科研之友
微信
新浪微博
Facebook
分享链接
摘要
时空图像测速法（STIV）是一种以流体表面图像中测速线为分析区域、通过检测合成时空图像的纹理主方向计算得到一维时均流速的测量方法。然而在天然河流的应用中由于受到水面耀光、紊流、风雨等环境干扰的影响，水流示踪物在时空图像中形成的有效纹理特征变得模糊，使得现有基于图像灰度梯度等浅层特征的纹理主方向检测算法的精度受限。鉴于此，结合深度学习的思想，提出一种基于残差网络回归模型的纹理主方向估计方法，借助模型强大的非线性学习能力构建回归预测函数。通过在所构建包含四种复杂含噪场景时空图像数据集上进行训练，使得模型学习到此类场景下时空图像的有效纹理特征，从而给出更准确的纹理主方向估计值。实验结果表明，所提方法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，ResNet50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0.6°，而在耀光、紊流、降雨场景下能控制在1.4°以内，优于现有的STIV方法。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%。
- 单位
