CN117332929B - 一种水利工程用智能防汛方法及系统 - Google Patents

一种水利工程用智能防汛方法及系统 Download PDF

Info

Publication number
CN117332929B
CN117332929B CN202311595095.1A CN202311595095A CN117332929B CN 117332929 B CN117332929 B CN 117332929B CN 202311595095 A CN202311595095 A CN 202311595095A CN 117332929 B CN117332929 B CN 117332929B
Authority
CN
China
Prior art keywords
flood control
rain cloud
pixel points
determining
cloud area
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
Application number
CN202311595095.1A
Other languages
English (en)
Other versions
CN117332929A (zh
Inventor
周小清
李伟健
冼卓雁
马世荣
林枫
陈凤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pearl River Hydraulic Research Institute of PRWRC
Original Assignee
Pearl River Hydraulic Research Institute of PRWRC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Pearl River Hydraulic Research Institute of PRWRC filed Critical Pearl River Hydraulic Research Institute of PRWRC
Priority to CN202311595095.1A priority Critical patent/CN117332929B/zh
Publication of CN117332929A publication Critical patent/CN117332929A/zh
Application granted granted Critical
Publication of CN117332929B publication Critical patent/CN117332929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及防汛管理技术领域，具体涉及一种水利工程用智能防汛方法及系统。该方法包括：周期性获取相邻时刻包含水利工程的卫星云图、卫星云图的灰度图和亮度图；根据亮度图确定雨云区域，确定雨云区域的边缘像素点；进而确定降雨严重程度；根据雨云区域的最小外接矩形的长度值和宽度值，确定第一带状系数，根据相邻时刻的两张灰度图中匹配像素点梯度方向确定第二带状系数；结合第一带状系数和第二带状系数确定带状程度；确定雨云区域对水利工程的位置影响程度；根据降雨严重程度、带状程度和位置影响程度，确定防汛指标，根据防汛指标进行智能防汛管理。本发明能够提前对汛情进行准确分析，提升智能防汛管理效果，增强防汛管理的可靠性。

Description

一种水利工程用智能防汛方法及系统
技术领域
本发明涉及防汛管理技术领域，具体涉及一种水利工程用智能防汛方法及系统。
背景技术
卫星图像在水利工程的智能防汛中扮演着至关重要的角色。通过卫星图像，能够实时监测云层情况，特别是水利工程附近的云层分布。这有助于提前预警洪水事件，以及及时采取措施来减轻洪水带来的影响。
相关技术中，通过卫星云图对气象信息进行分析，从而根据气象信息对水利工程附近的防汛工作提供辅助决策支持，这种方式下，由于云层的变化多样，导致汛情变化复杂，仅根据气象信息无法根据雨云的相关特征对防汛情况进行有效分析，导致无法实时对汛情进行准确分析，智能防汛管理效果较差，防汛管理的可靠性不足。
发明内容
为了解决相关技术中无法实时对汛情进行准确分析，智能防汛管理效果较差，防汛管理的可靠性不足的技术问题，本发明提供一种水利工程用智能防汛方法及系统，所采用的技术方案具体如下：
本发明提出了一种水利工程用智能防汛方法，方法包括：
周期性获取相邻时刻包含水利工程的卫星云图和卫星云图的灰度图，对所述卫星云图进行色彩空间转换处理，将所述卫星云图转换为灰度图和HSV格式的亮度图；
根据所述亮度图中像素点的HSV值确定雨云区域，在所述灰度图中对所述雨云区域进行边缘检测，得到所述雨云区域的边缘像素点；根据所述雨云区域的边缘像素点的数量、所述雨云区域所有像素点的数量和所述雨云区域中所有像素点的灰度值，确定所述雨云区域的降雨严重程度；
对所述雨云区域进行外接矩形处理，确定最小外接矩形，根据所述最小外接矩形的长度值和宽度值，确定所述雨云区域的第一带状系数，对相邻时刻的两张灰度图进行图像匹配，确定表示同一雨云像素点的匹配像素点，计算相邻时刻的两张灰度图中所有匹配像素点梯度方向的差异的均值，得到第二带状系数；根据所述第一带状系数和所述第二带状系数确定雨云区域的带状程度；
根据所有匹配像素点间的距离、所述雨云区域距所述水利工程的最短图像间隔，确定位置影响程度；根据所述降雨严重程度、所述带状程度和所述位置影响程度，确定所述雨云区域对所述水利工程的防汛指标，根据所述防汛指标进行智能防汛管理。
进一步地，所述根据所述雨云区域的边缘像素点的数量、所述雨云区域所有像素点的数量和所述雨云区域中所有像素点的灰度值，确定所述雨云区域的降雨严重程度，包括：
计算所述雨云区域的边缘像素点的数量与所述雨云区域所有像素点的数量的比值作为第一降雨系数；
计算所述雨云区域中所有像素点的灰度值的方差作为第二降雨系数；
计算所述第一降雨系数和所述第二降雨系数的乘积的反比例归一化值作为所述雨云区域的降雨严重程度。
进一步地，所述根据所述最小外接矩形的长度值和宽度值，确定所述雨云区域的第一带状系数，包括：
计算所述最小外接矩形的长度值和宽度值的比值作为第一带状系数。
进一步地，所述对相邻时刻的两张灰度图进行图像匹配，确定表示同一雨云像素点的匹配像素点，包括：
基于特征匹配算法对相邻时刻的两张灰度图中的像素点进行特征匹配，确定相匹配的像素点为表示同一雨云像素点的匹配像素点。
进一步地，所述第一带状系数与所述雨云区域的带状程度呈正相关关系，所述第二带状系数与所述雨云区域的带状程度呈负相关关系，所述带状程度的取值为归一化后的数值。
进一步地，所述根据所有匹配像素点间的距离、所述雨云区域距所述水利工程的最短图像间隔，确定位置影响程度，包括：
计算所有匹配像素点间的距离的均值作为移动距离；
计算所述移动距离与所述最短图像间隔的比值作为位置影响程度。
进一步地，所述根据所述降雨严重程度、所述带状程度和所述位置影响程度，确定所述雨云区域对所述水利工程的防汛指标，包括：
计算所述降雨严重程度、所述带状程度和所述位置影响程度的乘积的归一化值作为所述雨云区域对所述水利工程的防汛指标。
进一步地，所述根据所述防汛指标进行智能防汛管理，包括：
在所述防汛指标大于预设防汛指标阈值时，生成控制指令，其中，所述控制指令用于控制防汛设备的运行。
进一步地，所述HSV值包括色相值、饱和度值和亮度值，所述根据所述亮度图中像素点的HSV值确定雨云区域，包括：
将所述亮度图中色相值满足预设色相范围、饱和度值满足预设饱和度范围且亮度值满足预设亮度范围的像素点作为雨云像素点，所述雨云像素点组成雨云区域。
本发明还提出了一种水利工程用智能防汛系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现如前述所述的任意一项一种水利工程用智能防汛方法的步骤。
本发明具有如下有益效果：
本发明通过获取卫星云图、卫星云图的灰度图和亮度图，而后，基于亮度图确定雨云区域，相较于直接根据灰度图进行雨云区域的分析，亮度图的分析能够避免卫星云图中浅色区域对雨云区域确定的影响，有效提升雨云区域识别的准确性，通过雨云区域的边缘像素点的数量、雨云区域所有像素点的数量和雨云区域中所有像素点的灰度值，确定雨云区域的降雨严重程度，也即结合雨云区域本身的云层分布，确定降雨严重程度，本发明还根据雨云区域的形态和梯度方向，确定带状程度，带状程度的确定能够对雨云受强风影响的形态进行分析，从而根据雨云的形态对汛情进行判断，提升汛情判断的准确性；根据雨云区域与水利工程的距离和雨云区域的速度，确定位置影响程度，也即通过位置关系确定雨云区域对水利工程的影响情况，提升汛情判断的可靠性；结合降雨严重程度、带状程度和位置影响程度，对防汛情况进行具体分析，确定防汛指标，能够保证防汛指标的准确性与客观性，从而能够提前对汛情进行准确分析，提升智能防汛管理效果，增强防汛管理的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种水利工程用智能防汛方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种水利工程用智能防汛方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种水利工程用智能防汛方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种水利工程用智能防汛方法流程图，该方法包括：
S101：周期性获取相邻时刻包含水利工程的卫星云图和卫星云图的灰度图，对卫星云图进行色彩空间转换处理，将卫星云图转换为灰度图和HSV格式的亮度图。
在本发明的一种具体的实施场景中，通过气象机构和国际组织提供的开放平台获取水利工程区域的卫星云图数据，数据通常以图像文件的形式提供，也即得到卫星云图，可以理解的是，卫星云图为RGB格式的图像，而后，对卫星云图进行图像灰度化处理，得到灰度图，其中，图像灰度化处理为本领域技术人员所熟知的技术，对此不作进一步赘述与限定。
本发明通过获取相邻时刻包含水利工程的卫星云图与灰度图，通过相邻时刻的卫星云图中雨云的变化趋势，对水利工程将要受到的汛情进行分析，进而对水利工程进行智能防汛管理，相较于传统的数据分析，本方案通过对卫星云图的变化进行自动分析，从而得到相关的防汛指标，用于进行智能防汛管理。
其中，色彩空间转换，为将RGB格式的卫星云图转换为HSV格式的亮度图，RGB格式、HSV格式和对应的色彩空间转换均为本领域技术人员所熟知的技术，对此不作进一步赘述与限定。
S102：根据亮度图中像素点的HSV值确定雨云区域，在灰度图中对雨云区域进行边缘检测，得到雨云区域的边缘像素点；根据雨云区域的边缘像素点的数量、雨云区域所有像素点的数量和雨云区域中所有像素点的灰度值，确定雨云区域的降雨严重程度。
本发明实施例中，在HSV格式的亮度图中，每个像素点包含三个图像指标，即色相值、饱和度值和亮度值，将其统称为HSV值，则在本发明的一些实施例中，根据亮度图中像素点的HSV值确定雨云区域，包括：将亮度图中色相值满足预设色相范围、饱和度值满足预设饱和度范围且亮度值满足预设亮度范围的像素点作为雨云像素点，雨云像素点组成雨云区域。
可以理解的是，雨云区域通常在点云图像中表现为对应的白色区域，则本发明通过HSV格式的亮度图能够更清楚有效地分析得到雨云区域，且有效避免将卫星云图中的其他浅色区域作为雨云区域。
其中，预设色相范围，为色相值对应的数值范围，现有技术中通过角度表征色相，则本发明实施例则将角度对应的数值作为色相值，可选地，预设色相范围为[0,180]，对此不做限制。
其中，预设饱和度范围，为饱和度值对应的数值范围，可选地，预设饱和度范围为[0,25]，可以理解的是，饱和度越低，图像越呈现灰色的特性，因此，通过饱和度能够进一步对白色区域进行限制。
其中，预设亮度范围，为亮度值对应的数值范围，可选地，预设亮度范围为[200,255]。
由此，对色相值、饱和度值和亮度值进行总体分析，将均满足对应三个范围的像素点作为雨云像素点，在不满足时，将其作为背景像素点，而后，将雨云像素点所组成的区域作为雨云区域，可以理解的是，在卫星云图中雨云的厚度可能不同，本发明通过设置预设色相范围、预设饱和度范围和预设亮度范围，能够有效筛除厚度不足的雨云和颜色较浅的地貌影响，从而能够对较为严重的雨云进行汛情分析，保证分析的可靠性。
本发明实施例中，在灰度图中对雨云区域进行边缘检测，得到雨云区域的边缘像素点，边缘检测为本领域所熟知的技术，可以具体为使用sobel边缘检测算法对雨云区域进行边缘检测，部分雨云的边缘由于覆盖程度较为疏散，使得在雨云区域内部出现空洞，使用边缘检测后呈现边缘状态，并且空洞越多，边缘像素点的数量越多，覆盖程度越疏散，那么呈现降雨的可能性越低，因此，本发明可以将边缘像素点的数量作为指标之一，对降雨严重程度进行分析。
进一步地，在本发明的一些实施例中，根据雨云区域的边缘像素点的数量、雨云区域所有像素点的数量和雨云区域中所有像素点的灰度值，确定雨云区域的降雨严重程度，包括：计算雨云区域的边缘像素点的数量与雨云区域所有像素点的数量的比值作为第一降雨系数；计算雨云区域中所有像素点的灰度值的方差作为第二降雨系数；计算第一降雨系数和第二降雨系数的乘积的反比例归一化值作为雨云区域的降雨严重程度。
在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。
本发明实施例中，计算雨云区域的边缘像素点的数量与雨云区域所有像素点的数量的比值作为第一降雨系数；在边缘像素点的数量占比越多时，可以表示对应的雨云的边缘覆盖程度越疏散，也即雨云区域内存在占比较多的空洞区域，降雨的严重程度受此影响，降雨严重程度的数值更小。而在雨云区域所有像素点的灰度值方差取值越小时，说明雨云的厚度较大、包含水汽较多，使得内部的灰度更趋近于一致，对应的降雨严重程度的数值更大。
由此可以具体分析得知，第一降雨系数和第二降雨系数越大，对应的降雨严重程度均越小，因此，计算第一降雨系数和第二降雨系数的乘积的反比例归一化值作为雨云区域的降雨严重程度。
本发明实施例中，降雨严重程度数值越大，可以表示对应雨云存在的空洞越少，即覆盖程度较为浓密，且厚度较大，云层中包含水汽较多，对应的该雨云区域在后续可能产生更强烈的降雨规模。
S103：对雨云区域进行外接矩形处理，确定最小外接矩形，根据最小外接矩形的长度值和宽度值，确定雨云区域的第一带状系数，对相邻时刻的两张灰度图进行图像匹配，确定表示同一雨云像素点的匹配像素点，计算相邻时刻的两张灰度图中所有匹配像素点梯度方向的差异的均值，得到第二带状系数；根据第一带状系数和第二带状系数确定雨云区域的带状程度。
其中，外接矩形处理，为本领域技术人员所熟知的技术，本发明实施例中，通过对雨云区域进行外接矩形分析，从而确定雨云区域的最小外接矩形，该最小外接矩形可以用于对雨云的带状情况进行分析。
可以理解的是，在有强风影响时，对应的雨云在空中呈现带状的分布特征，而在有强风影响下，所形成的汛情严重程度相较于低风状态下会更剧烈，因此，通过对带状云的检测，从而实现汛情的客观分析。
进一步地，在本发明的一些实施例中，根据最小外接矩形的长度值和宽度值，确定雨云区域的第一带状系数，包括：计算最小外接矩形的长度值和宽度值的比值作为第一带状系数。
可以理解的是，带状云是一条大体上连续、具有明显的长轴，且其长宽之比至少为4:1的云系。也即在长宽比越大时，表征卫星云图中对应雨云区域为带状云的可能性越大，且带状所形成的效果越强烈，因此，本发明计算最小外接矩形的长度值和宽度值的比值作为第一带状系数。
进一步地，在本发明的一些实施例中，对相邻时刻的两张灰度图进行图像匹配，确定表示同一雨云像素点的匹配像素点，包括：基于特征匹配算法对相邻时刻的两张灰度图中的像素点进行特征匹配，确定相匹配的像素点为表示同一雨云像素点的匹配像素点。
其中，特征匹配算法，为基于图像中纹理的分布特征对相邻两帧图像中表示相同主体的像素点进行匹配的算法，在本发明的一些实施例中，使用特征匹配算法确定相邻时刻的两张灰度图中表示相同雨云区域的像素点，也即匹配像素点，本发明实施例的一组匹配像素点表征同一雨云中相同的位置。
举例而言，在前一帧灰度图中，雨云中心点的位置确定一个像素点，在后一帧灰度图中，雨云中心点的位置确定一个像素点，则两个中心点位置即为相匹配的匹配像素点。需要说明的是，特征匹配算法为本领域技术人员所熟知的算法，对此不作进一步赘述与限定。
可以理解的是，在汛情较为急迫时，雨云区域通常在某一强风的影响下产生高速移动，雨云区域中像素点的梯度方向变化较为一致，而在雨云区域的梯度方向变化较大时，通常为旋风或涡流风等风向，该种情况下，雨云所呈现的带状程度较低，基于此，计算相邻时刻的两张灰度图中所有匹配像素点梯度方向的差异的均值，得到第二带状系数。
进一步地，在本发明的一些实施例中，第一带状系数与雨云区域的带状程度呈正相关关系，第二带状系数与雨云区域的带状程度呈负相关关系，带状程度的取值为归一化后的数值。
其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。
由此，带状程度的计算公式可以具体例如为：
式中，表示雨云区域的带状程度，/>表示第一带状系数，/>表示第二带状系数，/>表示超参数，为防止分母为0所设置的安全值，具体地，/>可以为0.01。
本发明实施例中，第一带状系数表示雨云区域的带状分布，第一带状系数越大，表示对应雨云区域的长宽比越大，因此，其带状程度越大，而第二带状系数表示雨云区域所受风向的影响，风向越一致，第二带状系数数值越小，对应的带状程度越大，第二带状系数与带状程度呈负相关关系。由此，确定带状程度。
S104：根据所有匹配像素点间的距离、雨云区域距水利工程的最短图像间隔，确定位置影响程度；根据降雨严重程度、带状程度和位置影响程度，确定雨云区域对水利工程的防汛指标，根据防汛指标进行智能防汛管理。
可以理解的是，在进行汛情分析时，还需要考虑雨云区域与水利工程的距离和雨云区域的移动速度等影响因素。
进一步地，在本发明的一些实施例中，根据所有匹配像素点间的距离、雨云区域距水利工程的最短图像间隔，确定位置影响程度，包括：计算所有匹配像素点间的距离的均值作为移动距离；计算移动距离与最短图像间隔的比值作为位置影响程度。
本发明实施例中，以卫星云图中对应的图像距离进行具体分析，计算所有匹配像素点间的距离的均值作为移动距离，也即是说，将相邻时刻的灰度图中匹配像素点的移动距离的均值，作为雨云区域总体的移动距离，并计算移动距离与最短图像间隔的比值作为位置影响程度。
雨云区域的移动距离越快，对应的汛情来临越凶猛，雨云区域与水利工程的最短图像间隔越小，对应的汛情影响越大，由此，计算移动距离与最短图像间隔的比值作为位置影响程度，本发明实施例中，位置影响程度也可以看作雨云区域移动至水利工程所需要的时间，需要说明的是，由于本发明为对汛情的实时预警，且雨云在不同时间段内移动的方向可能产生较大差异，因此，本发明仅根据移动距离和最短距离进行具体分析，以提升汛情分析的冗余，保证汛情分析的可靠性。
进一步地，在本发明的一些实施例中，根据降雨严重程度、带状程度和位置影响程度，确定雨云区域对水利工程的防汛指标，包括：计算降雨严重程度、带状程度和位置影响程度的乘积的归一化值作为雨云区域对水利工程的防汛指标。
本发明实施例中，由于降雨严重程度越大，表示雨云的规模越大，且降雨强度越大，而带状程度表征雨云受风力影响情况，带状程度越高，表示雨云越在强风状态下生成，位置影响程度则进一步分析雨云与水利工程的位置关系，位置影响程度越大，则表示雨云区域与水利工程相距越近，且雨云区域的移动速度越快。由此，降雨严重程度、带状程度和位置影响程度的值均与水利工程将要遭受汛情的严重程度呈正相关关系，本发明可以计算降雨严重程度、带状程度和位置影响程度的乘积的归一化值作为雨云区域对水利工程的防汛指标。
其中，防汛指标，为用于进行防汛控制的指标数据，本发明实施例的防汛指标能够直接表征汛情的严重程度，由此，本发明可以根据防汛指标进行智能防汛管理。
进一步地，在本发明的一些实施例中，根据防汛指标进行智能防汛管理，包括：在防汛指标大于预设防汛指标阈值时，生成控制指令，其中，控制指令用于控制防汛设备的运行。
其中，预设防汛指标阈值，为防汛指标的门限值，可选地，预设防汛指标阈值为0.8，也即是说，在防汛指标大于0.8的时刻，生成控制指令，并控制对应防汛设备开始运行，其中，防汛设备的运行，可以具体例如为堵水工具，例如堵水板的升起，也可以例如为紧急避难工具，例如紧急避难照明灯、紧急避难指示牌等的使用等，还可以例如为加固工具，例如加固水利工程的大型设备等，对此不做限制。
本发明实施例中，在防汛指标大于预设防汛指标阈值时，表征水利工程将要承受较为剧烈的汛情，因此，可以自动控制防汛设备的运行，从而对水利工程进行智能防汛管理，当然，在本发明的另一些实施例中，也可以生成对应的防汛警告信号，以基于该防汛警告信号提醒相关工作人员执行防汛作业等，对此不做限制。
本发明通过获取卫星云图、卫星云图的灰度图和亮度图，而后，基于亮度图确定雨云区域，相较于直接根据灰度图进行雨云区域的分析，亮度图的分析能够避免卫星云图中浅色区域对雨云区域确定的影响，有效提升雨云区域识别的准确性，通过雨云区域的边缘像素点的数量、雨云区域所有像素点的数量和雨云区域中所有像素点的灰度值，确定雨云区域的降雨严重程度，也即结合雨云区域本身的云层分布，确定降雨严重程度，本发明还根据雨云区域的形态和梯度方向，确定带状程度，带状程度的确定能够对雨云受强风影响的形态进行分析，从而根据雨云的形态对汛情进行判断，提升汛情判断的准确性；根据雨云区域与水利工程的距离和雨云区域的速度，确定位置影响程度，也即通过位置关系确定雨云区域对水利工程的影响情况，提升汛情判断的可靠性；结合降雨严重程度、带状程度和位置影响程度，对防汛情况进行具体分析，确定防汛指标，能够保证防汛指标的准确性与客观性，从而能够提前对汛情进行准确分析，提升智能防汛管理效果，增强防汛管理的可靠性。
本发明还提出了一种水利工程用智能防汛系统，系统包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序，以实现前述的一种水利工程用智能防汛方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。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。

Claims (8)

1.一种水利工程用智能防汛方法，其特征在于，所述方法包括：
周期性获取相邻时刻包含水利工程的卫星云图和卫星云图的灰度图，对所述卫星云图进行色彩空间转换处理，将所述卫星云图转换为灰度图和HSV格式的亮度图；
根据所述亮度图中像素点的HSV值确定雨云区域，在所述灰度图中对所述雨云区域进行边缘检测，得到所述雨云区域的边缘像素点；根据所述雨云区域的边缘像素点的数量、所述雨云区域所有像素点的数量和所述雨云区域中所有像素点的灰度值，确定所述雨云区域的降雨严重程度；
对所述雨云区域进行外接矩形处理，确定最小外接矩形，根据所述最小外接矩形的长度值和宽度值，确定所述雨云区域的第一带状系数，对相邻时刻的两张灰度图进行图像匹配，确定表示同一雨云像素点的匹配像素点，计算相邻时刻的两张灰度图中所有匹配像素点梯度方向的差异的均值，得到第二带状系数；根据所述第一带状系数和所述第二带状系数确定雨云区域的带状程度；
根据所有匹配像素点间的距离、所述雨云区域距所述水利工程的最短图像间隔，确定位置影响程度；根据所述降雨严重程度、所述带状程度和所述位置影响程度，确定所述雨云区域对所述水利工程的防汛指标，根据所述防汛指标进行智能防汛管理；
所述根据所述雨云区域的边缘像素点的数量、所述雨云区域所有像素点的数量和所述雨云区域中所有像素点的灰度值，确定所述雨云区域的降雨严重程度，包括：
计算所述雨云区域的边缘像素点的数量与所述雨云区域所有像素点的数量的比值作为第一降雨系数；
计算所述雨云区域中所有像素点的灰度值的方差作为第二降雨系数；
计算所述第一降雨系数和所述第二降雨系数的乘积的反比例归一化值作为所述雨云区域的降雨严重程度；
所述根据所有匹配像素点间的距离、所述雨云区域距所述水利工程的最短图像间隔，确定位置影响程度，包括：
计算所有匹配像素点间的距离的均值作为移动距离；
计算所述移动距离与所述最短图像间隔的比值作为位置影响程度。
2.如权利要求1所述的一种水利工程用智能防汛方法，其特征在于，所述根据所述最小外接矩形的长度值和宽度值，确定所述雨云区域的第一带状系数，包括：
计算所述最小外接矩形的长度值和宽度值的比值作为第一带状系数。
3.如权利要求1所述的一种水利工程用智能防汛方法，其特征在于，所述对相邻时刻的两张灰度图进行图像匹配，确定表示同一雨云像素点的匹配像素点，包括：
基于特征匹配算法对相邻时刻的两张灰度图中的像素点进行特征匹配，确定相匹配的像素点为表示同一雨云像素点的匹配像素点。
4.如权利要求1所述的一种水利工程用智能防汛方法，其特征在于，所述第一带状系数与所述雨云区域的带状程度呈正相关关系，所述第二带状系数与所述雨云区域的带状程度呈负相关关系，所述带状程度的取值为归一化后的数值。
5.如权利要求1所述的一种水利工程用智能防汛方法，其特征在于，所述根据所述降雨严重程度、所述带状程度和所述位置影响程度，确定所述雨云区域对所述水利工程的防汛指标，包括：
计算所述降雨严重程度、所述带状程度和所述位置影响程度的乘积的归一化值作为所述雨云区域对所述水利工程的防汛指标。
6.如权利要求1所述的一种水利工程用智能防汛方法，其特征在于，所述根据所述防汛指标进行智能防汛管理，包括：
在所述防汛指标大于预设防汛指标阈值时，生成控制指令，其中，所述控制指令用于控制防汛设备的运行。
7.如权利要求1所述的一种水利工程用智能防汛方法，其特征在于，所述HSV值包括色相值、饱和度值和亮度值，所述根据所述亮度图中像素点的HSV值确定雨云区域，包括：
将所述亮度图中色相值满足预设色相范围、饱和度值满足预设饱和度范围且亮度值满足预设亮度范围的像素点作为雨云像素点，所述雨云像素点组成雨云区域。
8.一种水利工程用智能防汛系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序，以实现如权利要求1~7所述的任意一项一种水利工程用智能防汛方法的步骤。
CN202311595095.1A 2023-11-28 2023-11-28 一种水利工程用智能防汛方法及系统 Active CN117332929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311595095.1A CN117332929B (zh) 2023-11-28 2023-11-28 一种水利工程用智能防汛方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311595095.1A CN117332929B (zh) 2023-11-28 2023-11-28 一种水利工程用智能防汛方法及系统

Publications (2)

Publication Number Publication Date
CN117332929A CN117332929A (zh) 2024-01-02
CN117332929B true CN117332929B (zh) 2024-03-08

Family

ID=89293703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311595095.1A Active CN117332929B (zh) 2023-11-28 2023-11-28 一种水利工程用智能防汛方法及系统

Country Status (1)

Country Link
CN (1) CN117332929B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003098271A (ja) * 2001-09-27 2003-04-03 Fujitsu Ltd 気象予測結果選定方法及び低気圧移動ベクトル計算方法
CN112162337A (zh) * 2020-09-27 2021-01-01 航天新气象科技有限公司 一种基于全天空成像仪的降雨测量方法及系统
AU2020103480A4 (en) * 2020-11-17 2021-01-28 Chengdu University Of Information Technology Method for estimating and inverting precipitation in plateau areas by using satellite cloud images
CN113643312A (zh) * 2021-10-12 2021-11-12 江苏维沛通信科技发展有限公司 基于真彩色卫星云图与图像处理的云层分割方法
CN116682237A (zh) * 2023-08-03 2023-09-01 南通午未连海科技有限公司 一种基于人工智能的智能防汛预警方法及平台

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003098271A (ja) * 2001-09-27 2003-04-03 Fujitsu Ltd 気象予測結果選定方法及び低気圧移動ベクトル計算方法
CN112162337A (zh) * 2020-09-27 2021-01-01 航天新气象科技有限公司 一种基于全天空成像仪的降雨测量方法及系统
AU2020103480A4 (en) * 2020-11-17 2021-01-28 Chengdu University Of Information Technology Method for estimating and inverting precipitation in plateau areas by using satellite cloud images
CN113643312A (zh) * 2021-10-12 2021-11-12 江苏维沛通信科技发展有限公司 基于真彩色卫星云图与图像处理的云层分割方法
CN116682237A (zh) * 2023-08-03 2023-09-01 南通午未连海科技有限公司 一种基于人工智能的智能防汛预警方法及平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于不确定性理论的降水天气分类研究;郭建平等;计算机应用(S2);第256-259, 262页 *
基于红外卫星云图的台风智能识别及定位方法;罗晓丽;;河南工程学院学报(自然科学版)(03);第72-76页 *

Also Published As

Publication number Publication date
CN117332929A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN109241913B (zh) 结合显著性检测和深度学习的船只检测方法及系统
CN107767383B (zh) 一种基于超像素的道路图像分割方法
CN109389163B (zh) 一种基于地形图的无人机影像分类系统及方法
US20160334546A1 (en) Weather recognition method and device based on image information detection
KR101827889B1 (ko) 지역적 대비차 계산 방법을 이용한 실시간 소형 표적 검출방법
CN110060508B (zh) 一种用于内河桥区的船舶自动检测方法
CN114549543A (zh) 建筑物的三维模型构建方法、装置、终端及存储介质
CN111582182B (zh) 船舶名称识别方法、系统、计算机设备及存储介质
CN101957997A (zh) 一种动态场景中基于区域均值核密度估计的运动目标检测方法
CN101916446A (zh) 基于边缘信息和均值移位的灰度目标跟踪算法
CN101334844A (zh) 用于浮选泡沫图像分析的关键特征提取方法
CN109685827B (zh) 一种基于dsp的目标检测与跟踪方法
CN111896540A (zh) 一种基于区块链的水质在线监测系统
CN111259796A (zh) 一种基于图像几何特征的车道线检测方法
CN115082672A (zh) 一种基于边界框回归的红外图像目标检测方法
CN113763427B (zh) 一种基于从粗到精遮挡处理的多目标跟踪方法
CN117911408B (zh) 一种道路路面施工质量检测方法及系统
CN103020953A (zh) 一种指纹图像的分割方法
CN111462140A (zh) 一种基于区块拼接的实时图像实例分割方法
CN115482489A (zh) 基于改进YOLOv3的配电房行人检测和轨迹追踪方法及系统
CN117332929B (zh) 一种水利工程用智能防汛方法及系统
EP1879131A1 (en) Number recognizing device, and recognition method therefor
CN117079197B (zh) 一种智慧工地管理方法及系统
CN113963314A (zh) 降雨量监测方法、装置、计算机设备及存储介质
CN113705380A (zh) 雾天的目标检测方法、装置、电子设备以及存储介质

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