本发明涉及图像处理和流体动力学领域,具体涉及一种基于图像识别的水流流速识别方法及相关产品。
背景技术:
1、水流流速的准确测量对于水利工程、环境监测和灾害预防等领域至关重要。传统的流速测量方法通常依赖于接触式测量工具,如流速仪、浮标等。这些方法不仅安装维护成本高,而且在恶劣的环境条件下可能无法正常工作。
2、随着图像处理技术的发展,基于图像的流速测量方法逐渐受到关注。这类方法利用视频或图像数据分析水流特征,实现非接触式的流速测量。然而,现有的图像识别技术在处理复杂水质和多变流速条件下的准确性和稳定性仍有待提高。
3、因此,开发一种新的基于图像识别的水流流速识别方法,能够在不同水质和流速条件下提供准确、稳定的流速测量,对于水文学、环境监测和水利工程等领域具有重要意义。
技术实现思路
1、本发明为了解决上述技术问题,提供一种基于图像识别的水流流速识别方法及相关产品,实现了对水流流速的非接触式测量。
2、本发明通过下述技术方案实现:
3、一种基于图像识别的水流流速识别方法,包括:
4、获取不同水质在不同流速下的视频样本,将视频样本中的帧图像作为样本图片;
5、对样本图片进行nsst处理,并划分为训练样本和测试样本;
6、通过cnn神经网络对训练样本和测试样本进行特征提取,获得图像特征;
7、通过lbp-top算法对训练样本和测试样本进行处理,提取时频动态特征;
8、将图像特征和时频动态特征进行特征融合,获得融合特征;
9、构建核随机权神经网络模型,并通过融合特征进行训练,获得水流流速识别模型;
10、获取待识别水域的水流实时视频,并对水流实时视频进行处理后获得识别用的融合特征后,将其输入至水流流速识别模型,获得当前水域的水流流速。
11、可选地,对样本图片进行nsst处理的方法包括:
12、通过非下采样金字塔滤波器组对样本图片进行多尺度分解,获得个低频图像和层高频子带图像;
13、通过剪切波滤波器对高频子带图像进行级多方向分解,获得个多方向子带;多方向子带的大小与样本图片的大小相同。
14、可选地,提取时频动态特征的方法包括:
15、按照时空关系将视频的序列立体化正交分割为平面、平面、平面;
16、对平面、平面、平面分别设置半径和领域点;
17、确定中心像素并获得中心像素在三个平面上的lbp值,生成中心像素在每个平面上的特征向量,并对特征向量进行标准化;
18、计算类内散度矩阵,,其中,为类别的均值向量,为类别的特征向量集合,为类别的总数;
19、计算类间散度矩阵,,其中,为所有特征向量的总均值向量,为类别的特征向量数;
20、求解类间散度矩阵与类内散度矩阵的特征值和特征向量,,并选择最大的特征值对应的最佳判别特征向量;
21、将原始的特征向量投影至最佳判别特征向量,获得时频动态特征。
22、具体地,获得水流流速识别模型的方法包括:
23、构建随机权神经网络模型,并定义损失函数;
24、利用双隐层自编码随机权神经网络计算隐含层输出矩阵;
25、获得权重矩阵,其中,为目标值矩阵,为单位矩阵,为惩罚参数;
26、选择rbf核函数作为核随机权神经网络模型的核函数,并向随机权神经网络模型引入核矩阵,构建核随机权神经网络模型,其中,为隐含层对输入的输出,为隐含层对输入的输出;
27、基于核函数和核矩阵更新目标值矩阵和权重矩阵;
28、确定隐含层输出和更新后的权重矩阵,获得核随机权神经网络模型的输出。
29、可选地,损失函数为:,其中为训练误差,为拉格朗日乘子,为训练样本总数,为输出类别的数量,为隐含层对输入的输出,为目标值矩阵中样本在类别的真实标签,为样本在类别的的训练误差,为第类别在权重矩阵中对应的权重值,为样本在类别的拉格朗日乘子。
30、可选地,隐含层输出矩阵的计算方法包括:
31、通过构建双隐层自编码随机权神经网络代替随机权神经网络模型的第一隐层、第二隐层;
32、随机生成第一隐层节点的输入权重向量和偏置;随机生成第二隐层节点的输入权重向量和偏置;
33、输入、、计算第一隐层的输出矩阵;
34、通过第一隐层的输出矩阵、、计算第二隐层输出矩阵;
35、自编码器将作为输入值计算,计算自编码器的输出权重矩阵,其中为自编码器的层数;
36、计算每个隐含节点输出矩阵;
37、将最后一个隐含层的输出矩阵作为隐含层输出矩阵。
38、可选地,基于核函数更新目标值矩阵的公式为:,,其中,,,为核函数的宽度参数;
39、更新权重矩阵的方法为,将更新后的目标值矩阵代入,获得更新后的权重矩阵。
40、一种基于图像识别的水流流速识别系统,包括:
41、无人机及其飞控系统;
42、高清视频拍摄装置,其安装在所述无人机上;
43、无线通信组件,其安装在所述无人机上,且所述高清视频拍摄装置通过所述无线通信组件与主控机通信;
44、所述主控机包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的一种基于图像识别的水流流速识别方法。
45、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的一种基于图像识别的水流流速识别方法。
46、一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现如上所述的一种基于图像识别的水流流速识别方法。
47、本发明与现有技术相比,具有如下的优点和有益效果:
48、本发明通过收集不同水质和流速下的视频样本,使用nsst(非下采样金字塔滤波器组)对样本图片进行多尺度分解和多方向子带处理,提高了图像的特征提取能力,结合cnn(卷积神经网络)和lbp-top(局部二值模式-时空关系)算法,能够有效提取图像和时频动态特征,再通过特征融合和核随机权神经网络模型的建立,实现对水流流速的高精度识别。
49、本发明通过结合nsst处理和cnn特征提取,能够更有效地捕捉水流图像的细节和特征,在复杂水质和多变流速的条件下提高水流流速识别的准确性。
50、利用lbp-top算法处理视频样本,提取水流的动态变化特征,有助于提高系统对流速变化的敏感度和响应能力。
51、与传统的接触式流速测量方法相比,本发明提供的为非接触式的测量方式,避免了传统方法中的设备损耗、维护成本和在恶劣环境下的使用限制。
1.一种基于图像识别的水流流速识别方法,其特征在于,包括:
2.根据权利要求1所述的一种基于图像识别的水流流速识别方法,其特征在于,对样本图片进行nsst处理的方法包括:
3.根据权利要求2所述的一种基于图像识别的水流流速识别方法,其特征在于,提取时频动态特征的方法包括:
4.根据权利要求2所述的一种基于图像识别的水流流速识别方法,其特征在于,获得水流流速识别模型的方法包括:
5.根据权利要求4所述的一种基于图像识别的水流流速识别方法,其特征在于,损失函数为:,其中为训练误差,为拉格朗日乘子,为训练样本总数,为输出类别的数量,为隐含层对输入的输出,为目标值矩阵中样本在类别的真实标签,为样本在类别的的训练误差,为第类别在权重矩阵中对应的权重值,为样本在类别的拉格朗日乘子。
6.根据权利要求4所述的一种基于图像识别的水流流速识别方法,其特征在于,隐含层输出矩阵的计算方法包括:
7.根据权利要求4所述的一种基于图像识别的水流流速识别方法,其特征在于,基于核函数更新目标值矩阵的公式为:,,其中,,,为核函数的宽度参数;
8.一种基于图像识别的水流流速识别系统,其特征在于,包括:
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于图像识别的水流流速识别方法。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1-7中任意一项所述的一种基于图像识别的水流流速识别方法。