[發(fā)明專利]深度殘差網(wǎng)絡(luò)的城市內(nèi)澇積水智能識(shí)別方法

在審

• 申請?zhí)枺?/td>: 202111168647.1
• 申請日: 2021-09-30
• 公開（公告）號(hào): CN113793069A
• 公開（公告）日: 2021-12-14
• 發(fā)明（設(shè)計(jì)）人: 楊曉君;陳凱華;孫建元;陳宏;張楠;李鋼;林曉萌
• 申請（專利權(quán)）人: 天津市氣象臺(tái)
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q50/26;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢仁合利泰專利代理事務(wù)所(特殊普通合伙) 42275
• 代理人: 鄒航

1.深度殘差網(wǎng)絡(luò)的城市內(nèi)澇積水智能識(shí)別方法，其特征在于，包括以下步驟：

S1、數(shù)據(jù)準(zhǔn)備；

S2、數(shù)據(jù)處理；

S3、模型搭建；

S4、模型調(diào)用。

2.根據(jù)權(quán)利要求1所述的深度殘差網(wǎng)絡(luò)的城市內(nèi)澇積水智能識(shí)別方法，其特征在于：所述步驟S1，通過收集城市公共攝像頭拍攝的城市路面精細(xì)化實(shí)時(shí)圖像，采集的圖片數(shù)據(jù)涵蓋不同背景、不同時(shí)間、不同雨強(qiáng)、不同積水的路面情況。

3.根據(jù)權(quán)利要求1所述的深度殘差網(wǎng)絡(luò)的城市內(nèi)澇積水智能識(shí)別方法，其特征在于：所述步驟S2中，包括以下步驟：

S201、綜合路面、行人、車輛等參照物信息，人工為采集的圖片設(shè)置類別標(biāo)簽分別為：特別嚴(yán)重內(nèi)澇、嚴(yán)重內(nèi)澇、中度內(nèi)澇、一般性內(nèi)澇、干路面；

S202、并對(duì)設(shè)置標(biāo)簽后的圖片做預(yù)處理，包括將所有圖片大小進(jìn)行重新設(shè)置和做歸一化處理。

4.根據(jù)權(quán)利要求1所述的深度殘差網(wǎng)絡(luò)的城市內(nèi)澇積水智能識(shí)別方法，其特征在于：所述步驟S3中，包括以下步驟：

S301、使用PyTorch模型的框架和ResNet-18(殘差網(wǎng)絡(luò))的神經(jīng)網(wǎng)絡(luò)，進(jìn)行學(xué)習(xí)，為了提高識(shí)別精度，模型搭建時(shí)采用雙模型形式；

S302、在對(duì)圖片集進(jìn)行五分類之前，首先對(duì)圖片進(jìn)行二分類，將圖片分為干濕兩種類別進(jìn)行訓(xùn)練，從而完成地面上有無積水的區(qū)分識(shí)別；

S303、再進(jìn)行四分類模型訓(xùn)練，訓(xùn)練時(shí)一次迭代只學(xué)習(xí)幾張圖片，且圖片隨機(jī)從每種內(nèi)澇級(jí)別的圖片庫中挑選，并設(shè)置挑選到各類圖片的概率一致。

5.根據(jù)權(quán)利要求1所述的深度殘差網(wǎng)絡(luò)的城市內(nèi)澇積水智能識(shí)別方法，其特征在于：所述步驟S4中，包括以下步驟：

S401、利用Javacv從監(jiān)控?cái)z像頭的視頻流傳中獲取圖片；

S402、將圖片送入到已經(jīng)訓(xùn)練好的干濕分類模型中；

S403、模型調(diào)用后輸出結(jié)果為二維向量，如輸出的結(jié)果為(0,1)則判斷圖片中地面為是濕地面；

S404、再調(diào)用四分類模型，輸出結(jié)果是符合概率分布的四維向量，如結(jié)果為(0.8,0.1,0.06.0.04)，則認(rèn)為有80％的概率是一級(jí)內(nèi)澇，10％的概率是二級(jí)內(nèi)澇，6％的概率是三級(jí)內(nèi)澇，4％的概率是四級(jí)內(nèi)澇。