摘要
本发明公开了一种基于多模态融合感知的水域检测方法，以提升城市内涝监测的精准性和实时性。该方法包括以下步骤：光流与视觉属性的联合特征提取：采集连续图像帧，利用光流估计网络和卷积神经网络(CNN)联合提取视觉与运动特征，实现对水域变化的精准感知；时空注意力机制驱动的特征融合：构建时空注意力机制，融合多层次特征，形成统一的时空特征表示，以增强对积水区域的检测能力；端到端内涝检测模型构建：设计融合分类与回归任务的深度学习网络，实现对内涝积水区域的精准识别与定位；实时积水范围追踪与变化分析：基于动态监测技术，分析积水区域的扩展趋势，提供准确的预警信息，以支持应急决策；本方法通过并行提取水体的静态视觉特征与动态运动特征，并采用多模态特征融合策略，构建端到端的智能检测模型。实验验证表明，该方法在复杂电磁环境下具有较高的检测精度和实时性，显著提升了城市内涝监测的可靠性和智能预警能力，为城市水域管理和灾害防控提供了有力技术支撑。
