System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于5G和AI技术的防汛闸门识别及控制的方法和系统技术方案_技高网

一种基于5G和AI技术的防汛闸门识别及控制的方法和系统技术方案

技术编号:40645692 阅读:8 留言:0更新日期:2024-03-13 21:25
本发明专利技术涉及基于5G和AI技术的防汛闸门识别及控制的方法和系统,属于深度学习技术领域。其中,该方法包括:预设特征训练模型,预设防汛闸门状态,通过计算得到所述特征训练模型。获取目标图片,对目标图片进行特征提取得到目标图片的局部纹理特征并转化为局部纹理特征向量,将局部纹理特征向量输入特征训练模型的分类器中得到局部纹理特征向量所属的防汛闸门状态。将历史水位和气候条件输入灰度拓扑预测模型计算高潮位到达时间。将防汛闸门状态和高潮位到达时间转化为信号发送至报警器得到报警信号。根据报警信号检索防汛预案知识库得到与报警信号相关联的防汛预案。通过基于AI技术的防汛闸门的识别及控制方法提高了防汛工作的效果和质量,降低人工成本和安全风险,实现自动化防汛。

【技术实现步骤摘要】

本专利技术属于深度学习,具体涉及一种基于5g和ai技术的防汛闸门识别及控制的方法和系统。


技术介绍

1、为解决传统防汛监测方法中存在的问题,提高防汛工作的效率和准确性提出了基于5g和ai技术的防汛闸门的识别及控制方法和系统,利用图像传感器获取防汛闸门的图像数据,然后使用图像处理技术对图像数据进行处理和分析,以自动识别出防汛闸门的状态,该技术降低了人工成本和安全风险,实现更加智能化、自动化的防汛管理。

2、现有技术存在的问题包括:

3、(1)传统的防汛监控不仅需要大量人力成本统计数据,还难以实时获取水位、流量、开度等参数,导致传统的防汛费时费力且准确率较低;

4、(2)现有的视觉识别技术没有成熟地应用于防汛闸门识别的案例,而防汛闸门具有建设位置偏远、尺寸差异大、结构类型多样等特点,现有的视觉识别技术无法直接应用于防汛闸门识别中。


技术实现思路

1、为解决现有技术中存在的上述问题,第一方面,本专利技术提供了一种基于5g和ai技术的防汛闸门识别及控制的方法,本专利技术的方法可以通过以下技术步骤实现:

2、s1:预设特征训练模型d,所述预设特征训练模型d中包含m个样本防汛闸门图片x,所述样本防汛闸门图片包含n个局部纹理特征向量y,构建样本防汛闸门图片集,所述样本防汛闸门图片集为:d={x1,x2,…,xm},x={y1,y2,…,yn},预设第n个所述局部纹理特征向量的防汛闸门状态为zn~mulationmal(θ),对所述防汛闸门状态计算边际分布得到所述特征训练模型;

3、s2:通过5g摄像机获取防汛闸门图片,对所述防汛闸门图片进行预处理得到目标图片x,所述预处理包括:去除图像噪声、图像增强、图像分割,对所述目标图片使用lbp特征提取法提取目标图片的局部纹理特征yk(k=1,2...,n),将所述目标图片x的局部纹理特征yk转化为局部纹理特征向量将所述局部纹理特征向量输入所述特征训练模型中,根据所述特征训练模型的softmax分类器计算得到所述纹理特征向量所属的防汛闸门状态;

4、s3:获取目标检测水库的历史水位、气候条件,预设所述历史水位大于水位阈值h时的水位为高潮位,将所述目标检测水库的所述历史水位、所述气候条件输入灰度拓扑预测模型,得到高潮位到达时间s;

5、s4:将所述防汛闸门状态为开启时的信号标记为闸门异常信号,将所述高潮位到达时间s转化为水位信号,对所述水位信号分类得到水位信号类型,将所述闸门异常信号和水位信号发送至报警器,报警器发出警报信号;

6、s5:根据所述警报信号检索防汛预案知识库,得到与警报信号相关联的防汛预案。

7、具体地,所述s1的具体实现步骤为:

8、s101:所述防汛闸门样本图片通过映射得到可视层v,对所述可视层v进行纹理特征提取得到所述局部纹理特征向量,所述局部纹理特征向量通过映射得到所述隐藏层h;

9、s102:所述特征训练模型的分布函数是e为归一因子,所述分布函数的转化参数为θ={w,b,c},w表示可视层与隐藏层的权值,b表示为隐藏层的偏差,c表示为可视层的偏差;

10、s103:可视层的边缘分布为:

11、

12、所述p(v;θ)位为可视层的边缘分布;

13、s104:根据激活函数得到可视层单元i的激活概率:

14、

15、p(vi=1|h;θ)为所述可视层单元i的激活概率,j为隐藏层单元;

16、s105:根据所述边缘分布和所述激活概率定义所述边际分布:

17、

18、p(xi;θ)为所述边际分布函数,n为所述样本闸门图片个数。

19、具体地,所述s2的具体步骤为:

20、图像分割对所述防汛闸门图片使用中值滤波法根据g(x,y)=med{f(x-k,y-l),(k,l)},得到第一防汛闸门图片,k表示像素,l为奇数;

21、对所述第一防汛闸门图片采用基于最小反差的掩摸平滑法与灰度变换结合的方式对所述第一防汛闸门图片进行图像增强得到第二防汛闸门图片;

22、对所述第二防汛闸门图片根据灰度值进行分割得到所述目标图片和背景图片两个部分;

23、对所述目标图片根据提取所述局部纹理特征yk,r为领域的半径,ic为领域的中心像素,in为周围领域像素;

24、将所述局部纹理特征yk转化为n维纹理特征向量

25、将所述n维纹理特征向量输入所述softmax分类器得到所述防汛闸门状态:

26、

27、zn为防汛闸门状态,θ为所述分布函数的转化参数。

28、具体地,所述s3的具体实现步骤为:

29、s301:根据所述历史水位获取最近一次高潮位发生时刻s1和发展系数a,所根据所述气候条件获取灰度作用u,将高潮位下一次发生时刻记为s2;

30、s302:根据灰度拓扑预测模型得到所述高潮位下一次发生时刻,根据所述高潮位下一次发生时刻得到高潮位到达时间s;

31、具体地,所述s4的具体实现步骤为:

32、s401:将所述防汛闸门状态转化为数字信号,当防汛闸门开启所述防汛闸门状态为1,当所述防汛闸门状态为1时向报警器发送所述防汛闸门异常信号;

33、s402:获取所述高潮位到达时间,将所述高潮位到达时间转化为水位信号,将所述水位信号进行解码调制得到调制信号,将所述调制信号输入cnn卷积神经网络进行分类得到水位信号类型;

34、s403:当报警器接收到防汛闸门异常信号时报警器根据所述信号类型得到警报信号,所述警报信号根据所述水位信号类型分类。

35、具体地,所述s5的具体实现步骤为:

36、s501:使用大量的防汛预案作为训练文本,对所述训练语料进行文本分词和同义词去重得到分词结果,对所述分词结果使用word2vec模型进行分布式处理,得到词向量,对所述词向量使用tf-idf方法进行权重计算得到加权文本向量,对所述加权文本向量使用bilstm模型进行实体抽取和关系抽取,得到所述防汛预案知识库;

37、s502:根据所述警报信号检索所述防汛预案知识库得到防汛预案。

38、第二方面,一种基于5g和ai技术的防汛闸门识别及控制的系统,使用如以上所述的方法运行,其特征在于,包括如下模块:

39、特征训练模块,目标图片识别模块,高潮位预测模块,报警模块,推出防汛预案模块;

40、所述特征训练模块:用于训练所述特征训练模型和预设所述防汛闸门状态;

41、所述目标图片识别模块:用于获取所述目标图片,识别所述防汛闸门状态;

42、所述高潮位预测模块:用于预测高潮位到达时间;

43、所述报警模块:用于接收所述防汛闸门异常信号和水位信号,根据根据水位信号类型报警;

44、所述防汛预案获取模块:用本文档来自技高网...

【技术保护点】

1.一种基于5G和AI技术的防汛闸门识别及控制的方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的方法,其特征在于,所述S3中的边际分布的计算步骤包括:

3.根据权利要求1所述的方法,其特征在于,所述S2中的所述预处理包括:

4.根据权利要求1所述的方法,其特征在于,所述S2中的纹理特征提取包括:

5.根据权利要求1所述的方法,其特征在于,所述S2中目标图片的分类步骤包括:

6.根据权利要求3所述方法,其特征在于,所述S3的具体步骤为:

7.根据权利要求1所述方法,其特征在于,所述S4的具体步骤为:

8.根据权利要求1所述方法,其特征在于,所述S5的具体步骤为:

9.一种基于5G和AI技术的防汛闸门识别及控制的系统,使用权利要求1-8任一项所述方法运行,其特征在于,包括如下模块:

【技术特征摘要】

1.一种基于5g和ai技术的防汛闸门识别及控制的方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的方法,其特征在于,所述s3中的边际分布的计算步骤包括:

3.根据权利要求1所述的方法,其特征在于,所述s2中的所述预处理包括:

4.根据权利要求1所述的方法,其特征在于,所述s2中的纹理特征提取包括:

5.根据权利要求1所述的方法,其特征在于...

【专利技术属性】
技术研发人员:姜永建陈卫如段世民
申请(专利权)人:上海高诚智能科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1