【技术实现步骤摘要】
本专利技术涉及河道表面水流速度测量方法领域，具体是一种基于深度学习的河道表面水流速度测量方法。
技术介绍
1、水灾的危害已经众所皆知，目前已经有多种基于河道水情的监测方法，传统方法大多需要特定的装置与河水接触，使应用受到限制，也有采用人工智能的方法，如公布号为cn117788879a的中国专利文献公开了一种基于机器视觉的河道表面河水流速测量方法，该方法包括5个步骤：步骤1、获取河道水面多帧图像，每帧图像均包含标识物；步骤2、从步骤1得到的每帧图像中分别确定标识物的几何尺寸，根据标识物的几何尺寸计算得到漂浮物参考距离；步骤3、采用训练好的目标检测网从每帧图像中分别检测识别出各个漂浮物，进而确定每个漂浮物在各帧图像中的坐标；步骤4、计算得到所有漂浮物在当前帧图像的平均流动速度；步骤5、根据所有漂浮物在当前帧图像的平均流动速度，计算得到当前帧图像的水流速度。该方法不需要专用测流速设备与河水接触，即可实现河道表面河水流速的测量。
2、但上述方法并没有对漂浮物进行有效定位，并没有明确以哪些点作为计算的坐标，可能引起较大的误差；该方法流速计算的是两帧之间的速度，可能因为干扰产生大的波动，虽然引入惯性环节在一定程度上减小波动，但其系数难以确定；另外该方法中漂浮物的选取基于整个图像范围，可能因为漂浮物特征不明显降低检测效果。使该方法的精度和实用性受到影响。
技术实现思路
1、本专利技术提供了一种基于深度学习的河道表面水流速度测量方法，以解决现有技术测算河道表面水流速度存在准确度差的问题
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、基于深度学习的河道表面水流速度测量方法，包括以下步骤：
4、步骤1、获取河道视频图像，所述河道视频图像中包含河道中的标识物和漂浮物，所述标识物是已知尺寸的物体，并从视频图像中截取连续多帧的图像；
5、步骤2、采用预训练好的分割模型，从步骤1得到的河道视频图像中分割得到水面区域，然后从水面区域中分割得到有效测速区域，并结合标识物计算所述有效测速区域的实际宽度；
6、步骤3、采用预训练好的目标检测网络，从步骤2得到的有效测速区域中检测识别得到各个漂浮物，并得到各个漂浮物在有效测速区域的坐标；
7、然后，基于每个漂浮物在有效测速区域中的坐标，采用区域入侵方法判断漂浮物是否为有效测速区域中的有效漂浮物；
8、步骤4、基于步骤1截取的连续多帧图像，获取步骤3确定的有效漂浮物首次出现在效测速区域的时间、首次离开有效测速区域的时间；
9、然后，基于步骤2得到的有效测试区域的实际宽度，以及有效漂浮物首次出现在效测速区域的时间、首次离开有效测速区域的时间，采用多目标分段加权方法，加权计算得到河道表面水流速度。
10、进一步的，步骤2中的分割模型为yolov8n网络模型，通过预训练使yolov8n网络模型具备从河道视频图像中提取水面图像特征的能力，由此通过yolov8n网络模型从河道视频图像中分割出水面区域。
11、进一步的，步骤2中，得到水面区域后，将水面区域上下左右各截去1/3留下中心部分，作为有效测速区域。
12、进一步的，步骤2中，根据标识物在有效测试区域中的像素点宽度、标识物的实际宽度，以及有效测速区域在河道视频图像中的像素宽度，计算得到有效测速区域的实际宽度。
13、进一步的，步骤3中，目标检测网络为yolov8检测器检测器，通过预训练使yolov8检测器具备从河道视频图像中的有效测速区域中检测识别漂浮物的能力。
14、进一步的，步骤3中，基于目标检测网络中检测得到的每个漂浮物的锚框坐标，计算得到每个漂浮物在有效测速区域中的中心坐标，然后基于中心坐标采用区域入侵方法判断每个漂浮物是否为有效测速区域中的有效漂浮物。
15、进一步的，步骤4中对于连续多帧图像，若有效漂浮物在两帧相邻图像中的上一帧图像中未出现在有效测速区域内、在下一帧图像中出现在有效测速区域内，则记录这两帧相邻图像的时间差作为有效漂浮物首次出现在效测速区域的时间；
16、若有效漂浮物在两帧相邻图像中的上一帧图像中出现在有效测速区域内、在相邻下一帧图像中不在有效测速区域内，则记录这相邻两帧图像的时间差作为首次离开有效测速区域的时间。
17、进一步的，步骤4中，多目标分段加权方法计算公式如下：
18、
19、其中：n为有效测速区域内有效漂浮物的数量，d为有效测速区域的实际宽度，tmi为有效漂浮物m首次出现在有效测速区域内的时间，tmo为有效漂浮物m首次离开有效测速区域的时间。
20、与现有技术相比，本专利技术优点为：
21、本专利技术采用计算机视觉和深度学习算法，提出了一种基于深度学习的河道表面水流速度测量改进方法，不需要专用测流速设备与河水接触，利用常见的摄像头结合河道中常见的标识物，经过河道标识物识别、水面区域分割与有效测速区域选定、多目标分段加权流速计算等步骤实现河道表面河水流速的测量，提高了现有计算河道表面水流速算法的准确度，具有成本低，容易实现，速度快且准确度相对较高等优势，具有很高的应用价值。
本文档来自技高网...【技术保护点】
1.基于深度学习的河道表面水流速度测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的河道表面水流速度测量方法，其特征在于，步骤2中的分割模型为YOLOV8n网络模型，通过预训练使YOLOV8n网络模型具备从河道视频图像中提取水面图像特征的能力，由此通过YOLOV8n网络模型从河道视频图像中分割出水面区域。
3.根据权利要求1所述的基于深度学习的河道表面水流速度测量方法，其特征在于，步骤2中，得到水面区域后，将水面区域上下左右各截去1/3留下中心部分，作为有效测速区域。
4.根据权利要求1所述的基于深度学习的河道表面水流速度测量方法，其特征在于，步骤2中，根据标识物在有效测试区域中的像素点宽度、标识物的实际宽度，以及有效测速区域在河道视频图像中的像素宽度，计算得到有效测速区域的实际宽度。
5.根据权利要求1所述的基于深度学习的河道表面水流速度测量方法，其特征在于，步骤3中，目标检测网络为YOLOv8检测器检测器，通过预训练使YOLOv8检测器具备从河道视频图像中的有效测速区域中检测识别漂浮物的能力。
<...【技术特征摘要】
1.基于深度学习的河道表面水流速度测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的河道表面水流速度测量方法，其特征在于，步骤2中的分割模型为yolov8n网络模型，通过预训练使yolov8n网络模型具备从河道视频图像中提取水面图像特征的能力，由此通过yolov8n网络模型从河道视频图像中分割出水面区域。
3.根据权利要求1所述的基于深度学习的河道表面水流速度测量方法，其特征在于，步骤2中，得到水面区域后，将水面区域上下左右各截去1/3留下中心部分，作为有效测速区域。
4.根据权利要求1所述的基于深度学习的河道表面水流速度测量方法，其特征在于，步骤2中，根据标识物在有效测试区域中的像素点宽度、标识物的实际宽度，以及有效测速区域在河道视频图像中的像素宽度，计算得到有效测速区域的实际宽度。
5.根据权利要求1所述的基于深度学习的河道表面水流速度测量方法，其特征在...
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。