基于图像识别技术的暴雨洪涝事件信息处理方法及装置与流程

本发明涉及一种计算机技术，尤其是涉及一种基于图像识别技术的暴雨洪涝事件信息处理方法及装置。

背景技术：

一直以来，自然灾害所带来的严重后果都让人们万分警觉，而自然灾害中，除了旱灾等少数灾害类型外，大多数都与降水灾害或多或少，或直接或间接有所联系，因此如国家气象局，民政部门等部分均对降水数据有着十分完善的记录，然而目前对于降水数据的记录亦或者是灾情的发现、上报、追踪的方式都十分传统，例如，灾情收集多基于行政区划，由所在的乡镇集中到县，再上报至市，逐级上报至省和国家。

虽然现在具有全面、丰富的数据源，但是基于庞大的数据进行分析是十分困难的，而且如何设计相关的分析算法对数据进行处理也是不容易的，目前还没有有效的方式可以利用这些数据进行分析。

此外，一些古老的数据可能会存在原始数据丢失的问题，也对利用这些数据进行灾害预警造成了障碍。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图像识别技术的暴雨洪涝事件信息处理方法及装置。

本发明的目的可以通过以下技术方案来实现：

一种基于图像识别技术的暴雨洪涝事件信息处理方法，包括：

步骤s1：针对各灾害事件，分别生成其降水分布图；

步骤s2：基于当前灾害事件的降水分布图，利用图像识别技术检索得到与其近似匹配的历史灾害事件的降水分布图；

步骤s3：比对当前与检索所得事件的灾情信息并输出。

所述步骤s1中生成降水分布图的过程具体包括：

步骤s11：获取灾害事件的开始时间和结束时间；

步骤s12：获取灾害事件从开始到结束持续时间内的过程降水数据；

步骤s13：根据获取的降水数据生成过程累积降水量分布图。

所述步骤s2具体包括：

步骤s21：基于历史灾害事件生成的过程累积降水量分布图，训练卷积神经网络模型；

步骤s22：基于训练好的卷积神经网络模型，抽取历史灾害事件图像特征保存至数据库；

步骤s23：基于训练好的卷积神经网络模型，抽取当前灾害事件降水分布图特征，并与数据库中历史灾害事件的图像特征比对，得到近似匹配的历史灾害事件。

所述灾情信息包括灾害损失、救灾信息及其致灾事件信息。

所述步骤s3具体包括：

步骤s31：按照匹配的降水分布图的相似程度，对既往灾害事件进行排序，输出当前事件和近似匹配的既往灾害事件的灾情信息，用于灾情信息比对。

一种基于图像识别技术的暴雨洪涝事件信息处理装置，包括：

降水分布图处理模块，用于针对各灾害事件，分别生成其降水分布图；

图像检索模块，与降水分布图处理模块连接，用于基于当前灾害事件的降水分布图，检索得到与当前灾害事件的降水分布图匹配的既往灾害事件的降水分布图；

结果输出模块，与图像搜索模块连接，用于分别输出各既往灾害事件内发生的灾情信息。

所述降水分布图处理模块包括：

第一单元，用于获取灾害事件的开始时间和结束时间；

第二单元，用于获取灾害事件持续时间内的过程降水数据；

第三单元，用于根据获取的降水数据生成过程累积水量分布图。

所述图像检索模块包括：

第一单元，基于历史灾害事件生成的过程累积降水量分布图，训练卷积神经网络(convolutionalneuralnetwork，cnn)模型；

第二单元，基于训练好的cnn模型，抽取历史灾害事件图像特征保存至数据库；

第三单元，基于训练好的cnn模型，抽取当前灾害事件降水分布图特征，并与数据库中历史灾害事件的图像特征比对，得到近似匹配的历史灾害事件。

所述灾情信息包括灾害损失、救灾信息及其致灾事件信息；所述结果输出模块具体包括：按照匹配的降水分布图的相似程度，对既往灾害事件进行排序，输出当前事件和近似匹配的既往灾害事件的灾情信息，用于灾情信息比对。

与现有技术相比，本发明具有以下有益效果：

1)基于降水分布图进行灾害事件的匹配和查询，可以快速检索历史上近似的灾害事件，为暴雨洪涝灾害的灾情分析与风险评估，以及灾害风险与应急管理提供参考和依据。

2)降水分布图通常可以准确地反映灾情状况，且图像技术已经取得很大发展，产生了许多新的技术，基于降水分布图的图像检索可以提高灾害事件匹配的处理效率。

附图说明

图1为本发明的主要步骤流程示意图；

图2为用于训练的卷积神经网络模型；

图3为图像检索流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种历史暴雨洪涝灾害事件信息比对和处理的方法，基于降水分布图进行识别和查找，可以找到历史上类似降水情况的灾害事件，从而以当时灾害事件的记录情况，对本次灾情的后续发展以及如何应对进行指导，提高了救灾效果和效率。

如图1所示，包括：

步骤s1：针对各灾害事件，分别生成其降水分布图；

步骤s1中生成降水分布图的过程具体包括：

步骤s11：获取灾害事件的开始时间和结束时间；

步骤s12：获取灾害事件从开始到结束持续时间内的过程降水数据；

步骤s13：根据获取的降水数据生成过程累积降水量分布图。

步骤s2：基于当前灾害事件的降水分布图，利用图像识别技术检索得到与其近似匹配的历史灾害事件的降水分布图；

步骤s21：基于历史灾害事件生成的过程累积降水量分布图，训练卷积神经网络(convolutionalneuralnetwork，cnn)模型；

如图2所示，显示了本发明中cnn模型的架构，包含5个卷积层，两个全连接层和一个softmax层，其中倒数第二层fc-1024用于图像特征抽取。

步骤s22：基于训练好的cnn模型，抽取历史灾害事件图像特征，保存至数据库；

步骤s23：基于训练好的cnn模型，抽取当前灾害事件降水分布图特征，并与数据库中历史灾害事件的图像特征比对，得到近似匹配的历史灾害事件。

步骤s3：比对当前与检索所得事件的灾情信息并输出。所述灾情信息包括灾害损失、救灾信息及其致灾事件信息；该步骤具体包括：

步骤s31：按照匹配的降水分布图的相似程度，对既往灾害事件进行排序，输出当前事件和近似匹配的既往灾害事件的灾情信息，用于灾情信息比对

基于降水分布图进行灾害事件的匹配和查询，可以快速检索历史上近似的灾害事件，为暴雨洪涝灾害的灾情分析与风险评估，以及灾害风险与应急管理提供参考和依据。

具体的，基于本申请方法开发得到的软件，通过选择源事件与历史上的目标事件基于致灾事件、灾损、灾害类型等方面进行可视化比对，既可以洞察损失的减少，对应措施的有效性，也可以通过历史经验提前做好预警、辅助等功能。面对大量的历史灾情事件，选择哪一起历史事件进行比对，用户有时候不知所措，可以通过图像检索给用户推荐相应的目标事件。

图像检索按描述图像内容方式的不同可以分为两类，一类是基于文本的图像检索(tbir,textbasedimageretrieval)，另一类是基于内容的图像检索(cbir,contentbasedimageretrieval)，即以图搜图，本系统中的图像检索，如图3所示，主要是基于内容的图像检索。系统中的灾情事件都会生成对应的降水分布图，可以使用源事件的降水分布图，作为检索图片，在系统中进行检索，找出最相近的降水分布图片，然后将图片关联的灾情事件作为目标事件，进行比对分析。