视频智能识别供水管道爆管的方法技术

本发明专利技术公开了视频智能识别供水管道爆管的方法，涉及水管网监测技术领域，通过获取管道管网的视频数据，并通过对视频数据中的特征进行提取和分析，从而能够实现实时识别管道是否出现异常，相较同类型的只是通过传统的硬件或者传统算法识别，所能够对供水管道是否存在异常的识别速度更加快速，且识别准确度更高，从而避免了当发生供水管道出现异常时不能够及时处理，造成更大的人员伤亡与影响水资源的使用，使用过程中能够第一时间通知相关人员解决供水管道出现异常的问题。决供水管道出现异常的问题。决供水管道出现异常的问题。

【技术实现步骤摘要】
视频智能识别供水管道爆管的方法


[0001]本专利技术涉及水管网监测
，具体是视频智能识别供水管道爆管的方法。

技术介绍

[0002]经济的快速发展及城镇化的不断推进使得城镇数量及规模都在不断地扩大；供水系统是城镇基础设施中的重要的一环；现今城市供水管道爆管事故数量逐年增加，这可能会对城市用水的正常供应以及民众的正常生活造成极大的困扰，更会造成巨大经济损失和恶劣影响；
[0003]现有的管道监测方式由于供水管道分布广泛，且大多在市区，巡检路线复杂、时效性不高，导致管道时常会被误开挖，造成爆管，为此，现提供视频智能识别供水管道爆管的方法。

技术实现思路

[0004]本专利技术的目的在于提供视频智能识别供水管道爆管的方法。
[0005]本专利技术的目的可以通过以下技术方案实现：视频智能识别供水管道爆管的方法，包括以下步骤：
[0006]步骤一：根据管道管网的分布设置视频采集终端，通过视频采集终端获取管道管网的视频数据；
[0007]步骤二：对所获得的管道管网的视频数据进行处理，并获得视频帧；
[0008]步骤三：将所获得的视频帧输入至深度卷积神经网络训练模型，提取视频帧中管道管网的相关特征；
[0009]步骤四：对所提取到的相关特征进行加强，并预测相关特征所对应的供水管道是否存在异常。
[0010]进一步的，视频采集终端获取管道管网的视频数据的方式为实时获取，且视频采集终端根据管道管网的分布，安装在不同的位置，通过安装在不同位置的视频采集终端对管道管网进行全覆盖，每个视频采集终端均设置有定位单元，通过定位单元获取每个视频采集终端的所在位置。
[0011]进一步的，对管道管网的视频数据的处理过程包括：
[0012]将视频采集终端所获取到的视频数据发送至监控中心，在所获得的视频数据内设置目标框，获取目标框在视频数据内的位置信息；
[0013]并将所获得的视频数据转化为视频帧，从而获得连续的管道管网的单元帧图片；
[0014]将单元帧图片进行栅格化处理，获得目标框在单元帧图片中的位置信息，并将栅格化处理后的单元帧图片进行汇总，生成输入信息集；
[0015]将所获得的输入信息集内的单元帧图片输入至深度卷积神经网络模型。
[0016]进一步的，深度卷积神经网络模型提取单元帧图片中关于供水管道的相关特征的过程包括：
[0017]通过CSPDarknet主干特征提取网络初步提取单元帧图片中的特征，并根据所提取到的特征获取单元帧图片的有效特征层；
[0018]根据所提取到的特征，生成预测框，获得预测框在单元帧图片中的位置信息。
[0019]进一步的，对所提取到的特征进行加强的过程包括：
[0020]对所提取到的特征进行解耦，获得特征类别、特征位置以及测量标准，并分别记为Cls、Reg以及LoU；
[0021]通过Loss函数对所提取到的特征进行识别，并根据所有特征分别生成标签，将每种标签进行标号；
[0022]根据目标框和预测框，输出所提取到的特征的边界框；
[0023]则获得边界框损失为L
ireg
；
[0024]对所生成的标签分配至不同的特征，则每个特征的类别为L
iCls
。
[0025]进一步的，CSPDarknet主干特征提取网络使用了CSPnet网络结构、Focus网络结构、SiLU激活函数以及SPP结构，通过对不同池化核大小的最大池化进行特征提取。
[0026]进一步的，判断供水管道是否存在异常的过程包括：
[0027]根据所获取到的特征的类别以及边界框损失，对单元帧图片中的供水管道的相关特征进行提取，并对所提取到的相关特征获得供水管道出现异常进行识别；
[0028]对每种特征进行成本计算，获得供水管道出现异常的参考系数C
i
；
[0029]设置判定系数阈值，将判定系数阈值标记为C0，且当
[0030]C
i
≥C0时，则表示单元帧图片中标号为i的特征类别存在异常，则生成供水管道异常的预警信息；
[0031]同时获取到该单元帧图片的视频采集终端的位置，并将该视频采集终端的位置进行标记；
[0032]将特征类别存在异常的特征的边界框损失进行标记。
[0033]与现有技术相比，本专利技术的有益效果是：通过获取管道管网的视频数据，并通过对视频数据中的特征进行提取和分析，从而能够实现实时识别管道是否出现异常，相较同类型的只是通过传统的硬件或者传统算法识别，所能够对供水管道是否存在异常的识别速度更加快速，且识别准确度更高，从而避免了当发生供水管道出现异常时不能够及时处理，造成更大的人员伤亡与影响水资源的使用，使用过程中能够第一时间通知相关人员解决供水管道出现异常的问题。
附图说明
[0034]图1为本专利技术的流程图。
具体实施方式
[0035]如图1所示，视频智能识别供水管道爆管的方法，包括以下步骤：
[0036]步骤一：根据管道管网的分布设置视频采集终端，通过视频采集终端获取管道管网的视频数据；
[0037]步骤二：对所获得的管道管网的视频数据进行处理，并获得视频帧；
[0038]步骤三：将所获得的视频帧输入至深度卷积神经网络训练模型，提取视频帧中管
道管网的相关特征；
[0039]步骤四：对所提取到的相关特征进行加强，并预测相关特征所对应的供水管道是否存在异常；
[0040]需要进一步说明的是，在具体实施过程中，视频采集终端获取管道管网的视频数据的方式为实时获取，且视频采集终端根据管道管网的分布，安装在不同的位置，通过安装在不同位置的视频采集终端对管道管网进行全覆盖，从而使得管道管网不存在监控死角；
[0041]在具体实施过程中，每个视频采集终端均设置有定位单元，通过定位单元获取每个视频采集终端的所在位置，从而使得当视频采集终端所在位置的供水管道出现异常时，能够快速安排人员前往现场进行处理。
[0042]需要进一步说明的是，在具体实施过程中，对管道管网的视频数据的处理过程包括：
[0043]将视频采集终端所获取到的视频数据发送至监控中心，在所获得的视频数据内设置目标框，并将目标框标记为gt，获取目标框在视频数据内的位置信息，并将目标框的位置信息标记为B
gt
；
[0044]并将所获得的视频数据转化为视频帧，从而获得连续的管道管网的单元帧图片；
[0045]将单元帧图片进行栅格化处理，获得目标框在单元帧图片中的位置信息，并将栅格化处理后的单元帧图片进行汇总，生成输入信息集；
[0046]将所获得的输入信息集内的单元帧图片输入至深度卷积神经网络模型，通过深度卷积神经网络模型提取单元帧图片中关于供水管道的相关特征。
[0047]需要进一步说明的是，在具体实施过程中，深度卷积神经网络模型提取单元帧图片中关于供水本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.视频智能识别供水管道爆管的方法，其特征在于，包括以下步骤：步骤一：根据管道管网的分布设置视频采集终端，通过视频采集终端获取管道管网的视频数据；步骤二：对所获得的管道管网的视频数据进行处理，并获得视频帧；步骤三：将所获得的视频帧输入至深度卷积神经网络训练模型，提取视频帧中管道管网的特征；步骤四：对所提取到的特征进行加强，并预测特征所对应的供水管道是否存在异常。2.根据权利要求1所述的视频智能识别供水管道爆管的方法，其特征在于，视频采集终端获取管道管网的视频数据的方式为实时获取，且视频采集终端根据管道管网的分布，安装在不同的位置，通过安装在不同位置的视频采集终端对管道管网进行全覆盖，每个视频采集终端均设置有定位单元，通过定位单元获取每个视频采集终端的所在位置。3.根据权利要求2所述的视频智能识别供水管道爆管的方法，其特征在于，对管道管网的视频数据的处理过程包括：将视频采集终端所获取到的视频数据发送至监控中心，在所获得的视频数据内设置目标框，获取目标框在视频数据内的位置信息；并将所获得的视频数据转化为视频帧，从而获得连续的管道管网的单元帧图片；将单元帧图片进行栅格化处理，获得目标框在单元帧图片中的位置信息，并将栅格化处理后的单元帧图片进行汇总，生成输入信息集；将所获得的输入信息集内的单元帧图片输入至深度卷积神经网络模型。4.根据权利要求3所述的视频智能识别供水管道爆管的方法，其特征在于，深度卷积神经网络模型提取单元帧图片中关于供水管道的相关特征的过程包括：通过CSPDarknet主干特征提取网络初步提取单元帧图片中的特征，并根据所提取到的特征获取单元帧图片的有效特征层；根据所提取到的特征，生...

【专利技术属性】
技术研发人员：许令顺，徐滨，
申请(专利权)人：安徽辉采科技有限公司，
类型：发明
国别省市：