【技术实现步骤摘要】
本专利技术涉及水文测流，具体涉及一种不同光照条件下的泥沙含量非接触式测量方法和系统。
技术介绍
1、河流的泥沙含量在水利水电工程中具有重要影响。首先，泥沙的堆积会导致河道淤积，轻微时，影响水质和生态环境，对水生生物造成危害；严重时，可能会造成洪水和泥石流等自然灾害的发生，对人们的生命财产造成巨大损失。其次，泥沙含量的增加会导致水电站水轮机转轮的磨损加剧，闸门及启闭机门槽的侵蚀加剧，从而直接影响水利水电设施的长期运行。因此，实时、在线监测河流的泥沙含量，及时对危险情况进行预警，具有重要意义。
2、目前，传统的河流泥沙含量测量方法主要依赖河水取样。然而，这种方法耗时较长，并且在高流速情况(如洪水期)取样困难，因此难以实现长期实时监测，这可能导致在突发情况下(如洪水、泥石流)的安全风险。
技术实现思路
1、本专利技术的目的在于提出一种改进的深度学习非接触式泥沙含量测量方法，首先经过中值滤波对图像进行去噪，然后通过larr-altm算法对光照情况进行处理，在一定程度上缓解光照异常对模型的影响，最后建立双流注意力机制的多尺度非对称网络提取水面图像特征，实现对不同光照下的河流泥沙含量的精准识别。
2、本专利技术需要解决的技术问题为：
3、(1)如何实现非接触的形式，实现连续实时河流泥沙含量测量。
4、(2)如何避免不同时间段光照造成的图像的过曝，过暗，反光等现象造成的泥沙含量识别异常。
5、本专利技术采用的技术方案为：1.一种不同光照
6、s1，数据采集：在河流岸边固定摄像机采集河面视频数据，并用传感器获取相关的真实泥沙数据作为标签；
7、s2，图像预处理：对视频进行等间隔抽帧，将视频数据转换为图像数据，对河流表面的图像数据进行中值滤波；
8、s3，利用基于位置感知的深度学习反光去除方法进行河流表面反光去除；
9、s4，基于全局自适应和局部自适应的高动态范围亮度调节；
10、s5，将经过步骤s1-s4处理后的图像划分为训练集和测试集；
11、s6，构建双流注意力机制的多尺度非对称网络，建立图像和泥沙含量之间的映射关系，并利用训练集对构建的网络进行训练；
12、s7，将训练好的网络模型部署到实际场景中，通过摄像头采集视频流数据，实时输入模型进行预测，得到实时监测河流中泥沙含量变化。
13、进一步的，步骤s3的具体实现分为两个阶段，在每次迭代时，以原始图像i和上一次迭代中预测的传输层为输入，并预测当前传输层按照顺序恢复两层，原始图像i即为步骤s2预处理后的图像，i表示传输层的个数；
14、s3.1，第一阶段：通过将i和作为输入来预测反射层和置信度图将第一阶段表示为函数gr，描述为：
15、
16、本阶段包括两个模块：反射检测模块rdm和透射特征抑制模块tsm；具体而言，rdm将i和作为输入，并使用来自多尺度拉普拉斯子模块mlsm的特征来预测置信度图接下来，tsm模块的输出特征与之间的逐元素乘法来抑制透射主导区域内的拉普拉斯特征，得到抑制特征；之后，抑制特征和图像特征合并作为lstm块的输入得到其中图像特征是由预处理后的图像经过卷积处理之后得到；其中，和用作线索，以促进传输层的重建；
17、其中rdm由一层多尺度拉普拉斯子模块，三层se-residual block和一层conv-sigmoid组成，tsm由三层se-residual block组成；
18、s3.2，第二阶段：利用i，以及在第一阶段中计算的作为输入来预测传输层将第二阶段表示为函数gt，描述为：
19、
20、在这个阶段，使用逆置信度映射，即采用上下文自动编码器结构，并且通过卷积层conv和激活函数relu之后的通道空间注意力模块cbam来计算通道和空间注意力，实现传输层的重构；
21、s3.3，多尺度拉普拉斯特征：将原始图像i和上一次迭代中预测的传输层形成输入以获得多尺度拉普拉斯特征。
22、进一步的，步骤s4中全局的自适应的具体实现方式如下；
23、先求出原始水面图像的像素点的对数平均亮度值与亮度最大值，以对数函数的形式压缩图像的动态范围，提高水面图像的对比度；
24、
25、其中x,y是以右上角为原点的图像像素坐标，lg(x,y)是全局自适应输出，lw(x,y)是输入世界亮度值，lwmax表示输入世界亮度值的最大亮度值，是对数平均亮度，公式如下：
26、
27、其中n是水面图像中的像素总数，并且δ是最小值，为常数，以避免在图像中存在黑色像素的情况下发生的奇异性。
28、进一步的，步骤s4中局部自适应的具体实现方式如下；
29、局部适应是基于retinex理论，在全局适应过程之后的应用，公式如下：
30、ri(x,y)＝logii(x,y)-log(f(x,y)*ii(x,y)) (5)
31、在公式(5)中，输入图像ii(x,y)的输出ri(x,y)位于明亮的像素值附近，f(x,y)是高斯环绕函数，通过引入边缘保持滤波器减少伪影，局部自适应方程写成：
32、ll(x,y)＝loglg(x,y)-loghg(x,y) (6)
33、式中，ll(x,y)表示局部自适应输出，hg(x,y)为应用于lg(x,y)的引导滤波器的输出。
34、进一步的，步骤s6中双流注意力机制的多尺度非对称网络包括多尺度特征增强分支msem和非对称卷积分支am，其中msem分支包括多个多尺度特征增强模块、通道注意力机制和空间注意力机制，多尺度特征增强模块中的特征提取单元为特征金字塔结构，输入图像经过特征提取单元获得不同尺度的特征图，然后将多个多尺度特征增强模块中同一尺度的特征图逐个相加，得到最终的多尺度特征后，再对不同尺度的特征图进行上采样操作使得特征图具有相同的大小，最后级联得到多个多尺度特征增强模块最终的输出特征图，
35、分支am包括多个非对称卷积、通道注意力机制和空间注意力机制，非对称卷积通过在标准方形卷积的基础上添加水平和垂直的非对称卷积核得到，具体处理过程为：输入图像分别经过3×3卷积核、1×3卷积核和3×1卷积核3个不同形状的卷积处理，提取不同区域特征；
36、两个分支中的通道注意力机制和空间注意力机制，分别用于给提取的两种特征图赋予权重，让其更加关注图像中影响泥沙含量的特征信息，最后对两个分支的输出进行通道上的拼接，采用全连接层，以sigmoid激活函数输出预测的泥沙含量。
37、进一步的，根据估计值和真实值，采用mse误差作为损失函数训练网络模型；
38、
39、式中，yi为真实泥沙值，为预测的泥沙值，n表示样本的个数。
40、进一步的，网络训练本文档来自技高网...
【技术保护点】
1.一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：步骤S3的具体实现分为两个阶段，在每次迭代时，以原始图像I和上一次迭代中预测的传输层为输入，并预测当前传输层按照顺序恢复两层，原始图像I即为步骤S2预处理后的图像，i表示传输层的个数；
3.如权利要求1所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：步骤S4中全局的自适应的具体实现方式如下；
4.如权利要求3所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：步骤S4中局部自适应的具体实现方式如下；
5.如权利要求1所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：步骤S6中双流注意力机制的多尺度非对称网络包括多尺度特征增强分支MSEM和非对称卷积分支AM，其中MSEM分支包括多个多尺度特征增强模块、通道注意力机制和空间注意力机制，多尺度特征增强模块中的特征提取单元为特征金字塔结构，输入图像经过特征提取单元获得不同尺度的特征图，然后将多
6.如权利要求1所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：根据估计值和真实值，采用MSE误差作为损失函数训练网络模型；
7.如权利要求1所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：网络训练的过程如下；
8.如权利要求5所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：多尺度特征增强模块中的特征提取单元采用可分离的卷积构建。
9.一种不同光照条件下的泥沙含量非接触式测量系统，其特征在于，包括如下模块：
...【技术特征摘要】
1.一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：步骤s3的具体实现分为两个阶段，在每次迭代时，以原始图像i和上一次迭代中预测的传输层为输入，并预测当前传输层按照顺序恢复两层，原始图像i即为步骤s2预处理后的图像，i表示传输层的个数；
3.如权利要求1所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：步骤s4中全局的自适应的具体实现方式如下；
4.如权利要求3所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：步骤s4中局部自适应的具体实现方式如下；
5.如权利要求1所述的一种不同光照条件下的泥沙含量非接触式测量方法，其特征在于：步骤s6中双流注意力机制的多尺度非对称网络包括多尺度特征增强分支msem和非对称卷积分支am，其中msem分支包括多个多尺度特...
【专利技术属性】
技术研发人员：陈智梁，魏苗，罗杰，刘炳义，刘维高，陈华，王娟，赵石磊，王宗仁，马仲坤，
申请(专利权)人：国家能源集团新疆吉林台水电开发有限公司，
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。