[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置、系統(tǒng)及模型訓(xùn)練方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211564426.0
• 申請(qǐng)日: 2022-12-07
• 公開（公告）號(hào): CN115761596A
• 公開（公告）日: 2023-03-07
• 發(fā)明（設(shè)計(jì)）人: 李晨祥;余江維;李賢凡
• 申請(qǐng)（專利權(quán)）人: 武漢浩譜海洋探測(cè)系統(tǒng)有限公司
• 主分類號(hào): G06V20/40
• 分類號(hào): G06V20/40;G06V20/52;G06V10/82;G06V10/774;G06V10/776;G06N3/0464
• 代理公司: 武漢探智知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 42309
• 代理人: 王聰聰

1.一種基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置，其特征在于，包括：視頻矩陣(1)，所述視頻矩陣(1)包括計(jì)算處理模塊(11)和存儲(chǔ)模塊(12)，所述存儲(chǔ)模塊(12)與所述計(jì)算處理模塊(11)通信連接；

還包括安裝殼體(2)、拍攝鏡頭(3)以及無線通信模塊(4)，所述拍攝鏡頭(3)裝設(shè)于所述安裝殼體(2)上，所述拍攝鏡頭(3)用于拍攝海浪的景象；

所述計(jì)算處理模塊(11)與所述拍攝鏡頭(3)通信連接，所述計(jì)算處理模塊(11)用于對(duì)拍攝鏡頭(3)拍攝的影像進(jìn)行模型訓(xùn)練并構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，通過卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型預(yù)測(cè)海浪波高及周期，所述存儲(chǔ)模塊(12)用于存儲(chǔ)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型；

所述無線通信模塊(4)裝設(shè)于所述拍攝鏡頭(3)的內(nèi)部并與所述計(jì)算處理模塊(11)通信連接，所述無線通信模塊(4)用于將存儲(chǔ)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的海浪波高及周期上傳至終端設(shè)備進(jìn)行展示。

2.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置，其特征在于，所述安裝殼體(2)內(nèi)部設(shè)置有驅(qū)動(dòng)機(jī)構(gòu)(21)，所述驅(qū)動(dòng)機(jī)構(gòu)(21)與所述拍攝鏡頭(3)連接。

3.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置，其特征在于，所述驅(qū)動(dòng)機(jī)構(gòu)(21)包括驅(qū)動(dòng)件(211)、主動(dòng)輪(212)、從動(dòng)輪(213)、傳動(dòng)帶(214)以及銷軸(215)，所述主動(dòng)輪(212)裝設(shè)于所述驅(qū)動(dòng)件(211)上，所述傳動(dòng)帶(214)套設(shè)于所述主動(dòng)輪(212)和從動(dòng)輪(213)上，所述銷軸(215)裝設(shè)于所述主動(dòng)輪(212)上與所述拍攝鏡頭(3)和安裝殼體(2)的安裝耳(20)連接。

4.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置，其特征在于，所述基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置還包括太陽(yáng)能板(5)以及儲(chǔ)能電池(6)；所述太陽(yáng)能板(5)與所述驅(qū)動(dòng)件(211)、拍攝鏡頭(3)、計(jì)算處理模塊(11)、存儲(chǔ)模塊(12)、無線通信模塊(4)以及儲(chǔ)能電池(6)電性連接。

5.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置，其特征在于，所述安裝殼體(2)內(nèi)部具有第一收容腔(216)以及第二收容腔(217)，所述第一收容腔(216)和第二收容腔(217)相互分隔，所述驅(qū)動(dòng)機(jī)構(gòu)(21)安裝于所述第一收容腔(216)內(nèi)，所述第二收容腔(217)開設(shè)有通孔(218)，所述第二收容腔(217)內(nèi)設(shè)置有溫濕度傳感器(219)，所述溫濕度傳感器(219)與所述無線通信模塊(4)電性連接。

6.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置，其特征在于，所述拍攝鏡頭(3)的殼體內(nèi)壁上粘附有耐高溫塑料層。

7.一種基于卷積神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控系統(tǒng)，其特征在于，包括如權(quán)利要求1-6任一項(xiàng)所述的基于卷積神經(jīng)網(wǎng)絡(luò)的智能視頻監(jiān)控。

8.一種如權(quán)利要求1-6中任一項(xiàng)基于神經(jīng)網(wǎng)絡(luò)的視頻監(jiān)控測(cè)浪裝置的模型訓(xùn)練方法，其特征在于，包括：S1：數(shù)據(jù)預(yù)處理；

所述數(shù)據(jù)預(yù)處理還包括步驟S11：數(shù)據(jù)集標(biāo)注；

所述計(jì)算處理模塊(11)加載拍攝鏡頭(3)拍攝的影像，將影像信息按照固定的時(shí)間提取連續(xù)影像幀的圖像集；

按照海浪在該影像段中的變化范圍、持續(xù)性周期以及波長(zhǎng)記錄作為參考，對(duì)影像幀的圖像集分別標(biāo)注構(gòu)建數(shù)據(jù)集，并且將構(gòu)建的數(shù)據(jù)集按照比例7:3分為訓(xùn)練集和測(cè)試集；

步驟S12：數(shù)據(jù)增強(qiáng)；

翻轉(zhuǎn)和旋轉(zhuǎn)；

裁剪；

縮放；

步驟S2：模型設(shè)計(jì)；

設(shè)輸入的特征圖F尺寸為(D_F，D_F，M)，采用的標(biāo)準(zhǔn)卷積為(D_K，D_K，M，N)，輸出特征圖尺寸G為(D_G，D_G，N)，標(biāo)準(zhǔn)卷積的計(jì)算公式為：

輸入的通道數(shù)為M，輸出的通道數(shù)為N，對(duì)應(yīng)的計(jì)算量為D_F·D_F·M·N·D_K·D_K，將標(biāo)準(zhǔn)卷積(D_K，D_K，M，N)拆分為深度卷積和逐點(diǎn)卷積：其中，D_F表示輸入特征圖的尺寸，D_K表示卷積的尺寸，D_G表示輸出特征圖的尺寸，D_G表示輸出特征圖的尺寸，K表示卷積，F(xiàn)表示輸入特征圖矩陣，G表示輸出特征圖矩陣，M表示輸入通道數(shù)，N表示輸出通道數(shù)；1表示共享權(quán)重，n表示通道數(shù)，i表示矩陣中卷積核位置，j表示矩陣y維度坐標(biāo)，m表示矩陣中通道坐標(biāo)；

深度卷積的尺寸為(D_K，D_K，1，M)，輸出特征為(D_G，D_G，M)；

逐點(diǎn)卷積的尺寸為(1，1，M，N)，得到最終輸出為(D_G，D_G，N)；

深度卷積的卷積公式為：

其中是深度卷積，卷積核為(D_K，D_K，1，M)，其中第m個(gè)卷積核應(yīng)用在F中第m個(gè)通道上，產(chǎn)生上第m個(gè)通道輸出，深度卷積和逐點(diǎn)卷積計(jì)算量為D_K·D_K·M·D·D_F+M·N·D_F·D_F；其中，D_F表示輸入特征圖的尺寸，D_K表示卷積的尺寸，D_G表示輸出特征圖的尺寸，D_G表示輸出特征圖的尺寸，K表示卷積，F(xiàn)表示輸入特征圖矩陣，G表示輸出特征圖矩陣，M表示輸入通道數(shù)，N表示輸出通道數(shù)；1表示共享權(quán)重，n表示通道數(shù)，i表示矩陣中卷積核位置，j表示矩陣y維度坐標(biāo)，m表示矩陣中通道坐標(biāo)；

計(jì)算量減少了:

步驟S3：模型訓(xùn)練；

模型訓(xùn)練的參數(shù)使用k層交叉檢驗(yàn)的方式對(duì)參數(shù)進(jìn)行確定，將參數(shù)進(jìn)行取值，對(duì)于取定的參數(shù)便將原始數(shù)據(jù)分成K組，將每個(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集，其余的K-1組子集數(shù)據(jù)作為訓(xùn)練集，得到K個(gè)模型；

用這K個(gè)模型最終的驗(yàn)證集的分類準(zhǔn)確率的平均數(shù)作為當(dāng)前參數(shù)分類器的性能指標(biāo)，生成卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型；

步驟S4：模型保存。