买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华中农业大学

摘要：本发明涉及土壤模拟技术领域，尤其涉及一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法，还提出了一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定装置，本发明的装置可以适应性的进行降雨过程中粗颗粒土壤表面砾石覆盖率测定，在模拟降雨的过程中，可以防止雨水模拟时出现降雨死角，保证雨水的全面覆盖，摄像设备在持续拍摄工作过程中，不会因过热而影响正常工作，保证测定的持续进行。

主权项：1.一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法，其特征在于：包括以下步骤：S1、在待监测的土壤坡面上方安装N个摄像头，利用摄像头采集下方土壤表面的多幅图片；S2、打开人工模拟降雨器，开始对粗颗粒土壤进行降雨侵蚀，在降雨期间每隔一段时间采集相应时间段内的土壤图片，并对图片按时间进行命名；S3、将采集到的图片输入到训练好的CGAN网络模型中，对图片进行去雨雾处理；S4、对已经去雨雾的图片进行镜头校正和空间几何校正处理；S5、将校正处理过后的图片进行灰度化处理；S6、采用最大类间方差法，将图像分为前景和背景两个部分，从而将目标砾石和背景土壤分离，将灰度图像进行划分并各自转变为白色和黑色像素点，将黑、白像素分别统计以获得土壤和表面石英砾石的代表像素，经计算得到对应时段的粗颗粒土壤的坡面砾石颗粒覆盖率；步骤S3中的去雨雾处理通过以下步骤进行：A1、拍摄采集无降雨和有降雨条件下的土壤表面图片若干；A2、将采集到的无降雨的图片存入第一个文件夹，将无降雨对应的有降雨的图片存入第二个文件夹，将无降雨图片和有降雨图片进行相同命名形成对应；A3、将第一个和第二个文件夹中的图片调整为统一的大小，作为预先采集的数据集；A4、对采集到的数据集进行分类，将取得的数据集分为训练集和验证集，之后，将训练集输入至深度学习CGAN网络进行训练，自动调节深度学习CGAN网络中生成器和判别器的参数，需要训练集训练出深度学习能自主修改的权值参数；其中的调节生成器和判别器的参数，包括以下步骤：B1、构建条件生成深度学习CGAN网络:该深度学习CGAN网络包括生成器和判别器这两个模型；设G为生成器，D为判别器；B2、读取训练集第一文件夹和第二文件夹中各类图像文件:设第一文件夹内清晰图无降雨时的土壤表面图片为y，第二文件夹内与清晰图匹配的有降雨条件下的图片为x，随机噪声矩阵为z；将训练集中的雨图或雾图x和随机噪卢矩阵z后输入到生成器G，并生成新图像；B3、将生成器G生成的新图像z*与清晰图y通过判别器D进行对比，根据对比结果计算损失函数：LossD,G＝Ey～Pdatay[logDy|x]+Ez～p_zz[log1-DGz*|x]其中，E代表每个bacth-size里图片集的均值，Dy|x代表在将雾图或雨图作为标签时将清晰图y判别为无雨雾图像的概率；DGz*|x代表在将雾图或雨图为标签时将生成的新图像z*判别为无雨雾图像的概率；B4、根据损失函数计算出损失值，自动训练并继续调整生成器和判别器的参数；一直重复第二步至第四步，直到损失函数的值为相对最小值或者epoch达到预设阈值为止，具体过程如下：首先调节生成器G的参数，使生成器G内生成的新图像z*更能接近无降雨的图片，不被误判别，即Gz|x越小；然后调节判别器D的参数，使损失函数内清晰图y的判别概率Dy|x越大，生成的新图像z*的判别概率DGz*|x越大；由此不断调整两个网络的参数，满足GzIx概率最小，Dy|x和DGz*|x概率最大，最后得出损失函数的相对最小值MinMax: B5、得到一个基于CGAN的去雨雾网络模型G，即可将待处理图像有雨雾的图片作为输入，最终生成无雨雾的高清图；A5、通过验证集在训练过程中观察深度学习CGAN网络的输出结果，判断是否需要人为修改超参数和初始化值；若需要，则执行对超参数和初始化值的修改，若不需要，则直接输出网络模型。

全文数据：

权利要求：

百度查询： 华中农业大学 一种用于降雨过程中粗颗粒土壤表面砾石覆盖率测定方法