井盖检测方法及基于智慧灯杆的井盖监测系统与流程

本发明涉及井盖监测技术领域，具体来说，涉及一种井盖检测方法及基于智慧灯杆的井盖监测系统。

背景技术：

随着城市化进程的进一步加快，市政公用设施建设迅速发展。市政、电力通信等部门有大量市政设备、资产需要管理，井盖是其中不可忽视的一项。大量的井盖由于缺乏有效的实时监控管理手段，给不法分子提供了可乘之机。损坏﹑偷盗井盖等违法行为时有发生，丢失、损坏﹑被盗的井盖常因无法及时获知而得不到及时修复，这样对井盖所在位置附近人民群众通行安全造成了巨大隐患。

传统的井盖管理以人工巡检为主，一方面，该种方法不能第一时间获悉井盖丢失信息，井盖丢失找不到责任人，另一方面，各行业独立的井盖管辖权，造成信息不对称，依靠人工管理、分割管理无法有效解决问题，再有，人力维护成本高，人员监督管理难。这些痛点问题不解决，我们就不可能实时保障井盖的安全，就不能解决井盖异常的道路安全隐患。

技术实现要素：

本发明的目的在于提出一种井盖检测方法及基于智慧灯杆的井盖监测系统，以克服现有技术中存在的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种井盖检测方法，所述方法包括以下步骤：

训练得到井盖的检测模型；

将采集的图片输入检测模型内，判断图片内井盖的数量并计算图片内井盖的二维坐标，赋予图片内每个井盖唯一的id号，并将每个井盖的社会信息、二维坐标与id号绑定进行存储；

实时或者按照一定的频率对采集的图片进行检测，若图片内检测的井盖数量与存储的井盖数量一致，并且井盖的二维坐标在存储的井盖二维坐标的误差范围内，则不做处理，若图片内检测的井盖数量与存储的井盖数量不一致以及井盖的二维坐标超过存储的井盖二维坐标的误差范围内中至少出现一种，则向管理端发出警报。

进一步的，所述社会信息包括井盖的经纬度、所在道路、产权人、联系人和电话。

进一步的，井盖检测模型的训练包括以下步骤：

选取基于pytorch的yolov5作为检测模型；

人工搜集若干井盖图片，并使用自适应数据扩增的方式对井盖图片进行处理，所述自适应数据扩增的方式包括将井盖图片自适应的缩小到接近实际场景井盖的画面占比尺寸以及对井盖图片进行对比度、亮度和色度的随机调整；

使用算法增强井盖图片画面的对比度；

将处理好的井盖图片传入检测模型内进行训练，训练过程中设置较小的预设anchors，anchors的具体设定值由k-means算法和遗传算法对训练图片的数据进行提取得到。

进一步的，使用算法增强井盖图片画面的对比度具体包括：

将原图转为灰度图，求出灰度图的灰度的算数平均值；

根据原图的尺寸和灰度平均值，新建一张与原图尺寸相同，通道数相同，每个像素的每个通道数值均为灰度平均值的图；

根据以下公式，使用恒定的alpha在两个输入图像之间进行插值来创建新图像，

out=image1*(1.0-alpha)+image2*alpha

将alpha的数值设置为大于1的数值即可对原图进行对比度增强。

基于智慧灯杆的井盖监测系统，所述系统包括灯杆，所述灯杆上设有：

图像采集模块，用于采集路面的图像信息，并将图像信息发送给井盖检测模块；

井盖检测模块，用于检测得到图像信息内井盖的数量和井盖的二维坐标，并将检测得到的井盖的数量和井盖的二维坐标与其内存储的井盖数量和井盖的二维坐标进行对比，若图片内检测的井盖数量与存储的井盖数量一致，并且井盖的二维坐标在存储的井盖二维坐标的误差范围内，则不做处理，若图片内检测的井盖数量与存储的井盖数量不一致以及井盖的二维坐标超过存储的井盖二维坐标的误差范围内中至少出现一种，则向管理端发出警报。

本发明的有益效果：本发明能够有效监控井盖状态，当井盖出现异常情况时及时报警。

附图说明

图1是本发明实施例所述方法的流程图；

图2是本发明实施例所述系统的结构框图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

由于井盖在摄像画面占比较小，井盖与周围环境较为相似，加上日夜交替，画面变化较大，这给井盖识别均带来不小的困难。

为解决上述关于井盖图片图像识别中存在的问题，如图1所示，本发明公开了一种井盖检测方法，包括以下步骤：

训练得到井盖的检测模型，具体包括以下1-3步：

1、人工搜集若干井盖图片，为了让井盖图片更加贴近实际检测任务场景，使用自适应数据扩增的方式对井盖图片进行处理，所述自适应数据扩增的方式包括根据素材中井盖的大小将井盖图片自适应的缩小到接近实际场景井盖的画面占比尺寸以及为了让模型在不同的光照环境下均能较好的识别，对井盖图片进行对比度、亮度和色度的随机调整，提升了模型的泛化能力。

2、使用算法增强井盖图片画面的对比度，使井盖特征更加明显，提升模型的识别精准度。算法增强具体包括：

将原图转为灰度图，求出灰度图的灰度的算数平均值；

2.1、根据原图的尺寸和灰度平均值，新建一张与原图尺寸相同，通道数相同，每个像素的每个通道数值均为灰度平均值的图；

2.2、根据以下公式，使用恒定的alpha在两个输入图像之间进行插值来创建新图像，

out=image1*(1.0-alpha)+image2*alpha

将alpha的数值设置为大于1的数值即可对原图进行对比度增强。

3、将处理好的井盖图片传入基于pytorch的yolov5神经网络模型内进行训练，训练过程中设置较小的预设anchors，anchors的具体设定值由k-means算法和遗传算法对训练图片的数据进行提取得到，这样能够提升模型在这一区间尺度井盖的识别能力。基于pytorch的yolov5神经网络模型中输入一张图片之后，能够返回网络锁妖检测的目标的框以及类别信息。该框能够刚好框住目标，用（xmin，ymin，xmax，ymax）来表示框的位置。我们将井盖分为四类，分别是圆井盖、方井盖、破损的圆井盖、破损的方井盖。用数据训练得到训练好的模型，能够识别检测出上述四种目标。如果没有上述四种目标，则不会返回结果（通过设定阈值滤除）。

4、将采集的图片输入检测模型内，判断图片内井盖的数量并计算图片内井盖的二维坐标，赋予图片内每个井盖唯一的id号，并将每个井盖的社会信息、二维坐标与id号绑定进行存储，井盖的社会信息包括井盖的经纬度、所在道路、产权人、联系人和电话，方便管理部门的信息采集及情况处理。

5、实时或者按照一定的频率对采集的图片进行检测，若图片内检测的井盖数量与存储的井盖数量一致，并且井盖的二维坐标在存储的井盖二维坐标的误差范围内，则不做处理，若图片内检测的井盖数量与存储的井盖数量不一致以及井盖的二维坐标超过存储的井盖二维坐标的误差范围内中至少出现一种，则向管理端发出警报。

路灯杆因其拥有以下四大特点让它成为了城市物联网的绝佳载体：一、数量众多，城市道路都标配路灯，繁忙的高速公路也配备路灯；二、位置恰好，路灯位于道路两侧，市政公用设施一般也在道路附近；三、天生带电，路灯有专门的供电线路为各种电器设备扩展提供便利；四、易于扩展，灯杆安装方便，容易加装各种传感器和监控设备。

基于上述路灯杆的优点以及本发明公开的井盖检测方法，本发明还公开了一种基于智慧灯杆的井盖监测系统，所述系统包括灯杆，所述灯杆上设有：

图像采集模块，用于采集路面的图像信息，并将图像信息发送给井盖检测模块；

井盖检测模块，用于检测得到图像信息内井盖的数量和井盖的二维坐标，并将检测得到的井盖的数量和井盖的二维坐标与其内存储的井盖数量和井盖的二维坐标进行对比，若图片内检测的井盖数量与存储的井盖数量一致，并且井盖的二维坐标在存储的井盖二维坐标的误差范围内，则不做处理，若图片内检测的井盖数量与存储的井盖数量不一致以及井盖的二维坐标超过存储的井盖二维坐标的误差范围内中至少出现一种，则向管理端发出警报。

基于智慧灯杆所搭配的井盖监测系统，可实时监测市政井盖的各种状态信息，通过结合系统直观的市政平面图，可实时查看井盖在所辖区内的位置和基本属性信息，并对各辖区内所属的井盖防盗进行统一指挥调度出警和工程维护。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。