1.一种基于视觉识别技术的城市道路积水深度预测及预警方法，其特征在于，包括如下步骤：步骤1：构建标尺特征物的目标检测模型，所述检测模型采用YOLO v3深度学习模型构建标尺特征物的目标检测模型；

步骤2：采集交通路口监控视频，对视频图像进行预处理后进行标尺特征物目标检测，并对检测结果图像进行畸变矫正和反透视变换，获得标尺特征物的正视图；

步骤3：根据步骤2中标尺特征物正视图对其进行二值化处理和像素特征识别，并利用比例测算方法计算各位置点积水深度；

所述步骤3中计算各位置点积水深度的具体方法为：

S3.1：根据步骤2中标尺特征物正视图建立不同颜色色带交接处的局部图片模板；

S3.2：读取目标检测采集的特征物图片，用OpenCv的cv2.matchTemplate函数匹配出第一个红白或其他颜色间隔的区域位置，从而确定间隔线的位置；

S3.3：对图片进行二值化处理，从第一条红白相间或者其它颜色相间的间隔线开始，像素点循环找到红白或者其它颜色相间区域的最开始位置，从而确定第一条色带的图上高度c；

S3.4：通过OpenCv读取整体图片的高，获得图片底边所在的位置，再根据S3.3得到的色带顶部的位置，两者相减得到图上色带顶端到底部的图上高度x；

S3.5：结合特定类别标尺特征物的已知尺寸，通过比例测算计算积水深度，具体计算公式为：其中，D为积水深度；H为抓取的标尺特征物顶端距离地面的实际高度；S为标尺特征物单个色带的宽度；x为图中第一个色带顶部到底边的图上高度；c为第一个色带的图上高度；

步骤4：构建基于WebGIS的积水深度产品分析平台，将步骤3中的各位置积水深度利用热力图方式展示在平台上；

步骤5：根据已有的积水深度数据，构建时间序列模型，利用采集的多次降雨量和积水深度数据，预测下一时间段的积水深度。

2.根据权利要求1所述的基于视觉识别技术的城市道路积水深度预测及预警方法，其特征在于，所述步骤1中构建目标检测模型及基本方法为：S1.1：采集城市交通路口具有标尺特征的物体图像，进行类别划分，测量不同标尺特征物的特征尺寸，具体类别包括警示柱、交通指示杆和信号灯柱标尺特征物，特征尺寸主要包括色带高度、顶端色带与地面的距离；

S1.2：用LabelImg标注图片，获得与图片相匹配的.txt格式的标注文件；

S1.3：Python脚本文件将采集的图片制作成训练数据集文件“train.txt”和测试数据集文件“test.txt”；

S1.4：将S1.3中的数据集文件输入YOLO v3深度学习模型，完成目标检测模型训练和测试。

3.根据权利要求1所述的基于视觉识别技术的城市道路积水深度预测及预警方法，其特征在于，所述步骤2中视频图像进行预处理包括将视频图像转换为一帧一帧的图片数据集，并对图片数据利用基于GAN网络的去雨算法进行去雨处理。

4.根据权利要求1所述的基于视觉识别技术的城市道路积水深度预测及预警方法，其特征在于，所述步骤2中进行标尺特征物目标检测的具体方法为：S2.1：读取图片数据集，传入步骤1训练好的目标检测模型中检测，将图片中的标尺特征物物体进行框选，并标识其标尺类别；

S2.2：根据S2.1中目标检测结果，抓取标尺特征物的局部区域图片；

S2.3：采用OpenCV的projectPoints函数对局部区域图片进行畸变矫正和反透视变换，获得标尺特征物的正视图。

5.根据权利要求1所述的基于视觉识别技术的城市道路积水深度预测及预警方法，其特征在于，所述步骤3中计算各位置点积水深度的具体方法为：S3.1：根据步骤2中标尺特征物正视图建立不同颜色色带交接处的局部图片模板；

S3.2：读取目标检测采集的特征物图片，用OpenCv的cv2.matchTemplate函数匹配出第一个红白或其他颜色间隔的区域位置，从而确定间隔线的位置；

S3.3：对图片进行二值化处理，从第一条红白相间或者其它颜色相间的间隔线开始，像素点循环找到红白或者其它颜色相间区域的最开始位置，从而确定第一条色带的图上高度c；

S3.4：通过OpenCv读取整体图片的高，获得图片底边所在的位置，再根据S3.3得到的色带顶部的位置，两者相减得到图上色带顶端到底部的图上高度x；

S3.5：结合特定类别标尺特征物的已知尺寸，通过比例测算计算积水深度，具体计算公式为：其中，D为积水深度；H为抓取的标尺特征物顶端距离地面的实际高度；S为标尺特征物单个色带的宽度；x为图中第一个色带顶部到底边的图上高度；c为第一个色带的图上高度。

6.根据权利要求1至5任一所述的基于视觉识别技术的城市道路积水深度预测及预警方法，其特征在于，所述积水深度产品分析平台进行热力图方式展示的具体方法为：S4.1：对标尺性构筑物进行ID标注，将站点水深数据与站点ID进行匹配，通过java调用站点及站点属性，在WebGIS上进行站点水深展示；

S4.2：基于站点水深数据，利用站点拟合技术进行积水量模拟运算，实现任意区域、不同等级的格点插值，格点数据以JavaScript Object Notation数据格式进行存储，道路进行分段标注，根据道路段ID，将路段与属性进行匹配，最终采用Leaflet、Canvas等技术搭建了WebGIS框架，将水深站点数据、道路格点数据叠加地理信息统一展示。

7.根据权利要求6所述的基于视觉识别技术的城市道路积水深度预测及预警方法，其特征在于，所述步骤S4.1中在WebGIS上进行站点水深展示的方法为：用带颜色的圆点表示不同程度的积水，根据积水深度分为不同等级：

1)轻微积水0～10cm，使用蓝色标注；

2)轻度积水10～15cm，使用黄色标注；

3)中度积水15～30cm，使用橙色标注；

4)重度积水>30cm，使用红色。