【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，特别是涉及一种面向复杂环境下水库溢洪道异常智能识别方法。
技术介绍
1、水库是我国防洪广泛采用的工程措施之一，在水库对洪水调节的过程中，溢洪道是一种必不可少的防洪措施。溢洪道不仅能够减轻水库、堤防等水利工程在洪水期间的压力，还能防止洪水过度淹没下游城市，保护人民的生命财产安全。随着时代的变迁，我国在疏浚整治河道、分洪滞洪、利用水库蓄洪等各种防洪工作中，都取得了良好的效果，也丰富了防洪工程措施的内容。不过在解决实际问题上，目前大都处于人工巡查阶段，存在实时性不强、人力巡查成本高、人工巡查存在潜在风险等问题。此外，水库环境复杂，并且在暴雨天气以及泄洪时期容易产生雨雾，在进行溢洪道的检测时容易造成干扰，检测十分困难。
2、水库溢洪道堵塞物检测是防洪治理的一项重要工作，随着人工智能的快速发展，近年来有很多学者利用人工智能、深度学习技术在水库防洪治理的相关领域做了一些研究，然而，对于溢洪道的堵塞物检测在防洪治理领域目前还处于空白阶段。
3、因此，本专利技术将计算机视觉中图像处理技术和深度学习技术有机结合，设计提供了一种面向复杂环境下水库溢洪道异常智能识别与预警方法，既能解决在雨雾环境下溢洪道堵塞物识别难的问题，又能实现针对溢洪道堵塞物的更高检测精度。
技术实现思路
1、本专利技术的目的在于提供一种面向复杂环境下水库溢洪道异常智能识别方法，采用雨雾干扰去除算法，及改进的图像分割算法deeplabv3+和改进的目标检测算法yolov7级联的方
2、本专利技术采用以下技术方案：一种面向复杂环境下水库溢洪道异常智能识别方法，方法步骤如下：
3、步骤s1、收集包含堵塞物的水库溢洪道图像以及只包含溢洪道区域的图像，采用人工标注的方式分别对溢洪道区域和溢洪道中堵塞物进行标注，分别制作溢洪道区域图像数据集和溢洪道堵塞物图像数据集，并且按照比例划分为训练集、验证集和测试集，通过训练改进的deeplabv3+算法获得溢洪道区域分割模型和训练改进的yolov7算法获得溢洪道堵塞物识别模型；
4、步骤s2、对待检测的水库溢洪道堵塞物图像进行预处理，判断待检测的水库溢洪道堵塞物图像是否存在雨雾干扰，与图像对比度阈值进行比较，当待检测的水库溢洪道堵塞物图像中存在雨雾时，利用水库环境下雨雾干扰去除算法对待检测的水库溢洪道堵塞物图像进行去噪处理，得到雨雾去除后的水库溢洪道堵塞物图像；
5、步骤s3、将步骤s2中雨雾去除后的水库溢洪道堵塞物图像输入到步骤s1中的溢洪道区域分割模型，识别并分割溢洪道区域图像，接着将溢洪道区域外的背景做黑色掩码处理，输出溢洪道区域图像；
6、步骤s4、将步骤s3中输出的溢洪道区域图像输入到步骤s1中的溢洪道堵塞物识别模型，识别出溢洪道中的堵塞物；
7、步骤s5、将待检测的水库溢洪道堵塞物图像与步骤s4识别出溢洪道中的堵塞物图像进行合并，输出包含溢洪道区域外背景的完整检测图像。
8、进一步的，步骤s1中所述制作溢洪道区域图像数据集和溢洪道堵塞物图像数据集，过程如下：
9、步骤s11，采集不同水库、不同环境下水库溢洪道堵塞物图像；
10、步骤s12，通过数据集标记软件labelme标记，获得json图片标注信息文件与jpg图片文件对应的溢洪道区域图像数据集；
11、步骤s13，利用步骤s12的json图片标注信息文件及图像截取脚本代码，将单独的溢洪道区域图像从待检测的水库溢洪道堵塞物图像提取出来，并将溢洪道区域外的背景做黑色掩码处理，作为溢洪道堵塞物图像数据集；
12、步骤s14，通过数据集标记软件labelimg标记，获得一组xml图片标注信息文件与png图片文件对应的溢洪道堵塞物图像数据集；
13、步骤s15，将标注好的溢洪道区域图像数据集和溢洪道堵塞物图像数据集分别输入改进的deeplabv3+算法和改进的yolov7算法；在训练过程中训练集通过验证集不断更新权重，分别得到溢洪道区域分割模型和溢洪道堵塞物识别模型。
14、进一步的，通过训练改进的deeplabv3+算法获得溢洪道区域分割模型和训练改进的yolov7算法获得溢洪道堵塞物识别模型；具体操作如下：
15、利用溢洪道区域图像数据集中的训练集，使用改进的deeplabv3+算法进行训练，使用溢洪道区域图像数据集中的验证集验证训练的效果，更新权重，获得溢洪道区域分割模型；
16、利用k-means聚类算法根据溢洪道堵塞物图像数据集的图片标注信息文件生成适用于溢洪道堵塞物图像数据集情景下的9个不同大小尺寸的先验框；利用溢洪道堵塞物图像数据集中的训练集对改进的yolov7算法进行训练，使用溢洪道堵塞物图像数据集中的验证训练的效果，更新权重，获得溢洪道堵塞物识别模型。
17、进一步的，改进的deeplabv3+算法，改进内容包括：
18、步骤s16，利用用于移动设备和嵌入式设备的轻量级移动网络构建轻量化的主干网络，减少参数量并提高训练和推理速度；
19、步骤s17，结合级联特征融合单元对deeplabv3+算法的浅层网络和深层网络改进，即浅层语义信息和深层语义信息进行有效特征融合，使得deeplabv3+算法的特征提取能力更强；
20、其中对deeplabv3+算法的浅层网络和深层网络改进，具体改进内容如下：
21、步骤s171，将图像image输入轻量级移动网络构建轻量化的主干网络，轻量级移动网络构建轻量化的主干网络主要由瓶颈模块堆叠而成，在构建的过程中，输出主干网络结构的第4层level4、第7层level7、第11层level11，分别得到的特征图维度为128×128×24、64×64×32、32×32×64；
22、步骤s172，将第4层level4和第7层level7作为第一个级联特征融合单元的输入，经过第一个级联特征融合单元后，输出维度为128×128×80的特征图f1；
23、步骤s173，将特征图f1与第11层level11作为第二个级联特征融合单元的输入，经过第二个级联特征融合单元后，输出维度为128×128×256的特征图f2；
24、步骤s174，特征图f1经过一个1×1的卷积层实现降维，得到维度为128×128×48的浅层特征图；
25、步骤s175，图像image经过轻量级移动网络的主干网络后，接着通过一个空洞空间卷积池化金字塔模块并进行一次上采样，得到维度为128×128×256的特征图x1；
26、步骤s176，将特征图f2与特征图x1相加进行特征融合，得到维度为128×128×256的深层特征图；
27、步骤s本文档来自技高网...
【技术保护点】
1.一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：方法步骤如下：
2.根据权利要求1所述的一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：
3.根据权利要求2所述的一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：
4.根据权利要求3所述的一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：
5.根据权利要求4所述的一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：
6.根据权利要求5所述的一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：
7.根据权利要求6所述的一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：
【技术特征摘要】
1.一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：方法步骤如下：
2.根据权利要求1所述的一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：
3.根据权利要求2所述的一种面向复杂环境下水库溢洪道异常智能识别方法，其特征是：
4.根据权利要求3所述的一种面向复杂环境下水...
【专利技术属性】
技术研发人员：许小华，王海菁，包学才，王艺凝，章龙飞，
申请(专利权)人：江西省水利科学院江西省大坝安全管理中心，江西省水资源管理中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。