基于深度学习算法的水尺水位视频智能监测方法及系统技术方案

本发明专利技术公开了一种基于深度学习算法的水尺水位视频智能监测方法及系统，属于图像识别和水位监测技术领域。本发明专利技术方法包括视频采集、视频帧处理、水位线识别和水位测算等步骤。本发明专利技术利用深度学习神经网络实现水位监测的智能化和自动化，具有极强的准确性和可行性，装置结构简单，便于部署，相对于现有技术来说不仅成本低廉、自动化水平高，而且还具有较高的监测效率，是对现有技术的一种重要改进。

Intelligent monitoring method and system of water level video based on deep learning algorithm

The invention discloses a water level video intelligent monitoring method and a system based on a deep learning algorithm, which belongs to the technical field of image recognition and water level monitoring. The method comprises steps of video acquisition, video frame processing, water level recognition and water level calculation. The invention uses the depth learning neural network to realize the intelligence and automation of water level monitoring. It has very strong accuracy and feasibility, the device is simple and easy to deploy. Compared with the existing technology, it is not only low cost, high automation level, but also has high monitoring efficiency. It is a heavy duty to the existing technology. To improve.

【技术实现步骤摘要】
基于深度学习算法的水尺水位视频智能监测方法及系统
本专利技术涉及图像识别和水位监测
，特别是指一种基于深度学习算法的水尺水位视频智能监测方法及系统。
技术介绍
水位监测是针对江、河、水库等水体的重要监测指标，具有重要意义。现有技术中，常规的水位监测方法有传感器监测和水位尺人工监测。其中，传感器监测能够自动采集表征水位的模拟量，然后通过一定的电路和算法将模拟量转换成水位数据。根据所采集模拟量的不同，水位传感器可分为浮子式传感器、压力式传感器、超声波式传感器等等多种形式。浮子式水位计比较便宜，适用性强，但是，测量水位时，要为它单独建造一个水位计房，其房子的造价甚至超过水位传感器的费用。此外，压力式传感器受水质变化的影响较大，需要经常检查并调整率定系数，给运行维护带来困难；而超声波水位传感器至于明渠之上，外界干扰多，经常会出现测量水位漂移的现象。另一方面，人工监测方式费时费力，显然不适应水位监测智能化、自动化的要求。可见，现有技术中的水位监测方法存在监测手段落后、监测成本较高、监测数据不准确等问题，不利于水位监测工作的进一步发展。
技术实现思路
有鉴于此，本专利技术提出一种基于深度学习算本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的水尺水位视频智能监测方法，其特征在于，包括以下步骤：采集水位视频，所述水位视频中包括水面和水尺的图像信息；从所述水位视频中提取视频帧，通过事先经过训练的全卷积神经网络对所述视频帧进行处理，得到区分出水尺区域和水面区域的处理图像；从所述处理图像中确定水位线的准确位置；根据水位线在水尺上的相对位置测算出水体的水位。

【技术特征摘要】
1.一种基于深度学习算法的水尺水位视频智能监测方法，其特征在于，包括以下步骤：采集水位视频，所述水位视频中包括水面和水尺的图像信息；从所述水位视频中提取视频帧，通过事先经过训练的全卷积神经网络对所述视频帧进行处理，得到区分出水尺区域和水面区域的处理图像；从所述处理图像中确定水位线的准确位置；根据水位线在水尺上的相对位置测算出水体的水位。2.根据权利要求1所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述全卷积神经网络依次包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、池化层和上采样层；所述上采样层采用反卷积操作，以用于将由于多次卷积操作而缩小的图像恢复为原始尺寸。3.根据权利要求2所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述第一卷积层卷积核的通道数、宽度和高度分别为96、11、11，所述第二卷积层卷积核的通道数、宽度和高度分别为265、5、5，所述第三卷积层卷积核的通道数、宽度和高度分别为384、3、3，所述第四卷积层卷积核的通道数、宽度和高度分别为384、3、3，所述第五卷积层卷积核的通道数、宽度和高度分别为256、3、3。4.根据权利要求2所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述第一卷积层卷积核的通道数、宽度和高度分别为96、11、11，所述第二卷积层卷积核的通道数、宽度和高度分别为265、5、5，所述第三卷积层卷积核的通道数、宽度和高度分别为4096、1、1，所述第四卷积层卷积核的通道数、宽度和高度分别为4096、1、1，所述第五卷积层卷积核的通道数、宽度和高度分别为1000、1、1。5.根据权利要求1所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述从所述水位视频中提取视频帧，通过事先经过训练的全卷积神经网络对所述视频帧进行处理，得到区分出水尺区域和水面区域的处理图像的步骤中，区分出水尺区域和水面区域的处理图像为对水尺区域和水面区域进行了不同着色的图像。6.根据权利要求1所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述从所述处理图像中确定水位线的准确位置的方式为：利用Canny算子对所述处理图像进行边缘检测，得到...

【专利技术属性】
技术研发人员：张新，丁晓嵘，孟坤，李刚，郎芬玲，
申请(专利权)人：北京市水利自动化研究所，东方网力科技股份有限公司，
类型：发明
国别省市：北京,11