一种基于深度学习的水位智能检测方法技术

本发明专利技术涉及水位检测技术领域，具体公开了一种基于深度学习的水位智能检测方法，首先，提出强化小尺度特征的多层级特征融合方法来改进深度学习YOLOv5算法，强化算法对水尺刻度此类小目标的捕捉能力；然后，融合改进压缩激活网络（RankSENet模块）与Bottleneck Transformer模块进一步提升对水尺刻度的感知能力；最后，提出一种全新的水位高程解算方案，仅需利用部分水尺刻度锚框信息即可获得准确的水位高程信息，极大提升了检测方法的鲁棒性。性。性。

【技术实现步骤摘要】
一种基于深度学习的水位智能检测方法


[0001]本专利技术涉及水位检测
，具体涉及一种基于深度学习的水位智能检测方法。

技术介绍

[0002]目前，全球气候变化剧烈，随着极端降雨气候频发及城市“热岛效应”愈加明显，我国城市内涝灾害越发频繁。可见，水文资料与人类社会生活、生态环境关系密切，水位检测在水利工程、防汛预警等领域发挥着重要作用，实现智能化水务管控和洪涝灾害预警具有重要意义。
[0003]然而，现有的水位监测手段主要采用人工测量或者安装水位计测量水位，这些监测手段存在诸多缺点：人工读数难以保证实时性与准确性，且人力成本较高；水位计装置精确度、稳定性较差，且长时间与水面接触会导致外部生锈、损坏，从而加深了维护成本，难以满足现代化水务管控智能化、精细化需求。
[0004]随着信息化进程的不断推进，图像处理技术迅猛发展，以图像手段进行水位检测的方法得到广泛关注。然而，水尺刻度在检测图像中属于“小目标”对象，虽然深度学习目标检测技术已经取得了优秀的效果，但现有目标检测技术对小目标的检测能力依然存在严峻挑战。所以，亟需一种准确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水位智能检测方法，其特征在于：包括如下步骤：步骤1、采集水位图像，通过实地隔时采集各类水位图像，制作数据集；步骤2、选取标志物并标注，其中，各类标注类型具有不同的功能：E类标志，分为正E0、反E1，根据配置E的高程信息，获得垂向上每个像素与实际高程的粗略比率K'；数字类标志，根据配置水尺最顶部完整数字对应E的刻度信息，联系像素坐标与世界坐标；具体的，数字类包含数字0～9，分别记为N0～N9；水位类标志，获得水位线和水位线在垂直方向的图像坐标，进而换算出实际高程；具体的，水位标注框中心贴合水位线，标注框之间保持连续，记为W；水尺类标志，判断E类、数字类对象是否合法；具体的，水尺标注框水平向正好包含水尺，垂向全包括，记为R；并将标注图像按比例分为训练集Ⅰ和测试集Ⅱ；步骤3、将标注完成的训练集Ⅰ输入目标检测神经网络进行训练，提取训练模型；利用测试集Ⅱ测试训练模型的性能；所述目标检测神经网络选用YOLOv5网络结构作为深度学习主干网络，并融合RankSENet模块与Bottleneck Transformer模块；具体为：YOLOv5网络结构分为输入层、基准网络层、颈部特征融合网络层、检测头四个部分；其中：输入层负责图像预处理，包含图像自适应缩放、Mosaic数据增强、自适应锚框计算操作；基准网络层采用CSPDarknet53结构作为基准，同时引入Focus结构对图像进行切片，然后在通道方向拼接，并在基准网络层末端CSP模块后引入RankSENet模块，在SPP模块后引入Bottleneck Transformer模块，数据经过基准网络层末端CSP模块后，依次经过RankSENet模块、SPP模块和Bottleneck Transformer模块，接着传入颈部特征融合网络层；颈部特征融合网络层的中尺度特征映射和大尺度特征映射两个传递节点汇入到小尺度特征映射通道，对小尺度特征映射进行紧密、充分融合；检测头主体部分为三个检测器，每个检测器利用网格中设定的先验框在不同尺度的特征映射上进行目标检测，最终将三个检测器中概率评分最高的先验框选定为最终预测框；步骤4、将实际检测任务中采集到的数据集输入到步骤3中训练完成的目标检测神经网络，提取网络输出的矩形锚框信息；从而获取实际水位高程换算前的各类参数：取水尺中任意一个非最顶部的E类标志记为x1，记x1中心实际高度为H
top
，x1纵坐标为y
x1
，最顶部E和x1之间E类标志的个数a；取相邻两个合法正E、反E目标之间的中心横坐标，记为x
water
，记水位线纵坐标为y
water
；实测获取水尺中每个E类标志的实际高度h
e
和水尺最顶端完整搭配数字的E类标志的实际刻度h
top
；步骤5、将实际检测任务中采集到的数据集输入到步骤3中训练完成的目标检测神经网络，获取网络检测到的水尺R的水平横坐标最小值R
xmin
和最大值R
xmax
，判断除水位类W以外的其它检测对象是否合法，即判断检测目标水平横坐标是否存在于(R
xmin
，R
xmax
)之间，在此区域内为合法对象，否则为非法对象，非法对象不进行计算；如果没有检测到R目标，系统继承上一次R对象坐标信息；
步骤6、将实际检测任务中采集到的数据集输入到步骤3中训练完成的目标检测神经网络，获取网络检测到的水位线预测框并对中心坐标进行采样，然后进行最小二乘法拟合，即获得水位线的表达公式；然后检测数字类N目标是否存在，存在便进行下一步骤，如未检测到N类目标或W类目标，系统继承上一次水位实际高程值，操作结束；其中，水位线表达公式为y＝ax+b，其中，a是拟合直线的斜率，b是拟合直线的截距；最小二乘法拟合，拟合公式为其中，x
i
、y
i
是水位线预测框的中心坐标，n是水位线预测框的数量，是水位线预测框的中心坐标均值；步骤7、将实际检测任...

【专利技术属性】
技术研发人员：孙传猛，王文博，原玥，武志博，王宇，孔祥年，陈嘉欣，马铁华，裴东兴，
申请(专利权)人：中北大学，
类型：发明
国别省市：