基于无人机的水利设施巡查预警方法、系统、设备及介质 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本技术涉及水利监控技术领域，尤其涉及一种基于无人机的水利设施巡查预警方法、系统、设备及介质。背景技术：2.在防洪工程中，河道堤防是重要的组成部分，其发挥着防洪减灾的重要功能。但由于长期运行、缺少维护等原因，堤防易受渗流穿透、水流冲刷，出现不同程度的险情，对国家财产和人民的生命安全造成了严重的影响，因此对于国家的水利设施的安全性检测是持续的。3.目前的水利设施多是固定监控，缺少空中巡查能力，缺少红外巡查手段，巡查手段单一，不能实现全天候的巡查，受限条件多，而且对于一些持续性溃损的区域不能做到提前预警，使得水利设施的巡查预警效率较低。技术实现要素：4.本技术实施例的目的在于提出一种基于无人机的水利设施巡查预警方法、系统、设备及介质，以提高水利设施的巡查预警效率，实现全天候巡查并提前发出预警。5.为了解决上述技术问题，本技术实施例提供一种基于无人机的水利设施巡查预警方法，包括：6.基于无人机平台获取水利设施堤坝的图像数据集，其中，所述图像数据集包括白天时水利设施堤坝对应的光学图像，以及黑夜时水利设施堤坝对应的融合图像，所述融合图像为红外图像和可见光图像所融合形成的图像；7.构建yolov5模型，并基于所述光学图像进行堤坝检测模型训练，得到白天时水利设施堤坝的第一目标检测模型；8.基于所述融合图像进行堤坝检测模型训练，得到黑夜时水利设施堤坝的第二目标检测模型；9.基于所述无人机平台获取所述水利设施堤坝的待测图像数据集，并将所述待测图像数据集输入所述第一目标检测模型和所述第二目标检测模型中以输出目标截图；10.将所述目标截图切分为九宫格，并基于所述九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，得到分析结果；11.基于所述分析结果，对所述水利设施进行巡查预警。12.为了解决上述技术问题，本技术实施例提供一种基于无人机的水利设施巡查预警系统，包括：13.图像数据集获取单元，用于基于无人机平台获取水利设施堤坝的图像数据集，其中，所述图像数据集包括白天时水利设施堤坝对应的光学图像，以及黑夜时水利设施堤坝对应的融合图像，所述融合图像为红外图像和可见光图像所融合形成的图像；14.第一目标检测模型构建单元，用于构建yolov5模型，并基于所述光学图像进行堤坝检测模型训练，得到白天时水利设施堤坝的第一目标检测模型；15.第二目标检测模型构建单元，用于基于所述融合图像进行堤坝检测模型训练，得到黑夜时水利设施堤坝的第二目标检测模型；16.目标截图输出单元，用于基于所述无人机平台获取所述水利设施堤坝的待测图像数据集，并将所述待测图像数据集输入所述第一目标检测模型和所述第二目标检测模型中以输出目标截图；17.分析结果生成单元，用于将所述目标截图切分为九宫格，并基于所述九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，得到分析结果；18.水利设施巡查预警单元，用于基于所述分析结果，对所述水利设施进行巡查预警。19.为解决上述技术问题，本发明采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于无人机的水利设施巡查预警方法。20.为解决上述技术问题，本发明采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的基于无人机的水利设施巡查预警方法。21.本发明实施例提供了一种基于无人机的水利设施巡查预警方法、系统、设备及介质。本发明实施例基于无人机平台获取水利设施堤坝的图像数据集，其中，图像数据集包括白天时水利设施堤坝对应的光学图像，以及黑夜时水利设施堤坝对应的融合图像；构建yolov5模型，并基于光学图像进行堤坝检测模型训练，得到白天时水利设施堤坝的第一目标检测模型；基于融合图像进行堤坝检测模型训练，得到黑夜时水利设施堤坝的第二目标检测模型；基于无人机平台获取水利设施堤坝的待测图像数据集，并将待测图像数据集输入第一目标检测模型和第二目标检测模型中以输出目标截图；将目标截图切分为九宫格，并基于九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，得到分析结果；基于分析结果，对水利设施进行巡查预警。本技术实施例通过无人机平台巡查和获取图像数据集，并构建白天和黑夜的目标检测模型，以实现全天候的巡查，并且能够将目标截图切分为九宫格，并基于九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，使得能够持续性对水利设施进行巡查，有利于提高水利设施的巡查预警效率，并且能够对溃坝提前发出预警。附图说明22.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。23.图1根据本技术实施例提供的基于无人机的水利设施巡查预警方法的一实现流程图；24.图2是本技术实施例提供的基于无人机的水利设施巡查预警方法中子流程的一实现流程图；25.图3是本技术实施例提供的基于无人机的水利设施巡查预警方法中子流程的又一实现流程图；26.图4是本技术实施例提供的基于无人机的水利设施巡查预警方法中子流程的又一实现流程图；27.图5是本技术实施例提供的基于无人机的水利设施巡查预警方法中子流程的又一实现流程图；28.图6是本技术实施例提供的基于无人机的水利设施巡查预警方法中子流程的又一实现流程图；29.图7是本技术实施例提供的基于无人机的水利设施巡查预警系统示意图；30.图8是本技术实施例提供的计算机设备的示意图。具体实施方式31.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。32.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。33.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。34.需要说明的是，本技术实施例所提供的基于无人机的水利设施巡查预警方法一般由服务器执行，相应地，基于无人机的水利设施巡查预警系统一般配置于服务器中。35.请参阅图1，图1示出了基于无人机的水利设施巡查预警方法的一种具体实施方式。36.需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限，该方法包括如下步骤：37.s1.基于无人机平台获取水利设施堤坝的图像数据集，其中，图像数据集包括白天时水利设施堤坝对应的光学图像，以及黑夜时水利设施堤坝对应的融合图像，融合图像为红外图像和可见光图像所融合形成的图像。38.本技术实施例是基于无人机平台的水利设施巡查预警系统，该系统由无人机平台和后台服务器系统组成。无人机平台涉及水利设施的路线设计，数据全自动采集，数据推流回传给后台服务器。该后台服务器能够实现基于无人机的水利设施巡查预警方法。39.具体地，通过无人机沿固定路线自主采集沿河两岸的堤坝的视频数据，后台服务器同步接收无人机以rtmp格式推流回来的视频数据，从而进行实时的水利设施堤坝完整性检测。其中，在白天时，无人机通过光学摄像头获取水利设施堤坝对应的光学图像；在黑夜时，无人机通过红外光学摄像头获取水利设施堤坝对应的融合图像，融合图像为红外图像和可见光图像所融合形成的图像。其中，图像数据集可以为水利设施的视频图像集，也可以为水利设施的图像集。40.s2.构建yolov5模型，并基于光学图像进行堤坝检测模型训练，得到白天时水利设施堤坝的第一目标检测模型。41.请参阅图2，图2示出了步骤s2的一种具体实施方式，详叙如下：42.s21.将光学图像返回开发端，以使得开发端对光学图像进行yolo格式的标签制作，得到待训练光学图像，其中，待训练光学图像具有yolo格式标签。43.s22.通过pytorch框架构建yolov5模型。44.s23.通过待训练光学图像，对yolov5模型堤坝检测模型训练，得到训练结果。45.s24.将训练结果中的标签结果与yolo格式标签进行对比，得到对比结果。46.s25.基于对比结果迭代优化权重，对yolov5模型堤坝检测模型重新训练，得到白天时水利设施堤坝的第一目标检测模型。47.具体地，本技术实施例中将光学图像返回开发端，开发端通过labelimg软件进行yolo格式的标签制作，当制作完成时，得到待训练光学图像，并将其返回后台服务器中。然后通过pytorch框架构建yolov5模型，通过待训练光学图像，对yolov5模型堤坝检测模型训练，训练过程中将训练集和测试集以8:2的比例进行训练。再将训练结果中的标签结果与yolo格式标签进行对比，得到对比结果，基于对比结果迭代优化权重，对yolov5模型堤坝检测模型重新训练，其设置训练次数epochs＝300，最后训练完成后，得到白天时水利设施堤坝的第一目标检测模型。48.s3.基于融合图像进行堤坝检测模型训练，得到黑夜时水利设施堤坝的第二目标检测模型。49.具体地，本技术实施例中通过融合图像进行堤坝检测模型训练，得到黑夜时水利设施堤坝的第二目标检测模型，其具体的训练过程采用上述步骤s21-s25相同的过程，为避免重复，此处不再赘述。50.具体地，在训练得到白天时水利设施堤坝的第一目标检测模型和黑夜时水利设施堤坝的第二目标检测模型，实现对水利设施堤坝的全天候巡查预警。51.s4.基于无人机平台获取水利设施堤坝的待测图像数据集，并将待测图像数据集输入第一目标检测模型和第二目标检测模型中以输出目标截图。52.请参阅图3，图3示出了步骤s4的一种具体实施方式，详叙如下：53.s41.基于无人机平台获取水利设施堤坝的待测图像数据集。54.s42.将待测图像数据集中的光学图像输入第一目标检测模型中，通过第一目标检测模型输出目标截图。55.s43.将待测图像数据集中的融合图像输入第二目标检测模型中，通过第二目标检测模型输出目标截图。56.具体地，在训练完成后，在实际对水利设施的巡查预警过程中，通过无人机平台获取水利设施堤坝的待测图像数据集。其中，待测图像数据集中包括白天时水利设施堤坝对应的光学图像，以及黑夜时水利设施堤坝对应的融合图像。然后将待测图像数据集中的光学图像输入第一目标检测模型中，通过第一目标检测模型输出目标截图；将待测图像数据集中的融合图像输入第二目标检测模型中，通过第二目标检测模型输出目标截图。57.s5.将目标截图切分为九宫格，并基于九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，得到分析结果。58.请参阅图4，图4示出了步骤s5的一种具体实施方式，详叙如下：59.s51.对目标截图进行灰度值分析，以获取目标截图的灰度值。60.s52.将目标截图切分为九宫格，并基于灰度值，计算九宫格中堤坝区域的占空比。61.s53.基于堤坝区域的占空比，筛选出目标堤坝区域，并重新对目标堤坝区域进行溃坝分析，得到分析结果。62.具体地，在本技术实施例中，通过目标检测模型的yolov5算法参数设置可以将识别到的目标区域截图进行保存，也即将目标截图保留下来。然后对目标截图的区域进行灰度值分析，堤坝轮廓会通过灰度值展示出来。再将目标截图切分为九宫格，在九宫格中的区域都有对应的灰度值，然后根据每个九宫格的区域进行占空比计算。根据占空比的情况反映出不同的水利设施区域，例如占空比较高区域基本为完整的堤坝区域，占空比较低区域基本为水流区域，而占空比的中间值为保留区域。所以本技术实施例筛选出对应的保留区域作为目标堤坝区域，再重新对目标堤坝区域进行溃坝分析，得到分析结果。63.请参阅图5，图5示出了步骤s53的一种具体实施方式，详叙如下：64.s531.筛选出预设比例的占空比，并获取预设比例的占空比所对应的堤坝区域，得到目标堤坝区域。65.s532.将目标堤坝区域切分为九宫格，得到目标堤坝区域对应的九宫格区域，并获取九宫格区域对应的灰度值，得到目标灰度值。66.s533.基于目标灰度值，计算九宫格区域对应的堤坝占空比，得到目标占空比。67.s534.基于目标占空比，获取分析结果。68.具体地，本技术实施例中，筛选出预设比例的占空比，并获取预设比例的占空比所对应的堤坝区域，得到目标堤坝区域。例如筛选出高于0.1且占空比低于0.7所对应的区域作为目标堤坝区域。然后再重新将目标堤坝区域切分为九宫格，得到目标堤坝区域对应的九宫格区域，并获取九宫格区域对应的灰度值，得到目标灰度值，最后基于目标占空比，获取分析结果。其中，分析结果包括良好情况、疑似缺失情况和预警情况。69.进一步的，提供步骤s534一具体实施例，包括：统计处于第一阈值内的目标占空比数量，得到良好区域数量；统计处于第二阈值内的目标占空比数量，得到疑似区域数量；统计处于第三阈值内的目标占空比数量，得到缺失区域数量；若良好区域数量大于疑似区域数量和疑似区域数量的总和，则分析结果为良好情况；若良好区域数量低于或等于疑似区域数量和疑似区域数量的总和，则分析结果为疑似缺失情况；若缺失区域数量大于疑似区域数量，则分析结果为预警情况。70.需要说明的是，第一阈值、第二阈值和第三阈值根据实际情况进行设定，此处不作限定，其数值的大小关系为第一阈值＞第二阈值＞第三阈值。在一具体实施例中，第一阈值为[0.7,1]，第二阈值为(0.1,0.7)，第三阈值为[0,0.1]。[0071]在一具体的实施例中，yolov5的算法参数设置可以将识别到的目标区域截图保存下来。然后通过对截图区域灰度值分析，堤坝轮廓会通过灰度值展示出来，将截图分为九宫格，对九个区域进行占空比的计算，先剔除掉占空比低于0.1和占空比高于0.7的区域，因为低于0.1表示区域基本上是河水区域，占空比高于0.7则表示大面积都是完整的堤坝区域。然后再对保留下来的区域进行进一步的九宫格切割，再进行灰度值分析，如果占空比高于0.7的标记为良好，介于0.3到0.7则标记为疑似，低于0.3的则标记为缺失。然后再统计良好，疑似，缺失的区域个数，如果良好的数量高于疑似和缺失的总和，则定义为良好情况，如果低于则定义为疑似缺失情况，如果缺失数量高于疑似数量，则定义为预警情况。[0072]s6.基于分析结果，对水利设施进行巡查预警。[0073]具体地，分析结果包括良好情况、疑似缺失情况和预警情况。若分析结果为良好情况，则不需要对水利设施作出预警；若分析结果为疑似缺失情况，则需要对水利设施作出疑似缺失警告；若分析结果为预警情况，则需要对水利设施作出预警。上述实施例，能够实时获取到待测图像数据集，并实时作出分析结果，根据分析结果，对水利设施实时监控。[0074]请参阅图6，图6示出了步骤s6之后的一种具体实施方式，详叙如下：[0075]s6a.获取预设时间段内所收集的图像数据集，作为初始图像数据集。[0076]s6b.通过第一目标检测模型和第二目标检测模型输出初始图像数据集对应的截图图像。[0077]s6c.通过对截图图像进行跳帧处理，并对相邻帧的截图图像进行相似度判断，以确定相同位置的堤坝区域。[0078]s6d.基于相同位置的堤坝区域进行极大值计算，得到相同堤坝区域数量。[0079]s6e.基于堤坝区域数据和截图图像，对水利设施堤坝进行溃坝分析，得到当前时间段的分析结果，并基于当前时间段的分析结果，对水利设施进行巡查预警。[0080]具体地，获取预设时间段内所收集的图像数据集，作为初始图像数据集；例如在某一时刻，获取当天所收集的图像数据集，作为初始图像数据集。然后通过第一目标检测模型和第二目标检测模型输出初始图像数据集对应的截图图像；再通过对截图图像进行跳帧处理，并对相邻帧的截图图像进行相似度判断，以确定相同位置的堤坝区域。其中，相似度判断是将图像分为rgb三通道进行重合率的分析，使得确定相同位置的堤坝区域。其中，相邻帧的截图图像为前后帧的截图图像。然后基于相同位置的堤坝区域进行极大值计算，得到相同堤坝区域数量。其中，将前后帧的相似度数值进行极大值点的计算，该极值点数量则是堤坝的数量，一段河流内的堤坝类型是相似的。最后基于堤坝区域数据和截图图像，对水利设施堤坝进行溃坝分析，得到当前时间段的分析结果，并基于当前时间段的分析结果，对水利设施进行巡查预警。本技术实施例能够在某一段时间内，对水利设施进行汇总分析，查看是否存在溃坝的分析，从而做出预警。[0081]本实施例，基于无人机平台获取水利设施堤坝的图像数据集，其中，图像数据集包括白天时水利设施堤坝对应的光学图像，以及黑夜时水利设施堤坝对应的融合图像；构建yolov5模型，并基于光学图像进行堤坝检测模型训练，得到白天时水利设施堤坝的第一目标检测模型；基于融合图像进行堤坝检测模型训练，得到黑夜时水利设施堤坝的第二目标检测模型；基于无人机平台获取水利设施堤坝的待测图像数据集，并将待测图像数据集输入第一目标检测模型和第二目标检测模型中以输出目标截图；将目标截图切分为九宫格，并基于九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，得到分析结果；基于分析结果，对水利设施进行巡查预警。本技术实施例通过无人机平台巡查和获取图像数据集，并构建白天和黑夜的目标检测模型，以实现全天候的巡查，并且能够将目标截图切分为九宫格，并基于九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，使得能够持续性对水利设施进行巡查，有利于提高水利设施的巡查预警效率，并且能够对溃坝提前发出预警。[0082]请参考图7，作为对上述图1所示方法的实现，本技术提供了一种基于无人机的水利设施巡查预警系统的一个实施例，该系统实施例与图1所示的方法实施例相对应，该系统具体可以应用于各种电子设备中。[0083]如图7所示，本实施例的基于无人机的水利设施巡查预警系统包括：图像数据集获取单元71、第一目标检测模型构建单元72、第二目标检测模型构建单元73、目标截图输出单元74、分析结果生成单元75及水利设施巡查预警单元76，其中：[0084]图像数据集获取单元71，用于基于无人机平台获取水利设施堤坝的图像数据集，其中，图像数据集包括白天时水利设施堤坝对应的光学图像，以及黑夜时水利设施堤坝对应的融合图像，融合图像为红外图像和可见光图像所融合形成的图像；[0085]第一目标检测模型构建单元72，用于构建yolov5模型，并基于光学图像进行堤坝检测模型训练，得到白天时水利设施堤坝的第一目标检测模型；[0086]第二目标检测模型构建单元73，用于基于融合图像进行堤坝检测模型训练，得到黑夜时水利设施堤坝的第二目标检测模型；[0087]目标截图输出单元74，用于基于无人机平台获取水利设施堤坝的待测图像数据集，并将待测图像数据集输入第一目标检测模型和第二目标检测模型中以输出目标截图；[0088]分析结果生成单元75，用于将目标截图切分为九宫格，并基于九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，得到分析结果；[0089]水利设施巡查预警单元76，用于基于分析结果，对水利设施进行巡查预警。[0090]进一步地，分析结果生成单元75包括：[0091]灰度值分析单元，用于对目标截图进行灰度值分析，以获取目标截图的灰度值；[0092]目标截图切分单元，用于将目标截图切分为九宫格，并基于灰度值，计算九宫格中堤坝区域的占空比；[0093]目标堤坝区域筛选单元，用于基于堤坝区域的占空比，筛选出目标堤坝区域，并重新对目标堤坝区域进行溃坝分析，得到分析结果。[0094]进一步地，目标堤坝区域筛选单元包括：[0095]占空比筛选单元，用于筛选出预设比例的占空比，并获取预设比例的占空比所对应的堤坝区域，得到目标堤坝区域；[0096]目标灰度值获取单元，用于将目标堤坝区域切分为九宫格，得到目标堤坝区域对应的九宫格区域，并获取九宫格区域对应的灰度值，得到目标灰度值；[0097]目标占空比生成单元，用于基于目标灰度值，计算九宫格区域对应的堤坝占空比，得到目标占空比；[0098]目标占空比处理单元，用于基于目标占空比，获取分析结果。[0099]进一步地，目标占空比处理单元包括：[0100]第一统计单元，用于统计处于第一阈值内的目标占空比数量，得到良好区域数量；[0101]第二统计单元，用于统计处于第二阈值内的目标占空比数量，得到疑似区域数量；[0102]第三统计单元，用于统计处于第三阈值内的目标占空比数量，得到缺失区域数量；[0103]第一情况单元，用于若良好区域数量大于疑似区域数量和疑似区域数量的总和，则分析结果为良好情况；[0104]第二情况单元，用于若良好区域数量低于或等于疑似区域数量和疑似区域数量的总和，则分析结果为疑似缺失情况；[0105]第三情况单元，用于若缺失区域数量大于疑似区域数量，则分析结果为预警情况。[0106]进一步地，水利设施巡查预警单元76之后还包括：[0107]初始图像数据集获取单元，用于获取预设时间段内所收集的图像数据集，作为初始图像数据集；[0108]截图图像生成单元，用于通过第一目标检测模型和第二目标检测模型输出初始图像数据集对应的截图图像；[0109]堤坝区域确定单元，用于通过对截图图像进行跳帧处理，并对相邻帧的截图图像进行相似度判断，以确定相同位置的堤坝区域；[0110]堤坝区域数量计算单元，用于基于相同位置的堤坝区域进行极大值计算，得到相同堤坝区域数量；[0111]巡查预警单元，用于基于堤坝区域数据和截图图像，对水利设施堤坝进行溃坝分析，得到当前时间段的分析结果，并基于当前时间段的分析结果，对水利设施进行巡查预警。[0112]进一步地，第一目标检测模型构建单元72包括：[0113]标签制作单元，用于将光学图像返回开发端，以使得开发端对光学图像进行yolo格式的标签制作，得到待训练光学图像，其中，待训练光学图像具有yolo格式标签；[0114]yolov5模型构建单元，用于通过pytorch框架构建yolov5模型；[0115]通过待训练光学图像，对yolov5模型堤坝检测模型训练，得到训练结果；[0116]对比结果生成单元，用于将训练结果中的标签结果与yolo格式标签进行对比，得到对比结果；[0117]迭代训练单元，用于基于对比结果迭代优化权重，对yolov5模型堤坝检测模型重新训练，得到白天时水利设施堤坝的第一目标检测模型。[0118]进一步地，目标截图输出单元74包括：[0119]待测图像数据集获取单元，用于基于无人机平台获取水利设施堤坝的待测图像数据集；[0120]第一输出截图单元，用于将待测图像数据集中的光学图像输入第一目标检测模型中，通过第一目标检测模型输出目标截图；[0121]第二输出截图单元，用于将待测图像数据集中的融合图像输入第二目标检测模型中，通过第二目标检测模型输出目标截图。[0122]本实施例，基于无人机平台获取水利设施堤坝的图像数据集，其中，图像数据集包括白天时水利设施堤坝对应的光学图像，以及黑夜时水利设施堤坝对应的融合图像；构建yolov5模型，并基于光学图像进行堤坝检测模型训练，得到白天时水利设施堤坝的第一目标检测模型；基于融合图像进行堤坝检测模型训练，得到黑夜时水利设施堤坝的第二目标检测模型；基于无人机平台获取水利设施堤坝的待测图像数据集，并将待测图像数据集输入第一目标检测模型和第二目标检测模型中以输出目标截图；将目标截图切分为九宫格，并基于九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，得到分析结果；基于分析结果，对水利设施进行巡查预警。本技术实施例通过无人机平台巡查和获取图像数据集，并构建白天和黑夜的目标检测模型，以实现全天候的巡查，并且能够将目标截图切分为九宫格，并基于九宫格中堤坝区域的占空比，对水利设施堤坝进行溃坝分析，使得能够持续性对水利设施进行巡查，有利于提高水利设施的巡查预警效率，并且能够对溃坝提前发出预警。[0123]为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。[0124]计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有三种组件存储器81、处理器82、网络接口83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。[0125]计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。[0126]存储器81至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器81可以是计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，存储器81也可以是计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器81还可以既包括计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，存储器81通常用于存储安装于计算机设备8的操作系统和各类应用软件，例如基于无人机的水利设施巡查预警方法的程序代码等。此外，存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。[0127]处理器82在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制计算机设备8的总体操作。本实施例中，处理器82用于运行存储器81中存储的程序代码或者处理数据，例如运行上述基于无人机的水利设施巡查预警方法的程序代码，以实现基于无人机的水利设施巡查预警方法的各种实施例。[0128]网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。[0129]本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种基于无人机的水利设施巡查预警方法的步骤。[0130]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例的方法。[0131]显然，以上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，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!