基于水尺字符检测识别的水位识别方法技术

本发明专利技术公开了一种基于字符检测识别的水尺水位识别方法,通过深度学习算法提取水尺图像中水尺和E字符；其中完整字符E代表的水尺长度M；半字符E分为若干类，每类代表唯一的水尺长度S；通过深度学习算法确定半字符E代表的刻度值S；根据识别到的E字符数量N及E字符对应的刻度值S；计算水面以上的水尺刻度值；用水尺的总刻度值减去水面以上的水尺刻度值,得到水位值。本发明专利技术优点在于利用远程水尺监控图像，采用轻量化深度学习模型，在不额外增加水位线识别模型的情况下，仅对离水面最近的完整或者不完整字符E进行识别，保证在视角变化、光照变化等复杂场景下精确、完整地识别图像中水尺的刻度信息，降低了算法的复杂度，提高了检测效率。提高了检测效率。提高了检测效率。

【技术实现步骤摘要】
基于水尺字符检测识别的水位识别方法


[0001]本专利技术涉及水利工程领域，尤其是涉及基于水尺字符检测识别的水位识别方法。

技术介绍

[0002]在水利工程中，实时、准确地监测水位变化能够在水位变化时采取合理的水位控制措施，减少洪涝灾害的发生。水尺是测量水位变化的重要工具，通过摄像头对水尺进行实时监测是现有监测水位的主要方法之一，然而，传统的水尺刻度识别方法容易受到水尺安置角度、拍摄角度、光照、天气等因素的影响，难以精确、完整地识别图像中水尺的刻度信息。
[0003]如，专利（CN108921165A）公开了一种基于水尺图像的水位识别方法，利用二值化处理、形态学分析、神经识别等传统图像处理方法对水尺刻度进行提取识别。专利（CN109522889A）通过HSV色彩空间对水尺进行初步定位，用模糊C聚类的方法实现字符的分割，然后用卷积神经网络对字符进行识别得到水位值。专利（CN110427933A）提出了先用深度学习目标检测算法对水尺进行定位，再通过腐蚀操作以及连通域方法得到E字符位置，最后用字符分类方法对字符进行识别。文献（《基于深度学习算法的水位识别方法研究》，水利信息化，2020年，王磊等）利用目标检测网络对水尺进行检测，然后用腐蚀膨胀操作将字符分离，最后用ResNet网络对分离后的字符值进行识别。这些方法在理想场景下可以对水位值进行很好的识别，然而在现实应用场景中水尺会受到光照变化、视角变化的影响，导致传统的二值化操作、形态学操作无法精准地对刻度字符进行分离，进而影响到后面的刻度值识别。
[0004]专利（CN110472636A）专利技术了一种基于深度学习的水尺E字形刻度识别方法，可以对水尺上面的E字符进行检测并识别，然而其所用的特征提取器为ResNe101，模型较为复杂，并需要额外构建一种水位线神经网络模型对水位进行识别，进一步增加了整体算法的复杂度。

技术实现思路

[0005]本专利技术目的在于提供一种基于水尺字符检测识别的水位识别方法, 利用远程水尺监控图像，精确地识别水尺图像中离水面最近的完整或者不完整字符E代表的刻度值，并根据水面上所有E字符的个数准确地计算出当前水域的水位值。
[0006]为实现上述目的，本专利技术采取下述技术方案：本专利技术所述一种基于水尺字符检测识别的水位识别方法，包括以下步骤：S1,获取水尺图像，对所述水尺图像中的水尺进行标注，构建水尺检测数据集；S2, 通过深度学习算法训练所述水尺检测练数据集，获得水尺检测网络模型；S3,通过所述水尺检测网络模型，提取水尺图像中包含水尺ROI的图像，形成水尺数据集；S4，对所述水尺数据集中水尺上的E字符进行E字符标注，构建E字符检测数据集；
所述E字符，包括含完整字符E和含半字符E；S5，通过深度学习算法训练所述E字符检测数据集，获得E字符检测网络模型；S6，通过所述E字符检测网络模型，提取水尺图像中所述水尺ROI上包含E字符ROI的图像，形成E字符识别数据集；S7，确定完整字符E代表的水尺长度M；S8，将半字符E分为若干类，并为每类半字符E标注代表的水尺长度S，构建半字符E识别数据集；S9，通过深度学习算法训练半字符E识别数据集，获得半字E符识别网络模型，确定半字符E代表的刻度值S；S10，获得待检测水尺图像；S11，使用水尺检测网络模型，识别水尺图像中的水尺；S12，使用E字符检测网络模型，识别水尺中的E字符，并输出识别到的E字符数量N及每个E字符的坐标；S13，根据E字符的Y坐标，按照降序进行排列，确定水面上方的第一个E字符；S14，使用半字符E识别网络模型，识别S13步中确定的E字符，得到其对应的刻度值S；S15，计算水面以上的水尺刻度值；计算方法为，(N
‑
1)
×
M + S；S16，计算水面以下水尺的刻度值，得到水位值；计算方法为，使用水尺的总刻度值减去S15步中确定的水面以上的水尺刻度值。
[0007]进一步地，S2步和S5步中，所述深度学习算法，是指YOLO
‑
V5目标检测算法。
[0008]进一步地，S6步中，所述E字符检测网络模型，还能够检测出水尺图像中水尺ROI上E字符的坐标值，以及E字符的总数量N。
[0009]进一步地，S7步中，所述完整字符E代表水尺长度为5cm。
[0010]进一步地，S9步中，所述深度学习算法为CRNN算法。
[0011]本专利技术优点在于利用远程水尺监控图像，采用轻量化深度学习模型，在不额外增加水位线识别模型的情况下，仅对离水面最近的完整或者不完整字符E进行识别，保证在视角变化、光照变化等复杂场景下精确、完整地识别图像中水尺的刻度信息，并降低了算法的复杂度，提高了检测效率。
附图说明
[0012]图1为本专利技术所述方法的流程图。
[0013]图2为本专利技术所述方法中水尺检测数据集的样本示意图。
[0014]图3为本专利技术所述方法中水尺数据集的样本示意图。
[0015]图4为本专利技术所述方法中E字符检测数据集的样本示意图。
具体实施方式
[0016]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的
范围。
[0017]如图1所示，本专利技术所述基于水尺字符检测识别的水位识别方法，包括以下步骤：S1,获取水尺图像，对水尺图像中的水尺进行标注，构建水尺检测数据集；水尺检测数据集的样本如图2所示；S2, 通过深度学习算法训练水尺检测练数据集，获得水尺检测网络模型；所述深度学习算法，是指YOLO
‑
V5（中文含义为：一种深度学习的对象检测算法）目标检测算法；S3,通过水尺检测网络模型，提取水尺图像中包含水尺ROI（英文region of interest的缩写，中文含义为感兴趣区、候选区）的图像，形成水尺数据集；水尺数据集的样本如图3所示；S4，对水尺数据集中水尺上的E字符进行E字符标注，构建E字符检测数据集；E字符检测数据集的样本如图3所示；所述E字符，包括含完整字符E和含半字符E。
[0018]S5，通过深度学习算法训练E字符检测数据集，获得E字符检测网络模型；S6，通过E字符检测网络模型，提取水尺图像中水尺ROI上包含E字符ROI的图像，形成E字符识别数据集；所述E字符检测网络模型，还能够检测出水尺图像中水尺ROI上E字符的坐标值，以及E字符的总数量N；S7，确定完整字符E代表的水尺长度M；通常1个完整字符E就代表水尺长度5cm；S8，将半字符E分为若干类，并为每类半字符E标注代表的水尺长度S，构建半字符E识别数据集；S9，通过深度学习算法训练半字符E识别数据集，获得半字E符识别网络模型，确定半字符E代表的刻度值S；所述深度学习算法为CRNN（中文含义为：一种深度学习算法，提取图像特征，并对图像特征进行分类预测的算法）算法；S10，获得待检测水尺图像；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于水尺字符检测识别的水位识别方法，其特征在于：包括以下步骤：S1,获取水尺图像，对所述水尺图像中的水尺进行标注，构建水尺检测数据集；S2, 通过深度学习算法训练所述水尺检测练数据集，获得水尺检测网络模型；S3,通过所述水尺检测网络模型，提取水尺图像中包含水尺ROI的图像，形成水尺数据集；S4，对所述水尺数据集中水尺上的E字符进行E字符标注，构建E字符检测数据集；所述E字符，包括含完整字符E和半字符E；S5，通过深度学习算法训练所述E字符检测数据集，获得E字符检测网络模型；S6，通过所述E字符检测网络模型，提取水尺图像中所述水尺ROI上包含E字符ROI的图像，形成E字符识别数据集；S7，确定所述完整字符E代表的水尺长度M；S8，将所述半字符E分为若干类，并为每类半字符E标注代表的水尺长度S，构建半字符E识别数据集；S9，通过深度学习算法训练所述半字符E识别数据集，获得半字E符识别网络模型，确定半字符E代表的水尺长度S；S10，获得待检测水尺图像；S11，使用水尺检测网络模型，识别水尺图像中的水尺；S12，使用E字符检测网络模型，识别水尺中的E字符，并输出识别到的E字符数量N及每个E...

【专利技术属性】
技术研发人员：安新代，吴迪，宋克峰，谢向文，马若龙，姜文龙，王延尧，
申请(专利权)人：黄河勘测规划设计研究院有限公司，
类型：发明
国别省市：