基于图像识别技术的河湖问题分析与研究

基于图像识别技术的河湖问题分析与研究

吴涛,刘玲,王亚明

（中水三立数据技术股份有限公司 安徽合肥 230000）

【摘要】本文围绕智慧水利的建设，重点介绍了图像识别技术在智慧水利相关场景的部分典型应用。针对水利业务管理中存在的反应慢、耗时长等问题，再结合实际的业务需求，提出了引入图像识别技术的解决方案，该技术的应用可以实现对河流湖泊的实时监控和自动监测，对突发问题的主动分析和快速上报以及水位判别等功能，达到将相关技术应用到具体场景的目的。旨在实现流域水环境治理全过程的智能化，为建设高速互联的水利信息网做好技术支撑。

【关键词】图像识别 河湖问题 垃圾识别 实时监控

1 概述

目前，全球的水资源形势不容乐观，需要不断加大水资源的保护力度，不断推动水利行业的转型[1]。我国一直以来都十分的重视对水利工程的建设，经过多年的发展，已经取得了非常瞩目的成就。但是由于机理复杂的水文事件成因等，更需使用新兴的技术和创新的思路去解决相关的水治理问题，不断完善传统的水治理方案。

随着图像识别技术的迅猛发展和水利事业的全面推进,水利信息化发展已成为一种趋势。水利图像视频监控作为水利信息化的重要内容，其操作直观便捷，也使用户更容易对该区域的情况进行监测和及时分析，在水利工程建设过程中起到了重要的作用。[4]

2 技术实现

SSD算法介绍：

SSD（Single Shot MultiBox Detector） 算法作为图像检测研究领域经典的模型,SSD被广泛应用在各类图像识别场景中。SSD既保持了YOLO速度快的特性，也保证了窗口预测的跟Faster-RCNN一样精准。SSD的核心是在不同尺度的特征特征图上采用卷积核来预测一系列Default Bounding Boxes的类别、坐标偏移。

步骤一：建立研究数据集

使用设备采集水面漂浮物图片，建立数据集。通过无人机、监控摄像头、移动端应用拍摄采集水面漂浮物的图像或者视频，对于到的采集视频，从中截取视频图像，采集包含水面漂浮物的视频图像。样本总数量达到20000张；

步骤二：图像增强

将采集到的包含水面漂浮物的图像和视频的顺序随机打乱，使用数据增强技术,丰富样本集，提高后续模型性能。包括几何变换（翻转，旋转，裁剪，变形，缩放）、颜色变换（噪声、模糊、颜色变换、擦除、填充）和SMOTE方法。

步骤三：图像标注

使用高斯滤波器进行滤波操作，针对处理后的水面漂浮物的视频和图像进行人工标注，并且将图像按照一定比例分成训练集、测试集和验证集。

步骤四：模型建立

针对水面漂浮物中含有大量小型漂浮物。针对这些小型漂浮物难以识别的难点，对SSD模型进行优化：

创新性构建一种SODB  (Small Object Detection Block)）结构，来针对这个难点进行优化。

SODB结构示意图

优化前SSD模型结构：

图1优化前SSD模型结构

优化后SSD模型结构：

图2 优化后SSD模型结构

源 SSD 检测模型中的 3x3 卷积核对应的感受野太大，经过不断的卷积，会导致原图上细节被破坏，损失很多特征，影响检测精度，对小目标居民生活垃圾的检测效果不理想。

本章实验引进空洞卷积来改进 SSD300 对小目标居民生活垃圾的识别率。针对优化小型居民生活垃圾的识别。对源 SSD300 模型进行改进的示意图以及 SODB 结构如图 5-3 所示。

空洞卷积示意图

在 SSD 额外辅助网络上引入SODB模块，包含了三种空洞卷积层(3*3Conv, rate=1)、(3*3Conv, rate=3)、(3*3Conv,rate=5)，利用空洞卷积的优势来帮助提高对水面漂浮物识别率。

然后使用 SODB 结构替换掉源 SSD300 模型结构中的“Conv6_2”,“Conv7_2”。

图4 SSD模型优化示意图

优化步骤：

（1）在该结构中输入图像在经过 conv4_3 层的卷积以及池化等一系列操作之后获得了 38×38×512 的特征图。

（2）之后对这部分的特征图进行每个网格点上默认4 个先验框的分类以及回归预测，得到 38×38×4=5776 个先验框。

（3）当特征图大小在 conv4_3 卷积被进一步压缩到 19×19 之后，Fc7 卷积层开始对该层输出图像进行处理。

（4）改进的 SSD 网络结构会先使用 ，进而优化水面漂浮物的识别率。

（6）特征提取层的超参如下表 所示，其中偏移的值表示其候选框中点距离映射图的左上角的水平和垂直比例。

被选中的卷积层的参数

（7）接着对这些特征图像进行每个网格点上默认为 6 个先验框的分类与回归预测，并且得到 19×19×6=2166 个先验框。

（8）接着用取代原始 SSD 网络中 conv6-2 卷积的 SODB_1对被进一步压缩大小为 10×10 的特征图像进行处理，同样产生拥有更大感受野的特征图。

（9）再对这些特征图像进行每个网格点默认为 6 个先验框的分类与回归预测，得到 10×10×6=600 个先验框。原始 SSD 网络中 conv7-2 被取代为 SODB_3

（10）conv8-2 ，conv9-2剩余部分的网络结构与原始的 SSD 网络相一致，conv8-2 输出特征图像尺寸为 3×3，conv9-2 输出特征图像尺寸为 1×1。

步骤五：模型训练

选取水面漂浮物图像训练集文件训练模型，设计训练参数，进行模型训练，对于训练集使用小批量梯度下降法进行训练，并不断调整优化参数和算法结构，得到最终优化后的图像识别模型。

3 分析应用

实验流程：
本实施例的实验环境为：操作系统为WIndow10专业版；CPU为Intel(R) Core(TM) i7-10700K CPU @ 3.80GHz   3.79 GHz，内存为32G；深度学习框架为TensorFlow；使用Python 3.7.6开发语言编写代码。具体软硬件信息如表1所示。在此基础上，初始化模型过程所涉及的参数有batch_size、学习率、激活函数、优化函数和迭代次数，模型训练参数设置如表2所示。

表1  具体软硬件信息

表2  模型训练参数

其中，本实施例使用20000水面漂浮物图像数据作为原始数据，为了增加训练样本大小，提高模型的泛化能力，对分类筛选后的数据进行了步骤二中提出的图像增强方法。包括几何变换、颜色变换和SMOTE方法。最终得到30000幅图像。将数据集中70％的图像数据作为训练集，20％的图像作为验证集，10％的图像作为测试集，具体数据集结构如表3所示。

表3 数据集结构

图1 改进前后LOSS对比

表4 改进前后结果对比

结果分析：

在设计好的训练参数基础上，针对30000张漂浮物数据集进行卷积神经网络模型的训练，得到训练结果，对改进前后两个模型的实验结果进行对比。

由表4结果可以看出，改进后的SSD算法，针对水面漂浮物图像大小规格杂乱并且含有大量小型目标的特点，基于测试集进行测试，其识别率从85.5%提高到93.1%，针对水面漂浮物识别率大大提高。

4 总结

本文通过分析图像识别技术在水利管理系统中的应用，对比传统的水利管理系统，数据的分析判断只能依靠人工完成，存在诸如漏报、误报、反应不及时等问题，导致图像视频信息无法真正发挥使用价值。而随着图像识别技术的引入，可以实现图像视频实时采集、自动分析、主动上报等功能，使得系统的监测能力更加全面，数据更加精准，决策更直接更具有针对性。系统的控制平台也可以通过大数据和物联网技术实现对整个项目的生产管理和调度，实现集中高效的监控管理。

智能图像识别技术在水利管理系统中的应用十分广泛，在水资源的监控与分析，水利管理系统的架构与建设中起到了重要作用；在水利业务管理与科学决策等方面具有较大的应用价值；在加强水利业务深度融合，建设高速互联的水利信息网具有重要意义。

参考文献

[1]卢陈涛.大数据融合下的智慧水利枢纽集成技术[J].广西水利水电,2022(02):118-121.DOI:10.16014/j.cnki.1003-1510.2022.02.011.

[2]柴慧.浅析新形势下智慧水利建设的现状及未来发展[J].陕西水利,2022(03):195-196+199.DOI:10.16747/j.cnki.cn61-1109/tv.2022.03.070.

[3]曾焱,程益联,江志琴,李暨.“十四五”智慧水利建设规划关键问题思考[J].水利信息化,2022(01):1-5.DOI:10.19364/j.1674-9405.2022.01.001.

[4]马莹,王晞,马瑞.“互联网+”背景下智慧水利研究与实践探讨[J].长江技术经济,2022,6(01):90-92.DOI:10.19679/j.cnki.cjjsjj.2022.0118.

[5]王亮.基于分布式架构的智能视频监控系统在广东智慧水利的应用[J].广东水利水电,2021(12):99-102+119.

[6]高小清,郑文献.人工智能在水利工程管理中的应用浅述[J].智能建筑与智慧城市,2021(07):167-168.DOI:10.13655/j.cnki.ibci.2021.07.065.

[7]李先锋,徐森,花义明.深度学习在舰船前方障碍物图像识别中的应用[J].舰船科学技术,2022,44(06):157-160.