CN109508630A - 一种基于人工智能识别水尺水位的方法 - Google Patents

Abstract

本发明涉及水尺识别应用，公开了一种基于人工智能识别水尺水位的方法，采用深度学习算法实现，该深度学习算法需要使用已标注的大量水尺图像数据进行预训练，在预训练的基础上才能将算法应用到对未知水尺刻度的水尺图像的预测中，所以本发明的主要工作由两部分组成：算法训练阶段和预训练算法预测阶段，其技术方案要点是，能够解决自动水位计成本高并且精度易受环境影响、以及传统图像识别方法灵活度较低的缺点，在降低水尺识别成本的同时，提高识别灵活性和识别精度。

Description

一种基于人工智能识别水尺水位的方法

技术领域

本发明涉及深度学习算法在计算机视觉领域的应用，具体是指基于深度神经网络，自动识别图片中水尺位置及刻度的方法。

背景技术

水位是河流湖库的基本水文要素之一，由于城市及灌区对于供水量、暴雨及洪水流量、径流泥沙及养分输移率等信息通常均需要根据水位测量值求得，因此连续可靠的水位监测对于流域水资源管理与综合治理具有重要意义。

当前，水利行业监测水位的方法除了人工检测外，还有自动水位计检测，自动水位计检测主要包括浮子式、压力式、超声波式及雷达式等，以及会采用传统的图像识别方法对水位进行监测。

这些方法在监控时存在诸多缺陷，比如人工监测，存在安全问题，劳动强度大且自动化程度低；各种自动水位计成本高，易受环境影响，维护成本较高；而传统的图像识别方法对每个摄像头的安装角度和位置要求较高，适应性较差。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于人工智能识别水尺水位的方法，解决现有自动水位计成本高并且精度易受环境影响，以及传统图像识别方法灵活度较低的缺点。

该方法根据已经安装的摄像头获取大量水尺图像数据进行训练，由于训练数据全部来自已有的实际场景，加之深度学习算法固有的可迁移和泛化能力，所以对新安装的现场环境有很好的适应性，几乎可以做到安装摄像头即可使用，无需专业技术调试，且后期升级只需要替换预训练的模型算法即可，前期安装和后期维护都很简单。

该方法通过简单的图像处理后使用预训练的人工智能算法模型检测水位尺上数字和刻度，在经过误差校正算法校正后，将刻度换算为水位深度。测量误差最终可达1到2cm，能够满足水文测验的要求。

本发明的上述技术目的是通过以下技术方案得以实现的：

本发明采用深度学习算法实现，该深度学习算法需要使用已标注的大量水尺图像数据进行预训练，在预训练的基础上才能将算法应用到对未知水尺刻度的水尺图像的预测中，所以本发明的主要工作由两部分组成：算法训练阶段和预训练算法预测阶段，算法使用开源机器学习框架Tensorflow实现。具体如下：

一种基于人工智能识别水尺水位的方法，包括以下步骤：

根据已安装的摄像头获取水尺图像；

根据获取的大量水尺图像数据通过训练算法预训练出人工智能算法模型的算法训练阶段；

使用预训练人工智能算法模型对水尺图像上数字和刻度的统计数据进行预测的预训练算法预测阶段；

使用误差校正算法对检测出的统计数据进行校正，并在校正后将刻度换算为实测水位深度。

上述的训练算法包括水尺对象检测模块和水尺刻度识别模块，水尺对象检测模块用于识别出水尺在图像数据中的位置信息，水尺刻度识别模块用于对水尺对象检测模块检测出的水尺位置范围内的图像数据进行数字和刻度的特征提取、并依据提取的特征预测水尺图像中出现的数字和刻度的统计数据。

算法训练阶段包括以下两个训练步骤：

通过水尺对象检测模块的训练，由基于深度学习的机器视觉对象检测算法实现，对输入预标注且处理好的水尺图像数据进行训练，经多次迭代训练，得到满足预期精度的水尺对象检测模型；

通过水尺刻度识别模块的训练，使用深度卷积神经网络算法，有监督地提取已标注的图像中水尺的数字和刻度的图像特征并提取学习，在多次迭代中深度卷积神经网络算法对特征分布不断拟合学习，得到满足预期精度的水尺数据识别网络模型，水尺对象检测模型和水尺数据识别网络模型构成人工智能算法模型。

预训练算法预测阶段主要分为：

水尺原图采集与预处理，基于摄像头获取水尺图像，对其中大小进行调整以满足算法模型输入要求；

水尺对象识别及刻度推理，将预处理好的水尺图像输入到预训练的水尺对象检测模型中、检测出图像中的水尺位置，基于预测的水尺位置截取出原图中的水尺图像，然后将水尺图像输入到水尺刻度识别网络模型中、输出水尺图像中出现的数字和刻度的统计数据。

上一步中得到数字统计数据可能存在误差，由此本步骤根据上述的误差校正算法对水尺中数字分布规律可能的误差进行校正。标准水尺中数字0至9的出现具有以下规律：每一段水尺，长度1米，数字分布由最低端到顶端为0到9。根据以上数字分布规律，可以设计出数字统计误差的校正算法：某一个数字的数量出现错误时，只要其相邻的两个数字的数量正确，那么可以根据其相邻的两个数字数量将该出错的数字数量校正过来。

最后根据校正的水尺信息计算出水面上的水尺长度，再依据预先输入的安装水尺长度计算出水面下的水尺长度，从而得出实测水位深度。

综上所述，本发明对比于现有技术的有益效果为：基于深度学习算法，通过摄像头获取水尺图像数据，通过算法训练阶段的训练算法构建人工智能算法模型、利用预训练算法预测阶段对人工智能算法模型进行预测试，使得人工智能算法模型在之后的水尺图像识别上灵活度和准确度更好，以此避免传统识别方法灵活度低的缺点，同时不需要使用自动水位计成本较高的设备，并且自动水位计等设备精度易受环境影响，由此能够提高水尺识别的精度。

附图说明

图1为实施例中算法训练阶段的流程图；

图2为实施例中预训练完成后水尺水位实测的流程图；

图3为实施例的水尺误差校正示意图；

图4为实施例中对象检测算法的内部示意图；

图5为实施例中水尺刻度识别模块的深度学习网络框架。

附图标记：1、水尺图像采集；2、训练算法；21、水尺对象检测模块；22、水尺刻度识别模块；3、人工智能算法模型；31、水尺对象检测模型；32、水尺数据识别网络模型；4、实测水位深度；5、误差校正算法；6、预训练算法预测阶段；7、算法训练阶段。

具体实施方式

以下结合附图对本发明作进一步详细说明。

本方法发明根据已经安装的摄像头获取大量水尺图像数据进行训练，由于训练数据全部来自已有的实际场景，加之深度学习算法固有的可迁移和泛化能力，所以对新安装的现场环境有很好的适应性，几乎可以做到安装摄像头即可使用，无需专业技术调试，且后期升级只需要替换预训练的模型算法即可，前期安装和后期维护都很简单。

该方法通过简单的图像处理后使用预训练的人工智能算法模型3检测水位尺上数字和刻度，在经过误差校正算法5校正后，将刻度换算为水位深度。测量精度最终可达1到2cm，能够满足水文测验的要求。

本发明的上述技术目的是通过以下技术方案得以实现的：

本发明采用深度学习算法实现，该深度学习算法需要使用已标注的大量水尺图像数据进行预训练，在预训练的基础上才能将算法应用到对未知水尺刻度的水尺图像的预测中，所以本发明的主要工作由两部分组成：算法训练阶段7和预训练算法预测阶段6，算法使用开源机器学习框架Tensorflow实现。具体如下：

一种基于人工智能识别水尺水位的方法，参照图1和图2所示，包括以下步骤：

根据已安装的摄像头进行水尺图像采集1；

根据获取的大量水尺图像数据通过训练算法2预训练出人工智能算法模型3的算法训练阶段7；

使用预训练人工智能算法模型3对水尺图像上数字和刻度的统计数据进行预测的预训练算法预测阶段6；

使用误差校正算法5对检测出的统计数据进行校正，并在校正后将刻度换算为实测水位深度4。

上述的训练算法2包括水尺对象检测模块21和水尺刻度识别模块22，水尺对象检测模块21用于识别出水尺在图像数据中的位置信息，水尺刻度识别模块22用于对水尺对象检测模块21检测出的水尺位置范围内的图像数据进行数字和刻度的特征提取、并依据提取的特征预测水尺图像中出现的数字和刻度的统计数据。

算法训练阶段7包括以下两个训练步骤：

通过水尺对象检测模块21的训练，由基于深度学习的机器视觉对象检测算法实现，对输入预标注且处理好的水尺图像数据进行训练，经多次迭代训练，得到满足预期精度的水尺对象检测模型31；

通过水尺刻度识别模块22的训练，使用深度卷积神经网络算法，有监督地提取已标注的图像中水尺的数字和刻度的图像特征并提取学习，在多次迭代中深度卷积神经网络算法对特征分布不断拟合学习，得到满足预期精度的水尺数据识别网络模型32，水尺对象检测模型31和水尺数据识别网络模型32构成人工智能算法模型3。

预训练算法预测阶段6主要分为：

水尺原图采集与预处理，基于摄像头获取水尺图像，对其中大小进行调整以满足算法模型输入要求；

水尺对象识别及刻度推理，将预处理好的水尺图像输入到预训练的水尺对象检测模型31中、检测出图像中的水尺位置，基于预测的水尺位置截取出原图中的水尺图像，然后将水尺图像输入到水尺刻度识别网络模型32中、输出水尺图像中出现的数字和刻度的统计数据。

上一步中得到数字统计数据可能存在误差，由此本步骤根据上述的误差校正算法5对水尺中数字分布规律可能的误差进行校正。标准水尺中数字0至9的出现具有以下规律：每一段水尺，长度1米，数字分布由最低端到顶端为0到9，如图3中左侧数字。根据以上数字分布规律，可以设计出数字统计误差的校正算法：某一个数字的数量出现错误时，只要其相邻的两个数字的数量正确，那么可以根据其相邻的两个数字数量将该出错的数字数量校正过来。

例如，参照图3中左侧水尺中数字3的个数错误(错误数为2)，但是其相邻的数字2和4的个数都是正确的(个数都为1)，那么算法将数字3的个数校正为1，如图3右侧所示。如果错误出现在9这样的末端数字时，则算法失效，但是这样的概率是很低的。例如，如果数字的识别正确率为98％(最终算法可以轻易实现该准确率)，则出现9错误的概率为0.002，所以对模型最终的精度影响应该是很小的。

最后根据校正的水尺信息计算出水面上的水尺长度，再依据预先输入的安装水尺长度计算出水面下的水尺长度，从而得出水位数据。

值得说明的是，如前所述，水尺对象检测模块21和水尺刻度识别模块22均使用了深度学习算法，下面分别对两个模块使用的深度学习网络框架进行阐述。

一、水尺对象检测模块21的深度学习网络框架使用的是最新对象检测算法YOLO(v3),相比其他对象检测算法的优势有：识别速度快，本方法使用的是YOLO(v3)的105层模型版本，即使是这么深的模型，该算法仍然可以达到51帧每秒的识别速度，这完全可以满足水尺检测对实时性的要求；

识别精度高，YOLO(v3)的105层模型版本在COCO数据集的测试数据集上可以达到33mAP,在只识别水尺(单一类别)的应用中，这样的精度完全可以更高。图4所示是YOLO(v3)的网络结构图，模型的骨干网络是被称为darknet-53的特征提取网络，顾名思义，它有53个卷积层，从图中可以看出，网络中使用了大量的残差模块。YOLO算法从三个不同的尺寸预测对象box，这三个不同的尺寸来自不同层级的卷积层的输出。

由于卷积层每隔几层，特征映射(feature mapping)的宽和高就会减少，而通道数会增加，随着网络层次的加深，特征映射组成的形状类似于金字塔，如果将不同层级的特征映射转换为最终的输出，那么将有助于提升模型在对象不同尺度大小上的表现，即可以提高模型从小目标到大目标的综合检测能力。

从图4中我们可以明显看出该网络结构有以下几个特点：

1、从网络的不同层次映射不同尺寸的输出，如图中从79层(外加两个卷积层)得到13*13的的输出，从91层(外加两个卷积层)得到26*26的输出；最后再得到52*52的输出；

2、后面的高层结合使用低层特征(图中的86、98层，分别使用了61层和36层的特征映射)，使高层能使用细粒度(fine grained)特征和更多的语义信息；

3、最后一个尺寸输出使用了前两个尺寸计算的特征映射，使得最后的尺寸输出也能使用细粒度。

工作原理：在推理未知图片中水尺位置时，需要针对网络的设计预先将图片的输入尺寸调整为416*416，然后通过darknet-53的基础网络提取图片中水尺的特征映射，随后将特征映射输入到负责预测不同尺寸的对象检测卷积层，对象检测卷积层对原始的特征映射再计算不同层特征之间的关系后通过输出层(图中layer82,layer94和layer106c层)的非线性回归预测水尺在图中的box，并通过逻辑回归预测水尺的类别，最终得到图片中是否有水尺的可能性和水尺出现的位置。

水尺刻度识别模块22的深度学习网络框架使用的是ResNet网络结构，选择ResNet的原因有：该网络结构简单，易扩展为更深的网络；由于残差模块的作用，网络的训练拟合速度很快；网络的拟合能力很强，最终模型的精度很高。图5为本发明中使用的ResNet的具体网络结构，由于绝大部分水尺的形状为瘦高类型，所以本发明根据训练数据集中所有水尺图片尺寸分别计算出图片的平均宽和高作为模型输入图片的尺寸大小，即图5中的350和100分别为输入的高和宽。flatten操作之前的都是结合使用残差模块的全卷积层，总共使用了4组不同尺寸的残差模块，每组包含5个残差单元，这些全卷积层主要用来提取水尺中每个数字和最小刻度的特征，所有卷积层均使用ReLU激活函数。flatten之后为两个全连接层，layer42使用ReLU激活函数，因为最终输出的数字和刻度数量问题是一个回归问题，所以layer43使用线性激活函数。由于最终要输出0到9和最小刻度的数量，所以输出层(layer43)的输出大小为11，即为各个数字和刻度的数量。

以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (3)

1.一种基于人工智能识别水尺水位的方法，其特征是，包括以下步骤：

根据已安装的摄像头获取水尺图像；

根据获取的大量水尺图像数据通过训练算法预训练出人工智能算法模型的算法训练阶段；

使用预训练人工智能算法模型对水尺图像上数字和刻度的统计数据进行预测的预训练算法预测阶段；

使用误差校正算法对检测出的统计数据进行校正，并在校正后将刻度换算为实测水位深度。

2.根据权利要求1所述的一种基于人工智能识别水尺水位的方法，其特征是：训练算法包括水尺对象检测模块和水尺刻度识别模块，水尺对象检测模块用于识别出水尺在图像数据中的位置信息，水尺刻度识别模块用于对水尺对象检测模块检测出的水尺位置范围内的图像数据进行数字和刻度的特征提取、并依据提取的特征预测水尺图像中出现的数字和刻度的统计数据；

算法训练阶段包括以下两个训练步骤：

通过水尺对象检测模块的训练，由基于深度学习的机器视觉对象检测算法实现，对输入预标注且处理好的水尺图像数据进行训练，经多次迭代训练，得到满足预期精度的水尺对象检测模型；

通过水尺刻度识别模块的训练，使用深度卷积神经网络算法，有监督地提取已标注的图像中水尺的数字和刻度的图像特征并提取学习，在多次迭代中深度卷积神经网络算法对特征分布不断拟合学习，得到满足预期精度的水尺数据识别网络模型，水尺对象检测模型和水尺数据识别网络模型构成人工智能算法模型。

3.根据权利要求2所述的一种基于人工智能识别水尺水位的方法，其特征是：预训练算法预测阶段主要分为：

水尺原图采集与预处理，基于摄像头获取水尺图像，对其中大小进行调整以满足算法模型输入要求；

水尺对象识别及刻度推理，将预处理好的水尺图像输入到预训练的水尺对象检测模型中、检测出图像中的水尺位置，基于预测的水尺位置截取出原图中的水尺图像，然后将水尺图像输入到水尺刻度识别网络模型中、输出水尺图像中出现的数字和刻度的统计数据。