基于AI的城市内涝水位识别系统开发与研究

2022-04-20李娇

河南科技 2022年5期

李娇

摘要：本研究通过深入研究机器学习中的卷积神经网络算法，设计搭建基于AI的图像识别算法模型，将图像识别算法模型植入监测设备前端，从而实现对城市内涝水位的智能识别。该系统由超高清摄像机、AI算力GPU、无线路由器、码流服务器组建而成，此开发与研究将作为城市气象要素观测设备的必要补充，与当前气象业务紧密结合，从而提升对城市内涝气象服务的支撑，拓展了对社会和公众服务的手段和方式，推进气象智能观测发展迈入新的台阶。

关键词：AI;图像识别;算法;气象水位监测

中图分类号：P409 文献标志码：A 文章编号：1003-5168（2022）5-0020-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2022.05.004

Development and Research of AI-based Urban Water Level Identification System

LI Jiao1，2

（1.China Meteorological Administration Henan Provincial Key Laboratory of Agricultural Meteorological Support and Application Technology， Zhengzhou 450003，China; 2.Henan Provincial Meteorological Observation Data Center， Zhengzhou 450003，China）

Abstract：This redearch through in-depth study of machine learning convolutional neural algorithm，design and construction of AI image recognition algorithm model，implant the image recognition algorithm model into the front end of monitoring equipment，so as to realize the intelligent identification of water level in urban waterlogging.The system relies on ultra-high-definition cameras，AI computing GPUs，wireless routing，and stream servers.This development and research will serve as a necessary supplement to urban meteorological element observation equipment，and will be closely integrated with the current meteorological business to improve the support for urban flooding meteorological services，expanded the means and methods of serving the society and the public，and stepped into a new stage for the further development of meteorological intelligent observation.

Keywords： AI;image recognition;algorithm;meteorological water level monitoring

0 引言

隨着新一代信息技术引发的信息环境与数据基础变革，人工智能（Artificial Intelligence，AI）迎来了增长的爆发期。近年来，人工智能技术在国内的不同领域都有着较好的试探性应用。在气象观测领域，通过对气象观测应用技术的不断改进和完善，其已经向数字化、智能化、规范化和现代化方向发展。2019年11月4日，中国气象局印发的《气象观测技术发展引领计划（2020—2035年）》通知明确指出：“将人工智能、物联网、大数据等通用技术应用于气象观测设备研发、观测数据加工处理、观测装备运行保障，实现全球气象观测和资料传输。”推动人工智能技术在气象领域的专业化应用探索，推进气象观测业务化应用及观测装备的智能化改造，突破智能气象观测壁垒，加快气象观测现代化建设的步伐，从而为实现气象事业高质量发展夯实观测基础。

传统的内涝水位识别监测系统存在较多的弊端，高效智能的信息化手段严重匮乏。而人工智能深度增强算法在大数据图形比对、实时分析预警等方面具有重要的经济价值和应用前景，人工智能的气象观测应用技术将大规模投入到实际应用中。人工智能在气象观测领域的应用呈现出由传统机器学习向深度学习方向发展的趋势。本研究探索前沿形势以及气象观测的智能化应用，搭建人工智能图像识别算法模型，植入前端设备，开发出基于AI的城市内涝水位识别气象监测系统。

1 系统总体设计

1.1 设计原则

该系统的开发以现有气象观测业务需求为导向，与气象观测的实际应用相结合，实现前端观测设备智能识别、气象数据服务平台展示的功能。前端观测设备能够直接快速识别预警信息，并将其传输到码流服务器中，作为历史数据进行存储，Server服务器可以随时调用码流服务器中的数据，并可在人工智能气象数据服务平台进行展示，能够有效地推进智能监测技术在气象观测领域的应用，体现了集约化、智能化和安全性原则。系统的总体结构如图1所示。

1.2 设计思想及总体框架

该系统结合了5G、人工智能等[1]前沿技术的先进理念，面向气象观测自动化改革业务发展与服务的需求，利用人工智能感知技术与深度卷积神经网络机器学习算法，搭建算法模型，设计抽帧算法，循环优化识别算法模型库，实现前端设备的智能化识别。通过GPU视频处理中心内置的北斗芯片，完成基于位置服务的城市内涝水位识别气象监测系统的设计与实现。

该气象监测系统采用B/S结构模式，在嵌入式Linux环境中进行开发。采用C#、python、HTML5/JavaScript语言进行编程，图像识别采用阿里云GPU服务器，整个系统平台使用阿里云ECS云服务器和API接口服务器，建立地图引擎服务。

2 系统主要功能

该系统由前端识别设备、云端数据收集器、WebService数据服务器、监控展示平台四部分构成。前端识别设备直接进行拍摄，然后在GPU图像处理中心进行快速识别，通过DTU专用IP通道进行数据传输，后台通过网络（RJ网口、WIFY、4G/5G）与云端服务器连接。水位识别结构流程图如图2所示。

2.1 前端设备识别技术

设计AI算法模型，植入前端设备，实现前端设备直接快速识别。设备内置GPU（图形处理器），专门用来处理图像。存储系统实际上是一个二维的分段存储空间，包括一个二维地址（图像中的X、Y坐标）和区段号（从中读取的图像）。在统一的开放运算语言（Open Computing Language，OpenCL）编程环境下进行编程。

2.2 远端数据处理平台

前端图像采集设备内置通信模块传输，包括DTU、路由器、4G/5G卡，而识别到的水位数据通过同步程序，实现数据的传输、存储和收集功能。对前端图像采集设备进行设置，通过专有IP+端口将数据传输到云端数据平台。

2.3 AI水位识别实时监控展示平台

在试验点对水位进行识别监测，依托前端IP摄像机对水尺刻度进行拍照，通过深度学习目标检测算法模型实现对水尺的定位，内置GPU对数据进行读取、筛选和计算，将识别结果通过网络上传到码流服务器，并作为历史数据存储起来，Server服务器随时可以调用这些数据。

3 算法研究

卷积神经网络[2]是在研究猫的视觉皮层电生理过程中受到启发而开始的一个研究，最早由Hubel和Wiesel在试验中发现。近年来，卷积神经网络在图像领域中的应用取得了巨大突破，在结构上，其包含输入层、卷积层、池化层和全连接层，也可以包含多个卷积层、池化层、全连接层。

3.1 输入层

输入层的主要任务是读取图像信息，可以直接处理多维数据，该层的神经元个数与图像的维度紧密相关[3]。卷积神经网络的输入层将输入特征做标准化处理，可以提高算法的学习表现和运行效率。

3.2 卷积层

自然图像有其固有特性，图形每一部分的统计特性与其他部分相同，图像的所有位置可以使用同样的学习特征，这就意味着在这一部分学习到的特征也可以用在另一部分上[4]。卷积神经网络中的特征提取[5]是在卷积层中完成，首先通过对图像中的一个特征进行局部感知，继而对局部特征进行更高层次的综合操作。

3.3 池化层

通过将卷积层提取到的特征输入到分类器中进行训练，可以实现输出最终的分类结果。若只对图像连续区域的隐含神经元产生的卷积特征进行池化处理，池化后的特征具有平移不变性。由于图像具有“静态性”的属性，在图像的一个局部区域得到的特征极有可能在其他区域同样适用。因此，可以对图像的一个局部区域中不同位置的特征进行聚合统计（或平均池化）[6-11]。

3.4 全连接层

在卷积神经网络结构中，经过多个卷积层和池化层后，连接着1个或1个以上的全连接层（见图3）。全连接层可以整合卷积层或池化层具有类别区分性的局部信息。在全连接层中，前一层的所有神经元与本层神经元进行全连接，并且连接所有特征，将输出值送给分类器。

其中，全连接层的输入为X1、X2、X3，输出为a1、a2、a3，则全连接層的核心运算就是矩阵向量乘积，如式（1）所示。

[a1=W11×X1+W12×X2+W13×X3+b1]

[a2=W21×X1+W22×X2+W23×X3+b2] （1）

[a3=W31×X1+W32×X2+W33×X3+b3]

式中，Wij表示第j个神经元到第i个神经元的连接的权重;bi表示偏置单元。

3.5 卷积神经网络的数学表达

卷积神经网络（CNN）[12-19]在图像识别中的应用基本思路是：卷积神经网络对识别到的不同类别每一帧图像建立分类器模型，并感知图像局部特征，并对计算机视觉领域的架构进行设计，综合局部特征得到全部特征。

卷积的数学运算表达定义为式（2）。

[z（t）=f（t）×g（t）=fτgt−τ] （2）

式中，t为变量函数，[τ]为反褶变量函数。

其积分形式表达式为式（3）。

[z（t）=f（t）×gt=fτgt−τdτ=]

[ft−τgτdτ] （3）

函数f经过翻转平移，与函数g重叠部分的面积由计算可得。图像可用二维坐标系的函数表示，记为[fx，y、gx，y，由此得出z（x，y）]为式（4）。

[zx，y=fx，y×gx，y] （4）

卷积过程实现图像特征的提取，二维坐标计算表达式为式（5）。

[zx，y=fx，y×gx，y=]

[ft，ℎgx−t，y−ℎ] （5）

式中，h为变量函数。

积分表达式为式（6）。

[zx，y=fx，y×gx，y=]

[ft，ℎgx−t，y−hdtdh] （6）

4 结语

本研究设计的基于AI水位识别系统能够将结果实时上传，既可存储于码流服务器作为历史数据，又可以在不同平台实时显示起到预警作用，可以网格化实时传输场景图像及识别分析结果。通过搭建算法模型，不断优化深度学习算法，嵌入前端GPU，实现前端识别加后端存储调用，为主管部门和服务单位提供气象服务。此系统研究可以作为气象精密观测的有效补充，提供更为精准的气象服务、更加智能网格化的实时预警。

参考文献：

[1] 朱玲，吴心玥.人工智能在气象领域的应用述评[J].广东气象，2019（1）：35-39.

[2] 曹晓杰，么娆，严雨灵.应用迁移学习的卷积神经网络花卉图像识别[J].计算机应用与软件，2020（8）：142-148.

[3] 魏存超.基于卷积神经网络的医学图像分类的研究[D].哈尔滨：哈尔滨工业大学，2017.

[4] 圣文顺，孙艳文.卷积神经网络在图像识别中的应用[J].软件工程，2019（2）：13-16.

[5] 卢宏涛，张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].软件工程，2016（1）：1-17.

[6] 黄小玉，张垚，叶成志，等.地面积雪天气现象人工智能观测识别研究[J].气象，2019（9）：1189-1198.

[7] 胡维炜，张武，刘连忠.基于Variance-SFFS的小麦叶部病害图像识别[J].湖南农业大学学报（自然科学版），2018（2）：225-228.

[8] 王玉晶，莫建麟.卷积神经网络算法在近红外光人脸检测中的研究[J].激光杂志，2019（4）：180-183.

[9] 吴琼，郝洋，王洪鹏，等.一种改进的卷积神经网络算法在交通视频图像识别中的应用[J].教育教学论坛，2019（27）：211-212.

[10] 刘伟，罗凤鸣，赵薪羽.基于气象因子与误差修正的改进卷积神经网络短期风速预测模型[J].电气自动化，2020（1）：61-63.

[11] 冯晓，李丹丹，王文君，等.基于轻量级卷积神经网络和迁移学习的小麦叶部病害图像识别[J].河南农业科学，2021（4）：174-180.