TWI690859B - 利用圖形辨識量測水位之方法及其系統 - Google Patents
利用圖形辨識量測水位之方法及其系統 Download PDFInfo
- Publication number
- TWI690859B TWI690859B TW107131686A TW107131686A TWI690859B TW I690859 B TWI690859 B TW I690859B TW 107131686 A TW107131686 A TW 107131686A TW 107131686 A TW107131686 A TW 107131686A TW I690859 B TWI690859 B TW I690859B
- Authority
- TW
- Taiwan
- Prior art keywords
- water level
- image
- module
- data set
- data
- Prior art date
Links
Images
Landscapes
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
- Image Analysis (AREA)
Abstract
本發明係關於一種利用圖形辨識量測水位之方法及其系統,其主要係以一影像合成模組產生一組虛擬影像測試資料集,利用該組虛擬影像測試資料集訓練一第一水位辨識模組後,以真實之歷史影像資料集進行驗證,於反覆執行並調整虛擬項測試資料集之參數,直至第一水位辨識模組驗證精準度達一設定值後,表示該組虛擬影像合成模組可以產生類真實歷史影像資歷的虛擬影像訓練資料集,再將歷史影像資料集及虛擬影像訓練資料集輸入一第二水位辨識模組進行訓練,並用於現地影像之水位值預測;藉此,可利用影像合成模組產生之虛擬影像訓練資料集配合歷史影像資料集進行訓練,避免發生資料不平衡之情況。
Description
本發明係關於一種水位量測方法,尤指一種利用圖形辨識量測水位之方法及其系統。
近年氣候極端異常,河川流量的豐枯期變化明顯,而近50年降雨日數亦呈現明顯減少之趨勢,降雨強度集中,使得各地區飽受洪水的迫害,而其主要原因多為河川、排水通水斷面不足,外水溢淹至都市內,目前為防範洪水侵襲各城市,防災相關單位已於多個重要地點設置閉路電視進行監控,然而,仍未能有效避免災情,顯示智慧防災仍有精進之空間。
受惠於類神經網路及機器學習等技術之發展,在目前常用的類神經網路中,卷積神經網路(Convolutional Neural Network,CNN)已廣泛運用於圖像辨識應用,應用於河川水位之圖形辨識亦具有一定之辨識能力,可用於水位高度之辨識。
然而卷積神經網路之訓練過程中,由於高水位或是發生洪水時的數據在歷史數據中佔極少數,容易發生資料不平衡之問題,意即即使系統無法辨識高水位,其整體辨識準確度仍相當高(即A/B testing問題),因此,若直接將歷史數據套入神經網路中進行訓練後所得到的神經網路,便無法驗證其具備辨識高水位值之能力,進而失去防災警示之意義;另外,除了河川之水位值以外,目前道路是否淹水以及淹水之水位是否達到需封
閉道路之警戒值,仍需利用防災中心人眼進行控管,由於道路上平常不會淹水,即使曾有過淹水之情況,其數據仍為少數,不利於訓練類神經網路。
綜合以上所述,雖目前卷積神經網路有利於利用圖形辨識來進行各種測量,但由於河川之高水位或洪水災情發生之影像資料屬於偏態而非常態,進而使類神經網路在災害防治之應用發展上受到阻礙,需克服之。
有鑑於現有以類神經網路進行水位量測之方法易因各種水位實際值對應之真實影像獲得不易,而發生難以預測高水位或災害發生之情形,本發明係提供一種利用圖形辨識量測水位之方法及其系統,可避免資料不平衡之問題。
為達上述目的所採用之技術手段,係令該利用圖形辨識量測水位之方法包含:提供一影像合成模組及一組歷史影像資料集,將該原始資料輸入該影像合成模組後,產生一組虛擬影像測試資料集;提供一第一水位辨識模組,並以該組虛擬影像測試資料集訓練該第一水位辨識模組,而以該組歷史影像資料集驗證該第一水位辨識模組之預測精準度;調整該影像合成模組,並重複上述步驟,直至預測精準度達到一設定值;以調整後的影像合成模組產生一組虛擬影像訓練資料集;提供一第二水位辨識模組,並以該組歷史影像資料集及該虛
擬影像訓練資料集訓練該第二水位辨識模組;將現地影像輸入該第二水位辨識模組,顯示一預測水位值。
上述本發明主要係先利用將真實的歷史影像資料集來產生虛擬影像測試資料集,而第一水位辨識模組主要之目的在於判斷影像合成模組產生的虛擬影像資料集是否能用來預測真實的歷史影像資料集,當其驗證精準度夠高後,表示利用該影像合成模組產生之影像資料足以代表真實資料,是以,即可利用該影像合成模組產生資料來填補歷史影像資料不足的資料,避免產生資料不平衡之問題。
為達上述目的所採用之技術手段,係令該利用圖形辨識量測水位系統包含:一攝影裝置,用以拍攝一現地影像;一影像合成模組,以接收一組歷史影像資料集,並產生一組虛擬影像測試資料集;一第一水位辨識模組,係與該影像合成模組連接,以接收該組歷史影像資料集及該組虛擬影像測試資料集,利用該組虛擬影像測試資料集進行機器學習訓練後,重複以該組歷史影像資料集進行預測精準度驗證後調整該影像合成模組,直至預測精準度達到一設定值;一第二水位辨識模組,係與該影像合成模組及該攝影裝置連接,以接收該組歷史影像資料集及調整後的合成影像產生模組產生虛擬影像資料集,並進行訓練後,接收現地影像,輸出一預測水位值至一顯示器顯示。
11‧‧‧影像合成模組
12‧‧‧第一水位辨識模組
13‧‧‧第二水位辨識模組
21‧‧‧歷史影像資料集
22‧‧‧虛擬影像測試資料集
23‧‧‧虛擬影像訓練資料集
31‧‧‧攝影裝置
32‧‧‧影像合成模組
33‧‧‧第一水位辨識模組
34‧‧‧第二水位辨識模組
35‧‧‧顯示器
36‧‧‧警示模組
圖1:為本發明一實施例之流程示意圖。
圖2:為圖1實施例中一步驟之示意圖。
圖3:為圖1實施例中一步驟之示意圖。
圖4:為圖1實施例中一步驟之示意圖。
圖5:為圖1實施例中一步驟之示意圖。
圖6:為本發明另一實施例之流程示意圖。
圖7:為圖1實施例中一步驟產生虛擬影像訓練資料集之影像圖。
圖8:為本發明一實施例之系統方塊示意圖。
請參閱圖1,本發明利用圖形辨識量測水位之方法包含:如圖2所示,提供一影像合成模組11及一組歷史影像資料集21,將該組歷史影像資料集21輸入該影像合成模組11後,產生一組虛擬影像測試資料集22;如圖3所示,提供一第一水位辨識模組12,並以該組虛擬影像測試資料集22訓練該第一水位辨識模組12,而以該組歷史影像資料集22驗證該第一水位辨識模組12之預測精準度,實施上,可將該組虛擬影像測試資料集22輸入類神經網路(Neural Network)、支援向量機(Support Vector Machine)等神經網路或機器學習模組進行擬合(fitting),再以組歷史影像資料集22輸入擬合後的第一水位辨識模組12進行驗證,未避免過度擬合之情況,可於前一步驟中,保留部分歷史影像資料集不輸入該影像合成模組
11,並以該些保留的歷史影像資料集用於對該第一水位辨識模組12進行驗證之步驟;調整該影像合成模組11,並重複上述步驟,直至預測精準度達到一設定值,上述影像合成模組可以使用各種自動產圖模組,例如對抗式生成網路(Generative Adversarial Network,GAN)實施,其詳細容後說明;如圖4所示,以調整後的影像合成模組11產生一組虛擬影像訓練資料集23,如上述以對抗式生成網路實施之影像合成模組11,其不須接收輸入,即可產生類真實歷史影像之虛擬影像;如圖5所示,提供一第二水位辨識模組13,並以該組歷史影像資料集21及該虛擬影像訓練資料集23訓練該第二水位辨識模組13,於此實施例中,係保留部分之歷史影像資料集21不用於該第二水位辨識模組13之訓練步驟,並進一步以保留之歷史影像資料集21進行該第二水位辨識模組13訓練後之預測精準度驗證,該第二水位辨識模組13可與該第一水位辨識模組採用相同的機器學習或類神經網路架構;將現地影像輸入該第二水位辨識模組13,顯示一預測水位值。
上述本發明利用圖形辨識量測水位之方法主要係利用影像合成模組11產生大量之虛擬影像訓練資料集23,配合原有之歷史影像資料集21對第二水位辨識模組13進行擬合訓練,藉此可以避免歷史影像資料集21資料不平衡的問題。
上述第一及第二水位辨識模組13可較佳地以深度殘差網路
(Deep residual network,ResNet)實施。
請進一步配合參閱圖6,為進一步提升機器學習或類神經網路之收斂速度,可進一步於輸入影像合成模組前執行資料預處理之步驟,此部分可包含影像處理及資料增強處理二部分,其中影像處理之步驟可包含擷取該組歷史影像資料集中包含河川影像之一感興趣區域(ROI)及進行影像全域對比度正規化處理之步驟,資料增強處理可包含進行影像灰階轉換處理、水平投影處理及直方圖均化處理之步驟。
上述利用對抗式生成網路產生該組虛擬影像測試資料集22及調整參數之詳細步驟包含:提供一資料產生模組(Generator)及一資料辨識模組(Discriminator);將該組歷史影像資料集輸入該資料辨識模組中;以該資料產生模組產生隨機資料,並由該資料辨識模組訓練該資料產生網路,並輸出該組虛擬影像測試資料集予該第一水位辨識模組12;接收該第一水位辨識模組12輸出的驗證結果;依據該驗證結果調整該資料辨識模組及資料產生模組之內部參數;重複執行輸出虛擬影像測試資料集及調整該資料辨識模組及資料產生模組之內部參數之步驟,直至驗證結果達到該預設值;以訓練後的該資料產生模組產生該組虛擬影像訓練資料集23。
上述該資料產生模組(Generator)及該資料辨識模組(Discriminator)可以類神經網路實現之。
請進一步配合參閱圖7,利用上述步驟訓練對抗式生成網路後所產生之虛擬影像訓練資料集23,可如圖所示,接近真實水位影像,且由於抗式生成網路係由資料產生模組產生隨機資料,因此不須輸入即可產生隨機虛擬資料,藉此即可用於彌補歷史影像資料集中高水位資料量不足之缺陷,進而避免資料不平衡之問題。
請進一步參閱圖8,本發明利用圖形辨識量測水位系統包含有:一攝影裝置31,用以拍攝一現地影像;一影像合成模組32,以接收一組歷史影像資料集,並產生一組虛擬影像測試資料集;一第一水位辨識模組33,係與該影像合成模組連接,以接收該組歷史影像資料集及該組虛擬影像測試資料集,利用該組虛擬影像測試資料集進行機器學習訓練後,重複以該組歷史影像資料集進行預測精準度驗證後調整該影像合成模組,直至預測精準度達到一設定值;一第二水位辨識模組34,係與該影像合成模組及該攝影裝置連接,以接收該組歷史影像資料集及調整後的合成影像產生模組產生虛擬影像資料集,並進行訓練後,接收現地影像,輸出一預測水位值至一顯示器35顯示。
上述本發明可進一步具有自動警報之功能,其可進一步設置一警示模組36,該警示模組36與該第二水位辨識模組34連接,並設定一水位
警示值,於接收該預測水位值後,判斷該預測水位值高於該水位警示值時發出一警報訊號。
利用上述本發明揭示之技術,可訓練出影像合成模組,其可隨機產生類真實之虛擬影像訓練資料集,再利用虛擬影像訓練資料集配合歷史影像資料集對水位辨識模組進行訓練,由於影像合成模組可自行產資料,可藉此技術產生對應高水位的類真實影像,藉此彌補真實歷史影像資料中高水位影像資料不足的資料不平衡問題,是以,本發明之利用圖形辨識量測水位之方法及系統可以改良現有類神經網路用於河川防災預測之問題,提升高水位辨識的精準度,促使類神經網路及機器學習技術可落實於智慧防災之領域。
Claims (8)
- 一種利用圖形辨識量測水位之方法,係包含有:提供一影像合成模組及一組歷史影像資料集,將該組歷史影像資料集輸入該影像合成模組後,產生一組虛擬影像測試資料集;提供一第一水位辨識模組,並以該組虛擬影像測試資料集訓練該第一水位辨識模組,而以該組歷史影像資料集驗證該第一水位辨識模組;調整該影像合成模組,並重複上述步驟,直至驗證精準度達到一設定值;以調整後的影像合成模組產生一組虛擬影像訓練資料集;提供一第二水位辨識模組,並以該組歷史影像資料集及該虛擬影像訓練資料集訓練該第二水位辨識模組;將現地影像輸入該第二水位辨識模組,顯示一預測水位值。
- 如請求項1所述之利用圖形辨識量測水位之方法,進一步包含有:擷取該組歷史影像資料集中對應包含河川影像之一感興趣區域(ROI),並進行影像全域對比度正規化處理;進行影像灰階轉換處理、水平投影處理及直方圖均化處理;輸入該影像合成模組,以產生該組虛擬影像測試資料集。
- 如請求項1所述之利用圖形辨識量測水位之方法,產生該組虛擬影像測試資料集之步驟包含;提供一資料產生模組及一資料辨識模組;將該組歷史影像資料集輸入該資料辨識模組中;以該資料產生模組產生隨機資料,並由該資料辨識模組訓練一資 料產生網路,並輸出該組虛擬影像測試資料集予該第一水位辨識模組;接收該第一水位辨識模組輸出的驗證結果;依據該驗證結果調整該資料辨識模組及資料產生模組之內部參數;重複執行輸出虛擬影像測試資料集及調整該資料辨識模組及資料產生模組之內部參數之步驟,直至驗證結果達到一預設值;以訓練後的該資料產生模組產生該組虛擬影像訓練資料集。
- 如請求項1所述之利用圖形辨識量測水位之方法,進一步包含:保留部分歷史影像資料集不輸入該影像合成模組;以該些保留的歷史影像資料集用於對該第一水位辨識模組進行驗證之步驟。
- 如請求項1所述之利用圖形辨識量測水位之方法,進一步包含:保留部分歷史影像資料集不用於該第二水位辨識模組之訓練;以保留之歷史影像資料集進行該第二水位辨識模組訓練後之預測精準度驗證。
- 如請求項1所述之利用圖形辨識量測水位之方法,進一步包含:設定一水位警示值;判斷該預測水位值是否高於該水位警示值,當該預測水位值高於該水位警示值後,發出一警報訊號。
- 一種利用圖形辨識量測水位系統,係包含有:一攝影裝置,用以拍攝一現地影像;一影像合成模組,以接收一組歷史影像資料集,並產生一組虛擬 影像測試資料集;一第一水位辨識模組,係與該影像合成模組連接,以接收該組歷史影像資料集及該組虛擬影像測試資料集,利用該組虛擬影像測試資料集進行機器學習訓練後,重複以該組歷史影像資料集進行預測精準度驗證後調整該影像合成模組,直至預測精準度達到一設定值;一第二水位辨識模組,係與該影像合成模組及該攝影裝置連接,以接收該組歷史影像資料集及調整後的合成影像產生模組產生虛擬影像資料集,並進行訓練後,接收現地影像,輸出一預測水位值至一顯示器顯示。
- 如請求項7所述之利用圖形辨識量測水位系統,進一步包含一警示模組,係與該第二水位辨識模組連接,並設定一水位警示值,於接收該預測水位值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107131686A TWI690859B (zh) | 2018-09-10 | 2018-09-10 | 利用圖形辨識量測水位之方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107131686A TWI690859B (zh) | 2018-09-10 | 2018-09-10 | 利用圖形辨識量測水位之方法及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202011277A TW202011277A (zh) | 2020-03-16 |
TWI690859B true TWI690859B (zh) | 2020-04-11 |
Family
ID=70766665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107131686A TWI690859B (zh) | 2018-09-10 | 2018-09-10 | 利用圖形辨識量測水位之方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI690859B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI806321B (zh) * | 2021-12-28 | 2023-06-21 | 財團法人國家實驗研究院 | 淹水評估方法及其運算裝置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI587222B (zh) * | 2016-06-29 | 2017-06-11 | 台灣電力股份有限公司 | 基於類神經網路之水庫水位預測系統及方法 |
TWI618016B (zh) * | 2016-07-05 | 2018-03-11 | 台灣電力股份有限公司 | 水庫水位之預測顯示系統及方法 |
TW201824417A (zh) * | 2016-09-14 | 2018-07-01 | 美商克萊譚克公司 | 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類 |
-
2018
- 2018-09-10 TW TW107131686A patent/TWI690859B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI587222B (zh) * | 2016-06-29 | 2017-06-11 | 台灣電力股份有限公司 | 基於類神經網路之水庫水位預測系統及方法 |
TWI618016B (zh) * | 2016-07-05 | 2018-03-11 | 台灣電力股份有限公司 | 水庫水位之預測顯示系統及方法 |
TW201824417A (zh) * | 2016-09-14 | 2018-07-01 | 美商克萊譚克公司 | 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類 |
Non-Patent Citations (2)
Title |
---|
Yaser Tahmasebi Biragani et al: Flood Forecasting Using Artificial Neural Networks: an Application of Multi-Model Data Fusion Technique,AUTUMN 2016, Vol II, No II, JOURNAL OF HYDRAULIC STRUCTURES * |
Yaser Tahmasebi Biragani、 Farhad Yazdandoost、 Hossein Ghalkhani,Flood Forecasting Using Artificial Neural Networks: an Application of Multi-Model Data Fusion Technique,AUTUMN 2016, Vol II, No II, JOURNAL OF HYDRAULIC STRUCTURES |
Also Published As
Publication number | Publication date |
---|---|
TW202011277A (zh) | 2020-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664893B (zh) | 一种人脸检测方法及存储介质 | |
CN112766274B (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 | |
CN107123111B (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
CN107506798A (zh) | 一种基于图像识别的水位监测方法 | |
CN110880172A (zh) | 基于循环卷积神经网络的视频人脸篡改检测方法及系统 | |
CN112052815B (zh) | 一种行为检测方法、装置及电子设备 | |
CN108509919A (zh) | 一种基于深度学习对视频或图片中水线的检测和识别方法 | |
WO2018116958A1 (ja) | リアルタイム浸水ハザードマッピングのための現地情報同化装置及び方法並びにプログラム | |
CN110084129A (zh) | 一种基于机器视觉的河流漂浮物实时检测方法 | |
US11974050B2 (en) | Data simulation method and device for event camera | |
TWI690859B (zh) | 利用圖形辨識量測水位之方法及其系統 | |
CN107133892A (zh) | 一种网络钢琴课的实时评价方法及系统 | |
CN103983574A (zh) | 一种烟雾检测方法 | |
CN109916912A (zh) | 一种铁轨扣件病害检测方法及系统 | |
Blanchet et al. | Evaluation of a compound distribution based on weather pattern subsampling for extreme rainfall in Norway | |
CN109145743A (zh) | 一种基于深度学习的图像识别方法及装置 | |
CN113139915A (zh) | 人像修复模型的训练方法和装置、电子设备 | |
CN105844671B (zh) | 一种变光照条件下的快速背景减除法 | |
CN109102486A (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN111340765A (zh) | 一种基于背景分离的热红外图像倒影检测方法 | |
TWI636276B (zh) | 人工智能地震判斷方法及地震偵測系統 | |
CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
CN113449824B (zh) | 视频处理方法、装置及计算机可读存储介质 | |
CN113902958A (zh) | 基于锚点自适应的基建现场人员检测方法 |