CN114529815A - 一种基于深度学习的流量检测方法、装置、介质及终端 - Google Patents
一种基于深度学习的流量检测方法、装置、介质及终端 Download PDFInfo
- Publication number
- CN114529815A CN114529815A CN202210127063.8A CN202210127063A CN114529815A CN 114529815 A CN114529815 A CN 114529815A CN 202210127063 A CN202210127063 A CN 202210127063A CN 114529815 A CN114529815 A CN 114529815A
- Authority
- CN
- China
- Prior art keywords
- water flow
- flow
- image
- detection model
- identified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 220
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 378
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的流量检测方法、装置、介质及终端，包括：获取待识别的第一水流图像；将第一水流图像输入至预设的流量检测模型，以使流量检测模型对第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据第一流态信息，输出待识别水流的第一水流流量，作为第一水流图像的流量检测结果；其中，流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，第一样本数据集中包括若干个第二水流图像、以及每个第二水流图像对应的第二水流流量。本发明利用样本数据集训练验证卷积神经网络，得到能够准确表达水流图像和水流流量的映射关系的流量检测模型，并将待识别的第一水流图像输入流量检测模型，实现流量检测。
Description
技术领域
本发明涉及水流流量检测领域，尤其涉及一种基于深度学习的流量检测方法、装置、介质及终端。
背景技术
传统的流量测验方法包括：通过分别测量断面面积与流速并计算二者之乘积的流速－面积法、通过水力学公式计算流量的水力学法、通过指示剂扩散浓度推算流量的化学法、以及直接收集水流的容积法和重量法等。其中，基于各类流速与断面面积测定技术的流速－面积法，是目前世界各国广泛使用的常规测流方法，同时也被视为率定或校核其它流量测验方法的标准。进一步地，除了传统的转子流速仪与超声波法、电磁法、光学法等方法之外，基于河流表面时空图像识别的数字化测流方法也日益引起关注。这类方法通过非接触式的视频影像监控设备获取河流表面流速信息，既而推算深层流速与过水断面的总流量，具有成本低、速度快、易于操作、不受河流含沙量限制等优点。然而，现有的图像测流方法一般适用于流量较大、地形变化较平缓的大中型河流，水体流量的计算是基于固定的过水断面面积与该断面上一维时均水流速度矢量场的测算，以及对于表面流速与深层流速之间相关关系的数学表达，难以应用于比降较大、断面形状不均匀的山区小溪流。另一方面，图像测流方法依赖于图像的准确度，在阴雨、雾霾等不利天气条件下，现有方法也难以有效实施。
现有的流量检测方法受限于地形，山区流量测验通常需借助于量水堰及相关渠系建筑物，通过测量堰顶溢流水头计算出流量。量水堰的设计、建造、与维护成本高昂，对于没有条件的地区，测流往往使用化学法或容积法，这些方法的缺点则在于步骤繁琐，需要较高的人力成本与丰富的实践经验，且难以实现自动化连续观测。
发明内容
本发明提供了一种基于深度学习的流量检测方法、装置、介质及终端，实现水流流量的自动检测，降低检测环境的受限程度，提升检测的准确度。
为了解决上述技术问题，本发明实施例提供了一种基于深度学习的流量检测方法，包括：
获取待识别的第一水流图像；
将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；其中，所述流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，所述第一样本数据集中包括若干个第二水流图像、以及每个所述第二水流图像对应的第二水流流量。
实施本申请实施例，利用实地获取的第二水流图像和对应的第二水流流量，对构建的卷积神经网络进行训练验证，以得到流量检测模型，并通过流量检测模型，对待识别的第二水流图像进行特征提取，并将特征提取结果转换为流量数据，作为第一水流图像的流量检测结果，实现对待识别的第二水流图像的自动检测，减少断面形状不均匀、比降较大等不利条件的受限程度，避免影响流量检测的准确度。
作为优选方案，所述流量检测模型的获取，具体为：
对所述待识别水流进行拍摄，获得若干个第二水流图像，并通过预设的观测方法，对所述待识别水流进行实时观测，获取所述第二水流图像对应的第二水流流量，然后以所有所述第二水流图像、以及每个所述第二水流图像对应的第二水流流量作为第一样本数据集；
构建卷积神经网络，并利用所述第一样本数据集，对所述卷积神经网络进行训练验证，形成水流图像和水流流量的映射关系，得到流量检测模型。
实施本申请实施例，分别对待识别水流进行拍摄和实时观测，获取若干个第二水流图像、以及每个第二水流图像对应的第二水流流量，作为第一样本数据集，实现对构建的卷积神经网络的训练验证，进一步提升流量检测模型的检测精度。
作为优选方案，所述构建卷积神经网络，并利用所述第一样本数据集，对所述卷积神经网络进行训练验证，形成水流图像和水流流量的映射关系，得到流量检测模型，具体为：
构建卷积神经网络，并将所述第一样本数据集分为第一数据集和第二数据集，然后利用所述第一数据集，对所述卷积神经网络进行训练，形成水流图像和水流流量的初始映射关系，得到初始流量检测模型；
将所述第二数据集中的第二水流图像输入至所述初始流量检测模型，以获得当前所述第二水流图像的流量检测结果，并根据当前所述第二水流图像的流量检测结果与当前所述第二水流图像对应的第二水流流量，计算得到所述初始流量检测模型的流量检测精度；
当所述流量检测精度达到预期值时，完成对所述卷积神经网络的训练验证，认为当前所述初始映射关系为水流图像和水流流量的映射关系，并将完成训练验证后的初始流量检测模型作为流量检测模型。
实施本申请实施例，对构建的卷积神经网络进行训练验证，并对比卷积神经网络的输出结果和实地观测数据，检验输出结果的精度，进而优化调整网络参数，使得最终获取的流量检测模型更加适用于待识别水流的流量检测，进一步提升流量检测的准确度。
作为优选方案，在所述将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果之前，还包括：
从所述第一样本数据集中，选取晴朗天气条件下的所述第二水流图像作为干净图像，选取非晴朗天气条件下的所述第二水流图像作为模糊图像，并将所述干净图像和所述模糊图像作为第二样本数据集；其中，所述干净图像对应的第二水流流量和所述模糊图像对应的第二水流流量的差值小于预设阈值；
构建基于ReLU激活函数的去噪卷积神经网络，并利用所述第二样本数据集，对所述去噪卷积神经网络进行训练，得到去噪模型。
实施本申请实施例，可以利用不同天气条件下的第二水流图像，训练去噪卷积神经网络，建立模糊图像与干净图像的准确映射关系，使得最终获取的去噪模型能够对非晴朗天气下的水流图像进行预处理，恢复水流图像细节，进而使得流量检测模型能够更好地对水流图像进行特征提取。
作为优选方案，所述将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果，具体为：
判断所述第一水流图像的天气条件是否为晴朗天气条件；
若是，则将所述第一水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；
若否，则将所述第一水流图像输入至所述去噪模型，以使对所述第一水流图像进行去噪预处理，得到对应的第三水流图像，并将所述第三水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第三水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果。
实施本申请实施例，在将第一水流图像输入至流量检测模型之前，判断当前第一水流图像的天气条件是否为晴朗条件，以提前对阴雨、雾霾等不利天气条件下的第一水流图像进行去噪预处理，恢复图像细节，减轻恶劣天气以及空气污染等因素对图像特征提取过程的干扰，进一步提升流量检测模型的准确度。
为了解决相同的技术问题，本发明还提供了一种基于深度学习的流量检测装置，包括：
图像获取模块，用于获取待识别的第一水流图像；
流量检测模块，用于将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；其中，所述流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，所述第一样本数据集中包括若干个第二水流图像、以及每个所述第二水流图像对应的第二水流流量。
作为优选方案，所述基于深度学习的流量检测装置，还包括：
去噪模型训练模块，用于从所述第一样本数据集中，选取晴朗天气条件下的所述第二水流图像作为干净图像，选取非晴朗天气条件下的所述第二水流图像作为模糊图像，并将所述干净图像和所述模糊图像作为第二样本数据集；其中，所述干净图像对应的第二水流流量和所述模糊图像对应的第二水流流量的差值小于预设阈值；构建基于ReLU激活函数的去噪卷积神经网络，并利用所述第二样本数据集，对所述去噪卷积神经网络进行训练，得到去噪模型。
作为优选方案，所述流量检测模块，还包括：
样本获取单元，用于对所述待识别水流进行拍摄，获得若干个第二水流图像，并通过预设的观测方法，对所述待识别水流进行实时观测，获取所述第二水流图像对应的第二水流流量，然后以所有所述第二水流图像、以及每个所述第二水流图像对应的第二水流流量作为第一样本数据集；
流量检测模型训练单元，用于构建卷积神经网络，并将所述第一样本数据集分为第一数据集和第二数据集，然后利用所述第一数据集，对所述卷积神经网络进行训练，形成水流图像和水流流量的初始映射关系，得到初始流量检测模型；将所述第二数据集中的第二水流图像输入至所述初始流量检测模型，以获得当前所述第二水流图像的流量检测结果，并根据当前所述第二水流图像的流量检测结果与当前所述第二水流图像对应的第二水流流量，计算得到所述初始流量检测模型的流量检测精度；当所述流量检测精度达到预期值时，完成对所述卷积神经网络的训练验证，认为当前所述初始映射关系为水流图像和水流流量的映射关系，并将完成训练验证后的初始流量检测模型作为流量检测模型；
流量检测单元，用于判断所述第一水流图像的天气条件是否为晴朗天气条件；若是，则将所述第一水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；若否，则将所述第一水流图像输入至所述去噪模型，以使对所述第一水流图像进行去噪预处理，得到对应的第三水流图像，并将所述第三水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第三水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果。
为了解决相同的技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的一种基于深度学习的流量检测方法。
为了解决相同的技术问题，本发明还提供了一种终端，包括处理器、存储器及存储于所述存储器内的计算机程序；其中，所述计算机程序能够被所述处理器执行，以实现所述的一种基于深度学习的流量检测方法。
附图说明
图1：为本发明提供的一种基于深度学习的流量检测方法的一种实施例的步骤流程图；
图2：为本发明提供的一种基于深度学习的流量检测装置的结构示意图；
图3：为本发明提供的一种基于深度学习的流量检测装置的流量检测模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
请参照图1，为本发明实施例提供的一种基于深度学习的流量检测方法的步骤流程图，包括步骤S1至步骤S2，各步骤具体如下：
步骤S1，获取待识别的第一水流图像。
具体地，可以通过民用摄像头拍摄待识别水流，以获取实地、实时的第一水流图像。
步骤S2，将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；其中，所述流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，所述第一样本数据集中包括若干个第二水流图像、以及每个所述第二水流图像对应的第二水流流量。
实施本申请实施例，利用实地获取的第二水流图像和对应的第二水流流量，对构建的卷积神经网络进行训练验证，以得到流量检测模型，并通过流量检测模型，对待识别的第二水流图像进行特征提取，并将特征提取结果转换为流量数据，作为第一水流图像的流量检测结果，实现对待识别的第二水流图像的自动检测，减少断面形状不均匀、比降较大等不利条件的受限程度，避免影响流量检测的准确度。
作为优选方案，所述步骤S2包括步骤S21至步骤S23，各步骤具体如下：
步骤S21，对所述待识别水流进行拍摄，获得若干个第二水流图像，并通过预设的观测方法，对所述待识别水流进行实时观测，获取所述第二水流图像对应的第二水流流量，然后以所有所述第二水流图像、以及每个所述第二水流图像对应的第二水流流量作为第一样本数据集。
具体地，首先勘察待识别水流的地形地势，选定待识别水流的某一区段作为拍摄对象，然后在岸边架设设备支架，安装非接触式摄像监控设备，调整并固定其拍摄角度，使得摄像头所捕获的画面可覆盖高水位时的水流范围，最后安装通信装置，使得拍摄影像能够实时传输至计算机终端。在所有设备安装完毕以后，开展视频样本的长时间采集，以获取不同季节与气象条件下的水流视频，保证样本的随机性和代表性。基于视频剪辑软件，对视频样本进行截取，获得大量的第二水流图像，并记录对应的摄像时间。
同时地，通过量水堰或者其他观测方法对待识别水流进行实时观测，获取视频样本对应时间内的多个第二水流流量。
实施本申请实施例，分别对待识别水流进行拍摄和实时观测，获取若干个第二水流图像、以及每个第二水流图像对应的第二水流流量，作为第一样本数据集，实现对构建的卷积神经网络的训练验证，进一步提升流量检测模型的检测精度。
步骤S22，构建卷积神经网络，并利用所述第一样本数据集，对所述卷积神经网络进行训练验证，形成水流图像和水流流量的映射关系，得到流量检测模型。
作为优选方案，所述步骤S22包括步骤S221至步骤S223，各步骤具体如下：
步骤S221，构建卷积神经网络，并将所述第一样本数据集分为第一数据集和第二数据集，然后利用所述第一数据集，对所述卷积神经网络进行训练，形成水流图像和水流流量的初始映射关系，得到初始流量检测模型。
步骤S222，将所述第二数据集中的第二水流图像输入至所述初始流量检测模型，以获得当前所述第二水流图像的流量检测结果，并根据当前所述第二水流图像的流量检测结果与当前所述第二水流图像对应的第二水流流量，计算得到所述初始流量检测模型的流量检测精度。
具体地，利用第一数据集对卷积神经网络进行训练，形成水流图像和实时水流流量的初始映射关系，即调整卷积神经网络的参数，得到初始流量检测模型，实现模型的率定，并比较初始流量检测模型输出的模拟值与第二数据集中的实测值，进而验证当前初始流量检测模型输出结果的精度。
步骤S223，当所述流量检测精度达到预期值时，完成对所述卷积神经网络的训练验证，认为当前所述初始映射关系为水流图像和水流流量的映射关系，并将完成训练验证后的初始流量检测模型作为流量检测模型。
具体地，当未达到预期精度时，重新选取新的样本，扩充第一样本数据集，即增加训练量，继续对卷积神经网络的训练验证，直至达到预期精度；当达到预期精度时，完成对卷积神经网络的训练验证，并将完成训练验证后的初始流量检测模型作为流量检测模型。
实施本申请实施例，对构建的卷积神经网络进行训练验证，并对比卷积神经网络的输出结果和实地观测数据，检验输出结果的精度，进而优化调整网络参数，使得最终获取的流量检测模型更加适用于待识别水流的流量检测，进一步提升流量检测的准确度。
作为优选方案，在所述步骤S23之前，还包括步骤S01至步骤S02，各步骤具体如下：
步骤S01，从所述第一样本数据集中，选取晴朗天气条件下的所述第二水流图像作为干净图像，选取非晴朗天气条件下的所述第二水流图像作为模糊图像，并将所述干净图像和所述模糊图像作为第二样本数据集；其中，所述干净图像对应的第二水流流量和所述模糊图像对应的第二水流流量的差值小于预设阈值。
具体地，从第一样本数据集中，遴选流量相近的晴朗天气与阴雨、雾霾等非晴朗天气条件下的第二水流图像，分别作为一一对应的干净图像和模糊图像。作为一种举例，干净图像和模糊图像的流量差值应小于2m3/s。
步骤S02，构建基于ReLU激活函数的去噪卷积神经网络，并利用所述第二样本数据集，对所述去噪卷积神经网络进行训练，得到去噪模型。
具体地，以干净图像和流量相近的模糊图像作为对照训练集，对基于ReLU激活函数的去噪卷积神经网络，进行图像去噪训练，建立模糊图像与干净图像的映射关系，即调整去噪卷积神经网络的参数，得到对应的去噪模型。
实施本申请实施例，可以利用不同天气条件下的第二水流图像，训练去噪卷积神经网络，建立模糊图像与干净图像的准确映射关系，使得最终获取的去噪模型能够对非晴朗天气下的水流图像进行预处理，恢复水流图像细节，进而使得流量检测模型能够更好地对水流图像进行特征提取。
步骤S23，判断所述第一水流图像的天气条件是否为晴朗天气条件，若是，则执行步骤S231，若否，则执行步骤S232。
步骤S231，将所述第一水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果。
步骤S232，将所述第一水流图像输入至所述去噪模型，以使对所述第一水流图像进行去噪预处理，得到对应的第三水流图像，并将所述第三水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第三水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果。
具体地，流量检测模型由特征提取神经网络与分类神经网络组成，其中特征提取网络包含成对的卷积层与池化层。当水流图像输入至流量检测模型时，特征提取网络的卷积层从水流图像中提取出三维空间上的流态信息与流量覆盖范围的特征映射，进而输入池化层降低图像维度，最后将池化层输出的信号输入分类神经网络进行运算，生成流量值。
实施本申请实施例，在将第一水流图像输入至流量检测模型之前，判断当前第一水流图像的天气条件是否为晴朗条件，以提前对阴雨、雾霾等不利天气条件下的第一水流图像进行去噪预处理，消除图像噪声，恢复图像细节，减轻恶劣天气以及空气污染等因素对图像特征提取过程的干扰，进一步提升流量检测模型的准确度。
实施例二：
相应地，请参照图2，为本发明实施例提供的一种基于深度学习的流量检测装置的结构示意图，所述基于深度学习的流量检测装置包括图像获取模块和流量检测模块，各模块具体如下：
图像获取模块1，用于获取待识别的第一水流图像；
流量检测模块2，用于将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；其中，所述流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，所述第一样本数据集中包括若干个第二水流图像、以及每个所述第二水流图像对应的第二水流流量。
作为优选方案，所述基于深度学习的流量检测装置，还包括去噪模型训练模块，具体如下：
去噪模型训练模块3，用于从所述第一样本数据集中，选取晴朗天气条件下的所述第二水流图像作为干净图像，选取非晴朗天气条件下的所述第二水流图像作为模糊图像，并将所述干净图像和所述模糊图像作为第二样本数据集；其中，所述干净图像对应的第二水流流量和所述模糊图像对应的第二水流流量的差值小于预设阈值；构建基于ReLU激活函数的去噪卷积神经网络，并利用所述第二样本数据集，对所述去噪卷积神经网络进行训练，得到去噪模型。
作为优选方案，请参照图3，所述流量检测模块包括样本获取单元、流量检测模型训练单元和流量检测单元，各单元具体用于：
样本获取单元，用于对所述待识别水流进行拍摄，获得若干个第二水流图像，并通过预设的观测方法，对所述待识别水流进行实时观测，获取所述第二水流图像对应的第二水流流量，然后以所有所述第二水流图像、以及每个所述第二水流图像对应的第二水流流量作为第一样本数据集；
流量检测模型训练单元，用于构建卷积神经网络，并将所述第一样本数据集分为第一数据集和第二数据集，然后利用所述第一数据集，对所述卷积神经网络进行训练，形成水流图像和水流流量的初始映射关系，得到初始流量检测模型；将所述第二数据集中的第二水流图像输入至所述初始流量检测模型，以获得当前所述第二水流图像的流量检测结果，并根据当前所述第二水流图像的流量检测结果与当前所述第二水流图像对应的第二水流流量，计算得到所述初始流量检测模型的流量检测精度；当所述流量检测精度达到预期值时，完成对所述卷积神经网络的训练验证，认为当前所述初始映射关系为水流图像和水流流量的映射关系，并且将完成训练验证后的初始流量检测模型作为流量检测模型；
流量检测单元，用于判断所述第一水流图像的天气条件是否为晴朗天气条件；若是，则将所述第一水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；若否，则将所述第一水流图像输入至所述去噪模型，以使对所述第一水流图像进行去噪预处理，得到对应的第三水流图像，并将所述第三水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第三水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例三
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行实施例一所述的一种基于深度学习的流量检测方法。
实施例四
本发明实施例还提供了一种终端，包括处理器、存储器及存储于所述存储器内的计算机程序；其中，所述计算机程序能够被所述处理器执行，以实现实施例一所述的一种基于深度学习的流量检测方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端的控制中心，利用各种接口和线路连接所述终端的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端仅仅是示例，并不构成对终端的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的流量检测方法，其特征在于，包括：
获取待识别的第一水流图像；
将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；其中，所述流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，所述第一样本数据集中包括若干个第二水流图像、以及每个所述第二水流图像对应的第二水流流量。
2.如权利要求1所述的一种基于深度学习的流量检测方法，其特征在于，所述流量检测模型的获取，具体为：
对所述待识别水流进行拍摄，获得若干个第二水流图像，并通过预设的观测方法，对所述待识别水流进行实时观测，获取所述第二水流图像对应的第二水流流量，然后以所有所述第二水流图像、以及每个所述第二水流图像对应的第二水流流量作为第一样本数据集；
构建卷积神经网络，并利用所述第一样本数据集，对所述卷积神经网络进行训练验证，形成水流图像和水流流量的映射关系，得到流量检测模型。
3.如权利要求2所述的一种基于深度学习的流量检测方法，其特征在于，所述构建卷积神经网络，并利用所述第一样本数据集，对所述卷积神经网络进行训练验证，形成水流图像和水流流量的映射关系，得到流量检测模型，具体为：
构建卷积神经网络，并将所述第一样本数据集分为第一数据集和第二数据集，然后利用所述第一数据集，对所述卷积神经网络进行训练，形成水流图像和水流流量的初始映射关系，得到初始流量检测模型；
将所述第二数据集中的第二水流图像输入至所述初始流量检测模型，以获得当前所述第二水流图像的流量检测结果，并根据当前所述第二水流图像的流量检测结果与当前所述第二水流图像对应的第二水流流量，计算得到所述初始流量检测模型的流量检测精度；
当所述流量检测精度达到预期值时，完成对所述卷积神经网络的训练验证，认为当前所述初始映射关系为水流图像和水流流量的映射关系，并将完成训练验证后的初始流量检测模型作为流量检测模型。
4.如权利要求1所述的一种基于深度学习的流量检测方法，其特征在于，在所述将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果之前，还包括：
从所述第一样本数据集中，选取晴朗天气条件下的所述第二水流图像作为干净图像，选取非晴朗天气条件下的所述第二水流图像作为模糊图像，并将所述干净图像和所述模糊图像作为第二样本数据集；其中，所述干净图像对应的第二水流流量和所述模糊图像对应的第二水流流量的差值小于预设阈值；
构建基于ReLU激活函数的去噪卷积神经网络，并利用所述第二样本数据集，对所述去噪卷积神经网络进行训练，得到去噪模型。
5.如权利要求4所述的一种基于深度学习的流量检测方法，其特征在于，所述将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果，具体为：
判断所述第一水流图像的天气条件是否为晴朗天气条件；
若是，则将所述第一水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；
若否，则将所述第一水流图像输入至所述去噪模型，以使对所述第一水流图像进行去噪预处理，得到对应的第三水流图像，并将所述第三水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第三水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果。
6.一种基于深度学习的流量检测装置，其特征在于，包括：
图像获取模块，用于获取待识别的第一水流图像；
流量检测模块，用于将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；其中，所述流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，所述第一样本数据集中包括若干个第二水流图像、以及每个所述第二水流图像对应的第二水流流量。
7.如权利要求6所述的一种基于深度学习的流量检测装置，其特征在于，还包括：
去噪模型训练模块，用于从所述第一样本数据集中，选取晴朗天气条件下的所述第二水流图像作为干净图像，选取非晴朗天气条件下的所述第二水流图像作为模糊图像，并将所述干净图像和所述模糊图像作为第二样本数据集；其中，所述干净图像对应的第二水流流量和所述模糊图像对应的第二水流流量的差值小于预设阈值；构建基于ReLU激活函数的去噪卷积神经网络，并利用所述第二样本数据集，对所述去噪卷积神经网络进行训练，得到去噪模型。
8.如权利要求7所述的一种基于深度学习的流量检测装置，其特征在于，所述流量检测模块，还包括：
样本获取单元，用于对所述待识别水流进行拍摄，获得若干个第二水流图像，并通过预设的观测方法，对所述待识别水流进行实时观测，获取所述第二水流图像对应的第二水流流量，然后以所有所述第二水流图像、以及每个所述第二水流图像对应的第二水流流量作为第一样本数据集；
流量检测模型训练单元，用于构建卷积神经网络，并将所述第一样本数据集分为第一数据集和第二数据集，然后利用所述第一数据集，对所述卷积神经网络进行训练，形成水流图像和水流流量的初始映射关系，得到初始流量检测模型；将所述第二数据集中的第二水流图像输入至所述初始流量检测模型，以获得当前所述第二水流图像的流量检测结果，并根据当前所述第二水流图像的流量检测结果与当前所述第二水流图像对应的第二水流流量，计算得到所述初始流量检测模型的流量检测精度；当所述流量检测精度达到预期值时，完成对所述卷积神经网络的训练验证，认为当前所述初始映射关系为水流图像和水流流量的映射关系，并将完成训练验证后的初始流量检测模型作为流量检测模型；
流量检测单元，用于判断所述第一水流图像的天气条件是否为晴朗天气条件；若是，则将所述第一水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；若否，则将所述第一水流图像输入至所述去噪模型，以使对所述第一水流图像进行去噪预处理，得到对应的第三水流图像，并将所述第三水流图像输入至所述流量检测模型，以使所述流量检测模型对所述第三水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5任意一项所述的一种基于深度学习的流量检测方法。
10.一种终端，其特征在于，包括处理器、存储器及存储于所述存储器内的计算机程序；其中，所述计算机程序能够被所述处理器执行，以实现如权利要求1至5任意一项所述的一种基于深度学习的流量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210127063.8A CN114529815A (zh) | 2022-02-10 | 2022-02-10 | 一种基于深度学习的流量检测方法、装置、介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210127063.8A CN114529815A (zh) | 2022-02-10 | 2022-02-10 | 一种基于深度学习的流量检测方法、装置、介质及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114529815A true CN114529815A (zh) | 2022-05-24 |
Family
ID=81623473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210127063.8A Pending CN114529815A (zh) | 2022-02-10 | 2022-02-10 | 一种基于深度学习的流量检测方法、装置、介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114529815A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546561A (zh) * | 2022-10-25 | 2022-12-30 | 中山大学 | 一种基于水体覆盖特征识别的山间溪流量测验方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1097829A (zh) * | 1993-06-17 | 1995-01-25 | 东芝株式会社 | 配水流量预测装置 |
| CN108759973A (zh) * | 2018-04-28 | 2018-11-06 | 南京昊控软件技术有限公司 | 一种水位测量方法 |
| CN108765334A (zh) * | 2018-05-24 | 2018-11-06 | 北京飞搜科技有限公司 | 一种图像去噪方法、装置以及电子设备 |
| CN110969282A (zh) * | 2019-10-17 | 2020-04-07 | 天津大学 | 一种基于lstm复合网络的径流量稳定预测方法 |
| CN111860970A (zh) * | 2020-06-29 | 2020-10-30 | 浪潮电子信息产业股份有限公司 | 一种河流流量预测方法、装置及电子设备和存储介质 |
| CN111881982A (zh) * | 2020-07-30 | 2020-11-03 | 北京环境特性研究所 | 一种无人机目标识别方法 |
| US20210327031A1 (en) * | 2020-04-15 | 2021-10-21 | Tsinghua Shenzhen International Graduate School | Video blind denoising method based on deep learning, computer device and computer-readable storage medium |
-
2022
- 2022-02-10 CN CN202210127063.8A patent/CN114529815A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1097829A (zh) * | 1993-06-17 | 1995-01-25 | 东芝株式会社 | 配水流量预测装置 |
| CN108759973A (zh) * | 2018-04-28 | 2018-11-06 | 南京昊控软件技术有限公司 | 一种水位测量方法 |
| CN108765334A (zh) * | 2018-05-24 | 2018-11-06 | 北京飞搜科技有限公司 | 一种图像去噪方法、装置以及电子设备 |
| CN110969282A (zh) * | 2019-10-17 | 2020-04-07 | 天津大学 | 一种基于lstm复合网络的径流量稳定预测方法 |
| US20210327031A1 (en) * | 2020-04-15 | 2021-10-21 | Tsinghua Shenzhen International Graduate School | Video blind denoising method based on deep learning, computer device and computer-readable storage medium |
| CN111860970A (zh) * | 2020-06-29 | 2020-10-30 | 浪潮电子信息产业股份有限公司 | 一种河流流量预测方法、装置及电子设备和存储介质 |
| CN111881982A (zh) * | 2020-07-30 | 2020-11-03 | 北京环境特性研究所 | 一种无人机目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余开华;: "小波神经网络模型在河道流量水位预测中的应用" * |
| 王伟;: "基于遥感图像的船舶目标检测方法综述" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546561A (zh) * | 2022-10-25 | 2022-12-30 | 中山大学 | 一种基于水体覆盖特征识别的山间溪流量测验方法 |
| CN115546561B (zh) * | 2022-10-25 | 2024-07-02 | 中山大学 | 一种基于水体覆盖特征识别的山间溪流量测验方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223341B (zh) | 一种基于图像识别的智能水位监测方法 | |
| CN109145830B (zh) | 一种智能水尺识别方法 | |
| CN109460753A (zh) | 一种检测水上漂浮物的方法 | |
| CN113538391A (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
| CN110084129B (zh) | 一种基于机器视觉的河流漂浮物实时检测方法 | |
| CN113012195B (zh) | 基于光流计算的河流表面流速估计的方法和可读存储介质 | |
| CN112949624B (zh) | 基于水尺的水位检测方法、装置、电子设备及存储介质 | |
| Bai et al. | An intelligent water level monitoring method based on SSD algorithm | |
| CN106228161A (zh) | 一种指针式表盘自动读数方法 | |
| CN117346846B (zh) | 一种可自动修正的量水堰流量摄影监测方法及装置 | |
| CN114494894B (zh) | 海洋黑涡自动识别与关键参数反演方法、装置和电子设备 | |
| CN103679167A (zh) | 一种ccd图像处理的方法 | |
| CN110187142A (zh) | 流速监测方法和系统 | |
| JP4025161B2 (ja) | 流速分布計測システム、流速分布計測方法、流速分布計測プログラム、流量計測システム、流量計測方法及び流量計測プログラム | |
| CN109165603B (zh) | 一种舰船检测方法及装置 | |
| CN115240069A (zh) | 一种全雾天场景下的实时性障碍物检测方法 | |
| CN118172553A (zh) | 一种基于大模型图像分割的水尺水位线检测方法 | |
| CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
| CN112085725B (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
| CN112330675A (zh) | 基于AOD-Net的交通道路图像大气能见度检测方法 | |
| CN107886049B (zh) | 一种基于摄像探头的能见度识别预警方法 | |
| CN116862856A (zh) | 基于改进的YOLOv5模型的混凝土大坝表面裂缝检测系统及方法 | |
| AU2021102276A4 (en) | A Detection Method for Quantity of Residual Plastic Films Based on Heuristic Iterative Algorithm and Its Early Warning System | |
| CN113269078B (zh) | 一种基于无人机的江河鱼类资源量统计方法及系统 | |
| CN111627056B (zh) | 基于深度估计的行车能见度确定方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220524 |