一种基于深度学习的水尺验潮方法

本发明涉及海洋数据，具体涉及一种基于深度学习的水尺验潮方法。

背景技术：

1、水尺验潮是指利用水尺测量海洋潮位的方法,海洋潮位是指海洋表面相对于某一基准面的高度变化，是近海观测的基本要素之一，也是海洋学中的重要研究内容。海洋潮位数据的准确性和可靠性对于涉海工程建设、海洋科学研究等业务的顺利开展具有重大的意义。目前，国内外常用的水尺验潮方法主要有水尺验潮法、机械式自动化测量、电子式自动化测量、gps潮汐测量等，其中水尺验潮法具有不受水深限制、不受水质影响、不受海底地形影响等优点，具有广泛的应用场景。例如，仲志远提出了一种基于图像识别的水位测量算法，该算法通过灰度化、k-means分析等得到刻度线，通过得到的刻度线计算出水位值，具有较强的实用性；陈金水提出了一种基于视频图像识别的水位数据获取方法，该方法基于软件获取视频图像的水位数据，其优点是精度高、环境要求低，具有应用前景。上述传统的潮位检测方法可以实现检测精度高、实时测量等优点，但是水尺验潮法对光照、天气等环境因素要求较高，当水尺图像因为光照或者污垢等影响使水尺刻度或者水尺字符模糊的时候，基于图像处理技术的潮位检测方法可能无法检测出被影响的水尺刻度和水尺字符，使得水位检测精度大大下降，实际应用还需要更多的研究。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于深度学习的水尺验潮方法，以yolov7算法为基础，引入ca(coordinate attention)注意力机制，采用更为先进的定位损失函数wiou(wise-iou)计算损失，提出一种基于深度学习的水尺验潮方法，实现了潮位的自动化测量。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于深度学习的水尺验潮方法，包括以下步骤：

4、step1、对水尺图像数据进行采集，形成水尺图像数据集；

5、step2、对水尺图像数据集进行处理，并将处理后的水尺图像数据集划分为训练集、验证集，测试集；

6、step3、建立水尺图像的深度学习模型并进行训练；

7、step4、加载step3中训练好的水尺图像深度学习模型，并将测试集中的水尺图像代入水尺图像深度学习模型并输出水尺图像中的水位值；

8、step5、通过当前潮位站的海平面高度以及step4中水尺图像中的水位值计算当前的潮位值。

9、上述的step1包括：

10、step1.1、通过架设在潮位站的摄像头拍摄不同的条件下水尺的视频；

11、step1.2、逐帧采集视频中含有水尺的区域作为水尺图像数据集。

12、上述的step2具体步骤包括：

13、step2.1、对水尺图像数据集中的图像进行预处理，包括光照校正、图像去噪以及归一化处理；

14、step2.2、通过labelimg标注工具将处理完的水尺图像数据集打上标签，标签分别为字符0-9、m；

15、step2.3、标注完毕的水尺图像数据集按照8:1:1的比例随机划分为训练集、验证集，测试集。

16、上述的step3具体步骤包括：

17、step3.1、对step2处理后的水尺图像数据集进行预处理，包括马赛克数据增强、图像缩放、增强以及裁剪操作；

18、step3.2、加载改进后的yolov7算法的网络结构和参数，包括elan模块、elan+模块、ca模块；其中，elan+模块即为e-elan模块，elan+模块在elan模块群卷积增加了特征的基数，又以通道混洗shuffle和特征图合并merge两种方式组合不同组的特征；ca模块是对elan模块输入的特征图进行坐标信息嵌入，再通过计算输入的特征图在宽度和高度两个方向上的注意力权重来生成注意力张量，从而对输入的特征图进行加权求和，最后将加权求和后的特征图输出到下一层网络；ca注意力机制模块的具体公式如下所示：

19、

20、其中fi,j,k表示输入特征图在第i行第j列第k个通道的特征张量，wk表示第k个通道的权重，σ表示sigmoid激活函数，c为通道数，r为缩放比例；

21、step3.3、将step3.1中预处理后的水尺数据集输入到改进后的yolov7算法中，进行前向传播和反向传播，更新网络参数；其中，对于网络参数更新的坐标框回损失采用wiou损失函数代替原算法的ciou损失函数计算，其公式如下所示：

22、

23、

24、liou＝1-iou                                (4)

25、其中wg，hg是最小包围框的大小，(x,y)和(xg4,yg4)表示预测框与真实框重叠区域的顶点坐标，iou表示目标检测任务中预测框与真实框的重叠程度；为了防止rwiou产生阻碍收敛的梯度，wg，hg从计算图中分离，上标*表示此操作；

26、step3.4、重复step3.3，直到达到预设的训练轮数或满足收敛条件，得到预训练好的水尺检测模型；

27、step3.5、对预训练好的模型进行评估，使用精确率precision、召回率recall、平均精度均值map以及每秒检测帧数fps的客观指标，比较其与其他预训练方法的性能差异，指标公式如下所示：

28、

29、其中，tp表示真正例，fp表示假正例；

30、

31、其中，tp表示真正例，fn表示假反例；

32、

33、其中，n表示类别数，api表示第i个类别的平均精度；

34、step3.6、根据评估结果，对预训练好的模型进行微调或优化，以提高其在目标检测任务上的泛化能力和实时性。

35、上述的step4具体步骤包括：

36、step4.1、加载step3中训练好的水尺图像深度学习模型；

37、step4.2、从测试集中选择多张水尺图像，对其进行预处理，包括图像缩放、增强以及裁剪操作，以适应改进后yolov7算法的输入要求；

38、step4.3、预处理后的水尺图像输入到预训练好的水尺模型中，进行前向传播，得到输出结果，其中输出结果包括每个预测框的位置、置信度和类别；

39、step4.4、对输出结果进行后处理，包括非极大值抑制nms以及置信度阈值过滤操作，以去除重复或低置信度的预测框，得到最终的检测结果；

40、step4.5、对最终的检测结果进行识别，即根据预测框所属类别和位置，读取水尺图像中的水位值，并将其转换为数字或文字形式。

41、本发明提供的一种基于深度学习的水尺验潮方法，在yolov7网络模型的基础上，采用注意力机制增强特征提取能力，抑制无关信息的干扰，增强对目标信息的关注度；同时，改进损失函数，加快模型收敛速度，优化模型回归效果；通过实验验证，与其他算法相比，本发明具有明显的性能优势，在保证较高检测精度的同时，也能满足实时检测的要求。