一种车站积水智能监测方法和系统与流程
本发明属于城市轨道交通建设，尤其是涉及一种车站积水智能监测方法和系统。
背景技术：
1、车站积水监测是城市轨道交通运营安全的重要保障环节。传统的人工巡检方式效率低、响应慢，难以满足极端天气下的实时监测需求。近年来，随着计算机视觉和深度学习技术的发展，基于监控图像的积水智能监测方法逐渐得到应用。
2、现有技术中，已有方案通过监控摄像头采集车站区域的图像，利用图像分割算法识别积水区域，并结合水位传感器、雨量传感器等数据进行综合判断。然而，这些方案在工程应用中仍面临显著的技术瓶颈。
3、首先，在极端雨雾天气下，监控图像严重退化，图像质量大幅下降。现有方法多将天气退化视为“噪声”加以消除，采用去雨、去雾等预处理算法对图像进行恢复。但这类方法忽视了退化过程与物理环境（如雨滴大小、雾气浓度、光照条件）的内在关联，在雨雾共存的复杂天气下，恢复的图像常出现纹理失真或细节丢失。图像质量是后续积水识别与分割的基础，入口信息的失真将导致后续算法的准确性无从保证。
4、其次，现有方案中多传感器数据的融合方式较为简单，通常是将图像分析结果与传感器读数进行逻辑判断或数据叠加。这种浅层融合未能深度挖掘不同模态数据间的物理一致性与互补关系，导致在传感器数据冲突或某一模态失效时，系统缺乏有效的鲁棒性保障。
5、再次，当前的深度学习模型主要依赖数据驱动，缺乏对水动力学等物理规律的显式约束。模型在训练数据覆盖的场景下表现良好，但在极端或未见过的场景下，预测结果可能违背物理常识，泛化能力不足。虽然已有研究尝试将物理信息神经网络（pinn）用于图像重建，或在扩散模型中引入物理约束，但尚未有方案将其系统性地应用于车站积水监测这一特定场景，尤其是将跨模态语义引导与物理约束生成相结合的技术路线，在现有技术中未见披露。
6、综上所述，如何在极端雨雾天气下，从严重退化的监控图像中鲁棒且精准地重建出用于积水监测的视觉特征，是制约现有车站积水监测系统性能的核心技术问题。
技术实现思路
1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种车站积水智能监测方法。
2、为解决上述技术问题，本发明采用的技术方案是：一种车站积水智能监测方法，包括：
3、获取退化监控图像和辅助模态数据；
4、通过所述辅助模态数据预测积水区域的物理属性图，利用所述物理属性图引导对所述退化监控图像进行特征增强，得到增强特征；
5、利用扩散模型对所述增强特征进行重建，所述扩散模型的反向去噪过程中以所述物理属性图和浅水方程作为物理约束进行迭代校正，生成重建图像；
6、根据所述重建图像进行积水监测。
7、进一步，所述辅助模态数据包括毫米波雷达点云数据和/或热红外图像数据。
8、进一步，通过所述辅助模态数据预测积水区域的物理属性图，利用所述物理属性图引导对所述退化监控图像进行特征增强，得到增强特征，具体包括：
9、分别从所述退化监控图像和所述辅助模态数据中提取多尺度图像特征和多尺度辅助模态特征；
10、根据所述多尺度辅助模态特征预测所述物理属性图；
11、以所述物理属性图为查询，对所述多尺度图像特征进行注意力加权增强，得到所述增强特征。
12、更进一步，所述物理属性图包括积水区域概率图和/或深度相对分布图。
13、更进一步，以所述物理属性图为查询，对所述多尺度图像特征进行注意力加权增强，具体包括：
14、将所述物理属性图经嵌入层转换为查询向量，将所述多尺度图像特征转换为键向量和值向量；
15、计算所述查询向量与所述键向量的注意力权重；
16、以所述注意力权重对所述值向量进行加权求和，得到所述增强特征。
17、进一步，通过所述辅助模态数据预测积水区域的物理属性图之前，还包括：采用对比-重构联合学习目标对所述物理感知增强网络进行训练；
18、所述对比-重构联合学习目标包括跨模态对比损失和自监督重构损失；
19、所述跨模态对比损失用于迫使增强后的视觉特征与所述辅助模态数据提取的物理特征在语义空间上保持接近；
20、所述自监督重构损失用于利用图像自身的空间自相似性进行重建约束。
21、进一步，所述扩散模型的反向去噪过程中以所述物理属性图和浅水方程作为物理约束进行迭代校正，具体包括：
22、在每一步去噪迭代中，获取当前生成的中间图像；
23、从所述中间图像中提取积水区域的形态特征和边界特征；
24、将所述形态特征和所述边界特征与所述物理属性图给出的空间约束以及所述浅水方程给出的运动规律约束进行比对；
25、当所述中间图像不满足所述物理约束时，将生成结果微调至符合所述物理约束的方向。
26、更进一步，所述浅水方程给出的运动规律约束包括积水区域在相邻时间帧之间的形态变化连续性约束。
27、进一步，根据所述重建图像进行积水监测，具体包括：
28、将所述重建图像输入自适应提示生成器，所述自适应提示生成器根据所述重建图像的图像特征以及上一时刻的分割结果，自动生成分割提示；
29、将所述分割提示输入视觉大模型，由所述视觉大模型根据所述分割提示对所述重建图像进行积水区域分割，输出积水区域分割掩码；
30、根据所述积水区域分割掩码进行水深估算。
31、基于同一发明构思，本发明还提出了一种车站积水智能监测系统，包括：
32、数据采集模块，用于获取退化监控图像和辅助模态数据；
33、物理感知增强模块，用于通过所述辅助模态数据预测积水区域的物理属性图，利用所述物理属性图引导对所述退化监控图像进行特征增强，得到增强特征；
34、扩散重建模块，用于利用扩散模型对所述增强特征进行重建，所述扩散模型的反向去噪过程中以所述物理属性图和浅水方程作为物理约束进行迭代校正，生成重建图像；
35、积水分析模块，用于根据所述重建图像进行积水监测。
36、本发明与现有技术相比，具有以下有益效果：
37、1.本发明通过引入对天气不敏感的毫米波雷达和/或热红外成像作为辅助模态数据，从辅助模态数据中主动预测积水区域的物理属性图，并以该物理属性图为语义引导信息对退化监控图像进行跨模态注意力加权增强，实现了从被动去噪到主动感知的转变，能够在雨雾共存的极端天气下精准定位和增强积水相关特征，有效避免了传统去雨去雾算法导致的纹理失真和细节丢失问题，大幅提升了退化图像增强的针对性和有效性。
38、2.本发明通过在扩散模型的反向去噪过程中，以物理属性图作为空间约束、以浅水方程作为运动规律约束，对每一步去噪迭代生成的中间图像进行基于物理模型的实时校正，并将不满足物理约束的生成结果微调至符合物理规律的方向，实现了物理规律与数据驱动的深度融合，确保了最终重建图像中积水形态在空间上准确、在时间上连贯平滑，显著提升了模型在极端或未见场景下的泛化能力和预测可信度。
39、3.本发明通过跨模态注意力机制以辅助模态预测的物理属性图为查询对视觉特征进行注意力加权增强，并通过跨模态对比损失迫使增强后的视觉特征与辅助模态提取的物理特征在语义空间上保持接近，实现了多源异构数据在特征层面的深度语义融合，有效克服了现有技术中简单数据叠加或逻辑判断的浅层融合缺陷，显著提升了多源数据融合的协同性和系统在单一模态失效时的鲁棒性。
40、4.本发明通过采用跨模态对比损失与自监督重构损失相结合的对比-重构联合学习目标对物理感知增强网络进行训练，利用跨模态对比损失保持跨模态语义一致性，利用自监督重构损失保持图像视觉自然性，实现了在不依赖配对的清晰-退化图像数据条件下的模型训练，大幅降低了数据采集成本和标注难度，显著提升了方案在实际工程中的可实施性和可推广性。
41、5.本发明通过自适应提示生成器根据重建图像的图像特征和上一时刻分割结果自动生成分割提示，并由视觉大模型根据该分割提示进行积水区域分割，实现了积水区域分割的自动化和高精度，有效解决了视觉大模型在积水监测特定任务中需要人工提供提示的应用瓶颈，充分发挥了视觉大模型的强大分割能力。
42、6.本发明通过将积水监测结果与车站排水设备和/或防淹门进行联动控制，实现了积水超过预设阈值时排水设备的自动启动和/或防淹门的自动关闭，构建了从感知、增强、分析到决策、执行的完整智能防汛闭环，显著提升了车站积水应急处置的响应速度和自动化水平。
43、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。