[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

说明书

本发明公开了一种基于神经网络的视频监控测浪装置，包括：视频矩阵，所述视频矩阵包括计算处理模块和存储模块，所述存储模块与所述计算处理模块通信连接；所述拍摄镜头装设于所述安装壳体上；所述计算处理模块与所述拍摄镜头通信连接，所述计算处理模块用于对拍摄镜头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；所述无线通信模块装设于所述拍摄镜头的内部并与所述计算处理模块通信连接，所述无线通信模块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中进行展示，方便用户查看。

技术领域

本发明涉及视频拍摄监控设备技术领域，具体涉及一种基于神经网络的视频监控测浪装置。

背景技术

海洋观测技术是海洋资源开发和海洋权益保障的重要技术支撑，对我国的海防建设和海洋资源开发利用具有非常重要的意义。海洋波浪参数测量对海洋防灾减灾、海上运输、海洋石油和其他矿产的勘探开发、海洋渔业、海洋工程和海上军事活动等海上活动都是十分重要。传统的海洋波浪参数测量方法包括压力式测波法、声学测波仪法、波迹浮标法以及雷达测量法等，上述传统波浪测量方法存在着结构复杂、功能单一、布放困难、测量范围小、测量成本高等缺点，在海平面不断上升，风暴潮灾害进一步加剧的情况下，沿海地区用于海滨防护和抵抗岸滩侵蚀的众多海堤将面临防护不足的困境。随着计算机硬件技术和视频测量技术的高速发展，通过视频图像传感器采集海面现场视频图像，利用图像处理分析技术计算海洋波浪参数的视频测量法逐步走进人们的视线。视频测量方法主要具备测量范围广、动态响应快、测量成本低的优点，运用视频采集及编解码传输技术、计算机网络技术等智能化手段，实现海洋波浪参数的实时采集、传输、存储、显示，有效提升海洋观测、预报的管理与服务水平。

近几年随着机器学习技术的飞速发展，卷积神经网络(CNN)、循环神经网络(RNN)等深度学习算法在图像处理、自然语言处理等领域取得了显著成果。本方案通过深度学习算法对海浪视频信息进行处理分析，从数据中分析有效波高、平均波向、平均周期等海浪要素以及各要素之间的关系。Hope-V AI智能视频测波系统通过从近岸监控视频中按帧截取视频图像，构建包含静态信息的海浪静态图像数据集和动态信息的差分图像数据集，分别设计并预训练两类数据集的卷积神经网络模型，利用训练好的模型分别提取静态图像和差分图像的时间维度和空间维度的高层特征信息，通过特征映射得到融合后的特征向量，最后采用回归训练的方式实现近岸视频图像的海浪自动检测。与传统的海浪监测相比，近岸视频的优势是海浪图像数据庞大，简单易获取，构建用于训练网络模型的数据集具有较大优势，且深度学习技术学习能力强、可移植性高，对要素监测结果的准确性等都有极大提升。

常规视频测波是在获得波浪视频后对波峰和波谷的像素进行极化处理，从而获得关键的图像要素。这样的方式对于比较常见海况下的波浪监测有效，但是在大的风浪情况下，特别是台风天气下的海况，波浪会在风的作用下破碎，视频图像常常没有规律可循，导致传统视频监测方法无法获得波峰波谷信息，无法准确量化波浪信息，因此不能准确监测浪高。

鉴于此，实有必要提供一种新型的基于神经网络的视频监控测浪装置以克服上述缺陷。

发明内容

本发明的目的是提供一种基于神经网络的视频监控测浪装置，采用深度卷积神经网络模型，对每帧图像进行浪高计算，在不断变化的波浪形态中，自动学习波浪的特征，并通过多个关键要素进行计算比对，统计出一段视频中海浪的周期、最大浪高、有效波高等信息，海浪高度监测的准确度高、运行速度快。

为了实现上述目的，本发明提供一种基于神经网络的视频监控测浪装置，包括：视频矩阵，所述视频矩阵包括计算处理模块和存储模块，所述存储模块与所述计算处理模块通信连接；

还包括安装壳体、拍摄镜头以及无线通信模块，所述拍摄镜头装设于所述安装壳体上，所述拍摄镜头用于拍摄海浪的景象；