CN112508986B - 一种基于深度卷积网络与随机场的水位测量方法 - Google Patents
一种基于深度卷积网络与随机场的水位测量方法 Download PDFInfo
- Publication number
- CN112508986B CN112508986B CN202011409785.XA CN202011409785A CN112508986B CN 112508986 B CN112508986 B CN 112508986B CN 202011409785 A CN202011409785 A CN 202011409785A CN 112508986 B CN112508986 B CN 112508986B
- Authority
- CN
- China
- Prior art keywords
- pixel
- water surface
- sampling
- image
- layer
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 168
- 238000000691 measurement method Methods 0.000 title description 3
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 102
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06F18/29—Graphical models, e.g. Bayesian 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Abstract
本发明提出了一种基于深度卷积网络与随机场的水位测量方法,首先基于提出的深度网络结构,通过构建的水面数据集进行训练。选取合适的观测点,对于观测范围内的稳定标识物,记录特征像素点坐标及其对应的高程,通过插值方法构建像素高程插值函数;对观测图像进行去噪稳定处理后输入训练后深度卷积网络进行预测,根据预测的结果进行初步的分割后建立条件概率场模型。采用平均场近似最小化近似分布与目标分布的KL散度,得到最优水面分割,进而根据水面区域的像素以及高程插值函数得到最优分割中水面区域的像素的高程即水位。本发明优点采用非接触式的方法,实时自动的监测水位。相比于其它的接触式测量设备布设成本低,且具有异常修正的能力。
Description
技术领域
本发明属于水位监测技术领域,尤其涉及一种基于深度卷积网络与随机场的水位测量方法。
背景技术
水文测验是一项国家重要的基础工作。水位测量作为水文测验的重要组成部分,在水资源的规划管理,防汛抗旱等方面起到了重要的作用。随着信息化程度的提高,对水位测量的要求也逐渐向自动化,智能化靠拢。这对长时段内无工作人员值守的情况下收集水位数据提出了要求。
对于水位监测,现在常用的手段有立设水尺进行人为观测,设置压力传感器等方式,目前自动化监测广泛采用的方式为压力传感器,存在着布设成本较高,且不具有异常值矫正的问题。鉴于监控相机的广泛布设,利用采集到的图像信息作为精细化水位监测,预警的方式,具有重要的意义。
发明内容
本发明的主要目的在于提供一种基于深度卷积网络与随机场的水位测量方法,以解决利用图像资料反演水位的问题
为了实现上述目的,本发明的技术方案为一种基于深度卷积网络与随机场的水位测量方法,具体包括如下步骤:
步骤1:构建水面数据集;
步骤2:构建深度卷积神经网络,将水面数据集作为输入训练数据集,结合深度卷积神经网络损失函数进行寻优,得到寻优化深度卷积神经网络;
步骤3:在水位监测现场选取合适的观测点位置架设相机并进行固定,选取观测视野内稳定标识物,通过相机采集水位监测现场的图像,在水位监测现场的图像中记录特征像素点坐标并记录该特征像素点对应的高程,构建像素高程数据集合进一步通过插值方法构建像素高程插值函数;
步骤4:对水位监测现场的图像进行去噪稳定处理,得到去噪预处理的图像;
步骤5:将去噪预处理的图像输入优化后深度卷积神经网络进行预测,得到与去噪预处理的图像尺寸大小相同的像素级概率分布,根据图像的质量情况确定分类阈值进行初步分割,得到初步分割的图像;
步骤6:根据对于初步分割的图像构建概率场模型,采用Gibbs分布将概率场模型表示为条件概率模型,将条件概率模型近似等效为平均场模型,将条件概率模型与平均场模型之间的散度作为优化目标,进一步优化得到最后的分布的分割图像;
步骤7:将最后的分布的分割图像中属于水面区域的像素,进一步根据步骤3中所述高程插值函数,得到最后的分布的分割图像中属于水面区域的像素的高程即水深。
作为优选,步骤1所述通过收集各种场景下多幅含有水面的图像作为多幅原始水面图像;
依次对每幅原始水面图像进行标注得到标准后水面图像;
所述标注为将每幅原始水面图像中水面区域对应的像素标注为1,非水面区域对应的像素标注为0;
步骤1所述水面数据集为:
(datak(x,y),flagk(x,y))
x∈[1,X],y∈[1,Y],k∈[1,N]
其中,X为标准后水面图像的行数,Y为标准后水面图像的列数,N为水面数据集中标准后水面图像的数量即样本的数量,datak(x,y)表示水面数据集中第k幅标准后水面图像中第x行第y列的像素,flagk(x,y)表示水面数据集中第k幅标准后水面图像中第x行第y列的像素标签,flagk(x,y)=1表示水面数据集中第k幅标准后水面图像中第x行第y列的像素属于水面,flagk(x,y)=0表示水面数据集中第k幅标准后水面图像中第x行第y列的像素不属于水面;
作为优选,步骤2所述深度卷积网络由下采样模块、上采样模块连接构成;
所述的下采样模块由:第一下采样卷积层、第一下采样池化层、第二下采样卷积层、第二下采样池化层、...、第K下采样卷积层、第K下采样池化层、第K+1下采样卷积层、全连接层级联构成;
所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层中分别具有不同尺度的卷积核;所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层的卷积核参数与偏置为待寻优参数
所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层每层对其特征图进行卷积操作;
所述的上采样模块由:第一上采样卷积层、第一上采样反卷积层、第二上采样卷积层、第二上采样反卷积层、...、第K上采样卷积层、第K上采样反卷积层、第K+1上采样卷积层级联构成;
所述的第一上采样卷积层、第二上采样卷积层、...、第K+1上采样卷积层中分别具有不同尺度的卷积核;
所述的第一上采样卷积层、第二上采样卷积层、...、第K+1上采样卷积层的卷积核参数与偏置为待寻优参数
所述下采样模块中全连接层与所述上采样模块中第一上采样卷积层连接;
所述的第一上采样反卷积层、第二上采样反卷积层、...、第K+1上采样卷积层各层对其特征图进行上采样;
所述第k下采样卷积层卷积处理后的特征图与所述第k上采样反卷积层上采样后的特征图进行融合;
步骤2所述将水面数据集作为输入训练数据集:
将步骤1所述的水面数据集中每个样本即(datak(x,y),flagk(x,y))作为深度卷积神经网络的输入数据;
将flagk(x,y)作为水面数据集中第k幅标准后水面图像中第x行第y列的像素的真实标签;
将flag*k(x,y)作为水面数据集中第k幅标准后水面图像中第x行第y列的像素的预测标签,即通过所述深度卷积神经网络预测输出的标签;
x∈[1,X],y∈[1,Y],k∈[1,N],X为标准后水面图像的行数,Y为标准后水面图像的列数,N为水面数据集中标准后水面图像的数量即样本的数量;
步骤2所述结合深度卷积神经网络,定义在对第k个训练样本上,坐标为[x,y]的损失函数进行寻优为:
L=-(flagklog(flag*k)+(1-flagk)log(1-flag*k))
将水面的分割问题视为一个二分类问题,通过不同大小的卷积核提取不同的图像特征,通过上下采样的方式来传递不同尺度的信息;
基于损失函数L使用梯度下降对多个上采样卷积层中的卷积核参数与偏置、多个下次采样卷积层中的卷积核参数与偏置进行寻优,通过寻优后的多个上采样卷积层中的卷积核参数与偏置、多个下次采样卷积层中的卷积核参数与偏置进行寻优构建步骤2所述优化后深度卷积神经网络;
作为优选,步骤3所述在通过相机采集水位监测现场的图像中记录特征像素点坐标并记录该特征像素点对应的高程为:
对于所采集的n个特征像素点,具体定义为:
datai=(xi,yi)
i∈{1,2,...,n}
其中,(xi,yi)表示水位监测现场的图像中第yi行第xi列的像素;
步骤1所述像素高程数据集合为:
{(xi,yi),hi}
i∈{1,2,...,n}
其中,(xi,yi)表示像素高程数据集合中第i个像素高程数据的像素,hi表示像素高程数据集合中第i个像素(xi,yi)对应的高程,n为像素点的数量;
步骤3所述通过插值方法构建像素高程插值函数为:
记d为像素坐标之间的欧式距离函数:
记待测量的像素坐标为(xr,yr),在像素-高程集合中寻找待测量的像素邻近的像素点(xu,yu),(xd,yd)满足
min d(xu,yu,xr,yr)+d(xd,yd,xr,yr)
测量的像素坐标(xr,yr)对应的高程hr为
作为优选,所述步骤5所述与去噪预处理的图像尺寸大小相同的像素级概率分布为:
p其中,p(u,v)为优化后深度卷积神经网络预测的第u行第v列的像素概率,u∈[1,X],v∈[1,Y],X为去噪预处理的图像的行数,Y为去噪预处理的图像的列数;
步骤5所述根据图像的质量情况确定分类阈值进行初步分割为:
其中,class(u,v)表示初步分割的图像,class(u,v)=1代表第u行第v列的像素属于水域,class(u,v)=0代表第u行第v列的像素不属于水域,θ为分类阈值;
作为优选,步骤6所述根据对于初步分割的图像构建概率场模型,具体为:
对于所述的概率场模型,以I表示像素,以X表示像素对应的真实类别即步骤4中所述初步分割的结果,X={0,1},X=1表示水域,X=0表示不属于水域;
步骤6所述采用Gibbs分布将概率场模型表示为条件概率模型:
式中,Z(I)为正则化常数,用于归一化概率分布,CG表示图中所有的团,φc(*)函数表示定义在团c上的配分函数,P(X|I)表示目标随机场;
步骤6所述将条件概率模型近似等效为平均场模型为:
使用平均场模型即Q(X)对P(X|I)进行近似;
假定Q(X)由若干个互相独立的分布表示:
Q(X)=ΠQ(Xi)
其中,Q(Xi)表示用于逼近P(X|I)的Q(X)的第i个独立的分布
步骤5所述将条件概率模型与平均场模型之间的散度作为优化目标为:
将Q(X)与P(X|I)的KL散度最小化作为优化目标,具体如下:
其中,KL(Q||P)表示Q(X)与P(X|I)的KL散度;
对Q的似然函数采用提督下降从而得到目标最佳近似分布进而得到最后的分布的分割图像;
本发明优点在于,采用非接触式的方法,实时自动的监测水位。相比于其它的接触式测量设备布设成本低,且具有异常修正的能力。
附图说明
图1:像素-高程特征函数
图2:水域识别的深度卷积网络结构
图3:随机场模型
图4:随机场精细化划分
图5:本发明方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1在至图5介绍本发明的具体实施方式为:一种基于深度卷积网络与随机场的水位测量方法,具体包括如下步骤:
步骤1:构建水面数据集;
通过收集各种场景下多幅含有水面的图像作为多幅原始水面图像;
依次对每幅原始水面图像进行标注得到标准后水面图像;
所述标注为将每幅原始水面图像中水面区域对应的像素标注为1,非水面区域对应的像素标注为0;
步骤1所述水面数据集为:
(datak(x,y),flagk(x,y))
x∈[1,X],y∈[1,Y],k∈[1,N]
其中,X为标准后水面图像的行数,Y为标准后水面图像的列数,N为水面数据集中标准后水面图像的数量即样本的数量,datak(x,y)表示水面数据集中第k幅标准后水面图像中第x行第y列的像素,flagk(x,y)表示水面数据集中第k幅标准后水面图像中第x行第y列的像素标签,flagk(x,y)=1表示水面数据集中第k幅标准后水面图像中第x行第y列的像素属于水面,flagk(x,y)=0表示水面数据集中第k幅标准后水面图像中第x行第y列的像素不属于水面;
步骤2:构建深度卷积神经网络,将水面数据集作为输入训练数据集,结合深度卷积神经网络损失函数进行寻优,得到寻优化深度卷积神经网络;
步骤2所述深度卷积网络由下采样模块、上采样模块连接构成,如图2所示;
所述的下采样模块由:第一下采样卷积层、第一下采样池化层、第二下采样卷积层、第二下采样池化层、...、第K下采样卷积层、第K下采样池化层、第K+1下采样卷积层、全连接层级联构成;
所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层中分别具有不同尺度的卷积核;所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层的卷积核参数与偏置为待寻优参数
所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层每层对其特征图进行卷积操作;
所述的上采样模块由:第一上采样卷积层、第一上采样反卷积层、第二上采样卷积层、第二上采样反卷积层、...、第K上采样卷积层、第K上采样反卷积层、第K+1上采样卷积层级联构成;
所述的第一上采样卷积层、第二上采样卷积层、...、第K+1上采样卷积层中分别具有不同尺度的卷积核;
所述的第一上采样卷积层、第二上采样卷积层、...、第K+1上采样卷积层的卷积核参数与偏置为待寻优参数
所述下采样模块中全连接层与所述上采样模块中第一上采样卷积层连接;
所述的第一上采样反卷积层、第二上采样反卷积层、...、第K+1上采样卷积层各层对其特征图进行上采样;
所述第k下采样卷积层卷积处理后的特征图与所述第k上采样反卷积层上采样后的特征图进行融合;
步骤2所述将水面数据集作为输入训练数据集:
将步骤1所述的水面数据集中每个样本即(datak(x,y),flagk(x,y))作为深度卷积神经网络的输入数据;
将flagk(x,y)作为水面数据集中第k幅标准后水面图像中第x行第y列的像素的真实标签;
将flag*k(x,y)作为水面数据集中第k幅标准后水面图像中第x行第y列的像素的预测标签,即通过所述深度卷积神经网络预测输出的标签;
x∈[1,X],y∈[1,Y],k∈[1,N],X为标准后水面图像的行数,Y为标准后水面图像的列数,N为水面数据集中标准后水面图像的数量即样本的数量;
步骤2所述结合深度卷积神经网络,定义在对第k个训练样本上,坐标为[x,y]的损失函数进行寻优为:
L=-(flagklog(flag*k)+(1-flagk)log(1-flag*k))
将水面的分割问题视为一个二分类问题,通过不同大小的卷积核提取不同的图像特征,通过上下采样的方式来传递不同尺度的信息;
基于损失函数L使用梯度下降对多个上采样卷积层中的卷积核参数与偏置、多个下次采样卷积层中的卷积核参数与偏置进行寻优,通过寻优后的多个上采样卷积层中的卷积核参数与偏置、多个下次采样卷积层中的卷积核参数与偏置进行寻优构建步骤2所述优化后深度卷积神经网络;
步骤3:在水位监测现场选取合适的观测点位置架设相机并进行固定,选取观测视野内稳定标识物,通过相机采集水位监测现场的图像,在水位监测现场的图像中记录特征像素点坐标并记录该特征像素点对应的高程,构建像素高程数据集合进一步通过插值方法构建像素高程插值函数;
步骤3所述在通过相机采集水位监测现场的图像中记录特征像素点坐标并记录该特征像素点对应的高程,如图1所示:
对于所采集的n个特征像素点,具体定义为:
datai=(xi,yi)
i∈{1,2,...,n}
其中,(xi,yi)表示水位监测现场的图像中第yi行第xi列的像素;
步骤1所述像素高程数据集合为:
{(xi,yi),hi}
i∈{1,2,...,n}
其中,(xi,yi)表示像素高程数据集合中第i个像素高程数据的像素,hi表示像素高程数据集合中第i个像素(xi,yi)对应的高程,n为像素点的数量;
步骤3所述通过插值方法构建像素高程插值函数为:
记d为像素坐标之间的欧式距离函数:
记待测量的像素坐标为(xr,yr),在像素-高程集合中寻找待测量的像素邻近的像素点(xu,yu),(xd,yd)满足
min d(xu,yu,xr,yr)+d(xd,yd,xr,yr)
测量的像素坐标(xr,yr)对应的高程hr为
步骤4:对水位监测现场的图像进行去噪稳定处理,得到去噪预处理的图像;
步骤5:将去噪预处理的图像输入优化后深度卷积神经网络进行预测,得到与去噪预处理的图像尺寸大小相同的像素级概率分布,根据图像的质量情况确定分类阈值进行初步分割,得到初步分割的图像;
所述步骤5所述与去噪预处理的图像尺寸大小相同的像素级概率分布为:
p其中,p(u,v)为优化后深度卷积神经网络预测的第u行第v列的像素概率,u∈[1,X],v∈[1,Y],X为去噪预处理的图像的行数,Y为去噪预处理的图像的列数;
步骤5所述根据图像的质量情况确定分类阈值进行初步分割为:
其中,class(u,v)表示初步分割的图像,class(u,v)=1代表第u行第v列的像素属于水域,class(u,v)=0代表第u行第v列的像素不属于水域,θ为分类阈值;
步骤6:根据对于初步分割的图像构建概率场模型,采用Gibbs分布将概率场模型表示为条件概率模型,将条件概率模型近似等效为平均场模型,将条件概率模型与平均场模型之间的散度作为优化目标,进一步优化得到最后的分布的分割图像;
如图3所示,步骤6所述根据对于初步分割的图像构建概率场模型,具体为:
对于所述的概率场模型,以I表示像素,以X表示像素对应的真实类别即步骤4中所述初步分割的结果,X={0,1},X=1表示水域,X=0表示不属于水域;
步骤6所述采用Gibbs分布将概率场模型表示为条件概率模型:
式中,Z(I)为正则化常数,用于归一化概率分布,CG表示图中所有的团,φc(*)函数表示定义在团c上的配分函数,P(X|I)表示目标随机场;
步骤6所述将条件概率模型近似等效为平均场模型为:
使用平均场模型即Q(X)对P(X|I)进行近似;
假定Q(X)由若干个互相独立的分布表示:
Q(X)=ΠQ(Xi)
其中,Q(Xi)表示用于逼近P(X|I)的Q(X)的第i个独立的分布
步骤5所述将条件概率模型与平均场模型之间的散度作为优化目标为:
将Q(X)与P(X|I)的KL散度最小化作为优化目标,具体如下:
其中,KL(Q||P)表示Q(X)与P(X|I)的KL散度;
对Q的似然函数采用梯度下降从而得到目标最佳近似分布进而得到符合最后的分布的分割图像,如图4所示。
步骤7:将最后的分布的分割图像中属于水面区域的像素,进一步根据步骤3中所述高程插值函数,得到最后的分布的分割图像中属于水面区域的像素的高程即水深。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于深度卷积网络与随机场的水位测量方法,其特征在于,包括如下步骤:
步骤1:构建水面数据集;
步骤2:构建深度卷积神经网络,将水面数据集作为输入训练数据集,结合深度卷积神经网络损失函数进行寻优,得到寻优化深度卷积神经网络;
步骤3:在水位监测现场选取合适的观测点位置架设相机并进行固定,选取观测视野内稳定标识物,通过相机采集水位监测现场的图像,在水位监测现场的图像中记录特征像素点坐标并记录该特征像素点对应的高程,构建像素高程数据集合进一步通过插值方法构建像素高程插值函数;
步骤4:对水位监测现场的图像进行去噪稳定处理,得到去噪预处理的图像;
步骤5:将去噪预处理的图像输入优化后深度卷积神经网络进行预测,得到与去噪预处理的图像尺寸大小相同的像素级概率分布,根据图像的质量情况确定分类阈值进行初步分割,得到初步分割的图像;
步骤6:根据对于初步分割的图像构建概率场模型,采用Gibbs分布将概率场模型表示为条件概率模型,将条件概率模型近似等效为平均场模型,将条件概率模型与平均场模型之间的散度作为优化目标,进一步优化得到最后的分布的分割图像;
步骤7:将最后的分布的分割图像中属于水面区域的像素,进一步根据步骤3中所述高程插值函数,得到最后的分布的分割图像中属于水面区域的像素的高程即水深;
步骤3所述在水位监测现场的图像中记录特征像素点坐标并记录该特征像素点对应的高程为:
对于所采集的n个特征像素点,具体定义为:
datai=(xi,yi)
i∈{1,2,...,n}
其中,(xi,yi)表示水位监测现场的图像中第yi行第xi列的像素;
步骤3所述像素高程数据集合为:
{(xi,yi),hi}
i∈{1,2,...,n}
其中,(xi,yi)表示像素高程数据集合中第i个像素高程数据的像素,hi表示像素高程数据集合中第i个像素(xi,yi)对应的高程,n为像素点的数量;
步骤3所述通过插值方法构建像素高程插值函数为:
记d为像素坐标之间的欧式距离函数:
记待测量的像素坐标为(xr,yr),在像素-高程集合中寻找待测量的像素邻近的像素点(xu,yu),(xd,yd)满足
min d(xu,yu,xr,yr)+d(xd,yd,xr,yr)
测量的像素坐标(xr,yr)对应的高程hr为
2.根据权利要求1所述的基于深度卷积网络与随机场的水位测量方法,其特征在于:
通过收集各种场景下多幅含有水面的图像作为多幅原始水面图像;
依次对每幅原始水面图像进行标注得到标准后水面图像;
所述标注为将每幅原始水面图像中水面区域对应的像素标注为1,非水面区域对应的像素标注为0;
步骤1所述水面数据集为:
(datak(x,y),flagk(x,y))
x∈[1,X],y∈[1,Y],k∈[1,N]
其中,X为标准后水面图像的行数,Y为标准后水面图像的列数,N为水面数据集中标准后水面图像的数量即样本的数量,datak(x,y)表示水面数据集中第k幅标准后水面图像中第x行第y列的像素,flagk(x,y)表示水面数据集中第k幅标准后水面图像中第x行第y列的像素标签,flagk(x,y)=1表示水面数据集中第k幅标准后水面图像中第x行第y列的像素属于水面,flagk(x,y)=0表示水面数据集中第k幅标准后水面图像中第x行第y列的像素不属于水面。
3.根据权利要求1所述的基于深度卷积网络与随机场的水位测量方法,其特征在于:
步骤2所述深度卷积网络由下采样模块、上采样模块连接构成;
所述的下采样模块由:第一下采样卷积层、第一下采样池化层、第二下采样卷积层、第二下采样池化层、...、第K下采样卷积层、第K下采样池化层、第K+1下采样卷积层、全连接层级联构成;
所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层中分别具有不同尺度的卷积核;所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层的卷积核参数与偏置为待寻优参数
所述的第一下采样卷积层、第二下采样卷积层、...、第K+1下采样卷积层每层对其特征图进行卷积操作;
所述的上采样模块由:第一上采样卷积层、第一上采样反卷积层、第二上采样卷积层、第二上采样反卷积层、...、第K上采样卷积层、第K上采样反卷积层、第K+1上采样卷积层级联构成;
所述的第一上采样卷积层、第二上采样卷积层、...、第K+1上采样卷积层中分别具有不同尺度的卷积核;
所述的第一上采样卷积层、第二上采样卷积层、...、第K+1上采样卷积层的卷积核参数与偏置为待寻优参数
所述下采样模块中全连接层与所述上采样模块中第一上采样卷积层连接;
所述的第一上采样反卷积层、第二上采样反卷积层、...、第K+1上采样卷积层各层对其特征图进行上采样;
所述第k下采样卷积层卷积处理后的特征图与所述第k上采样反卷积层上采样后的特征图进行融合;
步骤2所述将水面数据集作为输入训练数据集:
将步骤1所述的水面数据集中每个样本即(datak(x,y),flagk(x,y))作为深度卷积神经网络的输入数据;
将flagk(x,y)作为水面数据集中第k幅标准后水面图像中第x行第y列的像素的真实标签;
将flag*k(x,y)作为水面数据集中第k幅标准后水面图像中第x行第y列的像素的预测标签,即通过所述深度卷积神经网络预测输出的标签;
x∈[1,X],y∈[1,Y],k∈[1,N],X为标准后水面图像的行数,Y为标准后水面图像的列数,N为水面数据集中标准后水面图像的数量即样本的数量;
步骤2所述结合深度卷积神经网络,定义在对第k个训练样本上,坐标为[x,y]的损失函数进行寻优为:
L=-(flagklog(flag*k)+(1-flagk)log(1-flag*k))
将水面的分割问题视为一个二分类问题,通过不同大小的卷积核提取不同的图像特征,通过上下采样的方式来传递不同尺度的信息;
基于损失函数L使用梯度下降对多个上采样卷积层中的卷积核参数与偏置、多个下次采样卷积层中的卷积核参数与偏置进行寻优,通过寻优后的多个上采样卷积层中的卷积核参数与偏置、多个下次采样卷积层中的卷积核参数与偏置进行寻优构建步骤2所述优化后深度卷积神经网络。
5.根据权利要求1所述的基于深度卷积网络与随机场的水位测量方法,其特征在于:
步骤6所述根据对于初步分割的图像构建概率场模型,具体为:
对于所述的概率场模型,以I表示像素,以X表示像素对应的真实类别即步骤4中所述初步分割的结果,X={0,1},X=1表示水域,X=0表示不属于水域;
步骤6所述采用Gibbs分布将概率场模型表示为条件概率模型:
式中,Z(I)为正则化常数,用于归一化概率分布,CG表示图中所有的团,φc(*)函数表示定义在团c上的配分函数,P(X|I)表示目标随机场;
步骤6所述将条件概率模型近似等效为平均场模型为:
使用平均场模型即Q(X)对P(X|I)进行近似;
假定Q(X)由若干个互相独立的分布表示:
Q(X)=ΠQ(Xq)
其中,Q(Xq )表示用于逼近P(X|I)的Q(X)的第q个独立的分布;
步骤5所述将条件概率模型与平均场模型之间的散度作为优化目标为:
将Q(X)与P(X|I)的KL散度最小化作为优化目标,具体如下:
其中,KL(Q||P)表示Q(X)与P(X|I)的KL散度;
对Q的似然函数采用提督下降从而得到目标最佳近似分布进而得到最后的分布的分割图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409785.XA CN112508986B (zh) | 2020-12-04 | 2020-12-04 | 一种基于深度卷积网络与随机场的水位测量方法 |
AU2021277762A AU2021277762B2 (en) | 2020-12-04 | 2021-12-03 | Water level measurement method based on deep convolutional network and random field |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409785.XA CN112508986B (zh) | 2020-12-04 | 2020-12-04 | 一种基于深度卷积网络与随机场的水位测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508986A CN112508986A (zh) | 2021-03-16 |
CN112508986B true CN112508986B (zh) | 2022-07-05 |
Family
ID=74971800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011409785.XA Active CN112508986B (zh) | 2020-12-04 | 2020-12-04 | 一种基于深度卷积网络与随机场的水位测量方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112508986B (zh) |
AU (1) | AU2021277762B2 (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985238A (zh) * | 2018-07-23 | 2018-12-11 | 武汉大学 | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统 |
CN111598098A (zh) * | 2020-05-09 | 2020-08-28 | 河海大学 | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11715001B2 (en) * | 2018-04-02 | 2023-08-01 | International Business Machines Corporation | Water quality prediction |
CN109815865B (zh) * | 2019-01-11 | 2021-11-16 | 江河瑞通(北京)技术有限公司 | 一种基于虚拟水尺的水位识别方法及系统 |
CN110223341A (zh) * | 2019-06-14 | 2019-09-10 | 北京国信华源科技有限公司 | 一种基于图像识别的智能水位监测方法 |
CN110543872B (zh) * | 2019-09-12 | 2023-04-18 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
CN111104889B (zh) * | 2019-12-04 | 2023-09-05 | 山东科技大学 | 一种基于U-net的水体遥感识别方法 |
CN111473818B (zh) * | 2020-04-27 | 2021-05-11 | 河海大学 | 一种人工沙滩多源监测数据集成分析方法 |
CN111767801B (zh) * | 2020-06-03 | 2023-06-16 | 中国地质大学(武汉) | 一种基于深度学习的遥感影像水域自动提取方法及系统 |
CN111998910B (zh) * | 2020-08-26 | 2021-09-24 | 河海大学 | 一种多级水尺水位视觉测量方法及测量系统 |
-
2020
- 2020-12-04 CN CN202011409785.XA patent/CN112508986B/zh active Active
-
2021
- 2021-12-03 AU AU2021277762A patent/AU2021277762B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985238A (zh) * | 2018-07-23 | 2018-12-11 | 武汉大学 | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统 |
CN111598098A (zh) * | 2020-05-09 | 2020-08-28 | 河海大学 | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 |
Also Published As
Publication number | Publication date |
---|---|
AU2021277762A1 (en) | 2022-06-23 |
CN112508986A (zh) | 2021-03-16 |
AU2021277762B2 (en) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
US20210374466A1 (en) | Water level monitoring method based on cluster partition and scale recognition | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN113065578B (zh) | 一种基于双路区域注意力编解码的图像视觉语义分割方法 | |
CN110766690B (zh) | 基于深度学习点监督思想的麦穗检测和计数方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN115880571A (zh) | 一种基于语义分割的水位尺读数识别方法 | |
CN113592839B (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
CN114549970A (zh) | 融合全局细粒度信息的夜间小目标果实检测方法及系统 | |
CN115578695B (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
CN117173187A (zh) | 一种阀门故障智能检测系统 | |
CN116110006B (zh) | 一种用于智慧旅游系统的景区游客异常行为识别方法 | |
CN112508986B (zh) | 一种基于深度卷积网络与随机场的水位测量方法 | |
CN112561885A (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN111476129A (zh) | 一种基于深度学习的土壤杂质检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |