步骤S34,确定所述第一差值是否大于第一阈值,当所述第一差值大于第一阈值时,执行步骤S35;或当所述第一差值小于或等于第一阈值时,执行步骤S36。
在一个实施例中,所述第一差值越大表示重建图像与对应的高分辨率的第二图像之间的差异越大、模型的重建性能越差,越需要进行模型优化。所述第一阈值可以根据实际应用的需求进行设置,第一阈值越大模型的性能越好。
步骤S35,对所述第一网络结构进行优化,并调用下一张第一图像重复执行对所述第一网络结构的训练方法中的步骤S31至步骤S35,直至所述第一差值小于或等于所述第一阈值时执行步骤S36。
在一个实施例中,对第一网络结构进行优化包括调整第一网络机构的网络参数,例如神经网络层的层数、卷积核或滤波器的尺寸、第一损失函数等。当每次对第一网络结构进行优化后,为了验证优化后的第一网络结构的性能,调用下一张第一图像重新执行第一网络结构的训练方法,直至第一网络结构对应的第一差值小于或等于所述第一阈值,此时可以认为第一网络结构已经训练至损失收敛,即第一网络结构训练完成。
步骤S36,第一网络结构训练完成。
在一个实施例中,第一网络结构使用卷积层和池化层提取第一图像中的纹理、边缘等细节信息,用残差块或密集连接块等深层特征提取模块捕获第一图像的高频细节,堆叠多个卷积层来增加网络的深度,并提高对细节的表达能力,使用上采样层将低分辨率的第一图像转换为高分辨率的重建图像,扩大第一图像的尺寸并增加细节和清晰度,使用跳跃连接或注意力机制等技术融合第一网络结构不同层次的特征信息,并在第一网络结构的输出层使用卷积层来输出最终的重建图像,并确保输出的重建图像与对应的高分辨率的第二图像尽可能接近。
在一个实施例中,如图4所示,为本申请实施例提供的第二网络结构的训练方法的流程图,具体包括如下步骤:
步骤S41,调用单张重建图像输入所述第二网络结构,利用所述第二网络结构输出所述单张重建图像对应的预测风险等级。
在一个实施例中,第二网络结构的输入是第一网络结构的输出,所述单张重建图像是利用训练后的第一网络结构获得的第一图像的重建图像。
在一个实施例中,第二网络结构可以包括分类器模型,具体地,第二网络结构使用卷积层提取重建图像的特征得到特征向量,使用重建图像对应的第一图像和/或第二图像的历史风险等级作为分类标签,基于有监督的学习方法选择预设算法(例如支持向量机、决策树、随机森林等)对特征向量进行判别分析,将特征向量归类至不同的类别标签中得到预测风险等级。
在其他实施例中,第二网络结构还可以包括其他用于将输入数据进行归类、判断或区分而设计的网络结构,例如,基于生成对抗网络的判别器、域分类器模型等。
步骤S42,确定所述预测风险等级与所述单张重建图像对应的第一图像的历史风险等级之间的第二差值。
在一个实施例中,可以使用预设的第二损失函数计算所述第二差值,所述第二差异表示预测风险等级与对应的历史风险等级之间的差异。例如,所述第二损失函数可以包括但不限于以下损失函数的组合函数:L1损失、L2损失等。
步骤43,确定所述第二差值是否大于第二阈值,当所述第二差值大于第二阈值时,执行步骤S44;或当所述第二差值小于或等于第二阈值时,执行步骤S45。
在一个实施例中,所述第二差值越大表示预测风险等级与对应的历史风险等级之间的差异越大、模型的预测性能越差,越需要进行模型优化。所述第二阈值可以根据实际应用的需求进行设置,第二阈值越大模型的性能越好。
步骤S44,对所述第二网络结构进行优化,并调用下一张重建图像重复执行对所述第二网络结构的训练方法中的步骤S41至步骤S44,直至所述第二差值小于或等于所述第二阈值时执行步骤S45。
在一个实施例中,对第二网络结构进行优化包括调整第二网络机构的网络参数,例如神经网络层的层数、卷积核的尺寸、第二损失函数等。当每次对第二网络结构进行优化后,为了验证优化后的第二网络结构的性能,调用下一张第二图像重新执行第二网络结构的训练方法,直至第二网络结构对应的第二差值小于或等于所述第二阈值,此时可以认为第二网络结构已经训练至损失收敛,即第二网络结构训练完成。
步骤S45,第二网络结构训练完成。
在一个实施例中,风险预测模型还可以根据预测风险等级生成多个区域的风险等级分布图,包括:在地图中使用不同的颜色表示出所处区域的目标风险等级。例如,使用更深的颜色表示目标风险等级更高的区域。
在一个实施例中,当第一网络结构与第二网络结构都训练完成后,完成对风险预测模型的训练,保存训练至收敛的风险预测模型的网络参数,网络参数θ可以示例性表示为:其中,INSARL为目标区域的低分辨率的InSAR数据,INSARH为目标区域的高分辨率的InSAR数据,RCPDM为道路塌陷事故的风险等级分布图。
当训练得到风险预测模型后,可以利用风险预测模型进行风险预测。本申请实施例提供的风险预测方法由电子设备执行,相应地,在一个实施例中,电子设备可以包括运行于其中的风险预测装置。
图5是本申请一实施例提供的风险预测方法的流程图。所述风险预测方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S51,采集所述目标区域的实时数据,对所述实时数据进行预处理。
在一个实施例中,所述实时数据包括实时图像,所述实时图像包括例如哨兵1号(Sentinel-1)等得到的目标区域的实时的光学影像、雷达图像、高程数据等多种类型的遥感图像数据,还可以包括基于合成孔径雷达干涉测量InSAR技术获得的目标区域的实时的雷达图像(或称为InSAR数据)。
在一个实施例中,所述预处理所使用的方法与步骤S21中的预处理方法相同,具体地,包括:对所述实时图像进行尺寸调整、归一化处理,还包括:对所述实时图像进行去噪、配准、生成干涉图、去平地效应、相位解缠、生成形变数据。
S52,将预处理后的实时数据输入风险预测模型,利用所述风险预测模型对预处理后的实时数据进行图像重建得到所述实时数据对应的重建图像,并根据所述实时数据对应的重建图像输出预测风险等级。
在一个实施例中,利用所述风险预测模型对预处理后的实时数据进行图像重建得到所述实时数据对应的重建图像,并根据所述实时数据对应的重建图像输出预测风险等级的方法,与风险预测模型训练方法中的过程类似,只需将所述实时数据与第一图像相对应,具体的过程不再进行描述。
在一个实施例中,本申请提供的风险预测模型训练方法、风险预测方法除了可以应用于对道路塌陷的风险进行预测,还可以适用于其他灾害风险预测,例如洪水灾害等。
图6是本申请实施例提供的风险预测模型训练装置的结构图。
在一些实施例中,所述风险预测模型训练装置60可以包括多个由计算机程序段所组成的功能模块。所述风险预测模型训练装置60中的各个程序段的计算机程序可以存储于电子设备的存储器中,并由至少一个处理器所执行,以执行(详见图2描述)风险预测模型训练的功能。
本实施例中,所述风险预测模型训练装置60根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:预处理模块601、训练模块602。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于所述风险预测模型训练装置60的中各个模块的功能实现方式可以参见上文对风险预测模型训练方法的限定,在此不再重复描述。
所述预处理模块601,用于采集目标区域的历史事故数据,利用预处理后的历史事故数据构建样本集,其中所述历史事故数据包括历史图像以及历史图像对应的历史风险等级。
所述训练模块602,用于利用所述样本集训练预设神经网络,获得风险预测模型,所述风险预测模型包括第一网络结构与第二网络结构,其中,所述第一网络结构用于重建输入的图像并输出重建图像;所述第二网络结构用于根据所述重建图像输出预测风险等级。
接续上文对图1的介绍,所述存储器11中存储有计算机程序,所述计算机程序被所述至少一个处理器12执行时实现如所述的风险预测模型训练方法、风险预测方法中的全部或者部分步骤。所述存储器11包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等。
在本申请一实施例中,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器12执行时实现如图2所示的流程。
在一些实施例中,所述至少一个处理器12是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块,以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。例如,所述至少一个处理器12执行所述存储器中存储的计算机程序时实现本申请实施例中所述的风险预测模型训练方法、风险预测方法的全部或者部分步骤;或者实现风险预测模型训练装置的全部或者部分功能。所述至少一个处理器12可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线13被设置为实现所述存储器11以及所述至少一个处理器12等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器12逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块、摄像装置等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种风险预测模型训练方法,其特征在于,所述方法包括:
采集目标区域的历史事故数据,利用预处理后的历史事故数据构建样本集,其中所述历史事故数据包括历史图像以及历史图像对应的历史风险等级;
利用所述样本集训练预设神经网络,获得风险预测模型,所述风险预测模型包括第一网络结构与第二网络结构,其中,所述第一网络结构用于重建输入的图像并输出重建图像;所述第二网络结构用于根据所述重建图像输出预测风险等级。
2.根据权利要求1所述的风险预测模型训练方法,其特征在于,所述历史图像包括第一图像与第二图像,其中,所述第一图像与所述第二图像之间存在对应关系,所述第二图像的分辨率高于所述第一图像的分辨率。
3.根据权利要求1所述的风险预测模型训练方法,其特征在于,对所述历史事故数据进行预处理的方法包括:对所述历史图像进行尺寸调整、归一化处理。
4.根据权利要求2所述的风险预测模型训练方法,其特征在于,所述第一网络结构的训练方法包括:
调用单张第一图像输入所述第一网络结构,利用所述第一网络结构的特征提取层提取所述单张第一图像的第一图像特征;
利用上采样层根据所述第一图像特征对所述单张第一图像进行重建,得到所述单张第一图像的重建图像,其中所述单张第一图像的重建图像的尺寸与所述单张第一图像对应的第二图像的尺寸相同;
计算所述单张第一图像对应的第二图像与所述单张第一图像的重建图像之间的第一差值,当所述第一差值大于第一阈值时,对所述第一网络结构进行优化,并调用下一张第一图像重复执行对所述第一网络结构的训练方法直至所述第一差值小于或等于所述第一阈值。
5.根据权利要求4所述的风险预测模型训练方法,其特征在于,所述特征提取层包括卷积层、池化层以及残差网络结构,所述第一网络结构还包括注意力机制。
6.根据权利要求2所述的风险预测模型训练方法,其特征在于,所述第二网络结构的训练方法包括:
调用单张重建图像输入所述第二网络结构,利用所述第二网络结构输出所述单张重建图像对应的预测风险等级,其中所述单张重建图像是利用训练后的第一网络结构获得的第一图像的重建图像;
确定所述预测风险等级与所述单张重建图像对应的第一图像的历史风险等级之间的第二差值,当所述第二差值大于第二阈值时,对所述第二网络结构进行优化,并调用下一张重建图像重复执行对所述第二网络结构的训练方法直至所述第二差值小于或等于所述第二阈值。
7.根据权利要求1所述的风险预测模型训练方法,其特征在于,所述历史图像还包括基于合成孔径雷达干涉测量InSAR技术获得的目标区域的雷达图像,所述预处理还包括:对所述雷达图像进行去噪、配准、生成干涉图、去平地效应、相位解缠、生成形变数据。
8.一种风险预测方法,其特征在于,所述方法包括:
采集所述目标区域的实时数据,对所述实时数据进行预处理,其中所述实时数据包括实时图像;
将预处理后的实时数据输入风险预测模型,所述风险预测模型为利用如权利要求1至7中任意一项所述的风险预测模型训练方法所获得;利用所述风险预测模型对预处理后的实时数据进行图像重建得到所述实时数据对应的重建图像,并根据所述实时数据对应的重建图像输出预测风险等级。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的风险预测模型训练方法,或实现如权利要求8所述的风险预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的风险预测模型训练方法,或实现如权利要求8所述的风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311028790.XA CN117057606A (zh) | 2023-08-15 | 2023-08-15 | 风险预测模型训练方法、风险预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311028790.XA CN117057606A (zh) | 2023-08-15 | 2023-08-15 | 风险预测模型训练方法、风险预测方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057606A true CN117057606A (zh) | 2023-11-14 |
Family
ID=88658363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311028790.XA Pending CN117057606A (zh) | 2023-08-15 | 2023-08-15 | 风险预测模型训练方法、风险预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057606A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488453A (zh) * | 2015-11-30 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于图像处理的驾驶员未系安全带检测识别方法 |
CN108734658A (zh) * | 2018-05-16 | 2018-11-02 | 四川大学 | 一种高分辨率图像的重建方法及系统 |
CN110473418A (zh) * | 2019-07-25 | 2019-11-19 | 平安科技(深圳)有限公司 | 危险路段识别方法、装置、服务器及存储介质 |
CN111242790A (zh) * | 2020-01-02 | 2020-06-05 | 平安科技(深圳)有限公司 | 风险识别方法、电子装置及存储介质 |
CN111815546A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 图像重建方法以及相关设备、装置 |
CN112257954A (zh) * | 2020-11-04 | 2021-01-22 | 北京世纪高通科技有限公司 | 预测分段道路风险等级的方法、装置、系统及存储介质 |
CN112488923A (zh) * | 2020-12-10 | 2021-03-12 | Oppo广东移动通信有限公司 | 图像超分辨率重建方法、装置、存储介质及电子设备 |
CN112862702A (zh) * | 2021-01-18 | 2021-05-28 | 平安科技(深圳)有限公司 | 图像增强方法、装置、设备及存储介质 |
CN113178082A (zh) * | 2021-04-14 | 2021-07-27 | 河北锐驰交通工程咨询有限公司 | 高速公路安全风险智能识别方法及系统 |
CN113823120A (zh) * | 2021-08-18 | 2021-12-21 | 深圳市元征科技股份有限公司 | 一种车辆危险预警方法及相关装置 |
CN113887515A (zh) * | 2021-10-28 | 2022-01-04 | 中国自然资源航空物探遥感中心 | 一种基于卷积神经网络的遥感滑坡识别方法及系统 |
CN114445624A (zh) * | 2022-01-24 | 2022-05-06 | 吉林大学 | 一种城市地理空间内细粒度交通事故风险识别方法 |
WO2023061039A1 (zh) * | 2021-10-13 | 2023-04-20 | 中通服和信科技有限公司 | 基于物联网的尾矿库风险监测预警系统 |
CN116310883A (zh) * | 2023-05-17 | 2023-06-23 | 山东建筑大学 | 基于遥感图像时空融合的农业灾害预测方法及相关设备 |
-
2023
- 2023-08-15 CN CN202311028790.XA patent/CN117057606A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488453A (zh) * | 2015-11-30 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于图像处理的驾驶员未系安全带检测识别方法 |
CN108734658A (zh) * | 2018-05-16 | 2018-11-02 | 四川大学 | 一种高分辨率图像的重建方法及系统 |
CN110473418A (zh) * | 2019-07-25 | 2019-11-19 | 平安科技(深圳)有限公司 | 危险路段识别方法、装置、服务器及存储介质 |
CN111242790A (zh) * | 2020-01-02 | 2020-06-05 | 平安科技(深圳)有限公司 | 风险识别方法、电子装置及存储介质 |
CN111815546A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 图像重建方法以及相关设备、装置 |
CN112257954A (zh) * | 2020-11-04 | 2021-01-22 | 北京世纪高通科技有限公司 | 预测分段道路风险等级的方法、装置、系统及存储介质 |
CN112488923A (zh) * | 2020-12-10 | 2021-03-12 | Oppo广东移动通信有限公司 | 图像超分辨率重建方法、装置、存储介质及电子设备 |
CN112862702A (zh) * | 2021-01-18 | 2021-05-28 | 平安科技(深圳)有限公司 | 图像增强方法、装置、设备及存储介质 |
CN113178082A (zh) * | 2021-04-14 | 2021-07-27 | 河北锐驰交通工程咨询有限公司 | 高速公路安全风险智能识别方法及系统 |
CN113823120A (zh) * | 2021-08-18 | 2021-12-21 | 深圳市元征科技股份有限公司 | 一种车辆危险预警方法及相关装置 |
WO2023061039A1 (zh) * | 2021-10-13 | 2023-04-20 | 中通服和信科技有限公司 | 基于物联网的尾矿库风险监测预警系统 |
CN113887515A (zh) * | 2021-10-28 | 2022-01-04 | 中国自然资源航空物探遥感中心 | 一种基于卷积神经网络的遥感滑坡识别方法及系统 |
CN114445624A (zh) * | 2022-01-24 | 2022-05-06 | 吉林大学 | 一种城市地理空间内细粒度交通事故风险识别方法 |
CN116310883A (zh) * | 2023-05-17 | 2023-06-23 | 山东建筑大学 | 基于遥感图像时空融合的农业灾害预测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sholevar et al. | Machine learning techniques for pavement condition evaluation | |
Nie et al. | Automatic detection of melanoma with yolo deep convolutional neural networks | |
Li et al. | Survey of single image super‐resolution reconstruction | |
Wang et al. | Change detection-based co-seismic landslide mapping through extended morphological profiles and ensemble strategy | |
Su et al. | Deep convolutional neural network–based pixel-wise landslide inventory mapping | |
Guo et al. | Data-driven rapid flood prediction mapping with catchment generalizability | |
Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
Beucher et al. | Interpretation of convolutional neural networks for acid sulfate soil classification | |
CN115375617A (zh) | 一种缺陷检测、训练方法、装置、存储介质及设备 | |
Shu et al. | Fusing or filling: Which strategy can better reconstruct high-quality fine-resolution satellite time series? | |
Khurana et al. | Green cover change detection using a modified adaptive ensemble of extreme learning machines for North-Western India | |
CN117057606A (zh) | 风险预测模型训练方法、风险预测方法及相关设备 | |
Sun et al. | Vehicle classification approach based on the combined texture and shape features with a compressive DL | |
Aubrun et al. | Unsupervised learning of robust representations for change detection on sentinel-2 earth observation images | |
Li et al. | An unsupervised concrete crack detection method based on nnU-Net | |
Chen et al. | Structural damage detection using bi-temporal optical satellite images | |
Parape et al. | Optimization of structure elements for morphological hit-or-miss transform for building extraction from VHR airborne imagery in natural hazard areas | |
CN114332533A (zh) | 一种基于DenseNet的滑坡图像识别方法和系统 | |
CN117057605A (zh) | 风险评估模型训练方法、风险评估方法及相关设备 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
Zhang et al. | A cross-paired wavelet based spatiotemporal fusion network for remote sensing images | |
CN115451874B (zh) | 一种基于InSAR图像的水坝形变监测方法及装置 | |
Li et al. | Multiscale modeling algorithm for core images | |
Shanqing et al. | A multi-level feature weight fusion model for salient object detection | |
CN117314756B (zh) | 基于遥感图像的验保方法、装置、计算机设备及存储介质 |
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 |