首页|基于残差网络的河流表面时空图像测速法

基于残差网络的河流表面时空图像测速法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对在耀光、紊流、降雨等复杂含噪场景下时空图像中有效纹理特征变得模糊,使得现有纹理主方向检测算法精度受限的问题,结合深度学习的思想,提出了一种基于残差网络回归模型的时空图像测速(ResNet50-STIV)法,并借助残差网络回归模型强大的非线性学习能力构建了回归预测函数.通过构建人工合成数据集和包含复杂场景时空图像的天然河流数据集对残差网络回归模型进行试验,结果表明:提出的残差网络回归模型在人工合成数据集下的检测精测可达到0.1°,对于天然河流数据集,具有残差结构的ResNet回归模型的检测精度优于VGG16;从模型层数看,基于ResNet50 的回归模型能较好地平衡检测精度以及执行效率,在正常场景下的检测精度达到 0.7°,而在耀光、紊流、降雨场景下能控制在1.3°以内,ResNet50-STIV优于现有的时空图像测速法;与流速仪法在多场景下表面流速比测的最大相对误差小于12％.
Surface space-time image velocimetry of river based on residual network

李华宝、张振、陈林、孟健、孙英军、崔文浩

展开 >

河海大学计算机与信息学院,江苏 南京 211100

杭州市水文水资源监测中心,浙江 杭州 310016

浙江水文新技术开发经营公司,浙江 杭州 310016

水流测量 时空图像测速 纹理主方向 残差网络 深度学习

浙江省水利厅科技计划杭州市农业与社会发展一般项目中央高校基本科研业务费专项江苏省水利科技项目中国博士后科学基金面上项目

RB203720201203B103B20020218720210702019M651673

2023

10.3876/j.issn.1000-1980.2023.01.016

河海大学学报(自然科学版)
河海大学

河海大学学报(自然科学版)

CSTPCDCSCD北大核心
影响因子：0.803
ISSN：1000-1980
年,卷(期)：2023.51(1)
  • 8