一种基于YOLO技术的潮水识别与危机预警方法技术

本发明专利技术公开一种基于YOLO技术的潮水识别与危机预警方法，该方法通过缩放、旋转、平移、对称等方面的数据增强操作建立潮水数据集，利用滤波提取出大气折射率，对图像进行色彩平衡操作，选取大气光成分A。利用暗通道去雾，对图像进行去雾，并且对图像进行白平衡操作，从而获得较清晰的图像。对处理后的图像，采用YOLO网络进行训练，获得潮水识别模型。根据模型，对输入的图像进行识别，并计算潮水的位置和高度，到设备的距离和时间，当发生危险时可以及时发出预警。本发明专利技术是目前对潮水识别和危机预警方面的有益补充，可自动监测潮水的状态，弥补人工巡逻的不足，降低因涌潮引起的人员死亡率和避免家庭悲剧的发生。

【技术实现步骤摘要】
一种基于YOLO技术的潮水识别与危机预警方法
：本专利技术涉及深度学习
，尤其涉及基于回归的目标识别方法领域，具体是指一种基于YOLO技术的潮水识别与危机预警方法。
技术介绍
：潮水伤人事件的主要原因是人们不够了解涌潮的特性，主观上不重视且主管部门主要采用定期巡逻预警的方式提醒群众，由于人力、覆盖面有限，预警效果较差，因此急需一种潮水识别和危机预警方法，自动识别潮水并提前危机预警。近些年，随着深度学习技术的快速发展，基于深度学习的方法被广泛应用于目标识别领域。目前基于深度学习的目标识别方法主要分为两类：一是基于候选区域的目标识别方法，其具有较高的检测准确率，但是检测速度较慢，不适用于涌潮检测；二是基于回归的目标识别方法，其检测速度较快，如SSD、YOLOv3、R-CNN等。其中SSD目标检测方法对于小目标的检测率较低，并且神经网络的调试参数需要手工设置且较依赖调试经验。R-CNN方法的准确率较高，但由于其算法复杂程度较高，因此检测所花费的时间较多。YOLOv3方法在保证准确度的同时，其检测时间只需29毫秒，可满足涌潮检测实时性的要本文档来自技高网...

【技术保护点】
1.一种基于YOLO技术的潮水识别与危机预警方法，其特征在于：内容包括：/n步骤1：采用爬虫技术爬取现有图片库中的潮水图像，对图像进行数据增强处理，获得不同类型潮水形态的若干图片，共同构建成潮水训练集；/n步骤2：判断网络模型当前所处状态：若当前为训练状态，则加载潮水训练集中的潮水图像数据；若当前为识别状态，则读取摄像头采集的潮水图像数据；/n步骤3：将图像从RGB颜色空间转到LAB颜色空间，然后进行伽马校正后转回RGB颜色空间，获得经过白平衡处理后的图像；/n步骤4：从高到低排序图像的暗原色值，选取排序为第0.1％个的原像素的最大值作为大气光成分A；/n步骤5：引入暗通道模型和雾模型，对雾模...

【技术特征摘要】
1.一种基于YOLO技术的潮水识别与危机预警方法，其特征在于：内容包括：
步骤1：采用爬虫技术爬取现有图片库中的潮水图像，对图像进行数据增强处理，获得不同类型潮水形态的若干图片，共同构建成潮水训练集；
步骤2：判断网络模型当前所处状态：若当前为训练状态，则加载潮水训练集中的潮水图像数据；若当前为识别状态，则读取摄像头采集的潮水图像数据；
步骤3：将图像从RGB颜色空间转到LAB颜色空间，然后进行伽马校正后转回RGB颜色空间，获得经过白平衡处理后的图像；
步骤4：从高到低排序图像的暗原色值，选取排序为第0.1％个的原像素的最大值作为大气光成分A；
步骤5：引入暗通道模型和雾模型，对雾模型进行滤波处理，计算大气折射率；
步骤6：根据计算的大气光成分A和大气折射率，利用暗通道模型对图像进行去雾，得到去雾后的图像；
步骤7：将去雾后图像归一化，并送入YOLO卷积网络；
步骤8：判断当前模型所处状态，如果当前状态是识别状态，则跳到步骤12；若当前状态为训练状态，则判断图像是否处理完成：如果每一个图像都处理完，则跳到步骤9；若仍存在未处理完的，则读取训练集中下一个图像，跳到步骤2；
步骤9：通过YOLO的网络卷积层，计算卷积神经网络中的三层卷积层的每一层输出特征值，将所有的特征值组成卷积神经网络中卷积层的输出特征值矩阵；
步骤10：计算输出预测值，计算表达预测值与真实情况之间差距程度的损失函数值，并比较损失函数值与所设定阈值的大小：若损失函数值小于阈值，则模型训练完成，获得训练好的网络模型以及网络模型的权重参数，并令当前状态为识别状态，执行步骤2；若损失函数值大于阈值，则执行步骤11；
步骤11：利用损失函数值进行反向传播，更新网络偏置项参数和权重矩阵，跳到步骤10；
步骤12：调用之前输出的权重文件加载网络模型，送入YOLO的网络卷积层，提取图像特征并识别目标，获得每个潮水目标的检测框及置信度分数，输出检测框的坐标；
步骤13：寻找置信度最大的检测框，计算最大检测框与其余各框的两框重叠比例IOU，并删除IOU值大于所设定阈值的检测框；
步骤14：判断是否完成所有检测框的判断，若仍有未完成的，则返回步骤13；若均完成，则获得检测框并将该检测框作为识别框，获得识别框中心点的坐标作为该目标潮水的图片坐标，计算当前潮水的位置、速度、高度、到达时间；
步骤15：判断潮水高度、速度和到达时间是否都大于各自设定的阈值，如果三个参数都大于各自所设定阈值，则启动报警提醒，报警后以及上述三个参数不同时满足都大于各自阈值时，重新执行步骤2。


2.根据权利要求1所述的一种基于YOLO技术的潮水识别与危机预警方法，其特征在于：所述步骤1中图像增强处理方式为：利用opencv-python库的resize函数调节图片的分辨率，增加对应标签；利用opencv-python库的getRotationMatrix2D函数，将图像进行旋转，旋转角度为随机生成，旋转范围为7度-15度；将图像往x轴、y轴方向上随机移动像素距离，移动范围为1-10个像素点，实现图像的平移；给图像做中心对称，实现图像的对称数据增强。


3.根据权利要求1所述的一种基于YOLO技术的潮水识别与危机预警方法，其特征在于：所述步骤3中的伽马校正方式为：通过公式(1)对其L通道进行伽马校正：



其中，表示校正前有雾图像的L通道的均值；La表示伽马校正后的L通道。


4.根据权利要求1所述的一种基于YOLO技术的潮水识别与危机预警方法，其特征在于：所述步骤5中的大气折射率计算方法如下：令去雾系数值为0.95，然后按照下列步骤进行：
(5.1)令暗通道模型为



其中，Jdark(a)表示图像J(a)的暗通道，J(a)表示去雾后的图像，Jc表示三颜色通道，c表示R,G,B三个通道中的某一通道，Jc(a)表示图像a的每个通道，a表示输入的图像；
(5.2)利用待去雾图像I(a)、大气光成分A值和大气折射率...

【专利技术属性】
技术研发人员：陈友荣，熊振宇，周亚娟，陈鹏，赵克华，吕晓雯，孙萍，
申请(专利权)人：浙江树人学院浙江树人大学，
类型：发明
国别省市：浙江;33