(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211326306.7 (22)申请日 2022.10.25 (71)申请人 中山大学 地址 510275 广东省广州市新港西路13 5号 (72)发明人 段凯　方晨琦　许景锋　郑籽盈　 钟启瑞　袁亘宇　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 江嘉玲 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01) G06V 10/56(2022.01)G06V 10/30(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于水体覆盖特征识别的山间溪流量 测验方法 (57)摘要 本发明涉及水文测验技术领域， 公开了一种 基于水体覆盖特征识别的山间溪流量测验方法， 该方法针对流量小、 比降大及断面形态高度复杂 的山区溪流， 通过卷积神经网络从溪流图像的 RGB信息矩阵中提取水体覆 盖范围的空间特征信 息， 为溪流图像赋予流量分类标签后， 将携带标 签的溪流图像对 卷积神经网络模 型进行训练， 建 立RGB信息矩阵与流量 分类标签概率之间的关系 映射表， 将获取的待测验溪流图像为输入， 通过 卷积神经网络模 型与关系映射表， 得到该待测验 溪流图像对应的流量， 实现对山区溪流量的自动 化连续观测； 该方法不仅工程 成本与环境成本低 廉， 还可快速、 实时、 自动化 监测山区溪流 量。 权利要求书2页 说明书8页 附图4页 CN 115546561 A 2022.12.30 CN 115546561 A 1.一种基于水体覆盖特 征识别的山间溪流 量测验方法， 其特 征在于， 包括以下步骤： 获取特定时间段内目标山间溪流的溪流图像样本及其对应的流量值， 对所述溪流图像 样本进行 预处理， 获取预处理后的溪流图像样本的RGB信息矩阵； 通过卷积神经网络模型提取所述RGB信息矩阵中的图像特征数据， 所述卷积神经网络 模型为最后三层依次是一个全连接层、 一个激活层和一个分类层的AlexNet深度卷积神经 网络， 所述图像特 征数据为目标山间溪流的水体覆盖特 征； 将预处理后的溪流图像样本按照所述流量值划分的流量分类值进行分类， 并为每个溪 流图像样本赋予一个流量分类标签， 将包含流量分类标签的溪流图像样本构建数据集， 并 将所述数据集划分为训练集和验证集； 通过所述训练集对所述卷积神经网络模型进行训练， 得到各流量分类标签对应的分类 概率， 并根据分类概率最大的流量分类标签， 构建所述 RGB信息矩阵与流量分类标签概率之 间的关系映射表； 获取待测验溪流图像样本， 提取预处理后的所述待测验溪流图像样本的RGB信息矩阵， 并将所述待测验溪流图像样本的RGB信息矩阵输入至所述卷积神经网络模型中进行识别， 并根据所述关系映射表得到所述待测验溪流图像样本的RGB信息矩阵对应的流量分类标 签， 流量分类标签对应的流 量值即为所述待测验 溪流图像样本对应的溪流 流量。 2.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法， 其特征 在于， 所述特定时间段以不同流态、 不同季节或不同水文情势为周期进行划分。 3.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法， 其特征 在于， 所述对所述溪流图像样本进行预处理， 获取预处理后的溪流图像样本的RGB信息矩 阵， 包括： 提取所述溪流图像样本中的河道区域； 通过设置设定阈值增强所述河道区域的明暗与色彩对比度； 对所述溪流图像样本中的河道区域进行平滑、 降噪处理， 将所述溪流图像样本的红、 绿、 蓝三通道值提取为所述RGB信息矩阵。 4.根据权利要求3所述的一种基于水体覆盖特征识别的山间溪流量测验方法， 其特征 在于， 通过小 波变换对所述溪流图像样本的河道区域进行降噪处 理： 通过以下公式进行小 波变换： 式中， w为小波系数， λ为设定阈值， sign 为符号函数， α 为 折中系数， 取值在(0， 1)之间； 设定阈值计算公式如下： 式中， j是小波分解的尺度， dj(k)是小波分解系数， median为中位数函数， M、 N分别为溪 流图像样本的长 宽分辨率。 5.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法， 其特征 在于， 所述将预处理后的溪流图像样本按照所述流量值划分的流量分类值进行分类， 并为权　利　要　求　书 1/2 页 2 CN 115546561 A 2每个溪流图像样本赋予一个流量分类标签， 将包含流量分类标签的溪流图像样本构建数据 集， 并将所述数据集划分为训练集和验证集， 包括： 按照梯度将所述溪流图像样本对应的流 量值划分为 流量分类值； 将预处理后的溪流图像样本按照所述流量分类值进行分类， 为每个溪流图像样本赋予 一个流量分类标签； 将包含流量分类标签的溪流图像样本构建为数据集， 并按照预设比例划分为训练集和 验证集。 6.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法， 其特征 在于， 所述通过所述训练集对所述卷积神经网络模型进行训练， 得到各流量分类标签对应 的分类概 率， 包括： 将ReLU函数作为卷积层的激活函数， 挑选并传递所述图像特 征数据； 将Softmax函数作为输出层的激活函数， 将所述图像特 征数据压缩为特 征向量； 通过以下公式计算溪流图像样本包 含的流量分类标签对应的分类概 率： 式中， x为图像特征数据对应的特征向量， y为流量分类标签， n为流量分类标签的数量， h(x， yi)为线性连接函数， P(y|x)为 流量分类标签的分类概 率。 7.根据权利要求1所述的一种基于水体覆盖特征识别的山间溪流量测验方法， 其特征 在于， 通过动量随机梯度下降法对所述卷积神经网络进行训练， 通过反向传播算法优化所 述卷积神经网络模型的权重， 并选取各个神经元 的最优权重连接溪流图像样本的RGB信息 矩阵和流 量分类标签概 率。权　利　要　求　书 2/2 页 3 CN 115546561 A 3