CN108759973A - 一种水位测量方法 - Google Patents
一种水位测量方法 Download PDFInfo
- Publication number
- CN108759973A CN108759973A CN201810400914.5A CN201810400914A CN108759973A CN 108759973 A CN108759973 A CN 108759973A CN 201810400914 A CN201810400914 A CN 201810400914A CN 108759973 A CN108759973 A CN 108759973A
- Authority
- CN
- China
- Prior art keywords
- water gauge
- image
- water
- character
- character pattern
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/80—Arrangements for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
一种水位测量方法,其专用于用对带有“E”字符图案的水尺照片进行识别,以测量获得水位值。该方法首先对图像预处理,以放大水尺特征。然后将图像二值化,通过比对的方式检测二值化图像中“E”字符图案。之后,通过“E”字符图案获得水尺的顶部终点,进而提取整个水尺图案,再采用霍夫直线检测算法对所述水尺局部图像进行直线检测,得到水面与水尺的交界处的Y坐标像素值。最后将Y坐标像素值代入实现获得的参数标定公式,计算得到最终的水位值。本发明解决了现有技术需要事先设置特定标记的缺陷,水面位置的识别精度高,不易受自然环境影响,还可以通过机器学习构建精确的训练数据,不受环境位置和时间的影响,适应性广,提高了测量精度。
Description
技术领域
本发明涉及野外湖泊、河流、城市暴雨等水位监控领域,尤其涉及基于图像识别的水位测量方法。
背景技术
河流、湖泊、道路等均需要对水位进行测量和监控,其关乎国计民生,对于工农业交通运输等十分重要。尤其是近年来的城市化加快,相关水位监控缺位危害生命安全的严重事故频发,急需采取技术措施加以解决。
现有水位测量方法通常借助于各种传感器自动化获取水位信息,这些传感器通常需要设置复杂的水下电路,防水性要求高,信号传输容易中断,抵御恶劣环境的能力有限,传感器容易损坏并影响其监测效果。另外采用视频监视系统也是较常使用的技术手段,通过人眼观察的方式来确定水面位置,在白天逆光或者傍晚光线不足的时候往往会存在着测量标杆与其水中倒影模糊不清难以区分的情况发生,从而造成水面位置难以确定。
CN 103852130 A公开了一种基于图像识别的水位采集方法,该现有技术的水位采集方法中,通过对着水边垂面或斜面拍摄的照片,识别出水面和特定标识后,计算出水位的高度,河边垂面或斜面可以是桥墩、也可以是斜坡或其他建筑物,特定标识是拍摄前在河边垂面或斜面上画上去的,以便图像识别模块可以准确地在照片上判读出来,特定标记对应的水位高度是已知的,拍摄时摄像头的位置是固定的,摄像头对应的水位高度是已知的,摄像头距离特定标记的水平距离是已知的,拍摄角度是已知的,拍摄后照片上的特定标记距离照片中心的垂直距离可以测量出来,水面距离照片中心点的垂直距离也可以测量出来,用这些已知的参数和可以测量的参数推算出河道中水位的高度。该现有技术属于纯粹的几何测量方法,需要预先设置参照物,并在参照物上设置特定的标记,还要事先知道标记的相对位置。该方法应用的场景非常特定,现实中很难做到,而且该现有技术的前提是照片质量很好,可以很容易识别出标记。然而对于大范围的水位测量来说,基本上很难对每个测量点进行标记,而且每个标记位置的背景不同,角度不同,需要分别进行设定,工作量很大,而且一旦参照物变化则需要重新标定,适用范围及其有限,实用性不强。
CN 107833203 A公开了一种基于图像处理的水平面识别及水位实时测量方法,该现有技术采用图像处理技术中的图像垂直边缘检测技术,检测出水位测量标尺,紧接着使用图像水平边缘检测技术检测出水面,根据水平面的像素值及标杆的实际长宽信息,计算获得实时的水深数据。该现有技术将标尺作为图像识别的对象,首先识别出标尺的宽度,根据标尺的长宽比信息推算标尺的长度。然而由于标尺通常为细长杆件,宽度远小于长度,因而根据图像的宽度比值来推算实际长度,其误差应该十分巨大。况且由于角度的问题,不同角度下标尺在照片上的宽度是不同的,进一步增加了推算误差。另外该现有技术同样也是假定照片质量分辨率良好的情况下才能实施,一旦照片由于阴影、光照条件变化时质量发生改变,则图像垂直边缘检测结果堪忧,最终的水位测量结果也会不准。
CN 107506798 A公开了一种基于图像识别的水位监测方法,该现有技术通过设置于待检测水位区域的摄像装置,采集用于标注待检测水位区域水位的水尺的水尺图片,并上传至服务器;服务器对该水尺图片的大小进行归一化处理,并对水尺量程以及水尺关键刻度进行标定;根据水尺图片的类型,服务器采用机器学习SVM模型进行训练分类;通过摄像装置获取当前待识别水尺图片,上传至服务器,并通过机器学习SVM模型选择最优算法计算该当前待识别水尺图片中当前待识别水位的Y坐标;将该Y坐标转换为当前水位值。该现有技术提供了三种不同光照条件下的识别算法,将水尺图片按HSV颜色空间分割成3个通道,分别计算平均亮度值、均方差,并作为图片特征,采用支持向量机SVM算法进行机器学习以及训练;把处理后的图片根据预设标准判别条件进行分类,不同类型的图片采用对应的识别算法计算水位数值。该现有技术虽然针对不同的光照条件提供了不同的算法,但是对于水面到底是否被正确识别了并无处理方案,亦即该现有技术仍然假定水尺的照片是可通过不同算法清晰识别水面位置,其训练的样本需要采用一网络摄像机,通过该网络摄像机对水尺图片在预定时刻进行采集。该现有技术对于特定位置的水尺可以利用同一摄像机在同一时刻进行样本的采集,然而对于广大区域范围的水位测量来说,不可能对每一个位置都做一个样本出来进行训练,而且训练的样本只对同一时刻的测量结果有效,而水位的测量应该是连续可在线预警的,该现有技术的水位测量方法也是不太实用,难以大范围推广的。
发明内容
本发明要解决的技术问题是提供一种水位测量方法,以减少或避免前面所提到的问题。
为解决上述技术问题,本发明提出了一种水位测量方法,用于对带有“E”字符图案的水尺照片进行识别,以测量获得水位值,所述方法包括如下步骤:
步骤A:图像预处理步骤:对所述水尺照片中的图像进行中值滤波和图像均衡化处理,去除所述图像中的局部噪声和增强对比度,以获得预检测图像;
步骤B:对所述预检测图像先进行颜色提取,将其转化成二值化图像;检测所述二值化图像中“E”字符图案,记录所述“E”字符图案在水尺上的位置;
步骤C:根据所述“E”字符图案在水尺上的位置,获取最上端“E”字符中心点的位置。对该位置的X坐标向左扩展30个像素距离,向上扩展60个像素,从而确定水尺区域的原点位置;再根据水尺在图像上所占的像素尺寸,最终提取出水尺局部图像;
步骤D:采用霍夫直线检测算法对所述水尺局部图像进行直线检测,得到区域内所有的直线集合;根据“E”字符的检测结果,对直线进行筛选,仅保留所有“E”字符范围内的直线;根据斜率对直线进行筛选,仅保留接近竖直的直线;获取筛选后所有直线上Y坐标最大值和最小值,并以E”字符范围内任意一X坐标位置做竖直直线,得到最终水面以上的水尺线,从而得到水面与水尺的交界处的Y坐标像素值;
步骤E:在摄像头和水尺都固定后拍摄一张水尺图像,获取水尺像素值及其对应的实际值并保存;采用多项式拟合的方式对保存的数据进行拟合,得到水尺像素值和实际值之间的关系公式;
步骤F:将步骤D中所述Y坐标像素值代入步骤E中标定得到的关系公式中,计算得到最终的水位值。
优选地,所述的水位测量方法可以进一步包括如下步骤:
事先将多个经过步骤A获得的预检测图像,先进行颜色提取,将其转化成二值化图像;
在所述二值化图像上截取100张完整的“E”字符图像,作为机器学习训练的正样本,同时在所述二值化图像上随机截取2000张不包含“E”字符的背景图像作为负样本;
对所述正、负样本进行尺寸归一化处理,并对所有样本提取各自的Haar-like特征并保存;
将所述正、负样本的Haar-like特征输入到构造好的Adaboost分类器中进行训练,得到训练数据;
在所述步骤B中,检测所述二值化图像中“E”字符图案时,读入所述训练好的数据,遍历整个图像中符合所述训练好的数据中“E”字符特征的位置,即为所述“E”字符图案在水尺上的位置。
本发明解决了现有技术需要事先设置特定标记的缺陷,水面位置的识别精度高,不易受自然环境影响,还可以通过机器学习构建精确的训练数据,不受环境位置和时间的影响,适应性广,提高了测量精度。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释,并不限定本发明的范围。其中,
图1显示的是根据本发明的一个具体实施例的水位测量方法的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。其中,相同的部件采用相同的标号。
本发明的水位测量方法同样是一种基于图像识别技术的测量方法,其专用于用对带有“E”字符图案的水尺照片进行识别,以测量获得水位值,如图1所示显示的是根据本发明的一个具体实施例的水位测量方法的示意图。
如图,带有“E”字符图案的水尺为长圆柱形,其通常设置于野外湖泊、河流、城市暴雨等水位监控位置,水尺上的“E”字符图案的横线水平设置,竖线垂直于水面,相邻“E”字符图案之间标记了刻度数字,用以表示水位值。即,本发明的水位测量方法中,其设定的使用环境中,水尺上带有“E”字符图案,其具有标准的横线和竖线,可用以作为识别的标记,无需设定特定标识。并且在设立水尺的时候,水尺上的“E”字符图案对应的水位高度已经由刻度数字表示出来了,拍摄的照片直接识别出“E”字符图案即可获知相应的刻度数字,水位值就一目了然了。
当然,实际测量的时候,仍然有一些技术问题需要克服,下面将对此进一步详细说明。如图所示,本发明的水位测量方法包括如下步骤:
步骤A:图像预处理步骤:对所述水尺照片中的图像进行中值滤波和图像均衡化处理,去除所述图像中的局部噪声和增强对比度,以获得预检测图像。即,考虑到输入的水尺图像的拍摄环境为野外河流、湖泊,城市内涝监测处(立交桥下)等场景,天气环境为不可控因素,晴天、阴天、雨天等。因此,先对图像进行中值滤波和图像均衡化处理,去除图像局部噪声和增强对比度,达到放大水尺特征的效果。
步骤B:对所述预检测图像先进行颜色提取,将其转化成二值化图像;检测所述二值化图像中“E”字符图案,记录所述“E”字符图案在水尺上的位置。由于水尺上的“E”字符图案通常与水尺的底色差异明显,为避免阴影、污垢、水草等造成图像干扰,将水尺图像转换成二值化图像,以利于差别较大的“E”字符图案可以通过数字化的方式进行数值比对。例如,在转化后的二值化图像中,理论上来说,底色的数值近似相同,“E”字符图案的数值也近似相同,但是底色数值和“E”字符图案具有较大的数值差,通过将二值化图像中每个像素的数值进行比对,可以将相对底色数值差异明显的“E”字符图案检测出来,图案中的水尺上,每个“E”字符图案都可以通过遍历每个像素的方式检测出来,得到“E”字符图案在水尺上的位置。
当然,简单的二值化图像的数值比对可能在光线条件较差、污渍和水草较多的情况下,形成相当大的检测误差,为了排除干扰,提高检测精度,本发明还提出了通过机器学习的方式,形成用于比对的训练数据的方法。具体的,本发明还可以进一步包括如下步骤:
事先将多个经过步骤A获得的预检测图像,先进行颜色提取,将其转化成二值化图像;在所述二值化图像上截取100张完整的“E”字符图像,作为机器学习训练的正样本,同时在所述二值化图像上随机截取2000张不包含“E”字符的背景图像作为负样本;对所述正、负样本进行尺寸归一化处理,并对所有样本提取各自的Haar-like特征并保存;将所述正、负样本的Haar-like特征输入到构造好的Adaboost分类器中进行训练,得到训练数据。以上即为本发明的形成用于比对的训练数据的方法步骤,该方法步骤主要采用Adaboost分类结合Haar-like特征的机器学习方式对水尺图像上所有可见的“E”字符进行检测。
在本发明的上述训练数据的形成过程中,用于训练的预检测图像可以采集于不同的水尺设立位置,其用于对比的采集样品越多、来源越广泛,其形成的训练数据的精度越高,代表性越好,可以广泛用于各种带有“E”字符图案的水尺的“E”字符图案的检测。也就是本发明用于训练的样品,并不局限于特定的水尺位置,也不局限于特定的时间,只要将各种“E”字符图案的水尺的图像进行二值化后,采用上述同样的训练方法即可形成可用于本发明或者其它检测技术的训练数据,该训练数据应用范围广,精度高,可用以获得更加精确的检测结果。
得到训练数据之后,需要识别的图像先进行二值化,之后进入步骤B进行检测,检测所述二值化图像中“E”字符图案时,读入所述训练好的数据,遍历整个图像中符合所述训练好的数据中“E”字符特征的位置,即为所述“E”字符图案在水尺上的位置。
步骤C:根据所述“E”字符图案在水尺上的位置,获取最上端“E”字符中心点的位置。对该位置的X坐标(水平方向的横坐标)向左扩展30个像素距离,向上扩展60个像素,从而确定水尺区域的原点位置;再根据水尺在图像上所占的像素尺寸,最终提取出水尺局部图像。本步骤的关键是获取整个水尺的顶部图像,用以获得水尺的顶部终点,用以作为水尺的识别原点,用以避免水尺顶部遮挡造成识别误差。
步骤D:采用霍夫直线检测算法对所述水尺局部图像进行直线检测,得到区域内所有的直线集合;根据“E”字符的检测结果,对直线进行筛选,仅保留所有“E”字符范围内的直线;根据斜率对直线进行筛选,仅保留接近竖直的直线;获取筛选后所有直线上Y坐标(竖直方向的纵坐标)最大值和最小值,并以E”字符范围内任意一X坐标位置做竖直直线,得到最终水面以上的水尺线,从而得到水面与水尺的交界处的Y坐标像素值。如图1所示。
步骤E:在摄像头和水尺都固定后拍摄一张水尺图像,获取水尺像素值及其对应的实际值并保存;采用多项式拟合的方式对保存的数据进行拟合,得到水尺像素值和实际值之间的关系公式。
该步骤其实是通过手动的方式获取水尺像素值与实际值的关系公式的参数标定过程。正如前述,由于在设立水尺的时候,水尺上的“E”字符图案对应的水位高度已经由刻度数字表示出来了,拍摄的照片直接识别出“E”字符图案是可以获知相应的刻度数字的,然而,通过照片识别出刻度数字需要人工进行判断,没法做到图像自动识别过程。因此,本步骤提供了一个参数标定步骤,即对于每个水尺位置,在摄像头和水尺固定后,拍摄一张水尺图像,可以通过计算机或者人工方式事先识别出水尺上的每个像素值与其对应的真实水位值,将这些对应数值保存起来进行多项式拟合,可以得到得到水尺像素值和实际值之间的关系公式,也就是一个可以通过机器自动比对的参数标定公式。
步骤F:将步骤D中所述Y坐标像素值代入步骤E中标定得到的关系公式中,计算得到最终的水位值。
本领域技术人员应当理解,虽然本发明是按照多个实施例的方式进行描述的,但是并非每个实施例仅包含一个独立的技术方案。说明书中如此叙述仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体加以理解,并将各实施例中所涉及的技术方案看作是可以相互组合成不同实施例的方式来理解本发明的保护范围。
以上所述仅为本发明示意性的具体实施方式,并非用以限定本发明的范围。任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合,均应属于本发明保护的范围。
Claims (2)
1.一种水位测量方法,用于对带有“E”字符图案的水尺照片进行识别,以测量获得水位值,其特征在于,所述方法包括如下步骤:
步骤A:图像预处理步骤:对所述水尺照片中的图像进行中值滤波和图像均衡化处理,去除所述图像中的局部噪声和增强对比度,以获得预检测图像;
步骤B:对所述预检测图像先进行颜色提取,将其转化成二值化图像;检测所述二值化图像中“E”字符图案,记录所述“E”字符图案在水尺上的位置;
步骤C:根据所述“E”字符图案在水尺上的位置,获取最上端“E”字符中心点的位置。对该位置的X坐标向左扩展30个像素距离,向上扩展60个像素,从而确定水尺区域的原点位置;再根据水尺在图像上所占的像素尺寸,最终提取出水尺局部图像;
步骤D:采用霍夫直线检测算法对所述水尺局部图像进行直线检测,得到区域内所有的直线集合;根据“E”字符的检测结果,对直线进行筛选,仅保留所有“E”字符范围内的直线;根据斜率对直线进行筛选,仅保留接近竖直的直线;获取筛选后所有直线上Y坐标最大值和最小值,并以E”字符范围内任意一X坐标位置做竖直直线,得到最终水面以上的水尺线,从而得到水面与水尺的交界处的Y坐标像素值;
步骤E:在摄像头和水尺都固定后拍摄一张水尺图像,获取水尺像素值及其对应的实际值并保存;采用多项式拟合的方式对保存的数据进行拟合,得到水尺像素值和实际值之间的关系公式;
步骤F:将步骤D中所述Y坐标像素值代入步骤E中标定得到的关系公式中,计算得到最终的水位值。
2.如权利要求1所述的水位测量方法,进一步包括如下步骤:
事先将多个经过步骤A获得的预检测图像,先进行颜色提取,将其转化成二值化图像;
在所述二值化图像上截取100张完整的“E”字符图像,作为机器学习训练的正样本,同时在所述二值化图像上随机截取2000张不包含“E”字符的背景图像作为负样本;
对所述正、负样本进行尺寸归一化处理,并对所有样本提取各自的Haar-like特征并保存;
将所述正、负样本的Haar-like特征输入到构造好的Adaboost分类器中进行训练,得到训练数据;
在所述步骤B中,检测所述二值化图像中“E”字符图案时,读入所述训练好的数据,遍历整个图像中符合所述训练好的数据中“E”字符特征的位置,即为所述“E”字符图案在水尺上的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810400914.5A CN108759973B (zh) | 2018-04-28 | 2018-04-28 | 一种水位测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810400914.5A CN108759973B (zh) | 2018-04-28 | 2018-04-28 | 一种水位测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108759973A true CN108759973A (zh) | 2018-11-06 |
CN108759973B CN108759973B (zh) | 2020-03-31 |
Family
ID=64012413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810400914.5A Active CN108759973B (zh) | 2018-04-28 | 2018-04-28 | 一种水位测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108759973B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287953A (zh) * | 2019-05-20 | 2019-09-27 | 湖北九感科技有限公司 | 水位自动识别方法及装置 |
CN110705435A (zh) * | 2019-09-26 | 2020-01-17 | 南京宥安传感科技有限公司 | 基于图像识别的水位监测“糖葫芦”标识尺、系统及方法 |
CN110849444A (zh) * | 2019-11-20 | 2020-02-28 | 武汉世纪水元科技股份有限公司 | 一种基于机器视觉的视频水位测量方法 |
CN111024181A (zh) * | 2019-11-20 | 2020-04-17 | 武汉世纪水元科技股份有限公司 | 针对复杂环境的视觉传感水位测量系统 |
CN111191560A (zh) * | 2019-12-25 | 2020-05-22 | 深圳市东深电子股份有限公司 | 一种自动识别水位尺刻度的水利rtu |
CN111947733A (zh) * | 2020-08-13 | 2020-11-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种智能数码水位标尺及其使用方法 |
CN112037192A (zh) * | 2020-08-28 | 2020-12-04 | 西安交通大学 | 一种城镇燃气公用管道安装过程埋深信息采集方法 |
CN112907506A (zh) * | 2021-01-11 | 2021-06-04 | 昆明理工大学 | 一种基于水尺颜色信息的不定长水尺水位检测方法、装置及存储介质 |
CN112949624A (zh) * | 2021-01-25 | 2021-06-11 | 西安电子科技大学 | 基于水尺的水位检测方法、装置、电子设备及存储介质 |
CN113537129A (zh) * | 2021-07-29 | 2021-10-22 | 河南浩宇空间数据科技有限责任公司 | 一种基于机器视觉的水位标尺定位及水位计算方法 |
CN113739863A (zh) * | 2020-05-28 | 2021-12-03 | 中国电信股份有限公司 | 一种基于图像识别检测排水口流量的方法和装置 |
CN113822105A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
CN113822104A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于多候选虚拟标尺的人工智能水面检测系统 |
CN114061693A (zh) * | 2021-11-09 | 2022-02-18 | 北京美科华仪科技有限公司 | 一种依托水尺识别水面线的方法 |
CN114529815A (zh) * | 2022-02-10 | 2022-05-24 | 中山大学 | 一种基于深度学习的流量检测方法、装置、介质及终端 |
CN115578695A (zh) * | 2022-11-21 | 2023-01-06 | 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 |
CN115880683A (zh) * | 2023-03-02 | 2023-03-31 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1062231A (ja) * | 1996-08-22 | 1998-03-06 | Hitachi Ltd | 水位計測用画面表示装置および水位計測装置 |
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 |
CN102147281A (zh) * | 2011-01-12 | 2011-08-10 | 湖南大学 | 一种基于机器视觉的液位检测装置及其方法 |
CN102519972A (zh) * | 2011-12-10 | 2012-06-27 | 山东明佳包装检测科技有限公司 | 一种pet瓶瓶盖和液位的检测方法 |
CN103487104A (zh) * | 2013-07-03 | 2014-01-01 | 青岛大学 | 一种细管液面式数据的图像采集识别系统及方法 |
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 |
CN107506798A (zh) * | 2017-08-31 | 2017-12-22 | 福建四创软件有限公司 | 一种基于图像识别的水位监测方法 |
-
2018
- 2018-04-28 CN CN201810400914.5A patent/CN108759973B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1062231A (ja) * | 1996-08-22 | 1998-03-06 | Hitachi Ltd | 水位計測用画面表示装置および水位計測装置 |
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 |
CN102147281A (zh) * | 2011-01-12 | 2011-08-10 | 湖南大学 | 一种基于机器视觉的液位检测装置及其方法 |
CN102519972A (zh) * | 2011-12-10 | 2012-06-27 | 山东明佳包装检测科技有限公司 | 一种pet瓶瓶盖和液位的检测方法 |
CN103487104A (zh) * | 2013-07-03 | 2014-01-01 | 青岛大学 | 一种细管液面式数据的图像采集识别系统及方法 |
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 |
CN107506798A (zh) * | 2017-08-31 | 2017-12-22 | 福建四创软件有限公司 | 一种基于图像识别的水位监测方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287953A (zh) * | 2019-05-20 | 2019-09-27 | 湖北九感科技有限公司 | 水位自动识别方法及装置 |
CN110287953B (zh) * | 2019-05-20 | 2021-02-26 | 湖北九感科技有限公司 | 水位自动识别方法及装置 |
CN110705435A (zh) * | 2019-09-26 | 2020-01-17 | 南京宥安传感科技有限公司 | 基于图像识别的水位监测“糖葫芦”标识尺、系统及方法 |
CN110849444A (zh) * | 2019-11-20 | 2020-02-28 | 武汉世纪水元科技股份有限公司 | 一种基于机器视觉的视频水位测量方法 |
CN111024181A (zh) * | 2019-11-20 | 2020-04-17 | 武汉世纪水元科技股份有限公司 | 针对复杂环境的视觉传感水位测量系统 |
CN111191560A (zh) * | 2019-12-25 | 2020-05-22 | 深圳市东深电子股份有限公司 | 一种自动识别水位尺刻度的水利rtu |
CN111191560B (zh) * | 2019-12-25 | 2023-08-29 | 深圳市东深电子股份有限公司 | 一种自动识别水位尺刻度的水利rtu |
CN113739863A (zh) * | 2020-05-28 | 2021-12-03 | 中国电信股份有限公司 | 一种基于图像识别检测排水口流量的方法和装置 |
CN113822105A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
CN113822104A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于多候选虚拟标尺的人工智能水面检测系统 |
CN113822105B (zh) * | 2020-07-07 | 2024-04-19 | 湖北亿立能科技股份有限公司 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
CN113822104B (zh) * | 2020-07-07 | 2023-11-03 | 湖北亿立能科技股份有限公司 | 基于多候选虚拟标尺的人工智能水面检测系统 |
CN111947733A (zh) * | 2020-08-13 | 2020-11-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种智能数码水位标尺及其使用方法 |
CN112037192A (zh) * | 2020-08-28 | 2020-12-04 | 西安交通大学 | 一种城镇燃气公用管道安装过程埋深信息采集方法 |
CN112907506A (zh) * | 2021-01-11 | 2021-06-04 | 昆明理工大学 | 一种基于水尺颜色信息的不定长水尺水位检测方法、装置及存储介质 |
CN112949624A (zh) * | 2021-01-25 | 2021-06-11 | 西安电子科技大学 | 基于水尺的水位检测方法、装置、电子设备及存储介质 |
CN112949624B (zh) * | 2021-01-25 | 2024-02-13 | 西安电子科技大学 | 基于水尺的水位检测方法、装置、电子设备及存储介质 |
CN113537129A (zh) * | 2021-07-29 | 2021-10-22 | 河南浩宇空间数据科技有限责任公司 | 一种基于机器视觉的水位标尺定位及水位计算方法 |
CN114061693A (zh) * | 2021-11-09 | 2022-02-18 | 北京美科华仪科技有限公司 | 一种依托水尺识别水面线的方法 |
CN114529815A (zh) * | 2022-02-10 | 2022-05-24 | 中山大学 | 一种基于深度学习的流量检测方法、装置、介质及终端 |
CN115578695A (zh) * | 2022-11-21 | 2023-01-06 | 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 |
CN115880683A (zh) * | 2023-03-02 | 2023-03-31 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108759973B (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108759973A (zh) | 一种水位测量方法 | |
CN107506798B (zh) | 一种基于图像识别的水位监测方法 | |
Lin et al. | Automatic water-level detection using single-camera images with varied poses | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
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 | |
CN101625723B (zh) | 电力线轮廓的快速图像识别方法 | |
CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
CN112598733B (zh) | 一种基于多模态数据融合补偿自适应优化的船舶检测方法 | |
CN110197157B (zh) | 一种基于历史裂纹数据的路面裂纹生长检测方法 | |
CN111721361A (zh) | 一种堤防监测系统、方法及设备 | |
CN111179220B (zh) | 车道标识线质量检测方法、系统及存储介质 | |
CN112215125A (zh) | 一种基于YOLOv3的水位识别方法 | |
CN112013921B (zh) | 一种基于水位尺测量图像获取水位信息的方法、装置和系统 | |
CN112862898B (zh) | 一种基于计算机视觉的流速测定方法 | |
CN116168028B (zh) | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 | |
CN110070012A (zh) | 一种应用于遥感影像道路网络提取的细化和全局连接方法 | |
Nair et al. | Flood water depth estimation—A survey | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN114639064A (zh) | 一种水位识别方法及装置 | |
JP3701167B2 (ja) | 水位計測方法および装置 | |
CN115578695B (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
CN107238837A (zh) | 一种船舶吃水检测方法 | |
CN115060343B (zh) | 一种基于点云的河流水位检测系统、检测方法 | |
CN113822105B (zh) | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
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 |