【技术实现步骤摘要】
本专利技术属于城市水利信息化，非接触式城市洪涝数据获取领域，涉及一种基于计算机视觉技术的城市街道积水等级时空分布测量方法。
技术介绍
1、在城市化快速发展过程中，城市下垫面的基本条件发生改变，不透水面积比例增加，导致更快、更剧烈的水文响应。全球变暖引发的极端事件不仅使世界各国主要城市经常遭受严重的暴雨洪水，也使中国许多城市受到愈发严重的洪涝灾害问题。随着极端洪涝事件增多增强，原有的排水管网不再适用，多数排水管网存在严重老化的问题，加之地面铺装增加，入渗减少，径流量增加致使径流强度超过了原来的设计标准，在强降雨情境下，管段排水能力不足，会发生满流、溢流现象，使城市道路地面出现大量积水情况，严重影响城市的安全和可持续发展。
2、如此严重的城市积水灾害需要我们进行全面、充足、可持续的城市积水观测。城市积水观测是城市规划、城市洪涝模拟、洪涝灾害应急和治理的关键基础。但是现有观测数据存在数量不够、范围不广、质量不佳的问题，主要原因是传统的观测手段在复杂的城市环境中受到极大制约，导致无法获得理想的洪涝数据。具体来讲，基于传统传感器的监测方式的传感器布置数量有限，无法以面的形式覆盖城市范围；基于卫星遥感的监测手段的时空间分辨率过低，无法匹配城市高异质性环境，所得结果也无法应用到实际洪涝灾害防治中。论文“van meerveld,h.j.i.,vis,m.j.p.,and seibert,j.:information content ofstream level class data for hydrological model c
技术实现思路
1、本专利技术要解决的技术问题是，针对上述总结的城市中无法及时获取城市洪涝积水等级数据的问题，提出一种基于计算机视觉技术的城市街道积水等级时空分布测量方法。
2、为了达到上述目的，本专利技术采用的技术方案如下：
3、一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，所述的测量方法：首先，选择在城市街道场景中分布广泛、在全场景下可见的动态物体(车辆)作为参照物，根据车辆参照物不同的淹没程度，将积水划分为5个等级，并从三种数据源中收集了包含多种淹没状态的车辆图像数据，制定数据集的标注策略后，对收集到的图像数据进行标注，形成制作好的数据集；其次，选择yolov5m深度学习模型作为积水等级监测的模型，利用数据集训练yolov5m模型，使模型获得根据不同淹没程度的车辆，推断不同场景下局部点积水等级的能力；再次，将基于降雨事件的城市积水视频，或者实时的摄像头视频输入到训练好的yolov5m模型中，利用yolov5m模型获得视频下检测等级点信息；第四，使用一种异常点检测的方法删除检测点的异常点，将所剩检测点使用交叉验证方式进行精度评估，说明结果的准确性；最后，利用反距离权重插值方法，依据筛选后的检测点将整个场景下的积水等级时空分布插值出来，得到场景下的时空积水等级分布图。具体包括以下步骤：
4、步骤1：选取车辆作为动态参照物，根据参照物从三种途径收集含有洪水淹没车辆的图像数据，确定标注策略后，根据标注策略进行图像数据的标注，制作数据集，并将数据集划分为训练集、验证集、测试集。具体如下：
5、1.1)选定动态参照物：由于该方法旨在获得城市道路积水等级，故选取了城市道路上随处可见、尺寸相对一致、在积水情况多样时都会大量出现的轿车和suv车辆(不包括公共汽车、卡车等大中型车辆)作为动态参考对象。
6、1.2)收集图像数据：收集来自社交媒体、道路监控视频以及合成图片三个方式的包含车辆的图像作为数据集，其中合成图片的流程如下：
7、1.2.1)在网络媒体中收集包含车辆的图像和城市洪水的图像，然后将车辆从原有图像中裁剪出来，得到不同角度的车辆图片。
8、1.2.2)按照不同的被淹没程度，将每一个角度的车辆从下向上截断为不同可见部分的图像。
9、1.2.3)将获得的多种车辆可见部分的图像与城市洪水图像以重叠的方式融合，从而制作出在城市洪水中不同角度、不同淹没程度的合成图像。
10、1.3)确定标注策略：考虑到车辆在洪水中的淹没比例以及不同淹没程度对交通的影响，将积水等级定义为5个级别，即从0级到4级。0级表示没有积水，对应0cm。1级对应的是积水深度低于车底盘，即1–15cm；在此等级下，车辆可以正常行驶不受积水的干扰。2级对应的是车底盘以上到车轮上缘的积水深度，即16–40cm；在此等级下，车辆的排气管会被淹没，可能造成车辆熄火，威胁车辆安全。3级是指车轮上缘以上、车辆的门把手以下的积水深度，即41–60cm，在此等级下，车内的乘客推开车门会感到吃力。4级是指车门把手以上的积水深度，即61cm-100cm，在此等级下，积水会严重影响到车内的乘客，给车辆及内部乘客带来生命危险。
11、1.4)标注及划分数据集：根据步骤1.3)的标注策略，对步骤1.2)收集到的图像数据利用广泛使用的labellmg软件对数据集进行标注，并将数据集按照8：1：1的比例划分为训练集、验证集、测试集，训练集用于训练模型，验证集用于验证训练结束后模型参数的合理性，测试集用于训练结束时对模型的进度评估。
12、步骤2：采用yolov5m模型对步骤1得到的数据集进行训练，具体如下：
13、为了满足街道场景下城市积水识别的实时性要求，模型需要具有较快的检测速度和较高的检测精度，为此选择了目标检测任务中广泛使用的yolov5模型中的yolov5m版本模型作为主体模型。yolov5m官方模型提供了在coco大型数据集上预训练的版本，基于此预训练的版本进行再训练，模型便能够得到比在单独的数据集上从头训练更优秀的识别性能，使得yolov5m模型能够降低训练收敛难度，同时能够完成根据给定图像中车辆的淹没程度判断积水等级的个性化任务。故选择在预训练版本基础上进行再训练yolov5m的方式训练模型。
14、具体训练过程中：首先，使用步骤1的数据集中的训练集对yolov5m模型训练，训练超参数遵循默认参数组合。其次，使用数据集中的验证集来验证模型训练的精度，根据精度调整模型的训练参数，直到模型在验证集上的精度达到70％以上，视为合格。最后用数据集中的测试集上对训练过的yolov5m模型进行测试，使用本领域内已知的技术指标——准确率(p)、召回率(r)、map——评估模型训练完成后的精度。
15、进一步地，根据其他任务的不同要求，可以选择yolov5其他版本的模型进行训练使用。
16、步骤3：首先，获得降雨事件下积水时刻的城市主要路本文档来自技高网...
【技术保护点】
1.一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，所述的测量方法：首先，选择动态物体作为参照物，根据参照物不同的淹没程度，将积水划分为5个等级，并收集包含多种淹没状态的动态物体图像数据，制定数据集的标注策略后，对图像数据进行标注，形成制作好的数据集；其次，选择YOLOv5m深度学习模型作为积水等级监测的模型，利用数据集训练YOLOv5m模型，使模型获得根据不同淹没程度推断不同场景下局部点积水等级的能力；再次，将基于降雨事件的城市积水视频，或者实时的摄像头视频输入到训练好的YOLOv5m模型中，利用YOLOv5m模型获得视频下检测等级点信息；第四，使用异常点检测的方法删除检测点的异常点，将所剩检测点进行精度评估；最后，利用反距离权重插值方法，依据筛选后的检测点将整个场景下的积水等级时空分布插值出来，得到场景下的时空积水等级分布图。
2.根据权利要求1所述的一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，所
4.根据权利要求2所述的一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，所述的步骤1.2)中合成图片的过程如下：
5.根据权利要求2所述的一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，所述的步骤4.2)中选择“局部莫兰指数(Anselin Local Moran's I)”作为异常点的量化指标，定义如下：
6.根据权利要求2所述的一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，所述的步骤4.3)具体如下：
7.根据权利要求2所述的一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，所述的步骤5中，反距离权重IDW插值方法的计算公式为：
...【技术特征摘要】
1.一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，所述的测量方法：首先，选择动态物体作为参照物，根据参照物不同的淹没程度，将积水划分为5个等级，并收集包含多种淹没状态的动态物体图像数据，制定数据集的标注策略后，对图像数据进行标注，形成制作好的数据集；其次，选择yolov5m深度学习模型作为积水等级监测的模型，利用数据集训练yolov5m模型，使模型获得根据不同淹没程度推断不同场景下局部点积水等级的能力；再次，将基于降雨事件的城市积水视频，或者实时的摄像头视频输入到训练好的yolov5m模型中，利用yolov5m模型获得视频下检测等级点信息；第四，使用异常点检测的方法删除检测点的异常点，将所剩检测点进行精度评估；最后，利用反距离权重插值方法，依据筛选后的检测点将整个场景下的积水等级时空分布插值出来，得到场景下的时空积水等级分布图。
2.根据权利要求1所述的一种基于计算机视觉技术的城市街道积水等级时空分布测量方法，其特征在于，包括以下...
【专利技术属性】
技术研发人员：周顺安，吕恒，郝鑫，王泽，赵家兴，王楠，张弛，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
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。