基于影像的道路積水監(jiān)測(cè)研究

胡昊, 李擎, 馬鑫, 陳軍朋, 孫爽, 徐鵬

(1.黃河水利職業(yè)技術(shù)學(xué)院,河南 開(kāi)封 475004; 2.華北水利水電大學(xué),河南 鄭州 450045;3.河南省跨流域區(qū)域引調(diào)水運(yùn)行與生態(tài)安全工程研究中心,河南 開(kāi)封 475004)

近幾十年來(lái),隨著我國(guó)社會(huì)經(jīng)濟(jì)發(fā)展,城市化進(jìn)程快速推進(jìn),城市硬化道路面積不斷增加,極端降雨天氣頻頻增多,導(dǎo)致城市內(nèi)澇問(wèn)題越來(lái)越嚴(yán)重。2018年8月12日廣西發(fā)生強(qiáng)降雨,引發(fā)5市23縣(區(qū))發(fā)生嚴(yán)重內(nèi)澇,受災(zāi)人口高達(dá)19余萬(wàn)人[1];2021年7月20日,鄭州發(fā)生“千年一遇”極端降雨事件,累積平均降水量449 mm,導(dǎo)致398人遇難。極端暴雨災(zāi)害通常體現(xiàn)為城市部分區(qū)域短時(shí)間內(nèi)突然被積水淹沒(méi)等特征,因此快速高效地開(kāi)展城市區(qū)域積水監(jiān)測(cè),尤其是道路積水監(jiān)測(cè),對(duì)降低受災(zāi)程度、減少安全隱患和為城市交通應(yīng)急指揮等工作提供理論依據(jù)和決策支持都有很強(qiáng)的現(xiàn)實(shí)意義[2]。

現(xiàn)階段,道路積水監(jiān)測(cè)技術(shù)主要分為人工監(jiān)測(cè)、傳感器監(jiān)測(cè)、影像監(jiān)測(cè)等[3]。人工監(jiān)測(cè)技術(shù)是一種較為準(zhǔn)確的單點(diǎn)監(jiān)測(cè)方法,但需人工讀數(shù),耗費(fèi)時(shí)間且存在誤差,自動(dòng)化程度低,人員風(fēng)險(xiǎn)難以避免[4],不能滿足城市積水實(shí)時(shí)監(jiān)測(cè)和雨洪快速預(yù)警。傳感器監(jiān)測(cè)技術(shù)又分為接觸式和非接觸式傳感器監(jiān)測(cè)[5]。徐青林等[6]設(shè)計(jì)了一套由積水監(jiān)測(cè)控制器、電子水尺、視頻攝像機(jī)、太陽(yáng)能供電系統(tǒng)等組成的接觸式自感應(yīng)道路積水監(jiān)測(cè)設(shè)備,但接觸式傳感器的主要缺點(diǎn)是容易受到大氣壓強(qiáng)變化和水體中雜質(zhì)的影響,直接接觸水體可能導(dǎo)致設(shè)備腐蝕[7]。白宏圖等[8]設(shè)計(jì)了一種道路積水監(jiān)測(cè)系統(tǒng),可將非接觸式傳感器測(cè)得的水深信息顯示在屏幕上,提醒路人注意水深,而非接觸式傳感器則會(huì)受溫度、光照等環(huán)境因素的影響[9],形成測(cè)量誤差。影像監(jiān)測(cè)技術(shù)現(xiàn)階段可分為遙感影像監(jiān)測(cè)技術(shù)和視頻圖像監(jiān)測(cè)技術(shù)[10-11]。崔齊等[12]設(shè)計(jì)了一種基于矢量約束,通過(guò)圖像分割等手段在高分辨率遙感影像中提取水體的方法,但遙感影像監(jiān)測(cè)技術(shù)的缺點(diǎn)是不能很好地區(qū)分陸地與水體,不易提取細(xì)小水體[13]。視頻圖像監(jiān)測(cè)技術(shù)是一種可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)的技術(shù),與效率低且充滿不確定性的水文水動(dòng)力模型模擬方法相比,其優(yōu)勢(shì)顯著[14]。目前的研究主要集中在道路的積水特征提取和水尺水位刻度線的識(shí)別上,通過(guò)計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)等技術(shù),可利用城市攝像頭對(duì)積水進(jìn)行遠(yuǎn)程監(jiān)測(cè)[15]。白崗崗等[16]設(shè)計(jì)了一種基于深度學(xué)習(xí)的算法對(duì)積水進(jìn)行檢測(cè),實(shí)現(xiàn)影像監(jiān)測(cè)技術(shù)自動(dòng)提取積水特征;薛豐昌等[17]對(duì)獲取的視頻監(jiān)控?cái)?shù)據(jù)通過(guò)圖像差分法、區(qū)域分割法、疊加積水深度標(biāo)志點(diǎn)等方法,直接獲取積水的深度。目前,視頻圖像監(jiān)測(cè)技術(shù)因其識(shí)別精度不足而應(yīng)用較少,但隨著目標(biāo)檢測(cè)技術(shù)精度的不斷提高,疊加影像數(shù)據(jù)資料獲取的方便性與即時(shí)性優(yōu)勢(shì),視頻圖像監(jiān)測(cè)作為一種準(zhǔn)確、高效的監(jiān)測(cè)技術(shù)將會(huì)逐漸成為城市暴雨災(zāi)害監(jiān)測(cè)的主導(dǎo)。

在計(jì)算機(jī)視覺(jué)領(lǐng)域中,圖像特征的提取是一個(gè)基礎(chǔ)并且重要的研究方向[18],而提取圖像特征需要用到深度學(xué)習(xí)下的目標(biāo)檢測(cè)算法。目標(biāo)檢測(cè)算法可分為兩類:一階段算法和二階段算法。二階段算法先進(jìn)行區(qū)域候選(region proposal,RP)的生成,再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)進(jìn)行樣本分類。二階段算法的優(yōu)勢(shì)是精確度高,劣勢(shì)是實(shí)時(shí)性差,典型算法有R-CNN、Fast R-CNN、Faster R-CNN等。一階段算法不用進(jìn)行RP區(qū)域的生成,直接在網(wǎng)絡(luò)中回歸出目標(biāo)的大小、類別和位置。一階段算法的優(yōu)勢(shì)是速度快、實(shí)時(shí)性強(qiáng),劣勢(shì)是檢測(cè)精度較低,但隨著算法的不斷改進(jìn),一階段算法在保持速度的同時(shí)也能保證較高的精度,典型算法有YOLO(You Only Look Once)系列算法和SSD(Single Shot MultiBox Detector)系列算法等[19]。

為實(shí)現(xiàn)實(shí)時(shí)精確的道路積水監(jiān)測(cè),開(kāi)展了基于圖像智能識(shí)別的積水監(jiān)測(cè)研究,選擇一階段算法中具有高檢測(cè)速度的YOLOv5s算法對(duì)某大學(xué)校園內(nèi)的路面積水圖像進(jìn)行特征提取,并與SSD、Faster R-CNN兩種典型的目標(biāo)檢測(cè)算法進(jìn)行對(duì)比分析。

1 理論算法

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、池化層(取樣層)、全連接層和輸出層,是一種層次模型[20]。其中,卷積層和池化層通常會(huì)有多個(gè)并且交替設(shè)置,圖像的特征通過(guò)具有多個(gè)濾波器的卷積層進(jìn)行提取,池化層通過(guò)在局部區(qū)域內(nèi)進(jìn)行降采樣從而減少無(wú)用的空間特征,提高識(shí)別的準(zhǔn)確率[21]。

在卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方面,反向傳播算法是一種廣泛使用的方法。訓(xùn)練的目標(biāo)是根據(jù)輸入訓(xùn)練樣本和期望輸出之間的關(guān)系估計(jì)出網(wǎng)絡(luò)參數(shù);本質(zhì)是對(duì)每層網(wǎng)絡(luò)計(jì)算有效誤差,并訓(xùn)練出適合于這個(gè)網(wǎng)絡(luò)的訓(xùn)練規(guī)則,使該網(wǎng)絡(luò)的實(shí)際輸出值與期望值之間差距更小[22]。對(duì)于一個(gè)有A個(gè)樣本量的訓(xùn)練集,其損失函數(shù)可用交叉熵表示為:

(1)

式中:J為損失函數(shù);x(i)為第i個(gè)訓(xùn)練樣本的特征向量;y(i)為第i個(gè)樣本的類別;ω為底層權(quán)參數(shù);b為對(duì)應(yīng)的偏置參數(shù)。

在對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試時(shí),預(yù)測(cè)值ypred為:

(2)

1.2 YOLOv5算法

YOLO系列算法是單階段目標(biāo)檢測(cè)算法。YOLOv5算法于2020年5月推出,圖像處理速度最快時(shí)僅需0.007 s,相當(dāng)于每秒能處理140幀圖像,可以實(shí)現(xiàn)圖像的實(shí)時(shí)監(jiān)測(cè)[23-24]。YOLOv5算法的網(wǎng)絡(luò)結(jié)構(gòu)跟YOLOv3、YOLOv4算法的整體網(wǎng)絡(luò)結(jié)構(gòu)基本相同,都分為輸入端、Backbone、Neck、輸出端4部分[25]。YOLOv5算法的輸入端采用了自適應(yīng)錨框計(jì)算和自適應(yīng)圖片縮放等功能,使得在獲取更合適錨框的同時(shí)減少了模型的計(jì)算量,提高了圖像的檢測(cè)效果。Backbone是網(wǎng)絡(luò)的主體部分,包含了Focus結(jié)構(gòu)和CSP(Cross Stage Partial)結(jié)構(gòu),使得采樣過(guò)程中的信息損失得以降低且卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力大大提高。Neck是網(wǎng)絡(luò)的融合部分。與YOLOv4算法只有主干網(wǎng)絡(luò)采用了CSP結(jié)構(gòu)相比,YOLOv5算法的Neck部分由于采用了CSP2_X結(jié)構(gòu),使得網(wǎng)絡(luò)特征融合能力提高。輸出端的邊界框采用了CIoU_Loss(Complete Intersection over Union_Loss)作為損失函數(shù),通過(guò)非極大值對(duì)(Non-Maximum Suppression,NMS)進(jìn)行抑制,來(lái)進(jìn)行目標(biāo)框的篩選,增強(qiáng)了目標(biāo)檢測(cè)能力[26-28]。

YOLOv5算法根據(jù)網(wǎng)絡(luò)的深度和寬度可分為4種模型:YOLOv5s、YOLOv5m、YOLOv5x、YOLOv5l。4種模型結(jié)構(gòu)的區(qū)別在于每種模型的網(wǎng)絡(luò)深度、寬度都不相同。這些寬度和深度的不同對(duì)卷積后的特征圖通道數(shù)量會(huì)產(chǎn)生直接影響,進(jìn)而影響模型計(jì)算的速度。其中,YOLOv5s版本的模型結(jié)構(gòu)體積最小,深度最淺,但能保持檢測(cè)的速度和精度[29]。本次研究的實(shí)驗(yàn)樣本是校園內(nèi)道路的積水圖像,所識(shí)別的目標(biāo)為道路積水,屬于大目標(biāo)識(shí)別,因此選擇基于卷積神經(jīng)網(wǎng)絡(luò)的YOLOv5s目標(biāo)檢測(cè)模型。

本研究將640像素×640像素分辨率的積水圖像輸入模型中,選擇YOLOv5s版本的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)積水特征進(jìn)行提取,其中上采樣層輸出80×80×255的特征圖,另外兩層分別輸出40×40×255、20×20×255的特征圖,具體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

1.3 SSD算法

SSD算法從YOLO中借鑒了回歸思想,一次性完成目標(biāo)的定位與分類,從Faster R-CNN中借鑒了anchors機(jī)制,提出了相似的prior box[30]。回歸思想可以幫助SSD算法簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu),提高計(jì)算速度,保證實(shí)時(shí)性。anchors機(jī)制有助于提取不同尺寸比例的特征,從而提高識(shí)別的精度,提升模型的魯棒性[31]。SSD模型的參數(shù)根據(jù)損失函數(shù)進(jìn)行優(yōu)化更新。損失函數(shù)為位置損失函數(shù)和置信度損失函數(shù)的加權(quán)和,其計(jì)算公式為:

(3)

式中:L(x,c,l,g)為損失函數(shù);x為對(duì)某一類目標(biāo)的預(yù)測(cè)概率;c為類別置信度的預(yù)測(cè)值;l為先驗(yàn)框所對(duì)應(yīng)bounding box的位置預(yù)測(cè)值;g為ground truth的位置參數(shù);N為先驗(yàn)框的正樣本數(shù)量;Lconf(x,c)和Lloc(x,l,g)為置信度損失和定位損失;α為L(zhǎng)agrange乘子,經(jīng)交叉驗(yàn)證取1。

1.4 Faster R-CNN算法

Faster R-CNN算法由Ross Girshick于2016年提出,將特征抽取、候選框(Proposal)提取、邊框回歸(Bounding boxregerssion)、分類(classification)整合在了一個(gè)網(wǎng)絡(luò)中(RPN層),提高了模型的綜合性能[32-33]。

Faster R-CNN通過(guò)CNN對(duì)候選區(qū)進(jìn)行特征提取得到特征圖,若輸入的圖像數(shù)據(jù)I(a,b)為a×b像素大小,卷積核為K(m,n),卷積的結(jié)果為S(a,b),則卷積公式為:

(4)

式中:a、b分別為圖像的長(zhǎng)度和寬度;m、n分別為卷積核的長(zhǎng)度和寬度。

與SSD算法不同,Faster R-CNN的損失函數(shù)為分類損失和定位損失的加權(quán)和,其計(jì)算公式為:

(5)

(6)

(7)

(8)

2 實(shí)驗(yàn)設(shè)置

2.1 實(shí)驗(yàn)流程及數(shù)據(jù)獲取

本次積水特征提取實(shí)驗(yàn)的具體流程如圖2所示。道路積水圖像數(shù)據(jù)來(lái)自某大學(xué)校園內(nèi)的監(jiān)控?cái)z像頭和照相機(jī)設(shè)備。用來(lái)采集圖像數(shù)據(jù)的攝像頭如圖3所示,所得圖像的分辨率為640像素×640像素,每隔10 min獲取一幀積水照片;由照相機(jī)設(shè)備獲取的積水圖像分辨率為3 000像素×3 000像素。從獲取的所有積水圖像中篩選出1 000幅作為本次模型訓(xùn)練測(cè)試的數(shù)據(jù)集。圖4為數(shù)據(jù)集樣本示例。

圖2 積水特征提取實(shí)驗(yàn)流程圖

圖3 校園內(nèi)道路攝像頭示例

圖4 訓(xùn)練樣本圖像示例

2.2 數(shù)據(jù)預(yù)處理

本次實(shí)驗(yàn)項(xiàng)目數(shù)據(jù)集共有1 000幅圖片,考慮了不同光照、角度、形狀和面積等情況。采用圖像旋轉(zhuǎn)、隨機(jī)裁剪、添加噪聲等數(shù)據(jù)增強(qiáng)方式將圖像樣本個(gè)數(shù)擴(kuò)充至3 000幅,并用LabelImg標(biāo)注工具對(duì)積水體進(jìn)行標(biāo)注,數(shù)據(jù)集保存為PASCAL VOC 2007格式的xml文件,隨后再將其轉(zhuǎn)換為txt格式文件進(jìn)行訓(xùn)練。圖5為圖像添加椒鹽噪聲的示例圖,圖6為圖像標(biāo)注示例圖。將樣本圖像數(shù)據(jù)按照數(shù)量比例8∶2分為訓(xùn)練集和測(cè)試集,得到2 400幅訓(xùn)練集圖像和600幅測(cè)試集圖像,其中訓(xùn)練集和測(cè)試集中分別有1 440幅和360幅圖像是通過(guò)數(shù)據(jù)擴(kuò)充得到的。每幅圖像的分辨率均為640像素×640像素。

圖5 添加椒鹽噪聲示例

圖6 圖片標(biāo)注示例

2.3 實(shí)驗(yàn)設(shè)備及參數(shù)設(shè)置

本次實(shí)驗(yàn)的運(yùn)行環(huán)境采用了CPU為Intel(R) Core(TM) i7-10700K CPU@3.80 GHz,GPU為NVIDIA GeForce GTX 3090的硬件配置,內(nèi)存為24 GB,操作系統(tǒng)為Windows 10.0,集成開(kāi)發(fā)環(huán)境為Pycharm,安裝CUDA10.3.1、cuDNN8.2.1庫(kù)文件,開(kāi)發(fā)語(yǔ)言為Python3.9,并應(yīng)用了Pytorch1.10深度學(xué)習(xí)框架。

對(duì)于YOLOv5s模型的構(gòu)建,每次訓(xùn)練都進(jìn)行正則化更新權(quán)值,加快訓(xùn)練速度并防止模型過(guò)擬合。其他參數(shù)設(shè)置為:批大小(batch_size)設(shè)置為8,初始學(xué)習(xí)率為0.01,總迭代輪次為300,權(quán)重衰減系數(shù)為0.000 5,動(dòng)量因子設(shè)置為0.92,CIoU的閾值為0.5,損失函數(shù)選擇CIoU_Loss。最終用測(cè)試集數(shù)據(jù)對(duì)訓(xùn)練效果最好的模型權(quán)重進(jìn)行驗(yàn)證評(píng)價(jià)。

SSD模型訓(xùn)練的參數(shù)設(shè)置為:總迭代輪次為300,batch_size為32,初始學(xué)習(xí)率為0.01,學(xué)習(xí)率調(diào)整策略為StepLR,動(dòng)量因子為0.937,IoU的閾值為0.5,置信度為0.5。

Fater R-CNN模型訓(xùn)練的參數(shù)設(shè)置為:總迭代輪次為300,batch_size為8,初始學(xué)習(xí)率為0.01,學(xué)習(xí)率調(diào)整策略為StepLR,動(dòng)量因子為0.9,IoU的閾值為0.5,置信度為0.5。

2.4 性能評(píng)價(jià)指標(biāo)

為了對(duì)訓(xùn)練出來(lái)的YOLOv5s、SSD、Faster R-CNN模型的性能進(jìn)行評(píng)價(jià),將召回率(Recall)、精確率(Precision)、精確率-召回率(Precision-recall,PR)曲線、平均精度均值(mean Average Precision,mAP)、回歸損失box_loss(CIoU_loss)作為模型評(píng)價(jià)指標(biāo)。指標(biāo)的表達(dá)公式如下:

(9)

(10)

(11)

(12)

(13)

(14)

式中:TP(True Positive)為被判定為積水區(qū)域事實(shí)上也是積水區(qū)域的例子,即CIoU≥0.5;FP(False Positive)為被判定為積水區(qū)域但事實(shí)上是非積水區(qū)域的例子,即0

圖7為訓(xùn)練得到的SSD、Faster R-CNN模型的各性能評(píng)價(jià)指標(biāo)擬合曲線。圖8為訓(xùn)練得到的YOLOv5s各性能指標(biāo)曲線。表1為YOLOv5s、SSD、Faster R-CNN模型的性能指標(biāo)數(shù)據(jù)對(duì)比表。

圖7 SSD、Faster R-CNN模型各性能指標(biāo)擬合曲線

圖8 YOLOv5s模型各性能評(píng)價(jià)指標(biāo)曲線

表1 各模型性能指標(biāo)對(duì)比

SSD和Faster R-CNN模型的IoU閾值都設(shè)為0.5,F1可看作是Precision和Recall的調(diào)和平均數(shù),觀察圖7(d)中Score_Threhold=0.5時(shí)對(duì)應(yīng)的F1值,Faster R-CNN模型的F1值大于SSD模型的F1值,因此Faster R-CNN模型更優(yōu)。根據(jù)表1可知,YOLOv5s模型的mAP、Precision和Recall指標(biāo)都在96%以上,模型性能比Faster R-CNN的更穩(wěn)定,模型小巧且檢測(cè)速度只能滿足實(shí)時(shí)性的要求,綜合考慮,對(duì)于積水實(shí)時(shí)監(jiān)測(cè)任務(wù)而言,YOLOv5s模型的綜合性能最優(yōu)。

3 積水區(qū)域面積計(jì)算及結(jié)果分析

根據(jù)以上分析,選擇最優(yōu)權(quán)重的YOLOv5s模型對(duì)測(cè)試集積水圖像進(jìn)行積水識(shí)別測(cè)試,測(cè)試結(jié)果如圖9所示,積水識(shí)別平均精度為96.06%。其中,圖9(a)、圖9(b)由照相機(jī)拍攝,圖9(c)為經(jīng)過(guò)畸變矯正和幾何變換處理后的攝像頭圖像。為使積水面積的提取盡可能準(zhǔn)確,后續(xù)對(duì)測(cè)試集所有攝像頭拍攝圖像都進(jìn)行畸變矯正和幾何變換處理。識(shí)別結(jié)果表明:模型對(duì)絕大部分?jǐn)z像頭拍攝圖像中的積水識(shí)別率較高。由于攝像機(jī)的位置是固定的,拍攝位置和角度不變,因此模型對(duì)攝像頭所拍攝圖像的訓(xùn)練效果較好;而照相機(jī)拍攝圖像位置是隨機(jī)的,每張圖像拍攝的角度和位置都不相同,因此模型對(duì)照相機(jī)所拍圖像的積水識(shí)別效果較差一些。本模型可自動(dòng)識(shí)別檢測(cè)框的坐標(biāo)xmin、xmax、ymin、ymax和特征類別、識(shí)別置信度等信息。表2為圖9積水特征檢測(cè)框的橫縱坐標(biāo)信息。

圖9 積水特征提取示例

表2 示例圖像檢測(cè)框坐標(biāo) 像素

樣本數(shù)據(jù)集的圖像尺寸為640像素×640像素,所以每張樣本圖片的大小為S=409 600像素,圖9(a)所拍攝的實(shí)際尺寸為A1=60×60=3 600 cm2,則可根據(jù)公式(15)計(jì)算得檢測(cè)出的積水面積A2=2 299 cm2。

(15)

式中:A2為檢測(cè)得到的積水面積;A1為所拍圖像的實(shí)際尺寸;S1為所框選積水選區(qū)的像素大小;S為每張圖片的像素大小。

實(shí)地測(cè)得的積水面積A測(cè)=2 131cm2。將識(shí)別出的積水面積與實(shí)際測(cè)得的面積對(duì)比,可知誤差為7.9%。根據(jù)同樣的方法,可計(jì)算得圖9(b)、圖9(c)的積水面積。表3列出了3幅示例圖片積水提取面積與其實(shí)際面積大小以及誤差。

表3 積水提取面積與實(shí)際面積大小

由表3可知,最大誤差為8.4%。根據(jù)式(15)可對(duì)測(cè)試集所有圖片進(jìn)行面積特征提取,最終得到測(cè)試集600幅圖片積水面積提取準(zhǔn)確率的散點(diǎn)圖,如圖10所示。由圖10可知,最大誤差為11.2%,最小誤差為3.1%,平均誤差為6.4%,積水面積提取平均準(zhǔn)確率為93.6%。由此可知,對(duì)不同圖片提取的積水面積誤差有較大出入,最大誤差差距可達(dá)8.1%。

圖10 積水面積提取準(zhǔn)確率散點(diǎn)圖

不同圖片產(chǎn)生的誤差有較大差距的原因,可能有以下4種:①由于積水區(qū)域狹長(zhǎng)且不水平,矩形標(biāo)注框框選出較多非積水區(qū)域,因此出現(xiàn)誤差較大的情況(如圖9(a)、圖9(c));②模型對(duì)攝像頭所拍攝圖片的識(shí)別效果更優(yōu),總體上會(huì)導(dǎo)致照相機(jī)圖像的面積提取誤差增大;③由于積水的形狀是不規(guī)則的,因此實(shí)際測(cè)得的積水面積也存在一定誤差,導(dǎo)致最終誤差增大;④不同時(shí)刻、不同位置的拍攝光線不同,導(dǎo)致積水的“模樣”也各不相同,且不同積水區(qū)域、不同水質(zhì)圖像的特征差別也較大,因此樣本量有限可能會(huì)導(dǎo)致訓(xùn)練不足而使結(jié)果產(chǎn)生較大誤差。

針對(duì)以上可能存在的問(wèn)題,應(yīng)增加使用攝像頭拍攝圖像的數(shù)量,并且樣本中應(yīng)包含不同時(shí)刻、不同位置、不同水質(zhì)的積水圖像,增加樣本量,盡可能減小誤差。同時(shí),可以嘗試使用實(shí)例分割相關(guān)算法對(duì)積水進(jìn)行像素級(jí)分割,提高對(duì)積水的識(shí)別精準(zhǔn)度,使面積提取更接近于真實(shí)值。

4 結(jié)語(yǔ)

本文提出一種基于YOLOv5s算法的道路積水監(jiān)測(cè)模型,通過(guò)某大學(xué)校園內(nèi)積水影像進(jìn)行了模型應(yīng)用與驗(yàn)證。最終實(shí)驗(yàn)結(jié)果表明,基于YOLOv5s算法的道路積水監(jiān)測(cè)模型的綜合性能最優(yōu),對(duì)積水的識(shí)別平均精度均值(mAP)為96.06%,積水面積提取平均準(zhǔn)確率為93.6%,檢測(cè)速度和準(zhǔn)確率滿足實(shí)時(shí)監(jiān)測(cè)的要求;同其他算法相比,本模型具有明顯的優(yōu)勢(shì),可以更好地應(yīng)對(duì)城市雨洪災(zāi)害減災(zāi)、抗災(zāi)的現(xiàn)實(shí)需求。

本文還分析了部分影像積水面積提取產(chǎn)生較大誤差的原因,源于在校園內(nèi)取樣使得樣本數(shù)據(jù)存在一定局限性。為使該研究更好地服務(wù)于城市內(nèi)澇道路積水的實(shí)時(shí)監(jiān)測(cè)任務(wù),下一步考慮增加城市道路攝像頭所攝取的積水視頻或圖像數(shù)據(jù)容量,以使模型性能進(jìn)一步優(yōu)化,并將此研究與積水面積預(yù)測(cè)等工作聯(lián)系起來(lái),為減少安全隱患和為城市交通應(yīng)急指揮等工作提供理論依據(jù)和決策支持。