一种基于机器学习的RGB摄像头数据蓝藻水华监测方法技术

本发明专利技术涉及一种基于机器学习的RGB摄像头数据蓝藻水华监测方法，包括：获取RGB摄像头采集的湖泊监控图像，利用训练好的第一深度学习模型对图像进行场景分类，包括无藻华、有藻华、无法判定是否存在藻华三类；对存在藻华的图像，通过训练好的第二深度学习模型进行水体提取；利用训练好的传统机器学习模型对水体提取结果进行藻华识别，获取蓝藻水华监测结果。本发明专利技术基于普通摄像头拍摄的RGB图像进行湖泊蓝藻水华识别，通过“场景分类—水体提取—蓝藻识别”三步法，有效降低了湖泊周边地物、光线、波浪以及水生植被等复杂环境下的且只有RGB三个有效光谱波段下蓝藻水华识别难度。个有效光谱波段下蓝藻水华识别难度。个有效光谱波段下蓝藻水华识别难度。

【技术实现步骤摘要】
一种基于机器学习的RGB摄像头数据蓝藻水华监测方法


[0001]本专利技术属于湖泊水环境领域，特别涉及一种复杂环境下基于RGB摄像头数据进行湖泊蓝藻水华自动识别的方法。

技术介绍

[0002]近年来，受人类生产活动以及气候环境的变化导致湖泊水体富营养化程度加剧，氮、磷等营养元素的积累导致湖泊蓝藻水华频发，对人类生产生活用水以及环境造成极大的危害。目前，湖泊蓝藻水华监测主要使用人工巡测和基于卫星遥感数据进行监测的方法。人工巡测耗时耗力，成本高昂。基于光学卫星数据监测受限于遥感影像的时间和空间分辨率。常用的高时间分辨率卫星，例如MODIS传感器可以提供每日的观测数据，但是光学影像易受云雨天气的影响导致某些地区在蓝藻频发的季节缺少观测数据。普通RGB摄像头价格相对低廉，可以提供全天候实时监控。作为传统人工巡测和遥感监测的辅助手段，可以帮助湖泊管理部门快速实时掌握蓝藻的发生情况。
[0003]现有技术中已有对RGB摄像头拍摄的图像进行藻华识别以实现藻华监控的技术，但现有技术往往需要对摄像头设置最优姿态，如固定摄像头拍摄高度和角度来获取有利于藻华识别的图像，而对摄像头随机拍摄的图像难以实现准确的藻华识别，其存在的问题有：1.摄像头拍摄的RGB图像，藻华多呈绿色，很容易和其他绿色的物体进行混淆；2.摄像头的拍摄角度是随机的，可能存在因拍摄角度和光线问题导致的错误识别。

技术实现思路

[0004]本专利技术的目的在于提供一种能够对摄像头随机拍摄的图像实现准确的藻华识别的方法。
[0005]为实现上述技术目的，本专利技术采用如下方案：
[0006]一种基于机器学习的RGB摄像头数据蓝藻水华监测方法，包括：
[0007]获取RGB摄像头采集的湖泊监控图像，利用训练好的第一深度学习模型对图像进行场景分类，包括无藻华、有藻华、无法判定是否存在藻华三类；
[0008]对存在藻华的图像，通过训练好的第二深度学习模型进行水体提取；
[0009]利用训练好的传统机器学习模型对水体提取结果进行藻华识别，获取蓝藻水华监测结果。
[0010]作为一种优选的实施方式，所述第一深度学习模型、第二深度学习模型和传统机器学习模型分别采用独立训练样本进行训练。
[0011]作为一种优选的实施方式，训练样本的制作方式为：
[0012]将湖泊监控图像通过目视解译划分为无藻华、有藻华、无法判定是否存在藻华三类场景，作为第一深度学习模型的训练样本；
[0013]选取目视解译分类为有藻华的湖泊监控图像，标记水体样本和非水体样本，作为第二深度学习模型的训练样本；
[0014]在湖泊监控图像的水体范围内标记藻华样本，作为传统机器学习模型的训练样本。
[0015]作为一种优选的实施方式，对第一深度学习模型、第二深度学习模型和传统机器学习模型进行模型训练时，对输入的图像进行随机增强处理，以扩充样本量。对图像进行随机增强处理可以扩充样本量，让模型学习如何针对各种光线环境下拍摄到的图像都能做出比较准确的识别，能够提高模型的普适性。
[0016]作为一种优选的实施方式，所述增强处理包括图像剪裁、图像标准化、对比度调整、亮度调整、饱和度调整、色调调整中的一种或几种。
[0017]作为一种优选的实施方式，所述第一深度学习模型选用Inception或MobileNet模型。优选MobileNet模型。
[0018]作为一种优选的实施方式，所述第二深度学习模型为深度学习语义分割模型。
[0019]作为一种优选的实施方式，所述第二深度学习模型选用UNet+CBAM，DeepLab或MobileNet+LR
‑
ASPP模型组合；优选MobileNet+LR
‑
ASPP。
[0020]作为一种优选的实施方式，所述传统机器学习模型选用人工神经网络、随机森林或极限梯度提升树；优选极限梯度提升树。
[0021]本专利技术中，先利用第一深度学习模型进行场景分类，通过对图片整体情况进行判断，剔除掉无明显藻华特征的以及由于摄像头拍摄角度和光线问题导致的无法判断是否存在藻华的图片。之后通过深度学习语义分割模型对存在藻华的图像进行水体提取，排除非水体部分对藻华识别的干扰。最后一步藻华识别，考虑藻华分布可能是成片的，也可能是零星的，因此使用传统机器学习算法在像素级进行识别。
[0022]本专利技术基于普通摄像头拍摄的RGB图像进行湖泊蓝藻水华识别，通过“场景分类—水体提取—蓝藻识别”三步法，有效降低了湖泊周边地物、光线、波浪以及水生植被等复杂环境下的且只有RGB三个有效光谱波段下蓝藻水华识别难度。
附图说明
[0023]图1是本专利技术利用“三步法”进行RGB摄像头数据蓝藻水华监测的流程图。
[0024]图2是本专利技术基于卷积神经网络进行湖泊图像场景分类的结果图。
[0025]图3是本专利技术基于卷积神经网络进行水体提取的结果图。
[0026]图4是本专利技术基于卷积网络和典型机器学习模型进行藻华识别的结果图。
[0027]图5是本专利技术通过消融实验验证“三步法”中每一步对模型性能的影响；图中S1表示只使用“三步法”中的最后一步，S2表示使用最后两步；S3表示使用完整的“三步法”。
[0028]图6是基于本专利技术在试验区不同摄像头采集的图像进行藻华识别的结果。
[0029]图7是基于本专利技术在试验区同一摄像头不同时刻采集的图像进行藻华识别的结果。
具体实施方式
[0030]下面结合附图说明和具体实施方式对本专利技术的技术方案作进一步阐述。
[0031]本专利技术使用“三步法”进行RGB摄像头数据蓝藻水华监测，每一步中均使用深度卷积神经网络进行实现。卷积神经网络可自定义地构建，也可以使用现有公开模型。因为“三
Spatial PyramidPooling)三种模型，其在验证数据集上的性能评价结果如表2所示：
[0047]表2三种模型组合用于水体提取时在验证数据集上的性能评价
[0048][0049]基于我们的实验测试的结果，水体提取建议使用MobileNet+LR
‑
ASPP模型，其水体提取结果如图3所示。
[0050]③
藻华识别模型；
[0051]对藻华识别模型，我们测试了表2中的三种深度卷积网络模型和人工神经网络(Artificial Neural Network,ANN)、随机森林(Random Forest,RF)以及极限梯度提升树(eXtreme Gradient Boosting,XGB)这三种经典机器学习模型，结果如表3，表中每个模型对应的两行定量指标分别是模型在原始验证数据集和经过图像增强处理以后的数据集上的预测结果评价。由于增强后的图像数量更多包含的情况也更复杂，有的图像经过增强以后由于色彩、对比度等原因反而会导致识别难度增加，所以在增强的扩充数据集上精度会降低。
[0052]表3常用深度卷积网络和经典机器学习模型用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的RGB摄像头数据蓝藻水华监测方法，其特征在于，包括：获取RGB摄像头采集的湖泊监控图像，利用训练好的第一深度学习模型对图像进行场景分类，包括无藻华、有藻华、无法判定是否存在藻华三类；对存在藻华的图像，通过训练好的第二深度学习模型进行水体提取；利用训练好的传统机器学习模型对水体提取结果进行藻华识别，获取蓝藻水华监测结果。2.根据权利要求1所述的方法，其特征在于，所述第一深度学习模型、第二深度学习模型和传统机器学习模型分别采用独立训练样本进行训练。3.根据权利要求1或2所述的方法，其特征在于，训练样本的制作方式为：将湖泊监控图像通过目视解译划分为无藻华、有藻华、无法判定是否存在藻华三类场景，作为第一深度学习模型的训练样本；选取目视解译分类为有藻华的湖泊监控图像，标记水体样本和非水体样本，作为第二深度学习模型的训练样本；在湖泊监控图像的水体范围内标记藻华样本，作为传统机器学习模型的训练样本。4.根据权利要求1所述的方法，其特征在于，对第一深度学习模型、第二深...

【专利技术属性】
技术研发人员：谭振宇，段洪涛，杨辰，
申请(专利权)人：西北大学，
类型：发明
国别省市：