[发明专利]一种基于深度学习的河流表面流速检测方法

说明书

本发明公开了一种基于深度学习的河流表面流速检测方法，包括步骤：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：S4、对河流表面流速图像分类神经网络进行训练及测试；S5、利用计算机视觉算法检测单张河流表面的流速。本发明构建的河流表面流速图像分类神经网络具有高检测精度，只需要使用摄像头拍摄下当时河流表面的图片，利用流速检测模型对图片进行分类，与该图片相同概率最高的类别图片的流速，即为此时河流的表面流速。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于深度学习的河流表面流速检测方法。本发明可以实现对河流表面流速的快速检测，本发明方法主要解决了现有非接触式河流表面流速测量技术效果差的问题。

背景技术

我国江河众多，做好河流流速测量工作对预防洪涝灾害，保护国家和人民财产安全具有重要意义。传统的浮标测量流速的方法在面对洪水时，常常面临着浮标被冲走的问题，增加了测量过程的不稳定性。测量过程中，往往需要人工投放浮标，多人配合计算浮标流过距离和时间来计算河流的流速，面临着许多不确定性，会对测量人员的生命安全造成极大的隐患。

随着计算机视觉技术、人工智能技术的快速发展，使得基于图像的非接触式水面流速测量方法成为可能。例如201610517559.0公开了一种基于卷积神经网络图像识别的水流测速方法，本方法仅需要通过摄像头获取河流表面图像，输入到卷积神经网络模型中，利用深度学习算法进行图像分类得出对应的水流速度，提高了河流流速测量的便捷性、稳定性和洪水高发期测量的安全性。卷积神经网络能够隐式地从训练数据中学习特征，避免了显式的特征提取，对于无规律、无显著特征的水面图像做分类时，具有较大的优势。因此利用深度学习算法对河流表面图像进行识别分类，能够有效地区分不同流速下的水流图片，得出该图片状态下的水流流速。

该方法的卷积神经网络模型虽然具有较好的效果，但是检测精度仍然有待提升。

发明内容

本发明的目的在于一种基于深度学习的河流表面流速检测的方法，通过卷积神经网络模型，提高了检测精度。

本发明的一种基于深度学习的河流表面流速检测的方法，具体步骤如下：

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；