本申请涉及水利测量技术领域，特别涉及一种河工动床模型试验水边界测量方法、装置、设备及介质，其中，方法包括：获取待测量水边界图像；基于预先训练的河工动床模型试验水边界识别网络，识别待测量水边界图像得到待测量水边界的像素坐标，其中，河工动床模型试验水边界识别网络由目标水边界样本训练目标DeepLabV3+网络模型得到；以及根据水边界的像素坐标生成待测量水边界的可视化图像，且根据预设的成像分辨率和预设的点平面世界坐标，将像素坐标转换为世界坐标。由此，解决了相关技术中的水边界测量方法耗时长，投入人力大的问题，适用于长距离大范围的河工动床模型试验水边界识别，实现河工动床模型全景水边界可视化，增强了在线监控和分析能力。了在线监控和分析能力。了在线监控和分析能力。
【技术实现步骤摘要】
河工动床模型试验水边界测量方法、装置、设备及介质
[0001]本申请涉及水利测量
，特别涉及一种河工动床模型试验水边界测量方法、装置、设备及介质。
技术介绍
[0002]河工动床模型试验是研究河床演变机理和验证河流工程设计可行性的重要手段，在试验中需要对模型的水面流场分布、断面流速分布、断面地形、水位和水边界等要素进行测量。其中，水边界的动态变化反映了河床演变的趋势，例如河道展宽、洲滩消长和蜿蜒变化等典型特征；同时，水边界是水面流场分布和断面流速分布测量的必要数据，反映了流场边界、断面位置和河宽等信息。因此，准确高效地识别水边界是开展河工动床模型试验研究的关键技术。
[0003]相关技术中的河工动床模型试验水边界的提取方法主要包括人工测量方法、自动化测车采集方法和基于正射图像的人工拾取方法。其中，(1)人工测量方法一般沿控制断面测量水边界端点距离控制点的距离和高差，从而确定其坐标；(2)自动化测车采集方法首先在模型两侧搭建导轨，导轨上安装测桥，测桥上搭载装有传感器的测车，通过计算机控制测车移动和测量；(3)基于正射图像的人工拾取方法采用摄像机俯视采集试验照片，由于试验水流清澈，传统的图像分割算法难以精准提取水边界，实践中一般由技术人员从图像中拾取水边界。
[0004]然而，相关技术存在以下缺陷：(1)人工测量方法和自动化测车采集方法局限于特定控制断面，不适用于大范围水边界测量；(2)基于正射图像的人工拾取方法，适用于单摄像头局部范围提取水边界动态变化过程，但随着河床边界变化剧烈、模型尺寸增大、相机部署增多和图像数量增加，需要投入巨大的人力和时间成本。
技术实现思路
[0005]本申请提供一种河工动床模型试验水边界测量方法、装置、设备及介质，以解决了相关技术中的水边界测量方法耗时长，投入人力大的问题，适用于长距离大范围的河工动床模型试验水边界识别，实现河工动床模型全景水边界可视化，极大增强了河工动床模型试验的在线监控和分析能力。
[0006]本申请第一方面实施例提供一种河工动床模型试验水边界测量方法，包括以下步骤：获取待测量水边界图像；基于预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标，其中，所述河工动床模型试验水边界识别网络由目标水边界样本训练目标DeepLabV3+网络模型得到；以及根据所述水边界的像素坐标生成所述待测量水边界的可视化图像，且根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标。
[0007]可选地，在一些实施例中，在基于所述预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标之前，还包括：采集水
边界样本图像，并基于所述水边界样本图像制作通用水边界样本数据集；采集河工动床模型试验图像，并基于所述河工动床模型试验图像制作河工动床模型试验水边界样本数据集；搭建所述目标DeepLabV3+网络模型，并基于所述通用水边界样本数据集和所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，得到所述预先训练的河工动床模型试验水边界识别网络。
[0008]可选地，在一些实施例中，所述基于所述通用水边界样本数据集和所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，得到所述预先训练的河工动床模型试验水边界识别网络，包括：基于预设的轻量级深度卷积神经网络预训练权重，采用预设的冻结训练方法，利用所述通用水边界样本数据集对所述目标DeepLabV3+网络模型进行训练、评估和修正，直至达到第一预设预测精度阈值，得到通用型水边界识别权值文件；基于所述目标DeepLabV3+网络模型和所述通用型水边界识别权值文件，并采用所述预设的冻结训练方法，利用所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，直至达到第二预设预测精度阈值，得到所述预先训练的河工动床模型试验水边界识别网络。
[0009]可选地，在一些实施例中，所述搭建所述目标DeepLabV3+网络模型，包括：基于所述预设的轻量级深度卷积神经网络提取目标输入图像的高级语义特征和低级语义特征；将所述高级语义特征输入预设的空洞金字塔池化模块提取图像多尺度信息，并将所述图像多尺度信息分别与多个空洞卷积层和池化层进行卷积和池化，堆叠输出多张特征图，并对所述多张特征图通过1
×
1卷积进行通道数降维，得到有效特征层；将所述低级语义特征经过所述1
×
1卷积进行通道数降维，并将降维后的所述低级语义特征和所述有效特征层双线性插值上采样结果进行堆叠，并在堆叠结果上进行3
×
3卷积细化后，再双线性插值上采样处理，得到与所述目标输入图像尺寸相等的图像。
[0010]可选地，在一些实施例中，所述基于所述水边界样本图像制作通用水边界样本数据集，包括：利用图像标注工具对所述水边界样本图像进行标注，得到水边界标注样本图像；基于预设的增广策略，利用预设的transforms函数对所述水边界标注样本图像进行增广处理，得到所述通用水边界样本数据集。
[0011]可选地，在一些实施例中，所述采集河工动床模型试验图像，并基于所述河工动床模型试验图像制作河工动床模型试验水边界样本数据集，包括：获取河工动床模型试验图像，并对所述河工动床模型试验图像进行畸变校正，并基于编码标识物空间坐标和二维像素坐标计算投影变换矩阵，并基于投影变换矩阵对所述单目影像进行正射校正，并拼接为全景正射影像；选取预设模拟工况下的目标全景正射影像，对所述目标全景正射影像进行标注，并基于预设的裁剪策略和增广策略，对所述目标全景正射影像和标注后的所述目标全景正射影像进行处理，得到所述河工动床模型试验水边界样本数据集。
[0012]可选地，在一些实施例中，所述根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标，包括：基于预设的线性转换公式，根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标，其中，所述预设的线性转换公式为：
[0013]X＝x
·
Res+X
ul
；
[0014]Y＝
‑
y
·
Res+Y
ul
；
[0015]其中，(X,Y)为世界坐标，(x,y)为像素坐标，(X
ul
,Y
ul
)为左上角点平面世界坐标，Res为成像分辨率。
[0016]本申请第二方面实施例提供一种河工动床模型试验水边界测量装置，包括：获取模块，用于获取待测量水边界图像；识别模块，用于基于预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标，其中，所述河工动床模型试验水边界识别网络由目标水边界样本训练目标DeepLabV3+网络模型得到；以及生成模块，用于根据所述水边界的像素坐标生成所述待测量水边界的可视化图像，且根据预设本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种河工动床模型试验水边界测量方法，其特征在于，包括以下步骤：获取待测量水边界图像；基于预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标，其中，所述河工动床模型试验水边界识别网络由目标水边界样本训练目标DeepLabV3+网络模型得到；以及根据所述水边界的像素坐标生成所述待测量水边界的可视化图像，且根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标。2.根据权利要求1所述的方法，其特征在于，在基于所述预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标之前，还包括：采集水边界样本图像，并基于所述水边界样本图像制作通用水边界样本数据集；采集河工动床模型试验图像，并基于所述河工动床模型试验图像制作河工动床模型试验水边界样本数据集；搭建所述目标DeepLabV3+网络模型，并基于所述通用水边界样本数据集和所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，得到所述预先训练的河工动床模型试验水边界识别网络。3.根据权利要求2所述的方法，其特征在于，所述基于所述通用水边界样本数据集和所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，得到所述预先训练的河工动床模型试验水边界识别网络，包括：基于预设的轻量级深度卷积神经网络预训练权重，采用预设的冻结训练方法，利用所述通用水边界样本数据集对所述目标DeepLabV3+网络模型进行训练、评估和修正，直至达到第一预设预测精度阈值，得到通用型水边界识别权值文件；基于所述目标DeepLabV3+网络模型和所述通用型水边界识别权值文件，并采用所述预设的冻结训练方法，利用所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，直至达到第二预设预测精度阈值，得到所述预先训练的河工动床模型试验水边界识别网络。4.根据权利要求2所述的方法，其特征在于，所述搭建所述目标DeepLabV3+网络模型，包括：基于所述预设的轻量级深度卷积神经网络提取目标输入图像的高级语义特征和低级语义特征；将所述高级语义特征输入预设的空洞金字塔池化模块提取图像多尺度信息，并将所述图像多尺度信息分别与多个空洞卷积层和池化层进行卷积和池化，堆叠输出多张特征图，并对所述多张特征图通过1
×
1卷积进行通道数降维，得到有效特征层；将所述低级语义特征经过所述1
×
1卷积进行通道数降维，并将降维后的所述低级语义特征和所述有效特征层双线性插值上采样结果进行堆叠，并在堆叠结果上进行3
×
3卷积细化后，再双线性插值上采样处理，得到与所述目标输入图像尺寸相等的图像。5.根据权利要求...
【专利技术属性】
技术研发人员：曹列凯，李丹勋，覃超，郭小虎，
申请(专利权)人：清华大学，
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。