CN113326783A - 一种水利行业的边缘预警方法 - Google Patents
一种水利行业的边缘预警方法 Download PDFInfo
- Publication number
- CN113326783A CN113326783A CN202110607203.7A CN202110607203A CN113326783A CN 113326783 A CN113326783 A CN 113326783A CN 202110607203 A CN202110607203 A CN 202110607203A CN 113326783 A CN113326783 A CN 113326783A
- Authority
- CN
- China
- Prior art keywords
- water conservancy
- warning method
- conservancy industry
- edge
- target
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 239000010865 sewage Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能水文领域，具体提供了一种水利行业的边缘预警方法，具有以下步骤：S1、抓取想要预警地的图像进行数字化处理；S2、利用卷积神经网络对样本进行训练形成有效算法；S3、近景摄像测量加工处理，确定目标的外形和运动状态及获取目标瞬时信息。与现有技术相比，本发明提高图像视频分析的效率，有效降低误报和漏报现象，减少无用数据量，提高响应速度。
Description
技术领域
本发明涉及智能水文领域，具体提供一种水利行业的边缘预警方法。
背景技术
目前主要依赖人工巡查、群众举报和传统监控三种方式来发现涉水事件后再处理。其中，
人工巡查为：巡查人员通过手工抄录数据的模式来记录巡查项。在巡查完成后将异常情况上报，并汇总成巡查报告。这样的方式简单易学，对于操作工的要求不高，但是需要牢记巡查路线，当抄录数据错误时，修改不便。同时人工巡查容易出现错误，造成误报。同时人工巡查无法做到24小时不间断巡查，而且人工巡查成本巨大，巡查安全系数低且效率偏低。
群众举报为：群众可通过信访、电话、网站等方式对身边涉水违法、违规行为等进行举报，举报人在举报时，需提供被举报对象的名称、发现时间、具***置(最好有定位)，照片和录像等有必要的佐证材料，以及举报人的真实姓名、联系方式。相关部门对上报情况进行核查，然后根据责任分工对该事件进行整改。这种方式耗时较长且完全依赖人力，效率较低。
传统监控为：值班人员需要长期盯着监视屏幕，很容易产生疲劳感，降低注意力，从而错过重要画面信息，延误警情。水事影像监视点数量很大，难以按照1:1的比例为监控摄像机配置监视器，因此大多采用分屏排列的方式显示在监视器上，很可能一时疏忽就错过异常现象。因传统视频不具备智能分析功能，只是简单将录像数据打上时间标签并进行存储。当需要调查某段异常时，需要大量时间进行查找、分析，工作效率非常低。
可见，现有技术中对于涉水事件存在智能化手段低、依赖人力，效率不高的问题。
发明内容
本发明是针对上述现有技术的不足，提供一种实用性强的水利行业的边缘预警方法。
本发明解决其技术问题所采用的技术方案是：
一种水利行业的边缘预警方法，具有以下步骤：
S1、抓取想要预警地的图像进行数字化处理；
S2、利用卷积神经网络对样本进行训练形成有效算法；
S3、近景摄像测量加工处理，确定目标的外形和运动状态及获取目标瞬时信息。
进一步的，在步骤S1中，通过图像摄取装置将图像抓取到，然后将所述图像传送至处理单元，进行数字化处理。
进一步的，数字化处理之后，对图像进行预处理操作，根据像素的基本信息，来进行样本种类、尺寸、形状和颜色的判别。
作为优选，预处理操作包括对图像进行类型变换、去燥滤波、叠加平滑和二值化，根据像素分布、亮度和颜色，进行样本种类、尺寸、形状和颜色的判别。
进一步的，在步骤S2中，利用卷积神经网络对样本特征进行训练，输入原始数据，经过卷积、激活函数及池化操作，将原始数据中的高层语义概念剥离出来。
进一步的，将高层语义概念剥离出来之后，通过误差函数计算真实值和输出值之间的误差值，反向逐层反馈，更新每层参数，通过前馈运算与反馈运算，最终使模型收敛，完成训练。
作为优选，利用卷积神经网络对样本特征进行训练时，选取噪声少的样本用来进行训练卷积神经网络。
进一步的，在步骤S3中，近距离拍摄目标图像，经过加工处理，确定目标的外形和运动状态，可瞬间获取被测目标的大量几何和物理信息，同时测定多点在某一瞬间的空间位置，像片资料可随时进行比较。
本发明的一种水利行业的边缘预警方法和现有技术相比，具有以下突出的有益效果：
本发明针对水利行业治理，各类事件的监管需求，图像采集单元将场景信息进行实时的图像视频采集,然后通过机器视觉分析，结合相关深度学习后的图像处理算法实时对场景图像进行分析，充分发挥视频技术在水利信息化中的作用，提高图像视频分析的效率，有效降低误报和漏报现象，减少无用数据量，提高响应速度。
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。
附图1是一种水利行业的边缘预警方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。
下面给出一个最佳实施例：
如图1所示，本实施例中的一种水利行业的边缘预警方法，具有以下步骤：
S1、抓取想要预警地的图像进行数字化处理：
通过图像摄取装置把图像抓取到，然后将该图像传送至处理单元，通过数字化处理，对图像进行类型变换、去噪滤波、叠加平滑、二值化等一系列图像预处理操作，根据像素分布和亮度、颜色等信息，来进行样本种类、尺寸、形状、颜色等的判别。
S2、利用卷积神经网络对样本进行训练形成有效算法：
利用卷积神经网络对各类样本特征进行训练,算法实现过程为输入原始数据,经过卷积、激活函数及池化等层层操作,将原始数据中的高层语义概念剥离出来。
通过误差函数计算真实值和输出值之间的误差值,反向逐层反馈,更新每层参数,通过前馈运算与反馈运算,最终使模型收敛,实现完成训练的目的。
同时,卷积神经网络的性能与所提供的训练样本息息相关,好的训练样本需要同时满足样本数量和样本质量两方面的要求。
因此,收集大量高质量的样本是至关重要的,直接影响到最终观测结果的准确性。考虑到在分割的时候去除了很多干扰,所以选取噪声少的样本用来训练卷积神经网络。
S3、近景摄像测量加工处理，确定目标的外形和运动状态及获取目标瞬时信息：
近距离拍摄目标图像，经过加工处理，确定目标的外形和运动状态，可瞬间获取被测目标的大量几何和物理信息，同时测定多点在某一瞬间的空间位置，像片资料可随时进行比较。
主要应用以下场景中：
水源地/溢洪道/水库等入侵检测：
周界防范识别是基于多种对视频图像中运动目标提取的方法(如帧间差分和背景差分等)，提取行人、车辆图像，建立水利通用物体训练图像集，根据行人、车辆的外观轮廓特点，构建周界智能分析计算能力和人车物识别库(基于神经网络的物体检测模型)，在视频监控摄像的流媒体中，对常见水库中人员游泳(小孩)、河道捕鱼、泄洪渠(沟)人员入侵、山洪沟行车/行人等进行圈定、预警并将告警信息给业务人员。
河道漂浮物识别：
目前河长制巡河主要依赖人工巡查、群众举报、传统监控三种方式发现后再处理，智能化手段低，依赖人力，效率不高。利用视频分析对河道漂浮物进行分析，减轻巡河人员的危险、提高巡查效率。
利用计算机视觉和图像处理的手段，实现自动发现河道漂浮物，自动预警，并且将发现的“漂浮物事件”推送至责任巡查人员的政务微信上，达到快速处置的目标。
岸线侵占：
黄河高质量发展和长江高质量发展，其中关于黄河、长江生态保护也是发展的，针对河道违规、违建、破坏生态破坏等全天候识别。将是助力黄河高质量发展和长江高质量发展监管的利器。
构建侵占水域岸线识别模型，通过划定目标区域的水域岸线，识别侵占河道行为，一旦发现违禁行为立即触发告警，同时云端支持录制现场实况，作为违禁行为的问责依据。
排污口监管：
当今，工业废水和生活污水的排放是造成水质污染的主要原因。一些不符合法律法规要求的排污口通常比较隐蔽，而且排污周期不稳定，比如避开白天时间排放，这些现象增加了排查清理的难度。为满足保护水体环境的需求，环保部门需要能够对非法的、设置不合理的排污口进行清查，进而为整治工作提供支撑数据。
通过无人机基于热红外图像的水域周边排污口智能检测方法对偷排进行巡查，利用监测设备(视频+流速仪)对现有排污口进行检查，对多排进行监管，利用水质分析仪对排污含量进行监测，同时利用无人船快速对水质进行采样、留存。全方位实现排污监管。
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种水利行业的边缘预警方法权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种水利行业的边缘预警方法，其特征在于，具有以下步骤：
S1、抓取想要预警地的图像进行数字化处理；
S2、利用卷积神经网络对样本进行训练形成有效算法；
S3、近景摄像测量加工处理，确定目标的外形和运动状态及获取目标瞬时信息。
2.根据权利要求1所述的一种水利行业的边缘预警方法，其特征在于，在步骤S1中，通过图像摄取装置将图像抓取到，然后将所述图像传送至处理单元，进行数字化处理。
3.根据权利要求2所述的一种水利行业的边缘预警方法，其特征在于，数字化处理之后，对图像进行预处理操作，根据像素的基本信息，来进行样本种类、尺寸、形状和颜色的判别。
4.根据权利要求3所述的一种水利行业的边缘预警方法，其特征在于，预处理操作包括对图像进行类型变换、去燥滤波、叠加平滑和二值化，根据像素分布、亮度和颜色，进行样本种类、尺寸、形状和颜色的判别。
5.根据权利要求4所述的一种水利行业的边缘预警方法，其特征在于，在步骤S2中，利用卷积神经网络对样本特征进行训练，输入原始数据，经过卷积、激活函数及池化操作，将原始数据中的高层语义概念剥离出来。
6.根据权利要求5所述的一种水利行业的边缘预警方法，其特征在于，将高层语义概念剥离出来之后，通过误差函数计算真实值和输出值之间的误差值，反向逐层反馈，更新每层参数，通过前馈运算与反馈运算，最终使模型收敛，完成训练。
7.根据权利要求6所述的一种水利行业的边缘预警方法，其特征在于，利用卷积神经网络对样本特征进行训练时，选取噪声少的样本用来进行训练卷积神经网络。
8.根据权利要求7所述的一种水利行业的边缘预警方法，其特征在于，在步骤S3中，近距离拍摄目标图像，经过加工处理，确定目标的外形和运动状态，可瞬间获取被测目标的大量几何和物理信息，同时测定多点在某一瞬间的空间位置，像片资料可随时进行比较。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110607203.7A CN113326783A (zh) | 2021-06-01 | 2021-06-01 | 一种水利行业的边缘预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110607203.7A CN113326783A (zh) | 2021-06-01 | 2021-06-01 | 一种水利行业的边缘预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113326783A true CN113326783A (zh) | 2021-08-31 |
Family
ID=77422974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110607203.7A Pending CN113326783A (zh) | 2021-06-01 | 2021-06-01 | 一种水利行业的边缘预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113326783A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116186121A (zh) * | 2023-04-24 | 2023-05-30 | 四川边缘算力科技有限公司 | 一种基于边缘算法的预警方法、***及存储介质 |
| CN116310760A (zh) * | 2023-04-06 | 2023-06-23 | 河南禹宏实业有限公司 | 基于机器视觉的智能水利监测*** |
| CN116306223A (zh) * | 2023-01-09 | 2023-06-23 | 浪潮智慧科技有限公司 | 一种水利工程监测方法、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110148283A (zh) * | 2019-05-16 | 2019-08-20 | 安徽天帆智能科技有限责任公司 | 一种基于卷积神经网络的实时落水监测*** |
| CN110210323A (zh) * | 2019-05-09 | 2019-09-06 | 浙江大学 | 一种基于机器视觉的溺水行为在线识别方法 |
-
2021
- 2021-06-01 CN CN202110607203.7A patent/CN113326783A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210323A (zh) * | 2019-05-09 | 2019-09-06 | 浙江大学 | 一种基于机器视觉的溺水行为在线识别方法 |
| CN110148283A (zh) * | 2019-05-16 | 2019-08-20 | 安徽天帆智能科技有限责任公司 | 一种基于卷积神经网络的实时落水监测*** |
Non-Patent Citations (3)
| Title |
|---|
| 李森浩: "基于特征融合的小型水域漂浮物识别方法研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
| 王战友 等: "边缘计算终端在河湖漂浮物智能识别上的应用", 《中国水利学会2020学术年会论文集》 * |
| 雷佳明 等: "人工智能图像识别在水库智能监控方面的应用", 《中国水利学会2019学术年会论文集》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306223A (zh) * | 2023-01-09 | 2023-06-23 | 浪潮智慧科技有限公司 | 一种水利工程监测方法、设备及介质 |
| CN116306223B (zh) * | 2023-01-09 | 2023-09-22 | 浪潮智慧科技有限公司 | 一种水利工程监测方法、设备及介质 |
| CN116310760A (zh) * | 2023-04-06 | 2023-06-23 | 河南禹宏实业有限公司 | 基于机器视觉的智能水利监测*** |
| CN116310760B (zh) * | 2023-04-06 | 2023-09-22 | 河南禹宏实业有限公司 | 基于机器视觉的智能水利监测*** |
| CN116186121A (zh) * | 2023-04-24 | 2023-05-30 | 四川边缘算力科技有限公司 | 一种基于边缘算法的预警方法、***及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113326783A (zh) | 一种水利行业的边缘预警方法 | |
| CN110232380B (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
| Carletti et al. | An intelligent flying system for automatic detection of faults in photovoltaic plants | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN112633231B (zh) | 一种火灾识别的方法和装置 | |
| TW202013252A (zh) | 車牌辨識系統與方法 | |
| CN103106766A (zh) | 林火识别方法与*** | |
| CN106331636A (zh) | 基于行为事件触发的输油管道智能视频监控***及方法 | |
| CN110659546B (zh) | 一种违法摊位检测方法及装置 | |
| CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
| CN105915840A (zh) | 一种基于视频信号的工厂烟气排放自动监测的方法 | |
| US11580659B2 (en) | Method for size estimation by image recognition of specific target using given scale | |
| CN114170569A (zh) | 一种路面异常情况监测方法、***、存储介质及设备 | |
| Tao et al. | Smoky vehicle detection based on range filtering on three orthogonal planes and motion orientation histogram | |
| CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
| CN114266299A (zh) | 基于无人机作业的铁路桥梁钢结构缺陷检测方法及*** | |
| JP2007065878A (ja) | 水面または水中における移動体計数方法、計数装置および計数プログラム | |
| Lam et al. | Real-time traffic status detection from on-line images using generic object detection system with deep learning | |
| CN110659627A (zh) | 一种基于视频分割的智能视频监控方法 | |
| CN102244769A (zh) | 物件及其关键人监控***与方法 | |
| KR102040562B1 (ko) | 영상정보를 활용한 시정거리 추정 방법 | |
| CN113221760A (zh) | 一种高速公路摩托车检测方法 | |
| CN113758927B (zh) | 一种基于反向残差瓶颈的编码器-解码器小型桥梁底部裂缝检测***与方法 | |
| CN113627388A (zh) | 针对裸土覆盖情况的确定方法及装置 | |
| CN114266837A (zh) | 一种道路标识检测方法、装置、设备及计算机存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |