[发明专利]一种基于水体覆盖特征识别的山间溪流量测验方法在审
申请号: | 202211326306.7 | 申请日: | 2022-10-25 |
公开(公告)号: | CN115546561A | 公开(公告)日: | 2022-12-30 |
发明(设计)人: | 段凯;方晨琦;许景锋;郑籽盈;钟启瑞;袁亘宇 | 申请(专利权)人: | 中山大学 |
主分类号: | G06V10/764 | 分类号: | G06V10/764;G06V10/774;G06V10/82;G06V20/10;G06V10/56;G06V10/30;G06N3/04;G06N3/08 |
代理公司: | 广州三环专利商标代理有限公司 44202 | 代理人: | 江嘉玲 |
地址: | 510275 *** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 水体 覆盖 特征 识别 山间 溪流 测验 方法 | ||
1.一种基于水体覆盖特征识别的山间溪流量测验方法,其特征在于,包括以下步骤:
获取特定时间段内目标山间溪流的溪流图像样本及其对应的流量值,对所述溪流图像样本进行预处理,获取预处理后的溪流图像样本的RGB信息矩阵;
通过卷积神经网络模型提取所述RGB信息矩阵中的图像特征数据,所述卷积神经网络模型为最后三层依次是一个全连接层、一个激活层和一个分类层的AlexNet深度卷积神经网络,所述图像特征数据为目标山间溪流的水体覆盖特征;
将预处理后的溪流图像样本按照所述流量值划分的流量分类值进行分类,并为每个溪流图像样本赋予一个流量分类标签,将包含流量分类标签的溪流图像样本构建数据集,并将所述数据集划分为训练集和验证集;
通过所述训练集对所述卷积神经网络模型进行训练,得到各流量分类标签对应的分类概率,并根据分类概率最大的流量分类标签,构建所述RGB信息矩阵与流量分类标签概率之间的关系映射表;
获取待测验溪流图像样本,提取预处理后的所述待测验溪流图像样本的RGB信息矩阵,并将所述待测验溪流图像样本的RGB信息矩阵输入至所述卷积神经网络模型中进行识别,并根据所述关系映射表得到所述待测验溪流图像样本的RGB信息矩阵对应的流量分类标签,流量分类标签对应的流量值即为所述待测验溪流图像样本对应的溪流流量。
2.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法,其特征在于,所述特定时间段以不同流态、不同季节或不同水文情势为周期进行划分。
3.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法,其特征在于,所述对所述溪流图像样本进行预处理,获取预处理后的溪流图像样本的RGB信息矩阵,包括:
提取所述溪流图像样本中的河道区域;
通过设置设定阈值增强所述河道区域的明暗与色彩对比度;
对所述溪流图像样本中的河道区域进行平滑、降噪处理,将所述溪流图像样本的红、绿、蓝三通道值提取为所述RGB信息矩阵。
4.根据权利要求3所述的一种基于水体覆盖特征识别的山间溪流量测验方法,其特征在于,通过小波变换对所述溪流图像样本的河道区域进行降噪处理:
通过以下公式进行小波变换:
式中,w为小波系数,λ为设定阈值,sign为符号函数,α为折中系数,取值在(0,1)之间;
设定阈值计算公式如下:
式中,j是小波分解的尺度,dj(k)是小波分解系数,median为中位数函数,M、N分别为溪流图像样本的长宽分辨率。
5.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法,其特征在于,所述将预处理后的溪流图像样本按照所述流量值划分的流量分类值进行分类,并为每个溪流图像样本赋予一个流量分类标签,将包含流量分类标签的溪流图像样本构建数据集,并将所述数据集划分为训练集和验证集,包括:
按照梯度将所述溪流图像样本对应的流量值划分为流量分类值;
将预处理后的溪流图像样本按照所述流量分类值进行分类,为每个溪流图像样本赋予一个流量分类标签;
将包含流量分类标签的溪流图像样本构建为数据集,并按照预设比例划分为训练集和验证集。
6.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法,其特征在于,所述通过所述训练集对所述卷积神经网络模型进行训练,得到各流量分类标签对应的分类概率,包括:
将ReLU函数作为卷积层的激活函数,挑选并传递所述图像特征数据;
将Softmax函数作为输出层的激活函数,将所述图像特征数据压缩为特征向量;
通过以下公式计算溪流图像样本包含的流量分类标签对应的分类概率:
式中,x为图像特征数据对应的特征向量,y为流量分类标签,n为流量分类标签的数量,h(x,yi)为线性连接函数,P(y|x)为流量分类标签的分类概率。
7.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法,其特征在于,通过动量随机梯度下降法对所述卷积神经网络进行训练,通过反向传播算法优化所述卷积神经网络模型的权重,并选取各个神经元的最优权重连接溪流图像样本的RGB信息矩阵和流量分类标签概率。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中山大学,未经中山大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211326306.7/1.html,转载请声明来源钻瓜专利网。