[發明專利]一種基于卷積神經網絡的降雨強度檢測方法

有效

• 申請號: 202110223872.4
• 申請日: 2021-03-01
• 公開（公告）號: CN112883969B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 張振;王杰;沈淏旸;黃啟略;魏饒;陳林;劉志杰;莫岱輝;蔣蕓
• 申請（專利權）人: 河海大學
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/28;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06N5/04;G01W1/14
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 成立珍

1.一種基于卷積神經網絡的降雨強度檢測方法，其特征在于，包括如下步驟：

S1：智能終端設備系統設置，采用智能終端設備通過以太網接口連接攝像機，用于攝像機控制及視頻圖像采集、處理和傳輸；在所述的攝像機的鏡頭前加裝0°通光方向的線偏振濾鏡；

S2：采集圖像對；

S3：對S2中所獲取的圖像對進行殘差二值化處理，智能終端設備首先對兩幀ROI的灰度圖逐像素做灰度差分運算并取絕對值，得到一幅灰度殘差圖，然后采用Canny算子對灰度殘差圖進行邊緣檢測，得到表征水面紋理特征的邊緣二值圖；

S4：網絡模型構建：包括數據集構建、網絡模型設計和網絡模型訓練，包括如下步驟：S4.1：數據集構建：首先智能終端設備按步驟S2-S3采集并生成不同氣象、水流和光照條件下的ROI邊緣二值圖，并將其和對應的時間戳通過以太網發送至用于網絡模型訓練的工作站；然后在工作站上依據氣象局提供或現場雨量計實測的降雨量數據，采用圖像分類標注工具對二值圖進行降雨強度的分類標注；

S4.2：網絡模型設計：為實現輸入的ROI邊緣二值圖到降雨強度4分類結果的推理，設計卷積神經網絡模型；

設計的卷積神經網絡通過分層計算特征圖最終得到圖像分類結果，卷積層通過卷積核在本層特征圖上的卷積計算得到下一層的特征圖，卷積核M包含若干個學習的權重參數，公式(II)給出了第m層的卷積特征圖的計算公式：

其中，f(·)選用的激活函數，M_x和M_y分別表示卷積核M的長度和寬度，w_jk表示卷積核M的權重值，表示二維卷積運算，t^m-1表示第m層的卷積特征圖的輸入，也是第m-1層的輸出，b^m表示第m層的濾波器的偏量，j，k為相應的像素x，y坐標；

激活函數選用的是“ReLU”，公式(III)給出了其函數運算公式：

f(x)＝max(0,x) (III)

全連接層全連接層操作由卷積核長M_x和寬M_y分別為卷積層13層輸出的特征圖像的長和寬，通道數為C的全局卷積操作實現；

最后使用softmax分類器做逐像素預測，對各個輸入分類器的概率值做指數計算，經歸一化后，最大值所代表的類別即為分類結果；

損失函數為交叉熵損失函數，計算損失函數的具體過程為將softmax分類器的輸出向量和標注的樣本數據的標簽值做交叉熵處理，公式(IV)給出了交叉熵的計算公式：

其中，y′_i指標注的標簽值當中的第i個樣本的真值，y_i指softmax分類器的輸出向量[Y₁,Y₂,Y₃…]的第i個樣本預測數據，n為訓練樣本數量；

S5：降雨強度預測。

2.根據權利要求1所述的一種基于卷積神經網絡的降雨強度檢測方法，其特征在于，所述的步驟S2中，所述的智能終端設備控制攝像機以時間間隔t連續拍攝兩幀原始大小的彩圖，從中選取出ROI按照如下公式(I)轉換成灰度圖

GRAY＝(R×W₁+G×W₂+B×W₃) (I)

其中，R、G、B分別代表圖像存儲紅綠藍三通道的像素值，W₁，W₂，W₃為灰度化權重參數，取值范圍為0到1，W₁，W₂，W₃之和為1。

3.根據權利要求1所述的一種基于卷積神經網絡的降雨強度檢測方法，其特征在于，所述的步驟S4還包括步驟：

S4.3：網絡模型訓練：在工作站上采用步驟S4.1構建的訓練集對網絡模型進行訓練，訓練算法為梯度下降算法，通過結合測試集準確率調整神經網絡結構和參數的方式獲取實時分類模型；最后保存訓練完成的網絡模型用于預測。