CN106557764B - 一种基于二进制编码字符水尺和图像处理的水位识别方法 - Google Patents
一种基于二进制编码字符水尺和图像处理的水位识别方法 Download PDFInfo
- Publication number
- CN106557764B CN106557764B CN201610942531.1A CN201610942531A CN106557764B CN 106557764 B CN106557764 B CN 106557764B CN 201610942531 A CN201610942531 A CN 201610942531A CN 106557764 B CN106557764 B CN 106557764B
- Authority
- CN
- China
- Prior art keywords
- binary
- water gauge
- coded character
- image
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/23—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on positionally close patterns or neighbourhood relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及数字图像处理技术,特别是一种基于二进制编码字符水尺和图像处理的水位识别方法。本发明包括提取二进制编码字符水尺图像关键像素,Radon变换算法进行二进制编码字符水尺倾斜校正,二进制编码字符水尺左右、上下边缘的确定,二进制编码字符水尺刻度线提取,表征水尺量程的二进制编码字符定位与分割,Hopfield神经网络和模板匹配相结合的二进制编码字符水尺量程识别,并通过二进制编码字符水尺刻度线与二进制编码字符水尺量程的数学关系,实现水位值的解算。本发明安全、高效、投资小。
Description
技术领域
本发明涉及数字图像处理技术,特别是一种基于二进制编码字符水尺和图像处理的水位识别方法。
背景技术
随着科技与经济的发展,水资源安全利用和优化管理已经成为社会关注的问题之一,这对水位的自动化检测提出更高的要求。
目前,传统的水位检测有:
(1)人工目测水尺读数。这种方法耗时耗力,特别是在恶劣环境下,会对观测者的人身安全造成威胁。
(2)利用水位计采集水位信息。如气泡式水位计,压力式水位计,雷达式水位计等。这些水位计在获取水位的过程中,需要专门配置水位信息获取设备,投资大且维护困难。
且现有标准水尺是以阿拉伯数字来表征水位高度,存在数字‘8’易被误识为‘3’,数字‘0’易被误识为‘D’等缺陷。
发明内容
本发明的目的是提供一种基于二进制编码字符水尺和图像处理的水位识别方法,其安全、高效、投资小。
一种基于二进制编码字符水尺和图像处理的水位识别方法,包括以下步骤:
步骤1:建立二进制编码字符水尺图像关键像素提取模型,通过提取包含有水位信息的二进制编码字符水尺图像,降低复杂水域背景(如大片的水、桥墩和河岸区域等)对算法的干扰;
步骤2:对二进制编码字符水尺图像利用Radon变换算法进行倾斜校正,避免二进制编码字符水尺倾斜造成的识别误差;
步骤3:对倾斜校正后的二进制编码字符水尺进行定位,通过对二进制编码字符水尺图像进行水平方向和垂直方向投影分析,确定出二进制编码水尺的上下、左右边缘;
步骤4:建立二进制编码字符水尺刻度线提取模型,通过对定位的二进制编码字符水尺进行灰度化,中值滤波,Otsu法全局二值化,Canny算子边缘检测和开运算方法,提取出二进制编码字符水尺与水面交界处上方的水尺刻度线;
步骤5:建立二进制编码字符定位和分割模型,通过对定位的二进制编码字符水尺第一个二进制编码字符进行分割,并进行归一化处理;
步骤6:建立标准模板库,将分割后的归一化二进制编码字符作为测试样本,通过利用Hopfield神经网络自联想记忆功能,对分割的水尺二进制编码字符进行修正,使其向标准模板靠近,为模板匹配做铺垫;采用模板匹配方法对修正后的二进制编码字符进行识别,获取水尺的量程信息;
步骤7:建立水位值数学计算模型,利用步骤4得到的二进制编码字符水尺刻度线和步骤6获得的二进制编码字符水尺量程,通过以下模型得出当前水位值;
水位值数学计算模型:
lev=R-(m-5)/5×10
模型中,m为步骤4提取的二进制编码字符水尺刻度线的条数,R为步骤6获取的二进制编码字符水尺量程,lev代表水位值,其中,R≤90cm,m≥5,二进制编码字符水尺的刻度线间隔高度为2cm;当R>90cm时,增加一个以上的二进制编码字符水尺来进行水位识别。
所述的二进制编码字符水尺是在水位刻度线的右侧保留阿拉伯数字,以便于肉眼观察水位值;在水位刻度线的左侧加上二进制编码字符来表征水位值,其中水位刻度线间隔为2cm;所述的二进制编码字符是由4个面积相等的小方格从上而下排列而成,每个小方格具有黑白颜色特征,白色方格代表“0”,黑色方格代表“1”,自上向下,分别代表二进制20位、21位、22位和23位,其对应的十进制即为:1,2,4,8,进而可表示十进制数字0~9。
本发明安全、高效、投资小,并同时具有以下积极效果:
1.本发明是一种非接触式的水位检测方法,可以在监控设备中实现水位识别功能,不需要使用造价高且维护困难的水位计。
2.本发明提出的改进型水尺保留了阿拉伯数字,便于人工进行识读,提高了该系统的鲁棒性。
3.本发明所涉及的二进制编码字符新型水尺,具有识别简单高效,相比于阿拉伯数字具有独特优势,克服了现有传统标准水尺是以阿拉伯数字来表征水位高度,数字“8”易被误识为“3”,数字“0”易被误识为“D”的缺陷。
4.本发明在字符识别部分,利用Hopfield神经网络的联想记忆功能,能有效解决字符出现残缺、扭曲和噪声等干扰,使待识别字符向标准模板库字符逼近,并结合模板匹配方法,有效的识别出定位、分割出的二进制编码字符,进而获得水尺量程。
5.本发明水位识别模型建立部分,为基于图像处理的水位识别研究提供了新思路,扩充了基于图像处理类水位识别的研究内容。
附图说明
图1为本发明的流程图。
图2为本发明的二进制编码字符水尺中二进制编码字符示意图。
图3为本发明实施例的二进制编码字符水尺图。
图4为本发明实施例的二进制编码字符水尺倾斜校正前后对比图。
图5为本发明实施例的二进制编码字符水尺刻度线提取详细过程图。
图6为本发明实施例的水尺二进制编码字符分割图。
图7为本发明实施例的标准模板库效果图。
图8为本发明实施例的Hopfield神经网络联想记忆功能效果图。
图9为本发明实施例的水尺二进制编码字符识别结果图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述,应当理解,实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明是利用已有监控摄像头拍摄含二进制编码字符水尺的影像数据,并将数据传输给上位机(电脑),在上位机上利用数字图像处理技术实现水位识别。本发明流程图请见图1,包括提取二进制编码字符水尺图像关键像素,Radon变换算法进行二进制编码字符水尺倾斜校正,二进制编码字符水尺左右、上下边缘的确定,二进制编码字符水尺刻度线提取,表征水尺量程的二进制编码字符定位与分割,Hopfield神经网络和模板匹配相结合的二进制编码字符水尺量程识别,并通过二进制编码字符水尺刻度线与二进制编码字符水尺量程的数学关系,实现水位值的解算。
本发明水尺的二进制编码字符是由4个面积相等的小方格自上而下排列而成,同时小方格具有黑白颜色特征,白色方格代表“0”,黑色方格代表“1”,自上向下,分别代表二进制20位、21位、22位和23位,其对应的十进制即为:1,2,4,8,进而可表示十进制数字0~9;请见图2,为本发明的新型水尺二进制编码字符示意图。
针对阿拉伯数字识别会产生误识现象,提出一种改进型的水尺方案,请见图3:采用间隔2cm的刻度线表征水位,在刻度线右侧保留阿拉伯数字,便于人工识读,在刻度线左侧采用二进制编码字符,其字符示意见图2,便于在上位机上利用图像处理技术进行识别,进而转换为对应的水位值。
本发明实施例的具体步骤:
步骤1:基于二进制编码字符水尺在图像中的位置是固定的,变化的只是水面的位置,同时水位测量中关注的只是水尺部分的图像,因此建立二进制编码字符水尺图像关键像素提取模型,忽略大片的水、桥墩和河岸区域;通过在整幅图像中截取有用的目标区域的二进制编码字符水尺图像进行分析,不仅可以避免复杂背景对算法的影响,同时将二进制编码字符水尺对象集中在一个较小的范围内,有利于提高水位识别的精度;
处理的像素值f(x,y)范围选择为:
f(x,y),0.4W<x<0.6W,0<y<L,
其中,W,L分别为图像宽度、高度像素;x,y分别为图像的横、纵坐标;
步骤2:有时二进制编码字符水尺可能处于倾斜状态,如果不进行倾斜校正,水位识别的精度会受到很大影响;因此,需要检测出二进制编码字符水尺的倾斜角度并进行倾斜校正之后才能进行水位识别,建立基于Radon变换的二进制编码字符水尺倾斜校正算法,其具体过程为:
(1)利用数学形态学处理对二值化后的二进制编码字符水尺图像进行边缘检测;
(2)利用Radon变换对二进制编码字符水尺图像在水平方向和垂直方向的倾斜角度进行检测,然后对倾斜的二进制编码字符水尺进行旋转校正,请见图4。
步骤3:对倾斜校正后的含有水位信息的二进制编码字符水尺图像进行进一步提取,通过对二进制编码字符水尺图像进行垂直方向和水平方向投影分析,确定出二进制编码字符水尺的左右、上下边缘,其具体过程为:
(1)对二进制编码字符水尺图像进行垂直方向投影,从左右两个方向向中间逼近,分别找到像素累加值发生显著变化的列坐标,据此列坐标进一步裁取水尺图像,可以定位出二进制编码字符水尺的左右边缘;
式(1)中,COL表示二维图像f(x,y)的列,ROW表示二维图像f(x,y)的行;x,y分别为二维图像的横、纵坐标;
(2)对二进制编码字符水尺图像进行水平方向投影,通过分析可知,除了首尾两个端点外,曲线变化最为剧烈的两个点即为水尺顶部边缘和水位线,分别从两边向中间逼近,求取第一个非零值的点即可得到二进制编码字符水尺上下边缘的行坐标,据此即可定位二进制编码字符水尺的上下边缘;
式(2)中,COL表示二维图像f(x,y)的列,ROW表示二维图像f(x,y)的行;x,y分别为二维图像的横、纵坐标;
步骤4:基于步骤3定位出的二进制编码字符水尺,建立二进制编码字符水尺刻度线提取模型。其具体过程为:
(1)对二进制编码字符水尺进行灰度化处理,得到灰度化后图像;
(2)对二进制编码字符水尺进行中值滤波,让与周围像素灰度值的差别较大的像素变换成与周围像素接近的值,从而消除孤立的噪声点;
(3)采用Otsu法对二进制编码字符水尺进行二值化处理,目前来说,阈值法是使用最广的一类算法,利用一个或多个阈值对图像的灰度值来进行对比,把图像的像素点按灰度级分两类,灰度值比阈值大的归为一类,反之则为另一类,从而实现图像的分割,其计算公式为:
式(3)中,b0=0时表示为黑色像素,b1=1时表示为白色像素,t为特征值,g(x,y)表示二值化后图像;
常用阈值法有Otsu法,最大类间方差法,p-参数法,双峰法,作为优选,采用Otsu法对二进制编码字符水尺进行全局二值化处理;
(4)基于图像处理的二进制编码字符水尺水位线识别,边缘检测实现了从冗杂图像对象到单一信息对象的转化,作为优选,选用Canny算子对二进制编码字符水尺进行边缘检测;
(5)采用水平方向4像素的直线结构元素对二进制编码字符水尺进行开运算,以消除水尺字符的影响,最后得到水尺刻度线;
请见图5,为本发明实施例的二进制编码字符水尺刻度线提取详细过程图,从左至右,分别表示已确定的上下和左右边缘的二进制编码字符水尺图像、灰度化图像、中值滤波后图像、Otsu法全局二值化后图像、Canny算子边缘检测后图像、水尺刻度线提取图像。
步骤5:由步骤4提取的二进制编码字符水尺刻度线,通过定位和分割水尺中二进制编码字符,进而实现水尺量程的识别;根据步骤4的水尺刻度线提取图像,通过水尺刻度线的起始位置和刻度线的均匀分布可以定位第一个二进制编码字符的起始和终止的行坐标,根据此行坐标定位原水尺中二进制编码字符的位置,并根据此位置分割出二进制编码字符,如图6所示;
步骤6:建立水尺二进制编码字符识别模型,模板匹配法是最直接的字符识别方法,只要将待识别字符直接与标准字符模板进行比较,再找到与之最匹配的字符即可;当直接运用模板匹配识别法时,由于二进制编码字符水尺存在许多噪声干扰,当所分割出的水尺二进制编码字符有残缺、扭曲及噪声时,匹配效果便不是很理想;
Hopfield神经网络是非监督型神经网络,不需要大量的训练样本,同时它具有很好的联想记忆功能,可以对分割的水尺二进制编码字符进行修正,使其向标准模板靠近,为后续的模板匹配做铺垫;
采用离散Hopfield神经网络和模板匹配相结合的方法对水尺二进制编码字符进行识别,其具体过程为:
(1)根据分割后的二进制编码字符大小和长宽比,选择10px×40px作为标准模板的大小,并在Photoshop中制作每个字符的黑白标准模板,保存在模板库中,如图7所示;
(2)通过构建合适神经元数量的Hopfield神经网络,并采用正交权值法的学习规则对Hopfield神经网络进行训练,最后选取异步工作方式构建具有联想记忆功能的离散Hopfield神经网络模型,如图8所示;
(3)待匹配的二进制编码字符是已做归一化处理的二值化图像,将其与标准模板库中的二进制编码字符二值化图像逐个进行匹配,并分别计算各匹配误差来判断水尺二进制编码字符与标准模板的匹配程度,取匹配程度尽可能大,即匹配误差最小一个对应,就是该二进制编码字符匹配结果;
(4)利用Hopfield神经网络的联想记忆功能,使待匹配的二进制编码字符向标准模板靠近,减少字符噪声、扭曲对识别结果的影响;通过模板匹配方法最终识别分割出的二进制编码字符,将识别出的二进制编码字符转换其对应的十进制数,进而获得水尺量程,如图9所示;
步骤7:建立水位值数学计算模型,利用步骤4得到的水尺刻度线和步骤6获得的水尺量程,通过以下模型获得当前水位值;
水位值数学计算模型:
lev=R-(m-5)/5×10
模型中,m为步骤4提取的二进制编码字符水尺刻度线的条数,R为步骤6获取的二进制编码字符水尺量程,lev代表水位值,其中,R≤90cm,m≥5,,二进制编码字符水尺的刻度线间隔高度为2cm。
利用数字图像处理技术的非接触式水位检测系统由于其有效性、可行性和信息的丰富、直观等特点,逐渐受到人们的关注。
Claims (1)
1.一种基于二进制编码字符水尺和图像处理的水位识别方法,其特征是,包括以下步骤:
步骤1:基于二进制编码字符水尺在图像中的位置是固定的,变化的只是水面的位置,同时水位测量中关注的只是水尺部分的图像,因此建立二进制编码字符水尺图像关键像素提取模型,忽略大片的水、桥墩和河岸区域;通过在整幅图像中截取有用的目标区域的二进制编码字符水尺图像进行分析,不仅可以避免复杂背景对算法的影响,同时将二进制编码字符水尺对象集中在一个较小的范围内,有利于提高水位识别的精度;
处理的像素值f(x,y)范围选择为:
f(x,y),0.4W<x<0.6W,0<y<L,
其中,W,L分别为图像宽度、高度像素;x,y分别为图像的横、纵坐标;
步骤2:有时二进制编码字符水尺可能处于倾斜状态,如果不进行倾斜校正,水位识别的精度会受到很大影响;因此,需要检测出二进制编码字符水尺的倾斜角度并进行倾斜校正之后才能进行水位识别,建立基于Radon变换的二进制编码字符水尺倾斜校正算法,其具体过程为:
(1)利用数学形态学处理对二值化后的二进制编码字符水尺图像进行边缘检测;
(2)利用Radon变换对二进制编码字符水尺图像在水平方向和垂直方向的倾斜角度进行检测,然后对倾斜的二进制编码字符水尺进行旋转校正;
步骤3:对倾斜校正后的含有水位信息的二进制编码字符水尺图像进行进一步提取,通过对二进制编码字符水尺图像进行垂直方向和水平方向投影分析,确定出二进制编码字符水尺的左右、上下边缘,其具体过程为:
(1)对二进制编码字符水尺图像进行垂直方向投影,从左右两个方向向中间逼近,分别找到像素累加值发生显著变化的列坐标,据此列坐标进一步裁取水尺图像,可以定位出二进制编码字符水尺的左右边缘;
式(1)中,COL表示二维图像f(x,y)的列,ROW表示二维图像f(x,y)的行;x,y分别为二维图像的横、纵坐标;
(2)对二进制编码字符水尺图像进行水平方向投影,通过分析可知,除了首尾两个端点外,曲线变化最为剧烈的两个点即为水尺顶部边缘和水位线,分别从两边向中间逼近,求取第一个非零值的点即可得到二进制编码字符水尺上下边缘的行坐标,据此即可定位二进制编码字符水尺的上下边缘;
式(2)中,COL表示二维图像f(x,y)的列,ROW表示二维图像f(x,y)的行;x,y分别为二维图像的横、纵坐标;
步骤4:基于步骤3定位出的二进制编码字符水尺,建立二进制编码字符水尺刻度线提取模型,其具体过程为:
(1)对二进制编码字符水尺进行灰度化处理,得到灰度化后图像;
(2)对二进制编码字符水尺进行中值滤波,让与周围像素灰度值的差别较大的像素变换成与周围像素接近的值,从而消除孤立的噪声点;
(3)采用Otsu法对二进制编码字符水尺进行二值化处理,利用一个或多个阈值对图像的灰度值来进行对比,把图像的像素点按灰度级分两类,灰度值比阈值大的归为一类,反之则为另一类,从而实现图像的分割,其计算公式为:
式(3)中,b0=0时表示为黑色像素,b1=1时表示为白色像素,t为特征值,g(x,y)表示二值化后图像;
(4)基于图像处理的二进制编码字符水尺水位线识别,边缘检测实现了从冗杂图像对象到单一信息对象的转化,选用Canny算子对二进制编码字符水尺进行边缘检测;
(5)采用水平方向4像素的直线结构元素对二进制编码字符水尺进行开运算,以消除水尺字符的影响,最后得到水尺刻度线;
步骤5:由步骤4提取的二进制编码字符水尺刻度线,通过定位和分割水尺中二进制编码字符,进而实现水尺量程的识别;根据步骤4的水尺刻度线提取图像,通过水尺刻度线的起始位置和刻度线的均匀分布可以定位第一个二进制编码字符的起始和终止的行坐标,根据此行坐标定位原水尺中二进制编码字符的位置,并根据此位置分割出二进制编码字符;
步骤6:建立水尺二进制编码字符识别模型,模板匹配法是最直接的字符识别方法,只要将待识别字符直接与标准字符模板进行比较,再找到与之最匹配的字符即可;当直接运用模板匹配识别法时,由于二进制编码字符水尺存在许多噪声干扰,当所分割出的水尺二进制编码字符有残缺、扭曲及噪声时,匹配效果便不是很理想;
采用离散Hopfield神经网络和模板匹配相结合的方法对水尺二进制编码字符进行识别,其具体过程为:
(1)根据分割后的二进制编码字符大小和长宽比,选择10px×40px作为标准模板的大小,并在Photoshop中制作每个字符的黑白标准模板,保存在模板库中;
(2)通过构建合适神经元数量的Hopfield神经网络,并采用正交权值法的学习规则对Hopfield神经网络进行训练,最后选取异步工作方式构建具有联想记忆功能的离散Hopfield神经网络模型;
(3)待匹配的二进制编码字符是已做归一化处理的二值化图像,将其与标准模板库中的二进制编码字符二值化图像逐个进行匹配,并分别计算各匹配误差来判断水尺二进制编码字符与标准模板的匹配程度,取匹配程度尽可能大,即匹配误差最小一个对应,就是该二进制编码字符匹配结果;
(4)利用Hopfield神经网络的联想记忆功能,使待匹配的二进制编码字符向标准模板靠近,减少字符噪声、扭曲对识别结果的影响;通过模板匹配方法最终识别分割出的二进制编码字符,将识别出的二进制编码字符转换其对应的十进制数,进而获得水尺量程;
步骤7:建立水位值数学计算模型,利用步骤4得到的水尺刻度线和步骤6获得的水尺量程,通过以下模型获得当前水位值;
水位值数学计算模型:
lev=R-(m-5)/5×10
模型中,m为步骤4提取的二进制编码字符水尺刻度线的条数,R为步骤6获取的二进制编码字符水尺量程,lev代表水位值,其中,R≤90cm,m≥5,二进制编码字符水尺的刻度线间隔高度为2cm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942531.1A CN106557764B (zh) | 2016-11-02 | 2016-11-02 | 一种基于二进制编码字符水尺和图像处理的水位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942531.1A CN106557764B (zh) | 2016-11-02 | 2016-11-02 | 一种基于二进制编码字符水尺和图像处理的水位识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106557764A CN106557764A (zh) | 2017-04-05 |
CN106557764B true CN106557764B (zh) | 2019-03-26 |
Family
ID=58443625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610942531.1A Active CN106557764B (zh) | 2016-11-02 | 2016-11-02 | 一种基于二进制编码字符水尺和图像处理的水位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106557764B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107131925A (zh) * | 2017-04-28 | 2017-09-05 | 南京邮电大学 | 一种基于图像处理的水位实时监测方法 |
CN107367310A (zh) * | 2017-07-11 | 2017-11-21 | 华南理工大学 | 一种基于计算机视觉的河流水位远程监测方法 |
TWI673686B (zh) * | 2018-01-02 | 2019-10-01 | 中華電信股份有限公司 | 影像式水尺刻度偵測辨識系統及其方法 |
CN108537217B (zh) * | 2018-04-04 | 2021-06-25 | 湖南科技大学 | 基于字符编码标志的识别及定位方法 |
CN108921165B (zh) * | 2018-06-21 | 2022-04-22 | 江苏南水水务科技有限公司 | 基于水尺图像的水位识别方法 |
CN109145830B (zh) * | 2018-08-24 | 2020-08-25 | 浙江大学 | 一种智能水尺识别方法 |
CN109522889A (zh) * | 2018-09-03 | 2019-03-26 | 中国人民解放军国防科技大学 | 一种基于图像分析的水文尺水位识别估算方法 |
CN110031060B (zh) * | 2019-05-14 | 2020-11-10 | 武汉大学 | 投影放大水位测量精度的方法及应用 |
CN110717924A (zh) * | 2019-09-27 | 2020-01-21 | 中国检验认证集团河北有限公司黄骅港分公司 | 船舶水尺标线识别方法、装置、计算机设备和存储介质 |
CN111488846A (zh) * | 2020-04-16 | 2020-08-04 | 上海芯翌智能科技有限公司 | 一种识别水位的方法及设备 |
CN111476785B (zh) * | 2020-04-20 | 2023-04-07 | 四创科技有限公司 | 基于位置记录的夜间红外反光水尺检测方法 |
CN112734729B (zh) * | 2021-01-11 | 2022-09-23 | 昆明理工大学 | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 |
CN113221898B (zh) * | 2021-04-16 | 2022-02-15 | 北京科技大学 | 一种自动水位尺读数方法 |
CN113435442B (zh) * | 2021-05-07 | 2022-11-25 | 三峡大学 | 水位测量方法、装置、水尺及电子设备 |
CN114067095B (zh) * | 2021-11-29 | 2023-11-10 | 黄河勘测规划设计研究院有限公司 | 基于水尺字符检测识别的水位识别方法 |
CN115578695B (zh) * | 2022-11-21 | 2023-03-28 | 昆明理工大学 | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 |
CN117705058A (zh) * | 2023-12-13 | 2024-03-15 | 重庆市测绘科学技术研究院(重庆市地图编制中心) | 一种基于水准管气泡图像的倾斜监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201600164U (zh) * | 2009-12-29 | 2010-10-06 | 新疆信通水利电子有限公司 | 一种视频水位计 |
CN101886942A (zh) * | 2010-06-23 | 2010-11-17 | 江苏大学 | 一种水尺标识方法及水位检测方法 |
CN102494733A (zh) * | 2011-12-12 | 2012-06-13 | 西安电子科技大学 | 基于图像处理的水位监测系统及方法 |
CN102928051A (zh) * | 2012-11-01 | 2013-02-13 | 清华大学 | 一种适用于视频检测水位的水位尺 |
CN103886612A (zh) * | 2014-04-08 | 2014-06-25 | 马鸿旭 | 一种基于水库监控摄像头的水位自动提取方法及系统 |
CN104677456A (zh) * | 2015-02-10 | 2015-06-03 | 厦门精图信息技术股份有限公司 | 一种基于计算机图像识别的水位监测方法及其标尺和监测系统 |
-
2016
- 2016-11-02 CN CN201610942531.1A patent/CN106557764B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201600164U (zh) * | 2009-12-29 | 2010-10-06 | 新疆信通水利电子有限公司 | 一种视频水位计 |
CN101886942A (zh) * | 2010-06-23 | 2010-11-17 | 江苏大学 | 一种水尺标识方法及水位检测方法 |
CN102494733A (zh) * | 2011-12-12 | 2012-06-13 | 西安电子科技大学 | 基于图像处理的水位监测系统及方法 |
CN102928051A (zh) * | 2012-11-01 | 2013-02-13 | 清华大学 | 一种适用于视频检测水位的水位尺 |
CN103886612A (zh) * | 2014-04-08 | 2014-06-25 | 马鸿旭 | 一种基于水库监控摄像头的水位自动提取方法及系统 |
CN104677456A (zh) * | 2015-02-10 | 2015-06-03 | 厦门精图信息技术股份有限公司 | 一种基于计算机图像识别的水位监测方法及其标尺和监测系统 |
Non-Patent Citations (5)
Title |
---|
"城市雨污水排放系统中水位与流量检测的研究";滕翠凤;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100815;摘要,第2-4章 * |
"基于图像处理和BP神经网络的水位识别研究";李翊 等;《人民黄河》;20151231;第37卷(第12期);全文 * |
"基于图像处理的水位信息自动提取技术";陈翠 等;《水利信息化》;20160229(第1期);第1-5节 * |
"基于图像识别技术的水尺刻度提取方法研究";兰华勇,严华;《人民黄河》;20150331;第37卷(第3期);全文 * |
"基于离散Hopfield神经网络的车牌字符识别技术研究";周雪婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160415;摘要,第2-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN106557764A (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106557764B (zh) | 一种基于二进制编码字符水尺和图像处理的水位识别方法 | |
CN108759973B (zh) | 一种水位测量方法 | |
CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN106778586B (zh) | 离线手写签名鉴别方法及系统 | |
Shi et al. | Automatic road crack detection using random structured forests | |
CN101576953B (zh) | 一种人体姿态的分类方法和装置 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN102975826A (zh) | 基于机器视觉的便携式船舶水尺自动检测和识别方法 | |
CN106446952A (zh) | 一种乐谱图像识别方法及装置 | |
CN105046252A (zh) | 一种人民币冠字码识别方法 | |
CN109766886B (zh) | 一种基于图像识别的水位识别方法 | |
CN107452035B (zh) | 车道线图像分析方法、装置及其计算机可读取式媒体 | |
KR910017328A (ko) | 위치인식장치 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN106778754A (zh) | 一种鲁棒的工业电表数字识别方法 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN110059573A (zh) | 基于图像识别的野山参分级检定方法 | |
CN104077562B (zh) | 一种答卷的扫描方向判断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |