[发明专利]基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置

说明书

本发明公开了一种基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置，其中该方法包括：采集复杂河流环境下泥沙颗粒的原始图像；对原始图像进行处理，生成原始图像对应的逆时针旋转90°图像、水平翻转图像、弱形变图像和强形变图像；将原始图像及原始图像对应的逆时针旋转90°图像、水平翻转图像、弱形变图像和强形变图像输入至预先训练好的泥沙颗粒识别模型中，输出原始图像对应的五个泥沙颗粒识别结果，其中，泥沙颗粒识别模型为对U‑net模型进行机器学习训练得到的模型；根据原始图像对应的五个泥沙颗粒识别结果，确定原始图像最终的泥沙颗粒识别结果。本发明能够提高复杂河流环境下泥沙颗粒的识别准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

泥沙颗粒粒径及其空间分布对于河流研究(如水流阻力、河床演变、水生生物栖息地研究等)和河流管理(如河道疏浚、河流修复等)至关重要。然而，对于河流环境泥沙颗粒粒径的测量，尤其对于颗粒级配宽的山区河流，一直以来都十分具有挑战性。最常用的颗粒粒径测量方法为采样筛分法，该方法将样品依次通过不同孔径的筛子，以得到泥沙颗粒的级配信息。这种方法只有在能够获得充足的合格样品时，才能得到比较可靠的泥沙颗粒测量结果。

随着高空间分辨率摄影技术的发展，使得研究者能够有机会通过照片来估计河段泥沙粒径。相比采样筛分方法，基于图像的粒径测量方法能够大大减少泥沙颗粒采样时间，对于野外大尺度泥沙颗粒测量尤其实用。然而，对于基于图像的粒径分析方法的研究一直以来存在着较大挑战。早期的基于图像的粒径分析方法依靠人工进行颗粒识别，十分耗时耗力。近年来，基于图像的粒径测量方法有了一定程度的发展。目前基于图像的颗粒测量方法可以大致分为基于级配估计和基于颗粒识别的粒径测量方法。其中，基于级配估计的粒径测量方法基于对图像像素总体强度和纹理的统计分析来估计泥沙颗粒粒径，主要的基于级配估计的测量方法包括：基于像素值的简单自相关匹配算法，颗粒粒径与图像局部像素强度和半方差的函数映射方法，图像频谱分解方法以及卷积神经网络直接估计粒径方法；基于颗粒识别的粒径测量方法首先使用一系列图像分割算法探测颗粒边界以识别床面每个颗粒个体，进而基于颗粒识别结果计算得到颗粒粒径信息。虽然基于颗粒识别的粒径测量方法，在理论上不能被用于识别比一个像素面积小的颗粒，但其提供颗粒朝向和的空间分布信息，对于理解和研究水流阻力、泥沙输运和水生生物栖息地演变具有重要意义。

基于颗粒识别的粒径测量方法需要复杂的颗粒分割技术，对于图像分割问题，目前最先进的卷积神经网络(Convolutional Neural Networks，CNN)算法为U-Net，该网络模型最初被设计用于解决医学显微图像中的细胞识别问题。从那开始，U-Net被广泛应用解决多种问题。但由于山区河流泥沙颗粒具有宽级配，丰富的岩性以及较多的干扰因素等特点，对于如何将U-Net应用于复杂环境下泥沙颗粒的识别，目前尚未提出有效的解决方案。

发明内容

本发明实施例中提供了一种基于深度学习的复杂河流环境下泥沙颗粒识别方法，用以解决如何将U-Net应用于复杂环境下泥沙颗粒识别的技术问题，该方法包括：采集复杂河流环境下泥沙颗粒的原始图像；对原始图像进行处理，生成原始图像对应的逆时针旋转90°图像、水平翻转图像、弱形变图像和强形变图像；将原始图像及原始图像对应的逆时针旋转90°图像、水平翻转图像、弱形变图像和强形变图像输入至预先训练好的泥沙颗粒识别模型中，输出原始图像对应的五个泥沙颗粒识别结果，其中，泥沙颗粒识别模型为对U-net模型进行机器学习训练得到的模型；根据原始图像对应的五个泥沙颗粒识别结果，确定原始图像最终的泥沙颗粒识别结果。