一种水位监测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种水位监测方法、装置、电子设备及存储介质，该方法包括：将包含水位尺的第一图像输入到预先训练完成的第一卷积神经网络模型中，确定第一图像中水位尺预测框的第一位置信息；根据第一位置信息，从第一图像中提取所述水位尺对应的第二图像，并将第二图像输入到预先训练完成的第二卷积神经网络模型中，确定第二图像中水位尺上的数字预测框的第二位置信息，并根据第二位置信息，对每个数字预测框中的数字进行识别；根据识别出的数字，确定水面对应的目标数字，并根据目标数字以及目标数字的颜色，确定水位高度。由于在进行水位监测时无需进行繁琐的配置，且不受环境因素的影响，因此可以提高水位监测的适应性及准确性。

【技术实现步骤摘要】
一种水位监测方法、装置、电子设备及存储介质
本专利技术涉及图像识别
，尤其涉及一种水位监测方法、装置、电子设备及存储介质。
技术介绍
水位监测对于江、河、水库等水体的监测具有重要意义。目前国内的大多数水文站在进行水位监测时常用的方法包括：水位尺人工监测、传感器监测以及图像识别监测。其中，在采用水位尺人工监测的方法时，不但存在测量者的人身安全问题，而且容易受到天气影响，如遇到雨天或雾天，监测数据的准确性很难得到保证，监测的实时性不强，无法对洪汛灾害及时预警。在采用传感器监测的方法时，需要安装水位监测系统对水位进行测量，因此存在水位监测系统安装复杂、配置繁琐，适应性不强的问题。在采用图像识别监测的方法时，首先要基于单目摄像机进行图像采集，然后利用河流平面与河岸平面的光反射特性区别，最后基于水平像素投影算法来确定水位高度。因此该方法完全依赖于拍摄水位图像质量的好坏，且没有考虑倒影、折射或者正午时分有强烈光照等环境因素对水位刻度的影响，因此也会导致该方法准确性很难得到保证，适应性不强。因此，如何提高现有技术中在进行水位监测时的适应性及准确性，是一个值得研究的问题。专利
技术实现思路
本专利技术本文档来自技高网...

【技术保护点】
1.一种水位监测方法，其特征在于，所述方法包括：将包含水位尺的第一图像输入到预先训练完成的第一卷积神经网络模型中，确定所述第一图像中水位尺预测框的第一位置信息；根据所述第一位置信息，从所述第一图像中提取所述水位尺对应的第二图像，并将所述第二图像输入到预先训练完成的第二卷积神经网络模型中，确定所述第二图像中所述水位尺上的数字预测框的第二位置信息，并根据所述第二位置信息，对每个数字预测框中的数字进行识别；根据识别出的数字，确定水面对应的目标数字，并根据所述目标数字以及所述目标数字的颜色，确定水位高度。

【技术特征摘要】
1.一种水位监测方法，其特征在于，所述方法包括：将包含水位尺的第一图像输入到预先训练完成的第一卷积神经网络模型中，确定所述第一图像中水位尺预测框的第一位置信息；根据所述第一位置信息，从所述第一图像中提取所述水位尺对应的第二图像，并将所述第二图像输入到预先训练完成的第二卷积神经网络模型中，确定所述第二图像中所述水位尺上的数字预测框的第二位置信息，并根据所述第二位置信息，对每个数字预测框中的数字进行识别；根据识别出的数字，确定水面对应的目标数字，并根据所述目标数字以及所述目标数字的颜色，确定水位高度。2.如权利要求1所述的方法，其特征在于，预先训练所述第一卷积神经网络模型的过程包括：获取第一样本图像，其中所述第一样本图像中标注了水位尺预测框的第四位置信息；将进行标注后的第一样本图像输入到所述第一卷积神经网络模型中，根据所述第一卷积神经网络模型的每个输出，对所述第一卷积神经网络模型进行训练。3.如权利要求1所述的方法，其特征在于，所述将所述第二图像输入到预先训练完成的第二卷积神经网络模型中之前，所述方法还包括：将所述第二图像缩放到预设尺寸；所述将所述第二图像输入到预先训练完成的第二卷积神经网络模型中包括：将缩放后的第二图像输入到预先训练完成的第二卷积神经网络模型中。4.如权利要求1所述的方法，其特征在于，所述根据所述第二位置信息，对每个数字预测框中的数字进行识别之后，所述根据识别出的数字，确定水面对应的目标数字之前，所述方法还包括：A：根据每个数字预测框对应的第二位置信息，按从上到下的顺序对从每个数字预测框中识别出的数字进行排序，确定与识别出的数字对应的数字序列；B：针对数字序列中的每个数字，判断该数字与其相邻的下一数字是否连续，如果是，执行C，如果否，执行D；C：判断该数字的下一数字是否为数字序列的末位数字，如果是，执行E，如果否，继续针对下一数字进行判断，返回B；D：判断该数字是否为0，如果是，继续针对下一数字进行判断，返回B，如果否，将该数字确定为异常数字，并针对所述异常数字进行纠错处理，返回A；E：确定数字预测框中的数字识别正确，并执行后续步骤。5.如权利要求4所述的方法，其特征在于，所述针对所述异常数字进行纠错处理包括：根据所述异常数字对应的第二位置信息，以及针对所述水位尺预先保存的数字位置的平均值和标准差，计算获取所述异常数字的标准分；判断所述标准分是否在第一预设范围内；如果否，则将所述异常数字删除；如果是，则获取所述异常数字对应的第二位置信息与所述异常数字的相邻数字对应的第二位置信息的差值，并判断所述差值是否在第二预设范围内；如果是，则根据数字序列中所述异常数字之前的数字，对所述异常数字纠正；如果否，则判断所述差值是否小于第二预设范围中的最小值；如果是，则将所述异常数字删除；如果否，则根据预先保存的数字位置的平均值，在所述异常数字所在的数字预测框的下方增补新数字预测框，并根据所述异常数字，在新数字预测框内增补对应数字。6.如权利要求4或5所述的方法，其特征在于，所述第二卷积神经网络模型还确定所述第二图像中所述水位尺上的字符预测框的第三位置信息，并根据所述第三位置信息，对每个字符预测框中的字符进行识别，所述确定数字预测框中的数字识别正确之后，所述根据识别出的数字，确定水面对应的目标数字之前，所述方法还包括：A：根据数字预测框的第二位置信息和字符预测框的第三位置信息，判断数字序列中的末位数字在所述水位尺上对应的位置下方是否存在预设字符，所述预设字符包括第一字符和第二字符，如果否，执行B，如果是，执行C；B：将该数字序列确定为目标序列，并执行后续步骤；C：根据第一字符对应的第三位置信息和第二字符对应的第三位置信息，在末位数字所在的数字预测框的下方增补新数字预测框，并根据数字序列的末位数字，在新数字预测框内增补对应数字，重新确定数字序列，返回A。7.如权利要求6所述的方法，其特征在于，所述根据识别出的数字，确定水面对应的目标数字包括：将确定的目标序列中的末位数字确定为水面对应的目标数字。8.如权利要求6所述的方法，其特征在于，预先训练所述第二卷积神经网络模型的过程包括：获取第二样本图像，其中所述第二样本图像中标注了水位尺上的每个数字对应的数字标签信息、每个字符对应的字符标签信息、每个数字对应的数字预测框的第五位置信息以及每个字符对应的字符预测框的第六位置信息；将进行标注后的第二样本图像输入到所述第二卷积神经网络模型中，根据所述第二卷积神经网络模型的每个输出，对所述第二卷积神经网络模型进行训练。9.如权利要求1所述的方法，其特征在于，所述根据识别出的数字，确定水面对应的目标数字之后，所述方法还包括：根据所述目标数字对应的第二位置信息，从所述第二图像中提取所述目标数字对应的第三图像，并将所述第三图像输入到预先训练完成的第三卷积神经网络模型中，确定所述目标数字的颜色。10.如权利要求9所述的方法，其特征在于，预先训练所述第三卷积神经网络模型的过程包括：获取第三样本图像，其中所述第三样本图像中标注了该样本中的数字对应的颜色标签信息；将进行标注后的第三样本图像输入到所述第三卷积神经网络模型中，根据所述第三卷积神经网络模型的每个输出，对所述第三卷积神经网络模型进行训练。11.一种水位检测装置，其特征在于，所述装置包括：第一确定模块，用于将包含水位尺的...

【专利技术属性】
技术研发人员：任馨怡，陈媛媛，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江,33