CN106156734B - 一种基于卷积神经网络图像识别的水流测速方法 - Google Patents

Abstract

一种基于卷积神经网络图像识别的水流测速方法，包括如下步骤：设备安装、样本图片采集。建立样本数据、训练分类器、实际测量。本发明采用非接触式的摄像头，获取大量河流不同状态下的表面图像并预先测量每张图像对应的流速，并对图像进行预处理，生成样本数据训练调整卷积神经网络，再需要测量流速时，只需摄像头拍摄下当时河流表面的图片，利用训练好的卷积神经网络对该图片进行分类，得到的类别所对应的流速，即为此时河流的流速。

Description

一种基于卷积神经网络图像识别的水流测速方法

技术领域

本发明涉及一种利用图像识别水流测速的方法，具体涉及一种利用卷积神经网络算法对河流表面图片进行识别分类，得出该图片状态下所对应的河流流速的方法，属于计算机视觉和河流检测领域。

背景技术

我国江河众多，做好河流流速测量工作对预防洪涝灾害，保护国家和人民的财产安全具有重要意义。传统的浮标测量流速方法在面对洪水时，常常面临着浮标被冲走的问题，增加了测量过程的不稳定性。测量过程中，往往需要人工投放浮标，多人配合计算浮标流过距离和时间来计算河流的流速。高洪期间测量不便，并且不能保证测量人员的生命安全。

随着计算机视觉技术、人工智能技术的快速发展，使得基于图像的非接触式水面流速测量方法成为可能。本方法仅需要通过摄像头获取河流表面图片，利用深度学习算法进行图像分类得出对应的水流流速，提高了河流流速测量的便捷性、稳定性和洪水高发期测量的安全性。卷积神经网络能够隐式地从训练数据中学习特征，避免了显式的特征抽取，在对无规律、无显著特征的水面图像做分类时，具有较大的优势。因此，利用卷积神经网络算法对河流表面图片进行识别分类，能够有效地区分不同流速下的水流图片，得出该图片状态下的水流流速。

发明内容

本发明要改善以往浮标法的弊端，避免与河流的接触，采用非接触式的摄像头，获取大量河流不同状态下的表面图像。采用市场上已有的浮标或流速仪测量每张图像对应的流速，根据精确度需要，将流速类别化，获取大量图像后，依据图像所对应流速的类别标记图像，并对图像进行预处理，生成训练集训练卷积神经网络，之后再次需要测量流速时，只需摄像头拍摄下当时河流表面的图片，利用训练好的卷积神经网络对该图片进行分类，与该图片相同概率最高的类别图片的流速，即为此时河流的流速。

本发明的一种基于卷积神经网络图像识别的水流测速方法，具体步骤如下：

1.选取目标河流，于河流边安全位置安装摄像头，调整摄像头角度对准河流表面，并保证拍摄镜头中仅有河流表面，无岸边杂物。

2.选取不同时间段的各种天气条件下，拍摄河流表面的视频，并由工作人员用现有设备测取拍摄每段视频时大致的河流流速。利用视频软件逐帧截取图片，根据图片和对应流速的映射关系，建立图片与流速关系表。

3.选取各种流速图片进行预处理，分别作为图片样本的训练集和测试集；对流速进行范围性分类并标记每个类别，分析图片与流速关系表，依次对相应流速范围的图片划分类别，分别作为图片样本的训练类别标签和测试类别标签。

4.搭建卷积神经网络模型，用第三步所得的样本数据训练并调整卷积神经网络，使误差达标。

5.继续拍摄河流表面图片，经由第三步预处理后，将该图片输入卷积神经网络模型，输出该图片的流速类别标签，该标签所对应的流速范围即为该图片的流速范围。

尽管本方法在前期收集视频、图片和流速时，需要投入不少人力与时间成本，但在完成前期准备工作后，可以更加方便快捷地进行流速测量工作，能够节省更多的人力、物力与时间成本。

本发明的优点是：方便快捷，节省人力、物力与时间成本，

附图说明

图1是本发明的设备安装示意图

图2是本发明的样本图片采集流程图

图3是本发明的实验模型训练流程图

图4是本发明的实际测量流程图

具体实施方式

下面结合附图对本发明作进一步描述。

本发明的一种基于卷积神经网络图像识别的水流测速方法，具体包括如下步骤：

步骤1(设备安装阶段)：如图1所示，选取目标河流并勘察，若河流有桥或码头，则将摄像头安装于桥或码头，若河流无桥或码头，则选取平坦河岸树立支架，安装摄像头。摄像头通过视频线连接水电站主机，该主机需安装视频采集卡。摄像头选择球机以方便调整摄像头角度对准河流表面，调试摄像头，使其捕获的画面仅有河流表面图像，无河岸杂物。如有必要，与拍摄区域安装照明灯，用于夜间的拍摄工作。

步骤2(样本图片采集阶段)：如图2所示，抽样选取各个时间段、各种天气条件以及洪水高发期等特殊时期，拍摄河流表面的视频，由工作人员使用流速测量仪跟踪浮标，记录每段视频对应时刻的河流流速。利用视频软件逐帧截取图片，同一段视频截取的图片划归为同一流速。根据图片和流速的映射关系，建立图片与流速关系映射表。

步骤3(建立样本数据阶段)：如图3所示，选取3000张各个流速状态的图片，根据流速测量的精度要求和洪水预防的警报线要求，对流速进行范围性分类并用数字标记每个类别(对流速分类越细致则测量精度越高)，对照图片与流速映射表，依次对所属流速范围的图片进行类别标记，作为训练样本集的类别标签；将图片转换为同样格式，对图片进行灰度化、直方图均衡、对比度增强等图片预处理操作，并保存为训练样本集。选取1000张各个流速状态的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集。

步骤4(训练分类器阶段)：如图3所示，搭建卷积神经网络初步结构模型，用步骤3所得的样本数据训练并测试调整卷积神经网络模型。

其中卷积神经网络模型相关描述如下：

本网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成。输入层为训练数据，卷积层(C层)为特征提取层，池化层(S层)位于卷积层后，是一个二次提取的计算层；第二个S层，即完成了对原始数据的特征提取后，把S层的特征数据进行向量化，然后连接到分类器，经输出层输出类别结果。

卷积层用卷积核(一个特征矩阵)在图像矩阵上游走，在对应位置元素相乘，再把相乘的结果相加，最后相加的结果形成新的图像矩阵，游走完成后即完成了对原始图像的卷积变换，形成此卷积核下的特征提取。(本网络模型的卷积核大小为5*5)。在通过卷积获得了特征之后，对特征矩阵分区域进行平均值池化，降低特征维度。

输出层输出实际类别，与样本的类别标签对比，反向调整权值，直至实际输出与类别标签尽可能接近，调整迭代次数直至误差函数收敛。

卷积神经网络包含前向传播与反向传播两个过程。

前向传播将上一层的输出加权求和后，经由激活函数输出结果，该结果又作为下一层的输入，继续加权求和，由激活函数输出，如此反复，直到网络模型最后的输出层。假设当前层为l层，当前层的输出结果为a^(l),W表示权值，b表示偏置，下一层则为l+1层，l层的输出结果a^(l),加权求和得到z^(l+1)作为l+1层的输入，得到该层的输出a^(l+1)，激活函数f(·)为sigmod函数。计算公式如下：

z^(l+1)＝W^(l)a^(l)+b^(l)

a^(l+l)＝f(z^(l+1))

接下来，通过反向传播调整网络模型的权值W和偏置b。反向传播的核心是使代价函数J(W，b)最小化，从而使得误差更小。具体计算过程如下：

(1)代价函数计算公式：

其中h_W，b(x)为前向传播的实际输出结果，y为对应的样本标签，即期望输出。

(2)对于第n_l层(输出层)的每个输出单元i，我们根据以下公式计算其残差

(3)对l层(中间层)的第i个节点的残差δ^(l)的计算公式为：

δ^(l)＝((W^(l))^Tδ^(l+1))·f′(z^(l))

(4)计算我们需要的偏导数，计算公式为：

(5)更新权值参数：

其中α是学习速率，m为数据集的样例个数，λ为权重衰减参数，用于控制公式中两项的相对重要性。

接着重复以上迭代步骤，不断更新权值与偏置，减小J(W，b)的值，进而得出完整的卷积神经网络。

步骤5(实际测量阶段)：如图4所示，继续拍摄河流表面图片，经由第三步所述方法处理图片，并将图片传入第四步中训练好的卷积神经网络，经过卷积神经网络分类后得出该图片类别标签，该类别标签所对应的流速范围即为该图片的流速范围。

如上所示，根据本发明，可以提供一种基于卷积神经网络图像识别的水流测速方法。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于卷积神经网络图像识别的水流测速方法，包括如下步骤：

步骤1,设备安装阶段：选取目标河流并勘察，若河流有桥或码头，则将摄像头安装于桥或码头，若河流无桥或码头，则选取平坦河岸树立支架，安装摄像头；摄像头通过视频线连接水电站主机，该主机需安装视频采集卡；摄像头选择球机以方便调整摄像头角度对准河流表面，调试摄像头，使其捕获的画面仅有河流表面图像，无河岸杂物；与拍摄区域安装照明灯，用于夜间的拍摄工作；

步骤2，样本图片采集阶段：抽样选取各个时间段、各种天气条件以及洪水高发期的特殊时期，拍摄河流表面的视频，由工作人员使用流速测量仪跟踪浮标，记录每段视频对应时刻的河流流速；利用视频软件逐帧截取图片，同一段视频截取的图片划归为同一流速；根据图片和流速的映射关系，建立图片与流速关系映射表；

步骤3，建立样本数据阶段：选取3000张各个流速状态的图片，根据流速测量的精度要求和洪水预防的警报线要求，对流速进行范围性分类并用数字标记每个类别，对照图片与流速映射表，依次对所属流速范围的图片进行类别标记，作为训练样本集的类别标签；将图片转换为同样格式，对图片进行灰度化、直方图均衡、对比度增强的图片预处理操作，并保存为训练样本集；选取1000张各个流速状态的图片，再次进行上述操作，得到测试样本集的类别标签和测试样本集；

步骤4，训练分类器阶段：搭建卷积神经网络初步结构模型，用步骤3所得的样本数据训练并测试调整卷积神经网络模型；

本网络模型依次由输入层、卷积层、池化层、卷积层、池化层、输出层组成；输入层为训练数据，卷积层为特征提取层，池化层位于卷积层后，是一个二次提取的计算层；第二个S层，即完成了对原始数据的特征提取后，把S层的特征数据进行向量化，然后连接到分类器，经输出层输出类别结果；

卷积层用卷积核在图像矩阵上游走，在对应位置元素相乘，再把相乘的结果相加，最后相加的结果形成新的图像矩阵，游走完成后即完成了对原始图像的卷积变换，形成此卷积核下的特征提取；卷积核大小为5*5；

在通过卷积获得了特征之后，对特征矩阵分区域进行平均值池化，降低特征维度；

输出层输出实际类别，与样本的类别标签对比，反向调整权值，直至实际输出与类别标签接近，调整迭代次数直至误差函数收敛；

卷积神经网络包含前向传播与反向传播两个过程；

前向传播将上一层的输出加权求和后，经由激活函数输出结果，该结果又作为下一层的输入，继续加权求和，由激活函数输出，如此反复，直到网络模型最后的输出层；假设当前层为l层，当前层的输出结果为a^(l),W表示权值，b表示偏置，下一层则为l+1层，l层的输出结果a^(l),加权求和得到z^(l+1)作为l+1层的输入，得到该层的输出a^(l+1)，激活函数f(·)为sigmod函数；计算公式如下：

z^(l+1)＝W^(l)a^(l)+b^(l)

a^(l+1)＝f(z^(l+1))

接下来，通过反向传播调整网络模型的权值W和偏置b；反向传播的核心是使代价函数J(W，b)最小化，从而使得误差更小。具体计算过程如下：

(1)代价函数计算公式：

其中h_W，b(x)为前向传播的实际输出结果，y为对应的样本标签，即期望输出；

(2)对于第n_l层的每个输出单元i，根据以下公式计算其残差

(3)对l层的第i个节点的残差δ^(l)的计算公式为：

δ^(l)＝((W^(l))^Tδ^(l+1))·f′(z^(l))

(4)计算需要的偏导数，计算公式为：

(5)更新权值参数：

其中α是学习速率，m为数据集的样例个数，λ为权重衰减参数，用于控制公式中两项的相对重要性；

接着重复以上迭代步骤，不断更新权值与偏置，减小J(W，b)的值，进而得出完整的卷积神经网络；

步骤5，实际测量阶段：继续拍摄河流表面图片，经由步骤3所述方法处理图片，并将图片传入步骤4中训练好的卷积神经网络，经过卷积神经网络分类后得出该图片类别标签，该类别标签所对应的流速范围即为该图片的流速范围。