一种基于图像智能分类的城市内涝积水深度识别方法

1.一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，步骤s2中，使用labelme数据标注软件制作积水范围边界标签，具体做法是将图像导入labelme数据标注软件中，选择创建多边形开始进行标注，依次对图像中可见的积水区域的边界进行描点、连线，最终首尾相连生成刚好囊括积水区域的封闭多边形，赋予生成的封闭多边形标签为‘water’，为每个图像创建对应的labelme格式的json标签文件。

3.根据权利要求1所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，步骤s3中，具体包括如下内容：

4.根据权利要求1所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，步骤s3中，进行积水区域分割所采用的图像分割网络模型为fast-scnn。

5.根据权利要求1所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，步骤s4中，具体包括如下内容：

6.根据权利要求1所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，步骤s5中，所述城市道路实测积水深度数据为与监控视频时间上同步记录的道路积水监控点处积水深度，根据该数据制作已分割积水区域的图像的积水深度等级数据标签，并按照8:1:1的比例随机划分为第二训练集、第二验证集和第二测试集。

7.根据权利要求6所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，通过子文件夹方式制作积水深度等级数据标签，该方法按照已分割积水区域的每一张图像所属的不同积水深度等级，将图像放到自命名的子文件夹下，子文件夹的名称即是图像所属的积水深度等级，子文件夹名称将被识别为图像所属类别的名称。

8.根据权利要求1所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，步骤s6中，所述图像分类网络模型采用resnet模型。

9.根据权利要求1所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，步骤s6中，在图像分类网络模型中注册第二训练集、第二验证集和第二测试集的路径及类别，根据计算机性能和项目要求自定义主要训练参数，包括基础学习率、学习率衰减、每批次样本数大小、工作进程数、迭代次数、训练轮次、训练日志记录间隔、权重文件保存间隔，开始进行图像分类网络模型的训练；训练完成后根据多类别平均精度(map)、recall评估图像分类网络模型的积水深度分级效果，并进一步通过调整网络模型参数，反复多次进行训练，直到模型训练效果达到最优即完成训练，并生成最终的模型权重文件，得到完成训练的图像分类网络模型。

10.根据权利要求1～9任一项所述的一种基于图像智能分类的城市内涝积水深度识别方法，其特征在于，步骤s7中，基于fast-scnn和resnet模型训练得到的权重文件，对输入图像进行预测时，依次经过训练完成的fast-scnn模型和resnet模型的预测，最终输出道路积水深度等级。