CN117744908B - 一种基于机器视觉的城市排水设施巡检方法及系统 - Google Patents
一种基于机器视觉的城市排水设施巡检方法及系统 Download PDFInfo
- Publication number
- CN117744908B CN117744908B CN202410181864.1A CN202410181864A CN117744908B CN 117744908 B CN117744908 B CN 117744908B CN 202410181864 A CN202410181864 A CN 202410181864A CN 117744908 B CN117744908 B CN 117744908B
- Authority
- CN
- China
- Prior art keywords
- inspection
- urban
- drainage facility
- urban drainage
- city
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 459
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 45
- 230000007704 transition Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000006378 damage Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract 3
- 238000012423 maintenance Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于机器视觉的城市排水设施巡检方法及系统，属于城市排水管理技术领域，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对城市排水设施点进行标记，得到第一巡检规划；获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划；根据所述第一巡检规划以及第二巡检规划进行道路分析，得到最终城市排水设施巡检道路；基于所述最终城市排水设施巡检道路分析出排水异常，生成城市排水设施巡检结果。本发明能够对城市排水设施进行精准高效率的巡检，从而保证城市排水设施的正常排水。
Description
技术领域
本发明涉及城市排水管理技术领域，尤其涉及一种基于机器视觉的城市排水设施巡检方法及系统。
背景技术
城市排水设施是对城市中的雨水和污水进行统一合理排放的公共设施，包括排水管道、雨水篦子、下水道口、污水处理厂、雨水收集等设施，这些城市排水设施的建设和维护对于保护城市环境、提高城市可持续发展和生活质量至关重要；但当城市中的排水设施出现损坏、堵塞和腐蚀等故障时，则会使得雨水以及污水无法进行及时的排放，则会导致城市内出现大规模的洪涝、山体滑坡等灾害，降低了人们的生活安全系数；而目前传统的城市排水设施巡检方法需人工进入实地检查并记录，大幅降低了工作效率，费时费力，且难以保证排水异常判断的精准性，巡检数据存在较大误差；且由于部分巡检路程远，导致巡检速率慢，无法保障在规定时间内完成巡检任务，降低了巡检的质量和效率。
发明内容
本发明克服了现有技术的不足，提供了一种基于机器视觉的城市排水设施巡检方法及系统。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于机器视觉的城市排水设施巡检方法，包括以下步骤：
获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划；
在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划；
基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路；
基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果。
进一步的，本发明的一个较佳的实施例中，所述获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划，具体包括以下步骤：
获取城市排水设施的待巡检区域，并基于日常排水记录提取出所述待巡检区域在预设时间段内的多个历史事故点位；
获取多个历史事故点位的所有事故类型，同时获取每种事故类型的发生频次，基于所述所有事故类型在大数据网络中进行检索，得到每种事故发生类型对应的危险等级；其中，所述事故类型包括洪涝、群众受伤以及交通事故；
引入熵权算法，基于所述每种事故发生类型对应的危险等级和所述每种事故类型的发生频次在熵权算法中对所有事故类型进行计算，得到多个信息熵，根据多个所述信息熵确定出每个事故类型所对应的巡检权重值；
预设子区域面积阈值，以每个历史事故点位为基准中心对所述待巡检区域进行子区域划分，并使得划分出的每个子区域面积均等于所述子区域面积阈值，得到多个均匀的子巡检区域；
将每个事故类型所对应的巡检权重值逐一相对应的导入多个所述子巡检区域中进行绘制，得到待巡检区域热点图；
获取待巡检区域的城市排水设施分布图，基于所述城市排水设施分布图获取每个子巡检区域内存在的城市排水设施点，并在所述待巡检区域热点图中对每个子巡检区域内存在的城市排水设施点进行标记，得到第一巡检规划。
进一步的，本发明的一个较佳的实施例中，所述在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划，具体包括以下步骤：
定义所述第一巡检规划为冗余区域，在待巡检区域内对所述冗余区域进行剔除，得到剔除后的剩余待巡检区域，并获取所述剔除后的剩余待巡检区域中的所有城市排水设施点；
获取各城市排水设施点的排水设施类型，同时获取各城市排水设施点所处的地势环境形式，基于所述排水设施类型在大数据中进行检索，得到各排水设施类型所对应的排水性能；其中，所述排水性能包括排水方式、排水速率和排水阻力；
引入马尔科夫链，基于所述排水性能在马尔科夫链中对每个所述地势环境形式导致对应的城市排水设施点出现故障的状态概率转移进行计算，得到每一地势环境形式的状态转移概率，基于所述每一地势环境形式的状态转移概率构建状态转移矩阵，将所述状态转移矩阵导入贝叶斯网络中进行训练并推断，得到每个城市排水设施点的故障概率；
判断每个城市排水设施点的故障概率是否大于预设故障概率，若大于，则在剔除后的剩余待巡检区域中标记出大于预设故障概率所对应的城市排水设施点，得到第二巡检规划。
进一步的，本发明的一个较佳的实施例中，所述基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路，具体包括以下步骤：
获取待巡检区域的城市道路分布地图，并在所述城市道路分布地图中标记出小于预设距离阈值的城市道路，得到N条城市巡检道路；
引入Floyd-Warshall算法对第一巡检规划中的城市排水设施点进行路径计算，构建初始二维数组，计算所述初始二维数组的多组顶点对，基于每组顶点对各生成一条路径的状态转移并更新，直至满足更新条件，得到第一最佳巡检路径；
基于Floyd-Warshall算法对所述第二巡检规划中的城市排水设施点进行路径计算，得到第二最佳巡检路径；
逐一计算出每条所述城市巡检道路与第一最佳巡检路径之间的欧氏距离，根据所述欧氏距离确定出每条城市巡检道路与第一最佳巡检路径之间的第一重合度，同时逐一计算出每条所述城市巡检道路与第二最佳巡检路径之间的欧氏距离，根据所述欧氏距离确定出每条城市巡检道路与第二最佳巡检路径之间的第二重合度；
计算每条城市巡检道路对应的第一重合度与第二重合度之间的差异，得到多个偏差阈值，若所述偏差阈值小于预设偏差阈值，则将所述偏差阈值所对应的城市巡检道路进行标记，得到一条或者多条标记后的城市巡检道路；
引入散列算法对所述一条或者多条标记后的城市巡检道路进行计算，得到多个散列值，对多个所述散列值进行由大到小排序，并提取出最大散列值所对应的标记后的城市巡检道路，得到最终城市排水设施巡检道路。
进一步的，本发明的一个较佳的实施例中，所述基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果，具体包括以下步骤：
根据所述最终城市排水巡检道路控制巡检无人机对第一巡检规划以及第二巡检规划中所标记的城市排水设施点进行逐一拍摄，得到所有城市排水设施点的图像数据；
基于GLCM算法对所述所有城市排水设施点的图像数据进行特征分析，生成灰度共生矩阵，基于所述灰度共生矩阵计算纹理特征，得到每个城市排水设施点的图像特征向量；
通过大数据网络获取不同城市排水异常类别所对应的异常图像特征向量，引入Jaccard相似度算法对所述每个城市排水设施点的图像特征向量和各异常图像特征向量之间的特征相似度进行逐一计算，得到若干个特征相似度；
获取各城市排水异常类别相对应的预设特征相似度，构建判别数据库，将各城市排水异常类别相对应的预设特征相似度导入判别数据库中，得到特征相似度判别数据库；
将每个特征相似度导入所述特征相似度判别数据库中，并使得每个特征相似度只判别出大于预设特征相似度所对应的城市排水异常类型，若特征相似度不存在大于至少一个预设特征相似度的情况，则说明第一巡检规划与第二巡检规划中不存在城市排水设施异常，无需标记；
若特征相似度只存在大于一个预设特征相似度的情况，则将所述一个预设特征相似度相对应的城市排水异常类型在第一巡检规划以及第二巡检规划中进行标记，生成一类巡检标记；
若特征相似度存在大于多个预设特征相似度的情况，则将所述多个预设特征相似度相对应的城市排水异常类型同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记；
合并所述一类巡检标记和所述二类巡检标记，得到城市排水设施巡检结果。
进一步的，本发明的一个较佳的实施例中，所述若特征相似度存在大于多个预设特征相似度的情况，则将所述多个预设特征相似度相对应的城市排水异常类型同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记，具体包括以下步骤：
若特征相似度存在大于多个预设特征相似度的情况，则提取出所述多个预设特征相似度所对应的城市排水异常类别；
通过大数据网络获取各城市排水异常类别的若干个评价指标，基于所述若干个评价指标构建评价模型，将多个预设特征相似度所对应的城市排水异常类别导入所述评价模型中进行评价，得到城市排水异常类别评价结果；
预设划分深度阈值，定义所述多个预设特征相似度以及所述城市排水异常类别评价结果为划分特征，以城市排水异常类别为节点，根据所述划分特征在节点上进行取值构建，以使得每个城市排水异常类别节点划分为不同的分支，直至达到划分深度阈值，生成优先级决策树；
以优先级决策树的根节点为起点，基于所述多个预设特征相似度以及所述城市排水异常类别评价结果沿着优先级决策树的分支不断遍历，若遍历到达叶节点,则停止遍历并输出遍历结果，并对遍历结果中所有根节点上的城市排水异常类别与叶子节点对应的优先级进行排序，得到每个城市排水异常类别的优先级排序；
根据所述每个城市排水异常类别的优先级排序同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记。
本发明第二方面提供了一种基于机器视觉的城市排水设施巡检系统，所述一种基于机器视觉的城市排水设施巡检系统包括存储器与处理器，所述存储器中储存一种基于机器视觉的城市排水设施巡检方法程序，所述一种基于机器视觉的城市排水设施巡检方法程序被所述处理器执行时，实现以下步骤：
获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划；
在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划；
基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路；
基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果。
本发明解决了背景技术中存在的技术缺陷，本发明的有益技术效果在于：
获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划；在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划；根据所述第一巡检规划以及第二巡检规划进行道路分析，得到最终城市排水设施巡检道路；基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量分析出排水异常，生成城市排水设施巡检结果。本发明能够对城市排水设施进行精准高效率的巡检，从而保证城市排水设施的正常排水工作。
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，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他实施例的附图。
图1示出了一种基于机器视觉的城市排水设施巡检方法的第一方法流程图；
图2示出了一种基于机器视觉的城市排水设施巡检方法的第二方法流程图；
图3示出了一种基于机器视觉的城市排水设施巡检方法的第三方法流程图；
图4示出了一种基于机器视觉的城市排水设施巡检系统的系统框架图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。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发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于机器视觉的城市排水设施巡检方法，如图1所示，包括以下步骤：
S102：获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划；
S104：在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划；
S106：基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路；
S108：基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果。
进一步的，本发明的一个较佳的实施例中，所述获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划，具体包括以下步骤：
获取城市排水设施的待巡检区域，并基于日常排水记录提取出所述待巡检区域在预设时间段内的多个历史事故点位；
获取多个历史事故点位的所有事故类型，同时获取每种事故类型的发生频次，基于所述所有事故类型在大数据网络中进行检索，得到每种事故发生类型对应的危险等级；其中，所述事故类型包括洪涝、群众受伤以及交通事故；
引入熵权算法，基于所述每种事故发生类型对应的危险等级和所述每种事故类型的发生频次在熵权算法中对所有事故类型进行计算，得到多个信息熵，根据多个所述信息熵确定出每个事故类型所对应的巡检权重值；
预设子区域面积阈值，以每个历史事故点位为基准中心对所述待巡检区域进行子区域划分，并使得划分出的每个子区域面积均等于所述子区域面积阈值，得到多个均匀的子巡检区域；
将每个事故类型所对应的巡检权重值逐一相对应的导入多个所述子巡检区域中进行绘制，得到待巡检区域热点图；
获取待巡检区域的城市排水设施分布图，基于所述城市排水设施分布图获取每个子巡检区域内存在的城市排水设施点，并在所述待巡检区域热点图中对每个子巡检区域内存在的城市排水设施点进行标记，得到第一巡检规划。
需要说明的是，由于在城市中排水设施遍布各个区域，且城市生活的人群、行驶的车辆都普遍密集，因此当城市排水设施存在排水异常、损坏和故障时，容易引发洪涝、车辆出现交通意外以及群众因城市排水设施故障而受伤等多种情况，使得城市排水存在较高安全隐患，降低了城市的运行质量；因此首要的对待巡检区域中频繁发生事故的点位为核心来解决城市排水设施隐患频发的问题，接着以频繁发生事故点位向外辐射规划一定范围内所有的城市排水设施进行巡检，从而加强事故频发点位周边排水设施的排水质量，避免在车辆人群活动密集地区出现连带的排水异常现象；以构建热力图的方式能够更加直观的表达出待巡检区域中频繁发生事故点位的巡检权重以及所需巡检的城市排水设施分布，提高决策效率；其中，所述城市排水设施包括排水管道、雨水篦子、排水沟渠以及下水道口。本发明能够以历史事故频发点位为重点巡检核心对周边城市排水设施进行辐射性规划，保证事故频发点位周边的城市排水设施能够正常排水工作，减少由于城市排水设施异常导致意外事故的发生率，提高排水质量，可靠性高。
进一步的，本发明的一个较佳的实施例中，所述在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划，如图2所示，具体包括以下步骤：
S202：定义所述第一巡检规划为冗余区域，在待巡检区域内对所述冗余区域进行剔除，得到剔除后的剩余待巡检区域，并获取所述剔除后的剩余待巡检区域中的所有城市排水设施点；
S204：获取各城市排水设施点的排水设施类型，同时获取各城市排水设施点所处的地势环境形式，基于所述排水设施类型在大数据中进行检索，得到各排水设施类型所对应的排水性能；其中，所述排水性能包括排水方式、排水速率和排水阻力；
S206：引入马尔科夫链，基于所述排水性能在马尔科夫链中对每个所述地势环境形式导致对应的城市排水设施点出现故障的状态概率转移进行计算，得到每一地势环境形式的状态转移概率，基于所述每一地势环境形式的状态转移概率构建状态转移矩阵，将所述状态转移矩阵导入贝叶斯网络中进行训练并推断，得到每个城市排水设施点的故障概率；
S208：判断每个城市排水设施点的故障概率是否大于预设故障概率，若大于，则在剔除后的剩余待巡检区域中标记出大于预设故障概率所对应的城市排水设施点，得到第二巡检规划。
需要说明的是，所述地势环境形式包括草坪、灌木丛、洼地、坡道、泥潭以及沙地等，在对待巡检区域中的事故频发地点一定范围内的城市排水设施进行筛选后，对于事故频发点以外的城市排水设施的巡检也同样至关重要，但若要进行全部巡检则需花费大量人力和时间，对于某些故障率较低、人群活动量较少区域的城市排水设施仍然保持着高频次巡检工作，费时费力，大幅降低了巡检工作的进度；因此对于事故频发点以外的城市排水设施，可通过故障概率预测的方式对每个事故频发点以外的城市排水设施进行二次重点巡检筛选，一方面能够更加合理的确定事故频发点以外的城市排水设施存在着的潜在风险，从而实现精准定位巡检，另一方面能够减少人工对所有城市排水设施的巡检工作量，提高巡检效率。
进一步的，本发明的一个较佳的实施例中，所述基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路，具体包括以下步骤：
获取待巡检区域的城市道路分布地图，并在所述城市道路分布地图中标记出小于预设距离阈值的城市道路，得到N条城市巡检道路；
引入Floyd-Warshall算法对第一巡检规划中的城市排水设施点进行路径计算，构建初始二维数组，计算所述初始二维数组的多组顶点对，基于每组顶点对各生成一条路径的状态转移并更新，直至满足更新条件，得到第一最佳巡检路径；
基于Floyd-Warshall算法对所述第二巡检规划中的城市排水设施点进行路径计算，得到第二最佳巡检路径；
逐一计算出每条所述城市巡检道路与第一最佳巡检路径之间的欧氏距离，根据所述欧氏距离确定出每条城市巡检道路与第一最佳巡检路径之间的第一重合度，同时逐一计算出每条所述城市巡检道路与第二最佳巡检路径之间的欧氏距离，根据所述欧氏距离确定出每条城市巡检道路与第二最佳巡检路径之间的第二重合度；
计算每条城市巡检道路对应的第一重合度与第二重合度之间的差异，得到多个偏差阈值，若所述偏差阈值小于预设偏差阈值，则将所述偏差阈值所对应的城市巡检道路进行标记，得到一条或者多条标记后的城市巡检道路；
引入散列算法对所述一条或者多条标记后的城市巡检道路进行计算，得到多个散列值，对多个所述散列值进行由大到小排序，并提取出最大散列值所对应的标记后的城市巡检道路，得到最终城市排水设施巡检道路。
需要说明的是，在规划完所需巡检的城市排水设施后，便可开始巡检工作，目前对于城市排水设施的巡检工作通常采用智能化的巡检无人机完成，而传统的巡检方法中缺少对巡检道路的精准制定，从而使得巡检无人机出现对附近城市排水设施进行无规则的随机巡检工作，导致巡检速率大幅度降低，同时还会出现对同一城市排水设施点重复巡检的错误，难以保障巡检数据的准确性，故而需制定出合理快速的巡检道路供巡检无人机开展高效的巡检工作；其中，需要补充的是，Floyd-Warshall算法能够快速的求解规划出所有城市排水设施点对之间的最短路径，进一步提高数据处理效率；由于城市巡检道路错综复杂，且计算出的最佳巡检路径并不能保证完全处于任一条城市巡检道路上，若使巡检无人机在最佳巡检路径上行驶，则会导致巡检无人机遭遇障碍物、绕道以及损坏等情况发生，且无法保证巡检质量，故而需使得巡检无人机在规定的城市巡检道路上行驶，一方面保证巡检无人机的巡检速率，确保巡检安全系数，另一方面提高了城市排水设施的巡检质量，可靠性高；而第一最佳巡检路径和第二最佳巡检路径为最终城市排水设施巡检道路提供可靠筛选依据。本发明能够为巡检无人机的巡检工作筛选出路程短、合理高效的城市排水设施巡检道路，提高巡检无人机对每一处城市排水设施的巡检质量和效率。
进一步的，本发明的一个较佳的实施例中，所述基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果，具体包括以下步骤：
根据所述最终城市排水巡检道路控制巡检无人机对第一巡检规划以及第二巡检规划中所标记的城市排水设施点进行逐一拍摄，得到所有城市排水设施点的图像数据；
基于GLCM算法对所述所有城市排水设施点的图像数据进行特征分析，生成灰度共生矩阵，基于所述灰度共生矩阵计算纹理特征，得到每个城市排水设施点的图像特征向量；
通过大数据网络获取不同城市排水异常类别所对应的异常图像特征向量，引入Jaccard相似度算法对所述每个城市排水设施点的图像特征向量和各异常图像特征向量之间的特征相似度进行逐一计算，得到若干个特征相似度；
获取各城市排水异常类别相对应的预设特征相似度，构建判别数据库，将各城市排水异常类别相对应的预设特征相似度导入判别数据库中，得到特征相似度判别数据库；
将每个特征相似度导入所述特征相似度判别数据库中，并使得每个特征相似度只判别出大于预设特征相似度所对应的城市排水异常类型，若特征相似度不存在大于至少一个预设特征相似度的情况，则说明第一巡检规划与第二巡检规划中不存在城市排水设施异常，无需标记；
若特征相似度只存在大于一个预设特征相似度的情况，则将所述一个预设特征相似度相对应的城市排水异常类型在第一巡检规划以及第二巡检规划中进行标记，生成一类巡检标记；
若特征相似度存在大于多个预设特征相似度的情况，则将所述多个预设特征相似度相对应的城市排水异常类型同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记；
合并所述一类巡检标记和所述二类巡检标记，得到城市排水设施巡检结果。
需要说明的是，所述不同城市排水异常类别包括阻塞、断裂、存在大量杂物以及积水等；巡检无人机上通常搭载有高分辨率的摄像头对目标城市排水设施进行拍摄，从而进一步判断所拍摄的城市排水设施是否存在故障；但传统的巡检方法通常由人眼识别的方式进行图像的逐一判别，识别速率低，且若在光线较暗环境下所拍摄的图像人眼识别便可能存在识别错误的情况，使得城市排水设施巡检的异常识别存在较大误差率，不利于对城市排水设施的故障确定和维护；因此本发明通过不同城市排水异常类别所对应的异常图像特征向量构建判别数据库，将捕捉拍摄到的所有城市排水设施的图像特征向量导入判别数据库中进行逐一对比判别，从而便可识别出每一处城市排水设施是否存在异常和故障，进而提高了城市排水设施异常识别的准确率，降低了异常识别误差；需要补充的是，特征相似度体现了图像特征向量与异常图像特征向量之间相似程度，为保证判别的速率和效率，故而需使得每个特征相似度在判别模型中只判别出大于预设特征相似度所对应的城市排水异常类型；若某一个城市排水设施的特征相似度存在大于一个或者多个城市排水异常类别的预设特征相似度的情况，则说明此城市排水设施存在一个或者多个异常，需采取多种维护手段修复；若某一个城市排水设施的特征相似度不存在任意一个城市排水异常类别的预设特征相似度的情况，则说明此城市排水设施排水运行良好，不存在高危排水异常，无需标记和维修。
进一步的，本发明的一个较佳的实施例中，所述若特征相似度存在大于多个预设特征相似度的情况，则将所述多个预设特征相似度相对应的城市排水异常类型同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记，如图3所示，具体包括以下步骤：
S302：若特征相似度存在大于多个预设特征相似度的情况，则提取出所述多个预设特征相似度所对应的城市排水异常类别；
S304：通过大数据网络获取各城市排水异常类别的若干个评价指标，基于所述若干个评价指标构建评价模型，将多个预设特征相似度所对应的城市排水异常类别导入所述评价模型中进行评价，得到城市排水异常类别评价结果；
S306：预设划分深度阈值，定义所述多个预设特征相似度以及所述城市排水异常类别评价结果为划分特征，以城市排水异常类别为节点，根据所述划分特征在节点上进行取值构建，以使得每个城市排水异常类别节点划分为不同的分支，直至达到划分深度阈值，生成优先级决策树；
S308：以优先级决策树的根节点为起点，基于所述多个预设特征相似度以及所述城市排水异常类别评价结果沿着优先级决策树的分支不断遍历，若遍历到达叶节点,则停止遍历并输出遍历结果，并对遍历结果中所有根节点上的城市排水异常类别与叶子节点对应的优先级进行排序，得到每个城市排水异常类别的优先级排序；
S310：根据所述每个城市排水异常类别的优先级排序同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记。
需要说明的是，当特征相似度存在大于多个预设特征相似度的情况时，说明城市排水设施同时存在着多种排水异常，但对于同时其中存在的某种排水异常相对于其他存在的排水异常而言异常程度较小或者不明显，针对此种情况的维护工作则应当对异常程度较大或较为明显的异常类别进行优先维修，接着再对剩余异常程度较小或者不明显的排水异常完成修复，从而确保维修顺序的主次分明，提高城市排水设施的维修效率和质量；因此为了便于维修人员能够快速精准的获取城市排水设施的主次维修顺序，可在判别出大于多个预设特征相似度所对应的城市排水异常类别时采用构建决策树的方法对城市排水异常类别进行优先级标记显示，进而使维修人员对于城市排水设施的异常程度一目了然，便可制定相对应的主次维修顺序，提高维修效率，减少传统没有主次维修的维修误差以及大量人力时间成本的输出，省时省力。
此外，所述一种基于机器视觉的城市排水设施巡检方法，还包括以下步骤：
基于大数据网络获取巡检无人机在不同预设巡检环境条件组合之下的电量消耗速率，基于支持向量机网络构建电量消耗速率预测模型，将所述不同预设巡检环境条件组合之下的电量消耗速率导入预测模型中进行训练，得到训练完成的电量消耗速率预测模型；
获取当前巡检无人机的实际巡检环境，将所述实际巡检环境导入所述训练完成的电量消耗速率预测模型中，得到电量消耗速率预测值；
获取当前巡检无人机的剩余电量以及当前时间节点，将所述剩余电量除以所述电量消耗速率预测值，得到当前巡检无人机的剩余电量使用时长，结合所述剩余电量使用时长和当前时间节点进行计算，得到剩余电量耗尽时间节点；
判断所述剩余电量耗尽时间节点是否处于预设巡检工作时间段内，若处于，则获取当前巡检无人机的剩余巡检进度以及距离当前巡检无人机最近的巡检无人机的巡检速率；
根据所述剩余巡检进度和所述巡检速率进行计算，得到距离当前巡检无人机最近的巡检无人机完成剩余巡检进度的所需用时，结合所需用时与剩余电量耗尽时间节点进行计算，得到最终进度完成的时间节点；
若所述最终进度完成的时间节点小于预设巡检工作时间节点，则将当前巡检无人机的剩余巡检进度上传至距离当前巡检无人机最近的巡检无人机控制终端。
需要说明的是，由于巡检无人机大多数采用充电的方式进行电力补充，使得巡检无人机体型更小，更适合于城市排水设施的巡检，但缺点同样明显，容易在巡检过程中出现电量不足的情况，导致巡检无人机无法继续正常巡检工作，且为了应对多个区域的高效巡检，同样会增设多个巡检无人机进行工作，因此本发明可在一个巡检无人机电量不足时，将剩余巡检工作进度传输至其他巡检无人机以完成剩余巡检进度，保证了巡检工作的顺利完成，提高了巡检无人机的协同工作效率。
此外，所述一种基于机器视觉的城市排水设施巡检方法，还包括以下步骤：
通过大数据网络获取城市排水设施安装区域的标准巡检规范，基于所述标准巡检规范提取出城市排水设施安装区域的预设排水安全等级以及各排水安全等级所对应的巡检频次；
结合所述预设排水安全等级和所述各排水安全等级所对应的巡检频次构建映射表，得到排水安全等级-巡检频次映射表；
获取预设时间段内目标巡检区域的气象信息，若所述气象信息显示为极端天气，则基于所述气象信息在大数据中进行检索；其中，所述极端天气包括雷雨、雪灾以及台风；
检索完成后，获取预设时间段内目标巡检区域的排水安全等级变化，基于所述预设时间段内目标巡检区域的排水安全等级变化在排水安全等级巡检频次映射表中进行查询，得到目标巡检区域所对应的巡检频次；
引入二次多项式回归算法对预设时间段内目标巡检区域的排水安全等级变化和所述目标巡检区域所对应的巡检频次进行拟合，得到拟合曲线，计算所述拟合曲线所对应的二次项系数，得到巡检力度；
根据所述巡检力度对目标巡检区域所对应的巡检频次进行调整,得到最终的巡检频次，并根据所述巡检力度在城市排水设施附近设置一定数量的警示牌和防护围栏，以警示群众在极端天气下远离城市排水设施。
需要说明的是，不同的城市排水设施安装区域所对应的排水安全等级存在差异，且不同的排水安全等级也有着相应标准规定的巡检频次，以保证在此排水安全等级下的巡检力度，确保城市排水设施的排水安全；但城市天气多变，特别是极端天气下城市排水设施的排水风险变高，更容易使城市排水设施损坏或者排水异常，且群众在极端天气下出行很难注意到城市排水设施的损坏，因此，可根据气象信息获取目标巡检区域的排水安全等级变化，并根据所述排水安全等级变化对相应标准规定的巡检频次做出智能化的巡检调整，增加城市排水设施的巡检力度，从而减少城市排水设施在极端天气下的故障率，同时设置的警示牌和防护围栏来警示群众在极端天气下远离城市排水设施，提高出行安全性。
本发明第二方面提供了一种基于机器视觉的城市排水设施巡检系统，所述一种基于机器视觉的城市排水设施巡检系统包括存储器41与处理器42，所述存储器41中储存一种基于机器视觉的城市排水设施巡检方法程序，所述一种基于机器视觉的城市排水设施巡检方法程序被所述处理器42执行时，如图4所示，实现以下步骤：
获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划；
在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划；
基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路；
基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于机器视觉的城市排水设施巡检方法，其特征在于，包括以下步骤：
获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划；
在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划；
基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路；
基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果；
其中，基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路，具体包括以下步骤：
获取待巡检区域的城市道路分布地图，并在所述城市道路分布地图中标记出小于预设距离阈值的城市道路，得到N条城市巡检道路；
引入Floyd-Warshall算法对第一巡检规划中的城市排水设施点进行路径计算，构建初始二维数组，计算所述初始二维数组的多组顶点对，基于每组顶点对各生成一条路径的状态转移并更新，直至满足更新条件，得到第一最佳巡检路径；
基于Floyd-Warshall算法对所述第二巡检规划中的城市排水设施点进行路径计算，得到第二最佳巡检路径；
逐一计算出每条所述城市巡检道路与第一最佳巡检路径之间的欧氏距离，根据所述欧氏距离确定出每条城市巡检道路与第一最佳巡检路径之间的第一重合度，同时逐一计算出每条所述城市巡检道路与第二最佳巡检路径之间的欧氏距离，根据所述欧氏距离确定出每条城市巡检道路与第二最佳巡检路径之间的第二重合度；
计算每条城市巡检道路对应的第一重合度与第二重合度之间的差异，得到多个偏差阈值，若所述偏差阈值小于预设偏差阈值，则将所述偏差阈值所对应的城市巡检道路进行标记，得到一条或者多条标记后的城市巡检道路；
引入散列算法对所述一条或者多条标记后的城市巡检道路进行计算，得到多个散列值，对多个所述散列值进行由大到小排序，并提取出最大散列值所对应的标记后的城市巡检道路，得到最终城市排水设施巡检道路。
2.根据权利要求1所述的一种基于机器视觉的城市排水设施巡检方法，其特征在于，所述获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划，具体包括以下步骤：
获取城市排水设施的待巡检区域，并基于日常排水记录提取出所述待巡检区域在预设时间段内的多个历史事故点位；
获取多个历史事故点位的所有事故类型，同时获取每种事故类型的发生频次，基于所述所有事故类型在大数据网络中进行检索，得到每种事故发生类型对应的危险等级；其中，所述事故类型包括洪涝、群众受伤以及交通事故；
引入熵权算法，基于所述每种事故发生类型对应的危险等级和所述每种事故类型的发生频次在熵权算法中对所有事故类型进行计算，得到多个信息熵，根据多个所述信息熵确定出每个事故类型所对应的巡检权重值；
预设子区域面积阈值，以每个历史事故点位为基准中心对所述待巡检区域进行子区域划分，并使得划分出的每个子区域面积均等于所述子区域面积阈值，得到多个均匀的子巡检区域；
将每个事故类型所对应的巡检权重值逐一相对应的导入多个所述子巡检区域中进行绘制，得到待巡检区域热点图；
获取待巡检区域的城市排水设施分布图，基于所述城市排水设施分布图获取每个子巡检区域内存在的城市排水设施点，并在所述待巡检区域热点图中对每个子巡检区域内存在的城市排水设施点进行标记，得到第一巡检规划。
3.根据权利要求1所述的一种基于机器视觉的城市排水设施巡检方法，其特征在于，所述在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划，具体包括以下步骤：
定义所述第一巡检规划为冗余区域，在待巡检区域内对所述冗余区域进行剔除，得到剔除后的剩余待巡检区域，并获取所述剔除后的剩余待巡检区域中的所有城市排水设施点；
获取各城市排水设施点的排水设施类型，同时获取各城市排水设施点所处的地势环境形式，基于所述排水设施类型在大数据中进行检索，得到各排水设施类型所对应的排水性能；其中，所述排水性能包括排水方式、排水速率和排水阻力；
引入马尔科夫链，基于所述排水性能在马尔科夫链中对每个所述地势环境形式导致对应的城市排水设施点出现故障的状态概率转移进行计算，得到每一地势环境形式的状态转移概率，基于所述每一地势环境形式的状态转移概率构建状态转移矩阵，将所述状态转移矩阵导入贝叶斯网络中进行训练并推断，得到每个城市排水设施点的故障概率；
判断每个城市排水设施点的故障概率是否大于预设故障概率，若大于，则在剔除后的剩余待巡检区域中标记出大于预设故障概率所对应的城市排水设施点，得到第二巡检规划。
4.根据权利要求1所述的一种基于机器视觉的城市排水设施巡检方法，其特征在于，所述基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果，具体包括以下步骤：
根据所述最终城市排水巡检道路控制巡检无人机对第一巡检规划以及第二巡检规划中所标记的城市排水设施点进行逐一拍摄，得到所有城市排水设施点的图像数据；
基于GLCM算法对所述所有城市排水设施点的图像数据进行特征分析，生成灰度共生矩阵，基于所述灰度共生矩阵计算纹理特征，得到每个城市排水设施点的图像特征向量；
通过大数据网络获取不同城市排水异常类别所对应的异常图像特征向量，引入Jaccard相似度算法对所述每个城市排水设施点的图像特征向量和各异常图像特征向量之间的特征相似度进行逐一计算，得到若干个特征相似度；
获取各城市排水异常类别相对应的预设特征相似度，构建判别数据库，将各城市排水异常类别相对应的预设特征相似度导入判别数据库中，得到特征相似度判别数据库；
将每个特征相似度导入所述特征相似度判别数据库中，并使得每个特征相似度只判别出大于预设特征相似度所对应的城市排水异常类型，若特征相似度不存在大于至少一个预设特征相似度的情况，则说明第一巡检规划与第二巡检规划中不存在城市排水设施异常，无需标记；
若特征相似度只存在大于一个预设特征相似度的情况，则将所述一个预设特征相似度相对应的城市排水异常类型在第一巡检规划以及第二巡检规划中进行标记，生成一类巡检标记；
若特征相似度存在大于多个预设特征相似度的情况，则将所述多个预设特征相似度相对应的城市排水异常类型同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记；
合并所述一类巡检标记和所述二类巡检标记，得到城市排水设施巡检结果。
5.根据权利要求4所述的一种基于机器视觉的城市排水设施巡检方法，其特征在于，所述若特征相似度存在大于多个预设特征相似度的情况，则将所述多个预设特征相似度相对应的城市排水异常类型同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记，具体包括以下步骤：
若特征相似度存在大于多个预设特征相似度的情况，则提取出所述多个预设特征相似度所对应的城市排水异常类别；
通过大数据网络获取各城市排水异常类别的若干个评价指标，基于所述若干个评价指标构建评价模型，将多个预设特征相似度所对应的城市排水异常类别导入所述评价模型中进行评价，得到城市排水异常类别评价结果；
预设划分深度阈值，定义所述多个预设特征相似度以及所述城市排水异常类别评价结果为划分特征，以城市排水异常类别为节点，根据所述划分特征在节点上进行取值构建，以使得每个城市排水异常类别节点划分为不同的分支，直至达到划分深度阈值，生成优先级决策树；
以优先级决策树的根节点为起点，基于所述多个预设特征相似度以及所述城市排水异常类别评价结果沿着优先级决策树的分支不断遍历，若遍历到达叶节点,则停止遍历并输出遍历结果，并对遍历结果中所有根节点上的城市排水异常类别与叶子节点对应的优先级进行排序，得到每个城市排水异常类别的优先级排序；
根据所述每个城市排水异常类别的优先级排序同时在第一巡检规划以及第二巡检规划中进行异常优先级的排序标记，生成二类巡检标记。
6.一种基于机器视觉的城市排水设施巡检系统，其特征在于，所述一种基于机器视觉的城市排水设施巡检系统包括存储器与处理器，所述存储器中储存一种基于机器视觉的城市排水设施巡检方法程序，所述一种基于机器视觉的城市排水设施巡检方法程序被所述处理器执行时，实现以下步骤：
获取城市排水设施的待巡检区域和多个历史事故点位，基于多个所述历史事故点位计算出待巡检区域的巡检权重，并根据所述巡检权重对待巡检区域的城市排水设施点进行标记，得到第一巡检规划；
在待巡检区域中剔除所述第一巡检规划，并获取剔除后的剩余待巡检区域中的所有城市排水设施点，引入马尔科夫链计算每个城市排水设施点的故障概率，分析所述故障概率后在剩余待巡检区域中进行标记，得到第二巡检规划；
基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路；
基于所述最终城市排水设施巡检道路获取每个城市排水设施点的图像特征向量，并根据所述每个城市排水设施点的图像特征向量与取不同城市排水异常类别所对应的异常图像特征向量之间的特征相似度分析出排水异常，生成城市排水设施巡检结果；
其中，基于城市道路分布地图获取N条城市巡检道路，引入Floyd-Warshall算法对第一巡检规划以及第二巡检规划进行计算，得到第一最佳巡检路径和第二最佳巡检路径，结合N条城市巡检道路、第一最佳巡检路径以及第二最佳巡检路径进行分析筛选，得到最终城市排水设施巡检道路，具体包括以下步骤：
获取待巡检区域的城市道路分布地图，并在所述城市道路分布地图中标记出小于预设距离阈值的城市道路，得到N条城市巡检道路；
引入Floyd-Warshall算法对第一巡检规划中的城市排水设施点进行路径计算，构建初始二维数组，计算所述初始二维数组的多组顶点对，基于每组顶点对各生成一条路径的状态转移并更新，直至满足更新条件，得到第一最佳巡检路径；
基于Floyd-Warshall算法对所述第二巡检规划中的城市排水设施点进行路径计算，得到第二最佳巡检路径；
逐一计算出每条所述城市巡检道路与第一最佳巡检路径之间的欧氏距离，根据所述欧氏距离确定出每条城市巡检道路与第一最佳巡检路径之间的第一重合度，同时逐一计算出每条所述城市巡检道路与第二最佳巡检路径之间的欧氏距离，根据所述欧氏距离确定出每条城市巡检道路与第二最佳巡检路径之间的第二重合度；
计算每条城市巡检道路对应的第一重合度与第二重合度之间的差异，得到多个偏差阈值，若所述偏差阈值小于预设偏差阈值，则将所述偏差阈值所对应的城市巡检道路进行标记，得到一条或者多条标记后的城市巡检道路；
引入散列算法对所述一条或者多条标记后的城市巡检道路进行计算，得到多个散列值，对多个所述散列值进行由大到小排序，并提取出最大散列值所对应的标记后的城市巡检道路，得到最终城市排水设施巡检道路。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410181864.1A CN117744908B (zh) | 2024-02-19 | 2024-02-19 | 一种基于机器视觉的城市排水设施巡检方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410181864.1A CN117744908B (zh) | 2024-02-19 | 2024-02-19 | 一种基于机器视觉的城市排水设施巡检方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117744908A CN117744908A (zh) | 2024-03-22 |
| CN117744908B true CN117744908B (zh) | 2024-04-19 |
Family
ID=90261198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410181864.1A Active CN117744908B (zh) | 2024-02-19 | 2024-02-19 | 一种基于机器视觉的城市排水设施巡检方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744908B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002007600A (ja) * | 2000-06-26 | 2002-01-11 | Hitachi Chem Co Ltd | 構造物の巡回管理方法、巡回管理支援装置、巡回管理支援システム、巡回管理用データ構造を記録した記録媒体、及び巡回管理支援プログラムを記録した記録媒体 |
| CN102033918A (zh) * | 2010-12-07 | 2011-04-27 | 武汉若鱼网络科技有限公司 | 基于时间位置信息搜索目标用户的方法及系统 |
| CN104657830A (zh) * | 2015-03-09 | 2015-05-27 | 云南电网公司昆明供电局 | 架空输电线路运行数据的评估方法 |
| WO2022257201A1 (zh) * | 2021-06-09 | 2022-12-15 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及系统 |
| CN115564068A (zh) * | 2022-09-29 | 2023-01-03 | 苏州工业园区测绘地理信息有限公司 | 排水管网及设施巡检养护的监管方法、系统及存储介质 |
-
2024
- 2024-02-19 CN CN202410181864.1A patent/CN117744908B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002007600A (ja) * | 2000-06-26 | 2002-01-11 | Hitachi Chem Co Ltd | 構造物の巡回管理方法、巡回管理支援装置、巡回管理支援システム、巡回管理用データ構造を記録した記録媒体、及び巡回管理支援プログラムを記録した記録媒体 |
| CN102033918A (zh) * | 2010-12-07 | 2011-04-27 | 武汉若鱼网络科技有限公司 | 基于时间位置信息搜索目标用户的方法及系统 |
| CN104657830A (zh) * | 2015-03-09 | 2015-05-27 | 云南电网公司昆明供电局 | 架空输电线路运行数据的评估方法 |
| WO2022257201A1 (zh) * | 2021-06-09 | 2022-12-15 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及系统 |
| CN115564068A (zh) * | 2022-09-29 | 2023-01-03 | 苏州工业园区测绘地理信息有限公司 | 排水管网及设施巡检养护的监管方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刍议城市排水管理工作;王铁彬;;黑龙江科技信息;20110905(第25期);第164页 * |
| 突发水污染风险的马尔科夫链贝叶斯网络预测;靳春玲;王运鑫;贡力;;人民黄河;20180410(第04期);第69-72页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117744908A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108986448B (zh) | 一种交通设施管理方法及终端设备 | |
| CN111143932A (zh) | 一种桥梁健康状态的评估方法、装置、系统和设备 | |
| US11605158B2 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
| CN110866693B (zh) | 一种基于gis模型的架空输电线路覆冰风险评估方法 | |
| CN111626261A (zh) | 一种水工建筑物智能巡检分析预警系统 | |
| CN115373403A (zh) | 一种建筑机械设备巡检服务系统 | |
| CN110929952B (zh) | 基于线路周边环境和敷设类型的光缆故障概率预测方法 | |
| CN116206426A (zh) | 一种基于物联网的移动式水位监测报警系统 | |
| CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
| CN116703004A (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
| CN117078045B (zh) | 一种交通基础设施全息检监测方法及系统 | |
| CN117574493B (zh) | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 | |
| CN117744908B (zh) | 一种基于机器视觉的城市排水设施巡检方法及系统 | |
| CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
| CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
| CN103065212B (zh) | 一种基于气象数值预报的输电线路污闪预警方法 | |
| CN115438547A (zh) | 基于路面服役状态的整体评价方法及系统 | |
| CN114841995B (zh) | 一种基于深度学习的铁路路基挡护设备服役状态评估方法 | |
| CN115796584A (zh) | 一种城市道路运行风险排查方法、装置及电子设备 | |
| CN114358165A (zh) | 基于多源数据融合的预防光伏组件接地故障的检测方法 | |
| CN112541455A (zh) | 一种基于机器视觉的配网混凝土电杆倒断杆事故预测方法 | |
| CN114626577B (zh) | 一种利用人工智能预报冬季降水相态的方法 | |
| CN116993327B (zh) | 用于变电站的缺陷定位系统及其方法 | |
| CN115620041B (zh) | 一种路面病害感知与服役状态评价方法 | |
| CN116644888A (zh) | 基于多源多态桥隧数据融合的桥隧状态智能评价系统 |
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 |