CN112990108A - 一种基于卷积神经网络实现堤坝护坡的*** - Google Patents
一种基于卷积神经网络实现堤坝护坡的*** Download PDFInfo
- Publication number
- CN112990108A CN112990108A CN202110420769.9A CN202110420769A CN112990108A CN 112990108 A CN112990108 A CN 112990108A CN 202110420769 A CN202110420769 A CN 202110420769A CN 112990108 A CN112990108 A CN 112990108A
- Authority
- CN
- China
- Prior art keywords
- water
- rainfall
- river
- neural network
- convolutional neural
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/38—Information transfer, e.g. on bus
- G06F13/42—Bus transfer protocol, e.g. handshake; Synchronisation
- G06F13/4282—Bus transfer protocol, e.g. handshake; Synchronisation on a serial bus, e.g. I2C bus, SPI bus
- G06F13/4286—Bus transfer protocol, e.g. handshake; Synchronisation on a serial bus, e.g. I2C bus, SPI bus using a handshaking protocol, e.g. RS232C link
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及堤坝护坡技术领域,公开了一种基于卷积神经网络实现堤坝护坡的***。通过本发明创造,提供了一种基于卷积神经网络进行坡面植被自动化浇灌管理的堤坝护坡***方案,即包括有河道监测服务器、河道监测终端、雨量筒、安装架、立杆和至少一个布置在目标堤坝上的堤坝护坡单元,其中,所述河道监测服务器可以基于历史采集的天气预报图像和雨量数值对用于识别雨量等级的CNN模型进行训练,并在获取明日天气预报图像后,可通过该训练完成的CNN模型预估明日雨量等级(即下一个浇灌周期的本地雨量),然后根据预估结果发送自适应的浇水控制指令,实现对护坡植被进行自动化的浇灌管理目的,进而可节省人力和物力,降低护坡的维护成本。
Description
技术领域
本发明属于堤坝护坡技术领域,具体地涉及一种基于卷积神经网络实现堤坝护坡的***。
背景技术
目前为了保护堤坝,通常选择草种为根系发达且固土能力强的植物,以免河流长期冲刷堤坝,加速堤坝的水土流失。例如,百喜草就是一种常见在堤坝上种植的绿化草种,建植成功的百喜草草坪具有抗旱能力非常强的特点,但是存在的问题是此种草不耐涝,因此,在出现河道涨水的情况时,水流会淹没堤坝上的草,而该种不耐涝的草则难以存活,加之水位上涨会影响堤坝土层的稳固性,从而造成水土流失,防护失效,因此需选择在堤坝上种植耐水涝的植物,以避免植物被水长时间的淹没而造成水土流失的情况,但是该种耐水涝的植物也会存在不耐旱的问题,长时间缺水也会影响该类型护坡植物的存活。
为了保证堤坝上耐水涝植物的正常生长,需要保证对该类型植物进行按时浇灌。目前传统的浇灌方式,以人工按时浇灌方式为主,无疑会消耗人力和物力,同时考虑雨天情况,此时是不需要浇水的。因此有必要基于天气预报预估在下一个浇灌周期的本地雨量,然后根据预估结果对护坡植被进行自动化的浇灌管理,进而节省人力和物力,降低护坡的维护成本。
发明内容
为了解决现有堤坝护坡植被浇灌方式所存在的人力物力成本较高的问题,本发明目的在于提供一种基于卷积神经网络进行坡面植被自动化浇灌管理的新型堤坝护坡***,可以基于天气预报预估在下一个浇灌周期的本地雨量,然后根据预估结果对护坡植被进行自动化的浇灌管理,进而节省人力和物力,降低护坡的维护成本。
本发明提供了一种基于卷积神经网络实现堤坝护坡的***,包括有河道监测服务器、河道监测终端、雨量筒、安装架、立杆和至少一个布置在目标堤坝上的堤坝护坡单元;
所述河道监测终端和所述雨量筒通过所述安装架固定在所述立杆的顶部,所述立杆的底端固定在所述目标堤坝上,其中,所述河道监测终端分别通信连接所述河道监测服务器和所述雨量筒,所述河道监测终端用于将由所述雨量筒采集的雨量数值上传至所述河道监测服务器,并接收来自所述河道监测服务器的浇水控制指令;
所述堤坝护坡单元包括有防护格栅、护坡植物、水泵、输水管、出水管和水泵控制箱,其中,所述防护格栅布置在所述目标堤坝的斜坡上,所述护坡植物种植在所述防护格栅的栅格中,所述水泵的进水端布置在河道水面下,所述水泵的出水端连通所述输水管的一端,所述输水管的另一端在顺着所述目标边坡向上抵达所述目标边坡的坡体顶端后连通所述出水管,所述出水管沿着所述目标堤坝的下游方向布置且间隔设置有多个正对所述防护格栅的出水口,所述水泵控制箱分别通信连接所述河道监测终端和所述水泵,所述水泵控制箱用于在收到经所述河道监测终端中转的所述浇水控制指令后,根据所述浇水控制指令启停控制所述水泵;
所述河道监测服务器的工作方法,包括:
获取历史记录的且所述目标堤坝所属地区的M日天气预报图像和与所述目标堤坝对应的M日雨量数值,其中,M为不小于1000的自然数,所述M日天气预报图像与所述M日雨量数值一一对应;
针对所述M日雨量数值中的各日雨量数值,根据预设的雨量等级与区间关系表查找到对应的雨量等级,其中,所述雨量等级与区间关系表包含有至少两个雨量等级和所述至少两个雨量等级与至少两个雨量区间的一一对应关系;
从所述M日天气预报图像中抽取m日天气预报图像作为训练样本图像,并将对应的雨量等级作为训练样本图像的分类标签,得到训练样本集,其中,m为不小于700的自然数,并使m/M介于0.6~0.8之间;
将所述训练样本集中的所有训练样本图像及对应的分类标签输入卷积神经网络CNN模型进行训练,并在训练过程中出现训练集准确率达到预设高值区间且变化幅度小于预设幅度阈值的情况时,采用自适应梯度AdaGrad算法调整学习率,然后继续训练,直到学习率调整幅度小于预设调整阈值时,停止训练,得到完成训练的CNN模型;
获取所述目标堤坝所属地区的明日天气预报图像;
将所述明日天气预报图像输入所述完成训练的CNN模型,得到明日的分类标签识别结果;
根据所述明日的分类标签识别结果,确定明日雨量等级;
根据预设的浇水策略,向与所述目标堤坝对应的河道监测终端发送与所述明日雨量等级对应的浇水控制指令,其中,所述浇水策略包含有至少两个浇水控制指令和所述至少两个浇水控制指令与所述至少两个雨量等级的一一对应关系。
基于上述发明内容,提供了一种基于卷积神经网络进行坡面植被自动化浇灌管理的堤坝护坡***方案,即包括有河道监测服务器、河道监测终端、雨量筒、安装架、立杆和至少一个布置在目标堤坝上的堤坝护坡单元,其中,所述河道监测服务器可以基于历史采集的天气预报图像和雨量数值对用于识别雨量等级的CNN模型进行训练,并在获取明日天气预报图像后,可通过该训练完成的CNN模型预估明日雨量等级(即下一个浇灌周期的本地雨量),然后根据预估结果发送自适应的浇水控制指令,实现对护坡植被进行自动化的浇灌管理目的,进而可节省人力和物力,降低护坡的维护成本。
在一个可能的设计中,还包括有水位计,其中,所述水位计采用雷达水位计或超声波水位计;
所述水位计通过所述安装架固定在所述立杆的顶部,并正对河道水面,所述水位计通过RS485接口和/或以太网口有线通信连接所述河道监测终端,所述河道监测终端还用于将由所述水位计采集的水位数值上传至所述河道监测服务器。
在一个可能的设计中,所述河道监测服务器还用于在收到由所述水位计采集的实时水位数值后,若根据所述实时水位数值发现当前河道水位低于预设阈值时,判定所述水泵的进水端露出河道水面,并向河道管理人员的手持终端发送提醒消息。
在一个可能的设计中,在所述立杆的顶端设置有避雷针。
在一个可能的设计中,在将所述训练样本集中的所有训练样本图像及对应的分类标签输入卷积神经网络CNN模型进行训练之前,所述河道监测服务器的工作方法还包括:
针对各个分类标签,判断所述训练样本集中的对应训练样本数是否小于预设样本数阈值,若是,则采用合成少数过采样技术SMOTE算法对训练样本进行数据均衡处理,得到训练样本数增加的训练样本集。
在一个可能的设计中,所述浇水控制指令包含有水泵启动时长。
在一个可能的设计中,所述CNN模型采用基于Resnet50网络结构、Mobile-net网络结构或VGG16 网络结构的模型。
在一个可能的设计中,多个所述出水口的口径大小沿下游方向依次增大。
在一个可能的设计中,所述河道监测终端通过GPRS模块、CDMA模块、4G/5G模块和/或NB-IOT模块无线通信连接所述河道监测服务器。
在一个可能的设计中,所述河道监测终端通过RS232接口、RS485接口和/或以太网口有线通信连接所述雨量筒,所述河道监测终端通过WiFi模块、NB-IOT模块和/或ZigBee模块无线通信连接所述水泵控制箱。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于卷积神经网络实现堤坝护坡的***的结构示意图。
图2是本发明提供的在基于卷积神经网络实现堤坝护坡的***中的通信网络结构示例图。
图3是本发明提供的河道监测服务器的工作方法流程示意图。
上述附图中:1-河道监测服务器;2-河道监测终端;3-雨量筒;4-安装架;5-立杆;6-堤坝护坡单元; 61-防护格栅;62-护坡植物;63-水泵;64-输水管;65-出水管;651-出水口;66-水泵控制箱;7-水位计;8-避雷针;100-目标堤坝。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明示例的实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
应当理解,在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时,它可以与另一个单元直相连接或耦合,或中间单元可以存在。相対地,在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时,表示不存在中间单元。另外,应当以类似方式来解释用于描述单元之间的关系的其他单词(例如,“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解,本文使用的术语仅用于描述特定实施例,并不意在限制本发明示例的实施例。若本文所使用的,单数形式“一”、“一个”以及“该”意在包括复数形式,除非上下文明确指示相反意思。还应当理解,若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解,还应当注意到在一些备选可能设计中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解,在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出***,以避免用不必要的细节来使得示例不清楚。在其他实例中,可以不以非必要的细节来示出众所周知的过程、结构和技术,以避免使得示例实施例不清楚。
如图1~3所示,本实施例提供的所述基于卷积神经网络实现堤坝护坡的***,包括有河道监测服务器1、河道监测终端2、雨量筒3、安装架4、立杆5和至少一个布置在目标堤坝100上的堤坝护坡单元6。
所述河道监测终端2和所述雨量筒3通过所述安装架4固定在所述立杆5的顶部,所述立杆5的底端固定在所述目标堤坝100上,其中,所述河道监测终端2分别通信连接所述河道监测服务器1和所述雨量筒3,所述河道监测终端2用于将由所述雨量筒3采集的雨量数值上传至所述河道监测服务器1,并接收来自所述河道监测服务器1的浇水控制指令。如图1和2所示,所述河道监测服务器1及所述河道监测终端2可采用现有河道监测***中的服务器及终端实现,它们之间的通信连接方式可以但不限于为:所述河道监测终端2通过GPRS(General packet radio service,中文名称为通用无线分组业务,是一种基于GSM***的无线分组交换技术,提供端到端的、广域的无线IP连接)模块、CDMA(Code DivisionMultiple Access,码分多址,是指利用码序列相关性实现的多址通信)模块、4G/5G模块和/或NB-IOT(Narrow Band Internet of Things, 窄带物联网)模块等无线通信连接所述河道监测服务器1。所述雨量筒3用于采集所处位置的雨量,以便反映所述目标堤坝100所接收到天然降水量的大小,其可采用现有的雨量采集设备实现,并与所述河道监测终端2的通信连接方式可以但不限于为:所述河道监测终端2通过RS232接口、RS485接口和/或以太网口等有线通信连接所述雨量筒3。
所述堤坝护坡单元6包括有防护格栅61、护坡植物62、水泵63、输水管64、出水管65和水泵控制箱66,其中,所述防护格栅61布置在所述目标堤坝100的斜坡上,所述护坡植物62种植在所述防护格栅61的栅格中,所述水泵63的进水端布置在河道水面下,所述水泵63的出水端连通所述输水管64的一端,所述输水管64的另一端在顺着所述目标边坡100向上抵达所述目标边坡100的坡体顶端后连通所述出水管65,所述出水管65沿着所述目标堤坝100的下游方向布置且间隔设置有多个正对所述防护格栅61的出水口651,所述水泵控制箱66分别通信连接所述河道监测终端2和所述水泵63,所述水泵控制箱66用于在收到经所述河道监测终端2中转的所述浇水控制指令后,根据所述浇水控制指令启停控制所述水泵63。如图1和2所示,通过由所述防护格栅61、所述护坡植物62、所述水泵63、所述输水管64和所述出水管65构成的浇灌引流机构,可在启动所述水泵63时,将河水抽至坡体顶端的所述出水管65中,然后通过沿下游方向依次间隔设置的多个出水口651将河水导出,最终从上而下地对坡面上的所述护坡植物62进行浇灌。优化的,为了实现出水均量目的,确保位于所述出水管65末端的出口水651也能导出河水,多个所述出水口651的口径大小沿下游方向依次增大。所述水泵控制箱66可采用现有的控制设备实现,并与所述河道监测终端2的通信连接方式可以但不限于为:所述河道监测终端2通过WiFi(无线保真)模块、NB-IOT模块和/或ZigBee(也称紫蜂,是一种低速短距离传输的无线网上协议,底层是采用IEEE 802.15.4标准规范的媒体访问层与物理层)模块等无线通信连接所述水泵控制箱66。
所述河道监测服务器1的工作方法,如图3所示,可以但不限于包括有如下步骤S101~S108。
S101.获取历史记录的且所述目标堤坝100所属地区的M日天气预报图像和与所述目标堤坝100对应的M日雨量数值,其中,M为不小于1000的自然数,所述M日天气预报图像与所述M日雨量数值一一对应。
在所述步骤S101中,所述M日天气预报图像可通过常规方式,每日从所属地区的气象网站上获取,例如获取过去3年每日的天气预报图像。所述M日雨量数值由所述雨量筒3每日采集得到,并通过所述河道监测终端2每日上传得到。所述M日天气预报图像与所述M日雨量数值一一对应是指日期一一对应,例如1月24日获取的当日天气预报图像与1月24日采集的雨量数值一一对应,或者1月24日获取的明日天气预报图像与1月25日采集的雨量数值一一对应。此外,为了便于后续将天气预报图像输入卷积神经网络CNN(ConvolutionalNeural Networks)模型进行训练和识别,需对原始的天气预报图像进行矩形截图处理,得到位置中心与所述目标堤坝100对应的且具有标准矩形尺寸大小的天气预报图像。
S102.针对所述M日雨量数值中的各日雨量数值,根据预设的雨量等级与区间关系表查找到对应的雨量等级,其中,所述雨量等级与区间关系表包含有至少两个雨量等级和所述至少两个雨量等级与至少两个雨量区间的一一对应关系。
在所述步骤S102中,所述至少两个雨量等级可以但不限于按照常规方式划分为无雨、小雨、中雨、大雨和暴雨等五个等级。
S103.从所述M日天气预报图像中抽取m日天气预报图像作为训练样本图像,并将对应的雨量等级作为训练样本图像的分类标签,得到训练样本集,其中,m为不小于700的自然数,并使m/M介于0.6~0.8之间。
在所述步骤S103中,至于剩下的天气预报图像,可作为测试样本图像,得到测试样本集。此外,考虑在训练样本集中,针对不同的分类标签,对应的样本数存在差异较大和数据不均衡,进而影响训练模型的识别准确率问题,有必要对所述训练样本集进行均衡处理,即在得到训练样本集之后,优选的,所述工作方法还包括:针对各个分类标签,判断所述训练样本集中的对应训练样本数是否小于预设样本数阈值,若是,则采用合成少数过采样技术SMOTE(Synthetic Minority Oversampling Technique)算法对训练样本进行数据均衡处理,得到训练样本数增加的训练样本集。所述SMOTE算法是一种现有的综合采样人工合成数据算法,用于解决数据类别不平衡问题(Imbalanced class problem),以Over-sampling少数类和Under-sampling多数类结合的方式来合成数据,由于对于少数类中每一个样本x,可以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其k近邻,因此这样处理不会改变数据的分布,相比较于Undersample、Oversample、Ensembleresampling和Classweight方法等,更具有优势。此外,对于测试样本集,由于需要保证样本真实性,无需进行均衡处理。
S104.将所述训练样本集中的所有训练样本图像及对应的分类标签输入卷积神经网络CNN模型进行训练,并在训练过程中出现训练集准确率达到预设高值区间且变化幅度小于预设幅度阈值的情况时,采用自适应梯度AdaGrad算法调整学习率,然后继续训练,直到学习率调整幅度小于预设调整阈值时,停止训练,得到完成训练的CNN模型。
在所述步骤S104中,所述卷积神经网络CNN(Convolutional Neural Networks)模型是一种基于卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)的深度学***方根的和来修改学习率。此外,所述CNN模型可以但不限于采用基于Resnet50网络结构、Mobile-net网络结构或VGG16 网络结构等的现有模型。
S105.获取所述目标堤坝100所属地区的明日天气预报图像。
在所述步骤S105中,为了便于后续将明日天气预报图像输入卷积神经网络CNN(Convolutional Neural Networks)模型进行识别,需对原始的明日天气预报图像进行矩形截图处理,得到位置中心与所述目标堤坝100对应的且具有标准矩形尺寸大小的明日天气预报图像。
S106.将所述明日天气预报图像输入所述完成训练的CNN模型,得到明日的分类标签识别结果。
S107.根据所述明日的分类标签识别结果,确定明日雨量等级。
S108.根据预设的浇水策略,向与所述目标堤坝100对应的河道监测终端2发送与所述明日雨量等级对应的浇水控制指令,其中,所述浇水策略包含有至少两个浇水控制指令和所述至少两个浇水控制指令与所述至少两个雨量等级的一一对应关系。
在所述步骤S108中,所述浇水控制指令可以但不限于包含有水泵启动时长,如此可通过时长来控制浇水量的多少,例如对于无雨的雨量等级,可设置水泵启动时长为10分钟;对于小雨的雨量等级,可设置水泵启动时长为5分钟;而对于中雨、大雨和暴雨的雨量等级,可设置水泵启动时长为0分钟,由此在这些雨天,可以减少或避免为护坡植物进行浇灌,进而可节省物力。
由此基于前述***的结构及工作方法的详细描述,提供了一种基于卷积神经网络进行坡面植被自动化浇灌管理的堤坝护坡***方案,即包括有河道监测服务器、河道监测终端、雨量筒、安装架、立杆和至少一个布置在目标堤坝上的堤坝护坡单元,其中,所述河道监测服务器可以基于历史采集的天气预报图像和雨量数值对用于识别雨量等级的CNN模型进行训练,并在获取明日天气预报图像后,可通过该训练完成的CNN模型预估明日雨量等级(即下一个浇灌周期的本地雨量),然后根据预估结果发送自适应的浇水控制指令,实现对护坡植被进行自动化的浇灌管理目的,进而可节省人力和物力,降低护坡的维护成本。
优化的,还包括有水位计7,其中,所述水位计7可以但不限于采用雷达水位计或超声波水位计等;所述水位计7通过所述安装架4固定在所述立杆5的顶部,并正对河道水面,所述水位计7通过RS485接口和/或以太网口有线通信连接所述河道监测终端2,所述河道监测终端2还用于将由所述水位计7采集的水位数值上传至所述河道监测服务器1。由此还可以对河道水位进行实时监测。进一步优化的,所述河道监测服务器1还用于在收到由所述水位计7采集的实时水位数值后,若根据所述实时水位数值发现当前河道水位低于预设阈值时,判定所述水泵63的进水端露出河道水面,并向河道管理人员的手持终端发送提醒消息。由于所述水泵63的进水端是固定的,因此当水位下降到一定程度时,可视为露出河道水面,此时将导致无法抽水浇灌的问题,需要提醒河道管理人员进行相应处理,例如调整所述水泵63的进水端位置,使其再次位于河道水面之下。
优化的,在所述立杆5的顶端设置有避雷针8。如图1所示,通过前述设计,可以保护整个河道监测终端2及所述雨量筒3等电子设备避免遭受雷击,确保整个***的正常浇灌管理工作。
以上所描述的实施例仅仅是示意性的,若涉及到作为分离部件说明的单元,其可以是或者也可以不是物理上分开的;若涉及到作为单元显示的部件,其可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
最后应说明的是,本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种基于卷积神经网络实现堤坝护坡的***,其特征在于,包括有河道监测服务器(1)、河道监测终端(2)、雨量筒(3)、安装架(4)、立杆(5)和至少一个布置在目标堤坝(100)上的堤坝护坡单元(6);
所述河道监测终端(2)和所述雨量筒(3)通过所述安装架(4)固定在所述立杆(5)的顶部,所述立杆(5)的底端固定在所述目标堤坝(100)上,其中,所述河道监测终端(2)分别通信连接所述河道监测服务器(1)和所述雨量筒(3),所述河道监测终端(2)用于将由所述雨量筒(3)采集的雨量数值上传至所述河道监测服务器(1),并接收来自所述河道监测服务器(1)的浇水控制指令;
所述堤坝护坡单元(6)包括有防护格栅(61)、护坡植物(62)、水泵(63)、输水管(64)、出水管(65)和水泵控制箱(66),其中,所述防护格栅(61)布置在所述目标堤坝(100)的斜坡上,所述护坡植物(62)种植在所述防护格栅(61)的栅格中,所述水泵(63)的进水端布置在河道水面下,所述水泵(63)的出水端连通所述输水管(64)的一端,所述输水管(64)的另一端在顺着所述目标边坡(100)向上抵达所述目标边坡(100)的坡体顶端后连通所述出水管(65),所述出水管(65)沿着所述目标堤坝(100)的下游方向布置且间隔设置有多个正对所述防护格栅(61)的出水口(651),所述水泵控制箱(66)分别通信连接所述河道监测终端(2)和所述水泵(63),所述水泵控制箱(66)用于在收到经所述河道监测终端(2)中转的所述浇水控制指令后,根据所述浇水控制指令启停控制所述水泵(63);
所述河道监测服务器(1)的工作方法,包括:
获取历史记录的且所述目标堤坝(100)所属地区的M日天气预报图像和与所述目标堤坝(100)对应的M日雨量数值,其中,M为不小于1000的自然数,所述M日天气预报图像与所述M日雨量数值一一对应;
针对所述M日雨量数值中的各日雨量数值,根据预设的雨量等级与区间关系表查找到对应的雨量等级,其中,所述雨量等级与区间关系表包含有至少两个雨量等级和所述至少两个雨量等级与至少两个雨量区间的一一对应关系;
从所述M日天气预报图像中抽取m日天气预报图像作为训练样本图像,并将对应的雨量等级作为训练样本图像的分类标签,得到训练样本集,其中,m为不小于700的自然数,并使m/M介于0.6~0.8之间;
将所述训练样本集中的所有训练样本图像及对应的分类标签输入卷积神经网络CNN模型进行训练,并在训练过程中出现训练集准确率达到预设高值区间且变化幅度小于预设幅度阈值的情况时,采用自适应梯度AdaGrad算法调整学习率,然后继续训练,直到学习率调整幅度小于预设调整阈值时,停止训练,得到完成训练的CNN模型;
获取所述目标堤坝(100)所属地区的明日天气预报图像;
将所述明日天气预报图像输入所述完成训练的CNN模型,得到明日的分类标签识别结果;
根据所述明日的分类标签识别结果,确定明日雨量等级;
根据预设的浇水策略,向与所述目标堤坝(100)对应的河道监测终端(2)发送与所述明日雨量等级对应的浇水控制指令,其中,所述浇水策略包含有至少两个浇水控制指令和所述至少两个浇水控制指令与所述至少两个雨量等级的一一对应关系。
2.如权利要求1所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,还包括有水位计(7),其中,所述水位计(7)采用雷达水位计或超声波水位计;
所述水位计(7)通过所述安装架(4)固定在所述立杆(5)的顶部,并正对河道水面,所述水位计(7)通过RS485接口和/或以太网口有线通信连接所述河道监测终端(2),所述河道监测终端(2)还用于将由所述水位计(7)采集的水位数值上传至所述河道监测服务器(1)。
3.如权利要求2所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,所述河道监测服务器(1)还用于在收到由所述水位计(7)采集的实时水位数值后,若根据所述实时水位数值发现当前河道水位低于预设阈值时,判定所述水泵(63)的进水端露出河道水面,并向河道管理人员的手持终端发送提醒消息。
4.如权利要求1所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,在所述立杆(5)的顶端设置有避雷针(8)。
5.如权利要求1所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,在将所述训练样本集中的所有训练样本图像及对应的分类标签输入卷积神经网络CNN模型进行训练之前,所述河道监测服务器(1)的工作方法还包括:
针对各个分类标签,判断所述训练样本集中的对应训练样本数是否小于预设样本数阈值,若是,则采用合成少数过采样技术SMOTE算法对训练样本进行数据均衡处理,得到训练样本数增加的训练样本集。
6.如权利要求1所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,所述浇水控制指令包含有水泵启动时长。
7.如权利要求1所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,所述CNN模型采用基于Resnet50网络结构、Mobile-net网络结构或VGG16 网络结构的模型。
8.如权利要求1所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,多个所述出水口(651)的口径大小沿下游方向依次增大。
9.如权利要求1所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,所述河道监测终端(2)通过GPRS模块、CDMA模块、4G/5G模块和/或NB-IOT模块无线通信连接所述河道监测服务器(1)。
10.如权利要求1所述的基于卷积神经网络实现堤坝护坡的***,其特征在于,所述河道监测终端(2)通过RS232接口、RS485接口和/或以太网口有线通信连接所述雨量筒(3),所述河道监测终端(2)通过WiFi模块、NB-IOT模块和/或ZigBee模块无线通信连接所述水泵控制箱(66)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110420769.9A CN112990108B (zh) | 2021-04-19 | 2021-04-19 | 一种基于卷积神经网络实现堤坝护坡的*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110420769.9A CN112990108B (zh) | 2021-04-19 | 2021-04-19 | 一种基于卷积神经网络实现堤坝护坡的*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990108A true CN112990108A (zh) | 2021-06-18 |
CN112990108B CN112990108B (zh) | 2022-12-27 |
Family
ID=76341119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110420769.9A Active CN112990108B (zh) | 2021-04-19 | 2021-04-19 | 一种基于卷积神经网络实现堤坝护坡的*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990108B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139528A (zh) * | 2021-06-21 | 2021-07-20 | 江西省水利科学院 | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 |
CN114624791A (zh) * | 2022-03-18 | 2022-06-14 | 杭州鲁尔物联科技有限公司 | 雨量测量方法、装置、计算机设备及存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6474153B1 (en) * | 1999-03-09 | 2002-11-05 | Kabushiki Kaisha Toshiba | Predicting system and predicting method configured to predict inflow volume of rainwater |
KR101545335B1 (ko) * | 2014-08-01 | 2015-08-19 | 주식회사 코비 | 인공신경망 및 퍼지 기법을 이용한 우수 펌프 제어시스템 |
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN107705551A (zh) * | 2016-08-08 | 2018-02-16 | 阿里巴巴集团控股有限公司 | 交通路况的评估方法以及装置 |
CN108009736A (zh) * | 2017-12-13 | 2018-05-08 | 北京北华中清环境工程技术有限公司 | 一种水质预警预报***及水质预警预报方法 |
CN108537366A (zh) * | 2018-03-16 | 2018-09-14 | 浙江工业大学 | 基于最优卷积二维化的水库调度方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
CN109299812A (zh) * | 2018-08-23 | 2019-02-01 | 河海大学 | 一种基于深度学习模型和knn实时校正的洪水预测方法 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测***及其预测方法 |
CN208654841U (zh) * | 2017-12-13 | 2019-03-26 | 北京北华中清环境工程技术有限公司 | 一种水质预警预报*** |
CN109583297A (zh) * | 2018-10-25 | 2019-04-05 | 清华大学 | 视网膜oct体数据识别方法及装置 |
CN110443488A (zh) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | 基于卷积神经网络的钻井溢漏风险识别方法、***及设备 |
CN110533258A (zh) * | 2019-09-05 | 2019-12-03 | 河海大学 | 一种稻麦轮作农田涝渍预警评估方法及*** |
US20190391295A1 (en) * | 2016-11-07 | 2019-12-26 | Schlumberger Technology Corporation | Seismic Data Processing Artificial Intelligence |
CN110896381A (zh) * | 2019-11-25 | 2020-03-20 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、***及电子设备 |
CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及*** |
CN111222491A (zh) * | 2020-01-16 | 2020-06-02 | 上海海事大学 | 基于深度学习的车流量的评估方法 |
CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
US10891868B1 (en) * | 2018-09-21 | 2021-01-12 | Amazon Technologies, Inc. | Efficient flight operations based on naturally present energy sources or sinks |
CN112327698A (zh) * | 2020-11-05 | 2021-02-05 | 叶远 | 一种基于物联网的洪水灾害预警***及方法 |
CN112541615A (zh) * | 2020-11-25 | 2021-03-23 | 杭州市水文水资源监测中心 | 基于卷积神经网络的水位预测方法 |
-
2021
- 2021-04-19 CN CN202110420769.9A patent/CN112990108B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6474153B1 (en) * | 1999-03-09 | 2002-11-05 | Kabushiki Kaisha Toshiba | Predicting system and predicting method configured to predict inflow volume of rainwater |
KR101545335B1 (ko) * | 2014-08-01 | 2015-08-19 | 주식회사 코비 | 인공신경망 및 퍼지 기법을 이용한 우수 펌프 제어시스템 |
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN107705551A (zh) * | 2016-08-08 | 2018-02-16 | 阿里巴巴集团控股有限公司 | 交通路况的评估方法以及装置 |
US20190391295A1 (en) * | 2016-11-07 | 2019-12-26 | Schlumberger Technology Corporation | Seismic Data Processing Artificial Intelligence |
CN208654841U (zh) * | 2017-12-13 | 2019-03-26 | 北京北华中清环境工程技术有限公司 | 一种水质预警预报*** |
CN108009736A (zh) * | 2017-12-13 | 2018-05-08 | 北京北华中清环境工程技术有限公司 | 一种水质预警预报***及水质预警预报方法 |
CN108537366A (zh) * | 2018-03-16 | 2018-09-14 | 浙江工业大学 | 基于最优卷积二维化的水库调度方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
CN109299812A (zh) * | 2018-08-23 | 2019-02-01 | 河海大学 | 一种基于深度学习模型和knn实时校正的洪水预测方法 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测***及其预测方法 |
US10891868B1 (en) * | 2018-09-21 | 2021-01-12 | Amazon Technologies, Inc. | Efficient flight operations based on naturally present energy sources or sinks |
CN109583297A (zh) * | 2018-10-25 | 2019-04-05 | 清华大学 | 视网膜oct体数据识别方法及装置 |
CN110443488A (zh) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | 基于卷积神经网络的钻井溢漏风险识别方法、***及设备 |
CN110533258A (zh) * | 2019-09-05 | 2019-12-03 | 河海大学 | 一种稻麦轮作农田涝渍预警评估方法及*** |
CN110896381A (zh) * | 2019-11-25 | 2020-03-20 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、***及电子设备 |
CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及*** |
CN111222491A (zh) * | 2020-01-16 | 2020-06-02 | 上海海事大学 | 基于深度学习的车流量的评估方法 |
CN111597758A (zh) * | 2020-05-14 | 2020-08-28 | 河海大学 | 一种基于负相关学习的中小河流集成预报方法 |
CN112327698A (zh) * | 2020-11-05 | 2021-02-05 | 叶远 | 一种基于物联网的洪水灾害预警***及方法 |
CN112541615A (zh) * | 2020-11-25 | 2021-03-23 | 杭州市水文水资源监测中心 | 基于卷积神经网络的水位预测方法 |
Non-Patent Citations (2)
Title |
---|
CHANG T J等: "A novel approach to model dynamic flow interactions between storm sewer system and overland surface for different land covers in urban areas", 《JOURNAL OF HYDROLOGY》 * |
徐宗学等: "城市暴雨洪涝模拟:原理、模型与展望", 《水利学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139528A (zh) * | 2021-06-21 | 2021-07-20 | 江西省水利科学院 | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 |
CN114624791A (zh) * | 2022-03-18 | 2022-06-14 | 杭州鲁尔物联科技有限公司 | 雨量测量方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112990108B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990108B (zh) | 一种基于卷积神经网络实现堤坝护坡的*** | |
CN110367097B (zh) | 一种灌区水流控制方法和服务器 | |
CN106688827A (zh) | 一种基于农业***模型的灌溉决策***及方法 | |
CN108094370A (zh) | 灌溉控制方法及装置 | |
CN109452146A (zh) | 冬小麦节水灌溉决策方法、控制装置及控制*** | |
CN107223544B (zh) | 一种基于明渠的灌溉控制***和灌溉控制方法 | |
Kondaveti et al. | Smart irrigation system using machine learning and IOT | |
CN108848845A (zh) | 一种基于云计算的智能灌溉施肥*** | |
CN104351020A (zh) | 基于图像采集的农田自动灌溉*** | |
CN207653189U (zh) | 一种雨水灌溉装置 | |
CN105684838A (zh) | 一种根据环境参数对植物进行轮流灌溉的***和方法 | |
CN115240371A (zh) | 一种基于数据分析的山体滑坡实时监测*** | |
CN109258417A (zh) | 一种自动灌溉方法 | |
CN106613764A (zh) | 一种种植屋面自动滴灌监测预警方法 | |
CN105183056B (zh) | 自动灌溉*** | |
CN111758538A (zh) | 一种节水灌溉*** | |
CN112982297B (zh) | 一种基于卷积神经网络实现边坡生态防护的*** | |
CN206611933U (zh) | 田间智能灌溉*** | |
CN116681243B (zh) | 一种基于物联网的智慧农业设备管理***及方法 | |
CN205103690U (zh) | 自动灌溉*** | |
CN105248255A (zh) | 一种园林喷灌设备 | |
CN103955743A (zh) | 一种超高压水射流清除道路标线效果预测方法及装置 | |
CN109588289B (zh) | 基于农作物墒情的防洪抗旱管理方法及装置 | |
CN205078903U (zh) | 智能灌溉控制阀 | |
CN101507408A (zh) | 一种重力滴灌全自动控制装置 |
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 |