一种蓝藻水华监测方法及该方法的监测预警系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115115940A(43)申请公布日2022.09.27(21)申请号202211044105.8G06V10/774(2022.01)(22)申请日2022.08.30G06V10/82(2022.01)G06V20/17(2022.01)(71)申请人中水三立数据技术股份有限公司地址230000安徽省合肥市蜀山区蜀山新产业园稻香路1号(72)发明人常仁凯白翠洪程谦尹小文徐基斌谢飞翔(74)专利代理机构合肥律众知识产权代理有限公司34147专利代理师赵娟(51)Int.Cl.G06V20/10(2022.01)G06N3/04(2006.01)G06V10/44(2022.01)G06V10/764(2022.01)权利要求书2页说明书6页附图6页(54)发明名称一种蓝藻水华监测方法及该方法的监测预警系统(57)摘要本发明公开了一种蓝藻水华监测方法及该方法的监测预警系统，基于改进型SSD网络的蓝藻水华识别模型对蓝藻水华监测图像进行识别；所述改进型SSD网络在传统SSD网络基础上引入BasicRFB网络，能够有效保留蓝藻原图上细节特征，提高蓝藻的检测精度。CN115115940ACN115115940A权利要求书1/2页1.一种蓝藻水华监测方法，其特征在于，基于改进型SSD网络的蓝藻水华识别模型对蓝藻水华监测图像进行识别，所述改进型SSD网络主要由多尺度特征提取网络和六个用于识别不同尺度特征图的目标检测分类网络构成；多尺度特征提取网络依次由VGG网络、步长为1的BasicRFB网络Ⅰ、步长为2的BasicRFB网络Ⅱ、步长为2的BasicRFB网络Ⅲ、二维卷积层、卷积层Ⅰ、卷积层Ⅱ构成；第一尺度的目标检测分类网络的输入特征图由VGG网络的Conv4_3层输出的特征图经归一化层处理后得到；第二尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅰ输出的特征图；第三尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅱ输出的特征图；第四尺度的目标检测分类网络的输入特征图取自BasicRFB网络Ⅲ输出的特征图；第五尺度的目标检测分类网络的输入特征图取自卷积层Ⅰ输出的特征图；第六尺度的目标检测分类网络的输入特征图取自卷积层Ⅱ输出的特征图。2.根据权利要求1所述的蓝藻水华监测方法，其特征在于，蓝藻水华识别模型构建过程包括以下步骤：步骤A1，采集大量不同自然条件下湖泊水面不同面积、厚度蓝藻水华的图像样本；步骤A2，对采集到的图像样本进行增强处理以及扩增处理；步骤A3，对扩增处理后的图像样本进行人工标注，标注出蓝藻在图像中的位置；步骤A4，将完成标注的图像样本分成训练集和验证集；步骤A5，利用训练集对所述改进型SSD网络进行训练，并用验证集对训练结果进行验证，直至得到实现预期识别效果的蓝藻水华识别模型。3.根据权利要求2所述的蓝藻水华监测方法，其特征在于，该蓝藻水华监测方法具体包括以下步骤：步骤B1，通过无人机巡航，采集湖泊水面图像；步骤B2，对采集到的图像进行增强处理；步骤B3，将增强后的图像输入蓝藻水华识别模型，得到检测结果。4.根据权利要求3所述的蓝藻水华监测方法，其特征在于，所述步骤B3中，蓝藻水华识别模型对增强后的图像进行蓝藻水华识别包括如下操作：300×300的三通道图像经过VGG网络，由该网络的Conv4_3层输出38×38×512的特征图，再通过第一尺度的目标检测分类网络针对这些特征图进行每个网格点上默认4个先验框的分类以及回归预测，得到38×38×4=5776个先验框；38×38×512的特征图继续经过VGG网络的FC7层，被压缩成19×19×1024的特征图，再经过BasicRFB网络Ⅰ，然后通过第二尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测，得到19×19×6=2166个先验框；19×19×1024的特征图经过BasicRFB网络Ⅱ进一步压缩成10×10×512的特征图，再通过第三尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测，得到10×10×6=600个先验框；10×10×512的特征图再次经过BasicRFB网络Ⅲ进一步压缩成5×5×256的特征图，再通过第四尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为6个先验框的分类与回归预测，得到5×5×6=150个先验框；2CN115115940A权利要求书2/2页5×5×256的特征图经过二维卷积层进一步压缩成5×5×128的特征图，再经过卷积层Ⅰ进一步压缩成3×3×256的特征图，再通过第五尺度的目标检测分类网络针对这些特征图进行每个网格点上默认为4个先验框的分类与回归预测，得到3×3×4=36个先验框