CN112149597A - 一种基于深度学习的河流表面流速检测方法 - Google Patents
一种基于深度学习的河流表面流速检测方法 Download PDFInfo
- Publication number
- CN112149597A CN112149597A CN202011049364.0A CN202011049364A CN112149597A CN 112149597 A CN112149597 A CN 112149597A CN 202011049364 A CN202011049364 A CN 202011049364A CN 112149597 A CN112149597 A CN 112149597A
- Authority
- CN
- China
- Prior art keywords
- layer
- river
- flow velocity
- river surface
- surface flow
- 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 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013434 data augmentation Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 238000000926 separation method Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的河流表面流速检测方法，包括步骤：S1、获取带有训练结果标签的河流表面的图像数据；S2、对数据进行预处理，生成训练集和验证集；S3、利用卷积神经网络搭建河流表面流速图像分类神经网络：S4、对河流表面流速图像分类神经网络进行训练及测试；S5、利用计算机视觉算法检测单张河流表面的流速。本发明构建的河流表面流速图像分类神经网络具有高检测精度，只需要使用摄像头拍摄下当时河流表面的图片，利用流速检测模型对图片进行分类，与该图片相同概率最高的类别图片的流速，即为此时河流的表面流速。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于深度学习的河流表面流速检测方法。本发明可以实现对河流表面流速的快速检测，本发明方法主要解决了现有非接触式河流表面流速测量技术效果差的问题。
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，保护国家和人民财产安全具有重要意义。传统的浮标测量流速的方法在面对洪水时，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，面临着许多不确定性，会对测量人员的生命安全造成极大的隐患。
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。例如201610517559.0公开了一种基于卷积神经网络图像识别的水流测速方法，本方法仅需要通过摄像头获取河流表面图像，输入到卷积神经网络模型中，利用深度学习算法进行图像分类得出对应的水流速度，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，避免了显式的特征提取，对于无规律、无显著特征的水面图像做分类时，具有较大的优势。因此利用深度学习算法对河流表面图像进行识别分类，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。
该方法的卷积神经网络模型虽然具有较好的效果，但是检测精度仍然有待提升。
发明内容
本发明的目的在于一种基于深度学习的河流表面流速检测的方法，通过卷积神经网络模型，提高了检测精度。
本发明的一种基于深度学习的河流表面流速检测的方法，具体步骤如下：
S1、获取带有训练结果标签的河流表面的图像数据；
S2、对数据进行预处理，生成训练集和验证集；
S3、利用卷积神经网络搭建河流表面流速图像分类神经网络：
步骤S3.1：构建神经卷积网络框架，该网络框架由一个输入层、五个卷积层、三个池化层、三个全连接层、一个隐层和一个Softmax层组成；
步骤S3.2：第一个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第一个池化层，优选的，池化方式选择最大值；
步骤S3.3：第一个池化层后接第二个卷积层，第二个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第二个池化层，优选的，池化方式选择最大值；
步骤S3.4：第二个池化层后接第三个卷积层，第三个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层；
步骤S3.5：上一Relu层后接第四个卷积层，第四个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层；
步骤S3.6：上一Relu层后接第五个卷积层，第五个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第三个池化层，优选的，池化方式选择最大值；
步骤S3.7：第三个池化后接全连接层FC-6，并在全连接层后接Maxout激活函数和Dropout函数。全连接层FC-7参数设置和FC-6一致；
步骤S3.8：在全连接层的FC-7和FC-8层之间增加一个隐层H，隐层神经元个数为128，隐层H后接一个Sigmoid激活函数，把输出控制位{0，1}；
步骤S3.9：FC-8层输出节点数根据具体分类类别设定
S4、对河流表面流速图像分类神经网络进行训练及测试；
S5、利用计算机视觉算法检测单张河流表面的流速。
更具体的，步骤S1采用的河流表面流速数据采集步骤为：
步骤S1.1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，则选取平坦河流树立支架安装摄像头，调整摄像头角度使其捕获的画面仅有河流表面图像，无河岸杂物；
步骤S1.2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，并用现场设备测取拍摄每段视频的河流流速。
更具体的，对数据进行预处理，生成训练集和验证集的过程如下：
步骤S2.1利用python代码隔帧截取视频图像，将同一段视频截取的图像归为同一流速，建立图像和流速关系映射表；
步骤S2.2对流速进行范围性分类并用数字标记(0，1，2，...)每个类别，对照图像与流速映射表，依次对所属流速范围图片进行类别标记，作为训练集和验证集的类别标签；
步骤S2.3随机将所有数据集分为训练集和验证集，训练集和验证集的比例取10：1；
步骤S2.4利用Python代码将图像和对应的标签转换成卷积神经网络能识别的数据类型：LMDB格式的输入文件。
更具体的，对河流表面流速图像分类神经网络进行训练及测试的过程如下：
步骤S4.1计算训练数据集的均值文件；
步骤S4.2将训练样本预处理后的图像输入卷积神经网络，并在全连接层设定随机参数；
步骤S4.3基于NVIDIA-Dali，对输入神经网络的样本进行在线数据增广：
步骤S4.3.1对输入样本进行亮度调整；
步骤S4.3.2对输入样本进行对比度调整；
步骤S4.4向初始化后的网络模型中输入训练样本和标签，通过前向传播和反向传播两个步骤反复训练直到达到最大的迭代次数，使损失函数值最小，得到最终的河流表面流速检测模型。
更具体的，步骤S5对河流表面流速进行检测过程如下：
5.1将预处理好的测试数据集送入训练好的网络模型，提取测试图像的多尺度特征；
5.2将提取的多尺度特征送入Softmax分类器，输出测试图像属于某一类别的概率；
5.3将图像属于某一类别的概率和河流表面流速图像对应的标签输入Accuracy网络层，输出河流表面流速被正确分类的概率。
本发明的优点是：采用非接触式的摄像头，获取大量不同状态下的河流表面图像，根据图像所对应流速的类别标记图像，并对图像进行预处理，生成训练集对卷积神经网络进行训练，得到河流流速深度学习检测模型，需要检测待测量河流流速时，只需要使用摄像头拍摄下当时河流表面的图片，利用流速检测模型对图片进行分类，与该图片相同概率最高的类别图片的流速，即为此时河流的表面流速。本发明构建的河流表面流速图像分类神经网络具有高检测精度，可达0.95。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为本发明方法的流程示意图；
图2-图4为本发明方法用到的深度卷积神经网络框架示意图；
图5为本发明方法对河流表面图像预处理后的水流图像。
具体实施方式
下面结合附图进一步详细说明本发明。
如图1所示，一种基于深度学习的河流表面流速检测的方法，具体步骤如下：
S1、获取带有训练结果标签的河流表面的图像数据；
S2、对数据进行预处理，生成训练集和验证集；
S3、利用卷积神经网络搭建河流表面流速图像分类神经网络：
S4、对河流表面流速图像分类神经网络进行训练及测试；
S5、利用计算机视觉算法检测单张河流表面的流速。
步骤S1采用的河流表面流速数据采集步骤为：
步骤S1.1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，则选取平坦河流树立支架安装摄像头，调整摄像头角度使其捕获的画面仅有河流表面图像，无河岸杂物；
步骤S1.2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，并用现场设备测取拍摄每段视频的河流流速。
对数据进行预处理，生成训练集和验证集的过程如下：
步骤S2.1利用python代码隔帧截取视频图像，将同一段视频截取的图像归为同一流速，建立图像和流速关系映射表；
步骤S2.2对流速进行范围性分类并用数字标记(0，1，2，...)每个类别，对照图像与流速映射表，依次对所属流速范围图片进行类别标记，作为训练集和验证集的类别标签；
步骤S2.3随机将所有数据集分为训练集和验证集，训练集和验证集的比例取10：1；
步骤S2.4利用Python代码将图像和对应的标签转换成卷积神经网络能识别的数据类型：LMDB格式的输入文件。
参照图2-图4，利用卷积神经网络搭建河流表面流速图像分类神经网络的过程如下：
步骤S3.1：构建神经卷积网络框架，该网络框架由一个输入层、五个卷积层、三个池化层、三个全连接层、一个隐层和一个Softmax层组成；
步骤S3.2：第一个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第一个池化层，优选的，池化方式选择最大值；
步骤S3.3：第一个池化层后接第二个卷积层，第二个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第二个池化层，优选的，池化方式选择最大值；
步骤S3.4：第二个池化层后接第三个卷积层，第三个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层；
步骤S3.5：上一Relu层后接第四个卷积层，第四个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层；
步骤S3.6：上一Relu层后接第五个卷积层，第五个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第三个池化层，优选的，池化方式选择最大值；
步骤S3.7：第三个池化后接全连接层FC-6，并在全连接层后接Maxout激活函数和Dropout函数。全连接层FC-7参数设置和FC-6一致；
步骤S3.8：在全连接层的FC-7和FC-8层之间增加一个隐层H，隐层神经元个数为128，隐层H后接一个Sigmoid激活函数，把输出控制位{0，1}；
步骤S3.9：FC-8层输出节点数根据具体分类类别设定。
对河流表面流速图像分类神经网络进行训练及测试的过程如下：
步骤S4.1计算训练数据集的均值文件；
步骤S4.2将训练样本预处理后的图像输入卷积神经网络，并在全连接层设定随机参数；
步骤S4.3基于NVIDIA-Dali，对输入神经网络的样本进行在线数据增广：
步骤S4.3.1对输入样本进行亮度调整；
步骤S4.3.2对输入样本进行对比度调整；
步骤S4.4向初始化后的网络模型中输入训练样本和标签，通过前向传播和反向传播两个步骤反复训练直到达到最大的迭代次数，使损失函数值最小，得到最终的河流表面流速检测模型。
步骤S5对河流表面流速进行检测过程如下：
5.1将预处理好的测试数据集送入训练好的网络模型，提取测试图像的多尺度特征；
5.2将提取的多尺度特征送入Softmax分类器，输出测试图像属于某一类别的概率；
5.3将图像属于某一类别的概率和河流表面流速图像对应的标签输入Accuracy网络层，输出河流表面流速被正确分类的概率。
Claims (5)
1.一种基于深度学习的河流表面流速检测方法，其特征在于：包括如下步骤：
S1、获取带有训练结果标签的河流表面的图像数据；
S2、对数据进行预处理，生成训练集和验证集；
S3、利用卷积神经网络搭建河流表面流速图像分类神经网络：
步骤S3.1：构建神经卷积网络框架，该网络框架由一个输入层、五个卷积层、三个池化层、三个全连接层、一个隐层和一个Softmax层组成；
步骤S3.2：第一个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第一个池化层，优选的，池化方式选择最大值；
步骤S3.3：第一个池化层后接第二个卷积层，第二个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第二个池化层，优选的，池化方式选择最大值；
步骤S3.4：第二个池化层后接第三个卷积层，第三个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层；
步骤S3.5：上一Relu层后接第四个卷积层，第四个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层；
步骤S3.6：上一Relu层后接第五个卷积层，第五个卷积层后接BatchNorm批规范化处理层，BatchNorm层后接归一化scale层，归一化后接Relu激活层，Relu激活层后接第三个池化层，优选的，池化方式选择最大值；
步骤S3.7：第三个池化后接全连接层FC-6，并在全连接层后接Maxout激活函数和Dropout函数；
全连接层FC-7参数设置和FC-6一致；
步骤S3.8：在全连接层的FC-7和FC-8层之间增加一个隐层H，隐层神经元个数为128，隐层H后接一个Sigmoid激活函数，把输出控制位{0，1}；
步骤S3.9：FC-8层输出节点数根据具体分类类别设定
S3、对河流表面流速图像分类神经网络进行训练及测试；
S4、利用计算机视觉算法检测单张河流表面的流速。
2.根据权利要求1所述的一种基于深度学习的河流表面流速检测方法，其特征在于：步骤S1采用的河流表面流速数据采集步骤为：
步骤S1.1：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，则选取平坦河流树立支架安装摄像头，调整摄像头角度使其捕获的画面仅有河流表面图像，无河岸杂物；
步骤S1.2：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，并用现场设备测取拍摄每段视频的河流流速。
3.根据权利要求1所述的一种基于深度学习的河流表面流速检测方法，其特征在于：步骤S2具体过程如下：
步骤S2.1：利用python代码隔帧截取视频图像，将同一段视频截取的图像归为同一流速，建立图像和流速关系映射表；
步骤S2.2：对流速进行范围性分类并用数字标记（0，1，2，...）每个类别，对照图像与流速映射表，依次对所属流速范围图片进行类别标记，作为训练集和验证集的类别标签；
步骤S2.3：随机将所有数据集分为训练集和验证集，训练集和验证集的比例取10：1；
步骤S2.4：利用Python代码将图像和对应的标签转换成卷积神经网络能识别的数据类型：LMDB格式的输入文件。
4.根据权利要求1所述的一种基于深度学习的河流表面流速检测方法，其特征在于：步骤S4具体过程如下：
步骤S4.1：计算训练数据集的均值文件；
步骤S4.2：将训练样本预处理后的图像输入卷积神经网络，并在全连接层设定随机参数；
步骤S4.3：基于NVIDIA-Dali，对输入神经网络的样本进行在线数据增广：
步骤S4.3.1：对输入样本进行亮度调整；
步骤S4.3.2：对输入样本进行对比度调整；
步骤S4.4：向初始化后的网络模型中输入训练样本和标签，通过前向传播和反向传播两个步骤反复训练直到达到最大的迭代次数，使损失函数值最小，得到最终的河流表面流速检测模型。
5.根据权利要求1所述的一种基于深度学习的河流表面流速检测方法，其特征在于：步骤S5对河流表面流速进行检测过程如下：
步骤S5.1：将预处理好的测试数据集送入训练好的网络模型，提取测试图像的多尺度特征；
步骤S5.2：将提取的多尺度特征送入Softmax分类器，输出测试图像属于某一类别的概率；
步骤S5.3：将图像属于某一类别的概率和河流表面流速图像对应的标签输入Accuracy网络层，输出河流表面流速被正确分类的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011049364.0A CN112149597A (zh) | 2020-09-29 | 2020-09-29 | 一种基于深度学习的河流表面流速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011049364.0A CN112149597A (zh) | 2020-09-29 | 2020-09-29 | 一种基于深度学习的河流表面流速检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149597A true CN112149597A (zh) | 2020-12-29 |
Family
ID=73896108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011049364.0A Pending CN112149597A (zh) | 2020-09-29 | 2020-09-29 | 一种基于深度学习的河流表面流速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149597A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819817A (zh) * | 2021-02-26 | 2021-05-18 | 澜途集思生态科技集团有限公司 | 基于图计算的河流流速估计方法 |
| CN113945729A (zh) * | 2021-10-14 | 2022-01-18 | 吴平勇 | 一种基于渠道垂直切面的平均流速计算方法 |
| 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 |
| CN116843725A (zh) * | 2023-08-30 | 2023-10-03 | 武汉大水云科技有限公司 | 一种基于深度学习光流法的河流表面流速测量方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156734A (zh) * | 2016-06-28 | 2016-11-23 | 浙江工业大学 | 一种基于卷积神经网络图像识别的水流测速方法 |
| CN107292333A (zh) * | 2017-06-05 | 2017-10-24 | 浙江工业大学 | 一种基于深度学习的快速图像分类方法 |
| CN107330446A (zh) * | 2017-06-05 | 2017-11-07 | 浙江工业大学 | 一种面向图像分类的深度卷积神经网络的优化方法 |
| CN108399420A (zh) * | 2018-01-30 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
| CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
-
2020
- 2020-09-29 CN CN202011049364.0A patent/CN112149597A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156734A (zh) * | 2016-06-28 | 2016-11-23 | 浙江工业大学 | 一种基于卷积神经网络图像识别的水流测速方法 |
| CN107292333A (zh) * | 2017-06-05 | 2017-10-24 | 浙江工业大学 | 一种基于深度学习的快速图像分类方法 |
| CN107330446A (zh) * | 2017-06-05 | 2017-11-07 | 浙江工业大学 | 一种面向图像分类的深度卷积神经网络的优化方法 |
| CN108399420A (zh) * | 2018-01-30 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于深度卷积网络的可见光舰船虚警剔除方法 |
| CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 康行天下: "深度学习网络层之 Batch Normalization", pages 117, Retrieved from the Internet <URL:https://www.cnblogs.com/makefile/p/batch-norm.html> * |
| 新智元: "英伟达开源数据增强和数据解码库，解决计算机视觉性能瓶颈", pages 2 - 3, Retrieved from the Internet <URL:https://www.sohu.com/a/236988005_473283> * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819817A (zh) * | 2021-02-26 | 2021-05-18 | 澜途集思生态科技集团有限公司 | 基于图计算的河流流速估计方法 |
| CN113945729A (zh) * | 2021-10-14 | 2022-01-18 | 吴平勇 | 一种基于渠道垂直切面的平均流速计算方法 |
| CN113945729B (zh) * | 2021-10-14 | 2024-07-30 | 吴平勇 | 一种基于渠道垂直切面的平均流速计算方法 |
| 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 |
| CN116843725A (zh) * | 2023-08-30 | 2023-10-03 | 武汉大水云科技有限公司 | 一种基于深度学习光流法的河流表面流速测量方法及系统 |
| CN116843725B (zh) * | 2023-08-30 | 2024-01-05 | 武汉大水云科技有限公司 | 一种基于深度学习光流法的河流表面流速测量方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149597A (zh) | 一种基于深度学习的河流表面流速检测方法 | |
| CN106156734B (zh) | 一种基于卷积神经网络图像识别的水流测速方法 | |
| CN105608446B (zh) | 一种视频流异常事件的检测方法及装置 | |
| CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
| CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
| CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
| CN110213244A (zh) | 一种基于时空特征融合的网络入侵检测方法 | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
| CN111832484A (zh) | 一种基于卷积感知哈希算法的回环检测方法 | |
| CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
| CN112801270B (zh) | 融合深度卷积与注意力机制的u形网络槽自动识别方法 | |
| CN109002848B (zh) | 一种基于特征映射神经网络的弱小目标检测方法 | |
| CN108960047A (zh) | 基于深度二次树的视频监控中人脸去重方法 | |
| CN109919921B (zh) | 基于生成对抗网络的环境影响程度建模方法 | |
| CN113139500A (zh) | 烟雾检测方法、系统、介质及设备 | |
| CN115761537B (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
| CN108932712A (zh) | 一种转子绕组质量检测系统及方法 | |
| CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
| CN105160285A (zh) | 基于立体视觉的自动人体跌倒识别方法及系统 | |
| CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
| CN113379737A (zh) | 基于图像处理及深度学习的管道缺陷智能检测方法及应用 | |
| CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
| CN114708518A (zh) | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 | |
| CN111862065A (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 |
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 |
Application publication date: 20201229 |
|
| RJ01 | Rejection of invention patent application after publication |