【《图像识别的结构化数据研究》4600字（论文）】

图像识别的结构化数据研究目录TOC\o"1-3"\h\u13000引言 1127891、研究现状 2310692、方法 35192.1数据集 36002.2网络模型 3198853、实验 5300203.1实验环境及参数 5221263.2评估标准 533463.3实验结果及分析 5299394、结语 92902参考文献 9摘要：目前，全球都处在数字化时代的发展高潮之中，物联网，大数据、人工智能及其他技术的迅猛发展。智能与数据资源已经成为水电工程施工，运维的基础、实现信息技术与水电工程深度融合，是关键基础资源与创新要素，对流域的安全与应急响应起到了更大的促进作用。本论文为了有效地解决小水电开发过程中出现的生态环境问题，确保电站下泄生态基流的安全，提出了基于深度学习图像分割的生态基流辨识方法。关键词：深度学习；图像识别；结构化数据引言进入21世纪后，物联网，大数据和云计算等技术、人工智能和其他技术的出现，和信息化，数字化、智慧化及其他手段迅速崛起并应用于各领域，各行业每天产生海量数据集，通信网络无时无刻不传递着海量数据，把工作生活各个环节联系起来。基于这种情况，研究学者们开始考虑提高海量数据利用效率的问题，使得它可以更好的推动人民生活水平不断提升、企业发展和国家经营。大数据的出现，不仅让人们生活变得更便捷，同时，也给企业和国家制定各项决策提供数据支持，能更直观地从资料中阐明问题，也是当前应用大数据的主要途径。我国是世界水资源大国，我国水能资源十分丰富，技术可开发量为5.42亿千瓦，位居全球第一。但是，受技术水平所限，我国水电开发程度不高，还不到30%，开发潜力大。在“双碳目标”下，水电站开发逐步被重视，开发和利用水资源，可增加能源供应，完善能源结构，为了建设高清洁、安全有效的能源体系给予了巨大的帮助。《“十四五”期间推进智慧水利建设实施方案》称，智能模型和可视化模型将在2025年前建成，智能算法研究，并对水利信息网进行了优化，建设智慧化的水文数据平台。现有的政策和水资源本身的优势，给水电站开发带来新机遇。1、研究现状当前，水电行业中信息技术的运用已越来越成熟，随着遥感技术的发展、气象预报技术和计算机技术在不断地发展，实现水文数据高精度获取。但是，在水文数据使用方面还处在探索和研究阶段，就建构新模式而言，大量物理模型以及数据驱动模型应运而生。尽管针对水文预报的研究越来越多，但是，径流预报还存在着如下几个方面的问题，有待深入研究：对于不同流域地区而言，不同预报模型在应用过程中，预报结果是不一样的，它的预报精度就不一样。所以在建立预报模型，需要对有关流域开展数据分析工作，以及对水文过程进行模拟仿真，以判断该模式是否适用。生态基流监测在小水电的清理和整改中具有十分重要的意义。因其规模不大、泄流设施落后、流量计的安装不方便，且更易受损：因此，视频监控视角下的小水电生态基流泄放监管显得尤为重要。依据水利部《关于印发小水电站生态流量监管平台技术指导意见的通知》的要求，对小水电进行视频监控，应当每隔一小时抓拍至少一张照片。长江经济带已积累了2.5万余座小水电站，全面建设视频监控系统，日处理生态基流泄放影像60万幅左右，大量影像有待审查，行业监管受到了极大的挑战。以视频为视角，进行生态基流监控，其实质就是在监控画面内确定水面区域，与普通目标检测不同，水面区域表现为形态不固定，基于图像语义分割技术的识别方法在水面区域识别中取得了较好效果。在深度学习技术不断迸发的今天、计算机计算能力日新月异，语义分割随之迎来了一种全新的方式。一类是以候选区域为单位的分割算法，这类算法先产生大量的候选框，以及过滤有效的候选区域，再与卷积神经网络相结合，对各候选区域进行特征提取，并获取语义信息，以及将候选区域与分类器相结合的方法，最后得出分割结果。在这些候选区域中，候选区域质量的好坏直接关系到CNN对图像特征提取的结果，和分类器分类精度。这类代表算法主要有RCNN、SDS、Mask_RCNN等。另一种是像素级别分割算法，就是对标注数据进行特征与语义信息的直接抽取，获得输入图像中像素类别。这类方法无须产生候选区域，直接对影像内像素分类，使用端到端训练方法，能够提取出更多的图像特征。2015年JonathanLong等人提出全卷积网络FCN固，它把分类网络从图像级别扩展到像素级水平，并实现端对端的培训过程，率先将深度神经网络用于图像语义分割。2、方法2.1数据集另一种是像素级别分割算法，就是对标注数据进行特征与语义信息的直接抽取，获得输入图像中像素类别。数据集标签借鉴了主流图像分割算法中常用的Cityscapes,COCO等数据集，把背景划分为如下五类，陆地，水面，建筑，天空和树木。对采集的照片而言，统一白化，去噪，尽量提升图片质量。利用标注工具CVAT在数据集上进行了标注，标注策略为人工加模型的预注。早期主要依靠人工标注，在标记了一定数量的资料后，启动训练模型，使得该模型具有一定识别能力：再过渡到主要进行模型标注，辅以人工标注，数据集中所有图片样本都首先采用模型预标注，再手工证实；借此节省人工耗时，提高了标注效率。2.2网络模型FCN网络使用了不包含全连接层的全卷积网络，以及在该网络结束时，利用上采样来还原图像大小，并将深层网络抽象信息和浅层网络精细特征相结合，使FCN网络能够适应于任何输入大小的图像，并且可以在像素级别上准确地预测图像。根据AlexNet网络转换成FCN网络，其结构见下图(见图1)。图1FCN网络结构示意在连续卷积，池化后，特征图变得更小，维度不断提升，最小的一层称为Heatmap（热力图），热力图是一种最高维特征图。获取热力图后，上采样，将所述图像放大至所述输入图像尺寸，通过选择图像中每一个像素点每一类别的最大值（概率），以此像素为分类结果。就这样产生了1幅已被归类的照片，逐一进行像素计算，匹配图像真值，分割误差的计算，利用反向传播达到对网络进行训练的目的。在对网络进行权重训练之后，再一次前向传播，就可以实现图像分割这一推理过程。基于VGG16网络重构的FCN网络跳级（Skip）结构如下（见图2）所示，同时，利用反卷积进行上采样操作，达到了图像像素级精确识别。图2FCN网络上采样结构示意将原始图像经过第一轮卷积，池化处理后，所得特征图是原图像的二分之一：接着是第二轮卷积与池化，特征图大小改为原图四分之一：依此类推，接着执行又三轮卷积加池化运算，获得了尺寸为原图1/32的特征图。对1/32、1/16以及1/8尺寸的特征图进行逐级插值融合，以及与相应倍数反卷积相结合进行上采样操作，抽取神经网络深层高维抽象特征与浅层细节信息，最终完成原图像像素级识别。3、实验3.1实验环境及参数本论文模型训练和测试都是基于Detectron.2这一平台完成，Detectron22是继Detectron目标检测平台之后，FAIR（FacebookAIResearch）开发的新一代分割研究的平台；是建立在Pytorch框架之上的，从FCN的基准测试为切入点，将最前沿的目标检测算法融入其中。服务器上装有Ubuntu18.04系统，并配备了1张NVIDIATeslaV1O0显卡。综合考虑了数据集的特性和服务器性能，选择超参数BatchSize为8,Iteration为5万，LearningRate为0.00025。3.2评估标准主要是从图像语义分割准确度方面来评估算法，通常采用2种评价方法：像素准确率（PixelAccu--racy,PA）和交并比（IntersectionOverUnion,IoU），其中IoU的计算简单，具有较好的代表性，在图像语义分割评估中应用最为广泛。（1）PA像素准确度。该数据集包括陆地，水面，建筑和天空、树木有五种。该模型像素准确度是指在图中被正确划分的像素数占总像素数的百分比。（2）IoU交并比。采用IoU为位置偏差指标对预测目标进行度量，在所确定类型为正确时，IoU满足指定阈值，进而说明识别结果的正确性。3.3实验结果及分析训练集合，验证集合、测试集按8:1:1数量比例分类，对训练集与验证集中的最佳训练参数进行调试之后，将全部训练集与验证集样本一起作为训练集，在最佳参数下培训，获得最终模型，对模型进行了测试集的性能测试。针对各小型水电站的排口特点，所述排口下设有判定区域，接着，在识别结果中计算所述判断区水面面积占所判断区面积的比例；面积比超过50%时，进而得出此小水电站存在泄放生态基流的结论，判断是否属于正常情况：否则视为无泄放生态基流的情况，则判断属于异常情况(见图3)。(a)鸡鸣水电站生态基流识别正常示意图(b)普实水电站生态基流识别预警示意图图3识别结果示意从以下两个方面进一步展开实验研究：(1)样本数量数据集一共有20962个样本，保留10%的样本作为测试集，即2096个留待检验，在剩余的18866个样本中随机抽取不同数量的样本作为训练集和验证集。在训练样本总量不同时，模型性能见下表(见图4)。图4模型性能随样本数量变化由图4可见，随样本数量增多，CN模型分割后像素准确率及交并比明显提高，当量到12000左右，模型分割像素准确度为82.3%，召回率为69.8%。训练样本的数量不断增加，性能趋于平缓，无明显改进。最终PA达到82.8%，IoU达到71.3%。(2)对比实验对比对传统图像分割算法和FCN模型进行性能测试（见表1），对各个标签类别的性能差异进行了详细的对比。全部输入图像只有缩放，归一化后才能进入模型，没有其他预处理操作。表1深度学习方法与传统图像分割方法的性能对比性能指标数据集PA像素准确度/%IoU交并比/%传统图

像分割

方法传统图FCN像分割

方法FCN陆地55.677.353.467.5水面53.183.743.970.1建筑50.5天空62.386.858.280.2树木51.687.047.875.3平均54.6282.850.6872.18由实验结果可明显看出：无论是准确率还是召回率，FCN模型都显著地得益于传统的区域基图像分割方法，其中像素准确度平均为28.18%，平均交并比增加21.5%。以区域为单位进行图像分割，尽管计算简便，但是要通过人工交互才能得到种子点。该特征模式需人工设计，泛化能力较差，对于图像噪声异常敏感，而且图像素材是复杂多变的，不仅情景丰富，又因图像采集设备各异，质量相差很大，所以性能较差。基于神经网络的图像分割方法可以从数据集中学习和发现目标更为本质的属性，像素准确度及交并比均明显优于传统方法。3.4应用效果本论文所搭建的深度学习预警方案在生态基流监测系统中得到了成功应用，该系统共连接摄像头30个、预置位30个，它涵盖了全县所有正在运营的小型水电站，24h不中断自动监测。2020年24至27周共发出30起警报，经过对报警图片和回放视频的手工检查，其中28起是正确的报警，其预警准确率为93%(见图5)。图5预警电站实例利用深度学习图像分割技术进行生态基流监测，可以显著提高监管效率，减少人员工作量，切实保证下游生态环境用水安全。4、结语以深度学习为基础的技术开发在当前阶段正呈现井喷式增长，一大批成熟分割算法在各行业实际应用场景中落地。FCN所代表的系列优秀算法在小水电生态流量泄放监测中扮演着重要角色。构造了小水电站的监控数据集，细粒度分割标注监控场景包括陆地，水面和建筑等、天空与树木，提供了生态基流监测所需要的基本结构化数据支持。增强训练数据量可以有效改善深度学习模型FCN性能，最后像素准确度为82.8%，平均交并比为71.3%。（3）基于深度学习的图像分割，其识别性能明显好于传统图像分割，像素准确度平均为28.18%，平均交并比增加21.5%。本论文在FCN，搭建了从视频接入到算法推理再到前端展示的完整系统、预警消息推送全过程预警方案，为生态基流监控提供强有力的技术支持，切实提高水利监管自动化，智能化程度。参考文献[1]孙国强,章逸舟,唐杰阳,唐凡,卫志农,臧海祥,杨东.基于数据增强和深度学习的水电站告警事件诊断[J/OL].电力自动化设备:1-15[2023-02-17].DOI:10.16081/j.epae.202302001.[2]包长玉,谢俊,张秋艳,陈付山.基于深度学习的水电机组耗量特性封装与水电站厂内经济运行[J].水电能源科学,2022,40(12):173-177.DOI:10.20040/ki.1000-7709.2022.20220330.[3]唐杰