CN109816040B - 基于深度学习的城市内涝水深检测的方法 - Google Patents
基于深度学习的城市内涝水深检测的方法 Download PDFInfo
- Publication number
- CN109816040B CN109816040B CN201910101996.8A CN201910101996A CN109816040B CN 109816040 B CN109816040 B CN 109816040B CN 201910101996 A CN201910101996 A CN 201910101996A CN 109816040 B CN109816040 B CN 109816040B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data set
- image
- urban waterlogging
- water
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的城市内涝水深检测的方法。首先,制作数据集:一、制作城市内涝积水车辆数据集:二、残缺‑完整车辆数据集:其次,模型训练:一、使用城市内涝积水车辆数据集,使用经过自然环境普通对象数据集预训练的带掩膜区域的卷积神经网络,进行微调操作以实现迁移学习,让其具备检测在城市内涝积水环境下的车辆,输出其掩膜以及对应的车型的功能;二、使用残缺‑完整车辆数据集,对生成对抗网络进行训练,让其具备将残缺的车辆图像生成对应的完整车辆图像的功能;最后,检测、生成使用:通过上述数据集得出内涝积水的深度。本发明可以很好的克服传统积水检测方式的缺点,且只需要普通摄像头,搭配后台算法,即可实现城市内涝水深的检测,安装便利,配置简单。
Description
技术领域
本发明属于城市水文、交通领域以及图像处理领域,具体涉及一种基于深度学习的城市内涝水深检测的方法。
背景技术
近年来城市内涝灾害不断加剧,逢雨必涝成为许多城市不得不面对的问题。及时、准确地预报城市内涝不仅可以有效降低损失,同时也能为相关部门治理城市内涝时提供重要的依据。现已存在的积水检测方式一般是通过硬件方式通过“直接接触”进行检测,常见的有埋入式积水检测仪、接触式积水检测器、超声波水位监测仪等。这些传统的积水检测方式对检测设备的安装条件、门槛较高。针对此方面存在的突出问题,借助计算机技术来实现城市内涝积水深度的检测,提高城市内涝检测的普及性、便利性,以及智能化的城市管理,是城市内涝防治管理工作的自然转变与必然要求。
传统的积水检测方式往往是通过硬件方式进行检测,常见的有埋入式积水检测仪、接触式积水检测器、超声波水位监测仪等。这类方法可以做到水位精准检测,但其存在着不可忽视的缺点:其一,需要较大的工程量安装、配置相关设备;需要投入大量资金进行基础设施建设。据粗略了解一个积水检测站点的费用在1万元人民币以上。这些缺点在很大程度上限制了这种办法的普及。
发明内容
本发明的目的在于提供一种基于深度学习的城市内涝水深检测的方法,可以很好的克服传统积水检测方式的缺点,且只需要普通摄像头,搭配后台算法,即可实现城市内涝水深的检测,安装便利,配置简单。
为实现上述目的,本发明的技术方案是:一种基于深度学习的城市内涝水深检测的方法,包括如下步骤:
步骤S1、制作数据集:
S11、城市内涝积水车辆数据集:
采集车辆类型数据,并进行标注制作城市内涝积水车辆数据集;
S12、残缺-完整车辆数据集:
制作残缺-完整车辆数据集,该数据集包含两部分:第一部分为各类型车辆的完整车辆图片,该部分数据集中的图片,车辆没有被其他物体所遮挡或超出图片边界,制作完整车辆数据集;第二部分为各类型车辆的残缺车辆图片,该部分数据集中的图片是以第一部分数据集中的图片为基础,结合包括计算机代码合成、3D制作、实际拍摄中的一种或多种方法,制作残缺车辆数据集;
步骤S2、模型训练:
S21、使用城市内涝积水车辆数据集,使用经过自然环境普通对象数据集预训练的带掩膜区域的卷积神经网络,进行微调操作以实现迁移学习,让其具备检测在城市内涝积水环境下的车辆,输出其掩膜以及对应的车型的功能;
S22、使用残缺-完整车辆数据集,对生成对抗网络进行训练,让其具备将残缺的车辆图像生成对应的完整车辆图像的功能;
步骤S3、检测、生成使用:
S31、使用带掩膜区域的卷积神经网络对图像进行检测,若图像中有被水遮挡的车辆,将会得到图像中被水遮挡的车辆的可见部分的掩膜及其车辆类型;
S32、使用带掩膜区域的卷积神经网络输出的车辆掩膜,结合原图,可得到在城市内涝积水环境中的车辆图像,将该图像输入到生成对抗网络中,得到完整的车辆图像;
S33、对比残缺车辆图像高度ho与生成的完整车辆图像高度hg,计算生成部分高度和整体车辆高度的比值再结合带掩膜区域的卷积神经网络输出的车辆类型,通过车型找到该车型所对应的通常高度H,由此可得到被水淹没的车辆部分的高度,即为内涝积水的深度
在本发明一实施例中,步骤S11中,所述城市内涝积水车辆数据集中的车辆类型数据:包括车辆的车宽、车高、轮胎规格。
在本发明一实施例中,步骤S11中,标注的内容有:可以包围车辆的包围盒及其分类、遮盖车辆的掩膜。
在本发明一实施例中,步骤S11中,所述城市内涝积水车辆数据集中的图片有以下条件组合的属性:
①有、无积水;②有、无车辆;③车辆行驶与否;④行驶的车辆有、无溅起水花;⑤若有水花,水花的体积大小;⑥路面干燥与否;⑦不同的天气条件。
相较于现有技术,本发明具有以下有益效果:本发明可以很好的克服传统积水检测方式的缺点,且只需要普通摄像头,搭配后台算法,即可实现城市内涝水深的检测,安装便利,配置简单。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种基于深度学习的城市内涝水深检测的方法,包括如下步骤:
步骤S1、制作数据集:
S11、城市内涝积水车辆数据集:
采集车辆类型数据,并进行标注制作城市内涝积水车辆数据集;
S12、残缺-完整车辆数据集:
制作残缺-完整车辆数据集,该数据集包含两部分:第一部分为各类型车辆的完整车辆图片,该部分数据集中的图片,车辆没有被其他物体所遮挡或超出图片边界,制作完整车辆数据集;第二部分为各类型车辆的残缺车辆图片,该部分数据集中的图片是以第一部分数据集中的图片为基础,结合包括计算机代码合成、3D制作、实际拍摄中的一种或多种方法,制作残缺车辆数据集;
步骤S2、模型训练:
S21、使用城市内涝积水车辆数据集,使用经过自然环境普通对象数据集(CommonObjects in Context Dataset)预训练的带掩膜区域的卷积神经网络(MASKRegions with Convolutional NeuralNetworks),进行微调操作以实现迁移学习,让其具备检测在城市内涝积水环境下的车辆,输出其掩膜以及对应的车型的功能;
S22、使用残缺-完整车辆数据集,对生成对抗网络进行训练,让其具备将残缺的车辆图像生成对应的完整车辆图像的功能;
步骤S3、检测、生成使用:
S31、使用带掩膜区域的卷积神经网络对图像进行检测,若图像中有被水遮挡的车辆,将会得到图像中被水遮挡的车辆的可见部分的掩膜及其车辆类型;
S32、使用带掩膜区域的卷积神经网络输出的车辆掩膜,结合原图,可得到在城市内涝积水环境中的车辆图像,将该图像输入到生成对抗网络中,得到完整的车辆图像;
S33、对比残缺车辆图像高度ho与生成的完整车辆图像高度hg,计算生成部分高度和整体车辆高度的比值再结合带掩膜区域的卷积神经网络输出的车辆类型,通过车型找到该车型所对应的通常高度H,由此可得到被水淹没的车辆部分的高度,即为内涝积水的深度
以下为本发明的具体实现过程。
本发明提出的基于深度学习的城市内涝水深检测的方法包含模型训练与检测使用两个部分,整体流程如下:
一、制作数据集
1)城市内涝积水车辆数据集
搜集相关图片、常见车辆类型数据,并进行人工的标注,以制作城市内涝积水车辆数据集。
该数据集中所包含的图片有由以下若干个条件组合的属性:①有、无积水;②有、无车辆;③车辆行驶与否;④行驶的车辆有、无溅起水花;⑤若有水花,水花的体积大小;⑥路面干燥与否;⑦不同的天气条件等条件。
搜集常见车辆类型的一般平均数据,如车宽、车高、轮胎规格等。以常见车辆类型(小车、城郊实用汽车、卡车、公交车等)为分类根据,将数据集图片中的车辆一一进行人工分类,使得每个数据集中的车辆具备车宽、车高、轮胎规格等属性的数据。
人工对数据集中的图片进行标注。标注的内容有:可以包围车辆的包围盒及其分类(类别:有、无被水遮挡一部分车身);遮盖车辆的掩膜。
2)残缺-完整车辆数据集
该数据集包含两部分,并且这两部分中的个体有着一一对应的关系。
第一部分为各类型(小车、城郊实用汽车、卡车、公交车等)的完整车辆图片,在这一部分的图片中,车辆没有被其他物体所遮挡或超出图片边界。
第二部分为各类型的残缺的车辆图片。该部分图片是由第一部分图片为基础,结合使用人工合成、计算机代码合成、3D制作、实际拍摄等多种方法,制作残缺车辆数据集——用“水”遮挡车辆部分位置。
二、模型训练
1)使用城市内涝积水车辆数据集,使用经过自然环境普通对象数据集(CommonObjects in Context Dataset)预训练的带掩膜区域的卷积神经网络(MASK Regions withConvolutional Neural Networks),进行微调操作以实现迁移学习,让其具备检测在城市内涝积水环境下的车辆,输出其掩膜以及对应的车型的功能。
2)使用残缺-完整车辆数据集,对生成对抗网络进行训练,让其具备将残缺的车辆图像生成对应的完整车辆图像的功能。
三、检测、生成使用
1)使用带掩膜区域的卷积神经网络对图像进行检测,若图像中有被水遮挡的车辆,将会得到图像中被水遮挡的车辆的可见部分的掩膜及其车辆类型。
2)使用带掩膜区域的卷积神经网络输出的车辆掩膜,结合原图,可得到在城市内涝积水环境中的车辆图像(残缺的)。将该图像输入到生成对抗网络中,得到完整的车辆图像。
3)对比残缺车辆图像高度ho与生成的完整车辆图像高度hg,计算生成部分高度和整体车辆高度的比值再结合带掩膜区域的卷积神经网络输出的车辆类型,通过车型找到该车型所对应的一般通常高度H,由此可得到被水淹没的车辆部分的高度,即为内涝积水的深度
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种基于深度学习的城市内涝水深检测的方法,其特征在于,包括如下步骤:
步骤S1、制作数据集:
S11、城市内涝积水车辆数据集:
采集车辆类型数据,并进行标注制作城市内涝积水车辆数据集;
S12、残缺-完整车辆数据集:
制作残缺-完整车辆数据集,该数据集包含两部分:第一部分为各类型车辆的完整车辆图片,该部分数据集中的图片,车辆没有被其他物体所遮挡或超出图片边界,制作完整车辆数据集;第二部分为各类型车辆的残缺车辆图片,该部分数据集中的图片是以第一部分数据集中的图片为基础,结合包括计算机代码合成、3D制作、实际拍摄中的一种或多种方法,制作残缺车辆数据集;
步骤S2、模型训练:
S21、使用城市内涝积水车辆数据集,使用经过自然环境普通对象数据集预训练的带掩膜区域的卷积神经网络,进行微调操作以实现迁移学习,让其具备检测在城市内涝积水环境下的车辆,输出其掩膜以及对应的车型的功能;
S22、使用残缺-完整车辆数据集,对生成对抗网络进行训练,让其具备将残缺的车辆图像生成对应的完整车辆图像的功能;
步骤S3、检测、生成使用:
S31、使用带掩膜区域的卷积神经网络对图像进行检测,若图像中有被水遮挡的车辆,将会得到图像中被水遮挡的车辆的可见部分的掩膜及其车辆类型;
S32、使用带掩膜区域的卷积神经网络输出的车辆掩膜,结合原图,可得到在城市内涝积水环境中的车辆图像,将该图像输入到生成对抗网络中,得到完整的车辆图像;
2.根据权利要求1所述的基于深度学习的城市内涝水深检测的方法,其特征在于,步骤S11中,所述城市内涝积水车辆数据集中的车辆类型数据:包括车辆的车宽、车高、轮胎规格。
3.根据权利要求1所述的基于深度学习的城市内涝水深检测的方法,其特征在于,步骤S11中,标注的内容有:可以包围车辆的包围盒及其分类、遮盖车辆的掩膜。
4.根据权利要求1所述的基于深度学习的城市内涝水深检测的方法,其特征在于,步骤S11中,所述城市内涝积水车辆数据集中的图片有以下条件组合的属性:
①有、无积水;②有、无车辆;③车辆行驶与否;④行驶的车辆有、无溅起水花;⑤若有水花,水花的体积大小;⑥路面干燥与否;⑦不同的天气条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101996.8A CN109816040B (zh) | 2019-02-01 | 2019-02-01 | 基于深度学习的城市内涝水深检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101996.8A CN109816040B (zh) | 2019-02-01 | 2019-02-01 | 基于深度学习的城市内涝水深检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816040A CN109816040A (zh) | 2019-05-28 |
CN109816040B true CN109816040B (zh) | 2022-10-14 |
Family
ID=66606536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910101996.8A Active CN109816040B (zh) | 2019-02-01 | 2019-02-01 | 基于深度学习的城市内涝水深检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816040B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705759B (zh) * | 2019-09-18 | 2022-06-03 | 平安科技(深圳)有限公司 | 水位预警监控方法、装置、存储介质及电子设备 |
CN111046773B (zh) * | 2019-12-05 | 2023-05-12 | 北京城市排水集团有限责任公司 | 一种基于图像技术判定路面积滞水的方法 |
CN111325947B (zh) * | 2020-03-04 | 2022-04-01 | 合肥泽众城市智能科技有限公司 | 一种基于长短期记忆网络的风暴潮洪涝预警方法和*** |
CN111723823B (zh) * | 2020-06-24 | 2023-07-18 | 河南科技学院 | 一种基于第三方迁移学习的水下目标检测方法 |
CN114677641B (zh) * | 2022-03-23 | 2023-03-24 | 南京云创大数据科技股份有限公司 | 一种基于监控摄像头的积水深度估计方法和*** |
CN115205738B (zh) * | 2022-07-05 | 2023-08-01 | 广州和达水务科技股份有限公司 | 应用于城市内涝的应急排水方法和*** |
CN115171031B (zh) * | 2022-07-19 | 2023-01-31 | 杭州开闳流体科技有限公司 | 一种基于车辆参照物的路面积水检测方法、装置及应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944946A (zh) * | 2013-01-22 | 2014-07-23 | 中国水利水电科学研究院 | 一种基于物联网的城市内涝监测方法及监测*** |
CN106970986A (zh) * | 2017-03-29 | 2017-07-21 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及*** |
CN108320502A (zh) * | 2017-12-27 | 2018-07-24 | 福建工程学院 | 一种基于浮动车技术的城市内涝检测方法及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10438350B2 (en) * | 2017-06-27 | 2019-10-08 | General Electric Company | Material segmentation in image volumes |
-
2019
- 2019-02-01 CN CN201910101996.8A patent/CN109816040B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944946A (zh) * | 2013-01-22 | 2014-07-23 | 中国水利水电科学研究院 | 一种基于物联网的城市内涝监测方法及监测*** |
CN106970986A (zh) * | 2017-03-29 | 2017-07-21 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及*** |
CN108320502A (zh) * | 2017-12-27 | 2018-07-24 | 福建工程学院 | 一种基于浮动车技术的城市内涝检测方法及终端 |
Non-Patent Citations (1)
Title |
---|
水文监测设备在城市内涝预警中的应用;梅鵾;《湖南水力水电》;20181220;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109816040A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816040B (zh) | 基于深度学习的城市内涝水深检测的方法 | |
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN107665603B (zh) | 一种判定车位占用的实时检测方法 | |
CN102096821B (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
Husain et al. | Vehicle detection in intelligent transport system under a hazy environment: a survey | |
CN101408942B (zh) | 一种复杂背景下的车牌定位方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN105930791A (zh) | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 | |
CN103218816A (zh) | 一种基于视频分析的人群密度估计方法与人流量统计方法 | |
CN103136537B (zh) | 一种基于支持向量机的车型识别方法 | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及*** | |
Wang et al. | A vision-based road edge detection algorithm | |
CN104732211B (zh) | 一种基于自适应阈值的交通标志检测方法 | |
CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
CN103020605A (zh) | 基于决策层融合的桥梁识别方法 | |
CN103793708A (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
He et al. | A feature fusion method to improve the driving obstacle detection under foggy weather | |
CN103902981A (zh) | 一种基于字符融合特征的车牌字符识别方法及*** | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
Li et al. | Coal and coal gangue separation based on computer vision | |
CN105321189A (zh) | 基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法 | |
CN107315998A (zh) | 基于车道线的车辆种类划分方法和*** | |
CN111209923A (zh) | 一种基于深度学习技术的渣土车是否盖盖识别方法 | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 |
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 |