基于U-net的水位线检测

提出一种基于U-net水位线自动分割的新方法,并通过多种场景进行验证。首先标记出原始图像中的水和背景并对其灰度化;然后利用处理后的图像和原始图像制作出数据集,把数据集作为输入利用U-net对图像进行分割;最后将所有分割出来的图像进行边缘提取得到水位线。实验结果表明:U-net水位自动分割可以精确地标记出水位线,同时解决了在水位测量过程中图像背景所带来的影响,分割效果明显优于其它分割方法,识别率达到96%以上。

基于卷积神经网络的生物式水质监测方法

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征,再进行特征分类,从而识别水质。针对水质监测问题,提出一种使用卷积神经网络(CNN)的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现,是生物式水质分类的重要依据。使用Mask-RCNN的图像分割方法,求取鱼体的质心坐标,并绘制出一定时间段内鱼体的运动轨迹图像,制作正常与异常水质下两种轨迹图像数据集。融合Inception-v3网络作为数据集的特征预处理部分,重新建立卷积神经网络对Inception-v3网络提取的特征进行分类。通过设置多组平行实验,在不同的水质环境中对正常水质与异常水质进行分类。结果表明,卷积神经网络模型的水质识别率为99.38%,完全达到水质识别的要求。