10.3876/j.issn.1000-1980.2023.01.016
基于残差网络的河流表面时空图像测速法
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%.
水流测量、时空图像测速、纹理主方向、残差网络、深度学习
51
P332.4(水文科学(水界物理学))
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
2023-03-30(万方平台首次上网日期,不代表论文的发表时间)
共11页
118-128