[发明专利]一种坝岸险情预测方法、装置、计算机设备及存储介质

权利要求书

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；

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；将拉力传感器布置于根石台外沿或根石护坡4500m³/s水位位置，并间隔1.5米～4米布设采样点，然后将采集到的拉力数据以每秒15次的频率上传，实现拉力数据采集；通过水位传感模块对坝岸水位进行测量，并实时采集对应的水位数据；所述水位传感模块沿坝岸均匀布设或者布设在险情部位；

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；

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；

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；

在FasterR-CNN深度学习网络模型中的卷积层进行扩边处理，从而导致输入矩阵M×N变为(M+2)×(N+2)大小，然后进行3x3卷积后输出矩阵M×N；在卷积层中的池化层中，每一经过池化层的M×N矩阵，都会变为(M/2)×(N/2)大小；

所述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，包括：

通过卷积核为3×3的卷积层对所述特征图进行卷积，生成正矩形和对应边框回归偏移量；

根据所述边框回归偏移量对所述正矩形进行修正，得到所述候选区域；

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。

3.根据权利要求1所述的坝岸险情预测方法，其特征在于，所述利用卷积层对所述历史坝岸数据提取特征图，包括：

依次通过第一卷积层、第一relu层、第二卷积层、第二relu层、第一池化层、第三卷积层、第三relu层、第四卷积层、第四relu层、第二池化层、第五卷积层、第五relu层、第六卷积层、第六relu层、第七卷积层、第七relu层、第三池化层、第八卷积层、第八relu层、第九卷积层、第九relu层、第十卷积层、第十relu层、第四池化层、第十一卷积层、第十一relu层、第十二卷积层、第十二relu层、第十三卷积层、第十三relu层对所述历史坝岸数据进行特征图提取。