基于生成对抗网络的水流图像生成及流速估测方法研究

基于生成对抗网络的水流图像生成及流速估测方法研究

论文摘要

近年来,流速测量在水电资源调控的过程中扮演了重要的角色。我国发展了众多的农村小水电站用以进行实时的水电调度。实际的天然环境复杂多变,河道流速往往会随季节、时间以及地势的变化而变化。目前的流速测量方法尽管取得了良好的效果,但仍存在不足之处。一方面,传统的人工流速测量方法在实际操作中耗费了大量人力和物力,且一旦发生洪涝灾害或者当地形复杂时,专业测量人员的安全无法得到可靠保证;另一方面,流行的粒子图像测速方法大多需要向天然河道抛撒合适的示踪粒子,且示踪粒子的选择又有诸如环保性、可行性等条件限制。因此,在尽可能节约人力成本以及设备成本的前提下,设计和开发一种新型非接触式流速测量方法具有十分重要的意义。随着大数据和深度学习时代的来临,大数据量级的分类及预测已经开始应用于不同的实际场景。得益于其强大的特征自学习能力,深度学习已经在模式识别领域发挥了举足轻重的作用。本文从现有常用的流速测量方法的优缺点着手,利用在图像生成和分类领域已广泛应用的生成式对抗网络以及卷积神经网络,探索并设计一种全新的非接触式流速估测方法,本文的主要工作如下:(1)针对河流表面纹理特征丰富性不足的问题,为实现数据增强效果,提出一种基于条件边界平衡的生成式对抗网络算法,以实现在正常晴朗天气时的水流图像生成。算法引入条件标签信息,强制引导生成网络的生成数据方向,降低模型的生成自由度;同时为保证生成样本的可靠性,在判别器的真伪判断之外,另增加了验证模块,对生成数据进行对应类别的可靠性验证,以实现更高质量的水流图像生成。最终通过实验验证了所提算法的有效性。(2)在以上研究的基础上,实现对存在雾气遮挡的水流图像模拟,增加数据集的异常情况,提出一种改进的端到端生成式对抗网络,引入新的目标损失函数,在不降低生成样本模糊度的前提下缓解模型在水流数据集上的过拟合问题,从而增强后续分类网络的鲁棒性。最后利用实验对水流数据进行仿真与伪样本生成。(3)为实现不同流速级的水流流速分类,除了对数据集进行增强以外,也对分类模型进行改进,提出一种基于多特征融合的卷积神经网络,实现对多尺度特征的融合和学习,以增强分类网络应对细节差异小的流速图像的区分能力,同时通过服务器平台的实验验证了该分类网络对不同流速级别以及不同流速分辨率的估测效果。综上所述,本文主要研究基于生成式对抗网络的河流表面图像生成及流速估测方法,并将所提算法应用于实际的小水电站数据集中,且均取得了良好的实验效果。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  •   1.1 课题研究背景及意义
  •   1.2 国内外研究现状
  •     1.2.1 水流测速方法研究现状
  •     1.2.2 图像生成算法研究现状
  •     1.2.3 图像分类方法研究现状
  •   1.3 研究内容与结构安排
  •     1.3.1 论文内容概述
  •     1.3.2 论文结构安排
  • 第二章 基于条件边界平衡生成对抗网络的水流图像生成
  •   2.1 引言
  •   2.2 边界平衡生成对抗网络算法
  •   2.3 基于条件边界平衡GAN的图像生成
  •     2.3.1 条件边界平衡GAN算法实现
  •     2.3.2 基于标签信息的图像生成
  •     2.3.3 生成图像验证机制
  •   2.4 实验及分析
  •     2.4.1 实验数据预处理
  •     2.4.2 实验环境及配置
  •     2.4.3 不同输入样本对比分析
  •     2.4.4 验证机制结果分析
  •     2.4.5 标签引导机制的效果对比分析
  •     2.4.6 生成图像质量分析
  •   2.5 本章小结
  • 第三章 基于端到端生成对抗网络的水流图像加雾算法
  •   3.1 引言
  •   3.2 端到端的生成对抗网络算法
  •     3.2.1 U-Net网络结构
  •     3.2.2 Patch-GAN
  •   3.3 基于改进Pix2Pix的图像加雾
  •     3.3.1 改进模型损失函数
  •     3.3.2 基于U-NET结构的生成器
  •     3.3.3 判别器模型结构
  •   3.4 实验及分析
  •     3.4.1 实验数据
  •     3.4.2 实验环境及配置
  •     3.4.3 不同迭代次数生成图像分析
  •     3.4.4 网络损失函数分析
  •     3.4.5 不同算法的生成图像质量分析
  •   3.5 本章小结
  • 第四章 基于多特征融合的河流表面流速估测
  •   4.1 引言
  •   4.2 卷积神经网络算法基础
  •   4.3 基于多特征融合的流速分类网络
  •     4.3.1 多特征融合
  •     4.3.2 分类网络结构
  •   4.4 实验及分析
  •     4.4.1 实验对象
  •     4.4.2 水流图像采集
  •     4.4.3 实验平台配置
  •     4.4.4 多特征融合效果分析
  •     4.4.5 自然状态流速估测分析
  •     4.4.6 加雾状态流速估测分析
  •   4.5 本章小结
  • 第五章 总结与展望
  •   5.1 工作总结
  •   5.2 研究展望
  • 参考文献
  • 致谢
  • 作者简介
  •   1 作者简历
  •   2 攻读工学硕士学位期间发表的学术论文
  •   3 参与的科研项目
  •   4 发明专利
  • 学位论文数据集
  • 文章来源

    类型: 硕士论文

    作者: 杨胜兰

    导师: 王万良

    关键词: 流速估测,生成对抗网络,图像生成,卷积神经网络,特征融合

    来源: 浙江工业大学

    年度: 2019

    分类: 基础科学,工程科技Ⅱ辑,信息科技

    专业: 地球物理学,水利水电工程,计算机软件及计算机应用

    单位: 浙江工业大学

    基金: 国家自然科学基金委(项目编号 61873240),“十二五”国家科技支撑计划:农村小水电高效发电技术与设备研制(2012BAD10B01)

    分类号: TP391.41;P332.4

    DOI: 10.27463/d.cnki.gzgyu.2019.000747

    总页数: 79

    文件大小: 3712K

    下载量: 92

    相关论文文献

    • [1].图像超分辨率重建[J]. 中国新通信 2020(02)
    • [2].基于深度学习的单图像超分辨率重建研究综述[J]. 计算机应用研究 2020(02)
    • [3].基于稀疏编码的图像超分辨率复原[J]. 计算机与数字工程 2020(03)
    • [4].深度图像超分辨率重建技术综述[J]. 西华大学学报(自然科学版) 2020(04)
    • [5].视频解码与图像超分辨率重建研究[J]. 电视技术 2020(02)
    • [6].功能型复合深度网络的图像超分辨率重建[J]. 计算机科学与探索 2020(08)
    • [7].人工智能在广电领域中的应用——以大连新闻传媒集团为例[J]. 演艺科技 2020(07)
    • [8].基于球形矩匹配与特征判别的图像超分辨率重建[J]. 计算机应用 2020(08)
    • [9].图像超分辨率方法研究进展[J]. 计算机工程与应用 2020(19)
    • [10].混合阶通道注意力网络的单图像超分辨率重建[J]. 计算机应用 2020(10)
    • [11].基于对抗网络遥感图像超分辨率重建研究[J]. 计算机工程与应用 2020(21)
    • [12].基于深度学习的图像超分辨率重建方法综述[J]. 云南民族大学学报(自然科学版) 2019(06)
    • [13].基于生成对抗网络的遥感图像超分辨率重建[J]. 光学与光电技术 2019(06)
    • [14].基于深度学习的图像超分辨率复原研究进展[J]. 自动化学报 2017(05)
    • [15].图像超分辨率重建的研究进展[J]. 计算机工程与应用 2017(16)
    • [16].基于深度学习的图像超分辨率重建研究[J]. 电脑知识与技术 2020(29)
    • [17].基于分离字典的图像超分辨率重建[J]. 中国科学:信息科学 2020(02)
    • [18].基于密集连接的生成对抗网络实现单图像超分辨率方法研究[J]. 电子设计工程 2020(12)
    • [19].改进的生成对抗网络的图像超分辨率重建[J]. 计算机工程与设计 2020(07)
    • [20].基于改进总广义变分的单幅红外图像超分辨率算法[J]. 轻工学报 2020(04)
    • [21].生成对抗网络的单图像超分辨率重建方法[J]. 计算机科学与探索 2020(09)
    • [22].基于改进邻域嵌入与导向核回归的图像超分辨率重建[J]. 数字技术与应用 2020(08)
    • [23].基于深度卷积神经网络的图像超分辨率重建方法[J]. 传感器与微系统 2020(09)
    • [24].基于稀疏贝叶斯估计的单图像超分辨率算法[J]. 计算机应用研究 2019(02)
    • [25].基于生成网络的遥感图像超分辨率的研究[J]. 实验室研究与探索 2019(03)
    • [26].用于图像超分辨率重构的深度学习方法综述[J]. 小型微型计算机系统 2019(09)
    • [27].基于残差密集网络的单幅图像超分辨率重建[J]. 计算机应用与软件 2019(10)
    • [28].基于对抗神经网络和语义分割技术的图像超分辨率系统的研发和应用[J]. 有线电视技术 2019(11)
    • [29].基于深度特征学习的图像超分辨率重建[J]. 自动化学报 2017(05)
    • [30].基于FPGA的图像超分辨率的硬件化实现[J]. 现代电子技术 2017(17)

    标签:;  ;  ;  ;  ;  

    基于生成对抗网络的水流图像生成及流速估测方法研究
    下载Doc文档

    猜你喜欢