为了提高超大城市积水内涝的监测预警能力,针对现有积水内涝检测方法实用性、实时性存在的不足,依托广州市9万余个高密度公共监控视频作为数据基础,基于深度学习的目标检测RTMDet(Real-Time Models for Object Detection)模型建立了一...为了提高超大城市积水内涝的监测预警能力,针对现有积水内涝检测方法实用性、实时性存在的不足,依托广州市9万余个高密度公共监控视频作为数据基础,基于深度学习的目标检测RTMDet(Real-Time Models for Object Detection)模型建立了一种道路积水内涝图像识别方法,采用多线程技术实现大规模视频点图像的高效采集,同时基于实例分割RTMDet模型实现积水内涝目标的快速检测和识别。使用2018年8月15日—2020年5月23日通过视频接口和互联网收集的共8463张图像样本集构建识别模型,用2020年6月25日—2022年9月10日采集的6106张图像对模型进行检验评估。结果表明:强降水过程中,模型能准确识别出具有明显积水内涝特征的图像及积水内涝特征所处图像的位置区域,数据清洗后模型总体识别准确率为86.60%;光线干扰和降水造成摄像头画面模糊是导致模型虚警的两大主要因素。研究成果已经在广州气象影响预报业务检验和广州市应急指挥决策辅助系统应用,为城市积水内涝自动监测和预警提供有效支撑,对水务、交通等气象业务场景有一定的参考价值。展开更多
文摘为了提高超大城市积水内涝的监测预警能力,针对现有积水内涝检测方法实用性、实时性存在的不足,依托广州市9万余个高密度公共监控视频作为数据基础,基于深度学习的目标检测RTMDet(Real-Time Models for Object Detection)模型建立了一种道路积水内涝图像识别方法,采用多线程技术实现大规模视频点图像的高效采集,同时基于实例分割RTMDet模型实现积水内涝目标的快速检测和识别。使用2018年8月15日—2020年5月23日通过视频接口和互联网收集的共8463张图像样本集构建识别模型,用2020年6月25日—2022年9月10日采集的6106张图像对模型进行检验评估。结果表明:强降水过程中,模型能准确识别出具有明显积水内涝特征的图像及积水内涝特征所处图像的位置区域,数据清洗后模型总体识别准确率为86.60%;光线干扰和降水造成摄像头画面模糊是导致模型虚警的两大主要因素。研究成果已经在广州气象影响预报业务检验和广州市应急指挥决策辅助系统应用,为城市积水内涝自动监测和预警提供有效支撑,对水务、交通等气象业务场景有一定的参考价值。
