一种城市洪涝识别方法及系统技术方案

本发明专利技术公开了一种城市洪涝识别方法及系统，涉及城市洪涝管理技术领域，包括：通过智能监测设备获取洪涝监测图像；构建洪涝风险识别模型和洪涝范围识别模型，通过洪涝监测图像训练洪涝风险识别模型和洪涝范围识别模型；获取实时洪涝监测图像，基于洪涝风险识别模型进行洪涝场景判定；根据洪涝范围识别模型对实时洪涝监测图像进行语义分割，生成图像的分割掩码，将图像的分割掩码与智能监测设备的位置

【技术实现步骤摘要】
一种城市洪涝识别方法及系统


[0001]本专利技术涉及城市洪涝管理
，更具体的说是涉及一种城市洪涝识别方法及系统
。

技术介绍

[0002]传统的城市洪涝监测方式主要分为压力传感
、
超声波传感以及视频监测，不同的监测方法均存在着不可避免的问题：
(1)
易损坏
。
传统压力传感器应用原理为在监测井井盖内侧安装传感器，通过井下液位顶托产生不同级别的压力，分析该监测点附近洪涝水深等数据
。
然而，由于受到城市中雨水的不断冲刷以及道路行驶车辆产生的振动影响，传感器存在易损坏的特点，造成损失
。(2)
检修维护费用高
。
经过长期观察，每年城市中洪涝灾害发生时间集中，监测设备使用时长短；在发生洪涝灾害时，避免由于设备损坏错过数据收集的时效性，要定期进行设备维护，消耗大量人力和财力
。(3)
维修困难
。
由于监测设备安装位置原因，检修人员并不易观察到设备的状态，发现设备故障后，维修起来也非常困难
。(4)
视频监控方式在监测时采用图像辅助人工监测的方式进行
。
从摄像头中读取图像往往无法准确判断城市路面积水水深
、
范围等风险信息
。
同时需要消耗大量人力资源，没有有效的利用图像信息的资源
。
[0003]传统的城市洪涝检测方式往往包括固定水位监测设备和视频监测人工判断的方法
。
前者用于监测洪涝积水是否达到警戒水位，后者则通过各监测地点摄像设备进行图像采集，上传到监测中心，再由人工进行识别判定是否存在积水
、
积水范围
、
积水严重程度等信息
。
固定水位监测设备存在着检测位置固定
、
设备异常情况识别不利
、
检修困难
、
识别方式为数据人工抽检复检不直观等问题
。
图像采集加人工识别的方式易受到人工成本要求
、
监测员个人能力经验影响，存在着极大不确定性
。
[0004]因此，如何提出一种城市洪涝识别方法及系统，实现节约耐用
、
实时预警
、
智能监控和精确识别的城市洪涝监控预警，克服传统城市洪涝监测设备存在监测覆盖范围小
、
易损坏难检修
、
无法提供积水时长与范围等重要信息是本领域技术人员亟需解决的问题
。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种城市洪涝识别方法及系统，提高城市洪涝智慧化感知能力，克服传统城市洪涝监测设备存在监测覆盖范围小
、
易损坏难检修
、
无法提供积水时长与范围等重要信息问题
。
为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种城市洪涝识别方法，包括：
[0007]通过智能监测设备获取洪涝监测图像；
[0008]构建洪涝风险识别模型和洪涝范围识别模型，通过洪涝监测图像训练洪涝风险识别模型和洪涝范围识别模型；
[0009]获取实时洪涝监测图像，基于洪涝风险识别模型进行洪涝场景判定；
[0010]根据洪涝范围识别模型对实时洪涝监测图像进行语义分割，生成图像的分割掩
码，将图像的分割掩码与智能监测设备的位置
、
参数信息进行关联，进行积水范围识别
。
[0011]可选的，所述智能监测设备为积水识别摄像头，识别参数信息为是否有积水
、
积水水深
、
积水范围和积水时长
。
[0012]可选的，所述洪涝风险识别模型的输出结果为风险状态和降雨情景，所述风险状态分为无风险时期和洪涝风险时期，所述降雨情景分为降雨过程和非降雨时期两阶段
。
[0013]可选的，还包括：通过云边协同更新数据集，智能监测设备内的集成洪涝智能算法对积水进行识别
、
划分和计算完毕后，通过无线
WiFi
发射器和
iot
网卡对数据进行上传并发出警报，通过云端计算更新系统已训练模型的参数
。
[0014]可选的，所述通过云端计算更新系统已训练模型的参数包括：当需要更新系统模型参数时，通过上传训练数据到云端服务器，利用云计算资源进行分布式计算或者使用
GPU
加速来进行模型训练和参数优化，训练完成后，将新的模型参数从云端下载到本地系统中，以更新系统的模型
。
[0015]可选的，所述基于洪涝风险识别模型进行洪涝场景判定包括：
[0016]构建数据集，数据集包括训练集
、
验证集和测试集；
[0017]分类器设计与学习，构建并训练
ResNet
神经网络模型，基于
ResNet
神经网络模型将输入数据分为不同的类别；
[0018]分类器决策，通过对网络输出进行处理得出最终的分类结果
。
[0019]可选的，所述基于洪涝风险识别模型进行洪涝场景判定包括：
[0020]训练集用来训练深度学习模型，模型通过训练集学习数据的特征和模式；验证集用来调整和优化模型的超参数以及进行模型选择，通过验证集的性能评估来选择最佳的模型；测试集用来对已经训练好的模型进行性能评估；
[0021]构建
ResNet
神经网络模型；在每个神经元上选择
RELU
激活函数；选择交叉熵损失函数和
Softmax
损失函数来进行约束；选择梯度下降优化算法来更新模型参数；通过反向传播算法和优化算法，将训练数据输入模型，计算出损失函数的梯度，并更新模型参数，使得损失函数逐渐减小；调整模型的超参数如学习率
、
正则化参数；
[0022]所述分类器决策包括：先进行特征提取，再进行平均池化，通过全连接层将低级特征和与类别之间的关联建立起来，在全连接层之后，应用激活函数引入非线性，根据分类任务的需求，使用不同的决策规则来确定最终分类结果
。
[0023]可选的，所述进行积水范围识别包括：
[0024]收集包含洪涝场景的图像数据集，使用数据增强技术扩充数据集，并对图像中的积水区域进行像素级别的标注，收集与图像数据集关联的摄像机位置和相机参数信息；
[0025]对收集到的数据进行预处理，包括图像的尺寸标准化
、
亮度和对比度调整
、
去噪处理，将标注的积水区域转化为分割掩码；
[0026]构建
U
‑
Net
的语义分割模型，通过包含洪涝场景的图像数据集进行模型的训练；计算分割结果的精确度
、
召回率
、IoU
指标，根据评估结果对模型进行调整和优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种城市洪涝识别方法，其特征在于，包括：通过智能监测设备获取洪涝监测图像；构建洪涝风险识别模型和洪涝范围识别模型，通过洪涝监测图像训练洪涝风险识别模型和洪涝范围识别模型；获取实时洪涝监测图像，基于洪涝风险识别模型进行洪涝场景判定；根据洪涝范围识别模型对实时洪涝监测图像进行语义分割，生成图像的分割掩码，将图像的分割掩码与智能监测设备的位置
、
参数信息进行关联，进行积水范围识别
。2.
根据权利要求1所述的一种城市洪涝识别方法，其特征在于，所述智能监测设备为积水识别摄像头，识别参数信息为是否有积水
、
积水水深
、
积水范围和积水时长
。3.
根据权利要求1所述的一种城市洪涝识别方法，其特征在于，所述洪涝风险识别模型的输出结果为风险状态和降雨情景，所述风险状态分为无风险时期和洪涝风险时期，所述降雨情景分为降雨过程和非降雨时期两阶段
。4.
根据权利要求1所述的一种城市洪涝识别方法，其特征在于，还包括：通过云边协同更新数据集，智能监测设备内的集成洪涝智能算法对积水进行识别
、
划分和计算完毕后，通过无线
WiFi
发射器和
iot
网卡对数据进行上传并发出警报，通过云端计算更新系统已训练模型的参数
。5.
根据权利要求4所述的一种城市洪涝识别方法，其特征在于，所述通过云端计算更新系统已训练模型的参数包括：当需要更新系统模型参数时，通过上传训练数据到云端服务器，利用云计算资源进行分布式计算或者使用
GPU
加速来进行模型训练和参数优化，训练完成后，将新的模型参数从云端下载到本地系统中，以更新系统的模型
。6.
根据权利要求1所述的一种城市洪涝识别方法，其特征在于，所述基于洪涝风险识别模型进行洪涝场景判定包括：构建数据集，数据集包括训练集
、
验证集和测试集；分类器设计与学习，构建并训练
ResNet
神经网络模型，基于
ResNet
神经网络模型将输入数据分为不同的类别；分类器决策，通过对网络输出进行处理得出最终的分类结果
。7.
根据权利要求6所述的一种城市洪涝识别方法，其特征在于，所述基于洪涝风险识别模型进行洪涝场景判定包括：训练集用来训练深度学习模型，模型通过训练集学习数据的特征和模式；验证集用来调整和优化模型的超参数以及进行模型选择，通过验证集的性能评估来选择最佳的模型；测...

【专利技术属性】
技术研发人员：雷晓辉，左向阳，龙岩，黄浩成，张峥，刘珂璇，刘子维，
申请(专利权)人：河北工程大学，
类型：发明
国别省市：