【技术实现步骤摘要】
一种新型的水库水位测量方法
[0001]本专利技术涉及一种新型的水库水位测量方法,属于水位监测
技术介绍
[0002]目前,水资源和水安全问题己经成为影响社会、经济和生态发展的重要因素之一,其中,水库水位数据是可以反映这些问题的非常关键的水文资料。
[0003]目前,水位站检测水位高度的方法有许多种,常见的有:利用超声波的方式、利用雷达的方式、利用浮子的方式、基于压力的方式和利用图像处理的方式。以上所述的五种水位高度检测方法中,利用超声波的方式和基于压力的方式运用的最多,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。基于压力的检测方法虽然易于使用,但是在开放水域环境下,由于水下环境不确定性,为了保证测量的准确,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,容易造成损害;利用超声波的方式是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,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;然而,由于声速易受温度变化影响,因此,在大雨或大雪期间,环境温度变化较大,其测量精度无法保证;特别的是,利用图像处理的水位检测方法是近年来水位检测研究的热点,早期的基于图像的水位检测方法主要使用图像的空间信息,即基于图像边缘信息进行水位检测方法,这类方法的主要思想是,首先对拍摄图像进行校正,然后通过边缘检测算法检测特定区域的边缘信息,最后在已检测出的众多边缘中寻找可能的水位线 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种新型的水库水位测量方法,其特征在于:包括摄像机(1)、激光发射器(2)、固定支架(3)、全站仪(4)、网络服务器(5)共5个部分组成,其中:所述摄像机(1)和激光发射器(2)固定在固定支架(3)上,所述网络服务器(5)与摄像机(1)相连;所述摄像机(1)用于拍摄包含水平面和水库岸堤的水文图片,并上传到网络服务器(5);所述激光发射器(2)固定在固定支架(3)上,与摄像机(1)保持适当距离,可向水库岸堤发射激光,依次生成6个标记点A、B、C、D、E、F;所述固定支架(3)可以固定摄像机(1)和激光发射器(2);所述全站仪(4)可测量6个标记点A、B、C、D、E、F对应水库岸堤的相对高程;所述网络服务器(5)预置基于深度学习的U
‑
net卷积神经网络算法和图像处理算法,可接收摄像机(1)拍摄的包含水平面和水库岸堤的水文图片,并且预测图片中的水位线和识别6个标记点在所处图片中的像素坐标。2.根据权利要求1所述的一种新型的水库水位测量方法,其特征在于:所述摄像机(1)成像像素在800万像素以上,分辨率在1920
×
1080以上,用螺丝固定在固定支架(3)上,并将其架设在水库岸堤对面的监测岸堤,使得在每次拍摄水文照片的时候,摄像机(1)与水库岸堤的角度保持一致。3.根据权利要求1所述的一种新型的水库水位测量方法,其特征在于:所述激光发射器(2)通过螺栓杆固定在固定支架(3)上,松开螺栓杆可实现激光发射器(2)所在立面360度旋转,激光发射器(2)通过不同角度向水库岸堤发射激光,在水库岸堤上可形成6个不等间距的标记点A、B、C、D、E、F,通过全站仪(4)测量出每个标记点对应水库岸堤的相对高程,这6个标记点A、B、C、D、E、F的相对高程和图片像素坐标可以为之后的水位值计算提供参考数据。4.根据权利要求1所述的一种新型的水库水位测量方法,其特征在于:所述网络服务器(5)预置基于深度学习的U
‑
net卷积神经网络算法和图像处理算法,网络服务器(5)先通过U
‑
net卷积神经网络算法预测出摄像机(1)传来的水文图片中的水位线,再找到水位线与6个标记点连线的交点i,再利用图像处理算法识别出6个标记点A、B、C、D、E、F和交点i的像素坐标:根据交点i的像素坐标和标记点A、B、C、D、E、F的像素坐标和对应的相对高程来测算出水库水位值h。5.根据权利要求4所述的一种新型的水库水位测量方法,其特征在于:所述基于深度学习的U
‑
net卷积神经网络算法包括:输入层、下采样层、最大池化层、上采样层和输出层;输入层接收输入图像;下采样层通过卷积核及卷积运算提取图像的特征,低层次的卷积提取图像较低级别的特征,如边、线、角等信息;最大池化层对下采样层输出的特征图再次进行下采样,其目的是压缩特征,降低网络的计算量;下采样层及池化层的作用是对输入图像上的特征进行提取;上采样层是对下采样层和最大池化层输出的特征图片进行恢复到最开始输入到输入层的图片大小的操作;最后,由输出层输出图像;其中:下采样层、最大池化层和上采样层具体包括:第一组下采样层,命名为Conv1_x,共2层,分别为Conv1_1和Conv1_2,卷积核大小为3
×
3,步长为1,输出图片大小为512
×
512
×
64;第一组下采样层连接第一层最大池化层max_pool1,卷积核大小为2
×
2,步长为2,输出图片大小为256
×
256
×
64,第一层最大池化层连接第二组下采样层;
第二组下采样层,命名为Conv2_x,共2层,分别为Conv2_1和Conv2_2,卷积核大小为3
×
3,步长为1,输出图片大小为256
×
256
×
128;第二组下采样层连接第二层最大池化层max_pool2,卷积核大小为2
×
2,步长为2,输出图片大小为128
×
128
×
128,第二层最大池化层连接第三组下采样层;第三组下采样层,命名为Conv3_x,共2层,分别为Conv3_1和Conv3_2,卷积核大小为3
×
3,步长为1,输出图片大小为128
×
128
×
256;第三组下采样层连接第三层最大池化层max_pool3,卷积核大小为2
×
2,步长为2,输出图片大小为64
×
64
×
256,第三层最大池化层连接第四组下采样层;第四组下采样层,命名为Conv4_x,共2层,分别为Conv4_1和Conv4_2,卷积核大小为3
×
3,步长为1,输出图片大小为64
×
64
×
512;第四组下采样层连接第四层最大池化层max_pool4,卷积核大小为2
×
2,步长为2,输出图片大小为32
×
32
×
512,第四层最大池化层连接第五组下采样层;第五组下采样层,命名为Conv5_x,共2层,分别为Conv5_1和Conv5_2,卷积核大小为3
×
3,步长为1,输出图片大小为32
×
32
×
1024,第五组下采样层连接第一组上采样层;第一组上采样层,命名为up_Conv1_x,共3层,分别为up_Conv1_1、up_Conv1_2和up_Conv1_3,卷积核大小为2
×
2,步长为1,up_Conv1_1输出图片大小为64
技术研发人员:丁勇,孙英豪,宋国芳,吴巧莲,
申请(专利权)人:南京宥安传感科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。