一种基于图像处理的计算干滩长度的方法及系统技术方案

本发明专利技术公开了一种基于图像处理的计算干滩长度的方法及系统，包括：获取干滩图像数据集，对干滩图像进行处理，得到特征图像和特征图像的感兴趣区域；基于所述感兴趣区域进行目标类别判定，输出处理后的图像；在处理后的图像中选取参考点。根据单目测距模型，将以目标建立实际的坐标系转换为像素坐标系，推导出转换公式，带入参考点，得到干滩长度测算值。采用本技术方案可以提高识别干滩水面的分界线的位置的精确度，进一步计算干滩长度，从而提高测算精度。测算精度。测算精度。

【技术实现步骤摘要】
一种基于图像处理的计算干滩长度的方法及系统


[0001]本专利技术涉及智能检测与控制处理
，尤其涉及一种基于图像处理的计算干滩长度的方法及系统。

技术介绍

[0002]干滩长度测量目前存在几种方法，都会存在一些大大小小的弊端:采用人工在坝体巡视目测估算，准确与否取决于工人的经验，其准确度差、时性差，特别在暴风骤雨等恶劣天气条件下会严重威胁到巡检人员的生命安全；采用硬件采集设备成本较高，尾矿库大部分是依山而建，设备安装和维护比较困难,随着尾矿坝的干滩延长，这些设备都需要后期改变，费时费力；采用标志物测量方法在测量过程中采用人为安放标志物的方法作为水线坐标参考物，不仅存在安全隐患，还增加了误差来源。至少存在两种误差:第一，在人为安放标志物过程中产生的误差，导致参照系不合理，并影响后续测量的真实值；第二，由于标志物在全图中所占比例小，标志物坐标需要人为提取，会产生像素坐标误差，影响测量值。因此，为了满足实际需要，采用深度学习算法计算干滩长度，但是Mask R
‑
cnn算法大目标尺寸物体识别并非最优，进而影响测算精度。
[0003]虽然近年来提出了大量的图像处理方法，还出现了通过深度学习和神经网络进行图像处理的方案，但适用于识别干滩水面分界线的方法却很少，如何将干滩长度计算和深度学习、神经网络结合，训练出适合多种不同形式识别干滩水面分界线的神经网络是目前急需解决的问题。

技术实现思路

[0004]本专利技术提供一种基于图像处理的计算干滩长度的方法及系统，用以解决现有技术中识别干滩水面的分界线的位置的精确度低，进一步解决计算干滩长度精度低的问题。
[0005]一方面，为了实现上述目的，本专利技术提供一种基于图像处理的计算干滩长度的方法，包括：
[0006]获取干滩图像数据集，对干滩图像进行处理，得到特征图像和特征图像的感兴趣区域；
[0007]基于所述感兴趣区域进行目标类别判定，输出处理后的图像；
[0008]在处理后的图像中选取参考点，提取所述参考点的像素坐标，根据单目测距模型，将以目标建立实际的坐标系转换为像素坐标系，推导出转换公式，带入参考点，得到干滩长度测算值。
[0009]可选地，对所述干滩图像进行处理包括：将所述干滩图像经过基础ResNet
‑
101网络、特征金字塔FPN网络，得到特征图像；
[0010]将所述特征图像输入区域建议网络RPN，生成感兴趣区域ROI。
[0011]可选地，基于所述感兴趣区域ROI进行目标类别判定，输出处理后的图像包括：将特征图像输入全连接网络中进行目标分类，每类图像对应唯一的识别标签，根据识别标签
判断分类结果是否准确；
[0012]将特征图像输入到全卷积网络中进行目标位置的判定，然后标定出识别对象所在区域，并输出识别区域的坐标；
[0013]基于目标类别、目标位置生成目标掩膜，输出识别图像。
[0014]可选地，所述ResNet
‑
101网络、特征金字塔FPN网络、区域建议RPN网络均统一使用同一损失函数进行训练。
[0015]可选地，训练时，将训练好的ResNet
‑
50的学习率权值转移到ResNet
‑
101的训练中；
[0016]对图像进行卷积和池化处理，使其特征图的大小不断减小；
[0017]进行反卷积操作；
[0018]对每一个像素值进行分类。
[0019]另一方面，为了实现上述目的，本专利技术还提供了一种基于图像处理的计算干滩长度的系统，包括：
[0020]数据获取模块，用于获取干滩图像数据集，对干滩图像进行处理，得到特征图像和特征图像的感兴趣区域；
[0021]数据处理模块，基于所述感兴趣区域进行目标类别判定，输出处理后的图像；
[0022]计算模块，用于在处理后的图像中选取参考点，根据单目测距模型，将以目标建立实际的坐标系转换为像素坐标系，推导出转换公式，带入参考点，得到干滩长度测算值。
[0023]可选地，数据获取模块包括：
[0024]特征图像获取模块，用于将所述干滩图像经过基础ResNet
‑
101网络、特征金字塔FPN网络，得到特征图像；
[0025]感兴趣区域ROI生成模块，用于将所述特征图像输入区域建议网络RPN，生成感兴趣区域ROI。
[0026]可选地，数据处理模块包括：
[0027]第一处理模块，用于将特征图像输入全连接网络中进行目标分类，每类图像对应唯一的识别标签，根据识别标签判断分类结果是否准确；
[0028]第二处理模块，用于将特征图像输入到全卷积网络中进行目标位置的判定，然后标定出识别对象所在区域，并输出识别区域的坐标；
[0029]第三处理模块，基于目标类别、目标位置生成目标掩膜，输出识别图像。
[0030]本专利技术提供的基于图像处理的计算干滩长度的方法及系统具有以下有益效果：采用本技术方案提高识别干滩水面的分界线的位置的精确度，进一步计算干滩长度，从而提高测算精度。
附图说明
[0031]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1是本专利技术实施例提供的识别干滩水面分界线的流程示意图；
[0033]图2是本专利技术实施例提供的网络改进模型图；
[0034]图3是本专利技术实施例提供的干滩水面分界线的识别生成图像；
[0035]图4是本专利技术实施例提供的改进前和改进后的神经网络损失函数的对比曲线图；
[0036]图5是本专利技术实施例提供的中干滩长度计算模型图。
具体实施方式
[0037]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]下面结合图1至图5描述本专利技术的一种基于图像处理的计算干滩长度的方法及系统。
[0039]如图1所示，本实施例提供一种用于集中供热热力的热泵冷热联供系统，包括以下步骤：
[0040]S10、获取干滩图像数据集，对干滩图像进行处理，得到特征图像和特征图像的感兴趣区域；
[0041]S20、基于所述感兴趣区域和特征图像进行目标类别判定，输出处理后的图像；输出处理后的图像如图3所示；
[0042]S30、在处理后的图像中选取参考点，提取所述参考点的像素坐标，如图5所示，根据单目测距模型，将以目标建立实际的坐标系转换为像素坐标系，推导出转换公式，带入参考点，得到干本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的计算干滩长度的方法，其特征在于，包括：获取干滩图像数据集，对干滩图像进行处理，得到特征图像和特征图像的感兴趣区域；基于所述感兴趣区域进行目标类别判定，输出处理后的图像；在处理后的图像中选取参考点，提取所述参考点的像素坐标，根据单目测距模型，将以目标建立实际的坐标系转换为像素坐标系，推导出转换公式，带入参考点，得到干滩长度测算值。2.根据权利要求1所述的基于图像处理的计算干滩长度的方法，其特征在于，对所述干滩图像进行处理包括：将所述干滩图像经过基础ResNet
‑
101网络、特征金字塔FPN网络，得到特征图像；将所述特征图像输入区域建议网络RPN，生成感兴趣区域ROI。3.根据权利要求2所述的基于图像处理的计算干滩长度的方法，其特征在于，基于所述感兴趣区域ROI进行目标类别判定，输出处理后的图像包括：将特征图像输入全连接网络中进行目标分类，每类图像对应唯一的识别标签，根据识别标签判断分类结果是否准确；将特征图像输入到全卷积网络中进行目标位置的判定，然后标定出识别对象所在区域，并输出识别区域的坐标；基于目标类别、目标位置生成目标掩膜，输出识别图像。4.根据权利要求3所述的基于图像处理的计算干滩长度的方法，其特征在于，所述ResNet
‑
101网络、特征金字塔FPN网络、区域建议RPN网络均统一使用同一损失函数进行训练。5.根据权利要求4所述的基于图像处理的计算干滩长度的方法，其特征在于，训练时，将训练好的ResNe...

【专利技术属性】
技术研发人员：王建国，吴跃成，李磊，雷明越，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：