GitHub - gitMasterLiujiahui/FloodVision: FloodRisk是一个基于深度学习的智能积水识别和车辆淹没部位判别系统，通过计算机视觉技术实现对洪水场景的智能分析，为城市防洪和车辆安全提供技术支持。

项目概述

FloodRisk 是一个基于深度学习的智能积水识别和车辆淹没部位判别系统。该系统能够自动检测图像中的积水区域，并识别车辆的不同淹没部位（车轮、车门、车窗），为城市内涝监测和车辆安全评估提供技术支持。

界面展示

🖥️ 系统主界面

系统主界面展示 - 包含模型配置、图像上传、结果展示等功能区域

📊 处理结果展示

处理结果界面 - 左右分屏显示原图与处理结果，下方显示统计信息

主要功能

🎯 核心功能

智能积水识别：基于深度学习模型自动识别图像中的积水区域
车辆淹没部位检测：检测车辆在积水中的不同淹没部位（车轮、车门、车窗）
多模型支持：支持SSD300、YOLOv11等多种检测模型和DeepLabV3、YOLOv11等分割模型
实时处理：支持图像上传和实时处理分析

📊 分析功能

统计报告：自动生成不同淹没部位车辆数量统计
可视化展示：左右分屏对比显示原图与处理结果
结果导出：支持检测结果和分割结果的图像导出

🔧 系统管理

模型管理：动态加载和切换不同模型
状态监控：实时监控系统运行状态和模型加载情况
日志记录：详细的运行日志记录和错误追踪

技术栈

后端技术

框架：FastAPI + Uvicorn
深度学习：PyTorch + OpenCV + Pillow
图像处理：NumPy + OpenCV-Python
Web服务：FastAPI + Jinja2模板

前端技术

界面框架：Bootstrap 5.3
图标库：Font Awesome 6.0
交互技术：原生JavaScript + Fetch API
响应式设计：支持桌面和移动端访问

模型架构

检测模型：SSD300、YOLOv11（车辆淹没部位检测）
分割模型：DeepLabV3、YOLOv11（积水区域分割）
模型格式：PyTorch (.pt/.pth)

系统要求

硬件要求

操作系统：Windows 10/11、Linux、macOS
内存：4GB RAM（推荐8GB）
存储空间：至少2GB可用空间
显卡：支持CUDA的NVIDIA显卡（可选，用于GPU加速）

软件要求

Python版本：3.7+
包管理器：pip
虚拟环境：venv（推荐）

安装与配置

1. 获取项目代码

git clone <repository-url>
cd FloodRisk

2. 创建虚拟环境（推荐）

# Windows
python -m venv .venv
.venv\Scripts\activate

# Linux/macOS
python3 -m venv .venv
source .venv/bin/activate

3. 安装依赖包

pip install -r requirements.txt

4. 准备模型文件

确保以下模型文件存在于相应目录：

models/
├── vehicle_detection/
│   ├── ssd.pt          # SSD300检测模型
│   └── yolov11.pt      # YOLOv11检测模型
└── water_segmentation/
    ├── deeplabv3.pth   # DeepLabV3分割模型
    └── yolov11.pt      # YOLOv11分割模型

注意：如果模型文件不存在，系统将使用虚拟模型进行演示，但功能会受限。

5. 启动系统

# 方式一：使用启动脚本（推荐）
python run_web.py

# 方式二：直接运行Web应用
python web_app.py

系统启动后，默认在 http://localhost:5000 提供服务。

使用方法

基本操作流程

访问系统
- 打开浏览器访问 http://localhost:5000
- 系统将显示加载界面，完成后进入主界面
配置模型
- 在"模型配置"区域选择需要的检测模型和分割模型
- 点击"加载模型"按钮加载选中的模型
- 查看模型状态确认加载成功
上传图像
- 点击上传区域或拖拽图像文件到指定区域
- 支持JPG、PNG、BMP等常见图像格式
开始处理
- 点击"开始处理"按钮启动分析
- 系统将显示处理进度和实时结果
查看结果
- 左侧面板：显示检测结果（车辆淹没部位识别）
- 右侧面板：显示分割结果（积水区域识别）
- 统计信息：显示不同淹没部位车辆数量统计
下载结果
- 点击"下载检测图"保存检测结果
- 点击"下载分割图"保存分割结果

高级功能

批量处理

系统支持批量处理多张图像，可通过API接口进行调用：

import requests

# 批量处理示例
files = {'image': open('test_image.jpg', 'rb')}
response = requests.post('http://localhost:5000/api/process', files=files)
result = response.json()

API接口

系统提供完整的RESTful API接口：

GET /api/status - 获取系统状态
GET /api/models - 获取可用模型列表
POST /api/models/load - 加载指定模型
POST /api/process - 处理单张图像
POST /api/download/detection - 下载检测结果
POST /api/download/segmentation - 下载分割结果

目录结构说明

FloodRisk/
├── .venv/                          # Python虚拟环境
├── __pycache__/                    # Python字节码缓存
├── models/                         # 模型文件目录
│   ├── vehicle_detection/          # 车辆检测模型
│   │   ├── ssd.pt                  # SSD300模型权重
│   │   ├── yolov11.pt             # YOLOv11模型权重
│   │   ├── ssd_model.py            # SSD模型实现
│   │   └── yolov11_model.py        # YOLOv11模型实现
│   └── water_segmentation/         # 积水分割模型
│       ├── deeplabv3.pth           # DeepLabV3模型权重
│       ├── yolov11.pt              # YOLOv11模型权重
│       ├── deeplabv3_model.py      # DeepLabV3模型实现
│       └── yolov11_model.py        # YOLOv11模型实现
├── templates/                      # HTML模板文件
│   └── index.html                  # 主界面模板
├── temp/                           # 临时文件目录
├── test_img/                       # 测试图像目录
├── web_app.py                      # FastAPI Web应用主文件
├── shared_models.py                # 共享模型管理模块
├── run_web.py                      # Web应用启动脚本
├── requirements.txt                # Python依赖包列表
├── flood_risk_web.log              # 系统运行日志
├── PROJECT_SUMMARY.md              # 项目概要文档
└── README.md                       # 项目说明文档

模型说明

检测模型（车辆淹没部位识别）

SSD300

架构：基于VGG16骨干网络的单阶段检测器
特点：检测速度快，适合实时应用
输出：车辆淹没部位（车轮、车门、车窗）的边界框和置信度

YOLOv11

架构：最新的YOLO检测架构
特点：高精度，支持多种分辨率
优势：在复杂场景下表现优异

分割模型（积水区域识别）

DeepLabV3

架构：基于ResNet18的语义分割模型
特点：精确的边界分割能力
应用：积水区域的像素级识别

YOLOv11分割模型

架构：支持实例分割的YOLO变体
特点：结合检测和分割的优势
优势：一体化处理检测和分割任务

开发指南

项目架构

系统采用模块化设计，主要包含以下核心模块：

Web应用模块 (web_app.py)
- FastAPI应用配置和路由定义
- 图像处理流程控制
- API接口实现
模型管理模块 (shared_models.py)
- 统一模型加载和管理
- 模型可用性检查
- 虚拟模型支持
检测模型模块 (models/vehicle_detection/)
- SSD300模型实现
- YOLOv11模型实现
- 检测结果后处理
分割模型模块 (models/water_segmentation/)
- DeepLabV3模型实现
- YOLOv11分割模型实现
- 分割结果可视化

扩展开发

添加新模型

在相应模型目录创建新的模型实现文件
在shared_models.py中注册新模型
在Web界面中添加模型选择选项

修改处理流程

编辑web_app.py中的处理函数
调整模型调用参数和结果处理逻辑
更新前端界面显示逻辑

自定义界面

修改templates/index.html模板文件
调整CSS样式和JavaScript交互逻辑
添加新的功能组件

故障排除

常见问题

1. 模型加载失败

症状：控制台显示模型文件不存在警告 解决方案：

# 检查模型文件是否存在
ls models/vehicle_detection/
ls models/water_segmentation/

# 如果文件缺失，需要下载相应模型文件

2. 端口被占用

症状：启动时提示端口被占用 解决方案：

# 使用不同端口启动
python run_web.py
# 系统会自动尝试5000-5004端口

# 或手动指定端口
uvicorn web_app:app --host 0.0.0.0 --port 5005

3. 内存不足

症状：处理大图像时出现内存错误 解决方案：

减小输入图像尺寸
关闭其他占用内存的应用程序
使用GPU加速（如果可用）

4. 依赖包冲突

症状：导入错误或运行时异常 解决方案：

# 重新创建虚拟环境
python -m venv .venv --clear
source .venv/bin/activate  # 或 .venv\Scripts\activate
pip install -r requirements.txt

日志分析

系统运行日志保存在flood_risk_web.log文件中，包含详细的错误信息和调试信息。遇到问题时可以查看日志文件获取更多信息。

贡献指南

代码贡献

欢迎提交Pull Request来改进项目。请遵循以下规范：

代码风格：遵循PEP 8 Python编码规范
文档更新：修改代码时同步更新相关文档
测试验证：确保修改不会破坏现有功能

问题报告

发现bug或有改进建议时，请通过GitHub Issues提交，包含：

问题描述
复现步骤
期望行为
环境信息

功能请求

如果有新的功能需求，欢迎提出建议，包括：

功能描述
使用场景
预期效果

许可证信息

本项目采用MIT许可证，允许自由使用、修改和分发。详见LICENSE文件。

联系方式

项目主页：GitHub Repository
问题反馈：GitHub Issues
技术支持：项目维护团队

更新日志

v1.0.0 (当前版本)

初始版本发布
支持SSD300和YOLOv11检测模型
支持DeepLabV3和YOLOv11分割模型
提供Web界面和API接口
完整的文档和安装指南

注意：本系统为研究用途，在实际应用前请进行充分的测试和验证。