CN113971774A - 一种输水结构表面淡水壳菜空间分布特征识别方法 - Google Patents
一种输水结构表面淡水壳菜空间分布特征识别方法 Download PDFInfo
- Publication number
- CN113971774A CN113971774A CN202111181332.0A CN202111181332A CN113971774A CN 113971774 A CN113971774 A CN 113971774A CN 202111181332 A CN202111181332 A CN 202111181332A CN 113971774 A CN113971774 A CN 113971774A
- Authority
- CN
- China
- Prior art keywords
- image
- semantic segmentation
- water delivery
- delivery structure
- limnoperna lacustris
- 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.)
- Granted
Links
- 241001091139 Limnoperna Species 0.000 title claims abstract description 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000003042 antagnostic effect Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 235000013311 vegetables Nutrition 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
- G06F18/24—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种输水结构表面淡水壳菜空间分布特征识别方法，包括以下步骤，S1：采集输水结构表面视频；S2：对步骤S1中采集到的输水结构表面视频进行预处理工作，得到预处理后的图像；S3：采用滑动窗口提取局部图像，基于轻量化L‑unet语义分割算法，对预处理后的图像进行语义分割处理；S4：根据语义分割处理后的图像，对淡水壳菜的特征进行识别计算。本发明中利用一套图像预处理方法，并基于优化后的Unet语义分割算法学习样本图像，通过训练得到淡水壳菜图像的语义分割模型，依据该模型进行淡水壳菜空间分布特征的识别，所提方法提高了淡水壳菜分割精度，为研究淡水壳菜对输水结构的影响规律提供技术支撑，保障长距离输水建筑物结构服役期的运行安全。
Description
技术领域
本发明涉及水利工程及图像识别技术领域，尤其涉及一种输水结构表面淡水 壳菜空间分布特征识别方法。
背景技术
水质质量及运行安全是保障受水区人民生活的根本要求。然而在对工 程水下检修时，发现输水结构内壁、水下护坡表面等区域都附着有淡水壳 菜，其会给混凝土性能、水质和工程运行安全带来不容忽视的长周期影响。 淡水壳菜通常以多个体稠密群聚簇生的方式附着在管壁、缝隙、阴暗角落 等区域，无法使用常规手段在水下确定淡水壳菜体长，密度，特别是在浑 浊水域和运行期依靠摄像机拍摄，人工识别更加困难。因此，如何对长距离输水结构表面附着的淡水壳菜进行准确快速识别是本领域技术人员亟 待解决的问题。
发明内容
针对上述存在的问题，本发明旨在提供一种输水结构表面淡水壳菜空间分布 特征识别方法，基于L-unet语义分割模型学习样本图像，通过训练得到淡水壳菜 图像的分割模型，依据该模型进行淡水壳菜空间分布特征的识别，为研究淡水壳 菜对输水结构的影响规律提供技术支撑，保障长距离输水建筑物结构服役期的运 行安全。
为了实现上述目的，本发明所采用的技术方案如下：
一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，包括以下 步骤，
S1：采集输水结构表面视频；
S2：对步骤S1中采集到的输水结构表面视频进行预处理，得到预处理后的 图像；
S3：采用滑动窗口提取局部图像，基于L-unet语义分割算法，对预处理后的 图像进行语义分割处理；
S4：根据语义分割处理后的图像，对淡水壳菜的特征进行识别计算。
进一步的，步骤S2的具体操作包括以下步骤，
S201：通过python语言对输水结构表面视频进行图像取帧，获取附着有淡 水壳菜的图像；
S202：采用FUnIE-GAN对抗神经网络算法对步骤S201中获取的水下图像 进行修复处理，还原水下真实颜色；
S203：采用基于二维伽马函数的图像自适应校正算法，对水下图像修复处理 后的图像进行均光处理；
S204：采用Gamma增强算法，对均光处理后的图像进行目标增强。
进一步的，步骤S202的具体操作包括以下步骤，
S2021：采用FUnIE-GAN对抗神经网络算法，准备训练集，对该神经网络进 行训练，使其具有水下图像修复能力；
S2022：采用训练后的FUnIE-GAN对抗神经网络对采集的水下图像进行水 下图像修复；
所述FUnIE-GAN对抗神经网络算法的结构为：
FUnIE-GAN由生成器与判别器构成，生成器包括编码器和解码器两部分， 编码器获取图像特征，解码器根据图像特征生成目标图像，生成器采用Unet网 络框架进行端到端训练；判别器采用马尔科夫辨别器，监督生成器生成目标图像 与真实目标图像的差距。
进一步的，步骤S203的具体操作包括：采用二维伽马函数的图像自适应校 正算法对步骤S202中水下图像修复处理后的图像的亮度进行调整，利用光照分 量的分布特性自适应调整二维伽马函数的相关参数，对亮度高的区域进行亮度衰 减处理，亮度低的区域进行亮度增强处理，实现对光照亮度不均匀图像的自适应 校正处理。
进一步的，步骤S3的具体操作包括以下步骤，
S301：对基于L-unet语义分割模型进行训练；
S302：将预处理后的图像作为原图像，采用滑动窗口方法将原图像分割成多 个小正方形图像；
S303：将滑动窗口分割出的小正方形图像导入步骤S301中训练好的L-unet 语义分割模型中，输出语义分割后的图像；
S304：采用条件随机场对语义分割后的图像进行细化；
S305：对细化后的小正方形图像进行拼接，恢复到原图像尺寸。
进一步的，步骤S301中所述的L-unet语义分割模型中采用L-unet语义分割 算法对图像进行分割；
L-unet语义分割算法由编码器和解码器两部分构成，编码器负责对输入图像 进行特征提取，解码器利用提取的特征生成分割目标图像，整个算法采用跳跃式 连接方式；采用膨胀卷积层代替最大池化层。
进一步的，步骤S301的具体操作包括以下步骤，
S3011：对预处理后的图像进行数据扩增；
S3012：对扩增后的图像设置一一对应的标签；
S3013：将扩增后的图像和相互对应的标签制作成数据集；
S3014：将步骤S3013中的数据集分为训练集、验证集和测试集；
S3015：利用训练集对L-unet语义分割模型进行训练，待精度曲线和损失曲 线达到稳定不变后停止训练；
S3016：利用验证集和测试集对训练后的L-unet语义分割模型进行评估。
进一步的，步骤S4的具体操作包括以下步骤，
S401：对语义分割处理后的图像进行轮廓获取；
S402：对每个淡水壳菜的轮廓进行尺寸估计；
S403：对淡水壳菜的个体尺寸进行分类，统计不同大小的壳菜数量；
S404：采用像素点统计方法，对淡水壳菜占相应输水结构表面区域的比例进 行计算。
本发明的有益效果是：
1、本发明中输水结构表面淡水壳菜空间分布特征识别方法可对输水结构表 面的淡水壳菜的空间分布特征进行识别，利用水下机器人携带的高清摄像设备对 输水结构表面进行视频采集，然后对采集到的视频进行图像修复、均光处理、 Gamma增强等一系列预处理工作，采用滑动窗口提取局部图像，基于L-unet语 义分割模型对预处理后的图像进行语义分割，根据语义分割后的图像进行淡水壳 菜轮廓提取，进而对淡水壳菜的空间分布特征进行识别，所提方法提高了淡水壳 菜分割精度，实现了自动化与智能化，为研究淡水壳菜对输水结构的影响规律提 供技术支撑，保障长距离输水建筑物结构服役期的运行安全。
2、本发明中研发了一套水下视频预处理流程，该方法很好的对水下图像进 行处理，使目标图像更加清晰，可提高后续语义识别的识别精度，有效的克服了 水下图像不清楚，图像目标对比度差等问题。
3、本发明中在语义分割阶段，采用L-unet语义分割模型，该模型具有操作 简单，分割速度快，对样本需求量小等优点；同时采用了大图像滑动分割后再重 新拼接的方法，克服了目前语义分割模型对大图像分割存在的时间成本高，精度 差的问题，本步骤中还采用了条件随机场的概念，该方法该对分割的图像进一步 细化，减少错误分割，提高精度。
4、本发明中基于语义分割后的图像对淡水壳菜轮廓进行提取，并计算其长 度、宽度、数量以及在图中面积分布占比，克服了常规手段无法对水下淡水壳菜 体长、密度等特征进行识别的困难，为后续的研究淡水壳菜对输水结构的影响有 重要作用。
附图说明
图1为本发明输水结构表面淡水壳菜空间分布特征识别方法总体流程图；
图2为本发明实施例一中通过python语言对输水结构表面视频进行图像取帧， 获取的附着有淡水壳菜的图像；
图3为本发明实施例一中Unet网络框架；
图4为本发明实施例一中马尔科夫辨别器框图；
图5为本发明实施例一中L-unet语义分割模型结构框图；
图6为本发明实施例一中语义分割模型分割后的图像；
图7为本发明实施例一中对淡水壳菜的轮廓进行尺寸估计的图像。
图8为本发明实施例二中通过python语言对输水结构表面视频进行图像取帧， 获取的附着有淡水壳菜的图像；
图9为本发明实施例二中利用本发明中图像预处理方法对图8中图像进行预 处理后的结果；
图10为本发明实施例二中采用水下图像修复-Retinex增强-Gamma灰度增强 的处理方法对图8中图像进行预处理后的结果；
图11为本发明实施例二中采用二维伽马函数的图像自适应校正-Retinex增强 -Gamma灰度增强的处理方法对图8中图像进行预处理后的结果；
图12为本发明实施例二中采用二维伽马函数的图像自适应校正-图像修复-Gamma灰度增强的处理方法对图8中图像进行预处理后的结果。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附 图和实施例对本发明的技术方案做进一步的描述。
实施例一：
一种输水结构表面淡水壳菜空间分布特征识别方法，如附图1所示，包括以 下步骤，
S1：采集输水结构表面视频；具体是通过水下机器人携带的高清摄像机获取 附着有淡水壳菜的输水结构表面视频；
进一步的，S2：对步骤S1中采集到的输水结构表面视频进行预处理，得到 预处理后的图像；所述预处理包括水下图像修复、均光处理、Gamma增强；
具体的，S201：通过python语言对输水结构表面视频进行图像取帧，获取附 着有淡水壳菜的图像，如附图2所示。
S202：采用FUnIE-GAN对抗神经网络算法对步骤S201中获取的水下图像进 行修复处理，还原水下真实颜色；
光线在水下传播，由于波长不同的光线在水下传播过程中的衰减率不同，这 会导致水下成像出现色偏和颜色失真的现象。蓝色和绿色波在水下传播距离较长， 因此水下色偏图像大多呈现蓝绿色，为还原真实水下真实颜色，需要对水下图像 进行修复工作。本发明中水下图像修复采用FUnIE-GAN对抗神经网络算法，首 先从开源数据集下载相关数据集，然后对FUnIE-GAN对抗神经网络模型进行训 练，将训练好的模型应用于水下图像的修复，实现还原水下环境真实颜色。
FUnIE-GAN由生成器与判别器构成，生成器包括编码器和解码器两部分， 编码器获取图像特征、解码器根据图像特征生成目标图像，生成器采用Unet网 络框架如附图3所示，进行端到端训练。判别器采用马尔科夫辨别器如附图4所 示，监督生成器生成目标图像与真实目标图像的差距。
S203：对步骤S202中修复获得的图像进行均光处理；
在非均匀光场及黑暗情况下，光照不充分。为了提高水下成像的效果，水下 拍摄的过程中往往使用人造光源作为辅助光源，但辅助光源的使用会产生光照亮 度不均匀现象，导致部分区域的纹理信息被掩盖或丢失，因此需要对光照不均匀 的图像进行校正，消除不均匀光照对图像的影响。本发明中采用二维伽马函数的 图像自适应校正算法对步骤S202中获取的图像的亮度进行调整，利用光照分量 的分布特性自适应调整二维伽马函数的相关参数，对亮度高的区域进行亮度衰减 处理，亮度低的区域进行亮度增强处理，实现对光照亮度不均匀图像的自适应校 正处理。
S204：对步骤S203处理后的图像进行灰度化，从采用Gamma增强算法进行 处理，提高水下图像的对比度。
进一步的，S3：采用滑动窗口提取局部图像，基于L-unet语义分割算法，对 预处理后的图像进行语义分割处理；
具体的，S301：对L-unet语义分割模型进行训练；
L-unet语义分割模型中采用L-unet语义分割算法对图像进行分割；L-unet语 义分割算法由编码器和解码器两部分构成，编码器负责对输入图像进行特征提取， 解码器利用提取的特征生成分割目标图像，整个算法采用跳跃式连接方式；在原 Unet语义分割模型进行优化，采用膨胀卷积层代替原模型中的最大池化层，并对 各层卷积核数量进行微调，减少训练过程中的学习参数数量，实现Unet轻量化。L-unet语义分割模型结构如附图5所示。
S302：将预处理后的图像作为原图像，采用滑动窗口方法将原图像分割成多 个尺寸为256的小正方形图像；
S303：将滑动窗口分割出的小正方形图像导入步骤S301中训练好的L-unet 语义分割模型中，输出语义分割后的图像；
S304：采用条件随机场对语义分割后的图像进行细化；
S305：对细化后的小正方形图像进行拼接，恢复到原图像尺寸，如附图6所 示。
步骤S301中对L-unet语义分割模型进行训练的具体操作包括以下步骤，
S3011：对预处理后的图像进行数据扩增，包括随机剪切、旋转、翻转等操 作；
S3012：对扩增后的图像设置一一对应的标签；
S3013：将扩增后的图像和相互对应的标签制作成数据集；
S3014：将步骤S3013中的数据集分为训练集、验证集和测试集；
S3015：利用训练集对Unet语义分割模型进行训练，待精度曲线和损失曲线 达到稳定不变后停止训练；
S3016：利用验证集和测试集对训练后的L-unet语义分割模型进行评估。
进一步，S4：根据语义分割处理后的图像，对淡水壳菜的特征进行识别计算。
具体的，S401：对语义分割处理后的图像进行轮廓获取，提取轮廓的水平矩 形坐标，绘制矩形，对每个矩形进行编号；
S402：对每个矩形内的淡水壳菜进行编号，然后对每个编号对应的淡水壳菜 的轮廓进行尺寸估计，包括长度和宽度，如附图7所示。
S403：对淡水壳菜的个体尺寸进行分类，统计不同大小的壳菜数量；
S404：采用像素点统计方法，对淡水壳菜占相应输水结构表面区域的比例进 行计算；具体的，将语义分割处理后的图像进行像素点的统计，根据语义分割后 淡水壳菜与背景颜色的图像，统计所有属于淡水壳菜像素值数量与背景像素值数 量，两者进行做差，从而获得面积占比。
实施例二：
实施例二对步骤S2中输水结构表面视频的预处理方法进行对比分析，具体 为：通过python语言对输水结构表面视频进行图像取帧，获取附着有淡水壳菜的 图像如附图8所示，对附图8中的图像进行不同预处理，结果如附图9～12所示， 其中，附图9为利用本发明中预处理方法图像水下修复-二维伽马函数的图像自 适应校正-Gamma灰度增强的处理结果，附图10为采用水下图像修复-Retinex增 强-Gamma灰度增强的处理结果，附图11为采用二维伽马函数的图像自适应校 正-Retinex增强-Gamma灰度增强的处理结果，附图12为采用二维伽马函数的图 像自适应校正-图像修复-Gamma灰度增强的处理结果。在附图9～12中，(a)均 为通过python语言对输水结构表面视频进行图像取帧，获取附着有淡水壳菜的图 像，附图9中，(b)为图像水下修复结果，(c)为二维伽马函数的图像自适应校 正结果，(d)为Gamma灰度增强结果；附图10中，(b)为图像水下修复结果， (c)为Retinex增强结果，(d)为Gamma灰度增强结果；附图11中，(b)为二 维伽马函数的图像自适应校正结果，(c)为Retinex增强结果，(d)为Gamma 灰度增强结果；附图12中，(b)为二维伽马函数的图像自适应校正结果，(c) 为水下图像修复结果，(d)为Gamma灰度增强结果。
对比附图9～12可以发现，利用本发明中的预处理方法对图像进行预处理后 得到的图像更加清晰，有效的克服了水下图像不清楚，图像目标对比度差等问题。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的 技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述 的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有 各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求 保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，包括以下步骤，
S1：采集输水结构表面视频；
S2：对步骤S1中采集到的输水结构表面视频进行预处理，得到预处理后的图像；
S3：采用滑动窗口提取局部图像，基于L-unet语义分割算法，对预处理后的图像进行语义分割处理；
S4：根据语义分割处理后的图像，对淡水壳菜的特征进行识别计算。
2.根据权利要求1所述的一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，步骤S2的具体操作包括以下步骤，
S201：通过python语言对输水结构表面视频进行图像取帧，获取附着有淡水壳菜的图像；
S202：采用FUnIE-GAN对抗神经网络算法对步骤S201中获取的水下图像进行修复处理，还原水下真实颜色；
S203：采用基于二维伽马函数的图像自适应校正算法，对水下图像修复处理后的图像进行均光处理；
S204：采用Gamma增强算法，对均光处理后的图像进行目标增强。
3.根据权利要求2所述的一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，步骤S202的具体操作包括以下步骤，
S2021：采用FUnIE-GAN对抗神经网络算法，准备训练集，对该神经网络进行训练，使其具有水下图像修复能力；
S2022：采用训练后的FUnIE-GAN对抗神经网络对采集的水下图像进行水下图像修复；
所述FUnIE-GAN对抗神经网络算法的结构为：
FUnIE-GAN由生成器与判别器构成，生成器包括编码器和解码器两部分，编码器获取图像特征，解码器根据图像特征生成目标图像，生成器采用Unet网络框架进行端到端训练；判别器采用马尔科夫辨别器，监督生成器生成目标图像与真实目标图像的差距。
4.根据权利要求2所述的一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，步骤S203的具体操作包括：采用二维伽马函数的图像自适应校正算法对步骤S202中水下图像修复处理后的图像的亮度进行调整，利用光照分量的分布特性自适应调整二维伽马函数的相关参数，对亮度高的区域进行亮度衰减处理，亮度低的区域进行亮度增强处理，实现对光照亮度不均匀图像的自适应校正处理。
5.根据权利要求1所述的一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，步骤S3的具体操作包括以下步骤，
S301：对基于L-unet语义分割模型进行训练；
S302：将预处理后的图像作为原图像，采用滑动窗口方法将原图像分割成多个小正方形图像；
S303：将滑动窗口分割出的小正方形图像导入步骤S301中训练好的L-unet语义分割模型中，输出语义分割后的图像；
S304：采用条件随机场对语义分割后的图像进行细化；
S305：对细化后的小正方形图像进行拼接，恢复到原图像尺寸。
6.根据权利要求5所述的一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，步骤S301中所述的L-unet语义分割模型中采用L-unet语义分割算法对图像进行分割；
L-unet语义分割算法由编码器和解码器两部分构成，编码器负责对输入图像进行特征提取，解码器利用提取的特征生成分割目标图像，整个算法采用跳跃式连接方式；采用膨胀卷积层代替最大池化层。
7.根据权利要求5所述的一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，步骤S301的具体操作包括以下步骤，
S3011：对预处理后的图像进行数据扩增；
S3012：对扩增后的图像设置一一对应的标签；
S3013：将扩增后的图像和相互对应的标签制作成数据集；
S3014：将步骤S3013中的数据集分为训练集、验证集和测试集；
S3015：利用训练集对L-unet语义分割模型进行训练，待精度曲线和损失曲线达到稳定不变后停止训练；
S3016：利用验证集和测试集对训练后的L-unet语义分割模型进行评估。
8.根据权利要求1所述的一种输水结构表面淡水壳菜空间分布特征识别方法，其特征在于，步骤S4的具体操作包括以下步骤，
S401：对语义分割处理后的图像进行轮廓获取；
S402：对每个淡水壳菜的轮廓进行尺寸估计；
S403：对淡水壳菜的个体尺寸进行分类，统计不同大小的壳菜数量；
S404：采用像素点统计方法，对淡水壳菜占相应输水结构表面区域的比例进行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111181332.0A CN113971774B (zh) | 2021-10-11 | 2021-10-11 | 一种输水结构表面淡水壳菜空间分布特征识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111181332.0A CN113971774B (zh) | 2021-10-11 | 2021-10-11 | 一种输水结构表面淡水壳菜空间分布特征识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113971774A true CN113971774A (zh) | 2022-01-25 |
| CN113971774B CN113971774B (zh) | 2024-07-02 |
Family
ID=79587318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111181332.0A Active CN113971774B (zh) | 2021-10-11 | 2021-10-11 | 一种输水结构表面淡水壳菜空间分布特征识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113971774B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114323162A (zh) * | 2022-03-14 | 2022-04-12 | 青岛清万水技术有限公司 | 壳菜生长数据在线监测的方法、装置和电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190080455A1 (en) * | 2017-09-12 | 2019-03-14 | Beihang University | Method and device for three-dimensional feature-embedded image object component-level semantic segmentation |
| CN109675879A (zh) * | 2018-12-25 | 2019-04-26 | 贵州民族大学 | 一种管道内淡水壳菜的清理装置及方法 |
| CN110863935A (zh) * | 2019-11-19 | 2020-03-06 | 上海海事大学 | 基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法 |
| CN111080652A (zh) * | 2019-12-23 | 2020-04-28 | 西安电子科技大学 | 基于多尺度轻量化空洞卷积的光学遥感图像分割方法 |
| CN111833268A (zh) * | 2020-07-10 | 2020-10-27 | 中国海洋大学 | 一种基于条件生成对抗网络的水下图像增强方法 |
| CN112288750A (zh) * | 2020-11-20 | 2021-01-29 | 青岛理工大学 | 一种基于深度学习网络的机械装配体图像分割方法和设备 |
| CN113379715A (zh) * | 2021-06-24 | 2021-09-10 | 南京信息工程大学 | 一种水下图像增强和数据集真值图像获得方法 |
-
2021
- 2021-10-11 CN CN202111181332.0A patent/CN113971774B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190080455A1 (en) * | 2017-09-12 | 2019-03-14 | Beihang University | Method and device for three-dimensional feature-embedded image object component-level semantic segmentation |
| CN109675879A (zh) * | 2018-12-25 | 2019-04-26 | 贵州民族大学 | 一种管道内淡水壳菜的清理装置及方法 |
| CN110863935A (zh) * | 2019-11-19 | 2020-03-06 | 上海海事大学 | 基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法 |
| CN111080652A (zh) * | 2019-12-23 | 2020-04-28 | 西安电子科技大学 | 基于多尺度轻量化空洞卷积的光学遥感图像分割方法 |
| CN111833268A (zh) * | 2020-07-10 | 2020-10-27 | 中国海洋大学 | 一种基于条件生成对抗网络的水下图像增强方法 |
| CN112288750A (zh) * | 2020-11-20 | 2021-01-29 | 青岛理工大学 | 一种基于深度学习网络的机械装配体图像分割方法和设备 |
| CN113379715A (zh) * | 2021-06-24 | 2021-09-10 | 南京信息工程大学 | 一种水下图像增强和数据集真值图像获得方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114323162A (zh) * | 2022-03-14 | 2022-04-12 | 青岛清万水技术有限公司 | 壳菜生长数据在线监测的方法、装置和电子设备 |
| CN114323162B (zh) * | 2022-03-14 | 2022-06-28 | 青岛清万水技术有限公司 | 壳菜生长数据在线监测的方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113971774B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675328B (zh) | 基于条件生成对抗网络的低照度图像增强方法及装置 | |
| CN111583198A (zh) | 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法 | |
| CN110544213B (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
| CN109919032B (zh) | 一种基于动作预测的视频异常行为检测方法 | |
| CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
| CN110660025B (zh) | 一种基于gan网络的工业监控视频图像清晰化方法 | |
| CN108346133B (zh) | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 | |
| CN110930327B (zh) | 基于级联深度残差网络的视频去噪方法 | |
| CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
| CN114187203A (zh) | 注意力优化的深度编解码去雾生成对抗网络 | |
| CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
| CN109389569A (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
| CN113177947B (zh) | 基于多模块卷积神经网络的复杂环境目标分割方法及装置 | |
| CN114881867A (zh) | 一种基于深度学习的图像去噪方法 | |
| CN116993975A (zh) | 基于深度学习无监督领域适应的全景相机语义分割方法 | |
| CN113971774A (zh) | 一种输水结构表面淡水壳菜空间分布特征识别方法 | |
| CN113052768A (zh) | 一种处理图像的方法、终端及计算机可读存储介质 | |
| CN114092467A (zh) | 一种基于轻量化卷积神经网络的划痕检测方法及系统 | |
| CN117911252A (zh) | 基于深度学习去除图像中光照的方法及系统 | |
| CN117422653A (zh) | 一种基于权重共享和迭代数据优化的低光照图像增强方法 | |
| CN111091554B (zh) | 铁路货车摇枕断裂故障图像识别方法 | |
| CN102592125A (zh) | 基于标准差特征的运动目标检测方法 | |
| CN112102214A (zh) | 一种基于直方图与神经网络的图像去雾方法 | |
| CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 | |
| CN116433516A (zh) | 一种基于注意力机制的低照度图像去噪增强方法 |
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 |