[发明专利]一种基于深度学习的河流表面流速检测方法

权利要求书

1.一种基于深度学习的河流表面流速检测方法，其特征在于：包括如下步骤：

S1、获取带有训练结果标签的河流表面的图像数据；

S2、对数据进行预处理，生成训练集和验证集；

S3、利用卷积神经网络搭建河流表面流速图像分类神经网络：

步骤S3.1：构建神经卷积网络框架，该网络框架由一个输入层、五个卷积层、三个池化层、三个全连接层、一个隐层和一个Softmax层组成；

步骤S3.2：第一个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第一个池化层，优选的，池化方式选择最大值；

步骤S3.3：第一个池化层后接第二个卷积层，第二个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第二个池化层，优选的，池化方式选择最大值；

步骤S3.4：第二个池化层后接第三个卷积层，第三个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层；

步骤S3.5：上一Relu层后接第四个卷积层，第四个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层；

步骤S3.6：上一Relu层后接第五个卷积层，第五个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第三个池化层，优选的，池化方式选择最大值；

步骤S3.7：第三个池化后接全连接层FC-6，并在全连接层后接Maxout激活函数和Dropout函数；

全连接层FC-7参数设置和FC-6一致；

步骤S3.8：在全连接层的FC-7和FC-8层之间增加一个隐层H，隐层神经元个数为128，隐层H后接一个Sigmoid激活函数，把输出控制位{0，1}；

步骤S3.9：FC-8层输出节点数根据具体分类类别设定

S3、对河流表面流速图像分类神经网络进行训练及测试；

S4、利用计算机视觉算法检测单张河流表面的流速。

2.根据权利要求1所述的一种基于深度学习的河流表面流速检测方法，其特征在于：步骤S1采用的河流表面流速数据采集步骤为：

步骤S1.1：选取目标河流并勘察，若河流有桥或码头，则将摄像头安装于桥或码头，若河流无桥或码头，则选取平坦河流树立支架安装摄像头，调整摄像头角度使其捕获的画面仅有河流表面图像，无河岸杂物；

步骤S1.2：抽样选取各个时间段，各种天气条件以及洪水高发期等特殊时期，拍摄河流表面的视频，并用现场设备测取拍摄每段视频的河流流速。

3.根据权利要求1所述的一种基于深度学习的河流表面流速检测方法，其特征在于：步骤S2具体过程如下：

步骤S2.1：利用python代码隔帧截取视频图像，将同一段视频截取的图像归为同一流速，建立图像和流速关系映射表；

步骤S2.2：对流速进行范围性分类并用数字标记（0，1，2，...）每个类别，对照图像与流速映射表，依次对所属流速范围图片进行类别标记，作为训练集和验证集的类别标签；

步骤S2.3：随机将所有数据集分为训练集和验证集，训练集和验证集的比例取10：1；

步骤S2.4：利用Python代码将图像和对应的标签转换成卷积神经网络能识别的数据类型：LMDB格式的输入文件。