[发明专利]一种基于深度学习的流量检测方法、装置、介质及终端

说明书

本发明公开了一种基于深度学习的流量检测方法、装置、介质及终端，包括：获取待识别的第一水流图像；将第一水流图像输入至预设的流量检测模型，以使流量检测模型对第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据第一流态信息，输出待识别水流的第一水流流量，作为第一水流图像的流量检测结果；其中，流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，第一样本数据集中包括若干个第二水流图像、以及每个第二水流图像对应的第二水流流量。本发明利用样本数据集训练验证卷积神经网络，得到能够准确表达水流图像和水流流量的映射关系的流量检测模型，并将待识别的第一水流图像输入流量检测模型，实现流量检测。

技术领域

本发明涉及水流流量检测领域，尤其涉及一种基于深度学习的流量检测方法、装置、介质及终端。

背景技术

传统的流量测验方法包括：通过分别测量断面面积与流速并计算二者之乘积的流速－面积法、通过水力学公式计算流量的水力学法、通过指示剂扩散浓度推算流量的化学法、以及直接收集水流的容积法和重量法等。其中，基于各类流速与断面面积测定技术的流速－面积法，是目前世界各国广泛使用的常规测流方法，同时也被视为率定或校核其它流量测验方法的标准。进一步地，除了传统的转子流速仪与超声波法、电磁法、光学法等方法之外，基于河流表面时空图像识别的数字化测流方法也日益引起关注。这类方法通过非接触式的视频影像监控设备获取河流表面流速信息，既而推算深层流速与过水断面的总流量，具有成本低、速度快、易于操作、不受河流含沙量限制等优点。然而，现有的图像测流方法一般适用于流量较大、地形变化较平缓的大中型河流，水体流量的计算是基于固定的过水断面面积与该断面上一维时均水流速度矢量场的测算，以及对于表面流速与深层流速之间相关关系的数学表达，难以应用于比降较大、断面形状不均匀的山区小溪流。另一方面，图像测流方法依赖于图像的准确度，在阴雨、雾霾等不利天气条件下，现有方法也难以有效实施。

现有的流量检测方法受限于地形，山区流量测验通常需借助于量水堰及相关渠系建筑物，通过测量堰顶溢流水头计算出流量。量水堰的设计、建造、与维护成本高昂，对于没有条件的地区，测流往往使用化学法或容积法，这些方法的缺点则在于步骤繁琐，需要较高的人力成本与丰富的实践经验，且难以实现自动化连续观测。

发明内容

本发明提供了一种基于深度学习的流量检测方法、装置、介质及终端，实现水流流量的自动检测，降低检测环境的受限程度，提升检测的准确度。

为了解决上述技术问题，本发明实施例提供了一种基于深度学习的流量检测方法，包括：

获取待识别的第一水流图像；

将所述第一水流图像输入至预设的流量检测模型，以使所述流量检测模型对所述第一水流图像进行特征提取，获得待识别水流的第一流态信息，并根据所述第一流态信息，输出所述待识别水流的第一水流流量，作为所述第一水流图像的流量检测结果；其中，所述流量检测模型是根据第一样本数据集对卷积神经网络进行训练后得到的，所述第一样本数据集中包括若干个第二水流图像、以及每个所述第二水流图像对应的第二水流流量。

实施本申请实施例，利用实地获取的第二水流图像和对应的第二水流流量，对构建的卷积神经网络进行训练验证，以得到流量检测模型，并通过流量检测模型，对待识别的第二水流图像进行特征提取，并将特征提取结果转换为流量数据，作为第一水流图像的流量检测结果，实现对待识别的第二水流图像的自动检测，减少断面形状不均匀、比降较大等不利条件的受限程度，避免影响流量检测的准确度。

作为优选方案，所述流量检测模型的获取，具体为：

对所述待识别水流进行拍摄，获得若干个第二水流图像，并通过预设的观测方法，对所述待识别水流进行实时观测，获取所述第二水流图像对应的第二水流流量，然后以所有所述第二水流图像、以及每个所述第二水流图像对应的第二水流流量作为第一样本数据集；