CN111382680B - 一种闸门监测方法、终端及计算机可读存储介质 - Google Patents

一种闸门监测方法、终端及计算机可读存储介质 Download PDF

Info

Publication number
CN111382680B
CN111382680B CN202010121838.1A CN202010121838A CN111382680B CN 111382680 B CN111382680 B CN 111382680B CN 202010121838 A CN202010121838 A CN 202010121838A CN 111382680 B CN111382680 B CN 111382680B
Authority
CN
China
Prior art keywords
gate
scale
datum line
monitoring
monitoring image
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
Application number
CN202010121838.1A
Other languages
English (en)
Other versions
CN111382680A (zh
Inventor
赵诗云
陈媛媛
熊剑平
王枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010121838.1A priority Critical patent/CN111382680B/zh
Publication of CN111382680A publication Critical patent/CN111382680A/zh
Application granted granted Critical
Publication of CN111382680B publication Critical patent/CN111382680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种闸门监测方法，该方法包括：确定闸门基准线以及所述闸门关闭时所述闸门上标尺相对于所述基准线的初始刻度；获取到所述闸门的监测图像；对所述监测图像进行分析，识别出所述监测图像中的所述闸门基准线以及所述基准线对应的标尺刻度；利用所述标尺刻度与所述初始刻度的差值确定所述闸门的开合状态。通过上述方式，不仅能监测闸门的开合状态还能计算闸门的开合位移。

Description

一种闸门监测方法、终端及计算机可读存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种应用图像处理技术对闸门状态进行监测。
背景技术
闸门，又称防汛门或防洪门，闸门是装于溢流坝、岸边溢洪道、泄水孔、水工隧洞和水闸等建筑物的空口上，用以调节流量，监测上、下游水位、宣泄洪水、排除泥沙或漂浮物等，是水工建筑物的重要组成部分，用于对水灾起到防护作用。一般而言，在江河沿岸会分布数量众多的防汛门，在潮位较高时或者汛期期间，需对防汛门的状态进行监测，及时了解防汛门是否有异常。
现有技术中一般是通过硬件设备，如探测头等设备来感应防汛门的状态，但是探测头的寿命周期较短，一旦损坏，需要人工到现场检测，耗费人力。且通过硬件设备只能对闸门的开合状态进行监测，不能对闸门的开合位移进行监测。
发明内容
本申请主要解决的技术问题是提供一种基于图像识别的闸门监测方法、终端及计算机可读存储介质，实现对闸门的开合状态和位移进行实时监测。
为解决上述问题，本申请提供了一种闸门监测方法，包括：确定闸门基准线以及闸门关闭时闸门上标尺相对于基准线的初始刻度；获取到闸门的监测图像；对监测图像进行分析，识别出监测图像中的闸门基准线以及基准线对应的标尺刻度；利用标尺刻度与初始刻度的差值确定闸门的开合状态。
其中，利用标尺刻度与初始刻度的差值确定闸门的开合状态的步骤具体包括：如果标尺刻度与初始刻度的差值大于设定值，闸门为打开状态，并将标尺刻度与初始刻度的差值确定为闸门的开合位移；如果标尺刻度与初始刻度的差值不大于设定值，闸门为关闭状态。
其中，对监测图像进行分析，识别出监测图像中的闸门基准线以及基准线对应的标尺刻度的步骤包括：使用K-means算法对监测图像进行颜色聚类；将聚类完的图像使用Canny算子进行边缘检测，得到监测图像中闸门基准线的候选直线；利用预先确定的闸门基准线的长度从监测图像中的闸门基准线的候选直线中筛选出监测图像中的闸门基准线。
其中，对监测图像进行分析，识别出监测图像中的闸门基准线以及闸门基准线对应的标尺刻度的步骤包括：识别出监测图像中的闸门基准线；在闸门基准线的附近确定ROI区域；其中ROI区域中包括标尺；通过深度神经网络算法获取到ROI区域中的最大标注数字确定为闸门基准线对应的标尺刻度的十位数；从ROI区域中截取第一子区域；对第一子区域进行红色聚类，将第一子区域中最大标尺刻度的纵坐标对应的闸门的相对于标注数字的实际高度确定为闸门基准线对应的标尺刻度的个位数。
其中，通过深度神经网络算法获取到ROI区域中的最大标注数字确定为闸门基准线对应的标尺刻度的十位数的步骤还包括：通过深度网络学习算法定位ROI区域中的数字，筛选出置信度大于阈值的数字作为数字区域，对所有数字区域进行排序，选取数字坐标最大的数字作为标尺刻度的十位数。
其中，将第一子区域中纵坐标最大值对应的闸门的相对于标注数字的实际高度确定为闸门基准线对应的标尺刻度的个位数包括：通过如下公式(1)确定为闸门基准线对应的标尺刻度的个位数：
Figure BDA0002393206690000021
其中，Ymax为第一子区域中红色聚类线对应的最大纵坐标的高度，YE为两个相邻数字的高度差对应于图像中的高度。
其中，在闸门基准线的附近确定ROI区域；其中ROI区域包括标尺的步骤包括：将监测图像中基准线的纵坐标作为ROI区域的左顶点和监测图像中标尺刻度的最小纵坐标标作为ROI区域的右底点，得到的最大矩形区域即为ROI区域。
其中，确定闸门基准线以及闸门关闭时闸门上标尺相对于基准线的初始刻度的步骤包括：确定闸门基准线，并将闸门基准线保留到闸门的闸门柱上；确定闸门关闭时闸门上标尺相对于基准线的初始刻度并进行保存；对监测图像进行分析，识别出监测图像中的闸门基准线以及基准线对应的标尺刻度的步骤包括：识别出监测图像中的保留在闸门柱上的闸门基准线。
本申请还提供一种终端，用于监测闸门的开合状态，该终端包括相互耦接的处理器和存储器，存储器用于存储闸门状态监测的程序指令，处理器用于执行存储器存储的程序指令以实现上述实施方式任一项闸门状态监测方法。
本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，用于实现上述任一实施方式的闸门状态监测方法。
本申请的有益效果是：通过计算当前闸门刻度与初始闸门刻度的差值，能对防汛门的状态进行监测，同时对闸门的开合位移进行自动监测，能用于计算排水量。
附图说明
图1是本申请闸门监测方法一实施方式的流程示意图；
图2是本申请图1步骤S13使用K-means聚类后的结构示意图；
图3是本申请图1中步骤S13一具体实施方式的流程示意图；
图4是本申请图1步骤S13截取第一子区域的结构示意图；
图5是本申请监测终端一实施方式的结构示意图；
图6是本申请存储介质一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，图1是本申请中闸门监测方法一实施方式的流程示意图；该闸门监测方法主要是基于图像识别技术的监测方法，具体步骤如下：
S11：确定闸门基准线以及闸门关闭时闸门上标尺相对于基准线的初始刻度；
闸门基准线作为用于确定标尺的刻度的参考线，是刻在闸门柱上的。
优选的，闸门基准线为闸门关闭时闸门上标尺对应的最大标尺刻度的纵坐标。此时，闸门关闭时闸门上标尺相对于基准线的初始刻度为标尺对应的最大标尺刻度。
确定闸门基准线以及闸门关闭时闸门上标尺相对于基准线的初始刻度的步骤还包括：将确定的闸门基准线保留到闸门对应的闸门柱上，确定闸门关闭时闸门上标尺相对于基准线的初始刻度并进行保存。
S12：获取到闸门的监测图像。
主要是通过摄像头拍摄得到闸门的监测图像。优选的，摄像头间隔预设时间段对闸门进行一次拍摄。其中，预设时间段可根据当地的水流量进行人工调节。
S13：对监测图像进行分析，识别出监测图像中的闸门基准线以及基准线对应的标尺刻度。
上述步骤S13中包括识别出闸门基准线。
其中，识别出监测图像中的闸门基准线的步骤包括：使用K-means颜色聚类和Canny算子对闸门监测图像中的闸门基准线进行算法识别分析，识别出监测图像中的保留在闸门柱上的闸门基准线。
具体地，首先使用K-means算法对监测图像进行颜色聚类，将聚类完的图像使用Canny算子进行边缘检测，得到监测图像中闸门基准线的候选直线，利用预先确定的闸门基准线的长度从监测图像中的闸门基准线的候选直线中筛选出监测图像中的闸门基准线。
K-means是一种常用的聚类算法，其中k表示的是聚类中心的个数。K-means颜色聚类是通过迭代，移动各个基准类别的中心，直至得到最好的聚类结果为止。K-means颜色聚类能缩小颜色空间的范围，增大各个颜色间的距离，以便于后续连通域的提取。主要包括以下步骤：随机选择初始的聚类中心；把每个目标分配给最近的中心(最近的度量指的是目标到中心的欧式距离)；根据上一步聚好的类，重新计算聚类中心(所有点到上一步中心的平均值)；重复上述步骤直到聚类中心不再发生变化。请参阅图2，图2为本申请中K-means颜色聚类后的闸门监测图像的结构示意图。其中黑色粗线段表示K-means聚类后的红色聚类线。
通过上述K-means颜色聚类对闸门监测图像进行颜色聚类预处理，将聚类得到的R分量上的点映射回原图，从监测图像中得到聚类完的R分量的图像，并将其他部分的点补成白色，得到红色聚类图。使用Canny算子对K-means颜色聚类得到的红色聚类图进行边缘检测，得到监测图像中闸门基准线的候选直线，利用预先确定的闸门基准线的长度从监测图像中的闸门基准线的候选直线中筛选出监测图像中的闸门基准线。K-means颜色聚类能对监测图像中的所有直线进行识别，包括闸门基准线和标尺的刻度线，但由于闸门基准线和标尺的刻度线的长度是不同的，因此可根据预先确定的闸门基准线的长度对应于监测图像中的长度来筛选出闸门基准线。
其中，使用Canny算子对K-means颜色聚类得到的红色聚类图进行边缘检测包括：对检测到的边缘图像进行形态学处理，如对边缘进行加粗。预先确定的闸门基准线的长度为实际中闸门柱上的基准线对应于监测图像中的长度。
具体地，Canny算子对监测图像进行边缘检测主要包括以下几个步骤：第一步，对红色聚类图后的监测图像进行去噪处理。因为边缘检测对噪音非常敏感，所以对图像进行边缘检测的第一步，需要对红色聚类后的监测图像中的噪音进行移除。通常使用高斯滤波器对图像中的噪音进行移除。在其他实施例中还可以是其他滤波器如均值滤波、中值滤波等等。第二步，计算监测图像中每个像素的边缘梯度强度和方向。边缘的最重要的特征是灰度值剧烈变化，如果把灰度值看成二元函数值，那么灰度值的变化可以用二元函数的导数(或者称为梯度)来描述。由于图像是离散数据，导数可以用差分值来表示，差分在实际工程中就是灰度差，就是两个像素的差值。一个像素点有8邻域，那么分上下左右斜对角，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。在其他实施例中还可以使用Roberts，Prewitt，Sobel等算子来计算监测图像中每个像素的边缘梯度强度。使用Canny算子计算二维图像在x轴和y轴的差分值，将下面两个模板与监测图像进行卷积，得出x和y轴的差分值图，最后计算该点的梯度G和方向θ。具体地，在水平和垂直方向过滤来平滑图像，并取得图像在水平和垂直方向的一阶导数，利用以上取得的两个图像，可以用
Figure BDA0002393206690000061
和
Figure BDA0002393206690000062
公式找到每个像素边缘梯度和方向。第三步，使用双阈值算法对监测图像中的边缘直线进行检测和连接。所有边缘直线的强度梯度超过最大阈值的确定为闸门基准线的候选直线，低于最小阈值的确定不为闸门基准线的候选直线。基于中间的边缘直线判断其是否为闸门基准线的候选直线是根据其连续性；如果它和边缘直线的像素相连，则为闸门基准线的候选直线；如果和不与边缘直线的像素相连，则不为闸门基准线的候选直线。第四步，从所有闸门基准线的候选直线中筛选出闸门基准线。
上述步骤S13还包括识别出与基准线对应的闸门上的标尺刻度的读数。
具体请进一步参阅图3，图3为图1步骤S13中一具体实施方式的流程示意图，具体包括以下步骤：
S131：在闸门基准线的附近确定ROI区域；其中ROI区域中包括标尺；
获取闸门基准线的方法包括首先确定监测图像中闸门基准线的坐标，根据监测图像中闸门基准线的坐标截取ROI区域。例如获取到的闸门基准线的坐标为(x1,y1),(x2,y2)，在闸门基准线的附近截取的ROI区域的坐标为(x2,y2)(2x2-x1,y2)(x2,y2+x2-x1)(2x2-x1，y2+x2-x1)。
需要说明的是，ROI区域又称为感兴趣区域，是从图像中选择的一个目标区域，以对该区域中的图像进行进一步处理。这个ROI区域可以是矩形、圆形、椭圆形、不规则多边形等，在此不作限定。在本实施例中优选的是矩形区域。
S132：通过深度神经网络算法获取到ROI区域中的最大标注数字作为闸门基准线对应的标尺刻度的十位数。
使用深度神经网络算法对ROI区域中的标尺上的最大标注数字进行识别具体包括：使用深度神经网络算法对标尺上的数字进行定位，筛选出含有数字的数字区域，并对所有数字区域进行排序，选取数字区域中最大的数字作为标尺刻度的十位数，记为H。
具体地，基于深度卷积神经网络的数字识别方法包括以下步骤：
步骤S1321：识别出监测图像中的数字区域；
将标有ROI区域的待检测图像送入深度神经网络中，经过卷积层、池化层、全连接层处理得到最大分类概率，依据最大分类概率得到对应的全连接层的权值；将待检测图像输入到深度神经网络中，在最后一层卷积层得到特征图结果，对特征图与上述得到的权值进行叠加，将叠加后的多张特征图结果进行像素值相加，并进行归一化操作，得到最终的特征图结果；将得到的最终的特征图结果与原始的待检测图像进行图像融合，依据图像处理中的自适应阈值选取，设定图像阈值找到融合后的图像的像素值较大的区域，即最大数字区域，然后依据轮廓查找找到响应最大数字区域的外接矩形，实现数字区域定位。
步骤S1322：对数字区域进行排序，筛选出最大标注数字，并最大标注数字确定为标尺刻度的十位数。
1)经过NNC多层卷积操作得到的特征图；2)基于特征图上每个像素点卷积得到的数字候选区域的坐标位置；3)基于特征图上每个像素点卷积得到的候选区域的二分类类别信息，判断候选矩形框内部是否有数字，即给出该候选区域包含数字的概率p；4)针对非重叠的候选矩形框，按照其对应的预测包含数字的概率p由高到低进行排序，挑选前m个置信度较高的候选区域作为实际有效的数字区域。对数字区域进行排序，进一步筛选出最大的标注数字，并将该标注数字作为标尺刻度的十位数。
S133：从ROI区域中截取第一子区域；
通过上述深度卷积神经网络模型还能获取到最大数字区域的坐标，其中最大数字区域的坐标为(Xm1,Ym1)(Xm1,Ym2)(Xm2,Ym1)(Xm2,Ym2)。
进一步地，根据数字区域中的数字区域和基准线，在ROI区域中截取第一子区域，如图4所示，图4是截取第一子区域的结构示意图，数字区域的坐标的左顶点为(Xm1,Ym1)，右底点为(Xm2,Ym2)，第一子区域的坐标的左顶点为(Xm1,0)，右底点为(Xm2,Ym1)。
S134：对第一子区域进行红色聚类，将第一子区域中最大标尺刻度的纵坐标对应的闸门的相对于标注数字的实际高度确定为闸门基准线对应的标尺刻度的个位数。
具体地，对第一子区域中标尺的刻度进行识别的步骤包括：使用K-means对截取的第一子区域的图像进行红色聚类，得到红色聚类后的标尺的刻度线，识别标尺的刻度线的最大Y坐标，记为Ymax。将数字区域坐标的高度差大致估计为E在图像上的高度差，记为YE。使用公式
Figure BDA0002393206690000081
计算闸门基准线对应的标尺刻度的个位数，其中，0.5m是相邻两个数字在实际距离中的高度。
需要说明的是，通过上述方式获得的标尺的刻度线与基准线是不完全重合的，因此获得的最大Y坐标是存在误差的。
将上述步骤中通过深度神经网络算法得到的标尺刻度读数的十位数H和标尺刻度读数的个位数M相加，得到闸门的标尺刻度J＝H+M。由于通过上述方式得到的Ymax是并非完全是闸门基准线与标尺刻度上的数字之间的绝对距离，Ymax的计算是存在误差的。因此若在实际计算中出现M≥0.5m的情况，那么M记为0.5m。
S14：利用标尺刻度与初始刻度的差值确定闸门的开合状态。
利用标尺刻度与初始刻度的差值确定闸门的开合状态的步骤具体包括：如果标尺刻度与初始刻度的差值大于设定值，闸门为打开状态，并将标尺刻度与初始刻度的差值确定为闸门的开合位移；如果标尺刻度与初始刻度的差值不大于设定值，闸门为关闭状态。
具体地，将上述步骤S11获得的闸门关闭时闸门上标尺相对于基准线的初始刻度记为L。计算初始刻度与标尺刻度的差值D＝L-J。
在本实施方式中，将设定值设定为0.01m，即若初始刻度与标尺刻度的差值小于0.01m，则表示闸门处于闭合状态，若初始刻度与标尺刻度的差值大于或等于0.01m，则表示闸门处于打开状态。闸门的开合位移约等于初始刻度与标尺刻度的差值D。
在本实施例中，通过图像监测技术计算闸门上初始刻度读数与标尺刻度读数的差值，将该差值作为闸门打开的位移，并通过比较闸门上初始刻度读数与标尺刻度读数的差值来判断闸门是否处于打开状态或者闭合状态，对计算闸门的排水量有重大意义。
本申请还提供一种用于监测闸门状态的终端，请参阅图5，图5为本申请中终端一实施例结构示意图。
终端50包括相互耦接的处理器51和存储器52，处理器51用于执行存储器52存储的程序指令以实现上述任一方法实施例中的步骤或者上述任一方法实施例中闸门状态监测对应执行的步骤。该终端除包括上述处理器和存储器之外，还可根据需求包括触摸屏、打印组件、通信电路等，在此不做限定。
具体而言，处理器51用于控制其自身以及存储器52以实现上述任一闸门开合状态的获取方法实施例中的步骤。处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器51可以由多个集成电路芯片共同实现。
本申请还提供一种计算机可读存储介质，请参阅图6，图6为一种计算机可读存储介质60一实施方式的结构示意图。
计算机可读存储介质60包括存储介质60上存储的计算机程序601，计算机程序601被上述处理器执行时实现上述任一方法实施例中的步骤或者上述方法实施例中闸门状态监测对应执行的步骤。
具体地，集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质60中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质60中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种闸门监测方法，其特征在于，所述方法包括：
确定闸门基准线以及所述闸门关闭时所述闸门上标尺相对于所述基准线的初始刻度；所述闸门基准线是刻在闸门柱上用于确定标尺的刻度的参考线；
获取到所述闸门的监测图像；
对所述监测图像进行分析，识别出所述监测图像中的所述闸门基准线以及所述基准线对应的标尺刻度；其中，所述对所述监测图像进行分析，识别出所述监测图像中的所述闸门基准线以及所述基准线对应的标尺刻度包括：对所述监测图像进行颜色聚类；将聚类完的图像进行边缘检测，得到所述监测图像中闸门基准线的候选直线；利用预先确定的闸门基准线的长度从所述监测图像中的闸门基准线的候选直线中筛选出所述监测图像中的闸门基准线；
利用所述标尺刻度与所述初始刻度的差值确定所述闸门的开合状态。
2.根据权利要求1所述的闸门监测方法，其特征在于，所述利用所述标尺刻度与所述初始刻度的差值确定所述闸门的开合状态的步骤具体包括：
如果所述标尺刻度与所述初始刻度的差值大于设定值，所述闸门为打开状态，并将所述标尺刻度与所述初始刻度的差值确定为所述闸门的开合位移；
如果所述标尺刻度与所述初始刻度的差值不大于设定值，所述闸门为关闭状态。
3.根据权利要求1~2任一项所述的闸门监测方法，其特征在于，所述对所述监测图像进行分析，识别出所述监测图像中的所述闸门基准线以及所述闸门基准线对应的标尺刻度的步骤包括：
识别出所述监测图像中的所述闸门基准线；
在所述闸门基准线的附近确定ROI区域；其中所述ROI区域中包括所述标尺；
通过深度神经网络算法获取到所述ROI区域中的最大标注数字确定为所述闸门基准线对应的标尺刻度的十位数；
从所述ROI区域中截取第一子区域；
对第一子区域进行红色聚类，将所述第一子区域中最大标尺刻度的纵坐标对应的所述闸门的相对于所述标注数字的实际高度确定为所述闸门基准线对应的标尺刻度的个位数。
4.根据权利要求3所述的闸门监测方法，其特征在于，所述通过深度神经网络算法获取到所述ROI区域中的最大标注数字确定为所述闸门基准线对应的标尺刻度的十位数的步骤还包括：
通过深度网络学习算法定位所述ROI区域中的数字，筛选出置信度大于阈值的数字作为数字区域，对所有数字区域进行排序，选取数字坐标最大的数字作为标尺刻度的十位数。
5.根据权利要求3所述的闸门监测方法，其特征在于，所述将所述第一子区域中纵坐标最大值对应的所述闸门的相对于所述标注数字的实际高度确定为所述闸门基准线对应的标尺刻度的个位数的步骤，包括：
通过如下公式（1）确定为所述闸门基准线对应的标尺刻度的个位数：
M=（1）；
其中，Ymax为所述第一子区域中红色聚类线对应的最大纵坐标的高度，YE为两个相邻数字的高度差对应于图像中的高度。
6.根据权利要求3所述的闸门监测方法，其特征在于，所述在所述闸门基准线的附近确定ROI区域；其中所述ROI区域包括所述标尺的步骤包括：将监测图像中所述基准线的纵坐标作为ROI区域的左顶点和监测图像中标尺刻度的最小纵坐标标作为ROI区域的右底点，得到的最大矩形区域即为ROI区域。
7.根据权利要求1所述的闸门监测方法，其特征在于，所述确定闸门基准线以及所述闸门关闭时所述闸门上标尺相对于所述基准线的初始刻度的步骤包括：
确定所述闸门基准线，并将所述闸门基准线保留到所述闸门的闸门柱上；
确定所述闸门关闭时所述闸门上标尺相对于所述基准线的初始刻度并进行保存；
所述对所述监测图像进行分析，识别出所述监测图像中的所述闸门基准线以及所述基准线对应的标尺刻度的步骤包括：
识别出所述监测图像中的保留在所述闸门柱上的所述闸门基准线。
8.一种终端，用于监测闸门的开合状态，其特征在于，所述终端包括相互耦接的处理器和存储器，所述存储器用于存储所述闸门状态监测的程序指令，所述处理器用于执行存储器存储的程序指令以实现上述权利要求1~7任一项闸门状态监测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，用于实现权利要求1~7任一项所述闸门状态监测方法。
CN202010121838.1A 2020-02-26 2020-02-26 一种闸门监测方法、终端及计算机可读存储介质 Active CN111382680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010121838.1A CN111382680B (zh) 2020-02-26 2020-02-26 一种闸门监测方法、终端及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010121838.1A CN111382680B (zh) 2020-02-26 2020-02-26 一种闸门监测方法、终端及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111382680A CN111382680A (zh) 2020-07-07
CN111382680B true CN111382680B (zh) 2023-04-25

Family

ID=71221386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010121838.1A Active CN111382680B (zh) 2020-02-26 2020-02-26 一种闸门监测方法、终端及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111382680B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580432B (zh) * 2020-11-23 2023-09-22 江苏省新通智能交通科技发展有限公司 一种闸门错位检测方法及检测系统
US11763422B2 (en) * 2021-07-01 2023-09-19 International Business Machines Corporation Fast color clustering for preprocessing an image
CN113992714A (zh) * 2021-10-22 2022-01-28 湖北公众信息产业有限责任公司 一种室外排水闸门远程监控方法及系统
CN115761316B (zh) * 2022-11-08 2024-01-05 中国长江电力股份有限公司 基于yolo自动识别的水电站平板闸门启闭方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102445153A (zh) * 2011-09-23 2012-05-09 联宇工程技术(武汉)有限公司 基于数字图像处理的闸门开度测量方法
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
CN105783752A (zh) * 2016-03-03 2016-07-20 华能澜沧江水电股份有限公司小湾水电厂 一种高坝大库水电站泄洪闸门动态监测方法及系统
JP2017198062A (ja) * 2016-04-21 2017-11-02 薫 橋詰 河川用水門の遠隔監視制御システム
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
CN107807572A (zh) * 2017-11-01 2018-03-16 炜呈智能电力科技（杭州）有限公司 河道闸站机房监控系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102445153A (zh) * 2011-09-23 2012-05-09 联宇工程技术(武汉)有限公司 基于数字图像处理的闸门开度测量方法
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
CN105783752A (zh) * 2016-03-03 2016-07-20 华能澜沧江水电股份有限公司小湾水电厂 一种高坝大库水电站泄洪闸门动态监测方法及系统
JP2017198062A (ja) * 2016-04-21 2017-11-02 薫 橋詰 河川用水門の遠隔監視制御システム
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
CN107807572A (zh) * 2017-11-01 2018-03-16 炜呈智能电力科技（杭州）有限公司 河道闸站机房监控系统

Also Published As

Publication number Publication date
CN111382680A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111382680B (zh) 一种闸门监测方法、终端及计算机可读存储介质
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN108038883B (zh) 一种应用于公路路面视频图像的裂缝检测及识别方法
CN108229342B (zh) 一种海面舰船目标自动检测方法
CN107092871B (zh) 基于多尺度多特征融合的遥感影像建筑物检测方法
TW202239281A (zh) 電子基板缺陷偵測
CN113436212A (zh) 一种断路器静触头齿合状态图像检测内轮廓的提取方法
CN108038481A (zh) 一种结合最大极值稳定区域和笔画宽度变化的文本定位方法
CN111027541A (zh) 基于可见光和热成像的火焰检测方法、系统及存储介质
CN106778551A (zh) 一种高速路段及城市道路车道线识别方法
CN111476804B (zh) 托辊图像高效分割方法、装置、设备及存储介质
US20220128358A1 (en) Smart Sensor Based System and Method for Automatic Measurement of Water Level and Water Flow Velocity and Prediction
CN116485779B (zh) 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
CN112417955A (zh) 巡检视频流处理方法及装置
Liu et al. Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features
CN114067147A (zh) 一种基于局部形状匹配的舰船目标确认方法
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN114648734A (zh) 基于图像处理的摄像机工作异常检测方法
CN110472640A (zh) 一种目标检测模型预测框处理方法及装置
CN113610052A (zh) 一种基于深度学习的隧道渗漏水自动识别方法
CN111368599A (zh) 遥感图像海面舰船检测方法、装置、可读存储介质及设备
Zeng et al. Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding
Shaw et al. Automation of digital historical map analyses
CN111598943B (zh) 基于书本辅助阅读设备的书本就位检测方法、装置及设备
CN113673362A (zh) 对象的运动状态确定方法、装置、计算机设备和存储介质

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