[發明專利]一種基于YOLO技術的潮水識別與危機預警方法

在審

• 申請號: 202010127428.8
• 申請日: 2020-02-28
• 公開（公告）號: CN111414807A
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 陳友榮;熊振宇;周亞娟;陳鵬;趙克華;呂曉雯;孫萍
• 申請（專利權）人: 浙江樹人學院(浙江樹人大學)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F16/951;G06K9/36;G06K9/46;G06N3/04;G06N3/08;G06T5/00
• 代理公司: 紹興市寅越專利代理事務所(普通合伙) 33285
• 代理人: 鄧愛民

1.一種基于YOLO技術的潮水識別與危機預警方法，其特征在于：內容包括：

步驟1：采用爬蟲技術爬取現有圖片庫中的潮水圖像，對圖像進行數據增強處理，獲得不同類型潮水形態的若干圖片，共同構建成潮水訓練集；

步驟2：判斷網絡模型當前所處狀態：若當前為訓練狀態，則加載潮水訓練集中的潮水圖像數據；若當前為識別狀態，則讀取攝像頭采集的潮水圖像數據；

步驟3：將圖像從RGB顏色空間轉到LAB顏色空間，然后進行伽馬校正后轉回RGB顏色空間，獲得經過白平衡處理后的圖像；

步驟4：從高到低排序圖像的暗原色值，選取排序為第0.1％個的原像素的最大值作為大氣光成分A；

步驟5：引入暗通道模型和霧模型，對霧模型進行濾波處理，計算大氣折射率；

步驟6：根據計算的大氣光成分A和大氣折射率，利用暗通道模型對圖像進行去霧，得到去霧后的圖像；

步驟7：將去霧后圖像歸一化，并送入YOLO卷積網絡；

步驟8：判斷當前模型所處狀態，如果當前狀態是識別狀態，則跳到步驟12；若當前狀態為訓練狀態，則判斷圖像是否處理完成：如果每一個圖像都處理完，則跳到步驟9；若仍存在未處理完的，則讀取訓練集中下一個圖像，跳到步驟2；

步驟9：通過YOLO的網絡卷積層，計算卷積神經網絡中的三層卷積層的每一層輸出特征值，將所有的特征值組成卷積神經網絡中卷積層的輸出特征值矩陣；

步驟10：計算輸出預測值，計算表達預測值與真實情況之間差距程度的損失函數值，并比較損失函數值與所設定閾值的大小：若損失函數值小于閾值，則模型訓練完成，獲得訓練好的網絡模型以及網絡模型的權重參數，并令當前狀態為識別狀態，執行步驟2；若損失函數值大于閾值，則執行步驟11；

步驟11：利用損失函數值進行反向傳播，更新網絡偏置項參數和權重矩陣，跳到步驟10；

步驟12：調用之前輸出的權重文件加載網絡模型，送入YOLO的網絡卷積層，提取圖像特征并識別目標，獲得每個潮水目標的檢測框及置信度分數，輸出檢測框的坐標；

步驟13：尋找置信度最大的檢測框，計算最大檢測框與其余各框的兩框重疊比例IOU，并刪除IOU值大于所設定閾值的檢測框；

步驟14：判斷是否完成所有檢測框的判斷，若仍有未完成的，則返回步驟13；若均完成，則獲得檢測框并將該檢測框作為識別框，獲得識別框中心點的坐標作為該目標潮水的圖片坐標，計算當前潮水的位置、速度、高度、到達時間；

步驟15：判斷潮水高度、速度和到達時間是否都大于各自設定的閾值，如果三個參數都大于各自所設定閾值，則啟動報警提醒，報警后以及上述三個參數不同時滿足都大于各自閾值時，重新執行步驟2。

2.根據權利要求1所述的一種基于YOLO技術的潮水識別與危機預警方法，其特征在于：所述步驟1中圖像增強處理方式為：利用opencv-python庫的resize函數調節圖片的分辨率，增加對應標簽；利用opencv-python庫的getRotationMatrix2D函數，將圖像進行旋轉，旋轉角度為隨機生成，旋轉范圍為7度-15度；將圖像往x軸、y軸方向上隨機移動像素距離，移動范圍為1-10個像素點，實現圖像的平移；給圖像做中心對稱，實現圖像的對稱數據增強。

3.根據權利要求1所述的一種基于YOLO技術的潮水識別與危機預警方法，其特征在于：所述步驟3中的伽馬校正方式為：通過公式(1)對其L通道進行伽馬校正：

其中，表示校正前有霧圖像的L通道的均值；L_a表示伽馬校正后的L通道。