一种新型的水库水位测量方法技术

本发明专利技术公开一种新型的水库水位测量方法，其特征在于：包括摄像机、激光发射器、全站仪和预置基于深度学习的U

【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。这类方法比较容易受到水岸特征的影响，因此，这类方法的应用范围比较有限。
[0004]随着科技的发展，这些传统的水位测量方式被自动智能监测水位方式取代是必然趋势。基于此，本专利技术综合利用深度学习技术，设计了一种新型的水库水位测量方法，无需安装刻度板，直接利用算法计算出水位值。该方法由一个摄像机、一个激光发射器、一座全站仪和预置深度学习卷积神经网络算法和图像处理算法的网络服务器组成。通过网络将采集到的水位图片传送到网络服务器，再通过卷积神经网络预测出水位线和标记点与水位线的交点位置，再通过交点位置像素关系计算出水位值，从而可以实现水位的远程实时自动监测，也解决了传统水位测量方法的精度差、受环境影响较大等问题。

技术实现思路

[0005]为了解决
技术介绍
中所阐述的传统技术在水库水位测量方面精度差、受环境影响较大等问题，本专利技术提供了一种新型的水库水位测量方法，为实现水库、水坝水位高度自动化测量和预警提供了一种参考。
[0006]一种新型的水库水位测量方法，其技术方案为：包括摄像机、激光发射器、全站仪和网络服务器共四个部分；该方法一共分为三个模块来实现，第一个模块：利用激光发射器和全站仪在水库岸堤上依次不等距打出A、B、C、D、E、F共6个标记点，同时摄像机拍摄每个标
记点的图片上传到网络服务器识别出每个标记点的像素坐标，与此同时利用全站仪测量出该6个标记点的相对高程；第二个模块：关闭激光发射器，摄像机拍摄水位图片上传到网络服务器；第三个模块：网络服务器根据摄像机上传的图片首先检测出水位线，再检测出水位线与标记点连线的交点位置，利用交点位置的像素坐标和线性插值的方法测算出水位值；一种基于计算机图像识别的水位监测方法，其技术方案为：步骤1：将摄像机、激光发射器和全站仪安装到需要监测的地点，这里称为监测岸堤；步骤2：打开激光发射器，对住水库岸堤平面打出标记点A；步骤3：利用全站仪测量出标记点A对应的相对高程；步骤4：利用摄像机拍摄包含标记点A的水位图片，并上传到网络服务器识别出标记点的像素坐标；步骤5：重复步骤2到4，直到测算出其余标记点B、C、D、E和F的相对高程和像素坐标，结束；步骤6：关闭激光发射器，利用摄像机拍摄不包含标记点的水位图片并上传到网络服务器；步骤7：利用网络服务器的算法检测出水位线和水位线与标记点连线的交点i的像素坐标，利用交点位置的像素坐标和已知标记点的像素坐标和相对高程的线性关系测算出水位值；本专利技术的有益效果：可以解决现有水库水位测量技术中存在的成本高、安全性低、精度差等问题，本专利技术为水库、水坝的水位测量和预警提供了一种新的参考，成本低、受环境影响小，精度高；且采用摄像头进行水库水位的监测，自动化程度较高，避免了人为因素的干扰，且提高了工作效率。
附图说明
[0007]图1为本专利技术的水位高度测量方法示意图；图2为本专利技术的标记点的相对高程和像素坐标示意图；图3为本专利技术的水位测量方法原理图；图4为本专利技术的U
‑
net卷积神经网络的图层结构；图5为本专利技术的水位测量流程图。
具体实施方式
[0008]下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0009]本专利技术为一种新型的水位高度测量方法，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)共五个部分组成；具体的测量方法如下，如图1所示：步骤1：将摄像机(1)固定在固定支架(3)上让其保持不动，激光发射器(2)通过螺栓杆固定在固定支架(3)上，全站仪(4)水平放置在监测岸堤上，保持不动；
步骤2：利用枯水期水库岸堤见底的契机，首先打开激光发射器(2)对水库岸堤顶部打出标记点A，同时全站仪(4)测量出标记点A的相对高程并记录下来，摄像机(1)拍摄包含标记点A的图像上传到网络服务器(5)，利用网络服务器(5)中预置的图像处理算法识别出标记点A的像素坐标(，)；步骤3：松开螺栓杆，将激光发射器(2)向下旋转一定的角度之后，旋紧螺栓杆固定住激光发射器(2)，再往水库岸堤上打出标记点B，同时全站仪(4)测量出标记点B的高程并记录下来，摄像机(1)拍摄包含标记点B的图像上传到网络服务器(5)，利用网络服务器(5)中预置的图像处理算法识别出图像中标记点B的像素坐标(，)；步骤4:以此类推，重复步骤3，直到打完标记点F，测量出标记点F的相对高程和识别出标记点F的像素坐标(，)后，停止；同时，关闭激光发射器(2)和整理全站仪(4)，单独保留固定支架(3)和摄像机(1)在监测岸堤上；步骤5：整理6个标记点：A、B、C、D、E、F对应的相对高程和像素坐标，作为以后水位值计算的参考数据；例如，如图2所示：假设6个标记点的高程分别为、、、和且像素坐标分别为(，)、(，)、(，)、(，)、(，)和(，)；步骤6：在非枯水期，摄像机(1)不定时拍摄水文图像，并上传到网络服务器(5)，网络服务器（5）通过预置基于深度学习的U
‑
net卷积神经网络算法预测出图像中的水位线，并找到该水位线与标记点连线的交点i，然后利用预置的图像处理算法识别出交点i的像素坐标(，)，如图3所示；步骤7：利用线性插值的方法计算出水位值h：已知交点i的像素坐标(，)，判断像素坐标属于哪一个像素区间，假设像素坐标属于区间[,]，那么该时刻本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：