[发明专利]一种基于深度学习的洪水演进过程淹没范围测量方法

说明书

本发明公开了一种基于深度学习的洪水演进过程淹没范围测量方法，首先布置摄像头用来采集整个试验河道的视频数据；然后通过摄像头棋盘格标定法对摄像头进行标定矫正透视畸变效果；并从视频数据中提取不同时间点图像数据；进而构建洪水试验淹没范围样本库；通过Labelme标注工具对样本进行一次标注；最后采用MASK R‑CNN图像实例分割算法实现淹没范围的自动分割识别；通过拼接识别图片得到整个试验河道的淹没范围变化。本发明具有经济成本低、智能化程度高、效率高、精度高、应用性强等优点，从而可用于洪水演进试验中获取淹没范围数据的提取。

技术领域

本发明属于数据监测技术领域，涉及一种基于深度学习的洪水演进过程淹没范围测量方法。

背景技术

洪水作为一种自然灾害，其发生概率高、范围广、危害大，可能造成重大人员伤亡和财产损失。采用数值模型越来越应用于模拟洪水传播越来越广泛。然而，这些模型的验证主要是通过比较不同的模型预测，或通过实地调查与试验的个别测点水深数据作为验证依据，而缺乏洪水演进过程中淹没范围空间变化数据。

在传统的洪水演进过程中，主要采用布置在河道内的水位传感器、流速仪等来监测个别测点数据。该方式只能监测测点处的信息，无法获取试验过程中整个试验流道信息的变化。同时该方法要求布置大量的监测仪器设备，设备的安装、调试及养护十分繁琐，且将仪器放入水中势必会对水流造成一定的干扰。从而影响测量结果的准确性，因此采用提取淹没范围数据的方式可避免干扰水流。

现有的淹没范围提取大多先采用试验现场拍照提取图片数据，然而当试验河道较大时，现场试验中很难完整并同步捕获到整个河道的水面信息，且需要大量的工作人员和高清相机进行图像数据采集。对于采集到的图像数据，需采用人工标识别边界的方法，对获得的数据一张一张的进行识别处理。该方法要求科研人员花费大量的时间与精力进行数据处理，通过目视判读并手动提取，难以方便高效的处理水面试验数据。

为克服传统试验中图像数据采集困难和高清相机成本较高，以及数据处理效率低的缺点，自动采集数据及高效的自动识别的方法开始受到人们的关注。采用监控摄像头来代替传统的人工拍照，并利用深度学习技术来自动识别淹没范围的变化，同时可有效的避免传统对流场的扰动。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于深度学习的洪水演进过程淹没范围测量方法，解决了现有技术中存在的现有测量方法只有个别测点而没有空间范围变化测量数据，且人工数据处理的方法费时费力的问题，本方案能够便捷的提取出整个试验河道的水面视频数据，并基于摄像头透视畸变矫正、深度学习技术等自动识别洪水演进过程中淹没范围变化。

本发明所采用的技术方案是，一种基于深度学习的洪水演进过程淹没范围测量方法，首先均匀布置摄像头用来采集整个试验河道的视频数据；然后通过摄像头棋盘格标定法对摄像头通进行标定矫正透视畸变效果；并从视频数据中提取不同时间点图像数据；进而构建洪水试验淹没范围样本库；通过Labelme标注工具对样本进行一次标注；最后采用MASK R-CNN图像实例分割算法实现淹没范围的自动分割识别；通过拼接识别图片得到整个试验河道的淹没范围变化。

具体步骤如下：

步骤1，洪水演进试验水面淹没范围视频数据采集，通过在试验平台上架均匀布置一系列的监控摄像头(以正式视角照射试验台表面)，用来获取试验过程中的视频数据的采集。摄像头架设分布要均匀，照射范围要保证有重叠；

步骤2，以黑白方格相间的棋盘作为标定板，用来作为摄像头的标定物。通过对标定板在不同位置以及不同角度下采集多张图像进行标定，获取图像丰富的坐标信息；

步骤3，根据摄像头透视畸变矫正的基本原理，利用标定板采集的坐标信息及摄像头内置参数矫正摄像头；

步骤4，在步骤3的基础上，构建洪水演进试验水面淹没范围样本库。