本发明属于水池溢水识别，尤其涉及一种基于深度学习的视频监控溢水识别方法及系统。
背景技术：
1、目前水池溢水识别主要以人工判断和传感器预警两种方式为主，人工判断需要工作人员定时巡检和观察，这种方式不仅效率低下，而且容易受到人为因素的影响，如疲劳、疏忽等。传感器方式需要对每个监测点位进行传感器安装部署，目前主要有浮球式传感器、超声波水位传感器、压力传感器、光纤传感器。传感器为接触式部署，还需定期现场运维，此外，这些传感器可能无法准确判断液体是否溢出，水池露天容易受到环境干扰而产生误报。
技术实现思路
1、本发明的目的是提供一种基于深度学习的视频监控溢水识别方法及系统，以解决现有技术中接触式部署、需定期现场运维且准确度受环境干扰的问题，使用本发明，可利用现场摄像头获取水池信息，仅需添置一台计算服务器，将算法镜像在服务器启动，即可实现水池溢水智能告警，用户可自由配置预警水位线，操作简单灵活。
2、本发明提供了一种基于深度学习的视频监控溢水识别方法，包括：
3、步骤1，溢水模型构建：
4、步骤1.1，采集水池数据，包括白天、黑夜、雨天、晴天、阴天不同环境光的水池数据；
5、步骤1.2，数据清洗，筛选出重复和不清晰的图片，保留正常样本；
6、步骤1.3，数据标注及拆分，使用labelme标注工具对水池水面进行区域标注，将标注后的数据分成训练集、验证集和测试集；
7、步骤1.4，模型训练，使用深度学习算法yolov8seg进行目标分割，通过迁移学习，分割数据集，预训练模型的权重，初始化yolov8seg模型，引入focaler iou损失函数，在训练集上训练；
8、步骤1.5，模型测试及调优，在测试集上验证模型的正确率，针对测试集上存在的明显问题以及误识别问题进行优化；
9、步骤2，溢水识别：
10、步骤2.1，获取前端设置的预警水位线，将预警水位线线段端点坐标转换成list列表类型；
11、步骤2.2，利用训练好的yolov8seg模型识别接收的图像数据，生成水面mask区域；
12、步骤2.3，通过双线性差值法将水面mask缩放至接收图像尺寸，将接收到的预警水位线线段划为n个点，若n个点有50％及以上在mask区域内，表示水位线超过50％部分已被水池水面覆盖，则产生溢出告警。
13、进一步地，所述步骤1还包括：
14、步骤1.6，将溢水模型转换成onnx、tensorrt加速推理。
15、进一步地，所述步骤1.6包括：
16、将主流深度学习框架训练完成的模型转换成onnx的开发格式，使模型在运行时不依赖训练框架的python库，加速模型推理；
17、将训练完成的模型转换成tensorrt格式，便于推理加速。
18、进一步地，所述步骤1还包括：
19、步骤1.7，基于docker进行溢水模型的restful api部署。
20、本发明还提供了一种基于深度学习的视频监控溢水识别系统，包括溢水模型构建模块及溢水识别模块；
21、所述溢水模型构建模块用于：
22、采集水池数据，包括白天、黑夜、雨天、晴天、阴天不同环境光的水池数据；
23、数据清洗，筛选出重复和不清晰的图片，保留正常样本；
24、数据标注及拆分，使用labelme标注工具对水池水面进行区域标注，将标注后的数据分成训练集、验证集和测试集；
25、模型训练，使用深度学习算法yolov8seg进行目标分割，通过迁移学习，分割数据集，预训练模型的权重，初始化yolov8seg模型，引入focaler iou损失函数，在训练集上训练；
26、模型测试及调优，在测试集上验证模型的正确率，针对测试集上存在的明显问题以及误识别问题进行优化；
27、所述溢水识别模块用于：
28、获取前端设置的预警水位线，将预警水位线线段端点坐标转换成list列表类型；
29、利用训练好的yolov8seg模型识别接收的图像数据，生成水面mask区域；
30、通过双线性差值法将水面mask缩放至接收图像尺寸，将接收到的预警水位线线段划为n个点，若n个点有50％及以上在mask区域内，表示水位线超过50％部分已被水池水面覆盖，则产生溢出告警。
31、进一步地，所述溢水模型构建模块还用于：将溢水模型转换成onnx、tensorrt加速推理，包括：
32、将主流深度学习框架训练完成的模型转换成onnx的开发格式，使模型在运行时不依赖训练框架的python库，加速模型推理；
33、将训练完成的模型转换成tensorrt格式，便于推理加速。
34、进一步地，所述溢水模型构建模块还用于：基于docker进行溢水模型的restfulapi部署。
35、本发明还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于深度学习的视频监控溢水识别方法。
36、本发明还提供了一种电子设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行所述的一种基于深度学习的视频监控溢水识别方法。
37、借由上述方案，通过基于深度学习的视频监控溢水识别方法及系统，可利用现场摄像头获取水池信息，仅需添置一台计算服务器，将算法镜像在服务器启动，即可实现水池溢水智能告警，用户可自由配置预警水位线，操作简单灵活。
38、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
1.一种基于深度学习的视频监控溢水识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的视频监控溢水识别方法，其特征在于，所述步骤1还包括：
3.根据权利要求2所述的基于深度学习的视频监控溢水识别方法，其特征在于，所述步骤1.6包括：
4.根据权利要求2所述的基于深度学习的视频监控溢水识别方法，其特征在于，所述步骤1还包括：
5.一种基于深度学习的视频监控溢水识别系统，其特征在于，包括溢水模型构建模块及溢水识别模块；
6.根据权利要求5所述的基于深度学习的视频监控溢水识别系统，其特征在于，所述溢水模型构建模块还用于：将溢水模型转换成onnx、tensorrt加速推理，包括：
7.根据权利要求5所述的基于深度学习的视频监控溢水识别系统，其特征在于，所述溢水模型构建模块还用于：基于docker进行溢水模型的restful api部署。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于深度学习的视频监控溢水识别方法。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行所述的一种基于深度学习的视频监控溢水识别方法。
