一种露天矿防洪坝监控摄像头的遮挡检测方法及装置制造方法及图纸

本申请提出了一种露天矿防洪坝监控摄像头的遮挡检测方法及装置，该方法包括：获取不同环境和水位条件下的水面图像，识别水面图像的场景，并在各自的场景下，对水面图像进行二值化处理与增广处理，生成水面图像集；对于水面图像集中的第一场景对应的第一图像，对第一图像进行水面语义分割处理，生成二值分割图像；构建二分类神经网络，对监控摄像头是否被遮挡进行初级检测，得到第一遮挡识别结果；根据场景识别的第一置信度

【技术实现步骤摘要】
一种露天矿防洪坝监控摄像头的遮挡检测方法及装置


[0001]本申请涉及水面检测领域，尤其涉及一种露天矿防洪坝监控摄像头的遮挡检测方法
。

技术介绍

[0002]中国能源结构的特点是在相当长的一段时期内以煤炭为主要能源
。
煤炭的露天开采是一种重要的开采方式，因其建设速度快
、
生产成本低
、
劳动效率高等优点，占煤炭开采的比重也逐步增加
。
由于露天矿坑一般都处于地势低洼的沟壑区域，容易造成雨水聚集，所以要在露天矿周围设置防洪坝，以达到防洪的目的，保证煤矿露天开采的安全性，设置防洪坝后，需要对防洪坝的水位进行实时检测，及时发现水位超过警戒线的异常情况
。
[0003]现有技术中，往往是通过摄像头对防洪坝的水位进行观测，以确定防洪坝的水位是否超限，或是根据摄像头拍摄的图像，结合深度学习的方法对其进行识别，以确定防洪坝的水位是否超限
。
[0004]然而，由于矿区的生产烟尘水汽较大，摄像头有可能会被遮挡，由此拍摄的图像会对识别结果造成很大的影响，传统方法是派工作人员定期对摄像头进行巡检，但这无疑会增加工作量，另外，当遮挡可能发生在摄像头的边缘时，难以进行识别
。

技术实现思路

[0005]针对上述问题，提出了一种露天矿防洪坝监控摄像头的遮挡检测方法及装置，以在水面检测的过程中，对摄像头是否被遮挡进行检测
。
[0006]本申请第一方面提出一种露天矿防洪坝监控摄像头的遮挡检测方法，包括：
[0007]根据监控摄像头获取不同环境和水位条件下的水面图像，识别所述水面图像的场景，并在各自的场景下，对所述水面图像进行二值化处理与增广处理，生成水面图像集；
[0008]对于所述水面图像集中的第一场景对应的第一图像，对所述第一图像进行水面语义分割处理，生成二值分割图像；
[0009]构建二分类神经网络，对所述监控摄像头是否被遮挡进行初级检测，得到第一遮挡识别结果；
[0010]根据场景识别的第一置信度
、
水面语义分割处理的第二置信度
、
遮挡检测的第三置信度以及所述第一遮挡识别结果，判定所述监控摄像头是否被遮挡
。
[0011]可选的，所述识别所述水面图像的场景，包括：
[0012]构建候选场景分类神经网络，基于深度学习的方法，运用迁移学习的方式，利用多天气数据集
MWD
中对所述候选场景分类神经网络进行训练，训练结束后，得到场景分类神经网络；
[0013]根据所述场景分类神经网络识别所述水面图像的场景
。
[0014]可选的，所述对所述水面图像进行二值化处理，包括：
[0015]在任意场景内，将所述水面图像的水面区域与坝体区域分割开并对其进行标注，
生成二值化图像
。
[0016]可选的，所述根据场景识别的第一置信度
、
水面语义分割处理的第二置信度
、
遮挡检测的第三置信度以及所述第一遮挡识别结果，判定所述监控摄像头是否被遮挡，包括：
[0017]将来自场景识别的所述第一置信度和来自水面语义分割的第二置信度进行加权相加，得到第四置信度，表达式为：
[0018]C4＝
λ1C
cla
+
λ2C
seg
，
[0019]其中，
C4所述第四置信度，
C
cla
为所述第一置信度，
C
seg
为所述第二置信度，
λ1、
λ2由经验确定，其加和为1；
[0020]当所述第一遮挡识别结果为遮挡时，取所述第一遮挡识别结果为1，否则为0，将所述第一遮挡识别结果的赋值与所述第三置信度的乘积，作为第五置信度，表达式为：
[0021]C5＝
R
·
C
wea
，
[0022]其中，
C5为所述第五置信度，
C
wea
为所述第三置信度，
R
为所述第一遮挡识别结果的值；
[0023]根据所述第四置信度与所述第五置信度，得到总置信度，公式化为：
[0024]C
＝
C4+C5，
[0025]比较所述总置信度与预设阈值，判定所述监控摄像头是否被遮挡
。
[0026]可选的，所述比较所述总置信度与预设阈值，判定所述监控摄像头是否被遮挡，包括：
[0027]若所述总置信度大于预设阈值，则判定所述监控摄像头被遮挡；
[0028]若所述总置信度不大于预设阈值，则判定所述监控摄像头不被遮挡
。
[0029]可选的，所述方法，还包括：
[0030]根据所述二值分割图像，判断水面是否异常
。
[0031]可选的，所述根据所述二值分割图像，判断水面是否异常，包括：
[0032]根据聚类算法将所述二值分割图像中的点分成若干类，去除不属于水面的类；
[0033]确定所述防洪坝水域的最大范围，计算所述二值分割图像中属于水的类别的像素点落在所述最大范围外的个数；
[0034]若所述二值分割图像中属于水的类别的像素点落在所述最大范围外的个数超过所述预设像素点阈值，则该二值分割图像对应的水位超限
。
[0035]本申请第二方面提出一种露天矿防洪坝监控摄像头的遮挡检测装置，其特征在于，包括：
[0036]获取模块，用于根据监控摄像头获取不同环境和水位条件下的水面图像，识别所述水面图像的场景，并在各自的场景下，对所述水面图像进行二值化处理与增广处理，生成水面图像集；
[0037]语义分割模块，用于对于所述水面图像集中的第一场景对应的第一图像，对所述第一图像进行水面语义分割处理，生成二值分割图像；
[0038]第一遮挡检测模块，用于构建二分类神经网络，对所述监控摄像头是否被遮挡进行初级检测，得到第一遮挡识别结果；
[0039]第二遮挡检测模块，用于根据场景识别的第一置信度
、
水面语义分割处理的第二置信度以及遮挡检测的第三置信度，判定所述监控摄像头是否被遮挡
。
[0040]本申请第三方面提出一种计算机设备，包括存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述第一方面中任一所述的方法
。
[0041]本申请第四方面提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述第一方面中任一所述的方法
。
[0042]本申请的实施例提供的技术方案至少带来以下有益效果：
[0043]在对摄像头遮挡进行检测时，通过引入置信度判别因子，并对各个处理过程进行加权，能够对摄本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种露天矿防洪坝监控摄像头的遮挡检测方法，其特征在于，包括：根据监控摄像头获取不同环境和水位条件下的水面图像，识别所述水面图像的场景，并在各自的场景下，对所述水面图像进行二值化处理与增广处理，生成水面图像集；对于所述水面图像集中的第一场景对应的第一图像，对所述第一图像进行水面语义分割处理，生成二值分割图像；构建二分类神经网络，对所述监控摄像头是否被遮挡进行初级检测，得到第一遮挡识别结果；根据场景识别的第一置信度
、
水面语义分割处理的第二置信度
、
遮挡检测的第三置信度以及所述第一遮挡识别结果，判定所述监控摄像头是否被遮挡
。2.
根据权利要求1所述的方法，其特征在于，所述识别所述水面图像的场景，包括：构建候选场景分类神经网络，基于深度学习的方法，运用迁移学习的方式，利用多天气数据集
MWD
中对所述候选场景分类神经网络进行训练，训练结束后，得到场景分类神经网络；根据所述场景分类神经网络识别所述水面图像的场景
。3.
根据权利要求1所述的方法，其特征在于，所述对所述水面图像进行二值化处理，包括：在任意场景内，将所述水面图像的水面区域与坝体区域分割开并对其进行标注，生成二值化图像
。4.
根据权利要求1所述的方法，其特征在于，所述根据场景识别的第一置信度
、
水面语义分割处理的第二置信度
、
遮挡检测的第三置信度以及所述第一遮挡识别结果，判定所述监控摄像头是否被遮挡，包括：将来自场景识别的所述第一置信度和来自水面语义分割的第二置信度进行加权相加，得到第四置信度，表达式为：
C4＝
λ1C
cla
+
λ2C
seg
，其中，
C4所述第四置信度，
C
cla
为所述第一置信度，
C
seg
为所述第二置信度，
λ1、
λ2由经验确定，其加和为1；当所述第一遮挡识别结果为遮挡时，取所述第一遮挡识别结果为1，否则为0，将所述第一遮挡识别结果的赋值与所述第三置信度的乘积，作为第五置信度，表达式为：
C5＝
R
·
C
wea
，其中，
C5为所述第五置信度，
...

【专利技术属性】
技术研发人员：刘晓明，杨晓辉，李佳城，王振，
申请(专利权)人：天地科技股份有限公司北京技术研究分公司，
类型：发明
国别省市：