[發明專利]基于DCNN和遷移學習的時空圖像紋理方向檢測方法及系統

有效

• 申請號: 202110602923.4
• 申請日: 2021-05-31
• 公開（公告）號: CN113222976B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 張振;李華寶;陳林;劉志杰;莫岱輝;蔣蕓
• 申請（專利權）人: 河海大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/40;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 邵斌

本發明公開了時空圖像紋理方向識別技術領域的一種基于DCNN(深度卷積神經網絡)和遷移學習的時空圖像紋理方向檢測方法及系統，包括：采集時空圖像；將采集的時空圖像輸入訓練好的基于深度卷積神經網絡和遷移學習的時空圖像紋理方向預測模型，獲取時空圖像紋理方向的預測結果；消除了圖像噪聲，提高了在流速脈動強烈的紊流條件下的檢測準確率。

技術領域

本發明屬于時空圖像紋理方向識別技術領域，具體涉及一種基于DCNN(深度卷積神經網絡)和遷移學習的時空圖像紋理方向檢測方法及系統。

背景技術

河流水面成像測速法是一種應用于大范圍水體表面流速場非接觸定量測量的新興技術，對于呈現河流表面流動現象、揭示原型尺度流動規律以及實現洪水流量在線監測具有重要意義，是河流動力學、河流水文學等科學研究的基礎。

作為河流水面成像測速方法的典型應用，時空圖像測速方法(STIV)是一種以測速線為分析區域、通過檢測合成時空圖像的紋理主方向估計一維時均流速測量方法。由于具有空間分辨率高、實時性強的優點，在河流水面流速、流量的實時監測中具有特別的應用潛力。時空圖像測速的關鍵核心在于如何實現從時空圖像精確地檢測出紋理主方向該復雜非線性的數據預測過程，傳統的時空圖像紋理方向檢測方法存在無法消除圖像噪聲、對于流速脈動強烈的紊流條件下，信噪比過低易引起誤檢等問題。

發明內容

為解決現有技術中的不足，本發明提供一種基于DCNN和遷移學習的時空圖像紋理方向檢測方法及系統，消除了圖像噪聲，提高了在流速脈動強烈的紊流條件下的檢測準確率。

為達到上述目的，本發明所采用的技術方案是：

第一方面，提供一種時空圖像紋理方向檢測方法，包括：采集時空圖像；將采集的時空圖像輸入訓練好的基于深度卷積神經網絡和遷移學習的時空圖像紋理方向預測模型，獲取時空圖像紋理方向的預測結果。

進一步地，所述基于深度卷積神經網絡和遷移學習的時空圖像紋理方向預測模型包括兩層卷積層基層、第一～第四卷積層組、全連接層以及回歸層；其中，第一卷積層組包括9層卷積層，第二卷積層組包括12層卷積層，第三卷積層組包括69層卷積層，第四卷積層組包括9層卷積層，在第一至第四卷積層組中，每3個卷積層構成一個殘差塊。

進一步地，所述基于深度卷積神經網絡和遷移學習的時空圖像紋理方向預測模型的訓練方法，包括：以人工合成的時空圖像數據集作為源數據集，以真實的時空圖像數據集作為目標數據集；將源數據集中的時空圖像輸入構建的基于深度卷積神經網絡和遷移學習的時空圖像紋理方向預測模型進行預訓練，獲取滿足設定條件的第一模型參數；基于遷移學習，將第一模型參數作為新構建的基于深度卷積神經網絡和遷移學習的時空圖像紋理方向預測模型的初始參數，并將目標數據集中的時空圖像輸入新構建的基于深度卷積神經網絡和遷移學習的時空圖像紋理方向預測模型進行微調訓練，獲取訓練好的基于深度卷積神經網絡和遷移學習的時空圖像紋理方向預測模型。

進一步地，所述以人工合成的時空圖像數據集作為源數據集，包括：首先基于真實時空圖像的背景，生成灰度圖Img，然后在Img上疊加二維正弦函數：

Img＝Img+I×sin(w(ax+by)) (1)

其中，a＝sin(α)，b＝cos(α)，w表示紋理的間距，α表示紋理的角度方向，I表示調節紋理的對比度的系數，通過設置不同的α和I得到多種類型紋理圖像，從而獲得初步的人工合成的時空圖像數據集；對初步的人工合成的時空圖像數據集進行增強，包括：對合成的紋理圖像進行旋轉操作，獲得多個不同的角度；通過傅里葉變換以及Canny邊緣檢測，擴充數量，從而獲得人工合成的時空圖像數據集，以人工合成的時空圖像數據集作為源數據集并進行歸一化處理。