(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 202210836932.4 (22)申请日 2022.07.15 (71)申请人 浙江大学 地址 310058 浙江省杭州市余杭塘路86 6号 (72)发明人 林峰　甘力博　 (74)专利代理 机构 安徽合肥华信知识产权代理 有限公司 341 12 专利代理师 余成俊 (51)Int.Cl. G06T 7/73(2017.01) G01N 21/49(2006.01) G06V 10/26(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G01N 21/59(2006.01) G06V 20/40(2022.01) (54)发明名称 一种基于深度学习的无水尺塞氏盘水质透 明度检测方法 (57)摘要 本发明公开了一种基于深度学习的无水尺 塞氏盘水质透明度检测方法， 包括以下步骤： 步 骤1、 获取塞氏盘水质透明度测量视频； 步骤2、 确 定塞氏盘初始位置； 然后采用SiamFC++ 网络根据 塞氏盘初始位置对视频其他帧中塞氏盘位置进 行追踪， 并将每一帧的追踪结果 分割出来作为分 割结果； 步骤3、 采用判别器对步骤2得到的分割 结果进行数据清洗得到塞氏盘的临界位置， 然后 从分割结果中去除塞氏盘临界位置之后的部分； 步骤4、 对步骤3得到的分割结果中剩下部分进行 特征提取， 然后采用循环网络Bi ‑Lstm基于提取 的特征计算得到水质透明度计算结果。 本发明不 需要观察水尺， 避免了读水尺引起的诸多不便， 大大提高了测量速度和准确性。 权利要求书2页 说明书6页 附图3页 CN 115170667 A 2022.10.11 CN 115170667 A 1.一种基于深度学习的无水尺塞氏盘水质透明度检测方法， 其特征在于， 包括以下步 骤： 步骤1、 获取塞氏盘水质透明度测量视频； 步骤2、 对步骤1获取的视频进行图像处理识别， 得到所述视频第一帧中塞氏盘位置作 为塞氏盘的初始位置； 然后采用基于2D卷积的SiamFC++网络根据塞氏盘初始位置， 对视频 其他帧中塞氏盘位置进行追踪得到追踪结果， 并将每一帧的追踪 结果从视频对应帧中分割 出来作为分割结果； 步骤3、 采用基于3D卷积的判别器， 对步骤2得到的分割结果进行数据清洗处理得到塞 氏盘的临界位置， 然后 从所述分割 结果中去除塞氏盘临界位置之后的部分， 分割 结果中剩 下部分保留； 步骤4、 对步骤3得到的分割结果中剩下部分进行特征提取， 然后采用循环网络Bi ‑Lstm 基于提取的特 征计算得到水质透明度计算结果。 2.根据权利要求1所述的一种基于深度学习的无水尺塞氏盘水质透明度检测方法， 其 特征在于， 步骤2过程如下； 步骤2‑1、 采用OpenCV中的selectROI函数对所述视频进行图像处理识别， 通过OpenCV 中的selectROI函数初始化所述视频第一 帧中塞氏盘的检测 框坐标， 作为塞氏盘的初始位 置； 步骤2‑2、 将所述视频其他帧逐帧输入至SiamFC++网络中， 由SiamFC++网络根据塞氏盘 的初始位置追踪视频其他帧中塞氏盘检测框框定的区域作为追踪 结果； 然后基于视频其他 帧中塞氏盘的检测框坐标， 从视频其 他帧中分别将所述追踪结果分割出来作为分割结果。 3.根据权利要求2所述的一种基于深度学习的无水尺塞氏盘水质透明度检测方法， 其 特征在于， 步骤2 ‑2中， 以追踪得到的视频其他帧中置信度最大的塞氏盘检测框框定的区域 作为追踪结果， 并基于置信度最大 的塞氏盘检测框的坐标， 将追踪结果分割 出来作为分割 结果。 4.根据权利要求1或2或3所述的一种基于深度学习的无水尺塞氏盘水质透 明度检测方 法， 其特征在于， 步骤2中， 所述的SiamFC++网络以ShuffleNetV2为主干网络搭建； 对于每一 张输入图片， 由SiamFC++输出行大小为H、 列大小为W的坐标矩阵和置信度矩阵， 故共有H*W 个检测框的坐标和H*W个检测框的置信度； 每个检测框的坐标记为[xi, yi, hi, wi]， 其中 xi、 yi分别代表检测框的左上角的坐标， hi、 wi分别代表检测框的高和宽， 且有1≤i≤H*W； 每 个检测框的置信度位于 0到1之间。 5.根据权利要求4所述的一种基于深度学习的无水尺塞氏盘水质透明度检测方法， 其 特征在于， 所述的SiamFC+ +网络中， 行 大小H和列大小W均设置为17。 6.根据权利要求1所述的一种基于深度学习的无水尺塞氏盘水质透明度检测方法， 其 特征在于， 步骤3过程如下： 步骤3‑1、 设步骤2得到的分割结果共有N个， 并以分割结果中每连续的K个为一组得到 多组， 将得到的多组作为所述判别器的输入， 由判别器输出N ‑K+1个概率值， 每个概率值的 范围为 （0,1） ； 步骤3‑2、 根据步骤3 ‑1得到的N ‑K+1个概率值确定塞氏盘临界位置， 其中： 若N‑K+1个概率值中存在大小为0.5的概率值， 则以0.5第一次出现的位置作为塞氏盘权　利　要　求　书 1/2 页 2 CN 115170667 A 2的临界位置； 若N‑K+1个概率值中不存在大小为0.5 的概率值， 则将N ‑K+1个概率值存放在一个一维 数组中， 用滑框从所述一维数组的起始位置开始以固定步长进行滑动， 每滑动一次统计滑 框内概率值大于0.5和小于0.5的个数， 当概率值大于0.5的个数大于概率值小于0.5的个数 时， 此时滑框的中心位置就是 所述塞氏盘的临界位置； 步骤3‑3、 从所述分割结果中去除塞氏盘临界位置之后的部分， 分割结果中剩下部分保 留。 7.根据权利要求1或6所述的一种基于深度 学习的无水尺塞氏盘水质透明度检测方法， 其特征在于， 所述判别器包括5层网络， 其中： 第1层网络包括64个大小为[5,5,1]的3D卷积核， 卷积步长为[1,1,1]， 第1层网络输入 大小为56*56*3*8、 输出大小为56*56*64*8； 第2层网络包括128个大小为[3,3,1]的3D 卷积核， 卷积步长为[2,2,1]， 第2层网络输入 大小为56*56*64*8、 输出 大小为28*28*128*8； 第3层网络包括256个大小为[3,3,1]的3D 卷积核， 卷积步长为[2,2,1]， 第3层网络输入 大小为28*28*128*8、 输出 大小为14*14*25 6*8； 第4层网络包括512个大小为[3,3,1]的3D 卷积核， 卷积步长为[2,2,1]， 第4层网络输入 大小为14*14*25 6*8、 输出大小为7*7* 512*8； 第5层网络包括平均池化层、 全连接层、 激活层， 其 中激活层的激活函数使用sigmoid函 数， 第5层网络 输入大小为7*7* 512*8、 输出 大小为1*1*1*1。 8.根据权利要求1所述的一种基于深度学习的无水尺塞氏盘水质透明度检测方法， 其 特征在于， 步骤4中， 首先将步骤3 分割结果中剩下部 分转换为灰度图， 然后对所述灰度图中 每个像素所在区间进行统计， 基于统计结果建立一维特征向量； 接着对一维特征向量进行 归一化处理， 以归一 化处理结果作为 提取的特 征。 9.根据权利要求1或8所述的一种基于深度 学习的无水尺塞氏盘水质透明度检测方法， 其特征在于， 步骤4中， 所述循环网络Bi ‑Lstm以提取的特征作为输入， 循环网络Bi ‑Lstm输 出连接至一个两层的全连接网络， 最终由所述全连接网络 输出水质透明度计算结果。权　利　要　求　书 2/2 页 3 CN 115170667 A 3