CN117315446B - 一种面向复杂环境下水库溢洪道异常智能识别方法 - Google Patents
一种面向复杂环境下水库溢洪道异常智能识别方法 Download PDFInfo
- Publication number
- CN117315446B CN117315446B CN202311604737.XA CN202311604737A CN117315446B CN 117315446 B CN117315446 B CN 117315446B CN 202311604737 A CN202311604737 A CN 202311604737A CN 117315446 B CN117315446 B CN 117315446B
- Authority
- CN
- China
- Prior art keywords
- spillway
- image
- rain
- fog
- reservoir
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 230000006872 improvement Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000005856 abnormality Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向复杂环境下水库溢洪道异常智能识别方法,该方法面向存在雨雾复杂环境下的溢洪道堵塞物识别检测,具体步骤如下:首先,对待检测的水库溢洪道堵塞物图像,采用雨雾干扰去除算法进行去噪处理,得到输出雨雾去除后的水库溢洪道堵塞物图像;然后,将雨雾去除后的图像输入到溢洪道区域分割模型,识别并截取分割后的溢洪道区域图像;最后,将截取的溢洪道区域图像输送至溢洪道堵塞物识别模型,检测识别出溢洪道中的堵塞物;本发明结合图像处理技术和计算机视觉技术,既能解决传统图像识别时受雨雾干扰的问题,又能对溢洪道存在的堵塞物进行精准识别。
Description
技术领域
本发明涉及计算机视觉领域,特别是涉及一种面向复杂环境下水库溢洪道异常智能识别方法。
背景技术
水库是我国防洪广泛采用的工程措施之一,在水库对洪水调节的过程中,溢洪道是一种必不可少的防洪措施。溢洪道不仅能够减轻水库、堤防等水利工程在洪水期间的压力,还能防止洪水过度淹没下游城市,保护人民的生命财产安全。随着时代的变迁,我国在疏浚整治河道、分洪滞洪、利用水库蓄洪等各种防洪工作中,都取得了良好的效果,也丰富了防洪工程措施的内容。不过在解决实际问题上,目前大都处于人工巡查阶段,存在实时性不强、人力巡查成本高、人工巡查存在潜在风险等问题。此外,水库环境复杂,并且在暴雨天气以及泄洪时期容易产生雨雾,在进行溢洪道的检测时容易造成干扰,检测十分困难。
水库溢洪道堵塞物检测是防洪治理的一项重要工作,随着人工智能的快速发展,近年来有很多学者利用人工智能、深度学习技术在水库防洪治理的相关领域做了一些研究,然而,对于溢洪道的堵塞物检测在防洪治理领域目前还处于空白阶段。
因此,本发明将计算机视觉中图像处理技术和深度学习技术有机结合,设计提供了一种面向复杂环境下水库溢洪道异常智能识别与预警方法,既能解决在雨雾环境下溢洪道堵塞物识别难的问题,又能实现针对溢洪道堵塞物的更高检测精度。
发明内容
本发明的目的在于提供一种面向复杂环境下水库溢洪道异常智能识别方法,采用雨雾干扰去除算法,及改进的图像分割算法DeepLabv3+和改进的目标检测算法YOLOv7级联的方式对水库溢洪道堵塞物情况分三阶段进行识别检测;将图像处理技术和计算机视觉技术进行有机的结合,既填补了在防洪治理领域中溢洪道堵塞物检测的空白,又解决了传统图像检测在恶劣气候条件下识别难的问题。
本发明采用以下技术方案:一种面向复杂环境下水库溢洪道异常智能识别方法,方法步骤如下:
步骤S1、收集包含堵塞物的水库溢洪道图像以及只包含溢洪道区域的图像,采用人工标注的方式分别对溢洪道区域和溢洪道中堵塞物进行标注,分别制作溢洪道区域图像数据集和溢洪道堵塞物图像数据集,并且按照比例划分为训练集、验证集和测试集,通过训练改进的DeepLabv3+算法获得溢洪道区域分割模型和训练改进的YOLOv7算法获得溢洪道堵塞物识别模型;
步骤S2、对待检测的水库溢洪道堵塞物图像进行预处理,判断待检测的水库溢洪道堵塞物图像是否存在雨雾干扰,与图像对比度阈值进行比较,当待检测的水库溢洪道堵塞物图像中存在雨雾时,利用水库环境下雨雾干扰去除算法对待检测的水库溢洪道堵塞物图像进行去噪处理,得到雨雾去除后的水库溢洪道堵塞物图像;
步骤S3、将步骤S2中雨雾去除后的水库溢洪道堵塞物图像输入到步骤S1中的溢洪道区域分割模型,识别并分割溢洪道区域图像,接着将溢洪道区域外的背景做黑色掩码处理,输出溢洪道区域图像;
步骤S4、将步骤S3中输出的溢洪道区域图像输入到步骤S1中的溢洪道堵塞物识别模型,识别出溢洪道中的堵塞物;
步骤S5、将待检测的水库溢洪道堵塞物图像与步骤S4识别出溢洪道中的堵塞物图像进行合并,输出包含溢洪道区域外背景的完整检测图像。
进一步的,步骤S1中所述制作溢洪道区域图像数据集和溢洪道堵塞物图像数据集,过程如下:
步骤S11,采集不同水库、不同环境下水库溢洪道堵塞物图像;
步骤S12,通过数据集标记软件Labelme标记,获得json图片标注信息文件与jpg图片文件对应的溢洪道区域图像数据集;
步骤S13,利用步骤S12的json图片标注信息文件及图像截取脚本代码,将单独的溢洪道区域图像从待检测的水库溢洪道堵塞物图像提取出来,并将溢洪道区域外的背景做黑色掩码处理,作为溢洪道堵塞物图像数据集;
步骤S14,通过数据集标记软件Labelimg标记,获得一组xml图片标注信息文件与png图片文件对应的溢洪道堵塞物图像数据集;
步骤S15,将标注好的溢洪道区域图像数据集和溢洪道堵塞物图像数据集分别输入改进的DeepLabv3+算法和改进的YOLOv7算法;在训练过程中训练集通过验证集不断更新权重,分别得到溢洪道区域分割模型和溢洪道堵塞物识别模型。
进一步的,通过训练改进的DeepLabv3+算法获得溢洪道区域分割模型和训练改进的YOLOv7算法获得溢洪道堵塞物识别模型;具体操作如下:
利用溢洪道区域图像数据集中的训练集,使用改进的DeepLabv3+算法进行训练,使用溢洪道区域图像数据集中的验证集验证训练的效果,更新权重,获得溢洪道区域分割模型;
利用K-means聚类算法根据溢洪道堵塞物图像数据集的图片标注信息文件生成适用于溢洪道堵塞物图像数据集情景下的9个不同大小尺寸的先验框;利用溢洪道堵塞物图像数据集中的训练集对改进的YOLOv7算法进行训练,使用溢洪道堵塞物图像数据集中的验证训练的效果,更新权重,获得溢洪道堵塞物识别模型。
进一步的,改进的DeepLabv3+算法,改进内容包括:
步骤S16,利用用于移动设备和嵌入式设备的轻量级移动网络构建轻量化的主干网络,减少参数量并提高训练和推理速度;
步骤S17,结合级联特征融合单元对DeepLabv3+算法的浅层网络和深层网络改进,即浅层语义信息和深层语义信息进行有效特征融合,使得DeepLabv3+算法的特征提取能力更强;
其中对DeepLabv3+算法的浅层网络和深层网络改进,具体改进内容如下:
步骤S171,将图像Image输入轻量级移动网络构建轻量化的主干网络,轻量级移动网络构建轻量化的主干网络主要由瓶颈模块堆叠而成,在构建的过程中,输出主干网络结构的第4层level4、第7层level7、第11层level11,分别得到的特征图维度为128×128×24、64×64×32、32×32×64;
步骤S172,将第4层level4和第7层level7作为第一个级联特征融合单元的输入,经过第一个级联特征融合单元后,输出维度为128×128×80的特征图F1;
步骤S173,将特征图F1与第11层level11作为第二个级联特征融合单元的输入,经过第二个级联特征融合单元后,输出维度为128×128×256的特征图F2;
步骤S174,特征图F1经过一个1×1的卷积层实现降维,得到维度为128×128×48的浅层特征图;
步骤S175,图像Image经过轻量级移动网络的主干网络后,接着通过一个空洞空间卷积池化金字塔模块并进行一次上采样,得到维度为128×128×256的特征图x1;
步骤S176,将特征图F2与特征图x1相加进行特征融合,得到维度为128×128×256的深层特征图;
步骤S177,将浅层特征图与深层特征图进行拼接,输出维度为128×128×304的特征图x。
进一步的,改进的YOLOv7算法,改进内容如下:
步骤S18,提出改进的通道注意力过渡模块用于主干网络,通道注意力过渡模块构建提取堵塞物特征的主干网络,提高网络模型的准确率;
步骤S19,针对YOLOv7算法计算量较大并且对不同大小堵塞物目标的检测能力较弱的不足,提出改进的空间金字塔池化轻量化卷积模块,在增加特征图感受野并提取多分辨率特征图特征的同时,减少参数量和计算量;
其中改进的通道注意力过渡模块,具体改进内容如下:
在YOLOv7主干网络原有的过渡模块基础上加入改进的通道注意力模块,改进的通道注意力过渡模块中包含两条分支,其中一条分支经过两个卷积操作,进一步对堵塞物进行特征提取;另一条分支首先经过一个最大池化层,其次通过一个1×1的卷积层实现通道数量的降维,再通过一个通道注意力模块以提高堵塞物特征的提取能力,最后将两条分支进行拼接;在主干网络中,改进的通道注意力过渡模块在每一个YOLOv7网络结构中原有的多分支堆叠模块后进行一次堆叠,构建提取堵塞物特征的主干网络。
进一步的,其中提出改进的空间金字塔池化轻量化卷积模块,具体改进内容如下:
改进空间金字塔池化轻量化卷积模块包括两个分支结构,其中一个分支结构仅经过一个1×1的卷积层,输出维度为20×20×512的特征图branch1;
另一分支结构首先经过一个1×1的卷积层,再经过一个鬼影混洗卷积模块以进行特征提取的同时减少参数量,然后经过一个1×1的卷积层,得到维度为20×20×1024的特征图out1;
其次,特征图out1依次经过7个池化核大小为3的最大池化层,扩大特征图感受野的同时减少计算量,每经过一个最大池化层进行一次输出标记,输出标记的特征图分别为out2、out3、out4、out5、out6、out7、out8;
将特征图out1、out2、out4、out6、out8进行拼接,并经过一个1×1的卷积层和一个鬼影混洗卷积模块后,得到输出维度为20×20×1024的特征图branch2;
最终,将特征图branch1与特征图branch2拼接后,经过一次1×1卷积得到特征图输出。
进一步的,步骤S2中水库环境下雨雾干扰去除算法,详细过程如下:
步骤S21,首先判断待检测的水库溢洪道堵塞物图像是否存在雨雾,将待检测的水库溢洪道堵塞物图像转成单通道的灰色图像,即彩色三通道图像转换为灰度图像;
然后计算灰度图像中灰度值的标准差,获得待检测的水库溢洪道堵塞物图像对比度;根据真实溢洪道场景设置一个不包含雨雾图像的阈值,将待检测的水库溢洪道堵塞物图像对比度与不包含雨雾图像的阈值进行比较;如果待检测的水库溢洪道堵塞物图像对比度小于不包含雨雾图像的阈值,即判定待检测的水库溢洪道堵塞物图像中含有雨雾,执行步骤S22操作;否则转步骤S24;
步骤S22,将彩色三通道图像进行归一化处理,取出归一化处理后三维数组中的最小数值作为最小通道数组V1;再通过开运算滤波器并根据雨雾的浓密程度选取滤波窗口,得到暗通道图像,滤波窗口大小如公式(1)所示;
(1);
其中,Window_Size表示滤波窗口的大小,R表示滤波半径;
步骤S23,利用步骤S22得到的暗通道图像及导向滤波算法对最小通道数组V1进行优化,使用直方图函数统计优化后的数组V1`像素值分布情况,并通过累积函数得到直方图分布中前99.9%的像素值区域,并记录像素值区域的最大值;
求出彩色三通道图像数组归一化后三通道的平均值数组;当优化后的数组V1`中数值大于等于像素值区域的最大值时,记录平均值数组中相应的位置,接着从记录位置中找到最大值,即可得到光照值A;
再对优化后的数组V1`中像素值进行限制,得到大气遮罩图像;利用大气遮罩图像和光照值A对雨雾干扰图像进行颜色校正,校正公式如公式(2)所示;
(2);
其中,x表示图像像素点的位置;J(x)表示颜色校正后图像中像素点位置为x的像素值;I(x)表示原始待处理的雨雾干扰图像中像素点位置为x的像素值;M(x)表示大气遮罩图像中像素点位置为x的像素值;A表示光照值;
最后,将颜色校正后图像的像素值范围从[0,1]还原到[0,255]之间,即得到雨雾去除后的初始图像;
步骤S24,图像亮度判断:将三原色图像模式转换为色相、饱和度、明度三通道图像模式,然后选取最后一个维度空间即明度,计算明度的平均值,以得到雨雾去除后初始图像的亮度;
如果雨雾去除后初始图像亮度大于预先设定好的亮度阈值,则不做图片的亮度增强,直接输出雨雾干扰去除后的图像;如果亮度不够时,即雨雾去除后初始图像亮度小于亮度阈值,则进行步骤S25操作;
步骤S25,亮度增强处理:首先将雨雾去除后初始图像像素数组按照值的大小有序排列,设置图像像素数组的百分位范围为1%-99%,将图像像素数组百分位为1%位置对应的数值设为最小数值,图像像素数组百分位为99%位置对应的数值设为最大数值,利用最小数值和最大数值形成一个数值范围,将超过数值范围的像素值使用最小数值或最大数值代替,去掉雨雾去除后初始图像直方图中像素值的异常数值;
最后,通过最小-最大归一化方法并利用归一化函数,将去掉异常数值后的像素值范围线性映射到[25.5,229.5]之间,得到雨雾干扰去除后的清晰图像。
本发明的有益效果:本发明将图像处理技术和深度学习技术相结合,分三阶段识别检测:在雨雾环境下采用雨雾干扰去除算法,得到雨雾去除后的清晰图像,使得处理后的图像色彩更加鲜明;水库溢洪道的区域检测采用的是改进的Deeplabv3+图像分割算法,针对溢洪道区域范围内的堵塞物检测采用的是改进的YOLOv7目标检测算法;在雨雾环境下,使用面向雨雾干扰环境下的水库溢洪道堵塞物智能检测识别方法,相比于直接使用YOLOv7网络检测溢洪道堵塞物的效果,平均精度均值mAP提升了7.41%。通过上述步骤,既能解决传统目标检测的方式在检测溢洪道堵塞物时适应性受限的问题,又能高效率实现对于水库溢洪道堵塞物的识别并且排除溢洪道区域范围以外物体的干扰。
附图说明
图1为本发明整体检测流程图;
图2为本发明改进后DeepLabv3+语义分割算法结构图;
图3为级联特征融合单元图;
图4为本发明改进后YOLOv7目标检测算法结构图;
图5为改进的通道注意力过渡模块图;
图6为改进的空间金字塔池化轻量化卷积模块图;
图7为本发明采用雨雾干扰去除算法流程图。
具体实施方式
为使本发明的目的、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他实施例,都属于本发明保护的范围。
本发明提供一种面向复杂环境下水库溢洪道异常智能识别方法,采用雨雾干扰去除算法去除图像中的雨雾干扰,并采用改进的两个网络模型,分别为改进的DeepLabv3+算法和改进的YOLOv7算法,采取两个网络模型级联的方式对水库溢洪道堵塞物情况进行检测,如图1所示,具体流程为:
步骤S1、收集包含堵塞物的水库溢洪道图像以及只包含溢洪道区域的图像,采用人工标注的方式分别对溢洪道区域和溢洪道中堵塞物进行标注,分别制作溢洪道区域图像数据集和溢洪道堵塞物图像数据集,并且按照比例划分为训练集、验证集和测试集,通过训练改进的DeepLabv3+算法获得溢洪道的区域分割模型和训练改进的YOLOv7算法获得溢洪道堵塞物识别模型;
步骤S2、对待检测的水库溢洪道堵塞物图像进行预处理,判断待检测的水库溢洪道堵塞物图像是否存在雨雾干扰,与图像对比度阈值进行比较,当待检测的水库溢洪道堵塞物图像中存在雨雾时,利用水库环境下雨雾干扰去除算法对待检测的水库溢洪道堵塞物图像进行去噪处理,得到第一步输出雨雾去除后的水库溢洪道堵塞物图像;
步骤S3、将步骤S2中雨雾去除后的水库溢洪道堵塞物图像输入到步骤S1中的溢洪道区域分割模型,识别并分割溢洪道区域图像,接着将溢洪道区域外的背景做黑色掩码处理,输出溢洪道区域图像;
步骤S4、将步骤S3中输出的溢洪道区域图像输入到步骤S1中的溢洪道堵塞物识别模型,识别出溢洪道中的堵塞物;
步骤S5、将待检测的水库溢洪道堵塞物图像与步骤S4识别出溢洪道中的堵塞物图像进行合并,输出包含溢洪道区域外背景的完整检测图像。
进一步的,步骤S1中所述制作溢洪道区域图像数据集和溢洪道堵塞物图像数据集,过程如下:
步骤S11,采集不同水库、不同环境下水库溢洪道堵塞物图像;
步骤S12,通过数据集标记软件Labelme标记,获得json图片标注信息文件与jpg图片文件对应的溢洪道区域图像数据集;
步骤S13,利用步骤S12的json图片标注信息文件及图像截取脚本代码,将单独的溢洪道区域图像从待检测的水库溢洪道堵塞物图像提取出来,并将溢洪道区域外的背景做黑色掩码处理,作为溢洪道堵塞物图像数据集;
步骤S14,通过数据集标记软件Labelimg标记,获得一组xml图片标注信息文件与png图片文件对应的溢洪道堵塞物图像数据集;
步骤S15,将标注好的溢洪道区域图像数据集和溢洪道堵塞物图像数据集分别输入改进的DeepLabv3+算法和改进的YOLOv7算法;在训练过程中训练集通过验证集不断更新权重,分别得到溢洪道区域分割模型和溢洪道堵塞物识别模型。
进一步的,步骤S1中所述通过训练改进的DeepLabv3+算法获得溢洪道区域分割模型和训练改进的YOLOv7算法获得溢洪道堵塞物识别模型;具体操作如下:
利用识别溢洪道区域图像数据集中的训练集使用改进的DeepLabv3+算法进行训练,使用溢洪道区域图像数据集中的验证集验证训练的效果,更新权重,获得溢洪道区域分割模型;
利用K-means聚类算法根据溢洪道堵塞物图像数据集的图片标注信息文件生成适用于溢洪道堵塞物图像数据集情景下的9个不同大小尺寸的先验框;利用溢洪道堵塞物图像数据集中的训练集对改进的YOLOv7算法进行训练,使用溢洪道堵塞物图像数据集中的验证训练的效果,更新权重,获得溢洪道堵塞物识别模型。
进一步的,步骤S1中所述改进的DeepLabv3+算法网络结构如图2所示,改进内容包括:
步骤S16,利用适用于移动设备和嵌入式设备的轻量级移动网络(ModilNetv2)重新构建轻量化的主干网络,减少参数量并提高训练和推理速度;
步骤S17,结合级联特征融合单元(CFF)对DeepLabv3+的浅层网络和深层网络改进,即浅层语义信息和深层语义信息进行有效特征融合,使得DeepLabv3+网络特征提取能力更强,级联特征融合单元(CFF)结构如图3所示;
其中对DeepLabv3+的浅层网络和深层网络改进的具体改进内容如下:
步骤S171,将图像Image输入轻量级移动网络构建轻量化的主干网络,轻量级移动网络的主干网络主要由瓶颈模块堆叠而成,在搭建的过程中,输出主干网络结构的第4层level4、第7层level7、第11层level11,分别得到的特征图维度为128×128×24、64×64×32、32×32×64;
步骤S172,将level4和level7作为第一个级联特征融合单元(CFF)的输入,经过第一个级联特征融合单元后,输出维度为128×128×80的特征图F1;
步骤S173,将F1与level11作为第二个级联特征融合单元(CFF)的输入,经过第二个级联特征融合单元后,输出维度为128×128×256的特征图F2;
步骤S174,特征图F1经过一个1×1的卷积层实现降维,得到大小为128×128×48的浅层特征图;
步骤S175,图像Image经过轻量级移动网络的主干网络后,接着通过一个空洞空间卷积池化金字塔模块并进行一次上采样,得到维度为128×128×256的特征图x1;
步骤S176,将F2与x1相加进行特征融合,得到维度为128×128×256的深层特征图;
步骤S177,将浅层特征图与深层特征图进行拼接,输出维度为128×128×304的特征图x。
进一步的,步骤S1中所述改进的YOLOv7算法网络结构如图4所示,改进内容包括:
步骤S18,提出改进的通道注意力过渡模块(MP1-ECA)用于主干网络,通道注意力过渡模块构建提取堵塞物特征的主干网络,提高网络模型的准确率;
步骤S19,针对原始YOLOv7算法计算量较大并且对不同大小堵塞物目标的检测能力较弱的不足,提出改进的空间金字塔池化轻量化卷积模块(SPPFCSPC-M),在增加特征图感受野并提取多分辨率特征图特征的同时,减少参数量和计算量;
其中改进的通道注意力过渡模块(MP1-ECA)结构如图5所示,具体改进内容如下:
在YOLOv7主干网络的原有的过渡模块基础上加入改进的通道注意力模块,改进的通道注意力过渡模块中包含两条分支,其中一条分支经过两个卷积操作,进一步对堵塞物进行特征提取;另一条分支首先经过一个最大池化层,其次通过一个1×1的卷积层实现通道数量的降维,再通过一个通道注意力模块模块以提高堵塞物特征的提取能力,最后将两条分支进行拼接;在主干网络中,改进的通道注意力过渡模块在每一个YOLOv7网络结构中原有的多分支堆叠模块后进行一次堆叠,构建更有利于提取堵塞物特征的主干网络。
其中提出改进的空间金字塔池化轻量化卷积模块(SPPFCSPC-M)结构如图6所示,具体改进内容如下:
改进空间金字塔池化轻量化卷积模块(SPPFCSPC-M)包括两个分支结构,其中一个分支结构仅经过一个1×1的卷积层,输出维度为20×20×512的特征图branch1;
另一分支结构首先经过一个1×1的卷积层,然后经过一个鬼影混洗卷积模块(GSConv)以进行特征提取的同时减少参数量,再经过一个1×1的卷积层,得到输出维度为20×20×1024的特征图out1,其次依次经过7个池化核大小为3的最大池化层,扩大特征图感受野的同时减少计算量,每经过一个最大池化层进行一次输出标记,输出标记的特征图分别为out2、out3、out4、out5、out6、out7、out8;
再次,将特征图out1、out2、out4、out6、out8进行拼接,并经过一个1×1的卷积层和一个鬼影混洗卷积模块(GSConv)后,得到输出维度为20×20×1024的特征图branch2;
最终,将branch1与branch2特征图拼接后,经过一次1×1卷积得到特征图输出。
进一步的,步骤S2中所述提出水库环境下雨雾干扰去除算法流程图如图7所示,详细过程如下:
步骤S21,首先判断待检测的水库溢洪道堵塞物图像是否存在雨雾,将待检测的水库溢洪道堵塞物图像转成单通道的灰色图像,即彩色三通道图像转换为灰度图像;
然后计算灰度图像中灰度值的标准差,从而获得待检测的水库溢洪道堵塞物图像对比度;根据真实溢洪道场景设置一个不包含雨雾图像的阈值,将待检测的水库溢洪道堵塞物图像对比度与不包含雨雾图像的阈值进行比较;如果待检测的水库溢洪道堵塞物图像对比度小于不包含雨雾图像的阈值,即判定待检测的水库溢洪道堵塞物图像中含有雨雾,执行步骤S22操作;否则转步骤S24;
步骤S22,然后,将彩色三通道图像进行归一化处理,取出归一化处理后三维数组中的最小数值作为最小通道一维数组V1;再通过开运算滤波器并根据雨雾的浓密程度选取滤波窗口,得到暗通道图像,滤波窗口大小如式(1)所示,
(1);
其中,R表示滤波半径;Window_Size表示滤波窗口的大小;
步骤S23,利用步骤S22得到的暗通道图像及导向滤波算法对最小通道数组V1进行优化,然后使用直方图函数统计优化后数组V1`像素值的分布情况,通过累积函数得到直方图分布中前99.9%的像素值区域,并记录像素值区域的最大值,好处是可以得到图像中最重要的像素值区域,确定图像像素值的动态范围;
求出彩色三通道图像数组归一化后三通道的平均值数组;当优化后的数组V1`中数值大于等于像素值区域的最大值时,记录平均值数组中相应的位置,接着从记录位置中找到最大值,即可得到光照值A;
再对优化后数组V1`的像素值进行限制,也就是对V1`中的像素值设定了最大范围区间,避免数值溢出的情况发生,即可得到大气遮罩图像;利用大气遮罩图像和光照值A对雨雾干扰图像进行颜色校正,校正公式如式(2)所示;
最后,将颜色校正后图像的像素值范围从[0,1]还原到[0,255]之间,即得到雨雾去除后的初始图像;
(2);
其中,x表示图像像素点的位置;J(x)表示颜色校正后图像中像素点位置为x的像素值;I(x)表示原始待处理的雨雾干扰图像中像素点位置为x的像素值;M(x)表示大气遮罩图像中像素点位置为x的像素值;A表示光照值;
步骤S24,图像亮度判断:将三原色图像模式转换为色相、饱和度、明度三通道图像模式,并选取最后一个维度空间即明度,计算明度的平均值,以计算雨雾去除后初始图像的亮度;
如果雨雾去除后初始图像的亮度大于预先设定好的亮度阈值,则不做图片的亮度增强,直接输出雨雾干扰去除后的图像;如果亮度不够时,即雨雾去除后初始图像亮度小于亮度阈值,则进行步骤S25操作;
步骤S25,亮度增强处理:首先将图像像素数组按照值的大小有序排列,设置图像像素数组的百分位范围为1%99%,图像像素数组百分位为1%位置对应的数值设为最小数值,图像像素数组百分位为99%位置对应的数值设为最大数值,利用最小数值和最大数值形成一个数值范围,将超过数值范围的数值使用最小数值或最大数值代替,去掉雨雾去除后初始图像直方图中像素值的异常数值;
最后,通过最小最大归一化方法并利用归一化函数,将去掉异常数值后的像素值范围线性映射到[25.5,229.5]之间,避免出现图像失真的情况,得到雨雾干扰去除后的清晰图像。
表1
本发明提供的一种面向雨雾环境下的水库溢洪道堵塞物智能识别方法,在泄洪以及暴雨期间产生雨雾的情况下,使用雨雾干扰去除算法,能够使得检测图像更加清晰,与此同时,经区域分割后的图像进行检测,排除了溢洪道区域外物体的干扰,提高了堵塞物识别的精度;如表1所示的实验数据,将水库溢洪道图像使用YOLOv7网络进行堵塞物识别、改进的Deeplabv3+与改进的YOLOv7级联网络进行堵塞物识别、经雨雾干扰去除算法预处理后的图像通过改进的Deeplabv3+与改进的YOLOv7级联网络进行堵塞物识别作了对比,其中,包含雨雾干扰和不包含雨雾干扰的测试图像比例约为1:1,可以满足实际溢洪道堵塞物检测的需求。
Claims (4)
1.一种面向复杂环境下水库溢洪道异常智能识别方法,其特征是:方法步骤如下:
步骤S1、收集包含堵塞物的水库溢洪道图像以及只包含溢洪道区域的图像,采用人工标注的方式分别对溢洪道区域和溢洪道中堵塞物进行标注,分别制作溢洪道区域图像数据集和溢洪道堵塞物图像数据集,并且按照比例划分为训练集、验证集和测试集,通过训练改进的DeepLabv3+算法获得溢洪道区域分割模型和训练改进的YOLOv7算法获得溢洪道堵塞物识别模型;
步骤S2、对待检测的水库溢洪道堵塞物图像进行预处理,判断待检测的水库溢洪道堵塞物图像是否存在雨雾干扰,与图像对比度阈值进行比较,当待检测的水库溢洪道堵塞物图像中存在雨雾时,利用水库环境下雨雾干扰去除算法对待检测的水库溢洪道堵塞物图像进行去噪处理,得到雨雾去除后的水库溢洪道堵塞物图像;
步骤S3、将步骤S2中雨雾去除后的水库溢洪道堵塞物图像输入到步骤S1中的溢洪道区域分割模型,识别并分割溢洪道区域图像,接着将溢洪道区域外的背景做黑色掩码处理,输出溢洪道区域图像;
步骤S4、将步骤S3中输出的溢洪道区域图像输入到步骤S1中的溢洪道堵塞物识别模型,识别出溢洪道中的堵塞物;
步骤S5、将待检测的水库溢洪道堵塞物图像与步骤S4识别出溢洪道中的堵塞物图像进行合并,输出包含溢洪道区域外背景的完整检测图像;
改进的DeepLabv3+算法,改进内容包括:
步骤S16,利用用于移动设备和嵌入式设备的轻量级移动网络构建轻量化的主干网络,减少参数量并提高训练和推理速度;
步骤S17,结合级联特征融合单元对DeepLabv3+算法的浅层网络和深层网络改进,即浅层语义信息和深层语义信息进行有效特征融合;
其中对DeepLabv3+算法的浅层网络和深层网络改进,具体改进内容如下:
步骤S171,将图像Image输入轻量级移动网络构建轻量化的主干网络,轻量级移动网络构建轻量化的主干网络主要由瓶颈模块堆叠而成,在构建的过程中,输出主干网络结构的第4层level4、第7层level7、第11层level11,分别得到的特征图维度为128×128×24、64×64×32、32×32×64;
步骤S172,将第4层level4和第7层level7作为第一个级联特征融合单元的输入,经过第一个级联特征融合单元后,输出维度为128×128×80的特征图F1;
步骤S173,将特征图F1与第11层level11作为第二个级联特征融合单元的输入,经过第二个级联特征融合单元后,输出维度为128×128×256的特征图F2;
步骤S174,特征图F1经过一个1×1的卷积层实现降维,得到维度为128×128×48的浅层特征图;
步骤S175,图像Image经过轻量级移动网络的主干网络后,接着通过一个空洞空间卷积池化金字塔模块并进行一次上采样,得到维度为128×128×256的特征图x1;
步骤S176,将特征图F2与特征图x1相加进行特征融合,得到维度为128×128×256的深层特征图;
步骤S177,将浅层特征图与深层特征图进行拼接,输出维度为128×128×304的特征图x;
改进的YOLOv7算法,改进内容如下:
步骤S18,提出改进的通道注意力过渡模块用于主干网络,通道注意力过渡模块构建提取堵塞物特征的主干网络;
步骤S19,提出改进的空间金字塔池化轻量化卷积模块,在增加特征图感受野并提取多分辨率特征图特征的同时,减少参数量和计算量;
其中改进的通道注意力过渡模块,具体改进内容如下:
在YOLOv7算法主干网络的过渡模块基础上加入改进的通道注意力模块,改进的通道注意力过渡模块中包含两条分支,其中一条分支经过两个卷积操作,对堵塞物进行特征提取;另一条分支首先经过一个最大池化层,其次通过一个1×1的卷积层实现通道数量的降维,再通过一个通道注意力模块以提高堵塞物特征的提取能力,最后将两条分支进行拼接;在YOLOv7算法主干网络中,改进的通道注意力过渡模块在每一个YOLOv7算法主干网络中原有的多分支堆叠模块后进行一次堆叠,构建提取堵塞物特征的主干网络;
其中提出改进的空间金字塔池化轻量化卷积模块,具体改进内容如下:
改进空间金字塔池化轻量化卷积模块包括两个分支结构,其中一个分支结构经过一个1×1的卷积层,输出维度为20×20×512的特征图branch1;
另一分支结构首先经过一个1×1的卷积层,再经过一个鬼影混洗卷积模块以进行特征提取的同时减少参数量,然后经过一个1×1的卷积层,得到维度为20×20×1024的特征图out1;
其次,特征图out1依次经过7个池化核大小为3的最大池化层,扩大特征图感受野的同时减少计算量,每经过一个最大池化层进行一次输出标记,输出标记的特征图分别为out2、out3、out4、out5、out6、out7、out8;
将特征图out1、out2、out4、out6、out8进行拼接,并经过一个1×1的卷积层和一个鬼影混洗卷积模块后,得到输出维度为20×20×1024的特征图branch2;
最终,将特征图branch1与特征图branch2拼接后,经过一次1×1卷积得到特征图输出。
2.根据权利要求1所述的一种面向复杂环境下水库溢洪道异常智能识别方法,其特征是:
步骤S1中所述制作溢洪道区域图像数据集和溢洪道堵塞物图像数据集,过程如下:
步骤S11,采集不同水库、不同环境下水库溢洪道堵塞物图像;
步骤S12,通过数据集标记软件Labelme标记,获得json图片标注信息文件与jpg图片文件对应的溢洪道区域图像数据集;
步骤S13,利用步骤S12的json图片标注信息文件及图像截取脚本代码,将单独的溢洪道区域图像从待检测的水库溢洪道堵塞物图像提取出来,并将溢洪道区域外的背景做黑色掩码处理,作为溢洪道堵塞物图像数据集;
步骤S14,通过数据集标记软件Labelimg标记,获得一组xml图片标注信息文件与png图片文件对应的溢洪道堵塞物图像数据集;
步骤S15,将标注好的溢洪道区域图像数据集和溢洪道堵塞物图像数据集分别输入改进的DeepLabv3+算法和改进的YOLOv7算法;在训练过程中训练集通过验证集不断更新权重,分别得到溢洪道区域分割模型和溢洪道堵塞物识别模型。
3.根据权利要求2所述的一种面向复杂环境下水库溢洪道异常智能识别方法,其特征是:
通过训练改进的DeepLabv3+算法获得溢洪道区域分割模型和训练改进的YOLOv7算法获得溢洪道堵塞物识别模型;具体操作如下:
利用溢洪道区域图像数据集中的训练集,使用改进的DeepLabv3+算法进行训练,使用溢洪道区域图像数据集中的验证集验证训练的效果,更新权重,获得溢洪道区域分割模型;
利用K-means聚类算法根据溢洪道堵塞物图像数据集的图片标注信息文件生成适用于溢洪道堵塞物图像数据集情景下的9个不同大小尺寸的先验框;利用溢洪道堵塞物图像数据集中的训练集对改进的YOLOv7算法进行训练,使用溢洪道堵塞物图像数据集中的验证集验证训练的效果,更新权重,获得溢洪道堵塞物识别模型。
4.根据权利要求3所述的一种面向复杂环境下水库溢洪道异常智能识别方法,其特征是:
步骤S2中水库环境下雨雾干扰去除算法,详细过程如下:
步骤S21,首先判断待检测的水库溢洪道堵塞物图像是否存在雨雾,将待检测的水库溢洪道堵塞物图像转成单通道的灰色图像,即彩色三通道图像转换为灰度图像;
然后计算灰度图像中灰度值的标准差,获得待检测的水库溢洪道堵塞物图像对比度;根据真实溢洪道场景设置一个不包含雨雾图像的阈值,将待检测的水库溢洪道堵塞物图像对比度与不包含雨雾图像的阈值进行比较;如果待检测的水库溢洪道堵塞物图像对比度小于不包含雨雾图像的阈值,即判定待检测的水库溢洪道堵塞物图像中含有雨雾,执行步骤S22操作;否则转步骤S24;
步骤S22,将彩色三通道图像进行归一化处理,取出归一化处理后三维数组中的最小数值作为最小通道数组V1;再通过开运算滤波器并根据雨雾的浓密程度选取滤波窗口,得到暗通道图像,滤波窗口大小如公式(1)所示;
(1);
其中,Window_Size表示滤波窗口的大小,R表示滤波半径;
步骤S23,利用步骤S22得到的暗通道图像及导向滤波算法对最小通道数组V1进行优化,使用直方图函数统计优化后的数组V1`像素值分布情况,并通过累积函数得到直方图分布中前99.9%的像素值区域,并记录像素值区域的最大值;
求出彩色三通道图像数组归一化后三通道的平均值数组;当优化后的数组V1`中数值大于等于像素值区域的最大值时,记录平均值数组中相应的位置,接着从记录位置中找到最大值,即可得到光照值A;
再对优化后的数组V1`中像素值进行限制,得到大气遮罩图像;利用大气遮罩图像和光照值A对雨雾干扰图像进行颜色校正,校正公式如公式(2)所示;
(2);
其中,x表示图像像素点的位置;J(x)表示颜色校正后图像中像素点位置为x的像素值;I(x)表示原始待处理的雨雾干扰图像中像素点位置为x的像素值;M(x)表示大气遮罩图像中像素点位置为x的像素值;A表示光照值;
最后,将颜色校正后图像的像素值范围从[0,1]还原到[0,255]之间,即得到雨雾去除后的初始图像;
步骤S24,图像亮度判断:将三原色图像模式转换为色相、饱和度、明度三通道图像模式,然后选取最后一个维度空间即明度,计算明度的平均值,以得到雨雾去除后初始图像的亮度;
如果雨雾去除后初始图像亮度大于预先设定好的亮度阈值,则不做图片的亮度增强,直接输出雨雾干扰去除后的图像;如果亮度不够时,即雨雾去除后初始图像亮度小于亮度阈值,则进行步骤S25操作;
步骤S25,亮度增强处理:首先将雨雾去除后初始图像像素数组按照值的大小有序排列,设置图像像素数组的百分位范围为1%-99%,将图像像素数组百分位为1%位置对应的数值设为最小数值,图像像素数组百分位为99%位置对应的数值设为最大数值,利用最小数值和最大数值形成一个数值范围,将超过数值范围的像素值使用最小数值或最大数值代替,去掉雨雾去除后初始图像直方图中像素值的异常数值;
最后,通过最小-最大归一化方法并利用归一化函数,将去掉异常数值后的像素值范围线性映射到[25.5,229.5]之间,得到雨雾干扰去除后的清晰图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311604737.XA CN117315446B (zh) | 2023-11-29 | 2023-11-29 | 一种面向复杂环境下水库溢洪道异常智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311604737.XA CN117315446B (zh) | 2023-11-29 | 2023-11-29 | 一种面向复杂环境下水库溢洪道异常智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117315446A CN117315446A (zh) | 2023-12-29 |
CN117315446B true CN117315446B (zh) | 2024-02-09 |
Family
ID=89286894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311604737.XA Active CN117315446B (zh) | 2023-11-29 | 2023-11-29 | 一种面向复杂环境下水库溢洪道异常智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315446B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304798A (zh) * | 2018-01-30 | 2018-07-20 | 北京同方软件股份有限公司 | 基于深度学习及运动一致性的街面秩序事件视频检测方法 |
CN109740485A (zh) * | 2018-12-27 | 2019-05-10 | 中国水利水电科学研究院 | 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法 |
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
CN115880683A (zh) * | 2023-03-02 | 2023-03-31 | 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) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
CN115909064A (zh) * | 2022-11-15 | 2023-04-04 | 大连海事大学 | 一种海雾环境下基于深度学习的海上舰船目标检测方法 |
WO2023154320A1 (en) * | 2022-02-08 | 2023-08-17 | Senem Velipasalar | Thermal anomaly identification on building envelopes as well as image classification and object detection |
CN116958939A (zh) * | 2023-08-28 | 2023-10-27 | 重庆长安汽车股份有限公司 | 一种雨雾天气下道路检测方法、系统及存储介质 |
WO2023207064A1 (zh) * | 2022-04-29 | 2023-11-02 | 清远蓄能发电有限公司 | 基于弱光补偿的MaskRCNN渗水检测方法及系统 |
-
2023
- 2023-11-29 CN CN202311604737.XA patent/CN117315446B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304798A (zh) * | 2018-01-30 | 2018-07-20 | 北京同方软件股份有限公司 | 基于深度学习及运动一致性的街面秩序事件视频检测方法 |
CN109740485A (zh) * | 2018-12-27 | 2019-05-10 | 中国水利水电科学研究院 | 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法 |
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
WO2023154320A1 (en) * | 2022-02-08 | 2023-08-17 | Senem Velipasalar | Thermal anomaly identification on building envelopes as well as image classification and object detection |
WO2023207064A1 (zh) * | 2022-04-29 | 2023-11-02 | 清远蓄能发电有限公司 | 基于弱光补偿的MaskRCNN渗水检测方法及系统 |
CN115909064A (zh) * | 2022-11-15 | 2023-04-04 | 大连海事大学 | 一种海雾环境下基于深度学习的海上舰船目标检测方法 |
CN115880683A (zh) * | 2023-03-02 | 2023-03-31 | 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) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
CN116958939A (zh) * | 2023-08-28 | 2023-10-27 | 重庆长安汽车股份有限公司 | 一种雨雾天气下道路检测方法、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
张晓娟 ; .雨天雾气干扰下的车牌图像识别技术仿真.计算机仿真.2015,(第12期),全文. * |
杨浩琪 ; 姚红革 ; 王诚 ; 喻钧 ; 王飞 ; 纳钦 ; .复杂场景下遥感船舶的检测与分割定位.计算机辅助设计与图形学学报.2020,(第03期),全文. * |
洪庆 ; 宋乔 ; 杨晨涛 ; 张培 ; 常连立 ; .基于智能视觉的机械零件图像分割技术.机械制造与自动化.2020,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117315446A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN111832443B (zh) | 一种施工违规行为检测模型的构建方法及其应用 | |
CN111862143B (zh) | 一种河堤坍塌自动监测方法 | |
CN110210608A (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
CN109949209B (zh) | 一种基于深度学习的绳索检测与去除方法 | |
CN113673509B (zh) | 一种基于图像文本的仪表检测分类方法 | |
CN116704357B (zh) | 基于YOLOv7的堤坝边坡滑坡智能识别与预警方法 | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
CN116071676A (zh) | 一种基于注意力导向金字塔融合的红外小目标检测方法 | |
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 | |
CN114241344A (zh) | 一种基于深度学习的植物叶片病虫害严重程度评估方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN117315446B (zh) | 一种面向复杂环境下水库溢洪道异常智能识别方法 | |
CN115841557B (zh) | 基于数字孪生技术的智能起重机操作环境构建方法 | |
CN116843946A (zh) | 一种基于图像识别的隧道岩体主要结构面判识方法及装置 | |
CN114782875B (zh) | 一种基于鱼道构建的鱼类细粒度信息获取方法 | |
CN112800952B (zh) | 一种基于改进ssd算法的海洋生物识别方法及系统 | |
CN113012167B (zh) | 一种细胞核与细胞质的联合分割方法 | |
CN114387190A (zh) | 一种基于复杂环境下的自适应图像增强方法及系统 | |
CN115049815A (zh) | 基于自注意力蒸馏和图像增强的水下目标检测方法及系统 | |
CN116758026B (zh) | 一种基于双目遥感图像显著性分析的大坝渗水区域测量方法 | |
CN116109607B (zh) | 一种基于图像分割的输电线路工程缺陷检测方法 | |
CN117392392B (zh) | 一种割胶线识别与生成方法 | |
Yao et al. | Lightning Arrester Target Segmentation Algorithm Based on Improved DeepLabv3+ and GrabCut |
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 |