[發(fā)明專利]一種基于深度學習技術(shù)的城市內(nèi)澇積水面積監(jiān)測方法

在審

• 申請?zhí)枺?/td>: 202010182464.4
• 申請日: 2020-03-16
• 公開（公告）號: CN111462218A
• 公開（公告）日: 2020-07-28
• 發(fā)明（設(shè)計）人: 白崗崗;侯精明;韓浩;李軒;楊露;王添;張陽維;李丙堯;黃綿松;馬越;楊東;石寶山;韓偉
• 申請（專利權(quán)）人: 西安理工大學;西安綠水青城水務科技有限公司;江蘇禹潤智能科技有限公司
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06T7/80;G06T7/10;G06T5/00
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王丹

1.一種基于深度學習技術(shù)的城市內(nèi)澇積水面積監(jiān)測方法，其特征在于，具體按照以下步驟實施：

步驟1，制作初始積水圖像數(shù)據(jù)集；

步驟2，對初始積水圖像數(shù)據(jù)集進行預處理得訓練集、驗證集、測試集積水數(shù)據(jù)；

步驟3，基于Mask RCNN實例分割算法，對訓練集和驗證集積水數(shù)據(jù)進行訓練，并通過多參數(shù)調(diào)整，得到最優(yōu)積水模型water.h5；

步驟4，采用基于單平面棋盤格方法對攝像機進行標定以獲取攝像機設(shè)備參數(shù)，對測試集積水數(shù)據(jù)中圖像進行畸變校正；

步驟5，在步驟4的基礎(chǔ)上對圖像進行透視變換處理；

步驟6，基于步驟3訓練好的water.h5模型，將步驟5經(jīng)過透視變換的結(jié)果圖像作為模型輸入，對圖像積水邊界特征進行提取，得到積水識別結(jié)果圖像，進一步利用像素數(shù)量大小，經(jīng)過簡單的線性計算即可定量得到真實積水面積范圍。

2.根據(jù)權(quán)利要求1所述的一種基于深度學習技術(shù)的城市內(nèi)澇積水面積監(jiān)測的計算方法，其特征在于，所述步驟1的具體方法如下：于易發(fā)生內(nèi)澇處通過固定攝像機設(shè)備采集積水視頻影像，進一步采用逐幀讀取積水視頻保存為積水圖片，制作為初始積水圖像數(shù)據(jù)集。

3.根據(jù)權(quán)利要求2所述的一種基于深度學習技術(shù)的城市內(nèi)澇積水面積監(jiān)測的計算方法，其特征在于，所述步驟2的具體方法如下：

步驟2.1，將初始積水圖像數(shù)據(jù)集中積水圖片的分辨率2560*1440按比例縮放到800*450；

步驟2.2，在步驟2.1的基礎(chǔ)上，利用彩色變換及角度變換方法對積水圖片進行圖像增強，以便增大數(shù)據(jù)量，并將得到的所有積水圖片按照比例8:1:1分為訓練集、驗證集和測試集，并命名為對應的train/pic、val/pic、test/pic文件夾；

步驟2.3，使用labelme工具分別對訓練集、驗證集對應的train/pic、val/pic文件夾中圖片逐一進行積水特征標簽制作，得到保存有標注信息的json文件，將所有json文件保存到名為train/json、val/json的文件夾中；

步驟2.4，采用json數(shù)據(jù)轉(zhuǎn)換工具分別對train/json、val/json文件夾中每一個json文件進行轉(zhuǎn)換，逐一生成*_json文件，將所有文件對應保存到train/labelme_json、val/labelme_json文件夾中；將所有*_json文件中的label.png提取出來并保存為初始圖片名稱，放入名為train/cv2_mask、val/cv2_mask文件夾中。

4.根據(jù)權(quán)利要求3所述的一種基于深度學習技術(shù)的城市內(nèi)澇積水面積監(jiān)測的計算方法，其特征在于，所述步驟3所述的具體方法如下：

步驟3.1，從GitHub網(wǎng)站下載Mask Rcnn實例分割網(wǎng)絡(luò)模型作為訓練，下載預先訓練好的COCO權(quán)重文件(mask_rcnn_coco.h5)作為預訓練權(quán)重；

其中，訓練集數(shù)據(jù)為對應的train/pic、train/json、train/labelme_json、train/cv2_mask文件夾中數(shù)據(jù)；驗證集集數(shù)據(jù)為對應的val/pic、val/json、val/labelme_json、val/cv2_mask文件夾中數(shù)據(jù)；

步驟3.2，將步驟2.3預設(shè)的特征標簽類別的名稱加入Mask Rcnn的訓練文件train.Ipynb、val.ipynb中，并將文件中訓練和驗證集路徑修改成步驟2得到的“train”、“val”文件路徑，之后運行使模型開始訓練；

步驟3.3，進一步通過調(diào)整config.py文件中的多類參數(shù)，不斷訓練模型，使模型結(jié)果達到最優(yōu)，最終輸出water.h5模型文件。