【技术实现步骤摘要】
一种坝岸险情预测方法、装置、计算机设备及存储介质
本专利技术涉及险情预警
，特别涉及一种坝岸险情预测方法、装置、计算机设备及存储介质。
技术介绍
当河流泥沙流量大或者河流水位过高时，可能引发河流坝岸发生坝溃问题，严重危害沿岸人民群众的生命财产安全。传统的坝岸管理主要是依靠人工人力进行管理，因此便会存在坝岸险情管理效率低、人工人力的活动范围有限等问题，从而可能导致无法及时检查到坝岸溃坝的信息。当坝岸险情来临时，工作人员可能也得不到及时的安全保障，对工作人员的性命安全造成潜在的威胁。因此，提供一种基于人工智能的坝岸险情预测识别装置是本领域技术人员需要解决的问题。
技术实现思路
本专利技术实施例提供了一种坝岸险情预测方法、装置、计算机设备及存储介质，旨在实现对坝岸险情的实时准确预测。第一方面，本专利技术实施例提供了一种坝岸险情预测方法，所述方法包括：获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；
【技术保护点】
1.一种坝岸险情预测方法，其特征在于，包括：/n获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；/n将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；/n将所述历史坝岸数据输入至Faster R-CNN深度学习网络模型进行训练学习，并利用训练后的Faster R-CNN深度学习网络模型对实时获取的坝岸数据进行预测...
【技术特征摘要】 【专利技术属性】
1.一种坝岸险情预测方法，其特征在于，包括：
获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据；
将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，所述第一预测结果包括坝岸溃坝或者坝岸安全；
将所述历史坝岸数据输入至FasterR-CNN深度学习网络模型进行训练学习，并利用训练后的FasterR-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，所述第二预测结果包括坝岸溃坝或者坝岸安全；
将所述第二预测结果作为最终预测结果，并根据所述最终预测结果作出对应的响应。
2.根据权利要求1所述的坝岸险情预测方法，其特征在于，所述获取历史坝岸数据，并对所述历史坝岸数据进行预处理，得到数据集，所述历史坝岸数据包括历史坝岸图像数据、历史拉力数据和历史水位数据，包括：
通过网络摄像模块采集历史坝岸图像数据，通过拉力传感模块采集历史拉力数据，以及通过水位传感模块采集历史水位数据；
对所述历史坝岸图像数据进行特征提取，得到所述历史坝岸图像数据的特征数据；
对历史坝岸图像数据的特征数据和历史拉力数据、历史水位数据进行归一化处理，并为每一组数据添加分类标签得到数据集。
3.根据权利要求1所述的坝岸险情预测方法，其特征在于，所述将所述历史坝岸数据中的历史坝岸图像数据输入至轻量化神经网络模型中进行训练学习，并利用训练后的轻量化神经网络模型对实时获取的坝岸图像数据进行预测，得到第一预测结果，然后将所述第一预测结果实时上传，包括：
将所述历史坝岸图像数据的特征数据经输入层输入至标准卷积层，并由所述标准卷积层输出特征矩阵；
将所述特征矩阵输入至全连接层中，并通过softmax激活函数对所述特征矩阵进行分类，并将输出结果作为第一预测结果。
4.根据权利要求1所述的坝岸险情预测方法，其特征在于，所述将所述历史坝岸数据输入至FasterR-CNN深度学习网络模型进行训练学习，并利用训练后的FasterR-CNN深度学习网络模型对实时获取的坝岸数据进行预测，得到第二预测结果，包括：
利用卷积层提取所述历史坝岸数据的特征图；
将所述特征图输入至区域候选网络中，并由所述区域候选网络输出候选区域；
在兴趣区域池化层中根据所述候选区域从所述特征图中提取候选区域特征图；
将所述候选区域特征图输入至全连接层，得到分类结果，并将所述分类结果作为第二预测结果。
技术研发人员：张沛昌，谭鸿刚，黄磊，安万年，纪训风，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。