基于深度学习的城市积涝监控预警系统
来源:用户上传
作者:陈勇 刘佐东 熊非凡 罗佳艺 潘玲芳
摘要：城镇化在我国成了发展的一种大趋势，伴随而来的是城市内涝问题也日益突出，而目前传统检测方法存在着精确度低、成本高、效率低、时效性不强等问题，给城市内涝灾害的提前预防工作带来不便。如今，人工智能变得炙手可热，基于深度学习的积水信息识别的人工系统也应运而生。该系统采用深度学习中的卷积神经网络来精确提取图像信息、使用开源机器学习框架TensorFlow来进一步处理信息、同时调用阿里云短信服务来实现消息实时更新。基于该系统能够实现通过监控图像实时识别积水情况，将结果精确、高效整理出来，并且实现消息及时更新。
关键词：城市内涝;深度学习;图像识别;神经网络;图像集
中图分类号：TP391 文献标识码：A
文章编号：1009-3044（2020）01-0174-02
1概述
近些年来，基于强降雨或连续性降雨天气、城市排水系统设计不合理以及城市地势等原因造成的城市积涝灾害日益突出，可以说城市内涝在我国比较普遍，不仅在一些沿海城市，现如今内陆城市也经常发生。城市内涝对城市的防汛排涝的任务带来了巨大压力，由它带来的交通瘫痪对经济建设和人民生活也造成较大影响。由于传统的检测方法在成本、精确度、时效性方面存在很大缺陷，并不满足需要。为了进一步提高城市气象服务水平和能力，最大限度地降低城市积涝带来的损失危害，全面掌握城市积涝状况，让政府部门可提前布置防涝工作、城市市民可提前知晓。在如今人工智能发展迅速地大背景下，基于深度学习的城市监控研发的积涝预警系统。该项目主要研究如何对道路监控图像进行信息采集并实时处理，通过对图像的处理让我们可以实时的去分析积涝的情况，最后将结果实时公布出去，实现对积水信息检测人工智能化。
2国内外积水问题的解决方法
目测法和器测法是目前国内外对于检测的两种较为传统的检测方法。通过前期调研发现以下几个问题：目测法主要检测手段是让具备相关知识和经验的人员进行人工检测，相比较而言，其主观臆断性强，容易出现偏差，精确度低而且时效性不强;另一种器测法相比目测法而言精确度有所提高，达到了我们对于积水检测要求，但由于其成本较高，不适合在各个地方集中铺设。新技术方面，当前有城市管理部门或与气象部门联合开发城市积涝预警监测系统，投入大量的资金，选择容易产生积涝的典型城市积涝点，布设积涝监测设备，包括摄像头、水位计、雨量计、光纤通信网络设备或GPRS通信终端等，全方位开展城市积涝监测工作。
3城市积涝监控预警系统的功能
3.1信息采集
在目前已有的城市交通等监控系统中进行信息的采集，不存在需要单独投入建设积涝监测网络系统的问题。通过深度学习技术的运用，基于城市道路视频监控图像数据集，完成城市积涝识别卷积神经元网络的训练优化，达到城市积涝的精准识别的目的。交通部门的视频监控网络覆盖面远比市政积涝监测的网络覆盖面广，再加上通过对社交网络的图像采集，城市积涝监测网络覆盖范围将得到极大提升。在某些地方，可以通过特定社交软件系统，对城市道路图像进行人工采集，進一步完善系统的数据库。
3.2积涝识别系统
积涝识别系统是整个系统的一个至关重要的子系统，它是基于深度学习技术研发而成。主要包括：城市道路积涝图像数据集的建立。为了训练优化深度学习网络，对于收集到有代表性的城市道路积涝的图像集，我们要预先进行数据清洗，归一化，建立一个标准的训练、测试数据集;建立开放的城市道路积涝图像数据集其中的图片数量不少于500张，确保收集的图像能够真正具有代表性、普遍性，让系统适用性更强，让识别结果更为精确。积涝识别神经元网络设计和训练。构建基于图像分割的卷积神经元网络模型，利用城市道路图像集进行网络训练。网络的设计和训练是本系统的关键。人工订正数据集后，对网络再训练。在系统使用过程中，对于识别错误的图像进行人工结果订正，并将错误图像加入训练数据集中去。定期对更新的数据集进行模型再训练。实现系统使用时间越长，神经元网络识别率越高。模型的再训练方法是针对逐步提高系统的准确率而创立的，要实现关键地区积涝识别准确率不低于90%，平均识别准确率不低于85%这一基本指标。
4城市积涝监控预警系统展示
用户主要将通过城市积涝监控预警平台使用本系统。首先打开登录界面，依照界面提醒，在相应的位置输入正确的用户名和密码，并点击确认按键。成功登入之后可通过查询框，全面掌握长期的城市积涝状况，通过数据的一定积累，识别精确度将会不断提高，政府部门也可根据这些长期的数据整理出一些规律现象，实现积涝灾害提前预防，减少积涝带来的影响。另外管理员也可通过编辑，系统通过调用阿里云短信服务可以实时发布内涝预警，灵活提供城市积涝信息。
在实时采集的图像集中，系统进行详细的信息处理后，可以得出一系列积水信息以及可以预见城市内涝的趋势，不仅能够对当日信息进行自动化分析处理，还能够对一周情况进行详细的总结，作为信息分析使用。
5结束语
如今，结合交通部门广泛的视频监控网络，对于基于深度学习的城市积水检测系统有着巨大影响，给该系统提供用武之地，反过来系统也能够更好地为我们服务。基于这个系统实现了经济效益最大化，在保证准确性同时也降低了成本，还能够保证实时性、自动化运行需要，使用计算机代替大部分人工检测工作，也提高工作效率，支持全天候全方位检测。通过对机器视觉特征提取算法的优化及应用，能够准确提取出检测所需要的核心信息，提高检测精确度。再通过人工校正功能，使用时间越长，机器视觉特征提取越准确，城市监控研发的积涝预警模型判别精度越高。另外，采用前后端分离开发模式。可以有效降低前后台的耦合度。更易于对bug的定位。若后台出问题，不会影响前台开发。提升后台代码的循环利用，进而提升产品的开发效率。城市积涝监控预警平台将同时调用阿里云短信服务。在城市积涝期间，实时给予市民们相应的道路预警通知。未来该系统将渐渐给政府和市民带来便利。
感谢南昌工程学院信息工程学院冯祥胜老师的指导和江西省水信息协调感知与智能处理重点实验室的大力帮助。
转载注明来源:https://www.xzbu.com/8/view-15143750.htm
