申请/专利权人：浙江树人学院(浙江树人大学)

申请日：2020-02-28

公开（公告）日：2024-02-27

公开（公告）号：CN111414807B

主分类号：G06V20/13

分类号：G06V20/13;G06F16/951;G06V10/56;G06T5/73;G06V10/20;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.02.27#授权;2020.08.07#实质审查的生效;2020.07.14#公开

摘要：本发明公开一种基于YOLO技术的潮水识别与危机预警方法，该方法通过缩放、旋转、平移、对称等方面的数据增强操作建立潮水数据集，利用滤波提取出大气折射率，对图像进行色彩平衡操作，选取大气光成分A。利用暗通道去雾，对图像进行去雾，并且对图像进行白平衡操作，从而获得较清晰的图像。对处理后的图像，采用YOLO网络进行训练，获得潮水识别模型。根据模型，对输入的图像进行识别，并计算潮水的位置和高度，到设备的距离和时间，当发生危险时可以及时发出预警。本发明是目前对潮水识别和危机预警方面的有益补充，可自动监测潮水的状态，弥补人工巡逻的不足，降低因涌潮引起的人员死亡率和避免家庭悲剧的发生。

主权项：1.一种基于YOLO技术的潮水识别与危机预警方法，其特征在于：内容包括：步骤1：采用爬虫技术爬取现有图片库中的潮水图像，对图像进行数据增强处理，获得不同类型潮水形态的若干图片，共同构建成潮水训练集；步骤2：判断网络模型当前所处状态：若当前为训练状态，则加载潮水训练集中的潮水图像数据；若当前为识别状态，则读取摄像头采集的潮水图像数据；步骤3：将图像从RGB颜色空间转到LAB颜色空间，然后进行伽马校正后转回RGB颜色空间，获得经过白平衡处理后的图像；步骤4：从高到低排序图像的暗原色值，选取排序为第0.1％个的原像素的最大值作为大气光成分A；步骤5：引入暗通道模型和雾模型，对雾模型进行滤波处理，计算大气折射率；步骤6：根据计算的大气光成分A和大气折射率，利用暗通道模型对图像进行去雾，得到去雾后的图像；步骤7：将去雾后图像归一化，并送入YOLO卷积网络；步骤8：判断当前模型所处状态，如果当前状态是识别状态，则跳到步骤12；若当前状态为训练状态，则判断图像是否处理完成：如果每一个图像都处理完，则跳到步骤9；若仍存在未处理完的，则读取训练集中下一个图像，跳到步骤2；步骤9：通过YOLO的网络卷积层，计算卷积神经网络中的三层卷积层的每一层输出特征值，将所有的特征值组成卷积神经网络中卷积层的输出特征值矩阵；步骤10：计算输出预测值，计算表达预测值与真实情况之间差距程度的损失函数值，并比较损失函数值与所设定阈值的大小：若损失函数值小于阈值，则模型训练完成，获得训练好的网络模型以及网络模型的权重参数，并令当前状态为识别状态，执行步骤2；若损失函数值大于阈值，则执行步骤11；步骤11：利用损失函数值进行反向传播，更新网络偏置项参数和权重矩阵，跳到步骤10；步骤12：调用之前输出的权重文件加载网络模型，送入YOLO的网络卷积层，提取图像特征并识别目标，获得每个潮水目标的检测框及置信度分数，输出检测框的坐标；步骤13：寻找置信度最大的检测框，计算最大检测框与其余各框的两框重叠比例IOU，并删除IOU值大于所设定阈值的检测框；步骤14：判断是否完成所有检测框的判断，若仍有未完成的，则返回步骤13；若均完成，则获得检测框并将该检测框作为识别框，获得识别框中心点的坐标作为该目标潮水的图片坐标，计算当前潮水的位置、速度、高度、到达时间；具体如下；根据摄像头所在的位置和像素尺寸，获得当前潮水到设备所在位置的距离D1，计算相邻图片中潮水的距离为：D2＝fx1-x215其中，D2表示相邻图片中潮水位置的位移，x1表示第一个图片中识别框中点的横坐标，x2表示第二个图片中识别框中点的横坐标；根据检测框的宽度，获得潮水的高度，令Tin表示截图的时间间隙，计算潮水的速度为D2Tin，通过公式16计算潮水到达摄像头所在位置的时间T：T＝D1×TinD216步骤15：判断潮水高度、速度和到达时间是否都大于各自设定的阈值，如果三个参数都大于各自所设定阈值，则启动报警提醒，报警后以及上述三个参数不同时满足都大于各自阈值时，重新执行步骤2。

全文数据：

权利要求：

百度查询： 浙江树人学院(浙江树人大学) 一种基于YOLO技术的潮水识别与危机预警方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD