[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

说明书

本发明提供了一种基于深度学习的泡泉检测方法及交互反馈系统，目的是解决现有发生泡泉险情后，无法及时定位泡泉位置，可能造成洪涝灾害的问题，属于图像处理技术领域。该检测该方法中，先采集疑似发生泡泉险情区域的红外图像、第一普通可见光图像和第二普通可见光图像，然后导入红外模型、可见光空间模型和可见光时间模型中进行识别，由此判定是否发生泡泉、泡泉危险指数和泡泉发育情况。本发明还公开了一种泡泉检测的交互反馈系统，其包括图像采集模块、预处理模块、检测标定模块和反馈交互模块等。本发明中的基于深度学习的泡泉检测方法及交互反馈系统，能够在大规模泡泉险情发生后快速定位泡泉地理位置，以便应急抢险人员迅速定位泡泉位置。

技术领域

本发明涉及图像处理技术领域，具体地涉及一种基于深度学习的泡泉检测方法及交互反馈系统。

背景技术

泡泉是指在渗流作用下，土体细颗粒沿骨架颗粒形成的孔隙，水在土孔隙中的流速增大引起土的细颗粒被冲刷带走的现象，也称翻沙鼓水或者管涌。

汛期时，江河、湖泊发生泡泉险情是造成堤坝损毁的一个重要因素，为防止这种灾害发生，对堤坝定期或不定期进行检测（或是汛期前提前检测），可以预防泡泉险情的发生。但提前检测毕竟可能百密一疏，仍存在发生大规模泡泉险情的可能性，一旦发生泡泉险情，无法及时定位泡泉的位置，则可能造成严重的洪涝灾害。

发明内容

针对上述发生泡泉险情后，无法及时定位泡泉位置，可能造成洪涝灾害的技术问题，本发明提供了一种基于深度学习的泡泉检测方法及交互反馈系统，具有能够在大规模泡泉险情发生后快速定位泡泉地理位置，判定泡泉危险指数和泡泉发育情况，以便应急抢险人员迅速定位泡泉位置的优点。

本发明的技术方案是：

一种基于深度学习的泡泉检测方法，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；