智能水位检测设备、智能水位监控管理装置及检测方法制造方法及图纸

本发明专利技术公开一种智能水位检测设备、智能水位监控管理装置及检测方法，智能水位检测设备由处理器、现场可编程门阵列、随机存储器、数字存储卡、网络通信模块组成；所述现场可编程门阵列，预置基于深度学习训练CNN卷积神经网络，预测水位线；通过智能水位监控管理装置实施基于深度学习的智能水位检测方法，具体包括以下步骤：设置系统状态为正常状态、根据抓拍策略抓拍图像进行图像裁剪处理、预测水位线、虚拟水位计算、是否超过预警虚拟水位、是否首次进入系统预警状态、更新预警信息、生成预警记录、发送预警短信；本发明专利技术解决了现有技术中存在的对于水域基于图像的检测方法中存在的检测方法复杂、效率低的问题。

Intelligent water level detection equipment, intelligent water level monitoring and management device and detection method

【技术实现步骤摘要】
智能水位检测设备、智能水位监控管理装置及检测方法
本专利技术属于水位检测
，涉及一种智能水位检测设备、智能水位监控管理装置及检测方法。
技术介绍
对河道、水库等水域的水位实施全天候的监控对于环境治理、水资源管理、防洪防灾、农业生产、渔业生产等领域来说是十分重要的。根据测量特征的不同，常见的水位检测可分为五种类型：基于浮子的方式、基于压力的方式、基于超声波的方式、基于雷达的方式和基于图像的方式。目前基于压力的水位检测方法及基于超声波的水位检测方法应用最多。基于压力的方法将压力传感器放置于待测液位底部，当液位高度变化时，底部液体压力会发生变化，通过压力及液位深度之间的关系可以将压力直接转换为水位值；该方法虽然易于使用，但由于水下环境的不确定性，为了保证测量的准确性，需要经常对传感器进行校准；同时，由于传感器长期承受水压，因而容易造成设备损害，需要经常更换。基于超声波的水位测量方法利用超声波在同种介质中传播速度相对恒定以及碰到障碍物能反射的原理制成；该方法因为不需要将传感器置于水中，避免了基于压力的水位检测方法的相关问题，但由于易受温度变化影响，因此，当大雨或大雪期间，环境温度变化较大时，其测量精度是无法保证的。基于图像的检测方法，通常需要在水中设置标示水深的水位标尺，在水岸设置进行图像矫正的特殊图案标记，通过图像处理方式，首先对所拍图像进行矫正后，提取标尺暴露于水面外的部分，然后在提取标尺上的刻度来检测水深；该方法需要对检测水位的区域进行改造，由于图像处理的需求，对检测区域的照明也有较高要求，无法在夜间、雨雪天气或红外照明情况下进行有效检测。专利CN104655233中通过传统的图像处理技术提取标尺刻度信息：主要过程如下：1)采用基于图像平面的畸变校正对水上标尺图像实现径向畸变校正；2)基于小波滤波单元与径向畸变校正单元连接，通过Harr小波滤波器对已校正水上标尺图像执行小波滤波，以获得滤波图像；3)对滤波图像执行灰度化处理，以获得灰度图像，进行水位检测；4)检测暴露于水位线上的刻度数值完成水位检测。该方法必须对图像进行矫正，否则无法正确预测水位。专利CN108318101中利用深度学习技术提取水尺区域及水域区域，主要包括以下步骤：1)基于深度学习算法获得水尺区域像素及水面区域像素；2)利用Canny算子进行边缘检测，并对边缘图像进行形态学处理；3)利用水面与水尺交界面处的图像突变信息得到水位线的准确位置。该方法必须在水中放置测量标尺，需要对测量现场进行改造，对水位的检测十分依赖对水尺的分割检测，如果水尺刻度被污染，则无法完成检测预警。
技术实现思路
为了达到上述目的，本专利技术提供一种智能水位检测设备，解决了现有技术中对于水域基于图像的检测方法中存在的检测方法复杂、效率低的问题。本专利技术的另一目的是提供一种智能水位监控管理装置。本专利技术的再一目的是提供一种基于深度学习的智能水位检测方法。为解决上述技术问题，本专利技术所采用的技术方案是，一种智能水位检测设备，由处理器、现场可编程门阵列、随机存储器、数字存储卡、网络通信模块5个部分组成；所述的现场可编程门阵列、数字存储卡、网络通信模块通过PCIE总线与处理器连接，所述随机存储器通过数据总线和地址总线与处理器连接；所述现场可编程门阵列，预置基于深度学习训练CNN卷积神经网络，用于预测输入图像的水位线，即预测水位线；所述随机存储器，用于为处理器和现场可编程门阵列提供运行时所需的主存储空间；所述数字存储卡，用于存储永久保存数据；所述网络通信模块，用于将设备与网络进行连接。进一步的，所述基于深度学习训练CNN卷积神经网络，具体包括：第一卷积层，名称Conv1，卷积核大小为7x7，共64层，后接最大池化层，最大池化层的池化核大小为3x3，第一卷积层的输出特征图大小为112x112；第一卷积层后接第二卷积组；第二卷积组，该组命名为Conv2_x，第二卷积组由三组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共64层，后接3x3卷积核，共64层，后接1x1卷积核，共256层；三组卷积核分别命名为Conv2_1、Conv2_2、Conv2_3；Conv2_1后接Conv2_2，Conv2_2后接Conv2_3；Conv2_3后接最大池化层，最大池化层池化核大小为2x2；第二卷积组输出特征图大小为56x56，第二卷积组后接第三卷积组；第三卷积组，该组命名为Conv3_x，第三卷积组由四组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共128层，后接3x3卷积核，共128层，后接1x1卷积核，共512层；四组卷积核分别命名为Conv3_1、Conv3_2、Conv3_3、Conv3_4；Conv3_1后接Conv3_2，Conv3_2后接Conv3_3，Conv3_3后接Conv3_4；Conv3_4后接最大池化层，最大池化层池化核大小为2x2；第三卷积组输出特征图大小为28x28，第三卷积组后接第四卷积组；第四卷积组，该组命名为Con4_x，第四卷积组由六组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共256层，后接3x3卷积核，共256层，后接1x1卷积核，共1024层；六组卷积核分别命名为Conv4_1、Conv4_2、Conv4_3、Conv4_4、Conv4_5、Conv4_6；Conv4_1后接Conv4_2，Conv4_2后接Conv4_3，Conv4_3后接Conv4_4，Conv4_4后接Conv4_5，Conv4_5后接Conv4_6；Conv4_6后接最大池化层，最大池化层池化核大小为2x2，第四卷积组输出特征图大小为14x14，第四卷积组后接第五卷积组；第五卷积组，该组命名为Con5_x，第五卷积组由三组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共512层，后接3x3卷积核，共512层，后接1x1卷积核，共2048层；三组卷积核分别命名为Conv5_1、Conv5_2、Conv5_3；Conv5_1后接Conv5_2，Conv5_2后接Conv5_3；Conv5_3后接最大池化层，最大池化层池化核大小为2x2，第五卷积组输出特征图大小为7x7，第五卷积组后接全局平均池化层；全局平均池化层，输出为二维向量；以上所有卷积核输入均进行Batchnorm归一化处理，激活函数均使用Relu函数进行激活。一种智能水位监控管理装置，包括：红外照明设备、抓拍摄像头以及所述的智能水位检测设备；所述的抓拍摄像头，用于拍摄相关图像，抓拍摄像头和所述的红外照明设备组成具有红外照明功能的户外网络监控摄像头；所述智能水位检测设备，根据抓拍摄像头抓拍的图像预测虚拟水位，如果所述虚拟水位超过预警虚拟水位，则发送告警短信。进一步的，所述的抓拍摄像头成像像素200万像素以上，分辨率1920×1080以上；所述的红外照明设备为一红外照明灯，该红外光源保证在夜晚光线不足的情况下，对检测区域抓拍的图像依然可用。一本文档来自技高网...

【技术保护点】
1.一种智能水位检测设备，其特征在于，由处理器(401)、现场可编程门阵列(402)、随机存储器(403)、数字存储卡(404)、网络通信模块(405)5个部分组成；所述的现场可编程门阵列(402)、数字存储卡(404)、网络通信模块(405)通过PCIE总线与处理器(401)连接，所述随机存储器(403)通过数据总线和地址总线与处理器(401)连接；/n所述现场可编程门阵列(402)，预置基于深度学习训练CNN卷积神经网络，用于预测输入图像的水位线，即预测水位线；/n所述随机存储器(403)，用于为处理器(401)和现场可编程门阵列(402)提供运行时所需的主存储空间；/n所述数字存储卡(404)，用于存储永久保存数据；/n所述网络通信模块(405)，用于将设备与网络进行连接。/n

【技术特征摘要】
1.一种智能水位检测设备，其特征在于，由处理器(401)、现场可编程门阵列(402)、随机存储器(403)、数字存储卡(404)、网络通信模块(405)5个部分组成；所述的现场可编程门阵列(402)、数字存储卡(404)、网络通信模块(405)通过PCIE总线与处理器(401)连接，所述随机存储器(403)通过数据总线和地址总线与处理器(401)连接；
所述现场可编程门阵列(402)，预置基于深度学习训练CNN卷积神经网络，用于预测输入图像的水位线，即预测水位线；
所述随机存储器(403)，用于为处理器(401)和现场可编程门阵列(402)提供运行时所需的主存储空间；
所述数字存储卡(404)，用于存储永久保存数据；
所述网络通信模块(405)，用于将设备与网络进行连接。


2.根据权利要求1所述的一种智能水位检测设备，其特征在于，所述基于深度学习训练CNN卷积神经网络，具体包括：
第一卷积层，名称Conv1，卷积核大小为7x7，共64层，后接最大池化层，最大池化层的池化核大小为3x3，第一卷积层的输出特征图大小为112x112；第一卷积层后接第二卷积组；
第二卷积组，该组命名为Conv2_x，第二卷积组由三组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共64层，后接3x3卷积核，共64层，后接1x1卷积核，共256层；三组卷积核分别命名为Conv2_1、Conv2_2、Conv2_3；Conv2_1后接Conv2_2，Conv2_2后接Conv2_3；Conv2_3后接最大池化层，最大池化层池化核大小为2x2；第二卷积组输出特征图大小为56x56，第二卷积组后接第三卷积组；
第三卷积组，该组命名为Conv3_x，第三卷积组由四组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共128层，后接3x3卷积核，共128层，后接1x1卷积核，共512层；四组卷积核分别命名为Conv3_1、Conv3_2、Conv3_3、Conv3_4；Conv3_1后接Conv3_2，Conv3_2后接Conv3_3，Conv3_3后接Conv3_4；Conv3_4后接最大池化层，最大池化层池化核大小为2x2；第三卷积组输出特征图大小为28x28，第三卷积组后接第四卷积组；
第四卷积组，该组命名为Con4_x，第四卷积组由六组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共256层，后接3x3卷积核，共256层，后接1x1卷积核，共1024层；六组卷积核分别命名为Conv4_1、Conv4_2、Conv4_3、Conv4_4、Conv4_5、Conv4_6；Conv4_1后接Conv4_2，Conv4_2后接Conv4_3，Conv4_3后接Conv4_4，Conv4_4后接Conv4_5，Conv4_5后接Conv4_6；Conv4_6后接最大池化层，最大池化层池化核大小为2x2，第四卷积组输出特征图大小为14x14，第四卷积组后接第五卷积组；
第五卷积组，该组命名为Con5_x，第五卷积组由三组卷积核组成，其中每组结构均为以下描述：1x1卷积核，共512层，后接3x3卷积核，共512层，后接1x1卷积核，共2048层；三组卷积核分别命名为Conv5_1、Conv5_2、Conv5_3；Conv5_1后接Conv5_2，Conv5_2后接Conv5_3；Conv5_3后接最大池化层，最大池化层池化核大小为2x2，第五卷积组输出特征图大小为7x7，第五卷积组后接全局平均池化层；
全局平均池化层，输出为二维向量；
以上所有卷积核输入均进行Batchnorm归一化处理，激活函数均使用Relu函数进行激活。


3.一种智能水位监控管理装置，其特征在于，包括：红外照明设备、抓拍摄像头(502)以及权利要求1-2任一项所述的智能水位检测设备(503)；
所述的抓拍摄像头(502)，用于拍摄相关图像，抓拍摄像头(502)和所述的红外照明设备组成具有红外照明功能的户外网络监控摄像头；
所述智能水位检测设备(503)，根据抓拍摄像头(502)抓拍的图像预测虚拟水位，如果所述虚拟水位超过预警虚拟水位，则发送告警短信。


4.根据权利要求3所述的一种智能水位监控管理装置，其特征在于，所述的抓拍摄像头(502)成像像素200万像素以上，分辨率1920×1080以上；所述的红外照明设备为一红外照明灯(501)，该红外光源保证在夜晚光线不足的情况下，对检测区域抓拍的图像依然可用。


5.一种基于深度学习的智能水位检测方法，其特征在于，通过权利要求3-4任一项所述的一种智能水位监控管理装置实施，具体包括以下步骤：
步骤S100，基于深度学习的智能水位检测方法，前期准备工作依次有：
步骤S100-1，固定抓拍摄像头(502)的方位、朝向及缩放；通过摄像头控制软件可以设置摄像头的方位、朝向及缩放，并设置为默认值；
步骤S100-2，手工标识检测区域；在抓拍图像中，位于水面与水域中可见固定参照物的交界区域，框选一矩形检测区域，需确保在框选区域内，包含水面及相关可见固定参照物；
步骤S100-3，虚拟水位标尺生成；在所述检测区域内由智能水位检测设备(503)中的现场可编程门阵列(402)，计算形成虚拟水位标尺...

【专利技术属性】
技术研发人员：廖赟，
申请(专利权)人：廖赟，
类型：发明
国别省市：云南;53