CN108073905A - 一种智能水尺读数的方法、系统和设备 - Google Patents

Abstract

本发明公开了一种智能水尺读数的方法、系统和设备，该方法包括对采集到的智能水尺读数的视频流进行鲁棒性预处理；基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。本发明有效解决了水尺识别准确率、实时性、鲁棒性等实际问题，并且，还提供了与该方法相应的系统和设备，兼具改善了原有算法的速度、精度等方面缺陷，使得智能水尺可以在雾霾、夜晚等条件恶劣的场景下可靠地工作，广泛适用于需要多场景下的水尺识别作业的行业。

Description

一种智能水尺读数的方法、系统和设备

技术领域

本发明涉及智能水尺读数技术领域，更加具体地说，是涉及一种智能水尺读数的方法、系统和设备。

背景技术

在国家重点工程项目南水北调工程项目中存在对基于计算机视觉智能水尺读数的需求，同时对精确性、鲁棒性、实时性有要求。而现有的传统算法还没有一套完整的解决方案。

通过传统的计算机算法对水尺进行读数存在实际实施中很大问题：精度存在问题；无法满足实时性；在多场景下鲁棒性不足，如夜晚、强光、弱光、雾霾；传统算法效率存在缺陷，无法保证实时性。

近年来图像识别技术取得重大突破、比如深度学习网络在图像分类、目标检测等领域的应用。但是在水尺识别领域暂时没有具体应用。因此如何将最新的深度学习算法应用于多场景下的水尺识别就变得非常有意义。

发明内容

本发明的目的是针对现有技术在实际场景下，在水尺识别的准确率、实时性、鲁棒性等方面的不足和缺陷，提供一种智能水尺读数的方法、系统和设备，本发明所提供的技术方案，改善了水尺读数的速度和精度，以及雾霾、夜晚等复杂场景下读数的可靠性，具有良好的识别效果。

为了实现上述目的，本发明一方面提供了一种智能水尺读数的方法，包括以下步骤：

对采集到的智能水尺读数的视频流进行鲁棒性预处理；

基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；

通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

进一步的，所述对采集到的智能水尺读数的视频流进行鲁棒性预处理步骤，包括：

针对不同场景下的智能水尺视频流采取包括但不限于高斯滤波、去雾化和/或夜间自适应的视频预处理步骤。

进一步的，所述高斯滤波的视频预处理步骤包括：对采集到的智能水尺读数的视频流进行排除水面浪水的高斯平滑处理；

所述去雾化的视频预处理步骤包括：基于先验法对该算法中对采集到的智能水尺读数的视频流图像中的雾的保留程度参数进行自适应调整；

所述夜间自适应的视频预处理步骤包括：对采集到的智能水尺读数的视频流中的图像做灰度变换、边缘检测后得到的边缘特征图像，根据边缘特征的多少自适应调整高斯曲线的标准差值，以达到自适应的目的。

进一步的，所述基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置，包括：

对预处理后的视频流数据中的某一帧图像进行灰度变换得到灰度图像；

对所述灰度图像使用canny算子做边缘检测，得到边缘特征图；

对所述边缘特征图进行腐蚀变换得到新的特征图；

将所述新的特征图向Y轴方向投影得到水面的位置。

进一步的，所述通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度，包括：

A、通过深度学习模型对数据集中存储的样本进行训练得到可对目标检测与识别的目标检测模型；

B、在目标检测模型中设置所需类别属性信息得到训练模型；

C、使用训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

进一步的，所述通过深度学习模型对数据集中存储的样本进行训练得到可对目标检测与识别的目标检测模型，包括：

使用深度学习模型在数据集中存储的样本进行预训练至可以初步实现提取特征、进行分类、进行目标识别的模型，使用所述采集到的智能水尺读数的视频流中干线的水尺视频进行更进一步训练，实现迁移学习，得到初步实现目标检测的目标检测模型。

进一步的，所述深度学习模型包括faster-RCNN模型。

进一步的，所述在目标检测模型中设置所需类别属性信息得到训练模型，包括：

在目标检测模型中设置所需类别属性信息，最小化分类误差和前景样本的窗口位置偏差获得检测框最终的精确位置得到训练模型。

本发明另一方面还提供了一种智能水尺读数的系统，其特征在于，包括：

预处理模块，用于对采集到的智能水尺读数的视频流进行鲁棒性预处理；

检测模块，用于基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；

识别模块，用于通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

本发明还提供了一种智能水尺读数的设备，包括所述的系统。

本发明与现有技术相比，其有益效果是：

本发明提供的一种智能水尺读数的方法、系统和设备，通过对采集到的智能水尺读数的视频流进行鲁棒性预处理；基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度的技术方案，不仅解决了水尺识别准确率、实时性、鲁棒性等实际问题，还兼具改善了原有算法的速度、精度等方面缺陷，使得智能水尺可以在雾霾、夜晚等条件恶劣的场景下可靠地工作，本发明广泛适用于需要多场景下的水尺识别作业的行业。

附图说明

图1为根据本发明的一种智能水尺读数的方法的实施例一的流程图；

图2为根据本发明的一种智能水尺读数的系统的实施例二的结构框图。

图3为根据本发明的一种智能水尺读数的设备的实施例三的结构框图。

具体实施方式

下面结合具体实施方式，进一步说明本发明。

实施例一

如图1所示，本发明实施例一提供了一种智能水尺读数的方法，包括步骤S110至步骤S130：

在步骤S110中，对采集到的智能水尺读数的视频流进行鲁棒性预处理。

该步骤针对不同场景下的智能水尺视频流采取不同的视频预处理方法，具体场景有夜晚、雾霾、强光、弱光等复杂场景。针对不同场景下的智能水尺视频流采取包括但不限于高斯滤波、去雾化和/或夜间自适应的视频预处理步骤。该步骤使算法在多场景下具有鲁棒性。

在步骤S120中，基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置。

通过对步骤S110预处理后的图像进行灰度变化、边缘检测以及投影，进而判断水面位置。

在步骤S130中，通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

定义模型并对其进行训练，通过训练好的faster-rcnn模型进行对数字与标尺的目标检测与识别，得到标尺以及数字的位置，优选的，可定义每一个类别代表5厘米，通过其所占像素值大小可以就算出实际水位。

进一步的，所述高斯滤波的视频预处理步骤包括：对采集到的智能水尺读数的视频流进行排除水面浪水的高斯平滑处理；可排除水面浪水过多造成的影响。

所述去雾化的视频预处理步骤包括：基于先验法对该算法中对采集到的智能水尺读数的视频流图像中的雾的保留程度参数进行自适应调整；

所述夜间自适应的视频预处理步骤包括：对采集到的智能水尺读数的视频流中的图像做灰度变换、边缘检测后得到的边缘特征图像，根据边缘特征的多少自适应调整高斯曲线的标准差值，以达到自适应的目的。

进一步的，所述基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置，包括：

对预处理后的视频流数据中的某一帧图像进行灰度变换得到灰度图像；

对所述灰度图像使用canny算子做边缘检测，得到边缘特征图；

对所述边缘特征图进行腐蚀变换得到新的特征图；

将所述新的特征图向Y轴方向投影得到水面的位置。

进一步的，所述通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度，包括：

A、通过深度学习模型对数据集中存储的样本进行训练得到可对目标检测与识别的目标检测模型；

B、在目标检测模型中设置所需类别属性信息得到训练模型；

C、使用训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

其中，该步骤可使用训练好的训练模型对采集到的图像进行目标检测与识别，识别出水尺的刻度含义。由于此步骤计算量较大，可根据实际情况自定义间隔时间进行一次计算以保证系统的实时性。

进一步的，所述通过深度学习模型对数据集中存储的样本进行训练得到可对目标检测与识别的目标检测模型，包括：

使用深度学习模型在数据集中存储的样本进行预训练至可以初步实现提取特征、进行分类、进行目标识别的模型，使用所述采集到的智能水尺读数的视频流中干线的水尺视频进行更进一步训练，实现迁移学习，得到初步实现目标检测的目标检测模型。

其中，所述采集到的智能水尺读数的视频流可为南水北调工程中采集到的智能水尺读数的视频流。该步骤可加速训练时的收敛速度，减少所需的训练样本数量。

进一步的，所述深度学习模型包括faster-RCNN模型，数据集包括ImageNet数据集。

faster-RCNN出自于Ren S,He K,Girshick R,et al.Faster R-CNN:Towardsreal-time object detection with region proposal networks[C]//Advances inneural information processing systems.2015:91-99.该模型定义如下：

1.卷积层Conv layers。作为一种CNN网络目标检测方法，Faster-RCNN首先使用一组基础的conv+relu+pooling层提取图像的特征图。该特征图被共享用于后续RPN层和全连接层。

2.区域建议网络Region Proposal Networks。区域建议网络用于生成区域建议(region proposals)。该层通过softmax判断anchors属于前景样本或者背景，再利用bounding box regression修正anchors获得精确的建议。

3.Roi Pooling。该层收集输入的特征图和proposals，综合这些信息后提取proposal feature maps，送入后续全连接层判定目标类别。

4.分类Classification。利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。

进一步的，所述在目标检测模型中设置所需类别属性信息得到训练模型，包括：

在目标检测模型中设置所需类别属性信息，最小化分类误差和前景样本的窗口位置偏差获得检测框最终的精确位置得到训练模型。

优选的，可定义目标检测所需的十二个类别，分别为印刷体0-9，大写印刷体E与大写印刷体E的镜像。

前景样本的窗口位置偏差IOU，IOU＝(Detection∩GroundTruth)/(Detection∪GroundTruth)。

本发明实施例一与现有技术相比，具有的益效果是：通过对采集到的智能水尺读数的视频流进行鲁棒性预处理；基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度的技术方案，不仅解决了水尺识别准确率、实时性、鲁棒性等实际问题，还兼具改善了原有算法的速度、精度等方面缺陷，使得智能水尺可以在雾霾、夜晚等条件恶劣的场景下可靠地工作，本发明广泛适用于需要多场景下的水尺识别作业的行业。

实施例二

本发明实施例二提供了一种智能水尺读数的系统200，如图2所示，包括：

预处理模块21，用于对采集到的智能水尺读数的视频流进行鲁棒性预处理；

检测模块22，用于基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；

识别模块23，用于通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

具体实现的功能和处理方式参见方法实施例一描述的具体步骤。

由于本实施例二的系统所实现的处理及功能基本相应于前述图1所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

本发明实施例二与现有技术相比，其有益效果是：通过预处理模块对采集到的智能水尺读数的视频流进行鲁棒性预处理；检测模块基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；识别模块通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度的技术方案，不仅解决了水尺识别准确率、实时性、鲁棒性等实际问题，还兼具改善了原有算法的速度、精度等方面缺陷，使得智能水尺可以在雾霾、夜晚等条件恶劣的场景下可靠地工作，本发明广泛适用于需要多场景下的水尺识别作业的行业。

实施例三

如图3所示，本发明实施例三提供了一种智能水尺读数的设备300，包括实施例二所述的系统200。

本发明实施例三与现有技术相比，其有益效果是：

通过携带系统200的设备对采集到的智能水尺读数的视频流进行鲁棒性预处理；基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度的技术方案，不仅解决了水尺识别准确率、实时性、鲁棒性等实际问题，还兼具改善了原有算法的速度、精度等方面缺陷，使得智能水尺可以在雾霾、夜晚等条件恶劣的场景下可靠地工作，本发明广泛适用于需要多场景下的水尺识别作业的行业。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种智能水尺读数的方法，其特征在于：包括以下步骤：

对采集到的智能水尺读数的视频流进行鲁棒性预处理；

基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；

通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

2.如权利要求1所述的方法，其特征在于，所述对采集到的智能水尺读数的视频流进行鲁棒性预处理步骤，包括：

针对不同场景下的智能水尺视频流采取包括但不限于高斯滤波、去雾化和/或夜间自适应的视频预处理步骤。

3.如权利要求2所述的方法，其特征在于，所述高斯滤波的视频预处理步骤包括：对采集到的智能水尺读数的视频流进行排除水面浪水的高斯平滑处理；

所述去雾化的视频预处理步骤包括：基于先验法对该算法中对采集到的智能水尺读数的视频流图像中的雾的保留程度参数进行自适应调整；

所述夜间自适应的视频预处理步骤包括：对采集到的智能水尺读数的视频流中的图像做灰度变换、边缘检测后得到的边缘特征图像，根据边缘特征的多少自适应调整高斯曲线的标准差值，以达到自适应的目的。

4.如权利要求1所述的方法，其特征在于，所述基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置，包括：

对预处理后的视频流数据中的某一帧图像进行灰度变换得到灰度图像；

对所述灰度图像使用canny算子做边缘检测，得到边缘特征图；

对所述边缘特征图进行腐蚀变换得到新的特征图；

将所述新的特征图向Y轴方向投影得到水面的位置。

5.如权利要求1所述的方法，其特征在于，所述通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度，包括：

A、通过深度学习模型对数据集中存储的样本进行训练得到可对目标检测与识别的目标检测模型；

B、在目标检测模型中设置所需类别属性信息得到训练模型；

C、使用训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

6.如权利要求5所述的方法，其特征在于，所述通过深度学习模型对数据集中存储的样本进行训练得到可对目标检测与识别的目标检测模型，包括：

使用深度学习模型在数据集中存储的样本进行预训练至可以初步实现提取特征、进行分类、进行目标识别的模型，使用所述采集到的智能水尺读数的视频流中干线的水尺视频进行更进一步训练，实现迁移学习，得到初步实现目标检测的目标检测模型。

7.如权利要求6所述的方法，其特征在于，所述深度学习模型包括faster-RCNN模型。

8.如权利要求5所述的方法，其特征在于，所述在目标检测模型中设置所需类别属性信息得到训练模型，包括：

在目标检测模型中设置所需类别属性信息，最小化分类误差和前景样本的窗口位置偏差获得检测框最终的精确位置得到训练模型。

9.一种智能水尺读数的系统，其特征在于，包括：

预处理模块，用于对采集到的智能水尺读数的视频流进行鲁棒性预处理；

检测模块，用于基于canny算子对预处理后的视频流数据进行水位检测，得到水面的位置；

识别模块，用于通过训练模型识别出智能水尺的刻度含义并基于所述水面的位置计算出水位的高度。

10.一种智能水尺读数的设备，其特征在于，包括权利要求9所述的系统。