(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211408544.2 (22)申请日 2022.11.11 (71)申请人 成都见海科技有限公司 地址 610000 四川省成 都市中国(四川)自 由贸易试验区成都高新区天府大道北 段1700号1栋2单 元11层1106号 (72)发明人 王建　 (74)专利代理 机构 成都行之智 信知识产权代理 有限公司 5125 6 专利代理师 王伟 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于3D卷积的排水监测方法、 系统及存 储介质 (57)摘要 本发明实施例提供一种基于3D卷积的排水 监测方法、 系统及存储介质， 包括： 获取对排水口 拍摄的具有连续的图像帧的拍摄图像； 对所述拍 摄图像进行划分， 得到待监测区域的图像数据集 合； 提取所述待监测区域的图像数据集合并进行 处理， 得到标准化图像数据； 利用3D卷积神经网 络模型处理所述标准化图像数据， 得到待监测区 域的排水状态。 本发明实施例解决了现有技术对 排水口的排水状态不能持续监测的技术问题。 本 发明实施例具有鲁棒性强、 检测精度高且适用于 复杂天气场景的特点。 权利要求书2页 说明书8页 附图5页 CN 115457485 A 2022.12.09 CN 115457485 A 1.一种基于 3D卷积的排水监测方法， 其特 征在于， 包括： 获取对排水口拍摄的具有连续的图像帧的拍摄图像； 对所述拍摄图像进行划分， 得到待监测区域的图像数据集 合； 提取所述待监测区域的图像数据集 合并进行处 理， 得到标准 化图像数据； 利用3D卷积神经网络模型处 理所述标准 化图像数据， 得到待监测区域的排水状态。 2.如权利要求1所述基于3D卷积的排水监测方法， 其特征在于， 对所述拍摄图像进行划 分， 得到待监测区域的图像数据集 合； 包括： 对所述拍摄图像进行划分,在所述拍摄图像中划分出呈矩形的待监测区域， 得到待监 测区域集合； 记录待监测区域集合中每个待监测区域的坐标[(x1,y1),(x2,y2)]， 得到待监测区域 的图像数据集 合， 其中(x1,y1)和(x2,y2)分别为待监测区域上对角点上的坐标。 3.如权利要求1所述基于3D卷积的排水监测方法， 其特征在于， 提取所述待监测区域的 图像数据集 合并进行处 理， 得到标准 化图像数据； 包括： 提取所述待监测区域的图像数据集合进行预处理、 归一化处理和标准化处理， 得到标 准化图像数据。 4.如权利要求3所述基于3D卷积的排水监测方法， 其特征在于， 提取所述待监测区域的 图像数据集 合进行预处理、 归一化处理和标准 化处理， 得到标准 化图像数据， 包括： 提取所述待监测区域的图像数据集合， 用高斯滤波对图像进行滤波降噪处理， 得到降 噪的待监测区域的图像数据集 合； 对待监测区域的图像数据集合的每个图像像素值范围归到0与1之间， 得到归一化的待 监测区域的图像数据集 合； 将归一化的待监测区域的图像数据集合中每个待监测区域的图像采用公式 （像素值 ‑ 像素值均值） /方差进行 标准化， 得到标准 化图像数据。 5.如权利要求1所述基于3D卷积的排水监测方法， 其特征在于， 利用3D卷积神经网络模 型处理所述标准 化图像数据， 得到待监测区域的排水状态， 包括： 采用3D‑ResNets网络处理所述标准化图像数据， 得到待监测区域的排水状态； 其中， 3D‑ResNets网络采用3D卷积和3D池化 替换掉ResNets网络中的卷积和池化得到 。 6.如权利 要求5所述基于3D卷积的排水监测方法， 其特征在于， 采用3D ‑ResNets网络处 理所述标准 化图像数据， 得到待监测区域的排水状态； 包括： 使用带有动量的随机梯度下降的优化器训练3D ‑ResNets网络； 所述使用带有动量的随机梯度下降的优化器训练3D ‑ResNets网络； 包括： 在所述拍摄图像中划分出呈矩形的待监测区域， 将所有的呈矩形的待监测区域组成视 频数据， 得到训练数据； 从训练数据中随机生成训练样本以执 行数据增强； 对训练样本均匀采样选择每个样本的时间位置并围绕选定的时间生成连续的图像帧 图片； 从每个连续的图像帧图片的四个角和中心随机选择空间位置并根据每个样本的空间 尺度进行裁 剪， 生成样本； 使所述生成的样本以50%的概率水平翻转并通过平均减法对每个生成的样本进行数据权　利　要　求　书 1/2 页 2 CN 115457485 A 2增强， 得到训练集； 采用所述训练集以带有动量的随机梯度下降的优化器训练3D ‑ResNets网络， 得到3D卷 积神经网络模型。 7.如权利要求6所述基于3D卷积的排水监测方法， 其特征在于， 利用3D卷积神经网络模 型处理所述标准 化图像数据， 得到待监测区域的排水状态， 包括： 将每个拍摄图像得到的待监测区域的图像数据集合拼接为C*D*H*W表示的图片， 其中， C表示帧数， D表示深度， H表示高度， W表示宽度； 将C*D*H*W表示的图片转换为 N*C*D*H*W,N表示维度； 将N*C*D*H*W作 为3D卷积神经网络模型的网络输入， 利用3D卷积神经网络模型处理， 得 到网络输出N*Class 其中,N表示维度， Clas s表示类别数； 将N*Class输入到softmax函数， 得到ouputSoftmax； ouputSoftmax利用argmax得到ouput最大值的索引； 根据ouput最大值的索引， 判断待监测区域的排水状态； 其中， ouput最大值的索引为1 表示排水， ouput最大值的索引为0表示未排水。 8.一种基于 3D卷积的排水检测系统， 其特 征在于， 包括： 划分单元， 用于对所述拍摄图像进行划分， 得到待监测区域的图像数据集 合； 提取处理单元， 用于提取所述待监测区域的图像数据集合并进行处理， 得到标准化图 像数据； 以及 监测单元， 用于利用3D卷积神经网络模型处理所述标准化图像数据， 得到待监测区域 的排水状态。 9.如权利要求8所述基于3D卷积的排水检测系统， 其特征在于， 还包括： 获取单元， 用于 获取对排水口拍摄的具有连续的图像帧的拍摄图像。 10.一种存储介质， 其特征在于， 所述计算机可读存储介质上存储有指令， 当所述指令 在计算机上运行时， 执 行如权利要求1 ‑7任意一项所述基于 3D卷积的排水监测方法。权　利　要　求　书 2/2 页 3 CN 115457485 A 3