一种自适应环境水位识别方法、装置及设备制造方法及图纸

本发明专利技术提供一种自适应环境水位识别方法、装置及设备，包括构建数据集，对已获取的多环境下的水位监测图像进行标注，构建水体分割模型，分割水体和背景，构建目标类别自选择模型，根据背景的种类确定水位监测图像的类别，构建自适应环境的水位识别模型，获取水位线信息，计算水位值，对于目标水域，通过目标类别自选择模型、水体分割模型、自适应环境的水位识别模型得到水位值，且通过新的水位监测图像更新数据集，更新水体分割模型和目标类别自选择模型，并更新自适应环境的水位识别模型中，本发明专利技术能够识别不同类别的水位监测图像的水位，且每遇到一个新的水域，都会更新现有的自适应环境的水位识别模型，适应新环境。适应新环境。适应新环境。

【技术实现步骤摘要】
一种自适应环境水位识别方法、装置及设备


[0001]本专利技术涉及水位识别
，具体涉及一种自适应环境水位识别方法、装置及设备。

技术介绍

[0002]水位是河流湖泊的基本水文要素之一，获取精确的水位数据对于水资源调度和防汛排涝抗旱有着重要意义，传统的水位监测方法有人工检测法，浮子式，压力式，超声波式等，以上方法存在着安全隐患高，测量成本高昂，设备维护困难，测量误差较大等情况。
[0003]随着计算机视觉领域的发展，物联网智能水利是目前各大水利部门的技术发展趋势，图像处理法逐渐被应用到水位识别中，现有技术通常为：将所有水位监测图像集成为一个大数据集，仅对数据集进行训练集和测试集的分类，利用上述得到的训练集和测试集训练和调整得到一个水位监测模型。将上述水位监测模型应用到所有水域环境中，水位监测时根据水域环境进行水体分割，得到水位线的位置，根据水位线信息得到具体的水位值，再根据长时间的率定结果对水位监测模型进行调整。以上技术存在的问题主要是两方面：一方面为真实水域环境复杂，仅靠单一模型监测水位线的位置时会在应用时出现各种各样的误差，例如单一模型对于复杂环境下的图像进行水体分割处理时会存在将地面杂草分割到水体中，或者将水体分割到岸线，导致水体提取出现误差，影响最终的计算结果的问题。另一方面为单一模型为保证获取的水位线的位置与真实信息相同，需要经过很长时间的率定，根据这段时间获取的水位线的位置与真实水位线的位置进行比对，调整模型的相关参数，复杂且费时费力。

技术实现思路

[0004]根据现有技术的不足，本专利技术的目的是提供一种自适应环境水位识别方法、装置及设备，构建一个自适应环境的水位识别模型，便于对不同类别的水域环境下的水位监测图像进行分割，且每遇到新的水域环境，都会对现有的自适应环境的水位识别模型进行一次更新，本专利技术能够更快适应新的水域环境，鲁棒性更强，且无需长时间的率定。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：一种自适应环境水位识别方法，包括以下步骤：步骤1、构建数据集，对已获取的多种水域环境的水位监测图像进行标注且将标注后的水位监测图像汇总得到大数据集，根据水体的背景的种类将大数据集分为多个小数据集，并将每个小数据集和大数据集分别分为训练集和测试集；步骤2、构建水体分割模型，水体分割模型用于分割水位监测图像中的水体和背景，获取分割结果，水体分割模型包括对应多个小数据集的多个水体分割专用模型和对应大数据集的1个水体分割通用模型；步骤3、构建目标类别自选择模型，用于根据背景的种类确定水位监测图像的类别，当水位监测图像与其中一个水体分割专用模型匹配度大于一定阈值时，则匹配到该水
体分割专用模型，反之，则匹配到水体分割通用模型；步骤4、构建自适应环境的水位识别模型，将适用于目标类别自选择模型的输出连接到水体分割模型的输入，将水体分割模型输出的分割结果作为水位计算板块的输入构成自适应环境的水位识别模型，水位计算板块通过分割结果获取水位线信息，进而通过计算水位值；步骤5、对于目标水域，获取若干张新的水位监测图像，利用自适应环境的水位识别模型计算水位值，通过目标类别自选择模型确定新的水位监测图像的类别，匹配到合适的水体分割专用模型或水体分割通用模型，对新的水位监测图像进行水体和背景分割，根据分割结果获取水位线信息，进而通过水位计算板块计算水位值；步骤6、若在步骤3或步骤5中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像按照步骤1的方法进行标注分类，并通过步骤3中确定水位监测图像的新类别，对目标类别自选择模型进行更新，将标注后的水位监测图像按照步骤2的方法构建新的水体分割专用模型和更新水体分割通用模型，并对自适应环境的水位识别模型进行更新；若在步骤5中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与步骤5获取的新的水位监测图像汇总形成新的大数据集，将匹配的水体分割专用模型的小数据集与步骤5获取的新的水位监测图像汇总形成新的小数据集，对该类别的水位监测图像进行更新，实现目标类别自选择模型的更新，且按照步骤2构建新的水体分割专用模型和更新水体分割通用模型；步骤7、将新的水体分割专用模型、更新后的水体分割通用模型和目标类别自选择模型更新到自适应环境的水位识别模型中，使得自适应环境的水位识别模型也相应进行更新，若有新的目标水域，则重复步骤5~7。
[0006]进一步地，所述步骤1具体包括：步骤101、对已获取的水位监测图像进行预处理；步骤102、对已获取的水位监测图像标注水体和背景；步骤103、根据不同背景的特点将已获取的水位监测图像分为n类，得到大数据集S和多个小数据集；步骤104、将多个小数据集中每一个小数据集均匀分为k组，每次从中任选k
‑
1组作为训练集，1组作为测试集，进行k折交叉试验；步骤105、将大数据集S按照步骤104的方法划分训练集和测试集。
[0007]进一步地，所述步骤2具体包括：步骤201、构建第一深度学习模型，将水位监测图像中每个像素分类至水体类别和背景类别，构建水体类别和背景类别分别对应的第1类softmax分类器和第2类softmax分类器，并在下一层构建未知类别对应的第3类softmax分类器；步骤202、将多个小数据集和1个大数据集构建的训练集分别输入到第一深度学习模型中，对应第1类softmax分类器和第2类softmax分类器，分割水体和背景部分，根据输出结果的每张的分割情况，将分割效果较差的水位监测图像放入第3类softmax分类器中，获得多个初始的水体分割专用模型和1个初始的水体分割通用模型，通过测试集根据第一评价因子判断水体分割专用模型和水体分割通用模型的好坏并实时调整参数，直至精度不再提升，得到合适的水体分割专用模型和水体分割通用模型；
步骤203、将放入至第3类softmax分类器中的水位监测图像按照步骤1的方法进行标注分类，将标注后的水位监测图像作为输入按照步骤201和步骤202的方法构建水体分割专用模型，直到第3类softmax分类器中不再有分割效果较差的水位监测图像。
[0008]进一步地，所述步骤3具体包括：步骤301、构建第二深度学习模型，将步骤103中水位监测图像和加入的新类别的水位监测图像分类至{b1，b2，...，bn，bn+1，bn+2}中，其中，{b1，b2，...，bn}对应n类水位监测图像的多个小数据集，匹配步骤2中的多个水体分割专用模型，bn+1对应大数据集S，匹配步骤2的水体分割通用模型，bn+2对应加入的新类别的水位监测图像，对{b1，b2，...，bn，bn+1，bn+2}构建n+2类softmax分类器；步骤302、将步骤1中建立的训练集作为输入，输入到第二深度学习模型中训练，首先将输入的水位监测图像对{b1，b2，...，bn}中的类别进行匹配，若与其中一个水体分割专用模型匹配度大于一定阈值时，则选择该水体分割专用模型，反之，则选择水体分割通用模型，通过步骤1中建立的测试集根据第二评价因子判断目标类别自选择模型的好坏并实时调整参数，直至精度不再提升，得到合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应环境水位识别方法，其特征在于，包括以下步骤：步骤1、构建数据集，对已获取的多种水域环境的水位监测图像进行标注且将标注后的水位监测图像汇总得到大数据集，根据水体的背景的种类将大数据集分为多个小数据集，并将每个小数据集和大数据集分别分为训练集和测试集；步骤2、构建水体分割模型，水体分割模型用于分割水位监测图像中的水体和背景，获取分割结果，水体分割模型包括对应多个小数据集的多个水体分割专用模型和对应大数据集的1个水体分割通用模型；步骤3、构建目标类别自选择模型，用于根据背景的种类确定水位监测图像的类别，当水位监测图像与其中一个水体分割专用模型匹配度大于一定阈值时，则匹配到该水体分割专用模型，反之，则匹配到水体分割通用模型；步骤4、构建自适应环境的水位识别模型，将适用于目标类别自选择模型的输出连接到水体分割模型的输入，将水体分割模型输出的分割结果作为水位计算板块的输入构成自适应环境的水位识别模型，水位计算板块通过分割结果获取水位线信息，进而通过计算水位值；步骤5、对于目标水域，获取若干张新的水位监测图像，利用自适应环境的水位识别模型计算水位值，通过目标类别自选择模型确定新的水位监测图像的类别，匹配到合适的水体分割专用模型或水体分割通用模型，对新的水位监测图像进行水体和背景分割，根据分割结果获取水位线信息，进而通过水位计算板块计算水位值；步骤6、若在步骤3或步骤5中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像按照步骤1的方法进行标注分类，并通过步骤3中确定水位监测图像的新类别，对目标类别自选择模型进行更新，将标注后的水位监测图像按照步骤2的方法构建新的水体分割专用模型和更新水体分割通用模型，并对自适应环境的水位识别模型进行更新；若在步骤5中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与步骤5获取的新的水位监测图像汇总形成新的大数据集，将匹配的水体分割专用模型的小数据集与步骤5获取的新的水位监测图像汇总形成新的小数据集，对该类别的水位监测图像进行更新，实现目标类别自选择模型的更新，且按照步骤2构建新的水体分割专用模型和更新水体分割通用模型；步骤7、将新的水体分割专用模型、更新后的水体分割通用模型和目标类别自选择模型更新到自适应环境的水位识别模型中，使得自适应环境的水位识别模型也相应进行更新，若有新的目标水域，则重复步骤5~7。2.根据权利要求1所述的自适应环境水位识别方法，其特征在于：所述步骤1具体包括：步骤101、对已获取的水位监测图像进行预处理；步骤102、对已获取的水位监测图像标注水体和背景；步骤103、根据不同背景的特点将已获取的水位监测图像分为n类，得到大数据集S和多个小数据集；步骤104、将多个小数据集中每一个小数据集均匀分为k组，每次从中任选k
‑
1组作为训练集，1组作为测试集，进行k折交叉试验；步骤105、将大数据集S按照步骤104的方法划分训练集和测试集。
3.根据权利要求1所述的自适应环境水位识别方法，其特征在于：所述步骤2具体包括：步骤201、构建第一深度学习模型，将水位监测图像中每个像素分类至水体类别和背景类别，构建水体类别和背景类别分别对应的第1类softmax分类器和第2类softmax分类器，并在下一层构建未知类别对应的第3类softmax分类器；步骤202、将多个小数据集和1个大数据集构建的训练集分别输入到第一深度学习模型中，对应第1类softmax分类器和第2类softmax分类器，分割水体和背景部分，根据输出结果的每张的分割情况，将分割效果较差的水位监测图像放入第3类softmax分类器中，获得多个初始的水体分割专用模型和1个初始的水体分割通用模型，通过测试集根据第一评价因子判断水体分割专用模型和水体分割通用模型的好坏并实时调整参数，直至精度不再提升，得到合适的水体分割专用模型和水体分割通用模型；步骤203、将放入至第3类softmax分类器中的水位监测图像按照步骤1的方法进行标注分类，将标注后的水位监测图像作为输入按照步骤201和步骤202的方法构建水体分割专用模型，直到第3类softmax分类器中不再有分割效果较差的水位监测图像。4.根据权利要求1所述的自适应环境水位识别方法，其特征在于：所述步骤3具体包括：步骤301、构建第二深度学习模型，将步骤103中水位监测图像和加入的新类别的水位监测图像分类至{b1，b2，...，bn，bn+1，bn+2}中，其中，{b1，b2，...，bn}对应n类水位监测图像的多个小数据集，匹配步骤2中的多个水体分割专用模型，bn+1对应大数据集S，匹配步骤2的水体分割通用模型，bn+2对应加入的新类别的水位监测图像，对{b1，b2，...，bn，bn+1，bn+2}构建n+2类...

【专利技术属性】
技术研发人员：刘炳义，李玉琳，嵇莹，刘维高，
申请(专利权)人：武汉大水云科技有限公司，
类型：发明
国别省市：