一种基于人工智能的路面积水监测和预警系统技术方案

本发明专利技术公开了一种基于人工智能的路面积水监测和预警系统，包括：微处理器；摄像头，配置于城市道路对路面进行实时图像信息监测；预处理模块，对摄像头采集的画面数据进行分辨率

【技术实现步骤摘要】
一种基于人工智能的路面积水监测和预警系统


[0001]本专利技术涉及路面积水监测预警
，具体为一种基于人工智能的路面积水监测和预警系统
。

技术介绍

[0002]随着城市化加快的步伐，建设于不同时代的城区道路往往没有综合考虑在各种气象条件下的运行能力，在降水降雪后容易出现积水甚至内涝的情况
。
在城市治理中，一旦有道路出现积水，往往需要快速响应，根据积水的不同程度做出处理
。
根据积水深度的不同，可以分为浅
、
中
、
深三个积水阶段：在浅度积水情况下行人开始难以通行；中度积水后非机动车需要避让；深度积水时机动车可能存在熄火风险
。
传统基于路面养护工人的人工巡检方式很难对城市内的所有积水点同时监控，更无法及时处置，往往会导致积水情况愈发严重，甚至产生深度积水
。
因此，对城市中所有道路展开实时积水情况监测和未来积水可能预警是很有必要的
。
[0003]现有的道路积水的监测和预警方法，一般采用积水液位探测传感器对易积水道路实时监测
。
如果超出设定的阈值，系统将通过网络传输采集的数据至管理平台，并给相关人员发送警告
。
但是此类方法只能用于已经积水的情况，无法做到提前预警；并且需要提前铺设相应的传感器，此类传感器造价高昂且故障率高
。
因此，依靠现有的基于积水液位探测传感器的积水监测不能很好的完成完善的积水监测和预警功能，即在强降雨来临之前做出预警，并能够稳定工作
。
[0004]摄像头作为一种优质廉价的数据采集手段，在城市道路监控中分布广
、
密度大，可以快速获取清晰的实时道路画面，无需对道路进行二次改造
。
可获取路面的实时图像信息，通过人工智能技术对路面积水情况进行监测；并且可通过进一步利用历史监测信息，结合未来降水量趋势，对未来一定时间内的积水情况进行预警
。

技术实现思路

[0005]本专利技术在获取城市道路摄像头监控数据和气象预报的基础上，使用视觉人工智能模型对图像数据进行实时分析，判断出路面实时积水程度，并存入数据库中；同时通过时序人工智能模型，结合历史积水和雨量的对应信息和雨量当前的预计信息，输出未来
24
小时的积水概率，并根据现实情况实时调整
。
[0006]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于人工智能的路面积水监测和预警系统，包括：
[0007]微处理器；
[0008]摄像头，配置于城市道路对路面进行实时图像信息监测；
[0009]预处理模块，对摄像头采集的画面数据进行分辨率
、
亮度和对比度指标的标准化预处理；
[0010]人工智能模型模块，包括视觉人工智能模型和时序人工智能模型，建立模型预先
训练好的分类器权重，视觉人工智能模型经过一个注意力模块，由两层卷积组成，时序人工智能模型由若干个长短记忆网络模块
A
组成，代表了每个小时的积水概率；
[0011]判断模块，判断道路当前是否有积水；
[0012]数据库，存储模型数据；
[0013]预警模块，积水概率超过设定阈值进行预警
。
[0014]在本专利技术一或多个实施方式中，上述的路面积水监测和预警系统监测步骤包括：
[0015]步骤一：依次读取摄像头当前帧的画面数据，并进行分辨率
、
亮度和对比度指标的标准化预处理；
[0016]步骤二：输入步骤一中获取的画面数据，建立视觉人工智能模型，读取预先训练好的分类器权重，判断当前是否有积水，如有积水则计算出浅
、
中
、
深度积水程度；
[0017]步骤三：如果步骤二中的视觉人工智能模型判断当前无积水，则将当前的时刻信息写入数据库，并重复步骤一；
[0018]步骤四：如果步骤二中的视觉人工智能模型判断当前存在积水，则通过气象台获取预计降水量信息，并输入至时序人工智能模型，计算出未来
24
小时的路面积水概率，同时将计算结果写入数据库；
[0019]步骤五：如果步骤四中的输出的积水概率超过设定阈值则触发预警，回到步骤一
。
[0020]在本专利技术一或多个实施方式中，上述的视觉人工智能模型使用基于位置注意力机制的
ResNet
视觉识别网络，分离监控画面中背景区域和目标积水区域
。
[0021]在本专利技术一或多个实施方式中，上述的视觉人工智能模型经过一个注意力模块，由两层卷积组成，输入的图像经过卷积操作和原图的进行内积运算，注意力模块输出的信息是一个带有局部加权信息的矩阵，随后输入至卷积模块，即残差网络
ResNet。
[0022]在本专利技术一或多个实施方式中，上述的卷积模块分为第1阶段
、
第2阶段
、
…
、
第5阶段
(Stage1
，2，
…
，
5)
，对应
ResNet
网络的5个阶段，作为视觉人工智能的主干网络，由残差学习模块堆叠而成，残差学习模块首端和末端为1×1卷积核，中间为3×3卷积核
。
[0023]在本专利技术一或多个实施方式中，上述的网络每个阶段的第一个学习模块，除了3个卷积层的串联，输入和输出之间还通过一个卷积层旁路相连，以增加输入特征图的通道数
。
[0024]在本专利技术一或多个实施方式中，上述的系统设置为每分钟执行一次，并迭代查询所有分布的摄像头信息
。
[0025]有益效果
[0026]本专利技术提供了一种基于人工智能的路面积水监测和预警系统
。
与现有技术相比具备以下有益效果：
[0027]1、
本专利技术利用常用的监控图像，建立视觉人工智能模型监测积水情况，使用时序人工智能模型可以根据实时图像情况触发预测系统，并且具备自身动态调整，进化模型性能的能力，且无需人工参与，成本更低且易于实施，方便推广
。
附图说明
[0028]图1为本专利技术的系统示意图；
[0029]图2为本专利技术的监测和预警示意图；
[0030]图3为本专利技术的视觉人工智能模型图；
[0031]图4为本专利技术的时序人工智能模型图
。
具体实施方式
[0032]以下将以附图揭露本专利技术的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明
。
然而，应了解到，这些实务上的细节不应用以限制本专利技术
。
也就是说，在本专利技术部分实施方式中，这些实务上的细节是非必要的
。
此外，为简化附图起见，一些现有惯用的结构与元件在附图中将以简单示意的方式绘示之，而在所有附图中，相同的标号将用于表示相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的路面积水监测和预警系统，其特征在于，包括：微处理器；摄像头，配置于城市道路对路面进行实时图像信息监测；预处理模块，对摄像头采集的画面数据进行分辨率
、
亮度和对比度指标的标准化预处理；人工智能模型模块，包括视觉人工智能模型和时序人工智能模型，建立模型预先训练好的分类器权重，视觉人工智能模型经过一个注意力模块，由两层卷积组成，时序人工智能模型由若干个长短记忆网络模块
A
组成，代表了每个小时的积水概率；判断模块，判断道路当前是否有积水；数据库，存储模型数据；预警模块，积水概率超过设定阈值进行预警
。2.
根据权利要求1所述的一种基于人工智能的路面积水监测和预警系统，其特征在于，路面积水监测和预警系统监测步骤包括：步骤一：依次读取摄像头当前帧的画面数据，并进行分辨率
、
亮度和对比度指标的标准化预处理；步骤二：输入步骤一中获取的画面数据，建立视觉人工智能模型，读取预先训练好的分类器权重，判断当前是否有积水，如有积水则计算出浅
、
中
、
深度积水程度；步骤三：如果步骤二中的视觉人工智能模型判断当前无积水，则将当前的时刻信息写入数据库，并重复步骤一；步骤四：如果步骤二中的视觉人工智能模型判断当前存在积水，则通过气象台获取预计降水量信息，并输入至时序人工智能模型，计算出未来
24
小时的路面积水概率，同时将计算结果写入数据库；步骤五：如果步骤四中的输出的积水概率超过设定阈值则触发预警，回到步骤一
。3.
...

【专利技术属性】
技术研发人员：杨银剑，景惠中，张亚龙，周峰，
申请(专利权)人：昆山炫生活信息技术股份有限公司，
类型：发明
国别省市：