阅读量：

1769

作者：

鞠振宇

展开

摘要：

洪涝灾害对我国人民的生命财产安全构成巨大威胁,洪水多发期的河流流速与流量测量工作对洪水预警具有重要作用.山区农村水电站往往交通不便并且技术相对落后,采用传统的人工流速测量方法在高洪时期缺乏便捷性,同时,无法保证测量人员安全.因此,开发设计一种适用于野外无人值守环境下的水流流速测量方法,对偏僻地区的防洪预警工作具有重要意义.为了解决传统水流流速测量方法的局限性,达到洪水预警的及时性,方便性与安全性等要求,提出基于视频图像识别的方法进行水流流速测量.通过网络高清智能摄像头拍摄目标河流表面视频,利用训练好的卷积神经网络模型识别视频图像的水纹特征,从而输出流速信息.该方法为一种非接触式河流流速测量方法,无需人工投放浮标或其他示踪物,可以满足偏远地区无人值守环境下的河流流速监控要求.另外,为了训练得到合适的卷积神经网络模型,本文采集了大量河流视频样本,并提出了一种融合关联矩阵自学习和显式秩约束的数据表示分簇算法对河流视频样本进行流速分簇标记,降低了数据集标注难度.本文的主要工作如下:(1)提出了基于水流视频图像的模式识别方法测量水流流速,根据不同流速状态下河流表面的纹理特征以及流体前后帧差特征的差异,通过摄像头采集视频图像,识别特征后进行流速分类,从而达到流速级别划分的目的.(2)提出融合关联矩阵自学习和显式秩约束的数据表示分簇算法,将低秩表示,相似度学习和簇结构约束纳入同一框架,并应用于水流图像数据集分簇标记,减少了对大量水流图片数据集测量流速并标定的巨大工作量.(3)利用卷积神经网络分别对水流图像与视频帧差分类识别,并通过迁移学习,降低了模型训练难度,融合构造了双流卷积神经网络同时对水流视频帧差与图像进行流速范围分类.在水流数据集上的实验结果表明,卷积神经网络模型相比传统机器学习分类算法具有更高的识别率,双流卷积神经网络模型在单一视频流或单一图像流卷积神经网络模型的基础上进一步提高了算法的准确率.(4)设计开发了河流流速测量系统,于九宫山梯级小水电群实施了该系统并实地测试了系统的有效性与实时性.最终结果表明,基于视频图像的河流流速测量方法测量步骤便捷,算法识别率高,具有良好的实时性,能够满足水电站水流流速测量与防洪的基本要求.

展开

学位级别：

硕士

学位年度：

2018