CN117456353A - 一种河流湖泊智慧界桩的管理*** - Google Patents
一种河流湖泊智慧界桩的管理*** Download PDFInfo
- Publication number
- CN117456353A CN117456353A CN202311326523.0A CN202311326523A CN117456353A CN 117456353 A CN117456353 A CN 117456353A CN 202311326523 A CN202311326523 A CN 202311326523A CN 117456353 A CN117456353 A CN 117456353A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- water surface
- region
- module
- 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
- 238000012545 processing Methods 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 189
- 230000006870 function Effects 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 239000003208 petroleum Substances 0.000 claims description 9
- 238000003911 water pollution Methods 0.000 claims description 8
- 208000034699 Vitreous floaters Diseases 0.000 claims description 4
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 35
- 238000003860 storage Methods 0.000 description 35
- 238000007726 management method Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种河流湖泊智慧界桩的管理***,涉及图像处理技术领域。该***包括:监测图像获取模块,用于获取智慧界桩针对河流湖泊的指定区域采集的目标图像;图像预处理模块,用于对目标图像进行预处理,得到预处理后的图像,其中,该预处理至少包括对比度增强和颜色空间转换;特征提取模块,用于对预处理后的图像进行特征提取处理,以获得特征向量,该特征向量至少包括目标图像对应的颜色特征、形状特征以及纹理特征;异常检测模块,用于将目标图像对应的特征向量输入训练好的机器学习模型,以基于该特征向量识别出目标图像中是否存在异常;预警模块,用于在异常检测模块检测到目标图像中存在异常时,生成与该异常对应的预警信号。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种河流湖泊智慧界桩的管理***。
背景技术
随着群众生活水平的不断提高,人们对环境质量的需求也在不断提高。河湖作为生态环境的重要组成部分,已成为社会关注的热点。
智慧界桩是一种借助物联网技术实现界桩功能(例如河湖划界)和各种智慧功能的智能设备,是目前用于生态保护、交通等领域的重点研究方向。在一些应用场景中,可以通过智慧界桩对其所在环境进行图像或视频采集,然后通过机器视觉技术对采集的图像或视频进行处理,以识别该智慧界桩所在环境的异常情况。
然而,对于河流湖泊而言,可能会由于水面的波动而导致识别不够准确。因此,期望研究一种河流湖泊智慧界桩的管理***,以提高河流湖泊异常监测的准确性和可靠性。
发明内容
本说明书实施例提供一种河流湖泊智慧界桩的管理***,所述***包括:
监测图像获取模块,用于获取智慧界桩针对河流湖泊的指定区域采集的目标图像;
图像预处理模块,用于对所述目标图像进行预处理,以得到预处理后的图像,其中,所述预处理至少包括对比度增强和颜色空间转换;
特征提取模块,用于对所述预处理后的图像进行特征提取处理,以获得所述目标图像对应的特征向量,所述特征向量至少包括所述目标图像对应的颜色特征、形状特征以及纹理特征;
异常检测模块,用于将所述目标图像对应的特征向量输入训练好的机器学习模型,以基于所述目标图像对应的特征向量识别出所述目标图像中是否存在异常;
预警模块,用于在所述异常检测模块检测到所述目标图像中存在异常时,生成与所述异常对应的预警信号。
在一些实施例中,所述图像预处理模块在对所述目标图像进行对比度增强处理时,具体用于:
获取所述目标图像前一帧的第一图像和所述目标图像后一帧的第二图像,并分别确定所述目标图像、第一图像和第二图像中的水面区域和非水面区域;
基于所述目标图像中的水面区域与所述第一图像和所述第二图像中的水面区域的差异,确定水面波动对所述目标图像的影响系数;
基于所述影响系数确定第一调整函数和第二调整函数;
通过所述第一调整函数对所述目标图像的水面区域中不受水面波动影响的第一子区域进行对比度调整,通过所述第二调整函数对所述目标图像的水面区域中除所述第一子区域以外的第二子区域进行对比度调整,得到对比度增强后的图像。
在一些实施例中,所述影响系数通过如下方式计算得到:
其中,I为水面波动对所述目标图像的影响系数,C为所述目标图像中位于水面区域的像素点的平均灰度值,CA为所述目标图像、第一图像以及第二图像中位于水面区域的所有像素点的平均灰度值,Cmax为所述目标图像、第一图像以及第二图像中位于水面区域的所有像素点中的最大灰度值,Cmin为所述目标图像、第一图像以及第二图像中位于水面区域的所有像素点中的最小灰度值,max(|Cmax-CA|,|Cmin-CA|)表示选取|Cmax-CA|和|Cmin-CA|中的较大值。
在一些实施例中,所述第一调整函数为:
其中,c1为经过对比度调整后的灰度值,c为所述第一子区域中的像素点的当前灰度值,cmax1为所述第一子区域中的最大灰度值,cmin1为所述第一子区域中的最小灰度值,I为水面波动对所述目标图像的影响系数。
在一些实施例中,所述第二调整函数为:
其中,c2为经过对比度调整后的灰度值,c为所述第二子区域中的像素点的当前灰度值,cmax2为所述第二子区域中的最大灰度值,cmin2为所述第二子区域中的最小灰度值,l为当前像素点与所述第一子区域的最小距离,lmax为所述第二子区域中各像素点与所述第一子区域的最小距离的最大值,I为水面波动对所述目标图像的影响系数。
在一些实施例中,所述目标图像的水面区域中不受水面波动影响的第一子区域通过如下方式确定:
将所述目标图像的水面区域与所述第一图像和/或第二图像的水面区域进行区域匹配,并计算每一个匹配区域所对应的区域差异度;
将所述区域差异度最小的区域作为所述目标图像的水面区域中不受水面波动影响的第一子区域。
在一些实施例中,所述图像预处理模块在对所述目标图像进行对比度增强处理时,还具体用于:对所述目标图像中的非水面区域的像素点进行灰度值削弱,以增强所述目标图像中的水面区域与非水面区域的对比度。
在一些实施例中,所述特征提取模块还用于:
确定所述目标图像中的水面区域,以及所述指定区域中预设的水位线标识;
基于所述水面区域与所述水位线标识之间的相对关系,确定所述目标图像所反映的水位特征,并基于所述水位特征确定所述目标图像对应的特征向量;
所述异常检测模块在基于所述目标图像对应的特征向量识别出所述目标图像中是否存在异常时,具体用于:识别所述目标图像中是否存在河道漂浮物、石油泄漏、水质污染或水位线过高。
在一些实施例中,所述***还包括模型训练模块,所述模型训练模块用于:
获取样本图像以及所述样本图像对应的标签,其中,所述标签包括存在河道漂浮物、石油泄漏、水质污染、水位线过高或无异常情况中的一种或多种;
对所述样本图像进行特征提取处理,以获得所述样本图像对应的样本特征向量;
将所述样本特征向量作为初始机器学习模型的输入,并将所述标签作为所述样本特征向量对应的输出,对所述初始机器学习模型进行迭代训练,直到达到预测的迭代次数或损失函数达到预设阈值时结束训练,得到所述训练好的机器学习模型。
在一些实施例中,所述初始机器学习模型包括Faster R-CNN、YOLO或SSD,所述损失函数包括分类损失函数或目标检测损失函数。
本说明书实施例所提供的河流湖泊智慧界桩的管理***可能带来的有益效果至少包括:
(1)通过对目标图像进行对比度增强和颜色空间转换等预处理,可以提供更敏感的特征,使目标图像中所反映的特征更加明显,从而使后续过程中的目标检测、图像分割以及特征提取任务更加准确;
(2)通过确定水面波动对目标图像的影响系数,然后基于该影响系数分别确定用于对目标图像的第一子区域进行调整的第一调整函数,以及用于对该目标图像中的第二子区域进行调整的第二调整函数,可以基于不同的调整方式对目标图像中的第一子区域和第二子区域分别进行调整,从而使得第一子区域与第二子区域对比更加明显;
(3)通过结合第二子区域中的像素点与第一子区域的最小距离来确定第二调整函数,可以基于第二子区域中各像素点与第一子区域的最小距离进行自适应调整,从而提高第一子区域和第二子区域的边缘的对比度。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说,通过查阅以下内容和附图将变得显而易见,或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的河流湖泊智慧界桩的管理***的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的河流湖泊智慧界桩的管理***的示例性模块图;
图3是根据本说明书一些实施例所示的河流湖泊智慧界桩的管理方法的示例性流程图;
图4是根据本说明书一些实施例所示的河流湖泊智慧界桩的平台拓扑架构示意图;
图5是根据本说明书一些实施例所示的河流湖泊智慧界桩的使用场景示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面结合附图对本说明书实施例提供的河流湖泊智慧界桩的管理方法和***进行详细说明。
图1是根据本说明书一些实施例所示的河流湖泊智慧界桩的管理***的示例性应用场景示意图。
参照图1,在一些实施例中,河流湖泊智慧界桩的管理***的应用场景100可以包括智慧界桩110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如,智慧界桩110可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。又例如,存储设备120可以与处理设备130直接连接或通过网络150连接。又例如,终端设备140可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。
智慧界桩110可以包括图像采集装置(例如摄像头),该图像采集装置可以用于获取针对河流湖泊的指定区域采集的目标图像,例如河道弯曲处、桥墩周围、隔离网安置处等漂浮物容易堆积的区域。该目标图像可以反映出智慧界桩110所在环境是否存在河道漂浮物、石油泄漏、水质污染或水位线过高。在一些实施例中,该智慧界桩110上的图像采集装置可以按照设定的图像采集频率对前述指定区域进行目标图像采集(例如,每隔2秒采集一次)。在一些实施例中,该智慧界桩110上的图像采集装置可以针对前述指定区域进行实时视频采集,并从该视频中提取视频帧以获得目标图像。在一些实施例中,为了实现全方位的监控和拍摄,可以将该智慧界桩110设置在云台组件上。在一些实施例中,智慧界桩110可以具有独立的电源,其可以通过有线或无线(例如蓝牙、WiFi、NB-IOT(Narrow Band Internetof Things,窄带物联网)、3G/4G/5G网络等)的方式将采集的目标图像发送给应用场景100中的其他部件(例如,存储设备120、处理设备130、终端设备140)。在一些实施例中,应用场景100中可以包括多个(例如两个及以上)智慧界桩110,该多个智慧界桩110可以针对相同或不同的指定区域进行目标图像采集。
在一些实施例中,智慧界桩110可以通过网络150将其采集的目标图像发送至存储设备120、处理设备130、终端设备140等。在一些实施例中,可以通过处理设备130对智慧界桩110所采集的目标图像进行处理。例如,处理设备130可以基于该目标图像确定其对应的特征向量,并基于该特征向量确定指定区域的当前异常情况。在一些实施例中,该指定区域的当前异常情况可以发送至存储设备120进行记录,或者发送至终端设备140以反馈给用户(例如河道管理人员)。
网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,智慧界桩110、存储设备120、处理设备130、终端设备140)可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备130可以通过网络150从智慧界桩110和/或存储设备120获得针对指定区域采集的目标图像。又例如,处理设备130可以通过网络150从终端设备140获得用户操作指令,示例性的操作指令可以包括但不限于调阅目标图像,读取该目标图像对应的特征向量,以及基于该特征向量确定的指定区域的当前异常情况等。
在一些实施例中,网络150可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络150可以包括至少一个网络接入点,应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。
存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备120可以存储从智慧界桩110、处理设备130和/或终端设备140获得的数据。例如,存储设备120可以存储智慧界桩110采集的目标图像;又例如,存储设备120可以存储处理设备130计算得到的特征向量,以及基于该特征向量确定的指定区域的当前异常情况。在一些实施例中,存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件(例如,智慧界桩110、处理设备130、终端设备140)通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中,存储设备120可以与应用场景100中的一个或以上组件(例如,智慧界桩110、终端设备140)直接连接或通信。在一些实施例中,存储设备120可以是智慧界桩110和/或处理设备130的一部分。
处理设备130可以处理从智慧界桩110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中,处理设备130可以从智慧界桩110、存储设备120或终端设备140中任意一个或多个获得目标图像,通过对该目标图像进行处理以确定该目标图像对应的特征向量,并基于该特征向量确定指定区域的当前异常情况。在一些实施例中,处理设备130可以从存储设备120获取预先存储的计算机指令,并执行该计算机指令以实现本说明书所描述的河流湖泊智慧界桩的管理方法。
在一些实施例中,处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备130可以是本地或远程的。例如,处理设备130可以通过网络150从智慧界桩110、存储设备120和/或终端设备140访问信息和/或数据。又例如,处理设备130可以直接连接到智慧界桩110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括智慧界桩110采集的数据、存储设备120存储的数据、处理设备130处理得到的指定区域的当前异常情况等。例如,终端设备140接收和/或显示的数据可以包括智慧界桩110采集的目标图像、处理设备130基于该目标图像确定的指定区域的当前异常情况等。所述发送的数据可以包括用户(例如河道管理人员)的输入数据和指令等。例如,终端设备140可以将用户输入的操作指令通过网络150发送给智慧界桩110,以控制智慧界桩110进行相应的数据采集。又例如,终端设备140可以将用户输入的控制指令通过网络150发送给处理设备130。
在一些实施例中,终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如,移动设备141可以包括移动电话、个人数字助理(PDA)、专用移动终端等或其任意组合。在一些实施例中,终端设备140可以包括输入设备(如键盘、触摸屏)、输出设备(如显示器、扬声器)等。在一些实施例中,处理设备130可以是终端设备140的一部分。
应当注意的是,上述有关应用场景100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,智慧界桩110的可以包括更多或更少的功能组件(关于智慧界桩110的更多细节可以参照图4和图5部分)。
图2是根据本说明书一些实施例所示的河流湖泊智慧界桩的管理***的模块示意图。在一些实施例中,图2所示的河流湖泊智慧界桩的管理***200可以以软件和/或硬件的方式应用到图1所示的应用场景100,例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于对智慧界桩110所采集的目标图像进行处理,并基于该目标图像确定指定区域的当前异常情况。
参照图2,在一些实施例中,河流湖泊智慧界桩的管理***200可以包括监测图像获取模块210、图像预处理模块220、特征提取模块230、异常检测模块240以及预警模块250。
监测图像获取模块210可以用于获取智慧界桩针对河流湖泊的指定区域采集的目标图像。
图像预处理模块220可以用于对所述目标图像进行预处理,以得到预处理后的图像,其中,所述预处理至少包括对比度增强和颜色空间转换。
特征提取模块230可以用于对所述预处理后的图像进行特征提取处理,以获得所述目标图像对应的特征向量,所述特征向量至少包括所述目标图像对应的颜色特征、形状特征以及纹理特征。
异常检测模块240可以用于将所述目标图像对应的特征向量输入训练好的机器学习模型,以基于所述目标图像对应的特征向量识别出所述目标图像中是否存在异常。
预警模块250可以用于在所述异常检测模块检测到所述目标图像中存在异常时,生成与所述异常对应的预警信号。
继续参照图2,在一些实施例中,河流湖泊智慧界桩的管理***200还可以包括模型训练模块260,该模型训练模块260可以用于:
获取样本图像以及所述样本图像对应的标签,其中,所述标签包括存在河道漂浮物、石油泄漏、水质污染、水位线过高或无异常情况中的一种或多种;
对所述样本图像进行特征提取处理,以获得所述样本图像对应的样本特征向量;
将所述样本特征向量作为初始机器学习模型的输入,并将所述标签作为所述样本特征向量对应的输出,对所述初始机器学习模型进行迭代训练,直到达到预测的迭代次数或损失函数达到预设阈值时结束训练,得到所述训练好的机器学习模型。
关于上述各个模块的更多细节可以参照本说明书的其他位置(例如图3部分及其相关描述),此处不再赘述。
应当理解,图2所示的河流湖泊智慧界桩的管理***200及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,上述关于河流湖泊智慧界桩的管理***200的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。可以理解,对于本领域的技术人员来说,可以根据本说明书的描述,在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,图2中所述的监测图像获取模块210、图像预处理模块220、特征提取模块230、异常检测模块240以及预警模块250可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形,均在本说明书的保护范围之内。在一些实施例中,前述各个模块可以是处理设备130和/或终端设备140的一部分。
图3是根据本说明书一些实施例所示的河流湖泊智慧界桩的管理方法的示例性流程图。在一些实施例中,方法300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中,图3所示的河流湖泊智慧界桩的管理方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如,方法300可以以指令的形式存储在存储设备120中,并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。
参照图3,在一些实施例中,河流湖泊智慧界桩的管理方法300可以包括:
步骤310,获取智慧界桩针对河流湖泊的指定区域采集的目标图像。在一些实施例中,步骤310可以由监测图像获取模块210执行。
在一些实施例中,智慧界桩110针对指定区域采集的目标图像可以存储在存储设备120中,监测图像获取模块210可以从存储设备120获取智慧界桩针对河流湖泊的指定区域采集的目标图像。在一些实施例中,该监测图像获取模块210可以与智慧界桩110通信连接,监测图像获取模块210可以直接从智慧界桩110获取智慧界桩针对河流湖泊的指定区域采集的目标图像。
在一些实施例中,前述指定区域可以包括河道弯曲处、桥墩周围、隔离网安置处等漂浮物容易堆积的区域。
步骤320,对所述目标图像进行预处理,以得到预处理后的图像,其中,所述预处理至少包括对比度增强和颜色空间转换。在一些实施例中,步骤320可以由图像预处理模块220执行。
需要说明的是,对比度是图像中灰度级别之间的差异度量,其对于图像中目标的边缘和细节信息具有重要意义。在本说明书实施例中,通过对比度增强可以使该目标图像中不同灰度级别的差异更加明显,从而增强图像的细节和边缘特征,以便于后续过程中对该目标图像中的特征进行识别。另外,由于不同的颜色空间可以提供不同的图像信息表示,对于一些图像识别任务更具有区分度。因此,在本说明书实施例中,通过对该目标图像进行颜色空间转换,可以使该目标图像中所反映的特征更加明显,并且可以在一定程度上降低后续图像识别过程的数据处理量。示例性地,在一些实施例中,该目标图像可以为RGB图像,图像预处理模块220可以将该RGB图像转换为灰度图像,以去除该目标图像中颜色信息,使得图像更侧重于亮度和对比度,从而使其更加适用于某些形状和纹理识别任务。在一些实施例中,图像预处理模块220也可以将该RGB图像转换至HSV(色相、饱和度、明度)颜色空间,以提供对颜色信息更敏感的特征,从而使其更加适用于某些目标检测和图像分割任务。
还需要说明的是,在一些实施例中,图像预处理模块220还可以进行其他的预处理操作。示例性的预处理操作可以包括,但不限于边缘检测、图像裁剪、去噪、直方图均衡化、尺度归一化等。
由于水面波动可能导致目标图像中的目标模糊和失真,例如破坏图像中的细节和纹理信息,使目标在图像中的边缘模糊或不清晰,进而使得图像识别变得困难。因此,在本说明书实施例中,为了降低水面波动对后续识别过程的影响,主要通过在图像预处理阶段对目标图像进行对比度增强,以提高后续图像识别阶段的准确性和可靠性。
具体而言,在本说明书实施例中,预处理模块220在对该目标图像进行对比度增强处理时,具体用于:
获取目标图像前一帧的第一图像和目标图像后一帧的第二图像,并分别确定该目标图像、第一图像和第二图像中的水面区域和非水面区域;基于目标图像中的水面区域与第一图像和第二图像中的水面区域的差异,确定水面波动对该目标图像的影响系数;基于该影响系数确定第一调整函数和第二调整函数;通过第一调整函数对目标图像的水面区域中不受水面波动影响的第一子区域进行对比度调整,通过第二调整函数对目标图像的水面区域中除所述第一子区域以外的第二子区域进行对比度调整,得到对比度增强后的图像。
具体而言,在一些实施例中,该目标图像、第一图像和第二图像中的水面区域和非水面区域可以通过颜色阈值法进行分割。具体而言,由于水面通常具有特定的颜色特征,因此可以通过设置合适的颜色阈值来分割水面区域和非水面区域。例如,水面可能具有较高的亮度和饱和度,可以在相应的颜色空间中设置阈值来提取水面区域,从而对该目标图像、第一图像和第二图像中的水面区域和非水面区域进行确定。
在一些实施例中,该目标图像、第一图像和第二图像中的水面区域和非水面区域也可以通过纹理分析进行确定。具体而言,水面通常具有不规则的纹理和波纹特征,因此,可以使用纹理分析方法,如Gabor滤波器、纹理梯度等,来提取水面的纹理特征,并进行水面区域和非水面区域的识别。
在一些实施例中,该目标图像、第一图像和第二图像中的水面区域和非水面区域也可以通过运动检测进行确定。具体而言,由于水面通常会产生波动和涟漪,因此可以通过运动检测的方法来识别水面区域。例如,可以使用光流算法或帧间差分技术来检测图像序列中的运动区域,其中涉及到较大的运动的区域则可能表示水面区域。
在一些实施例中,该目标图像、第一图像和第二图像中的水面区域和非水面区域也可以通过深度学习方法进行确定。具体而言,即可以使用深度学习技术,如卷积神经网络(CNN)、语义分割网络等,通过训练模型来学习水面和非水面的特征表示,并进行水面区域的识别和分割。
在一些实施例中,水面波动对该目标图像的影响系数可以通过如下方式计算得到:
其中,I为水面波动对目标图像的影响系数,C为目标图像中位于水面区域的像素点的平均灰度值,CA为目标图像、第一图像以及第二图像中位于水面区域的所有像素点的平均灰度值,Cmax为目标图像、第一图像以及第二图像中位于水面区域的所有像素点中的最大灰度值,Cmin为目标图像、第一图像以及第二图像中位于水面区域的所有像素点中的最小灰度值,max(|Cmax-CA|,|Cmin-CA|)表示选取|Cmax-CA|和|Cmin-CA|中的较大值。
根据上述公式可以看出,该目标图像与第一图像和第二图像之间的差异越大,则水面波动对该目标图像的影响系数越大。
进一步地,前述第一调整函数可以表示如下:
其中,c1为经过对比度调整后的灰度值,c为目标图像中的第一子区域中的像素点的当前灰度值,cmax1为该第一子区域中的最大灰度值,cmin1为该第一子区域中的最小灰度值,I为水面波动对目标图像的影响系数。
前述第二调整函数可以表示如下:
其中,c2为经过对比度调整后的灰度值,c为目标图像中的第二子区域中的像素点的当前灰度值,cmax2为该第二子区域中的最大灰度值,cmin2为该第二子区域中的最小灰度值,l为当前像素点与第一子区域的最小距离,lmax为第二子区域中各像素点与第一子区域的最小距离的最大值,I为水面波动对目标图像的影响系数。
根据上述第一调整函数和第二调整函数可以看出,在本说明书实施例中,水面波动对该目标图像的影响系数越大,则对该目标图像进行对比度增强处理的程度越高,图像中不同像素点之间的对比越明显。另外,对于第二子区域中的像素点而言,距离第一子区域的最小距离越小,则对应的增强程度也越小,通过该自适应增强方式,可以在一定程度上提高第一子区域和第二子区域的边缘的对比度。
需要说明的是,在本说明书的一些实施例中,前述目标图像的水面区域中不受水面波动影响的第一子区域可以表示水面漂浮物,其通过如下方式确定:
首先,将目标图像的水面区域与第一图像和/或第二图像的水面区域进行区域匹配,并计算每一个匹配区域所对应的区域差异度;然后,将区域差异度最小的区域作为目标图像的水面区域中不受水面波动影响的第一子区域。
具体地,在一些实施例中,将目标图像的水面区域与第一图像和/或第二图像的水面区域进行区域匹配的过程可以包括:使用特征提取算法从目标图像、第一图像和/或第二图像中提取特征,然后对提取的特征进行匹配,找到第一图像和/或第二图像中的特征与目标图像中的特征之间的对应关系,最后根据特征匹配的结果,进行几何验证来判断匹配的准确性和一致性,并根据特征匹配的质量和几何验证的结果,对匹配进行度量和筛选,以确定目标图像的水面区域与第一图像和/或第二图像的水面区域的区域匹配关系。在一些实施例中,前述特征可以包括关键点和描述子,其中,关键点是图像中具有显著性质的点,描述子可以指对关键点周围区域的描述。在本说明书实施例中,关于将目标图像的水面区域与第一图像和/或第二图像的水面区域进行区域匹配的过程可以视为现有技术,本说明书中不再对其具体实施过程进行详细论述。
在一些实施例中,预处理模块220除了可以对目标图像中位于水面区域的像素点进行对比度增强以外,还可以对该目标图像中的非水面区域的像素点进行灰度值削弱,以增强该目标图像中的水面区域与非水面区域的对比度。
示例性地,在一些实施例中,可以将该目标图像中的非水面区域的像素点的灰度值全部置为0。在一些实施例中,预处理模块220也可以计算该目标图像中的非水面区域的像素点的平均灰度值,然后将该目标图像中的非水面区域的所有像素点的灰度值设置为该平均灰度值。
步骤330,对所述预处理后的图像进行特征提取处理,以获得所述目标图像对应的特征向量,所述特征向量至少包括所述目标图像对应的颜色特征、形状特征以及纹理特征。在一些实施例中,步骤330可以由特征提取模块230执行。
在通过预处理模块220对目标图像进行前述预处理之后,可以使得图像中的特征更加明显。进一步地,特征提取模块230可以对预处理后的图像进行特征提取处理,以获得该目标图像对应的特征向量。
在本说明书实施例中,该特征向量可以包括该目标图像在多个维度的特征描述。在一些实施例中,在该特征向量至少包括目标图像对应的颜色特征、形状特征以及纹理特征。其中,颜色特征可以表示图像中的颜色分布、颜色直方图或颜色统计信息,形状特征可以描述图像中的边缘、轮廓或几何结构,纹理特征可以捕捉到图像中的纹理模式、纹理统计信息或纹理方向。通过提取这些多维度的特征,并将其组合成一个特征向量,可以在后续过程中更全面地描述目标图像的内容和特征。
具体而言,在本说明书实施例中,特征提取模块230可以使用各种计算机视觉算法和技术来分析图像,并从中提取出具有区分性和表征性的特征。示例性地,在一些实施例中,可以采用颜色直方图来确定该预处理后的图像的颜色特征。具体而言,特征提取模块230可以将图像中的像素按照颜色分布统计到不同的颜色通道(如RGB、HSV等),并生成一个颜色直方图,该直方图描述了图像中不同颜色的出现频率,可以用于表示图像的颜色特征。在一些实施例中,特征提取模块230可以通过计算该预处理后的图像中像素的色彩矩阵,如平均颜色、颜色方差、颜色矩阵的协方差等,来描述图像的颜色特征。
在一些实施例中,特征提取模块230可以通过边缘检测以及形状描述子来获取该预处理后的图像的形状特征。具体而言,特征提取模块230可以使用边缘检测算法(如Canny、Sobel等)来提取图像中的边缘信息,然后通过对边缘检测算法提取的边缘轮廓进行形状特征描述,如轮廓长度、轮廓的面积、轮廓的凸包等,来表达图像的形状特征。
在一些实施例中,特征提取模块230可以通过计算该预处理后的图像的灰度级之间的空间关系,生成灰度共生矩阵,并从该灰度共生矩阵中提取出纹理特征,如对比度、能量、熵等,然后,使用Gabor滤波器对图像进行滤波操作,得到不同尺度和方向上的纹理响应。通过统计这些响应的特征,如平均值、方差等,来描述该预处理后的图像的纹理特征。
在一些实施例中,可以通过去除该目标图像中的非水面区域,以使得上述步骤330所确定的特征向量仅针对于目标图像中的水面区域进行特征描述,从而更好地突出水面区域的特征。
在一些实施例中,前述特征向量中还可以包括水位特征。具体而言,在一些实施例中,前述特征提取模块230还可以用于确定目标图像中的水面区域,以及该目标图像中的指定区域预设的水位线标识,然后基于水面区域与水位线标识之间的相对关系,确定目标图像所反映的水位特征,并基于该水位特征确定目标图像对应的特征向量。
水位线标识是指用于标记水位高度的线条或标记,该水位标识线可以与水平面相互垂直。在一些实施例中,特征提取模块230可以确定出水面区域所对应的水平面,然后通过确定水位线标识与该水平面的相交线来确定当前水位。在一些实施例中,该水位标识线中的不同水位可以用具有不同特征(例如不同颜色、不同大小)的线条来表示,特征提取模块230可以基于水位线标识与该水平面的相交线的特征来确定当前水位及对应的水位特征。
步骤340,将所述目标图像对应的特征向量输入训练好的机器学习模型,以基于所述目标图像对应的特征向量识别出所述目标图像中是否存在异常。在一些实施例中,步骤340可以由异常检测模块240执行。
在一些实施例中,异常检测模块240可以具体用于识别该目标图像中是否存在河道漂浮物、石油泄漏、水质污染或水位线过高。具体而言,即前述训练好的机器学习模型在对目标图像对应的特征向量进行处理后,可以输出目标图像中存在河道漂浮物、石油泄漏、水质污染或水位线过高等异常,或者在该目标图像中不存在异常时输出无异常。
在一些实施例中,前述训练好的机器学习模型可以通过模型训练模块260训练得到。具体地,在一些实施例中,该模型训练模块260可以具体用于:
S261,获取样本图像以及样本图像对应的标签,其中,该标签可以包括存在河道漂浮物、石油泄漏、水质污染、水位线过高或无异常情况中的一种或多种。
S262,对样本图像进行特征提取处理,以获得样本图像对应的样本特征向量;
S263,将样本特征向量作为初始机器学习模型的输入,并将前述标签作为样本特征向量对应的输出,对所述初始机器学习模型进行迭代训练,直到达到预测的迭代次数或损失函数达到预设阈值时结束训练,得到前述训练好的机器学习模型。
在一些实施例中,前述初始机器学习模型可以包括Faster R-CNN、YOLO或SSD,前述损失函数可以包括分类损失函数或目标检测损失函数,其可以用于判断模型的预测结果与真实标签之间的差异,其中,分类损失函数可以包括交叉熵损失函数,其可以适用于多类别分类任务,计算模型输出的类别概率与真实标签之间的差距,目标检测损失函数可以包括多任务损失函数,其可以结合分类损失和边界框回归损失,例如采用加权和的形式,同时考虑目标分类和位置的准确性。
在一些实施例中,可以基于梯度下降算法对机器学习模型的参数进行优化,从而使得损失函数值减小,并在达到预设阈值时结束训练。在一些实施例中,该预设阈值可以根据任务需求和/或实际使用场景进行设定,本说明书中不对其具体数值进行限定。
在一些实施例中,异常检测模块240可以根据当前目标图像与前一帧图像所对应的特征向量的差别来判断水质是否发生变化,当检测到水质发生变化(例如水质变浑浊)时,则也可以将其视为存在异常。
步骤350,在所述异常检测模块检测到所述目标图像中存在异常时,生成与所述异常对应的预警信号。在一些实施例中,步骤350可以由预警模块250执行。
在通过步骤340识别出目标图像所反映的异常情况之后,预警模块250可以根据该目标图像中所反映的异常情况类型生成相应的预警信号。例如,当步骤240识别出存在河道漂浮物时,预警模块250可以生成提示河道中存在漂浮物的预警信号;又例如,当步骤240识别出存在石油泄漏时,预警模块250可以生成提示存在石油泄漏问题的预警信号;再例如,当步骤240识别出存在水质污染和水位线过高的问题时,预警模块250可以生成提示水质污染和水位线过高的预警信号。在一些实施例中,上述预警信号可以通过文字、声音、图像等方式中的一种或多种方式进行输出。
在一些实施例中,前述步骤210~步骤250可以在云端服务器或智慧界桩本地执行。当该步骤210~步骤250可以在云端服务器执行时,前述预警信号可以由云端服务器生成,并反馈至相关人员,同时发送至智慧界桩,由智慧界桩输出相应的预警信号以进行提示。
下面结合图4和图5对河流湖泊智慧界桩的平台拓扑架构和使用场景进行详细说明。
图4是根据本说明书一些实施例所示的河流湖泊智慧界桩的平台拓扑架构示意图。参照图4,在一些实施例中,前述智慧界桩110可以用于河湖划界智慧界桩多级大数据平台,该河湖划界智慧界桩多级大数据平台由市级、区县级、乡镇级和前端智慧界桩设备组成。通过5G网络、NB-IOT、专网等网络,组建自上而下的三级拓扑管控架构。在水利局建立市级智慧界桩多级大数据平台,对下属区县水利局进行分级管控。在区县水利局建立区县级智慧界桩多级大数据平台,对本区县范围内的乡镇水利工作站管控终端进行分级管控。乡镇水利工作站通过管控终端对前端智慧界桩设备进行管控。通过平台授权和多级联动能够对实现所有智慧界桩的统一管控和报警分级处置功能。同时通过多级大数据平台,能够实现乡镇、区县、市级河湖划界智慧界桩数据,与各级河长制等业务平台进行相互联动和数据共享。在一些实施例中,可以针对每一个智慧界桩建立管理档案,并将该管理档案与河长制等水务信息***进行数据对接和资源共享。
图5是根据本说明书一些实施例所示的河流湖泊智慧界桩的使用场景示意图。参照图5,当智慧界桩***监测到河道漂浮物、水位警戒线、水位过高、雨量过大(水位变化率过大)、水污染等异常事件时,能够通过智慧界桩多级大数据平台建立分类处置和逐级报警机制。警情首先送达乡镇工作站管控终端,通过事先设定的报警预案,能够实现弹出报警点的实时视频图像、摄像机转到预置位、GIS地图定位、报警语音提示、报警图标闪烁等一系列联动操作。乡镇工作站人员对警情进行判断后能够联动智慧界桩进行应急广播,通知现场群众紧急撤离。在一些实施例中,可以通过短信预警和/或APP预警的方式将预警信息送达相关人员。
如果警情重大或乡镇工作站无人处置,警情能够在手动或自动上报到区县水利局多级大数据平台,如果区县水利局未在设定时间内进行处理,则警情自动上报到市水利局多级大数据平台。以此类推,保证每个警情都能够在第一时间得到及时处置。平台还可以支持通过移动手机APP进行远程控制和事件处置等功能,从而真正实现对突发事件的全方位、全时空的应急指挥和事件处置。
需要说明的是,在本说明书实施例中,该智慧界桩可以包括显示屏、喇叭等输出装置。在一些实施例中,可以通过智慧界桩中的显示屏,动态下发水务知识、天气信息,对群众进行水保护宣传。在一些实施例中,可以对显示屏播放内容的进行编辑及批量下发,其可以支持文字、图片、视频的混合编排模式,支持定时播放,临时插播等多种播放模式,可以对播放内容进行实时预览,支持跨区域的节目管理。
在一些实施例中,智慧界桩可以通过喇叭进行广播。一旦发生山洪、水污染等突发事件时,能够通过智慧界桩中的广播进行综合预警,从而保护人民群众的生命和财产安全,把突发事件带来的损失降到最低。具体而言,在一些实施例中,***可以支持三种广播模式:1、通过电脑客户端或者手机APP进行实时语音广播;2、选择语音文件,进行文件广播;3、选择***已审核的广播资源广播。在一些实施例中,该智慧界桩可以支持根据时间计划进行自动广播,也支持各种报警事件的联动广播。
在一些实施例中,该智慧界桩可以与水文站进行数据对接,从而采集水环境数据,包括大气、雨量、水位、水质等信息,并对采集的数据进行实时展现。在一些实施例中,智慧界桩从水文站采集的数据可以作为关键数据驱动联动策略,实现洪水预警、水质量预警等。
在一些实施例中,平台可对各种报警类型进行不同的联动预案配置,当智慧界桩监测到河道漂浮物、水位警戒线、水位过高、雨量过大、水污染等异常事件时,能够通过智慧界桩多级大数据平台建立分类处置和逐级报警机制。警情首先送达乡镇工作站管控终端,通过事先设定的报警预案,能够实现弹出报警点的实时视频图像、摄像机转到预置位、GIS地图定位、报警语音提示、报警图标闪烁等一系列联动操作。在一些实施例中,可以通过移动手机APP,对智慧界桩进行远程设备控制、工作状态查询、突发事件报警处置、实时视频播放等功能。
在一些实施例中,前述智慧界桩还可以包括照明设备,该照明设备可以为人民群众提供夜晚照明服务,从而拉近相关部门和群众之间的距离。在一些实施例中,可以通过智慧界桩多级大数据平台对照明进行节能控制,以实现降低电费、节能环保的需求。例如,在一些实施例中,可以对照明功能进行集中控制管理,采用灵活的照明设备控制方式,例如单灯控制、回路控制、分组控制等,以实现灯光开启、关闭及亮度调节。在一些实施例中,可以根据定时策略和光照传感器收集到的光照强度自动进行灯光的开启、关闭及调光。
综上所述,本说明书实施例可能带来的有益效果包括但不限于:(1)在本说明书一些实施例所提供的河流湖泊智慧界桩的管理***中,通过对目标图像进行对比度增强和颜色空间转换等预处理,可以提供更敏感的特征,使目标图像中所反映的特征更加明显,从而使后续过程中的目标检测、图像分割以及特征提取任务更加准确;(2)在本说明书一些实施例所提供的河流湖泊智慧界桩的管理***中,通过确定水面波动对目标图像的影响系数,然后基于该影响系数分别确定用于对目标图像的第一子区域进行调整的第一调整函数,以及用于对该目标图像中的第二子区域进行调整的第二调整函数,可以基于不同的调整方式对目标图像中的第一子区域和第二子区域分别进行调整,从而使得第一子区域与第二子区域对比更加明显;(3)在本说明书一些实施例所提供的河流湖泊智慧界桩的管理***中,通过结合第二子区域中的像素点与第一子区域的最小距离来确定第二调整函数,可以基于第二子区域中各像素点与第一子区域的最小距离进行自适应调整,从而提高第一子区域和第二子区域的边缘的对比度。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例中,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种河流湖泊智慧界桩的管理***,其特征在于,所述***包括:
监测图像获取模块,用于获取智慧界桩针对河流湖泊的指定区域采集的目标图像;
图像预处理模块,用于对所述目标图像进行预处理,以得到预处理后的图像,其中,所述预处理至少包括对比度增强和颜色空间转换;
特征提取模块,用于对所述预处理后的图像进行特征提取处理,以获得所述目标图像对应的特征向量,所述特征向量至少包括所述目标图像对应的颜色特征、形状特征以及纹理特征;
异常检测模块,用于将所述目标图像对应的特征向量输入训练好的机器学习模型,以基于所述目标图像对应的特征向量识别出所述目标图像中是否存在异常;
预警模块,用于在所述异常检测模块检测到所述目标图像中存在异常时,生成与所述异常对应的预警信号。
2.如权利要求1所述的***,其特征在于,所述图像预处理模块在对所述目标图像进行对比度增强处理时,具体用于:
获取所述目标图像前一帧的第一图像和所述目标图像后一帧的第二图像,并分别确定所述目标图像、第一图像和第二图像中的水面区域和非水面区域;
基于所述目标图像中的水面区域与所述第一图像和所述第二图像中的水面区域的差异,确定水面波动对所述目标图像的影响系数;
基于所述影响系数确定第一调整函数和第二调整函数;
通过所述第一调整函数对所述目标图像的水面区域中不受水面波动影响的第一子区域进行对比度调整,通过所述第二调整函数对所述目标图像的水面区域中除所述第一子区域以外的第二子区域进行对比度调整,得到对比度增强后的图像。
3.如权利要求2所述的***,其特征在于,所述影响系数通过如下方式计算得到:
其中,I为水面波动对所述目标图像的影响系数,C为所述目标图像中位于水面区域的像素点的平均灰度值,CA为所述目标图像、第一图像以及第二图像中位于水面区域的所有像素点的平均灰度值,Cmax为所述目标图像、第一图像以及第二图像中位于水面区域的所有像素点中的最大灰度值,Cmin为所述目标图像、第一图像以及第二图像中位于水面区域的所有像素点中的最小灰度值,max(|Cmax-CA|,|Cmin-CA|)表示选取|Cmax-CA|和|Cmin-CA|中的较大值。
4.如权利要求3所述的***,其特征在于,所述第一调整函数为:
其中,c1为经过对比度调整后的灰度值,c为所述第一子区域中的像素点的当前灰度值,cmax 1为所述第一子区域中的最大灰度值,cmin 1为所述第一子区域中的最小灰度值,I为水面波动对所述目标图像的影响系数。
5.如权利要求4所述的***,其特征在于,所述第二调整函数为:
其中,c2为经过对比度调整后的灰度值,c为所述第二子区域中的像素点的当前灰度值,cmax 2为所述第二子区域中的最大灰度值,cmin 2为所述第二子区域中的最小灰度值,l为当前像素点与所述第一子区域的最小距离,lmax为所述第二子区域中各像素点与所述第一子区域的最小距离的最大值,I为水面波动对所述目标图像的影响系数。
6.如权利要求5所述的***,其特征在于,所述目标图像的水面区域中不受水面波动影响的第一子区域通过如下方式确定:
将所述目标图像的水面区域与所述第一图像和/或第二图像的水面区域进行区域匹配,并计算每一个匹配区域所对应的区域差异度;
将所述区域差异度最小的区域作为所述目标图像的水面区域中不受水面波动影响的第一子区域。
7.如权利要求2所述的***,其特征在于,所述图像预处理模块在对所述目标图像进行对比度增强处理时,还具体用于:对所述目标图像中的非水面区域的像素点进行灰度值削弱,以增强所述目标图像中的水面区域与非水面区域的对比度。
8.如权利要求1~7中任一项所述的***,其特征在于,所述特征提取模块还用于:
确定所述目标图像中的水面区域,以及所述指定区域中预设的水位线标识;
基于所述水面区域与所述水位线标识之间的相对关系,确定所述目标图像所反映的水位特征,并基于所述水位特征确定所述目标图像对应的特征向量;
所述异常检测模块在基于所述目标图像对应的特征向量识别出所述目标图像中是否存在异常时,具体用于:识别所述目标图像中是否存在河道漂浮物、石油泄漏、水质污染或水位线过高。
9.如权利要求8所述的***,其特征在于,所述***还包括模型训练模块,所述模型训练模块用于:
获取样本图像以及所述样本图像对应的标签,其中,所述标签包括存在河道漂浮物、石油泄漏、水质污染、水位线过高或无异常情况中的一种或多种;
对所述样本图像进行特征提取处理,以获得所述样本图像对应的样本特征向量;
将所述样本特征向量作为初始机器学习模型的输入,并将所述标签作为所述样本特征向量对应的输出,对所述初始机器学习模型进行迭代训练,直到达到预测的迭代次数或损失函数达到预设阈值时结束训练,得到所述训练好的机器学习模型。
10.如权利要求9所述的***,其特征在于,所述初始机器学习模型包括Faster R-CNN、YOLO或SSD,所述损失函数包括分类损失函数或目标检测损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311326523.0A CN117456353A (zh) | 2023-10-13 | 2023-10-13 | 一种河流湖泊智慧界桩的管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311326523.0A CN117456353A (zh) | 2023-10-13 | 2023-10-13 | 一种河流湖泊智慧界桩的管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117456353A true CN117456353A (zh) | 2024-01-26 |
Family
ID=89582685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311326523.0A Pending CN117456353A (zh) | 2023-10-13 | 2023-10-13 | 一种河流湖泊智慧界桩的管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456353A (zh) |
-
2023
- 2023-10-13 CN CN202311326523.0A patent/CN117456353A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11380232B2 (en) | Display screen quality detection method, apparatus, electronic device and storage medium | |
Park et al. | Patch-based crack detection in black box images using convolutional neural networks | |
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
CA3123632A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及*** | |
CN111460927B (zh) | 对房产证图像进行结构化信息提取的方法 | |
CN114743119B (zh) | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 | |
CN113869177A (zh) | 一种用于跟踪多目标的方法及装置 | |
CN112785557A (zh) | 皮带料流检测方法及装置、皮带料流检测*** | |
Tao et al. | A three-stage framework for smoky vehicle detection in traffic surveillance videos | |
Li et al. | A grid‐based classification and box‐based detection fusion model for asphalt pavement crack | |
CN114529821A (zh) | 一种基于机器视觉的海上风电安全监测与预警方法 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及*** | |
Song et al. | Vision-based parking space detection: A mask R-CNN approach | |
CN116824352A (zh) | 一种基于语义分割与图像异常检测的水面漂浮物识别方法 | |
CN117456353A (zh) | 一种河流湖泊智慧界桩的管理*** | |
CN114820676A (zh) | 一种设备运行状态识别方法及装置 | |
CN113065416B (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 | |
CN113192018B (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
CN115690807A (zh) | 一种基于ocr技术的箱号识别方法 | |
CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
CN114445751A (zh) | 视频关键帧图像轮廓特征的提取方法和装置 | |
CN114373116A (zh) | 一种运维现场图像的筛选方法、装置、设备及产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |