高精度水利工程水位增强识别多模测量方法技术

本申请提出一种高精度水利工程水位增强识别多模测量方法，基于褶扩展链接进行图像水位识别精准测量，包括水位识别多模测量和水位识别测量优化；首先构建级联褶扩展链接结构，以模块化方式将水位识别划分成3个子任务，分别进行水位高精度尺检测、数字精细识别和刻度测量识别，最终融合每个模块的结果，计算出当前水位值；基于强化学习链接模型采用微精调和多层级联合训练方法，对链接结构和参数进行调整，减少链接训练时长，对水位识别测量优化，综合考虑水位尺图像在拍摄光线不足、曝光过度、图像模糊、水位尺倾斜情形下的水位识别，生成大量的受干扰数据集进行训练，提高在不利环境下的识别率，水位测量精度和效率都有明显提高。高。高。

【技术实现步骤摘要】
高精度水利工程水位增强识别多模测量方法


[0001]本申请涉及一种水利水电工程水位测量方法，特别涉及一种高精度水利工程水位增强识别多模测量方法，属于非接触式高精度水位测量


技术介绍

[0002]供水、灌溉、防洪、发电、航运、养殖等都离不开水利工程，为了最大限度保证水工建筑物安全、高效、正常地运作，对各项参数进行实时监控尤为必要，其中水位就是一项重要指标。
[0003]无论是渠道、水库、湖泊、江河,都需要用到水位测量,在不同环境下，对设备要求也不尽相同。水利工程的水位测量不仅精度要求高,而且通常在露天环境下工作，温度大，湿度大，环境恶劣。水位测量设备种类繁多，根据读数的方式可分为自动读数和人工读数测量设备，根据是否浸入水中又可以分为接触式设备和非接触式设备。接触式测量设备由于浸入水中，会受到水流、压力、温度、泥沙等影响，往往会引起较大的质量转移误差或者严重的参数漂移，另外暴露在水中容易受到腐蚀，雷电天气也可能直接损坏电子元件,因此在精度和可靠性上不如非接触式测量方法。超声波水位计的声波速度并不恒定，容易受到气候条件的影响，误差较大，且价格较高。雷达水位计需要安装高频的发射器件，安装复杂、功耗大、价格高。
[0004]近年来，由于计算机性能的提升，机器学习和深度学习得到了快速发展，如果结合深度学习和机器学习在图像识别上的优势，训练出一种能够根据图像自动水位测量的模型,能够从复杂的图像中自动学习其中的模式，将具有非常大的优势。对于识别江河渠道水位来说，跟传统的图像处理方式相比，图像法水位测量能够避免前述的诸多缺点，设备无需接触水面，不受水流、压力、泥沙、腐蚀和雷电的影响。最后，摄像头安装简单、成本低廉，具有较低的维护成本。
[0005]基于图像的水位识别有两种方法。一种是基于形态学的理论，利用图像处理技术，对水位尺所在区域进行检测，例如边缘检测、轮廓检测、形状分析算法，然后对水位线进行检测，根据事先制定的公式计算出当前的刻度值；另一种方法是基于颜色理论，将图像的颜色空间从RGB转换到HSV或HSI空间，根据背景图像和水位尺图像的色调不同，检测出水位尺的位置，然后进行水位识别。
[0006]但现有技术的方法对图像处理技术依赖性很强，需要经过复杂的处理，对于不同的场景，需要使用不同的处理技术。现有技术都是对正常情形下的水位尺图像进行识别,没有考虑到真实环境中会遇到的各种复杂情形，例如：光线不足、水位尺倾斜、水位尺污染等，这些情形会增加识别的难度，降低识别正确率，这是处理的难点。
[0007]综上，现有技术的水利工程水位测量仍然存在若干问题和缺陷，本申请需要解决的问题和关键技术难点包括：
[0008](1)水利工程的水位测量不仅精度要求高,而且通常在露天环境下工作，温度大，湿度大，环境恶劣，现有技术接触式测量设备由于浸入水中，会受到水流、压力、温度、泥沙
等影响，往往会引起较大的质量转移误差或者严重的参数漂移，另外暴露在水中容易受到腐蚀，雷电天气也可能直接损坏电子元件,因此在精度和可靠性上不如非接触式测量方法。而现有技术超声波水位计容易受到气候条件的影响，误差较大，且价格较高，雷达水位计需要安装高频的发射器件，安装复杂、功耗大、价格高。对于识别江河渠道水位来说，图像识别法水位测量能够避免前述的诸多缺点，摄像头安装简单、成本低廉，具有较低的维护成本。但现有技术缺少一种准确高效的机器学习水位识别测量方法，无法结合深度学习和机器学习在图像识别上的优势，训练出一种能够根据图像自动水位测量的模型,不能从复杂的图像中自动学习其中的水位测量模式，导致其运用在水位测量是训练样本大，算法过于复杂，鲁棒性差，计算开销较大，通用性不足，在水面等复杂背景下识别率较低，且水位测量不够准确。
[0009](2)在水位自动检测方面，现有技术的方法均采用图像处理技术，需要对水位图像进行一系列处理，包括图像分割、形状校正、目标分析、边缘检测、轮廓跟踪、色调变换等。这些处理增加了识别的复杂度，降低了大规模水位测量的性能，复杂的处理也增加了测量的难度和硬软件维护成本，而且现有技术对图像处理技术依赖性很强，需要经过复杂的处理，对于不同的场景，需要使用不同的处理技术。现有技术都是对正常情形下的水位尺图像进行识别,没有考虑到真实环境中会遇到的各种复杂情形，例如：光线不足、水位尺倾斜、水位尺污染等，这些情形会增加识别的难度，降低识别正确率，设置在很多情况下造成测量结果无效，降低了水位自动检测的可信度，这是水位识别直接面临的问题，也是处理的难点。
[0010](3)在实际应用环境中,往往会遇到各种不利情形，包括光照明暗程度、拍摄角度不同、图像模糊等问题，对于这类受到干扰的水位高精度尺图像，现有技术缺少对应的解决方案，导致模型的鲁棒性降低，对于受到严重干扰的水位尺图像不能准确识别，在数据集收集、处理、训练方式方面有较大的优化改进空间。受拍摄角度的影响，水位尺图像可能发生倾斜，影响后续的识别流程，现有技术缺少针对水位尺倾斜问题进行改进的方法，水位尺倾斜时的测量结果误差太大。现有技术的水位尺检测模型，训练网络数据量大，链接层次深，导致训练缓慢，再加上网络的权重初始值对果有一定影响，所以很难一次就训练出满意的网络，多次训练的时间成本大，训练速度慢，导致测量模型整体效率较低，且测量精度不够。

技术实现思路

[0011]本申请结合深度学习和褶扩展链接在图像识别上的优势，对水位高精度尺图像进行自动识别，设备无需接触水面，不受水流、压力、泥沙、腐蚀和雷电的影响，是一种基于图像、非接触式、低成本的测量方法，基于级联褶扩展链接结构,将水位识别的问题划分成3个子任务，提出了3级褶扩展链接模型，分别是水位高精度尺检测模型、数字精细识别模型、刻度测量识别模型，综合3个模块的输出结果，计算出当前水位值。采用褶扩展链接的微精调训练方法，在强化学习模型的基础上作出修改和优化，设计了用于提取水位高精度尺图像的物体检测模型。对水位识别问题进行优化，采用人工合成的方式扩充数据集，生成大量干扰训练数据，增强了算法鲁棒性；提出了水位高精度尺倾斜校正方法；利用微精调和多层级联合训练减少链接训练时长。本申请在1cm精度要求下，最终测试集的正确率达到87％，高于传统的图像处理方法(70％)，且算法复杂度低，处理速度明显加快，在精度和效率等性能上都有明显提高。
[0012]为实现以上技术效果，本申请所采用的技术方案如下：
[0013]高精度水利工程水位增强识别多模测量方法，基于褶扩展链接进行图像水位识别精准测量，包括水位识别多模测量和水位识别测量优化；首先构建级联褶扩展链接结构，以模块化方式将水位识别划分成3个子任务，分别进行水位高精度尺检测、数字精细识别和刻度测量识别，最终融合每个模块的输出结果，计算出当前水位值，水位高精度尺检测基于强化学习链接模型，采用微精调和多层级联合训练方法，以强化学习预训练模型为基础，对链接结构和参数进行调整，减少链接训练时长，最后，对水位识别测量优化，综合考虑水位高精度尺图像在拍摄光线不足、曝光过度、图像模糊、水位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.高精度水利工程水位增强识别多模测量方法，其特征在于，基于褶扩展链接进行图像水位识别精准测量，包括水位识别多模测量和水位识别测量优化；首先构建级联褶扩展链接结构，以模块化方式将水位识别划分成3个子任务，分别进行水位高精度尺检测、数字精细识别和刻度测量识别，最终融合每个模块的输出结果，计算出当前水位值，水位高精度尺检测基于强化学习链接模型，采用微精调和多层级联合训练方法，以强化学习预训练模型为基础，对链接结构和参数进行调整，减少链接训练时长，最后，对水位识别测量优化，综合考虑水位高精度尺图像在拍摄光线不足、曝光过度、图像模糊、水位高精度尺倾斜情形下的水位识别，生成大量的受干扰数据集进行训练，提高在不利环境下的识别率；1)水位识别多模测量：采用微精调的方式训练，以强化学习链接模型为基础，对链接结构进行调整，将分类问题修改为回归问题，链接输出水位高精度尺所在的物体边界框，数字精细识别模型识别水面上方水位高精度尺的数字，根据后续计算得出水面上方的量程，该链接以滑动窗口的形式从上至下不断读入部分水位高精度尺图像，链接输出图像中的数字；链接刻度测量识别模型读入滑动窗口的最后一张图像，该图像包含水位高精度尺与水面交接处，刻度测量识别模型识别当前水位高精度尺所在刻度，整合模型将前3个褶扩展链接模型的结果汇总融合，从摄像头捕获的图像中提取出水位高精度尺区域，然后获得水面上方的量程和当前的刻度，综合计算出当前水位值；2)水位识别测量优化：从三个方面对褶扩展链接模型进行优化，一是针对干扰水位高精度尺图像,提出自动合成数据集的方法，在正常数据集的基础上，对图像的明暗程度进行调整，采用人工合成的方式，对图像进行高斯模糊、添加噪点、亮度调整、随机旋转，镜像翻转一系列处理，生成特殊水位高精度尺图像数据集，将扩充后的数据集用于训练；二是提出一种对倾斜水位高精度尺校正的方法，采用低时间复杂度的方法针对水位高精度尺倾斜问题进行校正改进；三是采用微精调在强化学习模型基础上进行优化训练，加快深度链接的训练时间，避免过拟合，另外，采用多层级联合训练先在小数据集上预训练，然后在全数据集上完整训练，链接更容易收敛。2.根据权利要求1所述高精度水利工程水位增强识别多模测量方法，其特征在于，水位高精度尺检测模型：水位高精度尺区域用物体边界框表示，(x,y,w,h)是长度为4的向量，以图像左上角顶点作为原点坐标(0,0)，x、y表示边界框区域的中心点坐标，w、h表示边界框的宽度和高度，单位为像素；水位高精度尺检测模型的整体结构由初始图像、褶扩展链接、风险链接、全链接、边界回归和多元分类组成，褶扩展链接提取图像特征，风险链接预测图像中的备选水位高精度尺区域，全链接将物体边界框映射到特征图上于处理分类和回归任务，最后链接有两个输出，一个是边界回归，输出物体边界框(x,y,w,h)，是一个长度为4的向量，另一个输出是多元分类，输出长度为2的向量，表示此区域是背景和水位高精度尺的置信度；风险链接是备选区域生成链接，风险链接使用3
×
3褶扩展核，在褶扩展链接的最后一层输出特征图上进行滑动，与特征图做褶扩展运算，每个特征图得到一个1维向量，最后一层输出512个特征图，对于每个滑动窗口映射到一个长度为512的特征向量，设褶扩展链接的特征图大小为N
×
M，把特征图的每个滑动窗口映射回原图的中心点，风险链接比例修改为1：1、1：2、
…
、1：8共8种比例；在定义损失函数之前先对正负样本进行定义，将风险预测的物体边界框与标注的物体
边界框重叠比例最大的备选区域记为正样本；损失函数由两部分构成，第一部分是定义二分类的多元函数，有2个输出，分别代表该区域是水位高精度尺的概率和背景的概率；第二部分是物体边界框的回归损失，输出表示4个坐标值，在训练时需要将水位高精度尺照片缩放到224
×
224，保留前13个褶扩展层，将3个全连接层替换成中间全链接、边界回归层和多元分类层。3.根据权利要求1所述高精度水利工程水位增强识别多模测量方法，其特征在于，数字精细识别模型：采用摄像头采集的初始图像，根据水位高精度尺检测模型输出的物体边界框,按照相同放大比例，在初始图像中裁剪出水位高精度尺图像；采用滑动窗口将水位尺图像的宽度按比例缩放到64像素，然后使用64
×
64的滑动窗口，以50％的重叠从上到下进行移动,将每一次移动得到的图像作为模型的输入，模型输出为长度为11的向量，代表11个分类，前10类代表0
‑
9的数字，第11类为负样本，表示图像中没有数字；该褶扩展链接共有4层，第1层输入是滑动窗口所在的水位高精度尺图像，大小为64
×
64像素的灰度图像，褶扩展层包含32个褶扩展核,褶扩展核大小为5
×
5,步长为1,褶扩展后与褶扩展前的大小保持一致，窗口大小为2
×
2，步长为2；第2层输入大小32
×
32，包含64个褶扩展核，褶扩展核大小3
×
3，步长为1，降采样窗口大小为2
×
2，步长为2；第3层是全连接层，输入是长度为32
×
32
×
64的向量,输出是1024的向量；第4层是全连接层，输入是长度为1024的向量，输出是长度11的向量，代表11种分类。4.根据权利要求1所述高精度水利工程水位增强识别多模测量方法，其特征在于，刻度测量识别模型：水位尺刻度照片为64
×
64像素，照片包含大约5至10cm的水位尺量程；该链接模型的输入数据是64
×
64像素的二值化图像，展开成4096元素的一维向量，链接输出一个浮点数，表示当前水位值；该褶扩展链接共有6层,第一层是输入是初始图像，大小为64
×
64像素，褶扩展层包含32个褶扩展核，褶扩展核大小为5
×
5，步长为1，褶扩展后特征图大小变为(64
‑
5+1)
×
(64
‑
5+1)，降采样窗口大小为2
×
2，步长为2；第二层输入大小30
×
30，包含64个褶扩展核，褶扩...

【专利技术属性】
技术研发人员：胡建波，
申请(专利权)人：胡建波，
类型：发明
国别省市：