CN115115940A - 一种蓝藻水华监测方法及该方法的监测预警系统 - Google Patents
一种蓝藻水华监测方法及该方法的监测预警系统 Download PDFInfo
- Publication number
- CN115115940A CN115115940A CN202211044105.8A CN202211044105A CN115115940A CN 115115940 A CN115115940 A CN 115115940A CN 202211044105 A CN202211044105 A CN 202211044105A CN 115115940 A CN115115940 A CN 115115940A
- Authority
- CN
- China
- Prior art keywords
- network
- feature map
- scale
- target detection
- cyanobacterial bloom
- 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
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
- G06V20/188—Vegetation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种蓝藻水华监测方法及该方法的监测预警系统,基于改进型SSD网络的蓝藻水华识别模型对蓝藻水华监测图像进行识别;所述改进型SSD网络在传统SSD网络基础上引入BasicRFB网络,能够有效保留蓝藻原图上细节特征,提高蓝藻的检测精度。
Description
技术领域
本发明涉及蓝藻水华监测技术领域,尤其是一种蓝藻水华监测方法及该方法的监测预警系统。
背景技术
水是生命之源,是自然环境中最重要和最活跃的生态要素,是人类发展无可替代、不可或缺的资源之一。水的质量优劣直接关系到人类社会的生存与发展,因此,水质监测与研究十分重要。
蓝藻水华是富营养化水体的最显著特征,其爆发与蓝藻的生物学特性有关,还与水体的温度、PH 值、氮磷浓度、风速、风向和水体流速、流向等多种综合因素相关,其爆发具有面积大、时空变异剧烈的特点。
传统蓝藻水华监测方法主要分为以下四类:
1、人工巡查,由巡查人员定期进行现场的视觉和嗅觉观测;目前虽然可以通过远程视频监控系统进行人工观测,但是仍然缺乏自主监测以及准确的预警能力。
2、实验室分析,人工对采集水体样本进行分析,测量其中的藻类数量,此方法耗时长,对分析人员的技术要求高;虽然近期已经实现远程水样显微图片获取,并将其传送到数据处理中心进行藻类数量的自动识别,但是图像传输数据量较大,网络通信成本较高,而且缺少藻类数量与实际蓝藻爆发强度之间的定量对应关系。
3、遥感图像处理,利用星载或机载高光谱传感器采集监测水域蓝藻水体的光谱信息,通过分析蓝藻和水体的光谱特征差异实现蓝藻识别;主要不足在于系统建设成本高,而且卫星观测和解译的结果受云量等诸多因素影响;此外,还受到卫星轨道的限制,其采样周期较长,通常以天为单位。
4、水质参数测量,利用远程在线水质传感器采集监测点的多种水质参数,例如pH值、溶解氧、氧化还原电位、电导率等;不足之处在于多参数水质传感器价格昂贵,而且尚缺少水质参数与蓝藻爆发强度之间的定量对应关系,目前仅能够通过经验阈值方法,定性地描述蓝藻的爆发强度,例如给出蓝藻爆发的低、中、高等级。
随着图像识别技术和深度学习技术的不断发展,行业内研究人员不断探索基于二者结合实现自主、实时、准确、低成本的蓝藻水华监测,并提出了一系列监测方法。然而,蓝藻图像识别具有类间差异小、类内差异大的细粒度图像分类特点,导致蓝藻图像局部的区别性区域特征难以识别,阻碍了蓝藻图像特征信息的全面表达。
发明内容
针对现有蓝藻水华监测方法存在的技术缺陷,本发明提出一种基于改进型SSD网络的蓝藻水华监测方法及该方法的监测预警系统。
本发明保护一种蓝藻水华监测方法,基于改进型SSD网络的蓝藻水华识别模型对蓝藻水华监测图像进行识别,所述改进型SSD网络主要由多尺度特征提取网络和六个用于识别不同尺度特征图的目标检测分类网络构成;
多尺度特征提取网络依次由VGG网络、步长为1的BasicRFB网络Ⅰ、步长为2的BasicRFB网络Ⅱ、步长为2的BasicRFB网络Ⅲ、二维卷积层、卷积层Ⅰ、卷积层Ⅱ构成;
第一尺度的目标检测分类网络的输入特征图由VGG网络的Conv4_3层输出的特征图经归一化层处理后得到;
第二尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅰ输出的特征图;
第三尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅱ输出的特征图;
第四尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅲ输出的特征图;
第五尺度的目标检测分类网络的输入特征图取自卷积层Ⅰ输出的特征图;
第六尺度的目标检测分类网络的输入特征图取自卷积层Ⅱ输出的特征图。
进一步的,蓝藻水华识别模型构建过程包括以下步骤:
步骤A1,采集大量不同自然条件下湖泊水面不同面积、厚度蓝藻水华的图像样本;
步骤A2,对采集到的图像样本进行增强处理以及扩增处理;
步骤A3,对扩增处理后的图像样本进行人工标注,标注出蓝藻在图像中的位置;
步骤A4,将完成标注的图像样本分成训练集和验证集;
步骤A5,利用训练集对所述改进型SSD网络进行训练,并用验证集对训练结果进行验证,直至得到实现预期识别效果的蓝藻水华识别模型。
进一步的,蓝藻水华监测方法具体包括以下步骤:
步骤B1,通过无人机巡航,采集湖泊水面图像;
步骤B2,对采集到的图像进行增强处理;
步骤B3,将增强后的图像输入蓝藻水华识别模型,得到检测结果。
进一步的,所述步骤B3中,蓝藻水华识别模型对增强后的图像进行蓝藻水华识别包括如下操作:
300×300的三通道图像经过VGG网络,由该网络的Conv4_3层输出38×38×512的特征图,再通过第一尺度的目标检测分类网络针对这些特征图进行每个网格点上默认4个先验框的分类以及回归预测,得到 38×38×4=5776 个先验框;
38×38×512的特征图继续经过VGG网络的FC7层,被压缩成19×19×1024的特征图,再经过BasicRFB网络Ⅰ,然后通过第二尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到19×19×6=2166个先验框;
19×19×1024的特征图经过BasicRFB网络Ⅱ进一步压缩成10×10×512的特征图,再通过第三尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到10×10×6=600个先验框;
10×10×512的特征图再次经过BasicRFB网络Ⅲ进一步压缩成5×5×256的特征图,再通过第四尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到5×5×6=150个先验框;
5×5×256的特征图经过二维卷积层进一步压缩成5×5×128的特征图,再经过卷积层Ⅰ进一步压缩成3×3×256的特征图,再通过第五尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为4个先验框的分类与回归预测,得到3×3×4=36个先验框;
3×3×256的特征图经过卷积层Ⅱ进一步压缩成1×1×256的特征图,再通过第六尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为4个先验框的分类与回归预测,得到1×1×4=4个先验框。
进一步的,样本扩增处理基于SMOTE算法。
本发明还保护一种蓝藻水华监测预警系统,基于上述蓝藻水华监测方法对湖泊水面的蓝藻水华进行监测,当发现蓝藻水华现象时及时通过平台预警。
本发明基于改进型SSD网络构建蓝藻水华识别模型,相比于传统SSD网络,蓝藻图像识别具有类间差异小、类内差异大的细粒度特点,其识别率具有较大提升。
附图说明
图1为发明提出的改进型SSD网络结构图;
图2为VGG网络结构图;
图3为传统SSD网络结构图;
图4为BasicRFB网络结构图;
图5为空洞卷积扩张率示意图;
图6为蓝藻水华识别模型1和蓝藻水华识别模型2的loss对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
一种蓝藻水华监测方法,基于改进型SSD网络的蓝藻水华识别模型对蓝藻水华监测图像进行识别,所述改进型SSD网络主要由多尺度特征提取网络和六个用于识别不同尺度特征图的目标检测分类网络构成,如图1所示。
多尺度特征提取网络依次由VGG网络、步长为1的BasicRFB网络Ⅰ、步长为2的BasicRFB网络Ⅱ、步长为2的BasicRFB网络Ⅲ、二维卷积层、卷积层Ⅰ、卷积层Ⅱ构成。
第一尺度的目标检测分类网络1的输入特征图由VGG网络的Conv4_3层输出的特征图经归一化层处理后得到;
第二尺度的目标检测分类网络2的输入特征图取自BasicRFB网络Ⅰ输出的特征图;
第三尺度的目标检测分类网络3的输入特征图取自BasicRFB网络Ⅱ输出的特征图;
第四尺度的目标检测分类网络4的输入特征图取自BasicRFB网络Ⅲ输出的特征图;
第五尺度的目标检测分类网络5的输入特征图取自卷积层Ⅰ输出的特征图;
第六尺度的目标检测分类网络6的输入特征图取自卷积层Ⅱ输出的特征图。
VGG网络结构图如图2所示,VGG网络中的up to Conv4_3表示取Conv4_3层输出的特征图引入图1中的归一化层,VGG 网络中的up to FC7表示取FC7层输出的特征图输入BasicRFB网络Ⅰ。从图1中可以明显看出,当BasicRFB网络的步长为2时,尺度缩小一半。
传统SSD网络为最常用的多尺寸目标检测网络模型之一,其网络结构图如图3所示。对比图1和图3可知,本发明替换了传统SSD网络中的卷积层1和卷积层2,采用BasicRFB网络Ⅰ、BasicRFB网络Ⅱ、BasicRFB网络Ⅲ和二维卷积层代替。
BasicRFB网络也是现有网络,其结构图如图4所示,扩张率为空洞卷积中的概念,扩张率=1为无扩张,扩张率=3或5,对应的扩张示意图如图5所示。BasicRBF网络利用1×1、3×3、5×5三种尺寸卷积核的卷积层构成的三分支结构,并加入了空洞卷积,有效增大了感受野,从而能够有效保留图像中的细节特征,从而能够提高蓝藻的检测精度。
此处对感受野进行简单介绍。在处理类似图像这样的高维度输入时,让每个神经元都与前一层中的所有神经元进行全连接是不现实的;相反地,只让每个神经元与输入数据的某个局部区域连接,该连接空间的大小叫做神经元的感受野。
因此,本发明将BasicRFB网络与SSD网络相结合,能够有效解决蓝藻图像局部的区别性区域特征难以定位的难题。
蓝藻水华识别模型构建过程包括以下步骤:
1、采集大量不同自然条件下湖泊水面不同面积、厚度蓝藻水华的图像样本;此处,不同自然条件指的是不同天气、不同气温、不同水温、不同流速、不同水质、不同水流方向、不同水位等。
2、对采集到的图像样本进行增强处理以及扩增处理;增强处理包括几何变换、颜色变换等,几何变换包括翻转、旋转、裁剪、变形、缩放等操作,颜色变换包括噪声、模糊、颜色变换、擦除、填充等操作。
样本扩增处理基于SMOTE算法,SMOTE是通过人工合成新样本来处理样本不平衡问题,从而提升分类器性能,主要基于插值的方法。
3、对扩增处理后的图像样本进行人工标注,标注出蓝藻在图像中的位置,以目标框的形式呈现;将完成标注的图像样本分成训练集和验证集。
4、利用训练集对所述改进型SSD网络进行训练,并用验证集对训练结果进行验证,直至得到实现预期识别效果的蓝藻水华识别模型。训练过程属于现有技术,在此不再赘述。
蓝藻水华识别模型构建完成后,利用其进行蓝藻水华监测,具体包括以下步骤:
1、通过无人机巡航,采集湖泊水面图像;
2、对采集到的图像进行增强处理,增强处理方法同上;
3、将增强后的图像输入蓝藻水华识别模型,得到检测结果。
蓝藻水华识别模型对增强后的图像进行蓝藻水华识别,参照图1,包括如下操作:
300×300的三通道图像经过VGG网络,由该网络的Conv4_3层输出38×38×512的特征图,再通过第一尺度的目标检测分类网络1针对这些特征图进行每个网格点上默认4个先验框的分类以及回归预测,得到 38×38×4=5776 个先验框。
38×38×512的特征图继续经过VGG网络的FC7层,被压缩成19×19×1024的特征图,再经过BasicRFB网络Ⅰ,然后通过第二尺度的目标检测分类网络2针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到19×19×6=2166个先验框。此处,并未由VGG网络的FC7层输出的特征图直接进行分类以及回归预测,而是通过经过BasicRFB网络Ⅰ,是因为经过BasicRFB网络Ⅰ对特征图像进行处理,能够产生拥有更大感受野的特征图,即可以有效保留蓝藻原图上细节特征。
19×19×1024的特征图经过BasicRFB网络Ⅱ进一步压缩成10×10×512的特征图,再通过第三尺度的目标检测分类网络3针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到10×10×6=600个先验框,效果同上。
10×10×512的特征图再次经过BasicRFB网络Ⅲ进一步压缩成5×5×256的特征图,再通过第四尺度的目标检测分类网络4针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到5×5×6=150个先验框,效果同上。
5×5×256的特征图经过二维卷积层进一步压缩成5×5×128的特征图,再经过卷积层Ⅰ进一步压缩成3×3×256的特征图,再通过第五尺度的目标检测分类网络5针对这些特征图进行每个网格点上默认为4个先验框的分类与回归预测,得到3×3×4=36个先验框。
3×3×256的特征图经过卷积层Ⅱ进一步压缩成1×1×256的特征图,再通过第六尺度的目标检测分类网络6针对这些特征图进行每个网格点上默认为4个先验框的分类与回归预测,得到1×1×4=4个先验框。
基于非极大值抑制NMS融合输出这部分内容也属于现有技术,在此不再赘述,现通过试验对本发明提出的蓝藻水华监测方法的效果进行验证。
实验环境:
1、操作系统为WIndow10专业版;
2、CPU为Intel(R) Core(TM) i7-10700K CPU @ 3.80GHz 3.79 GHz,内存32G;
3、深度学习框架为TensorFlow;
4、开发语言Python 3.7.6。
在此硬件基础上,初始化模型过程所涉及的参数有batch_size、学习率、激活函数、优化函数和迭代次数,模型训练参数设置如下表1所示。
表1
试验使用15000幅蓝藻图像作为原始数据,为了增加训练集样本数量,提高模型的泛化能力,对分类筛选后的数据进行图像增强处理和扩增处理,最终得到20000幅蓝藻图像,将其中70%图像作为训练集,20%图像作为验证集,10%图像作为测试集。
利用同样的训练集对基于传统SSD网络的蓝藻水华识别模型以及本发明公开的基于改进型SSD网络的蓝藻水华识别模型进行训练,均得到对应的蓝藻水华识别模型,分别命名为蓝藻水华识别模型1和蓝藻水华识别模型2。
从测试集中任意选取一幅蓝藻水华图像,分别输入蓝藻水华识别模型1和蓝藻水华识别模型2,图6和下表2分别给出loss对比和结果对比。
表2
从图6中曲线为loss值,代表模型输出结果与真实结果之间的距离(即度量),随着不断迭代训练,网络参数不断更新,模型的loss值会不断降低,其中train loss为训练集的损失值,val_loss是测试集的损失值。从图6可以看到,传统SSD网络的蓝藻水华识别模型的train loss收敛值为3.8530,val loss收敛值为3.9731,而改进型SSD网络的蓝藻水华识别模型的train loss收敛值为2.5088,val loss收敛值为3.1693,并且loss收敛速度更快。由此说明,改进型SSD网络的蓝藻水华识别模型鲁棒性越好,这一点从表2中的数据也可以得到印证,改进型SSD网络的蓝藻水华识别模型的识别率具有较大提升。
实施例2
一种蓝藻水华监测预警系统,基于实施例1所述蓝藻水华监测方法对湖泊水面的蓝藻水华进行监测,当发现蓝藻水华现象时及时通过平台预警;再由相关执法部门派出蓝藻打捞队,及时进行蓝藻的打捞并处理。
显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
Claims (6)
1.一种蓝藻水华监测方法,其特征在于,基于改进型SSD网络的蓝藻水华识别模型对蓝藻水华监测图像进行识别,所述改进型SSD网络主要由多尺度特征提取网络和六个用于识别不同尺度特征图的目标检测分类网络构成;
多尺度特征提取网络依次由VGG网络、步长为1的BasicRFB网络Ⅰ、步长为2的BasicRFB网络Ⅱ、步长为2的BasicRFB网络Ⅲ、二维卷积层、卷积层Ⅰ、卷积层Ⅱ构成;
第一尺度的目标检测分类网络的输入特征图由VGG网络的Conv4_3层输出的特征图经归一化层处理后得到;
第二尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅰ输出的特征图;
第三尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅱ输出的特征图;
第四尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅲ输出的特征图;
第五尺度的目标检测分类网络的输入特征图取自卷积层Ⅰ输出的特征图;
第六尺度的目标检测分类网络的输入特征图取自卷积层Ⅱ输出的特征图。
2.根据权利要求1所述的蓝藻水华监测方法,其特征在于,蓝藻水华识别模型构建过程包括以下步骤:
步骤A1,采集大量不同自然条件下湖泊水面不同面积、厚度蓝藻水华的图像样本;
步骤A2,对采集到的图像样本进行增强处理以及扩增处理;
步骤A3,对扩增处理后的图像样本进行人工标注,标注出蓝藻在图像中的位置;
步骤A4,将完成标注的图像样本分成训练集和验证集;
步骤A5,利用训练集对所述改进型SSD网络进行训练,并用验证集对训练结果进行验证,直至得到实现预期识别效果的蓝藻水华识别模型。
3.根据权利要求2所述的蓝藻水华监测方法,其特征在于,该蓝藻水华监测方法具体包括以下步骤:
步骤B1,通过无人机巡航,采集湖泊水面图像;
步骤B2,对采集到的图像进行增强处理;
步骤B3,将增强后的图像输入蓝藻水华识别模型,得到检测结果。
4.根据权利要求3所述的蓝藻水华监测方法,其特征在于,所述步骤B3中,蓝藻水华识别模型对增强后的图像进行蓝藻水华识别包括如下操作:
300×300的三通道图像经过VGG网络,由该网络的Conv4_3层输出38×38×512的特征图,再通过第一尺度的目标检测分类网络针对这些特征图进行每个网格点上默认4个先验框的分类以及回归预测,得到 38×38×4=5776 个先验框;
38×38×512的特征图继续经过VGG网络的FC7层,被压缩成19×19×1024的特征图,再经过BasicRFB网络Ⅰ,然后通过第二尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到19×19×6=2166个先验框;
19×19×1024的特征图经过BasicRFB网络Ⅱ进一步压缩成10×10×512的特征图,再通过第三尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到10×10×6=600个先验框;
10×10×512的特征图再次经过BasicRFB网络Ⅲ进一步压缩成5×5×256的特征图,再通过第四尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测,得到5×5×6=150个先验框;
5×5×256的特征图经过二维卷积层进一步压缩成5×5×128的特征图,再经过卷积层Ⅰ进一步压缩成3×3×256的特征图,再通过第五尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为4个先验框的分类与回归预测,得到3×3×4=36个先验框;
3×3×256的特征图经过卷积层Ⅱ进一步压缩成1×1×256的特征图,再通过第六尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为4个先验框的分类与回归预测,得到1×1×4=4个先验框。
5.根据权利要求2或3所述的蓝藻水华监测方法,其特征在于,样本扩增处理基于SMOTE算法。
6.一种蓝藻水华监测预警系统,其特征在于,基于权利要求3或4所述的蓝藻水华监测方法对湖泊水面的蓝藻水华进行监测,当发现蓝藻水华现象时及时通过平台预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044105.8A CN115115940A (zh) | 2022-08-30 | 2022-08-30 | 一种蓝藻水华监测方法及该方法的监测预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044105.8A CN115115940A (zh) | 2022-08-30 | 2022-08-30 | 一种蓝藻水华监测方法及该方法的监测预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115940A true CN115115940A (zh) | 2022-09-27 |
Family
ID=83336144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211044105.8A Pending CN115115940A (zh) | 2022-08-30 | 2022-08-30 | 一种蓝藻水华监测方法及该方法的监测预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115940A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795367A (zh) * | 2023-01-29 | 2023-03-14 | 湖南大学 | 基于机器学习的藻华爆发预测方法及应用 |
CN117172411A (zh) * | 2023-09-06 | 2023-12-05 | 江苏省气候中心 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527037A (zh) * | 2017-08-31 | 2017-12-29 | 苏州市数字城市工程研究中心有限公司 | 基于无人机遥感数据的蓝藻识别与分析系统 |
CN114722928A (zh) * | 2022-03-29 | 2022-07-08 | 河海大学 | 一种基于深度学习的蓝藻图像识别方法 |
-
2022
- 2022-08-30 CN CN202211044105.8A patent/CN115115940A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527037A (zh) * | 2017-08-31 | 2017-12-29 | 苏州市数字城市工程研究中心有限公司 | 基于无人机遥感数据的蓝藻识别与分析系统 |
CN114722928A (zh) * | 2022-03-29 | 2022-07-08 | 河海大学 | 一种基于深度学习的蓝藻图像识别方法 |
Non-Patent Citations (1)
Title |
---|
BUBBLIIIING: "睿智的目标检测22——Keras搭建RFBnet目标检测平台", 《HTTPS://BLOG.CSDN.NET/WEIXIN_44791964/ARTICLE/DETAILS/104748984》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795367A (zh) * | 2023-01-29 | 2023-03-14 | 湖南大学 | 基于机器学习的藻华爆发预测方法及应用 |
CN117172411A (zh) * | 2023-09-06 | 2023-12-05 | 江苏省气候中心 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
Mamalakis et al. | Neural network attribution methods for problems in geoscience: A novel synthetic benchmark dataset | |
CN115115940A (zh) | 一种蓝藻水华监测方法及该方法的监测预警系统 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN111126136A (zh) | 一种基于图像识别的烟雾浓度量化方法 | |
CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
CN111985325B (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN113139594B (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN108986142A (zh) | 基于置信图峰值旁瓣比优化的遮挡目标跟踪方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN112581450B (zh) | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 | |
CN111860106A (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN111192267A (zh) | 一种基于unet网络的多源感知融合遥感图像分割方法及应用 | |
CN114359695A (zh) | 基于不确定性估计的绝缘子破损识别方法 | |
CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
Su et al. | New particle formation event detection with Mask R-CNN | |
Perri et al. | Welding defects classification through a Convolutional Neural Network | |
Chu et al. | Deep learning method to detect the road cracks and potholes for smart cities | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN105719246B (zh) | 一种检测开敞水体的光谱成像可视化前处理方法 | |
Gudelj et al. | Accuracy analysis of the inland waters detection |
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: 20220927 |
|
RJ01 | Rejection of invention patent application after publication |