CN110956172A - 一种基于图像语义分割的水尺识别方法 - Google Patents
一种基于图像语义分割的水尺识别方法 Download PDFInfo
- Publication number
- CN110956172A CN110956172A CN201911128971.3A CN201911128971A CN110956172A CN 110956172 A CN110956172 A CN 110956172A CN 201911128971 A CN201911128971 A CN 201911128971A CN 110956172 A CN110956172 A CN 110956172A
- Authority
- CN
- China
- Prior art keywords
- water gauge
- image
- semantic segmentation
- water
- trans
- 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
Images
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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像语义分割的水尺识别方法,包括以下步骤:步骤S1:采集水尺图像样本,并进行预处理;步骤S2:构建水尺语义分割模型,并预训练;步骤S3:训练水尺语义分割模型,并微调得到最佳水尺语义分割模型;步骤S4:对待识别水尺图像进行ROI截取与预处理;步骤S5:生成掩膜图片;步骤S6:筛选出最终的水尺候选区域;步骤S7:采用Canny算子进行边缘检测,获得候选区域边缘的点,之后区分出上下左右四条边的候选点,并使用基于Ransac的直线拟合算法,分别拟合出上下左右四条边;步骤S8:将识别出的水尺区域与识别出的水尺读数位置投射到原图像中,并计算得到的实际水尺刻度。本发明利用远程水尺监控图像,识别出水尺水位进而计算出图像水域当前水位。
Description
技术领域
本发明涉及一种基于图像语义分割的水尺识别方法。
背景技术
水位测量的主要方式有利用水位计测量和借助水尺测量等。在传 统的水位观测中,往往使用水位计来实现水位的远程和自动化采集, 但水位计测量的准确性容易受到水面波动等各种因素的影响,所以实 际应用中也会结合其他检测信息来确保水尺检测的准确性。而利用水 尺进行水位测量则是另一种十分直观和常见的方式。近年来摄像头远 程监控已经成为水文检测单位的标准配置。因监控摄像头技术相对成 熟,维护成本低,一些水位监测单位在进行水位测量时,会采取水位 计测量结合水尺监控图像读取水位的方式。
近几年来,人工智能及图像识别技术快速发展,已经出现许多基 于深度学习的目标识别和图像分割算法。这使得基于监控图像来进行 高精度的自动化水尺检测及水位测量成为可能。
发明内容
有鉴于此,本发明的目的在于提供一种基于图像语义分割的水尺 识别方法,利用远程水尺监控图像,识别出水尺水位进而计算出图像 水域当前水位。
为实现上述目的,本发明采用如下技术方案:
一种基于图像语义分割的水尺识别方法,包括以下步骤:
步骤S1:采集水尺图像样本,并进行ROI截取,预处理和样本增广;
步骤S2:构建水尺语义分割模型,并预训练;
步骤S3:根据预处理后的水尺图像样本,训练水尺语义分割模型, 并进行微调和超参数调节得到最佳水尺语义分割模型;
步骤S4:对待识别水尺图像进行ROI截取与预处理;
步骤S5:将预处理后的待识别水尺图像输入最佳水尺语义分割模型, 生成水尺区域的掩膜图片;
步骤S6:根据得到的水尺区域的掩膜图片,采用筛选算法,结合 白色区域的大小,位置和长宽方向信息,筛选出最终的水尺候选区域;
步骤S7:根据得到的最终的水尺候选区域,采用Canny算子进行 边缘检测,获得候选区域边缘的点,之后区分出上下左右四条边的候 选点,并使用基于Ransac的直线拟合算法,分别拟合出上下左右四 条边;
步骤S8:将识别出的水尺区域与识别出的水尺读数位置投射到原 图像中,并计算得到的实际水尺刻度。
进一步的,所述步骤S1具体为:
步骤S11:采集包含有水尺的监控图像,并保存为图片形式;
步骤S12:对水尺图片进行ROI标注和水尺语义分割标注处理;
步骤S13:根据水尺语义分割标注,生成表示水尺区域的掩膜图片, 并根据ROI标注,对原水尺图片和生成掩膜图片进行剪裁,剪裁后 形成的图片与掩膜,通过缩放到特定大小作为水尺图像样本。
步骤S14:对以上样本进行样本增广扩充样本,样本增广的方式包 括:斜切,平移,缩放,左右翻转,亮度变化,饱和度变化,锐度变 化,颜色变化。
进一步的,所述水尺语义分割模型采用的是深度卷积神经网络模型。
进一步的,所述深度卷积神经网络为融合了resnet34的Unet网络, 具体为:
(1)网络输入图片为3通道的宽为W高为H的图片,其中W和 H为32的整数倍;
(2)图片首先经过Conv1,进行了一个通道数为64的卷积核大小 为7×7卷积层的操作,并在激活函数操作后传给下一层;
(4)Conv3,Conv4,Conv5分别对应了拥有4,6,3个残差学习 结构的残差模块;
(6)Trans_conv1同时接受了Conv5经过上采样的结果和Conv5的 直接结果,将两者拼接,作为该层的输入;
(7)Trans_conv2,Trans_conv3,Trans_conv4和Trans_conv5都为 的上采样模块,且Trans_conv2,Trans_conv3和Trans_conv4 首先接受了自身上一层的结果并同时分别接受了Conv4,Conv3, Conv2的结果作为额外的输入,之后将上一层的结果和额外输入拼接, 作为本层的输入,而Trans_conv5并不接受额外的拼接层;
(8)Full_connnect,先对Trans_conv5进行通道数为1的1×1卷积 操作,相当于一个全连接层,之后接一个sigmoid函数作为输出的激 活函数;
(9)输出一个宽为W,高为H的单通道图片。
进一步的,所述水尺语义分割模型通过使用COCO或ImageNet或 同等量级的开源数据集中的任一数据集进行预训练。
进一步的,所述步骤S3具体为:
步骤S31:将预处理后的水尺图像样本分为训练集样本和验证集样 本;
步骤S32:根据增广后的训练集样本,对预训练后的水尺语义分割模 型进行迭代训练;
步骤S33:用不同的超参数设置,找到最优的超参数组合,使模型在 验证集上的损失函数最低,得到最佳水尺语义分割模型。
进一步的,所述步骤S8具体为:
步骤S81:针对每个水尺场景设置三条刻度线,记录下刻度线的在 水尺中的读数;
步骤S82:将识别出的水尺区域换算到原始图像,并计算其底边中 点的高度像素值y_p。
步骤S83:分别获得预设三条刻度线中上面两条线的读数差 d1_scale_top_mid,上面两条线在图像中的像素高度差 d1_pixels_top_mid;
步骤S84:获得下面两条线的读数差d2_scale_mid_bot,和像素高度 差d2_pixels_mid_bot;
步骤S85:计算出每单位长度所含像素点的畸变系数;
步骤S86:根据畸变系数,将对应于水尺读数方向的区域按照厘米切 割;
步骤S87:实际计算水位读数时,根据语义分割模块拟合出的底边所 对应的像素点y_p,以及所处的厘米块的像素位置,根据就近原则来 获取读数;
步骤S88:根据获取的读数,再加上0刻度的实际水位数字,即为最 终的水尺读数。
进一步的,所述像素点的畸变系数为:
本发明与现有技术相比具有以下有益效果:
1、本发明基于深度卷积神经网络,并运用截取ROI,图像增广, 昼夜分类识别的水尺语义分割网络训练方法,得到效果更好的水尺语 义分割模型。
2、本发明基于候选区域筛选模块,Ransac算法以及修正模块的 水尺拟合方法,得到的水尺读数精度好、正确率高。
附图说明
图1是本发明一实施例中水尺语义分割的深度卷积神经网络训 练方法流程图;
图2是本发明一实施例中用于训练水尺语义分割网络的样本;
图3是本发明一实施例中ROI标注和水尺语义分割标注示意图;
图4是本发明一实施例中根据水尺语义分割标注生成的掩膜示 意图;
图5是本发明一实施例中裁剪后的水尺图片和掩膜示意图;
图6是本发明一实施例中融合resnet34的Unet;
图7是本发明一实施例中resnet34的残差模块;
图8是本发明一实施例中Unet的上采样模块;
图9是本发明一实施例中基于图像语义分割的水尺识别流程图;
图10是本发明一实施例中水尺站点设置示意图;
图11是本发明一实施例中水尺语义分割候选区域示意图;
图12是本发明一实施例中水尺识别的输入,掩膜与投射到原图 的结果;
图13是本发明一实施例中水尺识别的输入,掩膜与投射原图区 域结果。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于图像语义分割的水尺刻度识别 方法,包括以下步骤:
步骤S1:采集水尺图像样本,并进行ROI截取,预处理与样本增广;
步骤S2:构建水尺语义分割模型,并预训练;
步骤S3:根据预处理后的水尺图像样本,训练水尺语义分割模型, 并进行微调和超参数调节得到最佳水尺语义分割模型;
步骤S4:对待识别水尺图像进行ROI截取与预处理;
步骤S5:将预处理后的待识别水尺图像输入最佳水尺语义分割模型, 生成水尺区域的掩膜图片;
步骤S6:根据得到的水尺区域的掩膜图片,采用筛选算法,结合 白色区域的大小,位置和长宽方向信息,筛选出最终的水尺候选区域;
步骤S7:根据得到的最终的水尺候选区域,采用Canny算子进行 边缘检测,获得候选区域边缘的点,之后区分出上下左右四条边的候 选点,并使用基于Ransac的直线拟合算法,分别拟合出上下左右四 条边;
步骤S8:将识别出的水尺区域与识别出的水尺读数位置投射到原 图像中,并计算得到的实际水尺刻度。
在本实施例中,所述步骤S1具体为:
步骤S11:采集包含有水尺的监控图像,作为水尺图像样本,每一张 监控图像即为一份样本。收集样本的时候要求拍摄画面清晰,同时需 要尽量收集不同类型的水尺样本,包括并不限于:水尺干净清晰的普 通样本,水尺底部有严重污染的样本,水尺被轻微遮挡的样本,水尺 上有光斑的样本,水尺在水面上倒影明显的样本,画面中无水尺得样 本等。参考样本如图2所示;
步骤S12:对水尺图像样本进行ROI标注和水尺语义分割标注处理;
ROI(region of interest)即感兴趣区域,指图片当中将实际被用于 训练的区域,此处标注为水尺所处的区域。对同一个水尺监控站点的 不同时段都会收集样本,而同一个水尺监控站点的样本中,要求水尺 在图片中的位置是固定的。因此针对同一个水尺站点,只需要标注一 次ROI。如图3所示,红色矩形框即为该水尺对应站点的ROI。
水尺语义分割标注即为标注出图像在水尺中的位置。首先要标注出 水尺的边缘位置,并根据标注生成掩膜。图3中绿色线段围绕成的封 闭区域即为水尺区域。
对之后用于训练的样本都需要进行ROI和水尺语义分割标注。
步骤S13:根据水尺语义分割标注,生成表示水尺区域的掩膜图片, 并根据ROI标注,对原水尺图片和生成掩膜图片进行剪裁,剪裁后 形成的图片与掩膜,得到预处理后的水尺图像样本。根据样本语义标 注,首先要生成表示水尺区域的掩膜图片,而后再根据ROI标注, 对原水尺图片和生成掩膜图片进行剪裁,剪裁后形成的图片与掩膜, 将作为用于训练神经网络的实际样本。图4展示了生成的原始大小的 掩膜。剪裁后的原始图片,剪裁后的掩膜如图5所示。本实施例采用 了深度学习领域常用的图像增广方法对样本进行了扩充。
在本实施例中,所述水尺语义分割模型采用的是深度卷积神经网 络模型。所述深度卷积神经网络为融合了resnet34的Unet网络,其 网络的基本思路为,以Unet为基本结构,特征提取部分采用resnet34 的结构,而上采样模块采保留Unet的原始结构。该网络的整体结构 如图6所示,表格1描述了详细的每个模块的输出大小。
表1融合resnet34的Unet结构
在本实施例中,首先要介绍两种在网络中使用的模块,一种是取 自resnet34中的残差模块,另一种是取自Unet中的上采样模块。
图6和表格1中表示与resnet34中相同的残差模块.一个 resenet34的残差模块中包含B个相连的残差学习结构,单个残差学 习结构如图7所示:首先对输入进行了“卷积-激活-卷积”操作,其中 “N×N,F”表示通道数为F的N×N卷积核。并把输入和这一操作的结 合相加,对相加的结果再进行激活函数作为整个残差学习结构的输出。
此外,图6和表格1中的表示与Unet中的上采样模块。 上采样模块的结构如图8所示:首先对输入进行转置卷积操作,如果 有额外输入的拼接层,则拼接上采样的结果与拼接层,之后再对该结 果进行“卷积-激活-卷积-激活”操作,并输出结果。卷积核采用的是通 道数为F,大小为N×N的卷积核。该模块中,拼接的方式为对通道 进行拼接,例如当转置卷积后的结果大小为a1×b1×F1,额外输入的 拼接层的大小为a2×b2×F2,要求转置卷积与拼接层的除通道外的特 征大小相同(即a1和a2是相同的,b1和b2也是相同的),拼接后的 结果为a1×b1×(F1+F2)。
基于以上,融合resnet34的Unet网络整体描述如下:
(1)网络输入图片为3通道的宽为W高为H的图片,其中W和 H为32的整数倍;
(2)图片首先经过Conv1,进行了一个通道数为64的卷积核大小 为7×7卷积层的操作,并在激活函数操作后传给下一层;
(4)Conv3,Conv4,Conv5分别对应了拥有4,6,3个残差学习 结构的残差模块;
(6)Trans_conv1同时接受了Conv5经过上采样的结果和Conv5的 直接结果,将两者拼接,作为该层的输入;
(7)Trans_conv2,Trans_conv3,Trans_conv4和Trans_conv5都为 的上采样模块,且Trans_conv2,Trans_conv3和Trans_conv4 首先接受了自身上一层的结果并同时分别接受了Conv4,Conv3, Conv2的结果作为额外的输入,之后将上一层的结果和额外输入拼接, 作为本层的输入,而Trans_conv5并不接受额外的拼接层;
(8)Full_connnect,先对Trans_conv5进行通道数为1的1×1卷积 操作,相当于一个全连接层,之后接一个sigmoid函数作为输出的激 活函数;
(9)输出一个宽为W,高为H的单通道图片。
进一步的,所述水尺语义分割模型通过使用COCO或ImageNet或 同等量级的开源数据集中的任一数据集进行预训练。
在本实施例中,水尺语义分割模型首先通过使用COCO或 ImageNet或同等量级的开源数据集中的任一数据集进行预训练,之 后在预训练过的模型基础上,使用步骤1.3中制作的增广样本进行训 练,训练样本将被分为训练集和验证集。训练需要执行一定次数的迭 代,在一定迭代次数内模型的损失函数将会降低。运用不同的超参数 设置,以求找到最好的超参数组合,使模型在验证集上的损失函数最 低,损失函数使用的是基于Dice函数的二元交互熵损失函数。
此外微调过程中需要对超参数进行参数调优,即模型在不同的超 参数设置下,运用上述数据集进行训练,并找出能使模型在验证集上 获得最低损失函数的超参数组合。超参数包括,输入图片的W,H 的大小,学习率,每个批次的样本量,训练总批次,训练提前停止的 条件等。
微调后最后训练出的最佳水尺语义分割模型,用于水尺识别。
在本实施例中,针对每个水尺站点,要预先设置好拍摄位置,以 及相对应的ROI区域(如图10的红色矩形框)。每次识别时,拍摄 的照片是相同位置的照片。此外,还需要设置如图10中的三条绿色 线及其水尺读数,该线平行于水尺读数线,并要求刻度线尽量分开。最后还需要输入水尺0刻度的实际水位。
在获取某一时刻的水尺照片后,要根据预设值的ROI进行图片 截取,如图10所示。根据步骤1.5中经过模型训练和超参数调优, 可以确定输入图片的宽W和高H,之后将截取的水尺图片用双线性 插值法调整到该大小。
在本实施例中,对最终候选区域,首先用Canny算子进行边缘检 测,获得候选区域边缘的点,之后区分出上下左右四条边的候选点, 并使用基于Ransac的直线拟合算法,分别拟合出上下左右四条边[7]。 其中,由于实际拟合情况下,底部容易受水尺脏污影响,导致拟合的 底边与实际水尺底边位置有偏差。此时对水尺底边进行修正,取事先 设置的三条水尺读数线的平均斜率,作为新底边斜率,取识使用 Ransac别出的底边的中点,作为新底边的中点。该步骤返回即为水尺 所在区域的四边形。
在本实施例中,所述步骤S8具体为:
步骤S81:针对每个水尺场景设置三条刻度线,记录下刻度线的在水 尺中的读数;
步骤S82:将识别出的水尺区域换算到原始图像,并计算其底边中 点的高度像素值y_p。
步骤S83:分别获得预设三条刻度线中上面两条线的读数差 d1_scale_top_mid,上面两条线在图像中的像素高度差 d1_pixels_top_mid;
步骤S84:获得下面两条线的读数差d2_scale_mid_bot,和像素高度 差d2_pixels_mid_bot;
步骤S85:计算出每单位长度所含像素点的畸变系数;
步骤S86:根据畸变系数,将对应于水尺读数方向的区域按照厘米切 割;
步骤S87:实际计算水位读数时,根据语义分割模块拟合出的底边所 对应的像素点y_p,以及所处的厘米块的像素位置,根据就近原则来 获取读数;
步骤S88:根据获取的读数,再加上0刻度的实际水位数字,即为最 终的水尺读数。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所 做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.一种基于图像语义分割的水尺识别方法,其特征在于,包括以下步骤:
步骤S1:采集水尺图像样本,并进行ROI截取,预处理和样本增广;
步骤S2:构建水尺语义分割模型,并预训练;
步骤S3:根据预处理后的水尺图像样本,训练水尺语义分割模型,并进行微调和超参数调节得到最佳水尺语义分割模型;
步骤S4:对待识别水尺图像进行ROI截取与预处理;
步骤S5:将预处理后的待识别水尺图像输入最佳水尺语义分割模型,生成水尺区域的掩膜图片;
步骤S6:根据得到的水尺区域的掩膜图片,采用筛选算法,结合白色区域的大小,位置和长宽方向信息,筛选出最终的水尺候选区域;
步骤S7:根据得到的最终的水尺候选区域,采用Canny算子进行边缘检测,获得候选区域边缘的点,之后区分出上下左右四条边的候选点,并使用基于Ransac的直线拟合算法,分别拟合出上下左右四条边;
步骤S8:将识别出的水尺区域与识别出的水尺读数位置投射到原图像中,并计算得到的实际水尺刻度。
2.根据权利要求1所述的基于图像语义分割的水尺识别方法,其特征在于,所述步骤S1具体为:
步骤S11:采集包含有水尺的监控图像,并保存为图片形式;
步骤S12:对水尺图片进行ROI标注和水尺语义分割标注处理;
步骤S13:根据水尺语义分割标注,生成表示水尺区域的掩膜图片,并根据ROI标注,对原水尺图片和生成掩膜图片进行剪裁,剪裁后形成的图片与掩膜,通过缩放到特定大小作为水尺图像样本。
步骤S14:对水尺图像样本进行样本增广扩充样本。
3.根据权利要求1所述的基于图像语义分割的水尺识别方法,其特征在于,所述水尺语义分割模型采用的是深度卷积神经网络模型。
4.根据权利要求3所述的基于图像语义分割的水尺识别方法,其特征在于,所述深度卷积神经网络为融合了resnet34的Unet网络,具体为:
(1)网络输入图片为3通道的宽为W高为H的图片,其中W和H为32的整数倍;
(2)图片首先经过Conv1,进行了一个通道数为64的卷积核大小为7×7卷积层的操作,并在激活函数操作后传给下一层;
(4)Conv3,Conv4,Conv5分别对应了拥有4,6,3个残差学习结构的残差模块;
(6)Trans_conv1同时接受了Conv5经过上采样的结果和Conv5的直接结果,将两者拼接,作为该层的输入;
(7)Trans_conv2,Trans_conv3,Trans_conv4和Trans_conv5都为的上采样模块,且Trans_conv2,Trans_conv3和Trans_conv4首先接受了自身上一层的结果并同时分别接受了Conv4,Conv3,Conv2的结果作为额外的输入,之后将上一层的结果和额外输入拼接,作为本层的输入,而Trans_conv5并不接受额外的拼接层;
(8)Full_connnect,先对Trans_conv5进行通道数为1的1×1卷积操作,相当于一个全连接层,之后接一个sigmoid函数作为输出的激活函数;
(9)输出一个宽为W,高为H的单通道图片。
5.根据权利要求1所述的基于图像语义分割的水尺识别方法,其特征在于,所述水尺语义分割模型通过使用COCO或ImageNet或同等量级的开源数据集中的任一数据集进行预训练。
6.根据权利要求1所述的基于图像语义分割的水尺识别方法,其特征在于,所述步骤S3具体为:
步骤S31:将预处理后的水尺图像样本分为训练集样本和验证集样本;
步骤S32:根据增广后的训练集样本,对预训练后的水尺语义分割模型进行迭代训练;
步骤S33:用不同的超参数设置,找到最优的超参数组合,使模型在验证集上的损失函数最低,得到最佳水尺语义分割模型。
7.根据权利要求1所述的基于图像语义分割的水尺识别方法,其特征在于,所述步骤S8具体为:
步骤S81:针对每个水尺场景设置三条刻度线,记录下刻度线的在水尺中的读数;
步骤S82:将识别出的水尺区域换算到原始图像,并计算其底边中点的高度像素值y_p。
步骤S83:分别获得预设三条刻度线中上面两条线的读数差d1_scale_top_mid,上面两条线在图像中的像素高度差d1_pixels_top_mid;
步骤S84:获得下面两条线的读数差d2_scale_mid_bot,和像素高度差d2_pixels_mid_bot;
步骤S85:计算出每单位长度所含像素点的畸变系数;
步骤S86:根据畸变系数,将对应于水尺读数方向的区域按照厘米切割;
步骤S87:实际计算水位读数时,根据语义分割模块拟合出的底边所对应的像素点y_p,以及所处的厘米块的像素位置,根据就近原则来获取读数;
步骤S88:根据获取的读数,再加上0刻度的实际水位数字,即为最终的水尺读数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128971.3A CN110956172B (zh) | 2019-11-18 | 2019-11-18 | 一种基于图像语义分割的水尺识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128971.3A CN110956172B (zh) | 2019-11-18 | 2019-11-18 | 一种基于图像语义分割的水尺识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956172A true CN110956172A (zh) | 2020-04-03 |
CN110956172B CN110956172B (zh) | 2023-04-07 |
Family
ID=69977624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128971.3A Active CN110956172B (zh) | 2019-11-18 | 2019-11-18 | 一种基于图像语义分割的水尺识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956172B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476785A (zh) * | 2020-04-20 | 2020-07-31 | 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 |
CN111626190A (zh) * | 2020-05-26 | 2020-09-04 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
CN112183470A (zh) * | 2020-10-28 | 2021-01-05 | 长江大学 | 一种船舶水尺识别方法、设备及存储介质 |
CN112215907A (zh) * | 2020-09-17 | 2021-01-12 | 上海电机学院 | 一种焊缝缺陷自动提取方法 |
CN112766274A (zh) * | 2021-02-01 | 2021-05-07 | 长沙市盛唐科技有限公司 | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 |
CN112785592A (zh) * | 2021-03-10 | 2021-05-11 | 河北工业大学 | 基于多重扩张路径的医学影像深度分割网络 |
CN113223073A (zh) * | 2021-04-16 | 2021-08-06 | 北京科技大学 | 一种河道水位评估方法 |
CN113516081A (zh) * | 2021-07-16 | 2021-10-19 | 廖佳庆 | 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 |
CN115218798A (zh) * | 2022-09-20 | 2022-10-21 | 西安中科慧远视觉技术有限公司 | 测量板材孔和/或槽尺寸的光学测量系统、方法及介质 |
CN115359430A (zh) * | 2022-10-19 | 2022-11-18 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
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 |
CN116453104A (zh) * | 2023-06-15 | 2023-07-18 | 安徽容知日新科技股份有限公司 | 液位识别方法、装置、电子设备及计算机可读存储介质 |
CN116883808A (zh) * | 2023-06-27 | 2023-10-13 | 浪潮智慧科技有限公司 | 一种提升水尺水位识别响应速度的方法、设备及存储介质 |
CN117437519A (zh) * | 2023-11-06 | 2024-01-23 | 北京市智慧水务发展研究院 | 一种无水尺水位识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008072636A (ja) * | 2006-09-15 | 2008-03-27 | Nagaoka Univ Of Technology | 画像処理システム、画像処理方法、及びプログラム |
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 |
CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
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 |
CN110211142A (zh) * | 2019-05-31 | 2019-09-06 | 南京深地智能建造技术研究院有限公司 | 一种基于视频图像处理的深基坑的坑外水位在线检测方法 |
CN110443243A (zh) * | 2019-08-07 | 2019-11-12 | 浙江大华技术股份有限公司 | 水位监测方法、存储介质、网络设备和水位监测系统 |
-
2019
- 2019-11-18 CN CN201911128971.3A patent/CN110956172B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008072636A (ja) * | 2006-09-15 | 2008-03-27 | Nagaoka Univ Of Technology | 画像処理システム、画像処理方法、及びプログラム |
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 |
CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
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 |
CN110211142A (zh) * | 2019-05-31 | 2019-09-06 | 南京深地智能建造技术研究院有限公司 | 一种基于视频图像处理的深基坑的坑外水位在线检测方法 |
CN110443243A (zh) * | 2019-08-07 | 2019-11-12 | 浙江大华技术股份有限公司 | 水位监测方法、存储介质、网络设备和水位监测系统 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476785A (zh) * | 2020-04-20 | 2020-07-31 | 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 |
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 |
CN111626190A (zh) * | 2020-05-26 | 2020-09-04 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
CN112215907A (zh) * | 2020-09-17 | 2021-01-12 | 上海电机学院 | 一种焊缝缺陷自动提取方法 |
CN112183470B (zh) * | 2020-10-28 | 2022-07-19 | 长江大学 | 一种船舶水尺识别方法、设备及存储介质 |
CN112183470A (zh) * | 2020-10-28 | 2021-01-05 | 长江大学 | 一种船舶水尺识别方法、设备及存储介质 |
CN112766274A (zh) * | 2021-02-01 | 2021-05-07 | 长沙市盛唐科技有限公司 | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 |
CN112766274B (zh) * | 2021-02-01 | 2023-07-07 | 长沙市盛唐科技有限公司 | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 |
CN112785592A (zh) * | 2021-03-10 | 2021-05-11 | 河北工业大学 | 基于多重扩张路径的医学影像深度分割网络 |
CN113223073B (zh) * | 2021-04-16 | 2022-04-19 | 北京科技大学 | 一种河道水位评估方法 |
CN113223073A (zh) * | 2021-04-16 | 2021-08-06 | 北京科技大学 | 一种河道水位评估方法 |
CN113516081A (zh) * | 2021-07-16 | 2021-10-19 | 廖佳庆 | 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 |
CN115218798B (zh) * | 2022-09-20 | 2022-12-09 | 西安中科慧远视觉技术有限公司 | 测量板材孔和/或槽尺寸的光学测量系统、方法及介质 |
CN115218798A (zh) * | 2022-09-20 | 2022-10-21 | 西安中科慧远视觉技术有限公司 | 测量板材孔和/或槽尺寸的光学测量系统、方法及介质 |
CN115359430B (zh) * | 2022-10-19 | 2023-02-28 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
CN115359430A (zh) * | 2022-10-19 | 2022-11-18 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
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 |
CN116453104A (zh) * | 2023-06-15 | 2023-07-18 | 安徽容知日新科技股份有限公司 | 液位识别方法、装置、电子设备及计算机可读存储介质 |
CN116453104B (zh) * | 2023-06-15 | 2023-09-08 | 安徽容知日新科技股份有限公司 | 液位识别方法、装置、电子设备及计算机可读存储介质 |
CN116883808A (zh) * | 2023-06-27 | 2023-10-13 | 浪潮智慧科技有限公司 | 一种提升水尺水位识别响应速度的方法、设备及存储介质 |
CN117437519A (zh) * | 2023-11-06 | 2024-01-23 | 北京市智慧水务发展研究院 | 一种无水尺水位识别方法及装置 |
CN117437519B (zh) * | 2023-11-06 | 2024-04-12 | 北京市智慧水务发展研究院 | 一种无水尺水位识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110956172B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956172B (zh) | 一种基于图像语义分割的水尺识别方法 | |
EP1215626B1 (en) | Automatically producing an image of a portion of a photographic image | |
CN111695486B (zh) | 一种基于点云的高精度方向标志牌目标提取方法 | |
US20090232358A1 (en) | Method and apparatus for processing an image | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
CN106529537A (zh) | 一种数字仪表读数图像识别方法 | |
US8953900B2 (en) | Increased quality of image objects based on depth in scene | |
CN106033535A (zh) | 电子阅卷方法 | |
CN107909544B (zh) | 一种图像校正方法及系统 | |
CN103984979A (zh) | 无透镜衍射成像的藻类自动检测计数装置及方法 | |
CN111738229B (zh) | 一种指针表盘刻度的自动读取方法 | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN113469178B (zh) | 一种基于深度学习的电力表计识别方法 | |
CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 | |
CN114913074A (zh) | 一种深度网络语义分割的超像素无缝拼接方法及系统 | |
CN111724354A (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN112836726B (zh) | 一种基于视频信息的指针类仪表示数读取方法及装置 | |
CN109658334A (zh) | 一种古籍图像拼接方法及装置 | |
CN113298767A (zh) | 一种能克服反光现象的围棋图谱可靠识别方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN111881914A (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 | |
CN116721344A (zh) | 基于航拍设备的植被检测方法、装置和设备 | |
CN104866837B (zh) | 字画微观纹理的图像采集装置及其采集方法 | |
CN116523885A (zh) | 一种基于多尺度融合及深度学习的pcb缺陷检测方法 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 |
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 |