城市道路积水识别监测系统基于机器视觉分析,城市道路积水识别监测系统实时识别街道路面积水情况,对严重积水时立即报警。城市道路积水识别监测系统对低洼区域进行实时监测,一旦城市道路积水识别监测系统监测到街道路面积水时,立即进行抓拍告警,告知监控管理中心,提醒相关人员及时处理。
在CNN出现之前,对于图像的处理一直都是一个很大的问题,一方面因为图像处理的数据量太大,比如一张512 x 512的灰度图,它的输入参数就已经达到了252144个,更别说1024x1024x3之类的彩色图,这也导致了它的处理成本十分昂贵且效率极低。另一方面,图像在数字化的过程中很难保证原有的特征,这也导致了图像处理的准确率不高。
而CNN网络能够很好的解决以上两个问题。对于第一个问题,CNN网络它能够很好的将复杂的问题简单化,将大量的参数降维成少量的参数再做处理。也就是说,在大部分的场景下,我们使用降维不会影响结果。比如在日常生活中,我们用一张1024x1024x3表示鸟的彩色图和一张100x100x3表示鸟的彩色图,我们基本上都能够用肉眼辨别出这是一只鸟而不是一只狗。这也是卷积神经网络在图像分类里的一个重要应用。
为了缓解交通压力和保证出行的畅通,许多城市建设了不少的立交桥和下穿隧道。近年来,由于全球气温变暖,随着极端天气出现的次数越来越多,各地都有不同程度的暴雨来袭。由强降雨引起的城市下穿隧道及立交桥下低洼处存在大量积水的现象时有发生,导致城市道路被淹,交通出行受阻,且有愈演愈烈的趋势,给人们的出行带来了很大的不便。给人们的生活带来了非常大的影响,甚至威胁到人们的生命财产安全。
import torch
from torch import nn
from d2l import torch as d2l
class Reshape(torch.nn.Module):
def forward(self, x):
# 通过view函数把图像展成标准的Tensor接收格式,即(样本数量,通道数,高,宽)
return x.view(-1, 1, 28, 28)
net = torch.nn.Sequential(
Reshape(),
# 第一个卷积块,这里用到了padding=2
nn.Conv2d(1, 6, kernel_size=5, padding=2),
nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
# 第二个卷积块
nn.Conv2d(6, 16, kernel_size=5),
nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
# 稠密块(三个全连接层)
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
nn.Linear(120, 84), nn.Sigmoid(),
nn.Linear(84, 10))
城市道路积水识别监测系统可实时监测城区各低洼路段的积水水位并实现自动预警。市政管理部门借助该系统可整体把握整个城区内涝状况,及时进行排水调度。通过城市道路积水识别监测系统可获取各路段的实时积水情况,并借助广播、电视等媒体避免人员、车辆误入深水路段造成重大损失。