CN111626190A - 基于聚类分区进行刻度识别的水位监测方法 - Google Patents
基于聚类分区进行刻度识别的水位监测方法 Download PDFInfo
- Publication number
- CN111626190A CN111626190A CN202010454858.0A CN202010454858A CN111626190A CN 111626190 A CN111626190 A CN 111626190A CN 202010454858 A CN202010454858 A CN 202010454858A CN 111626190 A CN111626190 A CN 111626190A
- Authority
- CN
- China
- Prior art keywords
- water level
- scale
- water
- image
- region
- 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明涉及一种基于聚类分区进行刻度识别的水位监测方法,属于水位监测技术领域。包括:1)从实时监控视频中获取t时刻的原始图像;2)截取原始图像中的水尺区域,以水尺末端作为水位线的位置;3)对水尺区域图像进行二值化处理,根据“E”的三条边,采用聚类方法将处理后的水尺区域图像划分成若干子区域;4)对每个子区域的内容进行识别,得到水位线所在区域的上一个包含数字的区域的数值;5)根据子区域的高度和识别的步骤4)得到的数值计算水位并显示。本发明避免了传统识别算法中复杂的特征提取和数据重建过程,能快速高效识别水尺水位,并将误差控制在一定的范围内。
Description
技术领域
本发明涉及水位监测技术领域,具体地说,涉及一种基于聚类分区进行刻度识别的水位监测方法。
背景技术
水位监测是针对江、河、水库等水体的重要监测指标,具有重要意义。在现有技术中,常规的水位监测方法有传感器监测和水位尺人工监测。其中,水位尺人工监测采用视频图像监控的方法对河道、溉渠内的水位进行实时监控。再通过人工读取视频的方法定时记录水尺的水位等数据。
人工记录水位的缺点在于:1、不能实现水位的实时记录;2、监控点的增多会直接导致人工成本上升。而采用计算机视觉解决水尺读数问题,一台服务器就可以替代多人对水位进行实时监控。现在已经有很多自动识别水尺的方法,其中深度学习方法由于其特点获得了较多应用,如:
公布号为CN109145830A的中国专利文献公开的一种智能水尺识别方法,该方法通过截取待识别水尺图像的目标区域,然后再利用卷积神经网络学习来识别水尺的刻度。公布号为CN110427933A的中国专利文献公开的一种基于深度学习的水尺识别方法,该方法通过深度学习的目标检测算法实现对水尺的定位,并对定位结果进行部分调整,再通过字符识别等步骤来计算得到最终的水位值。公布号为CN108318101A的中国专利文献公开的一种基于深度学习算法的水尺水位视频智能监测方法及系统,方法包括视频采集、视频帧处理、水位线识别和水位测算等步骤。但这些方法都是对图像数据进行处理,使识别精度受到影响。
公布号为CN110472636A的中国专利文献公开了基于深度学习的水尺E字形刻度识别方法,该通过识别E字,来计算得到刻度值,其精度相对较低。公布号为CN109903303A的中国专利文献公开的一种基于卷积神经网络的船舶吃水线提取方法,该方法只需要识别船舶的吃水线,不能识别水尺区域,且不需要识别吃水线的角度等,也不能识别具体的刻度。公布号为CN110619328A的中国专利文献公开的基于图像处理和深度学习的船舶水尺读数智能识别方法,该方法通过截取水尺感兴趣区域,将截取的水尺感兴趣区域输入卷积神经网络进行识别来确定水尺读数。但并没有对图像中水尺区域如何确定进行说明。
以上方法在进行水位识别的过程中有些只考虑了水质浑浊不透明的情况,当水质清澈,水的颜色和水位线不容易识别时会有比较大的误差,因此导致使用范围受到限制。而且河道、溉渠等水位监控点都在户外,场地对架设监控摄像头的影响较大。因此在不同的监控点,水尺的拍摄距离,拍摄角度,图像质量等都存在较大的差异。在户外的水尺还容易受到光照,遮挡等因素的影响,增大了水尺识别的难度。
发明内容
本发明的目的是提供一种基于聚类分区进行刻度识别的水位监测方法,以避免传统识别算法中复杂的特征提取和数据重建过程。
为了实现上述目的,本发明提供的基于聚类分区进行刻度识别的水位监测方法包括以下步骤:
1)从实时监控视频中获取t时刻的原始图像;
2)截取原始图像中的水尺区域,以水尺末端作为水位线的位置;
3)对水尺区域图像进行二值化处理,根据“E”的三条边,采用聚类方法将处理后的水尺区域图像划分成若干子区域;
4)对每个子区域的内容进行识别,得到水位线所在区域的上一个包含数字的区域的数值;
5)根据子区域的高度和识别的步骤4)得到的数值计算水位并显示。
可选地,在一个实施例中,步骤2)中采用语义分割算法Deeplab V3+对原始图像进行分割,包括:
2-1)获取训练集,并对训练集中图像进行数据增强和归一化处理;
2-2)将处理后的图像输入Deeplab V3+语义分割模型中进行训练,输出为分割结果;
2-3)对分割结果进行评估,得到水尺区域分割模型;
2-4)将原始图像输入水尺区域分割模型中,得到分割结果,并对分割结果进行修正。
可选地,在一个实施例中,步骤2-3)中,对分割结果进行评估时,根据图像特点采用MIoU,其中IoU指两个点集的交集的面积比上两者并集的面积;MIoU是每个类别的真实值与预测值的IoU的均值,如下式所示:
根据评估结果判断属于哪一类分割结果。
可选地,在一个实施例中,步骤3)中,采用大律法对水尺区域图像进行二值化处理,包括:
根据阈值T将像素划分为前景1和背景0,类间方差计算公式为:
Var=N1(μ-μ1)2+N0(μ-μ0)2
其中N1为前景的像素个数,μ1为像素均值,N0为背景的像素个数,μ0为像素均值,μ为所有像素的均值;
采用遍历的方法,将阈值从0遍历到255,记录方差Var最大时的阈值T,使用大律法计算得到阈值T,用此阈值对水尺区域图像进行二值化。
可选地,在一个实施例中,步骤3)包括:
3-1)根据二值化的结果,统计y轴上前景像素的数量;
3-2)将前景像素数量较多的类别对应的区域标记为黑色,前景像素数量较少的标记为白色;
3-3)计算所有黑色区域的间距,符号“E”的三条边之间的间距小于数字符号间的间距;
3-4)对所有间距进行K=2的均值聚类,得到两个聚类中心,分别为相邻的“E”符号间距和“E”符号的三条边内间距;
3-5)将属于“E”符号的三条边内间距的黑边合并成一个区域,并标记为黑色,完成由黑色区域和白色区域组成的若干子区域的划分。
可选地,在一个实施例中,步骤3-4)中采用的核心算法是K均值聚类算法,流程如下:
a.从输入点(像素点)集合中随机选取K个点作为聚类中心;
b.计算所有点到K个聚类中心的距离;
c.将每一个点与其距离最近的聚类中心归为一类;
d.在每一个新的类中,找到使得类内距离最小的点作为新的聚类中心;
e.重复步骤b~d直至完成迭代次数,迭代到loss函数的设定值结束。
可选地,在一个实施例中,步骤4)中,采用深度学习方法对每个子区域的内容进行识别,分类的类别数为11,分别为数字0~9和刻度符号“E”;
在识别结果可靠时,记录下当前时刻每个刻度数以及所在的位置;在识别结果不可靠时,读取此监控点历史的刻度数。
可选地,在一个实施例中,步骤5)中,计算水位的公式如下:
其中,WL为水位,单位为cm,label为刻度区域的读数,yw为水位线在y轴的坐标,yl为刻度区域下边缘在y轴的坐标,yh为刻度区域上边缘在y轴的坐标。
与现有技术相比,本发明的有益之处在于:
通过本发明的方法,在进行水位监测的过程中,图像可以直接作为网络输入,避免了传统识别算法中复杂的特征提取和数据重建过程,能快速高效识别水尺水位,并将误差控制在一定的范围内。
附图说明
图1为本发明实施例的水尺图像识别流程图;
图2为本发明实施例的水尺区域截取图片;
图3为本发明实施例的OTSU法二值化图片;
图4为本发明实施例的K-Means聚类算法的流程图;
图5为本发明实施例的聚类分区图片;其中:(a)为像素聚类后的图片;(b)为划分区域后的图片;
图6为本发明实施例的数据增强的效果图片;其中:(a)为未处理的图片;(b)为裁剪的图片;(c)为边缘填充的图片;(d)为转换颜色的图片。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合实施例及其附图对本发明作进一步说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例
参见图1,本实施例中基于聚类分区进行刻度识别的水位监测方法包括以下步骤:
S100获取实时监控视频,并从监控视频中获取t时刻的原始图像。
S200截取原始图像中的水尺区域,对截取的区域进行预处理,以水尺末端作为水位线的位置。具体包括:
S201采用深度学习的语义分割算法Deeplab V3+对水尺区域进行截取。
Deeplab V3+可分为Encoder和Decoder两部分。Encoder部分负责从原图像中提取语义特征(high-level feature),Encoder对图像进行下采样,从图像中提取深层的语义信息,得到尺寸小于原图的多维特征图。Decoder部分负责对原图像中每一个像素的类别信息进行预测。
S202对截取的区域进行图像数据增强处理。
深度学习需要大量的数据样本对神经网络模型进行训练,原因是保证模型训练时的数据分布与实际使用时相同,防止过拟合。另一方面,语义分割需要对图片的每一个像素点进行标注,标注的人工成本很大。因此在模型训练时,就需要使用数据增强来增加训练集的数量,提高模型的鲁棒性和泛化能力。
从实现方式分类,数据增强有离线增强和在线增强两类。本实施例采用在线增强,在线增强在训练的时候,对每一张输入的图片进行数据增强。在线增强的优点在于增强随机性,使训练的模型鲁棒性更强,不需要额外的空间。
从图像处理的内容分类,图像数据增强可分为几何增强和色彩增强两类。几何增强包括随机翻转(水平,垂直)、裁剪和旋转等。原图经过几何变换后,其对应的标签(label)也要作相同的变换。色彩增强包括随机噪声,调节亮度,调节对比度等。噪声选用高斯噪声,生成概率密度符合高斯分布的随机噪声,如式(1)所示:
其中,p(i,j)表示某像素点的值,normal为高斯分布;μ为均值;σ为标准差。
亮度和对比度直接通过线性变换进行调节,如式(2)所示:
p(i,j)=α·p(i,j)+β (2)
其中,α调节图像的对比度,β调节图像的亮度。
数据增强使输入图像更具有多样性,提高了模型的泛化性能。
S203模型训练。
本实施例训练集数量为450,测试集数量为50。训练平台为Ubuntu 16.04,GPU为单卡GTX 1080Ti(11GB)。首先进行超参数设置,再对数据进行归一化预处理。
S204语义分割效果评估。
本实施例语义分割任务的标准度量根据图像特点采用MIoU(Mean Intersectionover Union,平均交并比),其中IoU指的是两个点集的交集的面积比上两者并集的面积。MIoU是每个类别的真实值与预测值的IoU的均值,如式(3)所示:
其中,k表示类别个数;Pji表示假正,即预测错误,预测结果是正类,真实是负类;Pii表示真正,即预测正确,预测结果是正类,真实是正类;Pij表示假负,即预测错误,预测结果是负类,真实是正类;i表示真实值,j表示预测值。
S205提取水尺部分进行修正,解决水尺拍摄角度与拍摄距离的问题。
S206水尺分割完成后,截取矩形区域的水尺主体,如图2所示,可以作为刻度识别的输入,水尺末端的位置作为水位线的坐标。除了分割水尺之外,水尺分割下边缘位置的准确度还直接影响到水位识别的精度。
S300图像数据前处理并用聚类方法划分成若干区域。需要经过图像二值化和聚类分区。具体过程如下:
S301图像二值化。
将图像由RGB三通道图转换为单通道的灰度图。使用CCIR601规定的亮度(Luma)公式计算图像亮度,如式(4)所示:
Grey=0.299R+0.587G+0.114B (4)
本实施例图像二值化采用的大律法(OTSU)是常用的全局阈值算法,又名最大类间方差法。根据阈值T将像素划分为前景(1)和背景(0),类间方差计算公式如式(5)所示:
Var=N1(μ-μ1)2+N0(μ-μ0)2 (5)
其中N1为前景的像素个数,μ1为像素均值,N0为背景的像素个数,μ0为像素均值,μ为所有像素的均值。采用遍历的方法,将阈值从0遍历到255,记录方差Var最大时的阈值T,使用大律法计算得阈值T为180。用此阈值对水尺图像进行二值化,结果如图3所示。
S302聚类分区。
根据二值化的结果,将图像划分成若干个区域。通过统计y轴上前景像素的数量,找到刻度符号E的三条横线的位置,再根据横线间距离划分区域。这里使用的核心算法是K均值(K-Means)聚类算法。K-Means算法的流程如图4所示,包括以下步骤:
b.计算所有点到K个聚类中心的距离;
c.将每一个点与其距离最近的聚类中心归为一类;
d.在每一个新的类中,找到使得类内距离最小的点作为新的聚类中心;
e.重复步骤b~d直至完成迭代次数
本实施例采用曼哈顿距离公式进行计算,如式(6)所示:
distman(x1,x2)=|x1-x2|2 (6)
对图像y轴上的前景像素数量进行聚类,聚类中心个数K=2,将图像y轴划分为两类,将前景像素数量较多的类别对应的区域标记为黑色,前景像素数量较少的标记为白色,如图5(a)所示。从图中可以看出,黑色区域对应了原图刻度符号“E”的三条边,刻度符号间的距离大于符号内距离。计算所有黑色区域的间距,符号“E”内的间距小于符号间的间距,约为1:3。再对间距进行K=2的均值聚类,得到两个聚类中心,分别为相邻的符号间距和符号内间距。根据距离将属于一个符号的黑边合并成一个区域,结果如图5(b)所示。
S400对每个区域的内容进行识别。包括确定模型结构,数据增强和模型训练。最后,得到水位线所在区域的上一个包含数字的区域的数值。具体过程如下:
S401模型结构
使用深度学习中的图像分类算法对每一个区域进行图像分类,步骤S301中的图像转灰度图和二值化仅用于聚类分区,分类网络的输入是三通道的RGB图。分类的类别数为11,分别为数字0-9和刻度符号E。本实施例使用的卷积神经网络由7个3x3的卷积层,3个2x2的池化层和1个全连接层组成,其网络结构如表1所示。
表1分类网络结构
Layer | Kernel | Output feature |
Input | \ | [3,28,28] |
Conv1_1 | [3,16,3,3],s=1,p=1 | [16,28,28] |
Conv1_2 | [16,16,3,3],s=1,p=1 | [16,28,28] |
MaxPool1 | [2,2],s=2,p=0 | [16,14,14] |
Conv2_1 | [16,32,3,3],s=1,p=1 | [32,14,14] |
Conv2_2 | [32,32,3,3],s=1,p=1 | [32,14,14] |
MaxPool2 | [2,2],s=2,p=0 | [32,7,7] |
Conv3_1 | [32,64,3,3],s=1,p=1 | [64,7,7] |
Conv3_2 | [64,64,3,3],s=1,p=1 | [64,7,7] |
Conv3_3 | [64,64,3,3],s=1,p=1 | [64,7,7] |
MaxPool3 | [2,2],s=2,p=1 | [64,4,4] |
Flatten | / | 1024 |
Full Connection | [1024,11] | 11 |
S402数据增强
将所有的水尺图像进行语义分割和聚类分区,裁剪下所有区域的图像。经人工标注后,作为图像分类任务的训练集和测试集。其中训练集5000张,测试集500张,共计5500张。11个类别均匀分布,每个类别均为500张。
图像分类任务的数据量较大,训练难度较低,对数据增强的依赖也较小。本例分类实验中使用的数据增强有随机裁剪,缩放,加噪,色彩空间转换等,均以0.5的概率进行随机增强。图像数据的增强效果如图6所示。
其中,裁剪和加噪的增强效果如图6(b)所示。
缩放是先在图像的边缘填充像素,再将图像缩放到原来的大小。在保证神经网络的输入大小固定实现缩小图像。因此裁剪相当于放大图像,边缘填充则相当于缩小图像。填充所用的像素值为(123,116,103),该值为输入归一化均值的255倍,归一化后接近于0。增强效果如图6(c)所示。
色彩空间转换是指将图像的R通道与B通道进行转换。由于水尺的刻度数有蓝色和红色两种,且红色的数量多于蓝色。以0.5的概率随机转换R通道和B通道,可以使得训练数据中红色和蓝色的样本保持均衡,增强效果如图6(d)所示。
分类任务中的数据增强都不会影响真实值。
S403模型训练
训练集数量:5000,测试集数量:500。训练平台为Ubuntu 16.04,GPU为GTX 1080Ti(11GB)。
超参数设置:网络输入大小为28x28,batch size取64,训练epoch为35。归一化均值为(0.485,0.456,0.406),归一化标准差为(0.229,0.224,0.225)。优化算法选用momentum,γ取0.9。初始学习率取0.01,学习率衰减方式为梯度衰减。训练20个epoch后,学习率衰减到0.001。loss函数选用softmax loss。相较于水尺分割,数字识别较为简单,loss收敛到0.0001。
S404评价指标
多分类任务的评价指标主要就是Accuracy(准确率),公式如式(7)所示:
其中,N为测试集的数量,T在分类准确时为1,错误时为0。
S500根据区域的大小和分类结果计算水位并显示。具体过程如下:
在刻度识别模块中,输出了若干个区域的分类标签(labels)和分数(scores)。设定一个阈值(threshold=0.95)过滤掉score较低的区域。这些被过滤区域通常是较为模糊,无法准确判断类别的区域,防止干扰结果。
在水尺上,每个区域的类别都存在一定的关系,比如说数字“6”下一个区域一定是刻度符号“E”,再下一个区域一定是数字“5”。如果出现数字“6”下方的区域分类为“4”时,那么两个区域至少有一个的分类结果是错误的。根据这种关系,设计算法选择最可信的分类结果。
如果可信的分类结果超过50%,则记录此次分类结果。如果不足50%,则使用历史的分类结果计算水位。水尺上每一个区域对应测量的高度均为5cm,根据分类正确区域在图像中的高度可以计算出图像的比例尺,从而计算水位线的具体刻度数。计算公式如下:
其中,WL为水位,单位为cm,label为刻度区域的读数,yw为水位线在y轴的坐标,yl为刻度区域下边缘在y轴的坐标,yh为刻度区域上边缘在y轴的坐标。
Claims (8)
1.一种基于聚类分区进行刻度识别的水位监测方法,其特征在于,包括以下步骤:
1)从实时监控视频中获取t时刻的原始图像;
2)截取原始图像中的水尺区域,以水尺末端作为水位线的位置;
3)对水尺区域图像进行二值化处理,根据“E”的三条边,采用聚类方法将处理后的水尺区域图像划分成若干子区域;
4)对每个子区域的内容进行识别,得到水位线所在区域的上一个包含数字的区域的数值;
5)根据子区域的高度和识别的步骤4)得到的数值计算水位并显示。
2.根据权利要求1所述的基于聚类分区进行刻度识别的水位监测方法,其特征在于,步骤2)中,采用语义分割算法Deeplab V3+对原始图像进行分割,包括:
2-1)获取训练集,并对训练集中图像进行数据增强和归一化处理;
2-2)将处理后的图像输入Deeplab V3+语义分割模型中进行训练,输出为分割结果;
2-3)对分割结果进行评估,得到水尺区域分割模型;
2-4)将原始图像输入水尺区域分割模型中,得到分割结果,并对分割结果进行修正。
4.根据权利要求1所述的基于聚类分区进行刻度识别的水位监测方法,其特征在于,步骤3)中,采用大律法对水尺区域图像进行二值化处理,包括:
根据阈值T将像素划分为前景1和背景0,类间方差计算公式为:
Var=N1(μ-μ1)2+N0(μ-μ0)2
其中N1为前景的像素个数,μ1为像素均值,N0为背景的像素个数,μ0为像素均值,μ为所有像素的均值;
采用遍历的方法,将阈值从0遍历到255,记录方差Var最大时的阈值T,使用大律法计算得到阈值T,用此阈值对水尺区域图像进行二值化。
5.根据权利要求1所述的基于聚类分区进行刻度识别的水位监测方法,其特征在于,步骤3)包括:
3-1)根据二值化的结果,统计y轴上前景像素的数量;
3-2)将前景像素数量较多的类别对应的区域标记为黑色,前景像素数量较少的标记为白色;
3-3)计算所有黑色区域的间距,符号“E”的三条边之间的间距小于数字符号间的间距;
3-4)对所有间距进行K=2的均值聚类,得到两个聚类中心,分别为相邻的“E”符号间距和“E”符号的三条边内间距;
3-5)将属于“E”符号的三条边内间距的黑边合并成一个区域,并标记为黑色,完成由黑色区域和白色区域组成的若干子区域的划分。
6.根据权利要求5所述的基于聚类分区进行刻度识别的水位监测方法,其特征在于,步骤3-4)中采用的核心算法是K均值聚类算法,流程如下:
a.从输入点集合中随机选取K个点作为聚类中心;
b.计算所有点到K个聚类中心的距离;
c.将每一个点与其距离最近的聚类中心归为一类;
d.在每一个新的类中,找到使得类内距离最小的点作为新的聚类中心;
e.重复步骤b~d直至完成迭代次数,迭代到loss函数的设定值结束。
7.根据权利要求1所述的基于聚类分区进行刻度识别的水位监测方法,其特征在于,步骤4)中,采用深度学习方法对每个子区域的内容进行识别,分类的类别数为11,分别为数字0~9和刻度符号“E”;
在识别结果可靠时,记录下当前时刻每个刻度数以及所在的位置;在识别结果不可靠时,读取此监控点历史的刻度数。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454858.0A CN111626190B (zh) | 2020-05-26 | 2020-05-26 | 基于聚类分区进行刻度识别的水位监测方法 |
PCT/CN2020/122167 WO2021238030A1 (zh) | 2020-05-26 | 2020-10-20 | 基于聚类分区进行刻度识别的水位监测方法 |
US17/331,663 US20210374466A1 (en) | 2020-05-26 | 2021-05-27 | Water level monitoring method based on cluster partition and scale recognition |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454858.0A CN111626190B (zh) | 2020-05-26 | 2020-05-26 | 基于聚类分区进行刻度识别的水位监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626190A true CN111626190A (zh) | 2020-09-04 |
CN111626190B CN111626190B (zh) | 2023-07-07 |
Family
ID=72259264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010454858.0A Active CN111626190B (zh) | 2020-05-26 | 2020-05-26 | 基于聚类分区进行刻度识别的水位监测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111626190B (zh) |
WO (1) | WO2021238030A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034896A (zh) * | 2020-09-14 | 2020-12-04 | 广东生太修复科技有限公司 | 鱼塘水位控制方法及相关装置 |
CN112115948A (zh) * | 2020-09-15 | 2020-12-22 | 电子科技大学 | 一种基于深度学习的芯片表面字符识别方法 |
CN112149648A (zh) * | 2020-11-24 | 2020-12-29 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
CN112734729A (zh) * | 2021-01-11 | 2021-04-30 | 昆明理工大学 | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 |
CN113049060A (zh) * | 2021-03-26 | 2021-06-29 | 东北石油大学 | 一种基于图像识别技术的储罐液位计量方法 |
CN113111931A (zh) * | 2021-04-02 | 2021-07-13 | 同济大学 | 一种基于光强变换和聚类的量筒读数方法 |
WO2021238030A1 (zh) * | 2020-05-26 | 2021-12-02 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
CN114387235A (zh) * | 2021-12-30 | 2022-04-22 | 重庆知行数联智能科技有限责任公司 | 一种水环境监测方法及系统 |
CN115546235A (zh) * | 2022-11-23 | 2022-12-30 | 成都见海科技有限公司 | 一种基于图像分割的水位识别方法、系统及存储介质 |
CN115546793A (zh) * | 2022-12-05 | 2022-12-30 | 安徽大学 | 水尺刻度自动读数方法、系统及电子设备 |
CN116972709A (zh) * | 2023-09-25 | 2023-10-31 | 天津金色方圆仪器仪表有限公司 | 一种钢卷尺检定误差分析方法及系统 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663811B (zh) * | 2022-03-24 | 2022-10-28 | 中国水利水电科学研究院 | 一种利用水尺倒影的水面线提取方法 |
CN115345854B (zh) * | 2022-08-16 | 2023-04-18 | 中国水利水电科学研究院 | 一种基于多区域搜索的水位识别方法 |
CN115909298A (zh) * | 2022-09-26 | 2023-04-04 | 杭州数聚链科技有限公司 | 一种基于机器视觉的货船水尺标度读取方法 |
CN115661438B (zh) * | 2022-10-21 | 2024-03-08 | 广州地铁集团有限公司 | 一种基于机器视觉的站外水位监测及防汛预警方法 |
CN115965639B (zh) * | 2022-12-26 | 2023-08-29 | 浙江南自建设集团有限公司 | 一种智慧水利图像处理方法、装置及系统 |
CN116310845B (zh) * | 2023-05-19 | 2023-07-28 | 青岛国源中创电气自动化工程有限公司 | 一种用于污水处理的智能监测系统 |
CN116385984B (zh) * | 2023-06-05 | 2023-09-01 | 武汉理工大学 | 船舶吃水深度的自动检测方法和装置 |
CN117455860B (zh) * | 2023-10-26 | 2024-04-09 | 宁波市宇星水表有限公司 | 水表出厂数据监控管理系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20150278627A1 (en) * | 2014-03-31 | 2015-10-01 | Regents Of The University Of Minnesota | Unsupervised framework to monitor lake dynamics |
CN108764229A (zh) * | 2018-05-29 | 2018-11-06 | 广东技术师范学院 | 一种基于计算机视觉技术的水尺图像自动识别方法 |
CN109522889A (zh) * | 2018-09-03 | 2019-03-26 | 中国人民解放军国防科技大学 | 一种基于图像分析的水文尺水位识别估算方法 |
CN109711353A (zh) * | 2018-12-28 | 2019-05-03 | 中国矿业大学 | 一种基于机器视觉的船舶吃水线区域识别方法 |
CN110276285A (zh) * | 2019-06-13 | 2019-09-24 | 浙江工业大学 | 一种非受控场景视频中的船舶水尺智能识别方法 |
CN110763297A (zh) * | 2019-10-09 | 2020-02-07 | 中水淮河规划设计研究有限公司 | 一种基于视频智能识别水尺水位系统 |
US20200074611A1 (en) * | 2018-08-31 | 2020-03-05 | Hitachi High-Technologies Corporation | Pattern inspection system |
CN110956172A (zh) * | 2019-11-18 | 2020-04-03 | 四创科技有限公司 | 一种基于图像语义分割的水尺识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9240054B1 (en) * | 2014-08-08 | 2016-01-19 | National Applied Research Laboratories | Method for monitoring water level of a water body and system for implementing the method |
CN109766886B (zh) * | 2019-01-02 | 2023-04-28 | 南京林业大学 | 一种基于图像识别的水位识别方法 |
CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
CN110427933A (zh) * | 2019-06-20 | 2019-11-08 | 浙江大学 | 一种基于深度学习的水尺识别方法 |
CN111626190B (zh) * | 2020-05-26 | 2023-07-07 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
-
2020
- 2020-05-26 CN CN202010454858.0A patent/CN111626190B/zh active Active
- 2020-10-20 WO PCT/CN2020/122167 patent/WO2021238030A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150278627A1 (en) * | 2014-03-31 | 2015-10-01 | Regents Of The University Of Minnesota | Unsupervised framework to monitor lake dynamics |
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 |
CN108764229A (zh) * | 2018-05-29 | 2018-11-06 | 广东技术师范学院 | 一种基于计算机视觉技术的水尺图像自动识别方法 |
US20200074611A1 (en) * | 2018-08-31 | 2020-03-05 | Hitachi High-Technologies Corporation | Pattern inspection system |
CN109522889A (zh) * | 2018-09-03 | 2019-03-26 | 中国人民解放军国防科技大学 | 一种基于图像分析的水文尺水位识别估算方法 |
CN109711353A (zh) * | 2018-12-28 | 2019-05-03 | 中国矿业大学 | 一种基于机器视觉的船舶吃水线区域识别方法 |
CN110276285A (zh) * | 2019-06-13 | 2019-09-24 | 浙江工业大学 | 一种非受控场景视频中的船舶水尺智能识别方法 |
CN110763297A (zh) * | 2019-10-09 | 2020-02-07 | 中水淮河规划设计研究有限公司 | 一种基于视频智能识别水尺水位系统 |
CN110956172A (zh) * | 2019-11-18 | 2020-04-03 | 四创科技有限公司 | 一种基于图像语义分割的水尺识别方法 |
Non-Patent Citations (3)
Title |
---|
ZIYAO LI 等: "\"Multiscale features supported deeplabv3+ optimization scheme for accurate water semantic segmentation\"", 《IEEE ACCESS》, vol. 7, pages 155787 * |
姜兵: "" 基于图像识别的远程水位监测系统研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, vol. 2013, no. 4, pages 138 - 1105 * |
雷佳明 等: "" 人工智能图像识别在水库智能监控方面的应用"", 《中国水利学会2019学术年会论文集第二分册 》, pages 572 - 578 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021238030A1 (zh) * | 2020-05-26 | 2021-12-02 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
CN112034896A (zh) * | 2020-09-14 | 2020-12-04 | 广东生太修复科技有限公司 | 鱼塘水位控制方法及相关装置 |
CN112115948A (zh) * | 2020-09-15 | 2020-12-22 | 电子科技大学 | 一种基于深度学习的芯片表面字符识别方法 |
CN112149648A (zh) * | 2020-11-24 | 2020-12-29 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
CN112149648B (zh) * | 2020-11-24 | 2021-02-12 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
CN112734729B (zh) * | 2021-01-11 | 2022-09-23 | 昆明理工大学 | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 |
CN112734729A (zh) * | 2021-01-11 | 2021-04-30 | 昆明理工大学 | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 |
CN113049060A (zh) * | 2021-03-26 | 2021-06-29 | 东北石油大学 | 一种基于图像识别技术的储罐液位计量方法 |
CN113111931A (zh) * | 2021-04-02 | 2021-07-13 | 同济大学 | 一种基于光强变换和聚类的量筒读数方法 |
CN114387235A (zh) * | 2021-12-30 | 2022-04-22 | 重庆知行数联智能科技有限责任公司 | 一种水环境监测方法及系统 |
CN114387235B (zh) * | 2021-12-30 | 2024-02-09 | 重庆知行数联智能科技有限责任公司 | 一种水环境监测方法及系统 |
CN115546235A (zh) * | 2022-11-23 | 2022-12-30 | 成都见海科技有限公司 | 一种基于图像分割的水位识别方法、系统及存储介质 |
CN115546235B (zh) * | 2022-11-23 | 2023-04-21 | 成都见海科技有限公司 | 一种基于图像分割的水位识别方法、系统及存储介质 |
CN115546793A (zh) * | 2022-12-05 | 2022-12-30 | 安徽大学 | 水尺刻度自动读数方法、系统及电子设备 |
CN116972709A (zh) * | 2023-09-25 | 2023-10-31 | 天津金色方圆仪器仪表有限公司 | 一种钢卷尺检定误差分析方法及系统 |
CN116972709B (zh) * | 2023-09-25 | 2023-12-19 | 天津金色方圆仪器仪表有限公司 | 一种钢卷尺检定误差分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021238030A1 (zh) | 2021-12-02 |
CN111626190B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
US20210374466A1 (en) | Water level monitoring method based on cluster partition and scale recognition | |
US10817741B2 (en) | Word segmentation system, method and device | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN106446896B (zh) | 一种字符分割方法、装置及电子设备 | |
CN110276285B (zh) | 一种非受控场景视频中的船舶水尺智能识别方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN110648322A (zh) | 一种子宫颈异常细胞检测方法及系统 | |
CN114332650B (zh) | 一种遥感图像道路识别方法及系统 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN115497109B (zh) | 基于智能翻译的文字图像预处理方法 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及系统 | |
CN117037103A (zh) | 一种道路检测方法和装置 | |
CN114332870A (zh) | 水位识别方法、装置、设备及可读存储介质 | |
CN113052215A (zh) | 基于神经网络可视化的声呐图像自动目标识别方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
CN115880566A (zh) | 一种基于视觉分析的智能阅卷系统 | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 |
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 |