本發(fā)明涉及一種利用圖像識別水流測速的方法，具體涉及一種利用卷積神經(jīng)網(wǎng)絡(luò)算法對河流表面圖片進(jìn)行識別分類，得出該圖片狀態(tài)下所對應(yīng)的河流流速的方法，屬于計算機(jī)視覺和河流檢測領(lǐng)域。

背景技術(shù)：

我國江河眾多，做好河流流速測量工作對預(yù)防洪澇災(zāi)害，保護(hù)國家和人民的財產(chǎn)安全具有重要意義。傳統(tǒng)的浮標(biāo)測量流速方法在面對洪水時，常常面臨著浮標(biāo)被沖走的問題，增加了測量過程的不穩(wěn)定性。測量過程中，往往需要人工投放浮標(biāo)，多人配合計算浮標(biāo)流過距離和時間來計算河流的流速。高洪期間測量不便，并且不能保證測量人員的生命安全。

隨著計算機(jī)視覺技術(shù)、人工智能技術(shù)的快速發(fā)展，使得基于圖像的非接觸式水面流速測量方法成為可能。本方法僅需要通過攝像頭獲取河流表面圖片，利用深度學(xué)習(xí)算法進(jìn)行圖像分類得出對應(yīng)的水流流速，提高了河流流速測量的便捷性、穩(wěn)定性和洪水高發(fā)期測量的安全性。卷積神經(jīng)網(wǎng)絡(luò)能夠隱式地從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)特征，避免了顯式的特征抽取，在對無規(guī)律、無顯著特征的水面圖像做分類時，具有較大的優(yōu)勢。因此，利用卷積神經(jīng)網(wǎng)絡(luò)算法對河流表面圖片進(jìn)行識別分類，能夠有效地區(qū)分不同流速下的水流圖片，得出該圖片狀態(tài)下的水流流速。

技術(shù)實現(xiàn)要素：

本發(fā)明要改善以往浮標(biāo)法的弊端，避免與河流的接觸，采用非接觸式的攝像頭，獲取大量河流不同狀態(tài)下的表面圖像。采用市場上已有的浮標(biāo)或流速儀測量每張圖像對應(yīng)的流速，根據(jù)精確度需要，將流速類別化，獲取大量圖像后，依據(jù)圖像所對應(yīng)流速的類別標(biāo)記圖像，并對圖像進(jìn)行預(yù)處理，生成訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，之后再次需要測量流速時，只需攝像頭拍攝下當(dāng)時河流表面的圖片，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對該圖片進(jìn)行分類，與該圖片相同概率最高的類別圖片的流速，即為此時河流的流速。

本發(fā)明的一種基于卷積神經(jīng)網(wǎng)絡(luò)圖像識別的水流測速方法，具體步驟如下：

1.選取目標(biāo)河流，于河流邊安全位置安裝攝像頭，調(diào)整攝像頭角度對準(zhǔn)河流表面，并保證拍攝鏡頭中僅有河流表面，無岸邊雜物。

2.選取不同時間段的各種天氣條件下，拍攝河流表面的視頻，并由工作人員用現(xiàn)有設(shè)備測取拍攝每段視頻時大致的河流流速。利用視頻軟件逐幀截取圖片，根據(jù)圖片和對應(yīng)流速的映射關(guān)系，建立圖片與流速關(guān)系表。

3.選取各種流速圖片進(jìn)行預(yù)處理，分別作為圖片樣本的訓(xùn)練集和測試集；對流速進(jìn)行范圍性分類并標(biāo)記每個類別，分析圖片與流速關(guān)系表，依次對相應(yīng)流速范圍的圖片劃分類別，分別作為圖片樣本的訓(xùn)練類別標(biāo)簽和測試類別標(biāo)簽。

4.搭建卷積神經(jīng)網(wǎng)絡(luò)模型，用第三步所得的樣本數(shù)據(jù)訓(xùn)練并調(diào)整卷積神經(jīng)網(wǎng)絡(luò)，使誤差達(dá)標(biāo)。

5.繼續(xù)拍攝河流表面圖片，經(jīng)由第三步預(yù)處理后，將該圖片輸入卷積神經(jīng)網(wǎng)絡(luò)模型，輸出該圖片的流速類別標(biāo)簽，該標(biāo)簽所對應(yīng)的流速范圍即為該圖片的流速范圍。

盡管本方法在前期收集視頻、圖片和流速時，需要投入不少人力與時間成本，但在完成前期準(zhǔn)備工作后，可以更加方便快捷地進(jìn)行流速測量工作，能夠節(jié)省更多的人力、物力與時間成本。

本發(fā)明的優(yōu)點是：方便快捷，節(jié)省人力、物力與時間成本，

附圖說明

圖1是本發(fā)明的設(shè)備安裝示意圖

圖2是本發(fā)明的樣本圖片采集流程圖

圖3是本發(fā)明的實驗?zāi)Ｐ陀?xùn)練流程圖

圖4是本發(fā)明的實際測量流程圖

具體實施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。

本發(fā)明的一種基于卷積神經(jīng)網(wǎng)絡(luò)圖像識別的水流測速方法，具體包括如下步驟：

步驟1(設(shè)備安裝階段)：如圖1所示，選取目標(biāo)河流并勘察，若河流有橋或碼頭，則將攝像頭安裝于橋或碼頭，若河流無橋或碼頭，則選取平坦河岸樹立支架，安裝攝像頭。攝像頭通過視頻線連接水電站主機(jī)，該主機(jī)需安裝視頻采集卡。攝像頭選擇球機(jī)以方便調(diào)整攝像頭角度對準(zhǔn)河流表面，調(diào)試攝像頭，使其捕獲的畫面僅有河流表面圖像，無河岸雜物。如有必要，與拍攝區(qū)域安裝照明燈，用于夜間的拍攝工作。

步驟2(樣本圖片采集階段)：如圖2所示，抽樣選取各個時間段、各種天氣條件以及洪水高發(fā)期等特殊時期，拍攝河流表面的視頻，由工作人員使用流速測量儀跟蹤浮標(biāo)，記錄每段視頻對應(yīng)時刻的河流流速。利用視頻軟件逐幀截取圖片，同一段視頻截取的圖片劃歸為同一流速。根據(jù)圖片和流速的映射關(guān)系，建立圖片與流速關(guān)系映射表。

步驟3(建立樣本數(shù)據(jù)階段)：如圖3所示，選取3000張各個流速狀態(tài)的圖片，根據(jù)流速測量的精度要求和洪水預(yù)防的警報線要求，對流速進(jìn)行范圍性分類并用數(shù)字標(biāo)記每個類別(對流速分類越細(xì)致則測量精度越高)，對照圖片與流速映射表，依次對所屬流速范圍的圖片進(jìn)行類別標(biāo)記，作為訓(xùn)練樣本集的類別標(biāo)簽；將圖片轉(zhuǎn)換為同樣格式，對圖片進(jìn)行灰度化、直方圖均衡、對比度增強等圖片預(yù)處理操作，并保存為訓(xùn)練樣本集。選取1000張各個流速狀態(tài)的圖片，再次進(jìn)行上述操作，得到測試樣本集的類別標(biāo)簽和測試樣本集。

步驟4(訓(xùn)練分類器階段)：如圖3所示，搭建卷積神經(jīng)網(wǎng)絡(luò)初步結(jié)構(gòu)模型，用步驟3所得的樣本數(shù)據(jù)訓(xùn)練并測試調(diào)整卷積神經(jīng)網(wǎng)絡(luò)模型。

其中卷積神經(jīng)網(wǎng)絡(luò)模型相關(guān)描述如下：

本網(wǎng)絡(luò)模型依次由輸入層、卷積層、池化層、卷積層、池化層、輸出層組成。輸入層為訓(xùn)練數(shù)據(jù)，卷積層(C層)為特征提取層，池化層(S層)位于卷積層后，是一個二次提取的計算層；第二個S層，即完成了對原始數(shù)據(jù)的特征提取后，把S層的特征數(shù)據(jù)進(jìn)行向量化，然后連接到分類器，經(jīng)輸出層輸出類別結(jié)果。

卷積層用卷積核(一個特征矩陣)在圖像矩陣上游走，在對應(yīng)位置元素相乘，再把相乘的結(jié)果相加，最后相加的結(jié)果形成新的圖像矩陣，游走完成后即完成了對原始圖像的卷積變換，形成此卷積核下的特征提取。(本網(wǎng)絡(luò)模型的卷積核大小為5*5)。在通過卷積獲得了特征之后，對特征矩陣分區(qū)域進(jìn)行平均值池化，降低特征維度。

輸出層輸出實際類別，與樣本的類別標(biāo)簽對比，反向調(diào)整權(quán)值，直至實際輸出與類別標(biāo)簽盡可能接近，調(diào)整迭代次數(shù)直至誤差函數(shù)收斂。

卷積神經(jīng)網(wǎng)絡(luò)包含前向傳播與反向傳播兩個過程。

前向傳播將上一層的輸出加權(quán)求和后，經(jīng)由激活函數(shù)輸出結(jié)果，該結(jié)果又作為下一層的輸入，繼續(xù)加權(quán)求和，由激活函數(shù)輸出，如此反復(fù)，直到網(wǎng)絡(luò)模型最后的輸出層。假設(shè)當(dāng)前層為l層，當(dāng)前層的輸出結(jié)果為a^(l),W表示權(quán)值，b表示偏置，下一層則為l+1層，l層的輸出結(jié)果a^(l),加權(quán)求和得到z^(l+1)作為l+1層的輸入，得到該層的輸出a^(l+1)，激活函數(shù)f(·)為sigmod函數(shù)。計算公式如下：

z^(l+1)＝W^(l)a^(l)+b^(l)

a^(l+l)＝f(z^(l+1))

接下來，通過反向傳播調(diào)整網(wǎng)絡(luò)模型的權(quán)值W和偏置b。反向傳播的核心是使代價函數(shù)J(W，b)最小化，從而使得誤差更小。具體計算過程如下：

(1)代價函數(shù)計算公式：

$J(W,b;x,y)=\frac{1}{2}{||h_{W,b}\left(x\right)-y||}^2.$

其中h_W，b(x)為前向傳播的實際輸出結(jié)果，y為對應(yīng)的樣本標(biāo)簽，即期望輸出。

(2)對于第n_l層(輸出層)的每個輸出單元i，我們根據(jù)以下公式計算其殘差

${\mathrm{\δ}}^{\left(n_l\right)}=-(y-a^{\left(n_l\right)})\·f^{\′}\left(z^{\left(n_l\right)}\right)$

(3)對l層(中間層)的第i個節(jié)點的殘差δ^(l)的計算公式為：

δ^(l)＝((W^(l))^Tδ^(l+1))·f′(z^(l))

(4)計算我們需要的偏導(dǎo)數(shù)，計算公式為：

${\▿}_{W^{\left(l\right)}}J(W,b;x,y)={\mathrm{\δ}}^{(l+1)}{\left(a^{\left(l\right)}\right)}^T,$

${\▿}_{b^{\left(l\right)}}J(W,b;x,y)={\mathrm{\δ}}^{(l+1)}.$

(5)更新權(quán)值參數(shù)：

${\mathrm{\ΔW}}^{\left(l\right)}:={\mathrm{\ΔW}}^{\left(l\right)}{\▿}_{W^{\left(l\right)}}J(W,b;x,y)$

${\mathrm{\Δb}}^{\left(l\right)}:={\mathrm{\Δb}}^{\left(l\right)}+{\▿}_{b^{\left(l\right)}}J(W,b;x,y)$

$W^{\left(l\right)}=W^{\left(l\right)}-\mathrm{\α}\[\left(\frac{1}{m}{\mathrm{\ΔW}}^{\left(l\right)}\right)+{\mathrm{\λW}}^{\left(l\right)}\]$

$b^{\left(l\right)}=b^{\left(l\right)}-\mathrm{\α}\[\frac{1}{m}{\mathrm{\Δb}}^{\left(l\right)}\]$

其中α是學(xué)習(xí)速率，m為數(shù)據(jù)集的樣例個數(shù)，λ為權(quán)重衰減參數(shù)，用于控制公式中兩項的相對重要性。

接著重復(fù)以上迭代步驟，不斷更新權(quán)值與偏置，減小J(W，b)的值，進(jìn)而得出完整的卷積神經(jīng)網(wǎng)絡(luò)。

步驟5(實際測量階段)：如圖4所示，繼續(xù)拍攝河流表面圖片，經(jīng)由第三步所述方法處理圖片，并將圖片傳入第四步中訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)分類后得出該圖片類別標(biāo)簽，該類別標(biāo)簽所對應(yīng)的流速范圍即為該圖片的流速范圍。

如上所示，根據(jù)本發(fā)明，可以提供一種基于卷積神經(jīng)網(wǎng)絡(luò)圖像識別的水流測速方法。

本說明書實施例所述的內(nèi)容僅僅是對發(fā)明構(gòu)思的實現(xiàn)形式的列舉，本發(fā)明的保護(hù)范圍不應(yīng)當(dāng)被視為僅限于實施例所陳述的具體形式，本發(fā)明的保護(hù)范圍也及于本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明構(gòu)思所能夠想到的等同技術(shù)手段。