CN116824467A - 一种排水管道流量智能测量方法 - Google Patents
一种排水管道流量智能测量方法 Download PDFInfo
- Publication number
- CN116824467A CN116824467A CN202311105058.8A CN202311105058A CN116824467A CN 116824467 A CN116824467 A CN 116824467A CN 202311105058 A CN202311105058 A CN 202311105058A CN 116824467 A CN116824467 A CN 116824467A
- Authority
- CN
- China
- Prior art keywords
- image
- drainage pipeline
- representing
- water flow
- feature
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 69
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 239000007788 liquid Substances 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000003709 image segmentation Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种排水管道流量智能测量方法,其方法为:采集排水管道中测量位置的水流截面的平均流速和水位高度;采用改进的目标检测算法对排水管道“气‑液”交界面的图像进行目标识别,识别图像的目标区域;利用动态像素加权策略的全卷积神经网络算法对交界面的目标区域进行图像分割,得到交界面的分割线与管壁、水位高度构成排水管道水流截面;将排水管道水流截面的数据输入到多维分类误差自适应提升回归算法,得到排水管道水流的截面积与平均流速相乘,输出排水管道流量的测量结果。本发明的有益效果是:本发明对排水管道“气‑液”交界面进行目标识别、图像分割和流量回归分析,进而实现排水管道流量的智能化测量。
Description
技术领域
本发明属于深度学习目标检测模型技术领域,具体涉及一种排水管道流量智能测量方法。
背景技术
在市政排水管网养护方面,淤积、结垢等功能性病害引起的排水管网过流能力不足是造成城市内涝多发频发的主要诱因之一。通过判断管网流量随时间的动态变化规律,能实现整个区域排水管道功能性病害(淤积、结垢)的智能化、精确化诊断。因此,为了高效地诊断排水管道功能性病害,需要一种精准的、实时的排水管道流量测量方法。
然而,传统的排水管道流量智能测量方法是采用固定式多普勒流量计在排水管道内直接进行测量。但在强腐蚀性、低能见度的恶劣环境中现行流量测量设备无法精准实现的目标识别、图像分割和流量回归分析,且无法动态监测和实时上传数据。
传统YOLO v5采用GIOU_Loss作为目标位置的损失函数,当预测框与真实框出现包含关系或出现两者宽和高对齐的情况时,无法收敛,容易对遮挡情况下物体进行漏检。全卷积神经网络的图像分割算法中多尺度信息融合策略是保证分割结果准确性关键,但主流的多尺度信息融合策略忽略了小尺度特征映射逐渐上采样的过程是图像特征由目标级别向像素级别的变化过程。随着特征映射尺度的不断变大,图像分割结果表现出由粗糙向精细的变化趋势。在此基础上,传统的自适应提升算法在多类问题上可能会牺牲一些“特长”子分类器的性能,需要在流量回归的过程中对自适应提升算法进行改进。
为解决上述问题和满足排水管道流量智能化、精准化和实时性测量要求,本发明提出考虑预测框中心点欧氏距离和重叠率参数的改进的YOLO v5算法、基于动态像素加权策略的全卷积神经网络算法(图像分割)和多维分类误差自适应提升(MD-AdaBoost)回归算法(流量回归分析)相结合的方法,实现排水管道流量智能量化。
发明内容
针对以上问题,本发明的目的在于提供一种排水管道流量智能测量方法,对排水管道“气-液”交界面进行智能化、精确化和实时性目标识别、图像分割、流量回归分析,实现排水管道流量智能量化。
本发明采用的技术方案如下:一种排水管道流量智能测量方法,具体方法为:
步骤S1,结合排水管道半径数据,利用多普勒超声雷达采集排水管道中测量位置的水流截面的平均流速和水位高度;
步骤S2,采用高清红外摄像头拍摄排水管道“气-液”交界面的图像信息;
步骤S3,采用改进的目标检测算法YOLO v5,对排水管道“气-液”交界面的图像进行目标识别,识别图像中排水管道“气-液”交界面的目标区域;
步骤S4,利用动态像素加权策略的全卷积神经网络算法,对排水管道“气-液”交界面的目标区域进行图像分割,得到排水管道“气-液”交界面的分割线,并与管壁、步骤S1测量得到的水位高度共同构成排水管道水流截面;
步骤S5,将步骤S4中排水管道水流截面的数据输入到多维分类误差自适应提升回归算法,得到排水管道水流的截面积,将排水管道水流的截面积与步骤S1中测量得到的水流截面的平均流速相乘,输出排水管道流量的测量结果。
进一步的,步骤S3中改进的目标检测算法YOLO v5,主要包括输入端、主干基准网络、颈网络、输出端四个部分,具体如下:
所述输入端包含一个图像预处理阶段;图像预处理阶段具体为:将输入图像缩放到目标检测算法YOLO v5的输入尺寸,并进行归一化操作,采用嵌合体数据增强操作方法、自适应锚框计算方法与自适应图像缩放方法对图像进行预处理;
所述主干基准网络,采用CSPDarknet53结构与聚焦下采样结构作为分类器的网络,提取图像特征;
所述颈网络,包括空间金字塔池化结构模块、特征图金字塔网络和像素聚合网络模块,提升图像特征的多样性及鲁棒性;
所述输出端:包含一个分类分支和一个回归分支,用来完成目标检测结果的输出,利用考虑到预测框中心点欧氏距离和重叠率参数的损失函数,增加相交尺度的衡量,提高目标识别的精确度。
进一步的,步骤S3具体步骤如下:
步骤S31:将输入的640像素×640像素的排水管道“气-液”交界面的图像进行切片操作,缩放到改进的目标检测算法YOLO v5的输入尺寸中,经过一次卷积操作,变成320×320×32的特征图;
步骤S32:对步骤S31中的320×320×32的特征图进行归一化、嵌合体数据增强、自适应锚框计算与自适应图像缩放操作;
步骤S33:分别进行32、16、8倍下采样,获得不同层次的特征图;
步骤S34:通过上采样和张量拼接,将不同层次的特征图融合转化为维度相同的特征图;
步骤S35:采用考虑到预测框中心点欧氏距离和重叠率参数的损失函数作为改进的目标检测算法YOLO v5预测框偏差的偏差指标,损失函数见公式(1)所示:
(1);
其中,表示目标位置损失函数,i表示单元格,j表示先验框,/>表示单元格i产生的先验框j包含的目标,/>、/>分别表示单元格和先验框的总个数;
其中,,/>表示单元格i产生的先验框j的重复率参数,表示边框交集面积,/>表示边框并集面积,/>表示两个中心点间的欧氏距离,/>、/>分别表示预测框和真实框的中心点,/>表示最小外接矩形框对角线距离,/>为权重函数;
其中,,/>为真实框与预测框矩形对角线倾斜角的方差,/>、分别表示真实框的高与宽,/>、/>分别表示预测框的高与宽;
步骤S36:输出图像中排水管道“气-液”交界面目标区域的框选结果。
进一步的,步骤S4具体步骤如下:
步骤S41:将步骤S3中输出目标区域的框选结果作为动态像素加权策略的全卷积神经网络算法的输入图像,输出粗分割结果;
步骤S42:基于动态像素加权策略的全卷积神经网络算法中的每个特征提取层,根据粗分割结果中每个像素分类的难易情况,生成一个相应变化的权重图,添加到动态像素加权策略的特征提取层损失函数中,从而动态优化大分辨率特征映射的分割结果;
动态像素加权策略的特征提取层损失函数中,第k个侧输出层生成的结果中像素x属于类别l的后验概率由归一化指数函数计算得到,见公式(2)所示:
(2);
其中, 表示第k个侧输出层生成的结果中图像像素x属于图像分类类别l的后验概率,且/>,/>表示图像像素x和图像分类类别l时第k个侧输出层生成的结果,且/>,/>,R为图像像素的取值空间,/>表示具有N个像素的图像空间域;
动态像素加权策略的特征提取层损失函数中,图像像素x在侧输出层k的类别由公式(3)所得到:
(3);
其中,表示图像像素x在侧输出层k的输出分类类别;
动态像素加权策略的特征提取层损失函数中,多尺度分割结果和动态像素加权策略生成的权重图构建网络模型的损失函数即多尺度加权损失函数,由公式(4)所示;
(4);
其中,表示采用多尺度分割结果和动态像素加权策略生成的权重图构建网络模型的损失函数,/>、G分别表示基于动态像素加权策略的全卷积神经网络算法的输入图像和真实分割结果,且/>,/>,/>表示对应的像素权重,表示由多尺度分割结果和动态像素加权策略生成的权重图所构建的网络模型的所有可学习参数,/>表示分类的总数量,/>、/>分别表示图像像素x处的真实图像取值和分割结果取值,/>表示在多尺度分割结果和动态像素加权策略生成的权重图所构建的网络模型的所有可学习参数/>的第k个侧输出层生成的结果中图像像素x属于分割结果取值/>的后验概率;
步骤S43:动态像素加权策略的全卷积神经网络算法划分为自底向上的网络通道和自顶向下的网络通道两部分,利用自底向上的网络通道对输入图像的自底向上分割特征进行提取,并输出特征图像,提取过程采用去掉全连接层的VGG-16网络模型,VGG-16网络模型由6个下采样模块,1个批量归一化层和1个2×2的最大池化层串联而成;
步骤S44:利用自顶向下的网络通道对步骤S43中输出的特征图像的自顶向下分割特征进行提取,并输出特征图像,提取过程采用5个串联与上采样模块,每个串联与上采样模块由1个卷积层、1个串联层以及1个上采样系数为2的双线性插值层组成;
步骤S45:步骤S44中第一个串联与上采样模块利用卷积层对步骤S43中输出的特征图像进行降维处理,采用串联层将步骤S43中输出的特征图像与降维后的特征图像进行通道串联,得到特征融合图像,特征融合图像通过双线性插值层提高分辨率后输入下一层串联与上采样模块;
步骤S46:由步骤S44中的第5个串联与上采样模块输出,得到排水管道“气-液”交界面的分割线;
步骤S47:将步骤S46中得到的分割线与管壁、步骤S1测量得到的水位高度共同构成排水管道水流截面。
进一步的,步骤S5具体步骤如下:
步骤S51:将步骤S4得到的排水管道水流截面数据输入到多维分类误差自适应提升回归算法,多维分类误差自适应提升回归算法依据每个排水管道水流截面积子分类器对于不同类别的输出识别率确定训练集权重以及子分类器权重;
步骤S52:多维分类误差自适应提升回归算法基于训练集权重以及子分类器权重输出排水管道水流的截面积的计算结果;
步骤S53:将排水管道水流的截面积与步骤S1中测量得到的水流截面的平均流速相乘,输出排水管道流量的测量结果。
本发明的有益效果是:
(1)本发明提出了考虑预测框中心点欧氏距离和重叠率参数的改进的目标检测算法YOLO v5,提升了排水管道“气-液”交界面目标识别的检测精度;优化了基于动态像素加权策略的全卷积神经网络的结构,提高了排水管道水力过流断面的分割性能;设计了多维分类误差自适应提升回归算法,实现了排水管道流量的智能化、精确化测量。
(2)本发明结合多普勒测量得到的水位与流速信息、红外视觉图像,对排水管道“气-液”交界面进行目标识别、图像分割和流量回归分析,进而实现排水管道流量的智能化测量。
附图说明
图1为本发明排水管道流量智能测量方法的整体工作流程图。
图2为红外摄像头拍摄的图像和人工识别并绘制的排水管道内水流断面对比图。
图3为排水管道“气-液”交界面目标识别和图像分割效果对比图。
图4为排水管道“气-液”交界面目标识别和图像分割剔除排水管道底部淤积质的水力过流断面对比图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明是这样来工作和实施的,一种排水管道流量智能测量方法,采用改进的目标检测算法YOLO v5、动态像素加权策略的全卷积神经网络算法和多维分类误差自适应提升回归算法结合的方式,具体方法为:
步骤S1,结合排水管道半径数据,利用多普勒超声雷达采集排水管道中测量位置的水流截面的平均流速和水位高度;
步骤S2,采用高清红外摄像头拍摄排水管道“气-液”交界面的图像信息;
步骤S3,采用改进的目标检测算法YOLO v5,对排水管道“气-液”交界面的图像进行目标识别,识别图像中排水管道“气-液”交界面的目标区域;
步骤S4,利用动态像素加权策略的全卷积神经网络算法,对排水管道“气-液”交界面的目标区域进行图像分割,得到排水管道“气-液”交界面的分割线,并与管壁、步骤S1测量得到的水位高度共同构成排水管道水流截面;
步骤S5,将步骤S4中排水管道水流截面的数据输入到多维分类误差自适应提升回归算法,得到排水管道水流的截面积,将排水管道水流的截面积与步骤S1中测量得到的水流截面的平均流速相乘,输出排水管道流量的测量结果。
进一步的,本发明还具有以下步骤:步骤S6,对步骤S3中改进的目标检测算法YOLOv5、步骤S4中动态像素加权策略的全卷积神经网络算法和步骤S5中多维分类误差自适应提升回归算法的三种算法进行训练、参数与权值率定,得到成熟的算法固件数据;利用训练好的步骤S3、步骤S4和步骤S5中的三种算法输出排水管道流量智能测量结果。
进一步的,步骤S3中改进的目标检测算法YOLO v5,主要包括输入端、主干基准网络、颈网络、输出端四个部分,具体如下:
所述输入端包含一个图像预处理阶段;图像预处理阶段具体为:将输入图像缩放到目标检测算法YOLO v5的输入尺寸,并进行归一化操作,采用嵌合体数据增强操作方法、自适应锚框计算方法与自适应图像缩放方法对图像进行预处理;
所述主干基准网络,采用CSPDarknet53结构与聚焦下采样结构作为分类器的网络,提取图像特征;
所述颈网络,包括空间金字塔池化结构模块、特征图金字塔网络和像素聚合网络模块,提升图像特征的多样性及鲁棒性;
所述输出端:包含一个分类分支和一个回归分支,用来完成目标检测结果的输出,利用考虑到预测框中心点欧氏距离和重叠率参数的损失函数,增加相交尺度的衡量,提高目标识别的精确度。
进一步的,步骤S3具体步骤如下:
步骤S31:将输入的640像素×640像素的排水管道“气-液”交界面的图像进行切片操作,缩放到改进的目标检测算法YOLO v5的输入尺寸中,经过一次卷积操作,变成320×320×32的特征图;
步骤S32:对步骤S31中的320×320×32的特征图进行归一化、嵌合体数据增强、自适应锚框计算与自适应图像缩放操作;
步骤S33:分别进行32、16、8倍下采样,获得不同层次的特征图;
步骤S34:通过上采样和张量拼接,将不同层次的特征图融合转化为维度相同的特征图;
步骤S35:采用考虑到预测框中心点欧氏距离和重叠率参数的损失函数作为改进的目标检测算法YOLO v5预测框偏差的偏差指标,损失函数见公式(1)所示:
(1);
其中,表示目标位置损失函数,i表示单元格,j表示先验框,/>表示单元格i产生的先验框j包含的目标,/>、/>分别表示单元格和先验框的总个数;
其中,,/>表示单元格i产生的先验框j的重复率参数,表示边框交集面积,/>表示边框并集面积,/>表示两个中心点间的欧氏距离,/>、/>分别表示预测框和真实框的中心点,/>表示最小外接矩形框对角线距离,/>为权重函数;
其中,,/>为真实框与预测框矩形对角线倾斜角的方差,/>、分别表示真实框的高与宽,/>、/>分别表示预测框的高与宽;
步骤S36:输出图像中排水管道“气-液”交界面目标区域的框选结果。
进一步的,步骤S4具体步骤如下:
步骤S41:将步骤S3中输出目标区域的框选结果作为动态像素加权策略的全卷积神经网络算法的输入图像,输出粗分割结果;
步骤S42:基于动态像素加权策略的全卷积神经网络算法中的每个特征提取层,根据粗分割结果中每个像素分类的难易情况,生成一个相应变化的权重图,添加到动态像素加权策略的特征提取层损失函数中,从而动态优化大分辨率特征映射的分割结果;
动态像素加权策略的特征提取层损失函数中,第k个侧输出层生成的结果中像素x属于类别l的后验概率由归一化指数函数计算得到,见公式(2)所示:
(2);
其中, 表示第k个侧输出层生成的结果中图像像素x属于图像分类类别l的后验概率,且/>,/>表示图像像素x和图像分类类别l时第k个侧输出层生成的结果,且/>,/>,R为图像像素的取值空间,/>表示具有N个像素的图像空间域;
动态像素加权策略的特征提取层损失函数中,图像像素x在侧输出层k的类别由公式(3)所得到:
(3);
其中,表示图像像素x在侧输出层k的输出分类类别;
动态像素加权策略的特征提取层损失函数中,多尺度分割结果和动态像素加权策略生成的权重图构建网络模型的损失函数即多尺度加权损失函数,由公式(4)所示;
(4);
其中,表示采用多尺度分割结果和动态像素加权策略生成的权重图构建网络模型的损失函数,/>、G分别表示基于动态像素加权策略的全卷积神经网络算法的输入图像和真实分割结果,且/>,/>,/>表示对应的像素权重,表示由多尺度分割结果和动态像素加权策略生成的权重图所构建的网络模型的所有可学习参数,/>表示分类的总数量,/>、/>分别表示图像像素x处的真实图像取值和分割结果取值,/>表示在多尺度分割结果和动态像素加权策略生成的权重图所构建的网络模型的所有可学习参数/>的第k个侧输出层生成的结果中图像像素x属于分割结果取值/>的后验概率;
步骤S43:动态像素加权策略的全卷积神经网络算法划分为自底向上的网络通道和自顶向下的网络通道两部分,利用自底向上的网络通道对输入图像的自底向上分割特征进行提取,并输出特征图像,提取过程采用去掉全连接层的VGG-16网络模型,VGG-16网络模型由6个下采样模块,1个批量归一化层和1个2×2的最大池化层串联而成;
步骤S44:利用自顶向下的网络通道对步骤S43中输出的特征图像的自顶向下分割特征进行提取,并输出特征图像,提取过程采用5个串联与上采样模块,每个串联与上采样模块由1个卷积层、1个串联层以及1个上采样系数为2的双线性插值层组成;
步骤S45:步骤S44中第一个串联与上采样模块利用卷积层对步骤S43中输出的特征图像进行降维处理,采用串联层将步骤S43中输出的特征图像与降维后的特征图像进行通道串联,得到特征融合图像,特征融合图像通过双线性插值层提高分辨率后输入下一层串联与上采样模块;
步骤S46:由步骤S44中的第5个串联与上采样模块输出,得到排水管道“气-液”交界面的分割线;
步骤S47:将步骤S46中得到的分割线与管壁、步骤S1测量得到的水位高度共同构成排水管道水流截面。
进一步的,步骤S5具体步骤如下:
步骤S51:将步骤S4得到的排水管道水流截面数据输入到多维分类误差自适应提升回归算法,多维分类误差自适应提升回归算法依据每个排水管道水流截面积子分类器对于不同类别的输出识别率确定训练集权重以及子分类器权重;
步骤S52:多维分类误差自适应提升回归算法基于训练集权重以及子分类器权重输出排水管道水流的截面积的计算结果;
步骤S53:将排水管道水流的截面积与步骤S1中测量得到的水流截面的平均流速相乘,输出排水管道流量的测量结果。
通过考虑子分类器对不同类别的输出识别率,多维分类误差自适应提升算法可以更准确得到排水管道实时流量的输出值。这种改进算法使得多维分类误差自适应提升算法在多类问题和回归问题上具有更好的性能和连续性。
(1)检测结果对比
图2为红外摄像头拍摄的图像和人工识别并绘制的排水管道内水流断面对比图,图3为排水管道“气-液”交界面目标识别和图像分割效果对比图,图4为排水管道“气-液”交界面目标识别和图像分割剔除排水管道底部淤积质的水力过流断面对比图。为了研究不同模型的准确性和鲁棒性,不同智能检测算法的排水管道“气-液”交界面图像目标识别和图像分割模型的输出结果如图2-图4所示。其中,优化区域卷积神经网络(Faster RCNN)是基于区域卷积神经网络(RCNN)的改进的目标识别算法;单阶段目标检测算法(SSD)是基于回归的卷积神经网络(CNN)的改进的目标识别算法,真实分割尺寸是通过人工识别并绘制的排水管道水流截面。
如图2所示,图2中的a为红外摄像头拍摄的图像和人工识别并绘制的排水管道内水流断面原图,图2中的b为优化区域卷积神经网络算法的排水管道内水流断面图,图2中的c为单阶段目标检测算法的排水管道内水流断面图,图2中的d为考虑预测框中心点欧氏距离和重叠率参数的改进的YOLO v5算法的排水管道内水流断面图。图2中的b -图2中的d为本发明目标识别方法与其他方法之间的效果对比。其中,优化区域卷积神经网络(FasterRCNN)的预测框太大,其他两种模型均能定位水流截面上边界的位置。与优化区域卷积神经网络(Faster RCNN)和单阶段目标检测算法(SSD)相比,本发明采用的考虑预测框中心点欧氏距离和重叠率参数(CIOU)的改进的YOLO v5算法检测框能够很好地拟合排水管道水流的水力过流断面上边界边缘;图2中的a拍摄的光照条件较暗,优化区域卷积神经网络(FasterRCNN)、单阶段目标检测算法(SSD)和本发明的考虑预测框中心点欧氏距离和重叠率参数(CIOU)的改进的YOLO v5算法能够准确的发现水流截面上边界边缘并进行框选,也就是说,基于深度学习的模型基本不受光照条件的影响。
如图3所示,图3中的e为通过人工识别并绘制的排水管道“气-液”交界面目标识别和图像真实分割尺寸图,图3中的f为通过不加权法绘制的排水管道“气-液”交界面目标识别和图像真实分割尺寸图,图3中的g为通过逆类别频率法绘制的排水管道“气-液”交界面目标识别和图像真实分割尺寸图,图3中的h为本发明基于动态像素加权策略的全卷积神经网络(FCN)算法绘制的排水管道“气-液”交界面目标识别和图像真实分割尺寸图,不加权法通过图像分割得到的水流截面上边界过大,导致估测的截面水流面积大于实际水流面积。逆类别频率法得到的水力过流断面上边界偏小,也会影响截面水流面积量化的准确性。结合多普勒测量得到的水位高度,在图3中的e-图3中的h的图像分割基础上,得到图4排水管道“气-液”交界面目标识别和图像分割剔除排水管道底部淤积质的水力过流断面对比图,图4中的i、图4中的j、图4中的k、图4中的l对应图3中的e、图3中的f、图3中的g和图3中的h,与上述两种分割算法相比,本发明基于动态像素加权策略的全卷积神经网络(FCN)算法得到的结果更接近水流截面的实际值。
上述对比分析表明,本发明采用的考虑预测框中心点欧氏距离和重叠率参数(CIOU)的改进的YOLO v5算法和基于动态像素加权策略的全卷积神经网络(FCN)算法中对预选框损失函数(目标识别)和像素加权策略(图像分割)的调整是有效的。
(2)多维分类误差自适应提升(MD-AdaBoost)回归算法与其他回归流量算法性能对比
在表1-表3中,分别对算数平均法、自适应提升(Adaboost)和多维分类误差自适应提升(MD-AdaBoost)回归算法进行了对比。当算法输出的流量值与真实流量值之间的误差不大于3%时,回归算法此次输出结果符合需求。重复进行20组回归实验,其中,19组多维分类误差自适应提升(MD-AdaBoost)回归算法比自适应提升(Adaboost)的准确率要高,仅有1次较低,但均保持在88.9%以上。根据表3可以看出,多维分类误差自适应提升(MD-AdaBoost)回归算法不仅仅表现出高的性能,同时也表现出了的更好的稳定性,综合误差率在1.2%~2.7%之间浮动。
表1为不同回归算法的结果对比实验结果对比(1-10组)
表2为不同回归算法的结果实验结果对比(11-20组)
表3为不同回归算法的结果实验结果对比(平均准确率与容差项)
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种排水管道流量智能测量方法,其特征是:具体方法为:
步骤S1,结合排水管道半径数据,利用多普勒超声雷达采集排水管道中测量位置的水流截面的平均流速和水位高度;
步骤S2,采用高清红外摄像头拍摄排水管道“气-液”交界面的图像信息;
步骤S3,采用改进的目标检测算法YOLO v5,对排水管道“气-液”交界面的图像进行目标识别,识别图像中排水管道“气-液”交界面的目标区域;
步骤S4,利用动态像素加权策略的全卷积神经网络算法,对排水管道“气-液”交界面的目标区域进行图像分割,得到排水管道“气-液”交界面的分割线,并与管壁、步骤S1测量得到的水位高度共同构成排水管道水流截面;
步骤S5,将步骤S4中排水管道水流截面的数据输入到多维分类误差自适应提升回归算法,得到排水管道水流的截面积,将排水管道水流的截面积与步骤S1中测量得到的水流截面的平均流速相乘,输出排水管道流量的测量结果。
2.根据权利要求1所述的一种排水管道流量智能测量方法,其特征是:
步骤S3中改进的目标检测算法YOLO v5,包括输入端、主干基准网络、颈网络、输出端四个部分,具体如下:
所述输入端包含一个图像预处理阶段;图像预处理阶段具体为:将输入图像缩放到目标检测算法YOLO v5的输入尺寸,并进行归一化操作,采用嵌合体数据增强操作方法、自适应锚框计算方法与自适应图像缩放方法对图像进行预处理;
所述主干基准网络,采用CSPDarknet53结构与聚焦下采样结构作为分类器的网络,提取图像特征;
所述颈网络,包括空间金字塔池化结构模块、特征图金字塔网络和像素聚合网络模块;
所述输出端:包含一个分类分支和一个回归分支,用来完成目标检测结果的输出,利用考虑到预测框中心点欧氏距离和重叠率参数的损失函数,增加相交尺度的衡量。
3.根据权利要求2所述的一种排水管道流量智能测量方法,其特征是:
步骤S3具体步骤如下:
步骤S31:将输入的640像素×640像素的排水管道“气-液”交界面的图像进行切片操作,缩放到改进的目标检测算法YOLO v5的输入尺寸中,经过一次卷积操作,变成320×320×32的特征图;
步骤S32:对步骤S31中的320×320×32的特征图进行归一化、嵌合体数据增强、自适应锚框计算与自适应图像缩放操作;
步骤S33:分别进行32、16、8倍下采样,获得不同层次的特征图;
步骤S34:通过上采样和张量拼接,将不同层次的特征图融合转化为维度相同的特征图;
步骤S35:采用考虑到预测框中心点欧氏距离和重叠率参数的损失函数作为改进的目标检测算法YOLO v5预测框偏差的偏差指标,损失函数见公式(1)所示:
(1)
其中,表示目标位置损失函数,i表示单元格,j表示先验框,/>表示单元格i产生的先验框j包含的目标,/>、/>分别表示单元格和先验框的总个数;
其中,,/>表示单元格i产生的先验框j的重复率参数, />表示边框交集面积,/>表示边框并集面积,/>表示两个中心点间的欧氏距离,/>、/>分别表示预测框和真实框的中心点,/>表示最小外接矩形框对角线距离,/>为权重函数;
其中,,/>为真实框与预测框矩形对角线倾斜角的方差, />、/>分别表示真实框的高与宽,/>、/>分别表示预测框的高与宽;
步骤S36:输出图像中排水管道“气-液”交界面目标区域的框选结果。
4.根据权利要求3所述的一种排水管道流量智能测量方法,其特征是:
步骤S4具体步骤如下:
步骤S41:将步骤S3中输出目标区域的框选结果作为动态像素加权策略的全卷积神经网络算法的输入图像,输出粗分割结果;
步骤S42:基于动态像素加权策略的全卷积神经网络算法中的每个特征提取层,根据粗分割结果中每个像素分类的难易情况,生成一个相应变化的权重图,添加到动态像素加权策略的特征提取层损失函数中,从而动态优化大分辨率特征映射的分割结果;
动态像素加权策略的特征提取层损失函数中,第k个侧输出层生成的结果中像素x属于类别l的后验概率由归一化指数函数计算得到,见公式(2)所示:
(2)
其中, 表示第k个侧输出层生成的结果中图像像素x属于图像分类类别l的后验概率,且/>,/>表示图像像素x和图像分类类别l时第k个侧输出层生成的结果,且/>,/>,R为图像像素的取值空间,/>表示具有N个像素的图像空间域;
动态像素加权策略的特征提取层损失函数中,图像像素x在侧输出层k的类别由公式(3)所得到:
(3)
其中,表示图像像素x在侧输出层k的输出分类类别;
动态像素加权策略的特征提取层损失函数中,多尺度分割结果和动态像素加权策略生成的权重图构建网络模型的损失函数即多尺度加权损失函数,由公式(4)所示;
(4)
其中,表示采用多尺度分割结果和动态像素加权策略生成的权重图构建网络模型的损失函数,/>、G分别表示基于动态像素加权策略的全卷积神经网络算法的输入图像和真实分割结果,且/>,/>,/>表示对应的像素权重,/>表示由多尺度分割结果和动态像素加权策略生成的权重图所构建的网络模型的所有可学习参数,/>表示分类的总数量,/>、/>分别表示图像像素x处的真实图像取值和分割结果取值,/>表示在多尺度分割结果和动态像素加权策略生成的权重图所构建的网络模型的所有可学习参数/>的第k个侧输出层生成的结果中图像像素x属于分割结果取值/>的后验概率;
步骤S43:动态像素加权策略的全卷积神经网络算法划分为自底向上的网络通道和自顶向下的网络通道两部分,利用自底向上的网络通道对输入图像的自底向上分割特征进行提取,并输出特征图像,提取过程采用去掉全连接层的VGG-16网络模型,VGG-16网络模型由6个下采样模块,1个批量归一化层和1个2×2的最大池化层串联而成;
步骤S44:利用自顶向下的网络通道对步骤S43中输出的特征图像的自顶向下分割特征进行提取,并输出特征图像,提取过程采用5个串联与上采样模块,每个串联与上采样模块由1个卷积层、1个串联层以及1个上采样系数为2的双线性插值层组成;
步骤S45:步骤S44中第一个串联与上采样模块利用卷积层对步骤S43中输出的特征图像进行降维处理,采用串联层将步骤S43中输出的特征图像与降维后的特征图像进行通道串联,得到特征融合图像,特征融合图像通过双线性插值层提高分辨率后输入下一层串联与上采样模块;
步骤S46:由步骤S44中的第5个串联与上采样模块输出,得到排水管道“气-液”交界面的分割线;
步骤S47:将步骤S46中得到的分割线与管壁、步骤S1测量得到的水位高度共同构成排水管道水流截面。
5.根据权利要求4所述的一种排水管道流量智能测量方法,其特征是:
步骤S5具体步骤如下:
步骤S51:将步骤S4得到的排水管道水流截面数据输入到多维分类误差自适应提升回归算法,多维分类误差自适应提升回归算法依据每个排水管道水流截面积子分类器对于不同类别的输出识别率确定训练集权重以及子分类器权重;
步骤S52:多维分类误差自适应提升回归算法基于训练集权重以及子分类器权重输出排水管道水流的截面积的计算结果;
步骤S53:将排水管道水流的截面积与步骤S1中测量得到的水流截面的平均流速相乘,输出排水管道流量的测量结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311105058.8A CN116824467B (zh) | 2023-08-30 | 2023-08-30 | 一种排水管道流量智能测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311105058.8A CN116824467B (zh) | 2023-08-30 | 2023-08-30 | 一种排水管道流量智能测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116824467A true CN116824467A (zh) | 2023-09-29 |
CN116824467B CN116824467B (zh) | 2023-11-07 |
Family
ID=88139571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311105058.8A Active CN116824467B (zh) | 2023-08-30 | 2023-08-30 | 一种排水管道流量智能测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824467B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017012581A1 (zh) * | 2015-07-23 | 2017-01-26 | 福建联迪商用设备有限公司 | 二维码加权平均灰度法解码方法及系统 |
US20190130189A1 (en) * | 2017-10-30 | 2019-05-02 | Qualcomm Incorporated | Suppressing duplicated bounding boxes from object detection in a video analytics system |
CN110633731A (zh) * | 2019-08-13 | 2019-12-31 | 杭州电子科技大学 | 一种基于交错感知卷积的单阶段无锚框目标检测方法 |
CN112560595A (zh) * | 2020-11-30 | 2021-03-26 | 武汉大学 | 基于河流表面流速的河道断面流量计算方法 |
WO2021223367A1 (zh) * | 2020-05-06 | 2021-11-11 | 佳都新太科技股份有限公司 | 单镜头下的多行人在线跟踪方法、装置、设备及存储介质 |
WO2021227366A1 (zh) * | 2020-05-14 | 2021-11-18 | 华南理工大学 | 一种多个小目标的自动准确检测方法 |
CN115561480A (zh) * | 2022-09-30 | 2023-01-03 | 福建万福信息技术有限公司 | 一种基于深度学习的排水口流速检测方法和系统 |
KR102485227B1 (ko) * | 2022-04-22 | 2023-01-06 | 주재넷(주) | 인공지능 기반 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법 |
CN115908833A (zh) * | 2022-11-23 | 2023-04-04 | 凌坤(南通)智能科技有限公司 | 一种基于改进YOLOv3的轻量级垃圾检测方法 |
CN116206248A (zh) * | 2023-04-28 | 2023-06-02 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于机器学习引导深度学习的目标检测方法 |
CN116612292A (zh) * | 2023-05-29 | 2023-08-18 | 吉林大学 | 一种基于深度学习的小目标检测方法 |
-
2023
- 2023-08-30 CN CN202311105058.8A patent/CN116824467B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017012581A1 (zh) * | 2015-07-23 | 2017-01-26 | 福建联迪商用设备有限公司 | 二维码加权平均灰度法解码方法及系统 |
US20190130189A1 (en) * | 2017-10-30 | 2019-05-02 | Qualcomm Incorporated | Suppressing duplicated bounding boxes from object detection in a video analytics system |
CN110633731A (zh) * | 2019-08-13 | 2019-12-31 | 杭州电子科技大学 | 一种基于交错感知卷积的单阶段无锚框目标检测方法 |
WO2021223367A1 (zh) * | 2020-05-06 | 2021-11-11 | 佳都新太科技股份有限公司 | 单镜头下的多行人在线跟踪方法、装置、设备及存储介质 |
WO2021227366A1 (zh) * | 2020-05-14 | 2021-11-18 | 华南理工大学 | 一种多个小目标的自动准确检测方法 |
CN112560595A (zh) * | 2020-11-30 | 2021-03-26 | 武汉大学 | 基于河流表面流速的河道断面流量计算方法 |
KR102485227B1 (ko) * | 2022-04-22 | 2023-01-06 | 주재넷(주) | 인공지능 기반 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법 |
CN115561480A (zh) * | 2022-09-30 | 2023-01-03 | 福建万福信息技术有限公司 | 一种基于深度学习的排水口流速检测方法和系统 |
CN115908833A (zh) * | 2022-11-23 | 2023-04-04 | 凌坤(南通)智能科技有限公司 | 一种基于改进YOLOv3的轻量级垃圾检测方法 |
CN116206248A (zh) * | 2023-04-28 | 2023-06-02 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于机器学习引导深度学习的目标检测方法 |
CN116612292A (zh) * | 2023-05-29 | 2023-08-18 | 吉林大学 | 一种基于深度学习的小目标检测方法 |
Non-Patent Citations (3)
Title |
---|
RYO MATSUOKA: "High Dynamic Range Image Generation Based on Convolutional Weight Optimization Robust to Mixed Noise Removal", 《2018 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE (APSIPA ASC)》 * |
何斌: "基于改进YOLO v5 的夜间温室番茄果实快速识别", 《农业机械学报》, pages 203 - 205 * |
王建林;付雪松;黄展超;郭永奇;王汝童;赵利强;: "改进YOLOv2卷积神经网络的多类型合作目标检测", 光学精密工程, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116824467B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665481B (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
CN112733822B (zh) | 一种端到端文本检测和识别方法 | |
CN109800824A (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
CN108053419A (zh) | 基于背景抑制和前景抗干扰的多尺度目标跟踪方法 | |
CN112150493B (zh) | 一种基于语义指导的自然场景下屏幕区域检测方法 | |
CN103455991B (zh) | 一种多聚焦图像融合方法 | |
CN111259940B (zh) | 一种基于空间注意力地图的目标检测方法 | |
CN111259827B (zh) | 一种面向城市河道监管的水面漂浮物自动检测方法及装置 | |
CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN111984817B (zh) | 一种基于自注意力机制加权的细粒度图像检索方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN116776238B (zh) | 一种基于多源信息水旱灾害动态风险评估方法和系统 | |
CN108537116B (zh) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN109993772B (zh) | 基于时空采样的实例级别特征聚合方法 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN116824467B (zh) | 一种排水管道流量智能测量方法 | |
CN111444913A (zh) | 一种基于边缘引导稀疏注意力机制的车牌实时检测方法 | |
CN114998701B (zh) | 基于像素特征匹配的目标检测损失优化方法 | |
CN113077484B (zh) | 一种图像实例分割方法 | |
CN115880594A (zh) | 一种基于无人机视觉感知和深度学习的堤坝裂缝智能检测方法 | |
CN115512299A (zh) | 基于雷达图像的U-net变体神经网络的洪涝预警方法 | |
CN115273131A (zh) | 基于双通路特征融合的动物识别方法 | |
Zhao et al. | Overlapping region reconstruction in nuclei image segmentation |
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 |