[发明专利]基于神经网络的视频监控测浪装置、系统及模型训练方法

权利要求书

1.一种基于神经网络的视频监控测浪装置，其特征在于，包括：视频矩阵(1)，所述视频矩阵(1)包括计算处理模块(11)和存储模块(12)，所述存储模块(12)与所述计算处理模块(11)通信连接；

还包括安装壳体(2)、拍摄镜头(3)以及无线通信模块(4)，所述拍摄镜头(3)装设于所述安装壳体(2)上，所述拍摄镜头(3)用于拍摄海浪的景象；

所述计算处理模块(11)与所述拍摄镜头(3)通信连接，所述计算处理模块(11)用于对拍摄镜头(3)拍摄的影像进行模型训练并构建卷积神经网络训练模型，通过卷积神经网络训练模型预测海浪波高及周期，所述存储模块(12)用于存储构建的卷积神经网络训练模型；

所述无线通信模块(4)装设于所述拍摄镜头(3)的内部并与所述计算处理模块(11)通信连接，所述无线通信模块(4)用于将存储的神经网络模型预测的海浪波高及周期上传至终端设备进行展示。

2.如权利要求1所述的基于神经网络的视频监控测浪装置，其特征在于，所述安装壳体(2)内部设置有驱动机构(21)，所述驱动机构(21)与所述拍摄镜头(3)连接。

3.如权利要求1所述的基于神经网络的视频监控测浪装置，其特征在于，所述驱动机构(21)包括驱动件(211)、主动轮(212)、从动轮(213)、传动带(214)以及销轴(215)，所述主动轮(212)装设于所述驱动件(211)上，所述传动带(214)套设于所述主动轮(212)和从动轮(213)上，所述销轴(215)装设于所述主动轮(212)上与所述拍摄镜头(3)和安装壳体(2)的安装耳(20)连接。

4.如权利要求1所述的基于神经网络的视频监控测浪装置，其特征在于，所述基于神经网络的视频监控测浪装置还包括太阳能板(5)以及储能电池(6)；所述太阳能板(5)与所述驱动件(211)、拍摄镜头(3)、计算处理模块(11)、存储模块(12)、无线通信模块(4)以及储能电池(6)电性连接。

5.如权利要求1所述的基于神经网络的视频监控测浪装置，其特征在于，所述安装壳体(2)内部具有第一收容腔(216)以及第二收容腔(217)，所述第一收容腔(216)和第二收容腔(217)相互分隔，所述驱动机构(21)安装于所述第一收容腔(216)内，所述第二收容腔(217)开设有通孔(218)，所述第二收容腔(217)内设置有温湿度传感器(219)，所述温湿度传感器(219)与所述无线通信模块(4)电性连接。

6.如权利要求1所述的基于神经网络的视频监控测浪装置，其特征在于，所述拍摄镜头(3)的壳体内壁上粘附有耐高温塑料层。

7.一种基于卷积神经网络的视频监控系统，其特征在于，包括如权利要求1-6任一项所述的基于卷积神经网络的智能视频监控。

8.一种如权利要求1-6中任一项基于神经网络的视频监控测浪装置的模型训练方法，其特征在于，包括：S1：数据预处理；

所述数据预处理还包括步骤S11：数据集标注；

所述计算处理模块(11)加载拍摄镜头(3)拍摄的影像，将影像信息按照固定的时间提取连续影像帧的图像集；

按照海浪在该影像段中的变化范围、持续性周期以及波长记录作为参考，对影像帧的图像集分别标注构建数据集，并且将构建的数据集按照比例7:3分为训练集和测试集；

步骤S12：数据增强；

翻转和旋转；

裁剪；

缩放；

步骤S2：模型设计；

设输入的特征图F尺寸为(D_F，D_F，M)，采用的标准卷积为(D_K，D_K，M，N)，输出特征图尺寸G为(D_G，D_G，N)，标准卷积的计算公式为：

输入的通道数为M，输出的通道数为N，对应的计算量为D_F·D_F·M·N·D_K·D_K，将标准卷积(D_K，D_K，M，N)拆分为深度卷积和逐点卷积：其中，D_F表示输入特征图的尺寸，D_K表示卷积的尺寸，D_G表示输出特征图的尺寸，D_G表示输出特征图的尺寸，K表示卷积，F表示输入特征图矩阵，G表示输出特征图矩阵，M表示输入通道数，N表示输出通道数；1表示共享权重，n表示通道数，i表示矩阵中卷积核位置，j表示矩阵y维度坐标，m表示矩阵中通道坐标；

深度卷积的尺寸为(D_K，D_K，1，M)，输出特征为(D_G，D_G，M)；

逐点卷积的尺寸为(1，1，M，N)，得到最终输出为(D_G，D_G，N)；

深度卷积的卷积公式为：

其中是深度卷积，卷积核为(D_K，D_K，1，M)，其中第m个卷积核应用在F中第m个通道上，产生上第m个通道输出，深度卷积和逐点卷积计算量为D_K·D_K·M·D·D_F+M·N·D_F·D_F；其中，D_F表示输入特征图的尺寸，D_K表示卷积的尺寸，D_G表示输出特征图的尺寸，D_G表示输出特征图的尺寸，K表示卷积，F表示输入特征图矩阵，G表示输出特征图矩阵，M表示输入通道数，N表示输出通道数；1表示共享权重，n表示通道数，i表示矩阵中卷积核位置，j表示矩阵y维度坐标，m表示矩阵中通道坐标；

计算量减少了:

步骤S3：模型训练；

模型训练的参数使用k层交叉检验的方式对参数进行确定，将参数进行取值，对于取定的参数便将原始数据分成K组，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，得到K个模型；

用这K个模型最终的验证集的分类准确率的平均数作为当前参数分类器的性能指标，生成卷积神经网络训练模型；

步骤S4：模型保存。