一种图像识别地下室淹水隐患的方法及系统与流程

1.本发明属于灾害预警技术领域，具体涉及一种图像识别地下室淹水隐患的方法及系统。


背景技术：

2.在各种自然灾害中，洪涝灾害是最常见且又危害最大的一种。洪水出现频率高，波及范围广，来势凶猛，破坏性极大。洪水不但淹没房屋和人口，造成大量人员伤亡，而且还卷走人产居留地的一切物品，包括粮食，并淹没农田，毁坏作物，导致粮食大幅度减产，还会破坏工厂厂房、通讯与交通设施，严重损害社会发展和人民群众安全。
3.对于人口密集的城市，各类地下商场、地下交通、地下综合体、地下车库等地下环境地势较低，经常会出现倒灌等淹水隐患，且各类地下环境多为半封闭状态，人流量大，一旦发生洪涝灾害，若不能及时应对，后果难以估量。目前对各类地下环境的灾害应对多为人为观测和事后补救，难以及时或提前预测淹水隐患。


技术实现要素：

4.有鉴于此，本发明提出了一种图像识别地下室淹水隐患的方法及系统，用于解决无法及时对地下环境淹水隐患进行预警的问题。
5.本发明第一方面，公开一种图像识别地下室淹水隐患的方法，所述方法包括：
6.获取室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据；
7.摄像头采集室内水尺图像的历史时序数据，将水尺图像输入预训练的水位识别模型，识别对应的室内水位时序值；
8.通过引入注意力机制的cnn-lstm神经网络建立趋势预测模型；
9.以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数；
10.通过趋势模型预测未来一段时间内的室内水位变化趋势；
11.基于水位变化趋势进行淹水隐患预警。
12.优选的，所述室内环境数据包括室内面积、各入水口流量、各出水口流量；天气属性数据包括局部降雨量；地下室周边环境数据包括地下室周边的水流走向网状图，以及水流走向网状图中各个节点的水流量。
13.优选的，所述预训练的水位识别模型为基于深度学习训练的cnn卷积神经网络。
14.优选的，所述通过cnn-lstm建立趋势预测模型具体包括：
15.通cnn神经网络模块提取室内环境数据、天气属性数据和地下室周边环境数据的时序变化量与室内水位的时序变化量之间的空间特征关系，得到空间特征向量；
16.通过lstm神经网络提取多个连续时刻的空间特征向量的时间特征关系；
17.通过注意力机制增强与水位变化相关信息的注意力，得到趋势预测模型。
18.优选的，所述以室内环境数据、天气属性数据和周边环境数据的时序变化量为输
入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数具体包括：
19.对室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据和对应的室内水位时序值进行预处理；
20.计算室内环境数据、天气属性数据和周边环境数据的时序变化量和对应的室内水位的时序变化量，所述时序变化量为后一时刻的时序数据相对于前一时刻的时序数据的变化量；
21.以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入特征，以对应的室内水位的时序变化量为输出标签，组成训练样本；
22.通过所述训练样本对趋势预测模型进行训练，得到趋势预测模型的参数。
23.优选的，所述通过趋势模型预测未来一段时间内的室内水位变化趋势具体为：
24.通过局部天气预报获取未来一段时间内的天气属性数据；
25.根据未来一段时间内的天气属性数据的变化量预测室内环境数据、地下室周边环境数据的变化量；
26.将未来一段时间内的天气属性数据的变化量、室内环境数据的变化量、地下室周边环境数据的变化量输入训练好的趋势预测模型，得到未来一段时间内的室内水位变化趋势。
27.优选的，所述基于水位变化趋势进行淹水隐患预警具体包括：
28.绘制水位变化趋势曲线，根据水位变化趋势曲线估计室内水位到达预设的警戒水位的时间，进行淹水隐患预警。
29.本发明第二方面，公开一种图像识别地下室淹水隐患的系统，所述系统包括：
30.数据采集模块：用于获取室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据；通过摄像头采集室内水尺图像的历史时序数据；
31.水位识别模块：用于将水尺图像输入预训练的水位识别模型，识别对应的室内水位时序值；
32.模型构建模块：用于通过引入注意力机制的cnn-lstm神经网络建立趋势预测模型；
33.模型训练模块：用于以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数；
34.趋势预测模块：用于通过趋势模型预测未来一段时间内的室内水位变化趋势；
35.隐患预警模块：用于基于水位变化趋势进行淹水隐患预警。
36.本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
37.其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
38.所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
39.本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
40.本发明相对于现有技术具有以下有益效果：
41.1)本发明借助图像识别来判断室内实时水位深度，减少人工观测或传感器监测带来的监测不及时、准确度不高的问题。
42.2)本发明通过引入注意力机制的cnn-lstm神经网络建立趋势预测模型，通过cnn神经网络提取空间特征向量，通过lstm神经网络提取多个连续时刻的空间特征向量的时间特征关系，最后通过注意力机制增强与水位变化相关特征的注意力。基于所述趋势预测模型，通过室内外的环境数据和天气属性数据变化情况即可动态预测地下室内水位的变化趋势，从而实现地下室淹水隐患提前预警。
附图说明
43.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。
44.图1为本发明的一种图像识别地下室淹水隐患的方法流程图。
具体实施方式
45.下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
46.请参阅图1，本发明公开一种图像识别地下室淹水隐患的方法，所述方法包括：
47.s1、获取室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据；
48.实际环境中，地下室淹水深度与多种因素相关，最直接的因素就是天气、室内外环境，比如地下室大小、可能发生洪水倒灌的入口、能顺利排水的出水口，地下室周边环境主要涉及造成地下室淹水隐患的上游来水节点。本发明取室内环境数据、天气属性数据和地下室周边环境数据作为地下室淹水隐患的主要因素，根据这些因素的历史时序数据类进行地下室淹水隐患预警。
49.具体的，室内环境数据包括地下室的室内面积、各入水口流量、各出水口流量；天气属性数据包括局部降雨量；地下室周边环境数据包括地下室周边的水流走向网状图，以及水流走向网状图中各个节点的水流量。一般情况下，地下室周边的环境是影响水流走向的最重要因素，比如地势低洼、道路分支、坡道变化处是水流走向分支、汇合的重要节点，地下室周边的水流走向网状图即以这些水流走向发生分支、汇合的点为网络节点绘制的有向网状图，其中与地下室入水口连接的一个或多个上游网络节点和与地下室出水口直接连接的一个或多个下游网络节点是影响地下室水位的直接节点，本发明在这些节点安装流量传感器，取这些直接节点的水流量作为地下室周边环境数据。
50.s2、摄像头采集室内水尺图像的历史时序数据，将水尺图像输入预训练的水位识别模型，识别对应的室内水位时序值；
51.具体的，先根据已安装的摄像头获取水尺图像的历史时序数据，该水尺图像的历
史时序数据与步骤s1的历史时序数据在时间上是对应的。基于水尺图像进行水尺对象检测和水尺刻度识别，水尺对象检测用于识别出水尺在图像数据中的位置信息，水尺刻度识别用于对检测出的水尺位置范围内的图像数据进行数字和刻度的特征提取、并依据提取的特征预测水尺图像中出现的数字和刻度的统计数据。
52.本发明所述预训练的水位识别模型采用基于深度学习训练的cnn卷积神经网络。采用cnn卷积神经网络对输入预标注且处理好的水尺图像数据进行训练，经多次迭代训练，得到满足预期精度的水尺对象检测模型；
53.使用cnn深度卷积神经网络算法，有监督地提取已标注的图像中水尺的数字和刻度的图像特征并提取学习，多次迭代得到满足预期精度的水尺刻度识别模型，基于水尺对象检测模型和水尺刻度识别模型即可得到识别对应的室内水位值。若按照时序输入室内水尺图像，则得到对应的室内水位时序值。
54.s3、通过引入注意力机制的cnn-lstm神经网络建立趋势预测模型；
55.长短期记忆网络(long short-term memory，lstm)是一种递归型神经网络模型，适用于处理、预测时间序列间隔或延迟较长的重要事件，可适用于本发明进行地下室淹水隐患预测的使用场景。本发明通过cnn神经网络提取空间特征，再通过通过lstm神经网络提取时间特征，通过注意力机制增强与水位变化相关信息的注意力，得到趋势预测模型，具体包括：
56.s31、通cnn神经网络模块提取室内环境数据、天气属性数据和地下室周边环境数据的时序变化量与室内水位的时序变化量之间的空间特征关系，得到空间特征向量。
57.具体的，cnn神经网络模块包括：2层卷积层、1层池化层、1层dropout层和1层全连接层。将样本数据先后输入到2层卷积层，得到高层次的特征表示，通过池化层来保留关键信息并减少模型参数，通过dropout层减少模型过拟合，最后通过全连接层连接所有特征并输出。
58.s32、通过lstm神经网络模块提取多个连续时刻的空间特征向量的时间特征关系，本发明中的lstm神经网络包括2层lstm层和1层dropout层，lstm神经网络通过如下公式更新参数：
[0059][0060]
其中，其中，f
t
表示遗忘门，用于控制上一个单元的遗忘与保存；i
t
表示输入门，用于：控制写入单元格的新单元内容的哪些部分；o
t
表示输出门，用于控制单元的哪些内容输出到隐藏状态；x
t
表示当前时刻的输入，即为cnn的输出结果中对应的t时刻的样本数据；符号
·
表示向量的点乘，符号*表示向量元素按位相乘，wf、wi、wc以及wo均为权重参数，bf、bi、bc
以及bo均为偏置量参数，为当前输入的单元状态，c
t
为当前时刻的单元状态，c
t-1
为上一时刻的单元状态，[h
t-1
，x
t
]为将上一时刻的输出h
t-1
和当前时刻的输入x
t
连接成的一个新向量，σ为sigmoid函数。
[0061]
s33、通过注意力机制模块增强与水位变化相关信息的注意力，得到趋势预测模型，记为cnn-lstm-attention趋势预测模型。具体的，注意力机制模块包括1层flatten层、1层attention层、1层dropout层和1层全连接。
[0062]
s4、以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数；
[0063]
在步骤s3建立的趋势预测模型的基础上，以步骤s1、s2获取的数据制作数据集，训练趋势预测模型。步骤s4具体包括如下分步骤：
[0064]
s41、对室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据和对应的室内水位时序值进行预处理；
[0065]
s42、计算室内环境数据、天气属性数据和周边环境数据的时序变化量和对应的室内水位的时序变化量，所述时序变化量为后一时刻的时序数据相对于前一时刻的时序数据的变化量；
[0066]
s43、以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入特征，以对应的室内水位的时序变化量为输出标签，组成训练样本；
[0067]
s44、通过所述训练样本对趋势预测模型进行训练，得到趋势预测模型的参数。
[0068]
s5、通过趋势模型预测未来一段时间内的室内水位变化趋势；
[0069]
具体的，通过天气预报获取未来一段时间内的天气属性数据，根据未来一段时间内的天气属性数据的变化量预测室内环境数据、地下室周边环境数据的变化量；具体可预先获取天气属性数据的历史数据和对应的室内环境数据、地下室周边环境数据的历史数据，通过非线性回归的方式拟合天气属性数据变化量与室内环境数据、地下室周边环境数据变化量之间的对应关系，从而根据未来一段时间内的天气属性数据的变化量预测室内环境数据、地下室周边环境数据的变化量。
[0070]
将未来一段时间内的天气属性数据的变化量、室内环境数据的变化量、地下室周边环境数据的变化量输入训练好的趋势预测模型，即可得到未来一段时间内的室内水位变化趋势。
[0071]
具体实施时，可将实时采集到的室内环境数据、天气属性数据和地下室周边环境数据以及摄像头实时识别到的水位值输入趋势预测模型进行在线训练和校正。s6、基于水位变化趋势进行淹水隐患预警。
[0072]
根据未来一段时间内的室内水位变化趋势可绘制水位变化趋势曲线，进一步可根据水位变化趋势曲线估计室内水位到达预设的警戒水位的时间，进行淹水隐患预警，以便及时启动应急预案，提前做出应急处置措施。
[0073]
与上述方法实施例相对应，本发明还公开一种图像识别地下室淹水隐患的系统，所述系统包括：
[0074]
数据采集模块：用于获取室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据；通过摄像头采集室内水尺图像的历史时序数据；
[0075]
水位识别模块：用于将水尺图像输入预训练的水位识别模型，识别对应的室内水
位时序值；
[0076]
模型构建模块：用于通过引入注意力机制的cnn-lstm神经网络建立趋势预测模型；
[0077]
模型训练模块：用于以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数；
[0078]
趋势预测模块：用于通过趋势模型预测未来一段时间内的室内水位变化趋势；
[0079]
隐患预警模块：用于基于水位变化趋势进行淹水隐患预警。
[0080]
以上方法实施例和系统实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。
[0081]
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
[0082]
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：u盘、移动硬盘、只议存储器rom、随机存取存储器ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0083]
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0084]
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种图像识别地下室淹水隐患的方法，其特征在于，所述方法包括：获取室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据；摄像头采集室内水尺图像的历史时序数据，将水尺图像输入预训练的水位识别模型，识别对应的室内水位时序值；通过引入注意力机制的cnn-lstm神经网络建立趋势预测模型；以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数；通过趋势模型预测未来一段时间内的室内水位变化趋势；基于水位变化趋势进行淹水隐患预警。2.根据权利要求1所述图像识别地下室淹水隐患的方法，其特征在于，所述室内环境数据包括室内面积、各入水口流量、各出水口流量；天气属性数据包括局部降雨量；地下室周边环境数据包括地下室周边的水流走向网状图，以及水流走向网状图中各个节点的水流量。3.根据权利要求1所述图像识别地下室淹水隐患的方法，其特征在于，所述预训练的水位识别模型为基于深度学习训练的cnn卷积神经网络。4.根据权利要求2所述图像识别地下室淹水隐患的方法，其特征在于，所述通过cnn-lstm建立趋势预测模型具体包括：通cnn神经网络模块提取室内环境数据、天气属性数据和地下室周边环境数据的时序变化量与室内水位的时序变化量之间的空间特征关系，得到空间特征向量；通过lstm神经网络提取多个连续时刻的空间特征向量的时间特征关系；通过注意力机制增强与水位变化相关信息的注意力，得到趋势预测模型。5.根据权利要求2所述图像识别地下室淹水隐患的方法，其特征在于，所述以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数具体包括：对室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据和对应的室内水位时序值进行预处理；计算室内环境数据、天气属性数据和周边环境数据的时序变化量和对应的室内水位的时序变化量，所述时序变化量为后一时刻的时序数据相对于前一时刻的时序数据的变化量；以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入特征，以对应的室内水位的时序变化量为输出标签，组成训练样本；通过所述训练样本对趋势预测模型进行训练，得到趋势预测模型的参数。6.根据权利要求5所述图像识别地下室淹水隐患的方法，其特征在于，所述通过趋势模型预测未来一段时间内的室内水位变化趋势具体为：通过局部天气预报获取未来一段时间内的天气属性数据；根据未来一段时间内的天气属性数据的变化量预测室内环境数据、地下室周边环境数据的变化量；将未来一段时间内的天气属性数据的变化量、室内环境数据的变化量、地下室周边环境数据的变化量输入训练好的趋势预测模型，得到未来一段时间内的室内水位变化趋势。
7.根据权利要求5所述图像识别地下室淹水隐患的方法，其特征在于，所述基于水位变化趋势进行淹水隐患预警具体包括：绘制水位变化趋势曲线，根据水位变化趋势曲线估计室内水位到达预设的警戒水位的时间，进行淹水隐患预警。8.一种图像识别地下室淹水隐患的系统，其特征在于，所述系统包括：数据采集模块：用于获取室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据；通过摄像头采集室内水尺图像的历史时序数据；水位识别模块：用于将水尺图像输入预训练的水位识别模型，识别对应的室内水位时序值；模型构建模块：用于通过引入注意力机制的cnn-lstm神经网络建立趋势预测模型；模型训练模块：用于以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数；趋势预测模块：用于通过趋势模型预测未来一段时间内的室内水位变化趋势；隐患预警模块：用于基于水位变化趋势进行淹水隐患预警。9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1～7任一项所述的方法。

技术总结
本发明公开一种图像识别地下室淹水隐患的方法及系统，所述方法包括：获取室内环境数据、天气属性数据和地下室周边环境数据的历史时序数据；摄像头采集室内水尺图像的历史时序数据，将水尺图像输入预训练的水位识别模型，识别对应的室内水位时序值；通过引入注意力机制的CNN-LSTM神经网络建立趋势预测模型；以室内环境数据、天气属性数据和周边环境数据的时序变化量为输入、以对应的室内水位的时序变化量为输出对趋势预测模型进行训练，得到趋势预测模型的参数；通过趋势模型预测未来一段时间内的室内水位变化趋势；基于水位变化趋势进行淹水隐患预警。本发明可通过室内外的环境数据和天气属性数据动态预测地下室内水位的变化趋势，实现提前预警。实现提前预警。实现提前预警。


技术研发人员：谢玉超 曾常慧 倪光荣
受保护的技术使用者：武汉富思特创新信息技术有限公司
技术研发日：2021.11.15
技术公布日：2022/3/8