【技术实现步骤摘要】
本专利技术属于图像分析识别领域，具体涉及一种基于改进segnet模型的水库漂浮物自动识别方法。
技术介绍
1、雨水期大量漂浮物随洪水涌入水库库区，不仅污染水质，还会影响溢洪道、输水洞泄洪安全。大面积漂浮物在汛期给水库的安全运行带来较大隐患。目前水库运行管理的漂浮物、水质变化状况主要依赖人工现场巡查，人力成本高，巡查效率低。近20年来，水库越来越广泛地建设图像监测和视频监控系统，但目前图像及视频监控基本采用人工判读。虽然图像及视频监控可以用于对水库现场漂浮物情况的及时了解，但其潜在的效能还远远没有发挥出来，主要体现在以下方面：人工判读工作量大。由于水库数量多，图像及视频监控站点多，对于一个县级、市级甚至省级水库管理单位的工作人员而言，人工逐一判读漂浮物的工作量太大。因此，大部分图像和视频信息仅仅作为必要的辅助手段，在水库出现问题时才会重点关注；人工判读不及时。由于站点数量大，人工判读通常难以及时发现大面积漂浮物问题，不能及时取证并预警，造成常态化清漂工作效率较低，水质生态监管能力弱。最近十余年来，深度学习的发展应用给各个科技领域、生活领域带来了巨大影响，而深度学习图像识别分割在水利行业的应用起步较晚，相较于其他领域还不够成熟。随着深度学习算法和物联网的发展，充分发挥云端计算能力、发掘视频监控的潜能、实现水库漂浮物智能监控，对降低成本和增强水库安全监测管理有着非常重要的意义。
技术实现思路
1、专利技术目的：提升水库水面漂浮物的智能化检测巡查水平，利用人工智能新兴技术提供一种有效的水面
2、技术方案：为实现上述目的，本专利技术提供一种基于改进segnet模型的水库漂浮物自动识别方法，包括如下步骤：
3、s1：利用无人机获取航拍采集的不同场景下水库漂浮物图像数据，将图像数据进行分类和筛选，剔除无效图像，得到用于训练改进segnet模型的水库漂浮物图像数据集；
4、s2：对水库漂浮物图像数据集进行预处理：利用数据降噪算法对步骤s1形成的数据集进行降噪处理，提高水库漂浮物图像信息的精度，同时，利用数据增强算法对数据集进行数据增强，对数据进行扩充训练数据集的规模；
5、s3：对数据集进行标注，并根据标注完成的数据集数量以7∶3的比例将数据集分为训练集、验证集；
6、s4：利用步骤s3确定的训练集、验证集对改进segnet算法模型进行模型训练，并输出最优网络结构模型及各项参数；
7、s5：水库漂浮物图片检测识别：利用基于最优网络结构模型参数的改进segnet算法模型对无人机采集水库水面图像进行检测，判断是否有需要进行清理的水库漂浮物，若有则计算并标注出漂浮物的位置信息以及覆盖面积；
8、s6：将步骤s5中水库漂浮物图片检测识别结果推送给相关责任人和管理人员，帮助及时进行水库漂浮物清理。
9、进一步地，所述步骤s1中图像数据的采集要求如下：
10、图像数据分布需包括不同光照程度，如一天中的早、中、晚等；图像数据分布还需包括不同的天气干扰，如晴、雨、阴、雾、风等；图像数据分布也需包括周围环境以及水面其他物体的影响，如房屋、树木、桥梁等周围环境倒影，杂草、水体颜色、渔网鱼箱、渔船等其他物体。
11、进一步地，所述步骤s2中数据预处理具体内容如下：
12、数据降噪采用高斯滤波算法；数据增强则采用几何变换的方法，主要使用翻转，旋转，裁剪，缩放，平移五种变换方法。
13、进一步地，高斯滤波的具体算法流程如下：
14、s21：对图像进行zero padding；
15、s22：根据设置的高斯滤波器的核大小和标准差大小生成高斯滤波器模板；
16、s23：对输入图像进行高斯滤波：用步骤s22生成的模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值；
17、s24：输出高斯滤波后的图像。
18、进一步地，步骤s22中生成高斯滤波器模板其所使用的二维高斯函数的具体公式如下：
19、
20、其中(x，y)为点坐标，σ是标准差，将图像各个位置的坐标带入到二维高斯函数中，得到的值就是模板中(x，y)坐标对应的系数。
21、进一步地，所述步骤s3对数据集进行语义标注具体内容如下：
22、利用数据集标注工具labelme对水库漂浮物图像进行像素级语义分割标注，在漂浮物边缘连续点击画出一系列点，其起点和终点应是同一点，点按顺序相连、首尾相接，形成闭合的多边形。
23、进一步地，步骤s4训练模型具体步骤如下所示：
24、s41：将训练集输入初始化参数的改进segnet网络模型，模型具体改进如下：网络结构结合最大池化索引和残差连接，将编码器阶段提取的浅层特征映射输入解码器的非线性上采样阶段，通过反卷积产生的密集的特征映射图像，最大程度的保留原始图像的色彩、纹理和边界等特征，有效提升了水库漂浮物的识别精度；
25、s42：根据分割结果的交叉熵损失最小原则，利用验证集不断迭代网络更新模型参数，直至收敛并达到最小损失，交叉熵损失验证函数设置如下：
26、引入平衡因子β，取值在[0，1]区间内：
27、
28、设计的改进的交叉熵损失公式(balanced cross-entropy loss，b-ce)如下：
29、ce(p，y)＝-βlog(pt)
30、其中，p代表样本在该类别的预测概率，y代表样本标签。
31、s43：模型参数达到最小损失，完成模型训练并输出最优网络结构模型及各项参数。
32、进一步地，步骤s5水库漂浮物覆盖面积计算方法如下：
33、s51：将图像从bgr转换为hsv，便于颜色区分；
34、s52：利用cv2.inrange函数，提取指定的颜色；
35、s53：查找轮廓，并计算轮廓的面积。
36、进一步地，步骤s6推送信息具体步骤如下：
37、s61：计算水库漂浮物区域中心点a的坐标：获取区域的外接矩形，即获取此区域最大最小x、y(也就是外接矩形的四个角点的坐标：xmax、xmin、ymax、ymin)，则中心点a坐标计算如下：
38、centerx＝(xmax+xmin)/2
39、centery＝(ymax+ymin)/2
40、s62：将各负责人所负责区域置入相同坐标系中，并标注出各负责人所负责的范围；
41、s63：利用射线法判断中心点a是否在某个负责人所负责的区域内，即以点a为起点，取x轴方向为射线的正方向，判断该直线与特定区域的交点个数，如果是奇数点，则该点就在此特定区域内，如果是偶数点就不在此特定区域内；
42、s64：若判断中心点a在某负责人所负责的本文档来自技高网...
【技术保护点】
1.一种基于改进SegNet模型的水库漂浮物自动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进SegNet模型的水库漂浮物识别方法，其特征在于，所述步骤S1中图像数据的采集要求如下：
3.根据权利要求1所述的一种基于改进SegNet模型的水库漂浮物识别方法，其特征在于，所述步骤S2中数据预处理具体内容如下：
4.根据权利要求3所述的一种基于改进SegNet模型的水库漂浮物自动识别方法，其特征在于，高斯滤波的具体算法流程如下：
5.根据权利要求4所述的一种基于改进SegNet模型的水库漂浮物自动识别方法，其特征在于，步骤S22中生成高斯滤波器模板其所使用的二维高斯函数的具体公式如下：
6.根据权利要求1所述的一种基于改进SegNet模型的水库漂浮物自动识别方法，其特征在于，所述步骤S3对数据集进行语义标注具体内容如下：
7.根据权利要求1所述的一种基于改进SegNet模型的水库漂浮物自动识别方法，其特征在于，步骤S4训练模型具体包括以下步骤：
8.根据权利要求1所述的一种
9.根据权利要求1所述的一种基于改进SegNet模型的水库漂浮物自动识别方法，其特征在于，步骤S6推送信息具体步骤如下：
...【技术特征摘要】
1.一种基于改进segnet模型的水库漂浮物自动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进segnet模型的水库漂浮物识别方法，其特征在于，所述步骤s1中图像数据的采集要求如下：
3.根据权利要求1所述的一种基于改进segnet模型的水库漂浮物识别方法，其特征在于，所述步骤s2中数据预处理具体内容如下：
4.根据权利要求3所述的一种基于改进segnet模型的水库漂浮物自动识别方法，其特征在于，高斯滤波的具体算法流程如下：
5.根据权利要求4所述的一种基于改进segnet模型的水库漂浮物自动识别方法，其特征在于，步骤s22中生成高斯...
【专利技术属性】
技术研发人员：王龙宝，张珞弦，储洪强，徐淑芳，毛莺池，栾茵琪，杨青青，徐荟华，
申请(专利权)人：河海大学，
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。