一种基于图像识别的智能水位监测方法技术

本发明专利技术提出了一种基于图像识别的智能水位监测方法，包括：接收由被测区域内摄像设备发送来的图像数据；采用深度神经网络对所述图像数据中的水面以上水尺部分进行检测识别，在此基础上采用图割算法分割出水面以上的水尺图像；根据分割出的水尺图像计算出水面以上的水尺高度，并结合水尺的整体的高度，得到水面以下的水尺高度；获取实际站点水尺底部的高程和水面以下水尺的高度可以计算出水位值。本发明专利技术无需人工现场勘测水位，通过远程方式实现图像获取，在本地进行分析处理，计算出水位值，大大减轻了人工作业成本，也提高了测量的精确度。

An Intelligent Water Level Monitoring Method Based on Image Recognition

【技术实现步骤摘要】
一种基于图像识别的智能水位监测方法
本专利技术涉及水位监测
，特别涉及一种基于图像识别的智能水位监测方法。
技术介绍
水位观测是指对江河、湖泊和地下水等的水位的实地测定。水位资料与人类社会生活和生产关系密切。水利工程的规划、设计、施工和管理需要水位资料。桥梁、港口、航道、给排水等工程建设也需水位资料。防汛抗旱中，水位资料更为重要，它是水文预报和水文情报的依据。水位资料，在水位流量关系的研究中和在河流泥沙、冰情等的分析中都是重要的基本资料。通常利用水尺测定。水尺是传统的有效的直接观测设备。实测时，水尺上的读数加水尺零点高程即得水位。观测时间和观测次数要适应一日内水位变化的过程，要满足水文预报和水文情报的要求。在一般情况下，日测1～2次。有洪水、结冰、流冰、产生冰坝和有冰雪融水补给河流时，增加观测次数，使测得的结果能完整地反映水位变化的过程。现有的方式是通过人工现场勘测，这种方式不仅耗费人力，而且也对人身安全存在威胁，并且效率较低。
技术实现思路
本专利技术的目的旨在至少解决所述技术缺陷之一。为此，本专利技术的目的在于提出一种基于图像识别的智能水位监测方法。为了实现上述目的，本专利技术的实施例提供一种基于图像识别的智能水位监测方法，包括如下步骤：步骤S1，接收由被测区域内摄像设备发送来的图像数据，其中，所述图像数据中包括水尺图像；步骤S2，采用深度神经网络对所述图像数据中的水尺进行检测识别，在此基础上采用图割算法分割出水面以上的水尺图像；步骤S3，根据分割出的水尺图像计算出水面以上的水尺高度，并结合水尺的整体的高度，得到水面以下的水尺高度；步骤S4，获取实际站点水尺底部的高程和步骤S3中得到的水面以下水尺的高度可以计算出水位值。进一步，在所述步骤S2中，采用FasterR-CNN算法对所述图像数据中的水尺进行检测识别。进一步，利用FasterR-CNN算法的特征提取网络，从接收到的图像数据中提取水尺图像的特征，生成特征图；利用RPN网络作为候选区域网络，在所述特征图上进行处理，输出具有多种尺度和宽高比的矩形目标候选区域；将特征图和生成的目标候选区域输入分类回归网络，根据候选区域中的特征，输出生成的水尺候选区域的类别和水尺边界框。进一步，根据预设的感兴趣区域，利用所述感兴趣区域的左上角坐标和右下角坐标作为图割算法的输入坐标，采用图割算法从所述水尺边界框中分割出水面以上的水尺图像，其中，所述感兴趣区域为预设框定水尺的区域。进一步，所述感兴趣区域的左上角坐标从站点水尺数据表中读取，右下角坐标与所述水尺边界框的左下角坐标一致。进一步，所述FasterR-CNN算法的特征提取网络采用以下一种：ZF网络、VGG16网络和AlexNet网络。进一步，在所述步骤S3中，所述根据分割出的水尺图像计算出水面以上的水尺高度，包括如下步骤：根据分割出水面以上的水尺图像，利用水面以上水尺的像素数除以单位长度内像素数，得到水面以上水尺高度，再由水尺的整体高度减去水面以上水尺高度即为水面以下水尺高度。进一步，所述单位长度内像素数由预设的站点水尺数据表计算得到。根据本专利技术实施例的基于图像识别的智能水位监测方法，基于智能图像识别的水位监测系统，利用相关的计算机视觉技术和机器学习(包括深度学习)算法,开发的基于图像(视频)的智能水尺读取技术，可以接收水库、隧道等处安装的摄像设备远程传送过来的含有水尺的图像或视频，通过图像处理技术、深度学习和传统方法相结合，对图像中的水尺进行检测和识别、标定水面以上水尺部分、计算水面以上水尺部分高度等，进而得出水位数据。实现对计算出的水位数据进行自动保存、显示或返回请求端。若水位值超过警戒值，可以进行水位预警。本专利技术无需人工现场勘测水位，通过远程方式实现图像获取，在本地进行分析处理，计算出水位高度，大大减轻了人工作业成本，也提高了测量的精确度。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本专利技术实施例的基于图像识别的智能水位监测的流程图；图2为根据本专利技术实施例的FasterR-CNN网络模型结构图；图3为根据本专利技术实施例的FasterR-CNN特征提取网络结构图；图4为根据本专利技术实施例的FasterR-CNN候选区域生成网络和分类回归网络结构图；图5为根据本专利技术实施例的Grabcut算法流程图；图6为根据本专利技术实施例的基于智能图像识别的水位监测系统部署的硬件环境图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。如图1所示，本专利技术实施例的基于图像识别的智能水位监测方法，包括如下步骤：步骤S1，接收由被测区域内摄像设备发送来的图像数据，其中，图像数据中包括水尺图像。具体的，在被测区域周围安装有多台摄像设备，由摄像设备拍摄含有水尺的图像，然后远程传输给上位机进行分析处理。步骤S2，上位机采用深度神经网络对图像数据中的水尺进行检测识别，在此基础上采用图割算法分割出水面以上的水尺图像。在本步骤中，参考图2至图4，采用FasterR-CNN算法对图像数据中的水尺进行检测识别。FasterR-CNN是进行目标检测的一个经典的深度网络结构，它将传统的SelectiveSearch提取目标的方法替换成网络训练来实现，使得全流程的检测、分类速度和检测准确率大幅提升。FasterR-CNN算法主要分为两步：(1)确定目标的位置，然后对目标的类别进行识别。在具体的实现中，首先输入一张图像，然后经过一系列的卷积、池化操作，提取图像的特征，生成特征图。(2)利用候选区域生成网络，在特征图上进行处理，生成不同尺度和宽高比的目标候选区域。(3)将特征图和生成的目标候选区域输入分类回归网络，根据目标候选区域中的特征，输出生成的目标候选区域的类别和目标边界框。FasterR-CNN网络结构中主要由三个子网络组成：特征提取网络、候选区域生成网络和分类回归网络。具体的，对应到本专利技术的中的水尺图像处理，包括如下步骤：首先，利用FasterR-CNN算法的特征提取网络，从接收到的图像数据中提取水尺图像的特征，生成特征图。然后，利用RPN网络作为候选区域网络，在特征图上进行处理，输出具有多种尺度和宽高比的矩形目标候选区域。RPN网络是一个全卷积网络RPN网络的输入是特征提取网络输出的特征图，输出具有多种尺度和宽高比的矩形目标候选区域。RPN网络首先通过一个3×3的卷积核对特征图进行卷积操作，形成一个特征向量，然后用两个大小为1×1的卷积核模拟两个全连接层，得到候选区域的分数和修正参数，最后通过Softmax层对分数进行归一化，得到候选区域是否包含待测目标的置信度。最后，在提取候选区域之后，需要对候选区域进行分类回归操作。分类回归网络的输入是特征提取网络输出的特征图和候选区域提取网络输出的候选区域，输出的是候选区域对应每个类别的置信度和候选区域的修正参数。将特征图和生成的目标候选区域输入分类回归网络，根据候本文档来自技高网...

【技术保护点】
1.一种基于图像识别的智能水位监测方法，其特征在于，包括如下步骤：步骤S1，接收由被测区域内摄像设备发送来的图像数据，其中，所述图像数据中包括水尺图像；步骤S2，采用深度神经网络对所述图像数据中的水尺进行检测识别，在此基础上采用图割算法分割出水面以上的水尺图像；步骤S3，根据分割出的水尺图像计算出水面以上的水尺高度，并结合水尺的整体高度，得到水面以下的水尺高度；步骤S4，获取实际站点水尺底部的高程和步骤S3中得到的水面以下水尺的高度可以计算出水位值。

【技术特征摘要】
1.一种基于图像识别的智能水位监测方法，其特征在于，包括如下步骤：步骤S1，接收由被测区域内摄像设备发送来的图像数据，其中，所述图像数据中包括水尺图像；步骤S2，采用深度神经网络对所述图像数据中的水尺进行检测识别，在此基础上采用图割算法分割出水面以上的水尺图像；步骤S3，根据分割出的水尺图像计算出水面以上的水尺高度，并结合水尺的整体高度，得到水面以下的水尺高度；步骤S4，获取实际站点水尺底部的高程和步骤S3中得到的水面以下水尺的高度可以计算出水位值。2.如权利要求1所述的基于图像识别的智能水位监测方法，其特征在于，在所述步骤S2中，采用FasterR-CNN算法对所述图像数据中的水尺进行检测识别。3.如权利要求2所述的基于图像识别的智能水位监测方法，其特征在于，FasterR-CNN算法的特征提取网络，从接收到的图像数据中提取水尺图像的特征，生成特征图；利用RPN网络作为候选区域网络，在所述特征图上进行处理，输出具有多种尺度和宽高比的矩形目标候选区域；将特征图和生成的目标候选区域输入分类回归网络，根据候选区域中的特征，输出生成的水尺候选区域的类别和水尺边界框。4.如权...

【专利技术属性】
技术研发人员：严建华，贺鑫焱，刘昌军，何秉顺，林灿尧，李青，李磊，何艳芳，张翠军，杨兵，申玉龙，肖鹏磊，
申请(专利权)人：北京国信华源科技有限公司，
类型：发明
国别省市：北京,11