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 PDF

Info

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
Application number
CN202011049364.0A
Other languages
English (en)
Inventor
刘昌军
吕国敏
马强
李辉
桑国庆
孙涛
涂勇
刘荣华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202011049364.0A priority Critical patent/CN112149597A/zh
Publication of CN112149597A publication Critical patent/CN112149597A/zh
Pending legal-status Critical Current

Links

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

一种基于深度学习的河流表面流速检测方法
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。
CN202011049364.0A 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 Pending CN112149597A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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 (5)

* Cited by examiner, † Cited by third party
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
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
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN113436169B (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
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
CN113139500B (zh) 烟雾检测方法、系统、介质及设备
CN108960047A (zh) 基于深度二次树的视频监控中人脸去重方法
CN112766218B (zh) 基于非对称联合教学网络的跨域行人重识别方法和装置
CN111738054B (zh) 一种基于时空自编码器网络和时空cnn的行为异常检测方法
CN109919921B (zh) 基于生成对抗网络的环境影响程度建模方法
CN111832484A (zh) 一种基于卷积感知哈希算法的回环检测方法
CN108932712A (zh) 一种转子绕组质量检测系统及方法
CN108154066B (zh) 一种基于曲率特征递归神经网络的三维目标识别方法
CN112149616A (zh) 基于动态信息的人物交互行为识别方法
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
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
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
CN115240069A (zh) 一种全雾天场景下的实时性障碍物检测方法
CN105160285A (zh) 基于立体视觉的自动人体跌倒识别方法及系统
CN115346149A (zh) 基于时空图卷积网络的跳绳计数方法和系统

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