一种用于城市地下空间关键区域的涝灾监测预警系统

1.本技术涉及洪涝灾害预报预警领域，具体而言涉及一种用于城市地下空间挂件区域的涝灾监测预警系统。


背景技术：

2.现有防洪防涝计算体系中通常聚焦在具体河道、流域或者城市集中建设区，采用hec-ras、mike等系列模型分析河道洪水演进、洪涝淹没区以及内涝积水点。上述传统常用方法可实现一维、二维等视角的水动力模拟，实现可视化窗口界面的演示。然而，hec-ras、mike等传统系列模型分析需要详尽的降雨数据、地形数据、下垫面特征、上下游边界条件、流量过程、水位过程以及河道糙率等参数，同时需要模型参数的率定与验证并形成固定的产流、汇流模拟模块。然而，面向广大市域、县域、乡镇以及村庄的国土空间通常难以提供详尽的模型构建所需的降雨数据与水力参数，难以支撑构建复杂的洪涝水力模型。
3.现在的洪涝灾害预警对地下区域极少涉及地下防控，但由于交通的发展，越来越多的人选择地下交通，很多商业与教育也转移地下，可见对地下涝灾的预警监测刻不容缓。


技术实现要素：

4.本技术公开了一种用于城市地下空间关键区域的涝灾监测预警系统，通过监测降雨量的大小，检测排水管网的缺陷以及预测排水管网的状态控制风流峰值的排放，降低洪涝灾害的发生概率。
5.为达到上述目的，本技术提供了以下方案：
6.一种用于城市地下空间关键区域的涝灾监测预警系统，包括：降雨量检测模块、地下管网检测模块、地下管网流通监测模块和预警模块；
7.降雨量监测模块用于利用线性回归函数与聚类计算方法实现对降雨量的预测；
8.地下管网检测模块用于检测地下管网的缺陷；
9.地下管网流通检测模块用于检测地下管网是否正常排水；
10.预警模块基于所述对降雨量的预测信息、所述地下管网的缺陷信息和所述地下管网没有正常排水的现象生成预警信息，根据所述预警信息进行处理。
11.可选地，所述降雨量检测模块具体包括：
12.收集局部地区的降雨观测数据，根据降雨观测数据生成降雨数据库；提取降雨数据库中的数据，生成数据集{(ai,bi)∈rn×rn
；i＝1,...,l}，rn表示一个具有内积的n维欧几里得空间；根据生成的数据集生成聚类，其中生成的聚类为：的n维欧几里得空间；根据生成的数据集生成聚类，其中生成的聚类为：
13.可选地，所述线性回归函数具体包括：
14.计算所述聚类中的线性回归系数，生成的线性回归系数{xj,yj}是仅使用来自聚类aj
,j＝1,...,k的数据点计算的线性回归系数，线性回归函数为：其中，x＝(x1,....,xk)∈r
nk
且y＝(y1,...,yk)∈rk，l为所述数据集中点的总数，e
ab
(xj,yj)是数据点(a,b)∈a和系数{xi,yj}的平方回归误差。
15.可选地，所述地下管网检测模块还包括：地下管网视频提取子模块、第一次筛选子模块、第二次筛选子模块、图片增强子模块和缺陷识别子模块；
16.所述地下管网视频提取子模块将获取的地下排水管道的视频图像，进行按照一定间隔的帧数进行视频帧提取；
17.所述第一次筛选子模块用于对提取的视频帧进行第一次筛选；
18.所述第二次筛选子模块用于对地下排水管道缺陷图像数据集进行缺陷分类；
19.所述图片增强子模块用于将地下排水管道缺陷图像数据集进行数据集扩充操作；
20.所述缺陷识别子模块用于将地下排水管道缺陷图像数据集输入到改进的yolox算法中进行缺陷检测识别。
21.可选地，所述第一次筛选子模块具体包括：
22.筛选规则为：对于多幅相似度极高的图像，采用图像质量评价算法对视频帧进行图像质量的评估，筛选出质量良好的地下排水管道图像作为地下排水管道缺陷图像数据集。
23.可选地，所述改进的yolox算法为：
24.设计一种基于全智能特征融合模块，利用权重系数来融合不同层的特征，该特征融合方式用公式可表示为：融合方式用公式可表示为：其中w(f2、f1)是一种权重函数，对两个特征进行融合并获得权重系数，其主要步骤是先将输入的两个特征图f2和f1进行融合，将融合后的特征经过置换注意力机制模块，以获得更多所需要关注目标的细节信息，抑制其他无用信息。然后将其分别输入到最大池化层和平均池化层并将通道减少到1，最后将这两个特征进行相加并使用sigmoid函数得到权重函数。
25.可选地，所述地下管网流通检测模块还包括：预测模型生成子模块和排水能力判断子模块；
26.所述预测模型生成子模块用于获取排水管处在预测时间点的降雨量，根据所述降雨量计算排水管处的水流速度；将所述水流速度输入预设的排水信息预测模型，并读取所述排水信息预测模型输出的预测水深和预测断面面积；
27.所述排水能力判断子模块用于根据所述预测水深和所述预测断面面积判断所述地下管网是否正常排水。
28.可选地，所述预警信息具体包括：
29.暴雨预警信息；
30.大暴雨预警信息；
31.特大暴雨预警信息；
32.地下排水管网沉积预警；
33.地下排水管网渗漏预警；
34.地下管网树根入侵预警；
35.地下管网裂缝预警；
36.地下管网错口预警；
37.排水管网超负荷的预警信息。
38.本技术的有益效果为：
39.本技术通过监测降雨量的大小，检测排水管网的缺陷以及预测排水管网的状态控制风流峰值的排放，降低洪涝灾害的发生概率。同时对可能产生洪涝灾害的因素进行监测与预警，提醒天气状况，降低出行率，减少人员伤亡。
附图说明
40.为了更清楚地说明本技术的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
41.图1为本技术实施例一种用于城市地下空间关键区域的涝灾监测预警系统的系统结构图。
具体实施方式：
42.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
43.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
44.实施例一
45.在本实施例一中，如图1所示，一种用于城市地下空间关键区域的涝灾监测预警系统，具体包括：
46.降雨量监测模块用于利用线性回归与聚类计算方法实现对降雨量的预测；
47.收集局部地区的降雨观测数据，根据降雨观测数据生成降雨数据库；提取降雨数据库中的数据，生成数据集{(ai,bi)∈rn×rn
；i＝1,...,l}，rn表示一个具有内积的n维欧几里得空间；根据生成的数据集生成聚类，其中生成的聚类为：的n维欧几里得空间；根据生成的数据集生成聚类，其中生成的聚类为：计算聚类中的线性回归系数，生成的线性回归系数{xj,yj}是仅使用来自聚类aj,j＝1,...,k的数据点计算的线性回归系数，线性回归函数为：其中，x＝(x1,....,xk)∈r
nk
且y＝(y1,...,yk)∈rk，l为数据集中点的总数，e
ab
(xj,yj)是数据点(a,b)∈a和系数{xi,yj}的平方回归误差，其计算公式为：e
ab
(xj,yj)＝(＜xja＞+y
j-b)2。根据线性回归函数，计算k次聚类的线性回归，根据k次聚类线性回归结果得到降雨预测数据。其中，计算k次聚类的线性回归方式为：minimize fk(x,y)(x,y)∈r
nk
×rk
。具体的，若得到的降雨预测数据大于50～100mm，则
发送暴雨预警信息；若得到的降雨预测数据大于100～250mm，则发送大暴雨预警信息；若得到的降雨预测数据大于250mm时，则发送特大暴雨预警信息。
48.地下管网检测模块用于检测地下管网的缺陷；地下管网检测模块还包括：地下管网视频提取子模块、第一次筛选子模块、第二次筛选子模块、图片增强子模块和缺陷识别子模块。
49.其中，地下管网视频提取子模块将获取的地下排水管道的视频图像，进行按照一定间隔的帧数进行视频帧提取；
50.第一次筛选子模块对提取的视频帧进行第一次筛选。筛选规则为：对于多幅相似度极高的图像，采用图像质量评价算法对视频帧进行图像质量的评估，筛选出质量良好的地下排水管道图像作为地下排水管道缺陷图像数据集；
51.第二次筛选子模块对地下排水管道缺陷图像数据集进行缺陷分类，一共分为沉积、渗漏、树根入侵、裂缝和错口五种。针对裂缝和错口两种缺陷类型图像过少的问题，采用gan网络进行图像生成，将两种原始图像输入到gan网络的生成器g中学习真是图像的分布特点，判别器d将生成的图像与真实图像进行比对，以生成与原始图像相似度极高的图像。将通过gan网络生成的图像进行筛选，丢弃效果极差的图像，对剩下的图像用图像质量评价算法进行第二次筛选，将得到的图像加入到地下排水管道缺陷图像数据集中；
52.图片增强子模块用于将地下排水管道缺陷图像数据集进行数据集扩充操作，采用平移、改变亮度、加噪声、旋转以及镜像这五种数据增强方式对缺陷图片进行增强；
53.缺陷识别子模块将经过处理的地下排水管道缺陷图像数据集进行8:1:1比例划分为训练集，验证集和测试集，将地下排水管道缺陷图像数据集输入到改进的yolox算法中进行缺陷检测识别。当检测到沉积缺陷时，发送地下排水管网沉积预警，当检测到渗漏缺陷时，发送地下排水管网渗漏预警，当检测到树根入侵，发送地下管网树根入侵预警，当检测到裂缝缺陷时，发送地下管网裂缝预警，当检测到错口缺陷时，发送地下管网错口预警。
54.具体的，改进的yolox算法为：设计一种基于全智能搞得特征融合模块，利用权重系数来融合不同层的特征，该特征融合方式用公式可表示为：其中w(f2、f1)是一种权重函数，对两个特征进行融合并获得权重系数，其主要步骤是先将输入的两个特征图f2和f1进行融合，将融合后的特征经过置换注意力机制模块，以获得更多所需要关注目标的细节信息，抑制其他无用信息。然后将其分别输入到最大池化层和平均池化层并将通道减少到1，最后将这两个特征进行相加并使用sigmoid函数得到权重函数。
55.地下管网流通检测模块用于检测地下管网是否正常排水，包括预测模型生成子模块和排水能力判断子模块，具体为：预测模型生成子模块用于当接受到降雨量监测模块的预警信息，获取排水管处在预测时间点的降雨量，根据所述降雨量计算排水管处的水流速度；将所述水流速度输入预设的排水信息预测模型，并读取所述排水信息预测模型输出的预测水深和预测断面面积；其中，所述排水信息预测模型为根据排水管内水流速度计算所述排水管对应的水深和断面面积的函数模型；排水能力判断子模块用于根据所述预测水深和预测断面面积检测预测时间点对应的排水量是否超过排水管的排水能力，其中，若所述预测水深超过所述排水管对应的水深阈值，和/或，所述预测断面面积超过所述排水管对应的面积阈值，判定预测时间点对应的排水量超过排水管的排水能力。
56.本实施例中，水深阈值和面积阈值分别可以根据排水管的尺寸参数等特征信息进行设置。预测水深超过所述排水管对应的水深阙值表明预测时间点，排水管处水深较深，此时，排水管难以通过自身排水能力实现相应积水的排放，排水管在预测时间点可能处于超负荷排水状态；相应的，预测断面面积超过所述排水管对应的面积阈值表明预测时间点，排水管处积水的断面面积较大，此时，排水管难以通过自身排水能力实现相应积水的排放，排水管在预测时间点可能处于超负荷排水状态。当处于超负荷的时候，则发送排水管网超负荷的预警信息。
57.预警模块用于接收各种预警信息并进行处理。当接收到暴雨预警信息时，发送暴雨预警信息，信息内容为：当前为暴雨，可能出现洪涝灾害，请谨慎出行；当接收到大暴雨预警信息时，发送大暴雨预警信息，信息内容为：当前为大暴雨，可能出现洪涝灾害，请谨慎出行；当接收到特大暴雨预警信息时，发送特大暴雨预警信息，信息内容为：当前为特大暴雨，可能出现洪涝灾害，请谨慎出行；当接收到地下排水管网沉积预警时，请专业维修师傅进行检查维修，当接收到地下排水管网渗漏预警时，请专业维修师傅进行检查维修，当接收地下管网树根入侵预警时，请专业维修师傅进行检查维修，当接收到地下管网裂缝预警时，请专业维修师傅进行检查维修，当接收到地下管网错口预警时，请专业维修师傅进行检查维修；当接受到排水管网超负荷的预警信息时，发送预警信息，信息内容为：排水管网超负荷，该地区可能出现洪涝灾害。并及时打开排水管网的阀门或者在排水管处新增泵站设备，控制水流峰值的排放，降低洪涝灾害的发生。
58.实施例二
59.采用地铁作为实施例可选项，首先利用线性回归函数与聚类方法采集地铁周围的降雨量，判断降雨量等级；检测地铁附近两公里的地下管网是否有缺陷出现，若有缺陷存在，则通知专业维修师傅进行检查与维护，检测地铁站附近两公里的地下管网是否正常排水，若超出了负荷，则控制水流峰值的排放，确保地铁站内没有过多积水。
60.以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。

技术特征：
1.一种用于城市地下空间关键区域的涝灾监测预警系统，其特征在于，包括：降雨量检测模块、地下管网检测模块、地下管网流通监测模块和预警模块；降雨量监测模块用于利用线性回归函数与聚类计算方法实现对降雨量的预测；地下管网检测模块用于检测地下管网的缺陷；地下管网流通检测模块用于检测地下管网是否正常排水；预警模块基于所述对降雨量的预测信息、所述地下管网的缺陷信息和所述地下管网没有正常排水的现象生成预警信息，根据所述预警信息进行处理。2.根据权利要求1所述的用于城市地下空间关键区域的涝灾监测预警系统，其特征在于，所述降雨量检测模块具体包括：收集局部地区的降雨观测数据，根据降雨观测数据生成降雨数据库；提取降雨数据库中的数据，生成数据集{(a
i
,b
i
)∈r
n
×
r
n
；i＝1,...,l}，r
n
表示一个具有内积的n维欧几里得空间；根据生成的数据集生成聚类，其中生成的聚类为：j,t＝1,...k；t≠j and3.根据权利要求2所述的用于城市地下空间关键区域的涝灾监测预警系统，其特征在于，所述线性回归函数具体包括：计算所述聚类中的线性回归系数，生成的线性回归系数{x
j
,y
j
}是仅使用来自聚类a
j
,j＝1,...,k的数据点计算的线性回归系数，线性回归函数为：其中，x＝(x1,....,x
k
)∈r
nk
且y＝(y1,...,y
k
)∈r
k
，l为所述数据集中点的总数，e
ab
(x
j
,y
j
)是数据点(a,b)∈a和系数{x
i
,y
j
}的平方回归误差。4.根据权利要求1所述的用于城市地下空间关键区域的涝灾监测预警系统，其特征在于，所述地下管网检测模块还包括：地下管网视频提取子模块、第一次筛选子模块、第二次筛选子模块、图片增强子模块和缺陷识别子模块；所述地下管网视频提取子模块将获取的地下排水管道的视频图像，进行按照一定间隔的帧数进行视频帧提取；所述第一次筛选子模块用于对提取的视频帧进行第一次筛选；所述第二次筛选子模块用于对地下排水管道缺陷图像数据集进行缺陷分类；所述图片增强子模块用于将地下排水管道缺陷图像数据集进行数据集扩充操作；所述缺陷识别子模块用于将地下排水管道缺陷图像数据集输入到改进的yolox算法中进行缺陷检测识别。5.根据权利要求4所述的用于城市地下空间关键区域的涝灾监测预警系统，其特征在于，所述第一次筛选子模块具体包括：筛选规则为：对于多幅相似度极高的图像，采用图像质量评价算法对视频帧进行图像质量的评估，筛选出质量良好的地下排水管道图像作为地下排水管道缺陷图像数据集。6.根据权利要求4所述的用于城市地下空间关键区域的涝灾监测预警系统，其特征在于，所述改进的yolox算法为：设计一种基于全智能特征融合模块，利用权重系数来融合不同层的特征，该特征融合
方式用公式可表示为：方式用公式可表示为：其中w(f2、f1)是一种权重函数，对两个特征进行融合并获得权重系数，其主要步骤是先将输入的两个特征图f2和f1进行融合，将融合后的特征经过置换注意力机制模块，以获得更多所需要关注目标的细节信息，抑制其他无用信息。然后将其分别输入到最大池化层和平均池化层并将通道减少到1，最后将这两个特征进行相加并使用sigmoid函数得到权重函数。7.根据权利要求6所述的用于城市地下空间关键区域的涝灾监测预警系统，其特征在于，所述地下管网流通检测模块还包括：预测模型生成子模块和排水能力判断子模块；所述预测模型生成子模块用于获取排水管处在预测时间点的降雨量，根据所述降雨量计算排水管处的水流速度；将所述水流速度输入预设的排水信息预测模型，并读取所述排水信息预测模型输出的预测水深和预测断面面积；所述排水能力判断子模块用于根据所述预测水深和所述预测断面面积判断所述地下管网是否正常排水。8.根据权利要求7所述的用于城市地下空间关键区域的涝灾监测预警系统，其特征在于，所述预警信息具体包括：暴雨预警信息；大暴雨预警信息；特大暴雨预警信息；地下排水管网沉积预警；地下排水管网渗漏预警；地下管网树根入侵预警；地下管网裂缝预警；地下管网错口预警；排水管网超负荷的预警信息。

技术总结
本申请公开了一种用于城市地下空间关键区域的涝灾监测预警系统，包括：降雨量检测模块、地下管网检测模块、地下管网流通监测模块和预警模块；降雨量监测模块用于利用线性回归函数与聚类计算方法实现对降雨量的预测；地下管网检测模块用于检测地下管网的缺陷；地下管网流通检测模块用于检测地下管网是否正常排水；预警模块基于所述对降雨量的预测信息、所述地下管网的缺陷信息和所述地下管网没有正常排水的现象生成预警信息，根据所述预警信息进行处理。本申请通过监测降雨量的大小，检测排水管网的缺陷以及预测排水管网的状态控制风流峰值的排放，降低洪涝灾害的发生概率。对可能产生洪涝灾害的因素进行监测与预警，降低出行率，减少人员伤亡。减少人员伤亡。减少人员伤亡。


技术研发人员：韦善阳 赵鑫莉 朱戌正 杨红雨
受保护的技术使用者：贵州大学
技术研发日：2022.12.26
技术公布日：2023/7/6