CN119888376B 一种基于深度学习图像处理的河流异常预警方法及系统 （水利部珠江水利委员会技术咨询(广州)有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119888376B(45)授权公告日2025.07.08

(21)申请号202510361544.9

(22)申请日2025.03.26

(65)同一申请的已公布的文献号申请公布号CN119888376A

(43)申请公布日2025.04.25

(73)专利权人水利部珠江水利委员会技术咨询

(广州)有限公司

地址510610广东省广州市天河区天寿路

80号14层

专利权人梧州市水利局

(72)发明人郝芝建梁兴李远强邓颖

宋东东吴晓婷刘杰寅

谢凯

(74)专利代理机构成都贞元会专知识产权代理有限公司51390

专利代理师安宁

(51)Int.CI.

GO6V10/764(2022.01)

GO6N3/042(2023.01)

GO6N3/0442(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

GO6N3/0985(2023.01)

GO6N5/01(2023.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

(56)对比文件

CN119477644A,2025.02.18CN117992919A,2024.05.07审查员卢秋芬

权利要求书3页说明书11页附图2页

(54)发明名称

S1:获取第一信息和第二信息S2:

S1:获取第一信息和第二信息

S2:对所述第一信息进行预处理，得到预处理数据

S3:根据所述预处理数据训练预设的多模态异常检测模型

S4:将所述第二信息预处理后输入训练好的多模态异常检测模型，输出河流异常预警结果

(57)摘要

CN119888376B本发明公开了一种基于深度学习图像处理的河流异常预警方法及系统，包括：获取第一信息和第二信息；对所述第一信息进行预处理，得到预处理数据；根据所述预处理数据训练预设的多模态异常检测模型，所述多模态异常检测模型包括CNN特征提取模块、LSTM特征提取模块、图卷积模块、特征融合模块和时空行为预测模块；将所述第二信息预处理后输入训练好的多模态异常检测模型，输出河流异常预警结果。本发明不仅能够实现河流环境的全局监控和精准异常检测，还能动态地分析和预测潜在的风险，显著提

CN119888376B

CN119888376B权利要求书1/3页

2

1.一种基于深度学习图像处理的河流异常预警方法，其特征在于，包括：

获取第一信息和第二信息，所述第一信息包括河流区域历史的多模态数据集，所述第二信息包括河流区域实时的多模态数据集，所述多模态数据集包括河流区域监控的视频数据、水文参数和环境参数；

对所述第一信息进行预处理，得到预处理数据；

根据所述预处理数据训练预设的多模态异常检测模型，所述多模态异常检测模型包括CNN特征提取模块、LSTM特征提取模块、图卷积模块、特征融合模块和时空行为预测模块，所述CNN特征提取模块用于通过预训练的CNN网络对所述视频数据进行特征提取，所述LSTM特征提取模块用于对水文参数和环境参数进行特征提取，所述图卷积模块用于使用图卷积网络对CNN特征提取模块输出的时空特征进行建模，所述特征融合模块用于将所述LSTM特征提取模块的输出和所述图卷积模块的输出进行拼接，所述时空行为预测模块用于融合特征通过若干全连接层处理，输出目标的空间位置和行为预测结果；

将所述第二信息预处理后输入训练好的多模态异常检测模型，输出河流异常预警结果；

根据所述预处理数据训练预设的多模态异常检测模型，包括：

构建多模态异常检测模型；

利用PyTorch框架对所述多模态异常检测模型进行训练，学习率初始为0.01,采用余弦退火策略动态调整，批量大小取256,使用Adam优化器优化；

优化的损失函数包括：

其中，Lbbox为边界框损失，LsT为时空特征损失，N是目标总数，C是目标类别数量，Yi,k是目标i的真实类别分布，i,k是所述多模态异常检测模型预测的目标i属于类别k的概率值，AreaofOverlap代表预测边界框和真实边界框重叠区域的面积，AreaofUnion代表预测边界框和真实边界框的总面积；

训练时加入数据增强策略：包括在-15°到15°范围内随机旋转图像，在0.8到1.2倍范围内随机调整亮度，随机裁剪图