水土流失监测模型的处理方法技术

本发明专利技术提供了一种水土流失监测模型的处理方法

【技术实现步骤摘要】
水土流失监测模型的处理方法、装置和电子设备


[0001]本专利技术涉及数据处理
，尤其是涉及一种水土流失监测模型的处理方法
、
装置和电子设备
。

技术介绍

[0002]目前，各类基础设施建设和资源开发活动规模空前巨大，生产建设项目的施工过程是造成水土流失的主要原因，“施工期排水泥沙含量”是较能与城市环境保护和治水要求相挂钩
、
短时间内可实现量化管理
、
且能反映生产建设项目水土流失程度的指标项，该项指标量化管理的实现将填补生产建设项目实时量化管理的空白，具有很强的示范作用
。
[0003]现行的
《
水土保持监测技术规程
》
中提出的径流小区观测
、
控制站观测
、
简易坡面量测法
、
简易水土流失场监测
、
调查监测法
、
遥感监测法等几种监测方法
。
但是，这些方法都存在适用性较差，工作效率低的问题，已不能满足快速监测的需要，更不能适应水土流失监测自动化的发展趋势
。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种水土流失监测模型的处理方法和装置，通过预先训练水土流失监测模型，并将实时采集的沉沙池水色图像输入训练完成的水土流失监测模型，可以自动判断生产建设项目施工期间排水泥沙含量，实现水土流失预警预报管理，一定程度上减少灾害发生的可能，进一步解放水土保持监督检查的人力，适应水土流失监测自动化的发展趋势
。
[0005]第一方面，本专利技术提供了一种水土流失监测模型的处理方法，方法包括：获取样本数据，将样本数据分为训练集和验证集；其中，样本数据包括：多张生产建设项目的沉沙池水色图像以及拍摄水色图像时沉沙池的含沙量值；将训练集输入预先建立的深度学习网络模型中，确定深度学习网络模型的模型参数；将验证集输入确定了模型参数的深度学习网络模型中，调整模型参数；将模型参数调整后的深度学习模型作为水土流失监测模型
。
[0006]在本专利技术一些较佳的实施例中，获取样本数据，将样本数据分为训练集和验证集的步骤，包括：获取沉沙池的第一图像，确定拍摄第一图像时沉沙池的含沙量值；将第一图像进行预处理；其中，预处理包括：去噪处理和去雾处理；将预处理后的第一图像按照预设的尺寸进行裁剪，获取多张第一水色图像；将第一水色图像与沉沙池的含沙量值匹配后的数据作为第一样本数据；将第一样本数据分为训练集和验证集
。
[0007]在本专利技术一些较佳的实施例中，在将预处理后的第一图像按照预设的尺寸进行裁剪，获取多张第一水色图像的步骤后，方法还包括：将第一水色图像进行基础处理，获取第二水色图像；其中，基础处理至少包括以下之一：旋转处理
、
镜像处理
、
对比度处理；将第二水色图像与沉沙池的含沙量值匹配后的数据作为第二样本数据；将第二样本数据分为训练集和验证集
。
[0008]在本专利技术一些较佳的实施例中，深度学习网络模型包括：残差网络
、
全局平均池化
层和全连接层；将训练集输入预先建立的深度学习网络模型中，确定深度学习网络模型的模型参数的步骤，包括：将训练集中的水色图像输入深度学习网络模型中；通过残差网络提取水色图像的图像特征；将图像特征输入到全局平均池化层中，获取池化特征；将池化特征输入到全连接层，通过全连接层中的输出层输出预测结果；设置深度学习网络模型的基础参数；其中，基础参数包括：学习率
、
训练次数和迭代次数；将训练集中的沉沙池的含沙量值输入深度学习网络模型中，经过训练确定深度学习网络模型的模型参数
。
[0009]在本专利技术一些较佳的实施例中，深度学习网络模型包括：五层卷积层；第一卷积层的卷积核大小为3×3，通道数为
64
，步长为2，最大池化层为3×3，步长为2；第二卷积层包括：3个第一残差块；第一残差块包括：
64
个1×1的卷积核
、64
个3×3的卷积核和
256
个1×1的卷积核；第二卷积层的步长为1；第三卷积层包括：4个第二残差块；第二残差块包括：
128
个1×1的卷积核
、128
个3×3的卷积核和
512
个1×1的卷积核；第三卷积层的步长为2；第四卷积层包括：6个第三残差块；第三残差块包括：
256
个1×1的卷积核
、256
个3×3的卷积核和
1024
个1×1的卷积核；第四卷积层的步长为2；第五卷积层包括：3个第四残差块；第四残差块包括：
512
个1×1的卷积核
、512
个3×3的卷积核和
2048
个1×1的卷积核；第五卷积层的步长为
2。
[0010]在本专利技术一些较佳的实施例中，深度学习网络模型包括：五层卷积层为特征提取层，每层卷积层均与全局平均池化层连接，其中，全局平均池化层尺寸为2×
2。
[0011]在本专利技术一些较佳的实施例中，方法还包括：获取目标沉沙池的目标水色图像；将目标水色图像输入训练完成的水土流失监测模型中，输出目标水色图像的含沙量值；将目标水色图像的含沙量值与预设的阈值进行比较，判断目标沉沙池所属的生产建设项目是否存在水土流失
。
[0012]第二方面，本专利技术提供了一种水土流失监测模型的处理装置，装置包括：样本获取模块，用于获取样本数据，将样本数据分为训练集和验证集；其中，样本数据包括：多张生产建设项目的沉沙池水色图像以及拍摄水色图像时沉沙池的含沙量值；模型训练模块，用于将训练集输入预先建立的深度学习网络模型中，确定深度学习网络模型的模型参数；模型调整模块，用于将验证集输入确定了模型参数的深度学习网络模型中，调整模型参数；模型确定模块，用于将模型参数调整后的深度学习模型作为水土流失监测模型
。
[0013]第三方面，本专利技术提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述任一项的水土流失监测模型的处理方法
。
[0014]第四方面，本专利技术提供了一种计算机存储介质，计算机存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述任一项的水土流失监测模型的处理方法
。
[0015]本专利技术带来了以下有益效果：本专利技术提供了一种水土流失监测模型的处理方法
、
装置和电子设备，方法包括：获取样本数据，将样本数据分为训练集和验证集；其中，样本数据包括：多张生产建设项目的沉沙池水色图像以及拍摄水色图像时沉沙池的含沙量值；将训练集输入预先建立的深度学习网络模型中，确定深度学习网络模型的模型参数；将验证集输入确定了模型参数的深度学习网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
×3的卷积核和
512
个1×1的卷积核；所述第三卷积层的步长为2；第四卷积层包括：6个第三残差块；所述第三残差块包括：
256
个1×1的卷积核
、256
个3×3的卷积核和
1024
个1×1的卷积核；所述第四卷积层的步长为2；第五卷积层包括：3个第四残差块；所述第四残差块包括：
512
个1×1的卷积核
、512
个3×3的卷积核和
2048
个1×1的卷积核；所述第五卷积层的步长为
2。6.
根据权利要求5所述的水土流失监测模型的处理方法，其特征在于，所述深度学习网络模型包括：五层所述卷积层为特征提取层，每层卷积层均与所述全局平均池化层连接，其中，所述全局平均池化层尺寸为2×
2。7.
根据权利要求1‑6任一项所述的水土流失监测模型的处理方法，其特征在于，所述方法还包括：获取目标沉沙池的目标水色图像；将所述目标水色图像输入训练完成的所述水土流失监测模型中，输出所述目标水色图像的含沙量值；将所述目标水色图像的含沙量值与预设的阈值进行比较，判断...

【专利技术属性】
技术研发人员：陈妮，杨凯，王正，王忠禹，侍灵通，李健，
申请(专利权)人：中国电建集团华东勘测设计研究院有限公司，
类型：发明
国别省市：