[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

说明书

本发明涉及水文测验技术领域，公开了一种基于水体覆盖特征识别的山间溪流量测验方法，该方法针对流量小、比降大及断面形态高度复杂的山区溪流，通过卷积神经网络从溪流图像的RGB信息矩阵中提取水体覆盖范围的空间特征信息，为溪流图像赋予流量分类标签后，将携带标签的溪流图像对卷积神经网络模型进行训练，建立RGB信息矩阵与流量分类标签概率之间的关系映射表，将获取的待测验溪流图像为输入，通过卷积神经网络模型与关系映射表，得到该待测验溪流图像对应的流量，实现对山区溪流量的自动化连续观测；该方法不仅工程成本与环境成本低廉，还可快速、实时、自动化监测山区溪流量。

技术领域

本发明涉及水文测验技术领域，特别是涉及一种基于水体覆盖特征识别的山间溪流量测验方法。

背景技术

流量是指单位时间内通过特定监测断面的水流体积，传统的流量测验通常依赖于对过水断面面积与监测时段内水体平均流速的分别测量，进而计算面积与流速的乘积得到流量测验结果。在传统的流量测验中，过水断面面积被分成若干个断面区间，通过水尺测得各个断面区间的水位，并与相应的断面平均宽度相乘，计算过水断面面积，流速则使用转子流速仪监测，分别将各个断面区间的面积与流速相乘获取区间流量，既而加和求得断面总流量。基于相同的计算原理，采用超声波、光学、电磁学等原理的水位与流速监测方法也逐渐得到广泛应用。

视频测流是近年来日益受到关注的新兴技术，具有占地面积小、监测速度快、维护成本低、分辨率高等优点。现有的图像测流方法一般通过识别视频影像设备获取的图像来间接推求水位与流速，一方面，通过识别水域图片中的水面位置分布，获取水位信息，另一方面，通过提取水体表面的波纹特征，计算表层流速，并进而通过表层流速与断面平均流速之间的经验关系推算出水体的平均流速。然而，此类方法与传统方法均依赖于水位与过水断面面积之间的稳定关系，更适用于流量较大、断面地形平缓的大中型河流与人工渠道，而山区溪流由于流量小、比降大、断面形态高度复杂，水位与相应的过水断面面积难以准确衡量，因此难以应用流速-面积法测流。

发明内容

本发明提供一种基于水体覆盖特征识别的山间溪流量测验方法，解决山区溪流地形复杂、断面面积与流速难以准确衡量的问题。

为解决上述技术问题，本发明提供一种基于水体覆盖特征识别的山间溪流量测验方法，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。

进一步地，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。

进一步地，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；