[发明专利]一种基于深度学习的泡泉检测方法及交互反馈系统

权利要求书

1.一种基于深度学习的泡泉检测方法，其特征在于，所述方法包括以下步骤：

步骤S10、按照预设拍摄间隔时间，对疑似发生泡泉险情区域内的若干采集点分别采集红外图像、第一普通可见光图像和第二普通可见光图像；红外图像与第一普通可见光图像和第二普通可见光图像对应，第一普通可见光图像和第二普通可见光图像为连续预设时刻拍摄的前后两帧图像；

步骤S20、将一具体时刻下拍摄一个采集点的红外图像导入预先训练得到的红外模型中进行识别，判定该红外图像的边缘温度和中心温度的差值是否为预设值，并由此判定该红外图像是否为疑似泡泉图像；

若判定结果为该红外图像疑似泡泉图像，则确定红外图像中的疑似泡泉点；同时，确定疑似泡泉点在该红外图像中的第一像素位置，并将第一像素位置映射至与该红外图像对应的第一普通可见光图像和第二普通可见光图像，确定与第一像素位置对应的第二像素位置和第三像素位置，将判定结果反馈至应急抢险人员，进入下一步骤；

若判定结果为该红外图像非疑似泡泉图像，则将该红外图像和对应的第一普通可见光图像和第二普通可见光图像抛出检测环境，结束检测，或者导入另一采集点，或者另一疑似发生泡泉险情区域的红外图像进行识别；

步骤S30、将判定为疑似泡泉图像的红外图像对应的第一普通可见光图像导入预先训练得到的可见光空间模型中进行识别，判定第二像素位置是否存在图像亮度明暗变化，由此判定第二像素位置是否发生疑似泡泉；

若判定结果是第二像素位置发生疑似泡泉，以分水岭算法分割得到泡泉范围，将判定结果反馈至应急抢险人员，同时将第二普通可见光图像和第一普通可见光图像相减得到的帧差图像导入预先训练得到的可见光时间模型中，判定第二像素位置和第三像素位置是否存在表面水流纹理变化，由此判定泡泉是否涌动；泡泉检测完成后，结束检测或者重复以上步骤，对另一采集点或者另一疑似发生泡泉险情区域进行检测；

若判定结果为第二像素位置和第三像素位置未发生疑似泡泉，结束检测或者重复以上步骤，对另一采集点或者另一疑似发生泡泉险情区域进行检测；

步骤S40、应急抢险人员接收红外模型、可见光空间模型和可见光时间模型的判定结果，并依据发生疑似泡泉的第二像素位置和第三像素位置进行现场确认，并将现场确认的结果反馈至红外模型、可见光空间模型和可见光时间模型，对红外模型、可见光空间模型和可见光时间模型进行增广优化；

步骤S50、统计红外图像中确认发生泡泉的泡泉点数量、每个泡泉点的泡泉范围、每个泡泉点与其他构筑物的距离以及每个泡泉点的泡泉涌动信息，形成该具体时刻下的泡泉信息参数，并基于泡泉信息参数判定泡泉危险指数；汇集泡泉信息参数和泡泉危险指数，构建该具体时刻下的泡泉信息库；

步骤S60、重复步骤S20~步骤S50，对同一采集点下一具体时刻拍摄的红外图像、第一普通可见光图像和第二普通可见光图像进行判定和处理，由此得到下一具体时刻下的泡泉信息库；对比不同时刻下泡泉信息库，分析泡泉发育情况，并根据泡泉发育情况对泡泉进行合理处置；

步骤S70、将步骤S50和步骤S60中构建的泡泉信息库中的泡泉信息数据及对应的环境信息数据导入长短期神经记忆网络，并通过长短期神经记忆网络对未来泡泉发生的时间和地点进行预测。

2.根据权利要求1所述的基于深度学习的泡泉检测方法，其特征在于，所述步骤S10中，红外图像、第一普通可见光图像和第二普通可见光图像中具有采集点的经纬度坐标信息，以及采集点距离地面的高度信息；同一采集点获得的红外图像、第一普通可见光图像和第二普通可见光图像以基本相同名称命名、保存。

3.根据权利要求1所述的基于深度学习的泡泉检测方法，其特征在于，所述步骤S20中，预先训练得到红外模型的具体过程为：

步骤S210、收集若干确认发生泡泉险情区域的红外图像，逐一对红外图像中的泡泉点进行人工标注，并记载标注信息；

步骤S220、将红外图像数据集和标注信息数据集分为训练集、测试集与验证集并送入卷积神经网络，训练得到多个模型，保留测试精度最高的模型即为红外模型。