基于多尺度目标检测网络的城市洪涝积水深度检测方法技术

本发明专利技术公开了基于多尺度目标检测网络的城市洪涝积水深度检测方法，属于图像识别与深度学习领域；包含：选取用于城市洪涝积水深度检测的参照物；构建城市洪涝区域参照物目标检测网络；训练参照物目标检测模型；获取参照物目标检测结果并计算参照物像素高度；根据参照物像素高度变化与实际高度映射关系定量计算积水深度。本方法充分发挥深度学习在图像识别与检测领域的优势，设计包含多分支堆叠模块与特征金字塔结构的目标检测网络，解决了传统目标检测算法对多尺度目标特征提取能力弱、特征融合效果差的问题。在保持模型计算复杂度较低的条件下提升模型检测精度，提升积水深度计算精度，为基于视觉的非接触式洪涝积水深度检测提供技术可能性。

【技术实现步骤摘要】

本专利技术涉及目标检测与深度学习，尤其涉及一种基于多尺度目标检测网络的城市洪涝积水深度检测方法。

技术介绍

1、随着全球气候变暖和城市化进程的加速，极端降雨事件引发的城市内涝问题愈发频繁且危害加剧。道路积水深度直接影响交通通行安全、排水系统调度效率及灾害应急响应的精准性，成为城市安全管理的关键监测指标。在基础设施与空间结构复杂的城市场景中，低洼路段、桥梁涵洞、地下空间等易涝区域的积水深度动态变化，亟需高效、实时的自动化检测技术。近年来，城市场景中密集部署的监控摄像头网络提供了海量视频图像数据，为基于计算机视觉的非接触式水深检测技术发展奠定了数据基础。通过智能化分析监控视频图像，提取积水场景中的特征变化并转化为实际水深值，成为应对城市内涝监测挑战的重要技术方向。

2、传统城市洪涝积水检测手段主要有三种：人工实地观测、固定点位水位传感器与基于传统图像处理的视觉检测方法，但这些方法在实际应用中存在显著的技术瓶颈与场景局限：人工测量依赖巡检人员实地观测，具备操作直观、成本低的特点，但受限于人力投入大、监测频次低、极端天气下作业风险高等问题，难以实现实时本文档来自技高网...

【技术保护点】

1.基于多尺度目标检测网络的城市洪涝积水深度检测方法，其特征在于：该方法包含以下具体步骤：

2.根据权利要求1所述的基于多尺度目标检测网络的城市洪涝积水深度检测方法，其特征在于：步骤2中，主干特征提取网络用于对输入的图像进行初步的特征提取，其由三个浅层特征提取模块与三个深层特征提取模块构成；其中浅层特征提取模块由3×3卷积、批量归一化层与SiLu激活函数层构成，在浅层特征提取的过程中，通过逐层卷积操作使特征图的高度和宽度不断压缩，通道数不断扩张，将特征图的浅层空间信息转换为深层语义信息；深层特征提取模块由多分支堆叠结构与SiLu激活函数层构成，多分支堆叠结构包含三个分支，分别...

【技术特征摘要】

1.基于多尺度目标检测网络的城市洪涝积水深度检测方法，其特征在于：该方法包含以下具体步骤：

2.根据权利要求1所述的基于多尺度目标检测网络的城市洪涝积水深度检测方法，其特征在于：步骤2中，主干特征提取网络用于对输入的图像进行初步的特征提取，其由三个浅层特征提取模块与三个深层特征提取模块构成；其中浅层特征提取模块由3×3卷积、批量归一化层与silu激活函数层构成，在浅层特征提取的过程中，通过逐层卷积操作使特征图的高度和宽度不断压缩，通道数不断扩张，将特征图的浅层空间信息转换为深层语义信息；深层特征提取模块由多分支堆叠结构与silu激活函数层构成，多分支堆叠结构包含三个分支，分别对输入特征图进行一次、三次与五次的3×3卷积操作，并将卷积结果按通道维度串接，得到融合多尺度特征信息的特征图；

3.根据权利要求1所述的基于多尺度目标检测网络的城市洪涝积水深度检测方法，其特征在于：步骤3中，首先通过imagenet大规模通用数据集对主干特征提取网络进行预训练，使其学习边缘、纹理通用视觉特征以提升后续训练的收敛效率；在数据采集阶段，通过网络爬虫与实地拍摄采集包含交通锥、共享单车目标的城市场景图像，经旋转、缩放、剪切数据增强处理后构建数据集；在模型训练阶段，将数据按9:1:1比例划分为训练集、验证集与测试集；最后，利用独立测试集评估模型的检测精度、召回率性能指标，针对测试结果对模型超参数进行微调。

4.根据权利要求1所述的基于多尺度目标检测网络的城市洪涝积水深度检测方法，其特征在于：使用大规模数据集imagenet对目标检测模型的主干特征提取网络进行预训练，生成具备基础图像表征能力的预训练...

【专利技术属性】
技术研发人员：刘鹏宇，袁博文，安紫明，袁乐乐，王佳琪，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：