CN111680606B - 基于人工智能云识别水尺的低功耗水位遥测系统 - Google Patents
基于人工智能云识别水尺的低功耗水位遥测系统 Download PDFInfo
- Publication number
- CN111680606B CN111680606B CN202010492045.0A CN202010492045A CN111680606B CN 111680606 B CN111680606 B CN 111680606B CN 202010492045 A CN202010492045 A CN 202010492045A CN 111680606 B CN111680606 B CN 111680606B
- Authority
- CN
- China
- Prior art keywords
- water gauge
- water
- water level
- gauge
- 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.)
- Expired - Fee Related
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
- 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
- G01F23/04—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 by dip members, e.g. dip-sticks
-
- 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
Abstract
本发明涉及基于人工智能云识别水尺的低功耗水位遥测系统,包括遥测站、中心站服务器、云服务器,中心站服务器通过局域网或互联网与客户端计算机通信连接,所述遥测站包括对准水尺的网络摄像机、遥测终端机、用来供电的蓄电池、对蓄电池进行充电的太阳能板,所述网络摄像机对着水尺进行采集图像、保存图像、发送图像至云服务器,云服务器识别图像、反传水位数据至遥测站,遥测站将水位数据进行处理后,发送到中心站服务器。该系统低功耗、成本较小,环境适应性强;不仅可测得准水位数据,还可看得清现场拍摄的图像,通过图像比对不再需要人工到现场进行数据校准,实施效果好。
Description
技术领域
本发明涉及一种基于人工智能云识别水尺的低功耗水位遥测系统,属于水文自动测报技术领域。
背景技术
目前,水文自动测报系统的水位测量传感器可分为接触式和非接触式两大类,接触式水位计有浮子水位计、压力水位计、电子水尺等,非接触式水位计有雷达水位计、超声波水位计等。无论哪种类型水位测量传感器都需要依托现场状况进行基础设施建设,比如,采用浮子水位计需要进行测井建设,成本高,测井每年都需要清淤;压力水位计在现场应用时需要防止淤积,防止退水时裸漏在外,避免雷击;雷达和超声波水位计沿河道需要建设支杆,支杆过长或者过高会导致维护、维修困难;而以上所有的测量方式都定期需要专人到现场进行人工观测进行数据校准。
中心站只能读取到数据而不能查看到现场状况,当出现数据异常时,不具备可追溯性。
目前,市场上有些产品比如水尺读取智能球机,采用图像识别水尺方式读取水位数据,存在着需要交流电供电、功耗高、成本高等缺点,不适合在偏远无交流电的地点应用,大面积推广困难;同时摄像机内置的固件虽然号称符合SL651-2014《水文监测数据通信规约》,但是在实际应用中,每个省市地区应用的通信协议各有侧重,通信功能码各不相同,因此不能满足多种场景的实际应用,可扩展性差。
传统非人工智能型图像检测和识别,通常基于灰度、特征和关系,这种技术依靠某种算法和特定场景优化方法,导致泛化能力薄弱,算法复杂,耗时长,难以实现实时性和普适性,无突破性的发展,水尺检测准确率低和识别率低及产品化等多方面的因素,未能达到实际要求,同时,由于硬件设备成本高,运行速度慢,也没有达到广泛实用的程度。
发明内容
本发明针对现有技术存在的不足,提供了基于人工智能云识别水尺的低功耗水位遥测系统,具体技术方案如下:
基于人工智能云识别水尺的低功耗水位遥测系统,包括遥测站、中心站服务器、云服务器,中心站服务器通过局域网或互联网与客户端计算机通信连接,所述遥测站包括对准水尺的网络摄像机、遥测终端机、用来供电的蓄电池、对蓄电池进行充电的太阳能板,所述网络摄像机对着水尺进行采集图像、保存图像、发送图像至云服务器,云服务器识别图像、反传水位数据至遥测站,遥测站将水位数据进行处理后,发送到中心站服务器。
作为上述技术方案的改进,所述云服务器应用人工智能方法检测水尺并识别水尺读数的方法,包括以下步骤:
步骤S1、平台搭建和模型的设计;
步骤S2、检测、识别样本数据的标注和合成,训练模型;
步骤S3、水位监测图像预处理;
步骤S4、水尺和水体的检测定位分割抠图;
步骤S5、端到端解码水尺读数,合理性检测。
作为上述技术方案的改进,在步骤S2中,包括:
步骤S21、收集含水尺和水体的图像,实景水尺、水体标注,作为基础样本数据;
步骤S22、收集不含水尺和水体的图像作为背景,叠加融合按照国标水尺图像、数字和尺寸要求的模拟合成水尺样本,融合为高度仿真的样本数据;
步骤S23、水尺水体检测分割样本、水尺识别样本分别合成和标注,提高样本数据多样性;
步骤S24、分别合成高低分辨率样本,分别训练;
步骤S25、训练模型。分别在2种软硬平台上训练样本,分别针对检测和识别模块,先后训练低分辨率样本,观测模型收敛稳定后,加入高分辨率样本同时训练,观测模型收敛情况;如果模型不稳定,调整顺序重新训练;
步骤S26、验证数据和模型,保存模型参数,压缩模型参数,用于推理(检测和识别)。
作为上述技术方案的改进,在步骤S3中,包括:
步骤S31、图像尺寸处理。特定尺寸的图像,识别率和准确率最高,大尺寸图像中的水尺和水体需要无损压缩,图像目标尺寸过小需要上采样放大;水平和垂直方向,统一到32的整倍数,不足部分用图像inpaint(OpenCV)算法修复;
步骤S32、去雾;
步骤S33、自动化亮度和对比度;
步骤S34、去噪点;
步骤S35、CLAHE锐化,提高水尺锐化度,模糊背景,限制对比度自适应直方图均衡。
作为上述技术方案的改进,在步骤S4中,包括:
步骤S41、检测部分网络在基础网络Resnet之上重新设计;
步骤S42、多尺度和高分辨率融合模型设计,采用扩张卷积算法提取特征;
步骤S43、基于像素概率图法,引入扩展卷积的扩张卷积算法;
步骤S44、扩张卷积算法模块分开为两个通道,一条通道经过降维输出反映细节的特征单元;另一条通道以不同扩张率的扩张卷积ASPP,执行空间金字塔算法过程,然后合并两个通道获取多尺度特征信息;
步骤S45、合并后的特征再经过一个3×3卷积细化特征,再4倍上采样恢复尺寸,得到目标区域和得分图;
步骤S46、扩张卷积算法包装在编码器-解码器结构中,通过调整卷积来调整提取的编码器特征的分辨率,权衡精度和运行效率,以最优方式捕捉清晰的水尺水体边界。这样能同时满足水体、水尺和水位空间变化特点和水面线精确划界要求,解码得到合适掩码抠取源图中的水尺图像区域;
步骤S47、确定阈值并图像二值化后获得水尺和水体掩码;
步骤S48、应用水尺和水体掩码抠图,水尺部分图像交给识别模块识别。
作为上述技术方案的改进,在步骤S5中,包括:
步骤S51、修复性填充留空部分,采用图像处理算法inpaint;
步骤S52、提取轮廓,矫正水尺图像,采用仿射变换、缩放、平移的图像处理方法;
步骤S53、旋转为水平方向;
步骤S54、池化时仅限于水平方向;
步骤S55、上下边各减少2个像素;
步骤S56、水尺读数识别模块以卷积神经网络算法作为特征提取器;
步骤S57、以循环神经网络作为序列建模器;
步骤S58、利用连接时序分类作为训练准则;
步骤S59、在水尺识别阶段,输出限制在特定的字典范围内;针对水尺由于光照导致的耀斑和局部污损,导致输出不连贯的问题,采用线性回归及RANSAC算法验证,以得到准确率,并能部分修复和排除异常值;
步骤S510、采用读数加高程基值估算水位,进行防浪处理,平滑水位变化过程,保存中间和结果数据,反传水尺度数和水位。
本发明的有益效果:
所述基于人工智能云识别水尺的低功耗水位遥测系统主要包括遥测站和AI云服务器,结构简单,低功耗、成本较小,环境适应性强。遥测站拍摄现场水尺图像通过无线4G全网通模块发送到云服务器,通过AI云服务器进行水尺识别,将识别的水位数据反传给遥测终端机,遥测终端机将水位数据进行处理后,发送到中心站。
针对现有水位测站土建复杂、建设成本高的问题;本发明中的遥测站结构简单,安装方便,现场只需要安装一台对准水尺的IPC(IP Camera)网络摄像机、一块10W太阳能板、一台遥测终端机、一块7-12AH/12V蓄电池即可完成遥测站的建设;同时,本发明在设计之初就重点考虑设备的通用性,除了遥测终端机外,其余设备全部选用市场上广泛使用的产品,久经考验,成本低,容易购买。
针对现有水位错误数据不可追溯、需要定期校准、能测到不能看到的问题;本发明使得遥测系统不仅仅可以测得准水位数据,而且还可以看得清现场拍摄的图像,通过图像比对不再需要人工到现场进行数据校准。
针对现有系统功耗高、交流电供电等环境适应性不强的问题;本发明采取了多种措施降低系统功耗,遥测站采用1块10W太阳能和1块7AH/12V蓄电池供电,由遥测终端机内置的充电控制器控制充放电;系统的主要部分比如摄像机,只有在拍摄时才上电运行,日常值守时掉电以节省功耗。由于采取了严格的降低功耗措施,遥测站在日常值守处于休眠状态时时,整机功耗小于100uA。
传统基于机器视觉的图形图像算法,不能满足实际监测需要。目前采用AI算法的以水尺识别为基本方法的水位监测系统研究处于探索阶段,没有现存的成熟的解决方案。本发明采用AI基本算法,构建独有的深度学习神经网络结构,有针对性地建立水尺检索和识别模型,实现了低功耗下,水尺识别和水位自动远程监测。
云服务器人工智能识别具有无接触、高精度、适用性极强的优点。针对传统图像检测识别精度不高、适用性差的缺点,本发明采用稳定可靠的人工智能技术实现水尺检测和识别,水尺(和水体)检测和特征提取使用扩张卷积(dilated convolution,简称DC)和空间金字塔扩展卷积,提取空间大尺度特征和水尺与水体交汇界线的细节特征,满足多空间尺度和水尺精度要求,水尺检测定位准确,界线精确,适应性强。水尺数字识别采用端到端识别模型,契合水位实时变化和水尺拼接的要求,并且模型的性质决定了它有能力学到水尺数字与水位数字之间的联系,识别准确率和数据精度高。云服务器人工智能识别模式在整体性能、识别精度、普适性、成本、需求定制和要素监测连续性实时性方面具有优势。
附图说明
图1为本发明所述基于人工智能云识别水尺的低功耗水位遥测系统的结构图;
图2为本发明所述基于人工智能云识别水尺的低功耗水位遥测系统的流程图;
图3为本发明所述云AI服务器的模型框图;
图4为本发明所述卷积神经网络算法的流程图;
图5为本发明所述遥测站的结构示意图;
图6为本发明所述云AI服务器的功能逻辑示意图;
图7为本发明所述水尺专用编码字典的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,所述基于人工智能云识别水尺的低功耗水位遥测系统,包括遥测站、中心站服务器、云服务器,中心站服务器通过局域网或互联网与客户端计算机通信连接,所述遥测站包括对准水尺的网络摄像机、遥测终端机、用来供电的蓄电池、对蓄电池进行充电的太阳能板,所述网络摄像机对准水尺进行采集图像、保存图像、发送图像至云服务器,云服务器识别图像、反传水位数据至遥测站,遥测站将水位数据进行处理后,发送到中心站服务器。其中,云服务器优选云AI服务器。
系统整个过程包括采集IPC摄像机图像、保存图像、发送图像至云AI服务器、识别图像、反传水位数据至遥测站,所有过程在2~3分钟之内完成,满足水文自动测报系统规范要求。具体流程见图2。
一、遥测站
1、采用符合《水文自动测报系统设备遥测终端机》(SL180-2015)规范的遥测终端机拍摄现场水尺图片通过无线4G全网通模块发送到云服务器,通过云AI服务器进行识别水尺,同时将识别的水位数据反传给遥测终端机,遥测终端机将水位数据进行处理后,发送到中心站服务器。
2、遥测站具有低功耗特性,IPC摄像机和其它功耗设备在遥测终端机的控制下,日常值守时不供电,只有在使用时,终端机控制其上电,完成工作任务后,立即掉电。
3、遥测站采用10W太阳能板和7AH/12V铅酸蓄电池(也可以为锂电池)供电,遥测终端机内置太阳能充电控制电路,控制太阳能板和蓄电池的充放电,防止蓄电池过充或者过放,提高蓄电池的使用寿命。
4、在遥测终端机的控制下,遥测站不仅仅接驳IPC摄像机采集图像,还可以接入其它水文传感器,具有水文遥测站的一切功能。
二、云AI服务器
应用人工智能方法检测水尺识别水尺读数的方法,实现云AI服务器接收并识别图像,估算水尺读数,反传给遥测终端机的功能。包括以下步骤:1)、平台搭建和模型的设计;2)、检测、识别样本数据的标注和合成,训练模型;3)、水位监测图像预处理;4)、水尺和水体的检测定位分割抠图;5)、端到端解码水尺读数,合理性检测。其中,云AI服务器的功能逻辑示意图如图6所示。
1)、平台的搭建和模型的设计,包括:
①、平台硬件选用具有GPU功能的硬件设施,独立服务器或和智能云平台,网络选择公网以便获取远程水尺图像。
②、平台软件选择视窗操作系统服务器版(Windows Sever)和Linux系列操作系统(Ubuntu),双系统双训练方法,考察不同GPU和软件环境下训练和推理结果的差异和可靠性差别,提高部署和应用的范围和可靠性,为模型小型化低功耗作先验设计。
③、安装Python开发环境,并安装模型训练和推理用到的环境。基础框架选用TensorFlow+PyTorch。TensorFlow是一个采用数据流图,用于数值计算的开源软件库,用于机器学习和深度神经网络方面的研究。PyTorch是一个基于Torch和Python的可续计算包。
④、模型设计解决的主要问题:水尺可能不接触水体或者被淹没,需要确定正在使用的水尺桩。厘米分辨率,精度高。多空间尺度,可能一组梯度分布或者垂直拼接。水尺读数随水位变化。识别出水尺读数。
⑤、模型开发和测试。中心站服务器识别模型采用水尺检测+识别集成框架。
⑥、水尺和水体检测部分由DC+ASPP构成基本框架,提取特征向量,构建编码和解码器模式,在多空间尺度和水尺水面界线细节上双保留,减少模型参数尺寸,提高运算效率,较低运算能耗。
⑦、水尺识别部分基于CRNN(Convolutional Recurrent Neural Network)网络结构,端到端训练和推理。
⑧、订制水尺专用编码字典,遵循水尺上下文关系,实现水位可变解码和数字连续性。制定一套特独有字符集(字典)和对应字符图形(点阵),实现端到端训练和识别。国标水尺由对称图形和表明高度的数字构成,本发明设计出由10个阿拉伯数字(0-9)和9个英文字符的一组专用字符集(编码字典)。在模型训练阶段,合成训练样本时,采用这组19个字符的字典编码。解码输出限定在字典内,减少干扰,提高可靠性。水尺专用编码字典示意图如图7所示。
⑨、模型的流程如图3所示。
2)、检测、识别样本数据的标注和合成,训练模型,包括:
①、收集含水尺和水体的图像,实景水尺水体标注,作为基础样本数据。
②、收集不含水尺和水体的图像作为背景,叠加融合按照国标水尺图像、数字和尺寸要求的模拟合成水尺样本,融合为高度仿真的样本数据。
③、水尺水体检测样本和水尺识别样本分别合成和标注,提高样本多样性。
④、分别合成高低分辨率样本,分别训练。
⑤、训练模型。分别在2种软硬平台上训练样本,分别针对检测和识别模块,先后训练低分辨率样本,观测模型收敛稳定后,加入高分辨率样本同时训练,观测模型收敛情况。如果模型不稳定,调整顺序重新训练。实践表明,先低后高的模型训练方式更容易提取到特征,稳定性更好。
⑥、验证数据验证模型,保存模型参数,压缩模型参数,用于推理。
3)、水位监测图像预处理,包括:
①、图像尺寸处理。特定尺寸的图像,识别率和准确率最高,图像中目标尺寸过大需要无损压缩,目标尺寸过小需要上采样放大。对于超大图像,采用样条下采样压缩。水平和垂直方向,统一到32的整倍数,不足部分用图像inpaint(OpenCV)算法修复,比直接填充0值效果更好。
②、去雾。
③、自动化亮度和对比度。
④、去噪点。
⑤、CLAHE锐化,提高标签尖锐化,模糊背景,限制对比度自适应直方图均衡(CLAHE算法)。
4)、水尺和水体的检测定位分割抠图,包括:
①、检测部分网络在基础网络Resnet之上重新设计。
②、多尺度和高分辨率融合模型设计。
本发明采用扩张卷积提取特征。高分辨率(厘米级)和多空间尺度意味着再特征提取方法上是矛盾的,经典的实例分割然后片段拼接的方法,在整体与局部上很难取舍,容易出现水尺被截短和隔断现象,无法形成普适的最大化水尺框图。也不能使用经典卷积算法(CNN)提取特征,CNN算法耗时,还会丢失细节特征,特别是水面线附近,叠加波浪干扰,影响分辨率和最终精度。
③、本发明基于像素概率图法,避免了水尺被截短或者隔断的难题,引入扩展卷积的扩张卷积(dilated convolution)算法,提高运算效率的同时,保障了精度,减少特征提取运算时间。为保留尽量多尺度空间特征和细节特征。
④、扩张卷积模块分开为两个通道,一条通道经过降维输出反映细节的特征单元,但是,仅有这一支会丢失空间信息。另一条通道以不同扩张率的扩张卷积ASPP(AtrousSpatial Pyramid Pooling),执行空间金字塔算法过程,然后合并两个通道获取多尺度特征信息。
⑤、合并后的特征再经过一个3×3卷积细化特征,再4倍上采样恢复尺寸,得到目标区域和概率图。这部分即强化了空间特性又照顾到水面水体边界细节,尤其是沿水尺和水面线边界,得到精确的水尺(水体)概率分布图。
⑥、算法包装在编码器-解码器结构中,通过调整卷积来调整提取的编码器特征的分辨率,权衡精度和运行效率,以最优方式捕捉清晰的水尺水体边界。这样能同时满足水体、水尺和水位空间变化特点和水面线精确划界要求,解码得到合适掩码抠取源图中的水尺图像区域。
⑦、确定阈值并图像二值化后获得水尺和水体掩码。
⑧、应用水尺和水体掩码抠图,水尺部分图像交给识别模块识别。
5)、解码水尺读数,合理性检测,包括:
①、修复性填充留空(掩码导致)部分,图像处理算法inpaint。
②、提取轮廓,矫正水尺图像,图像处理主要方法:仿射变换、缩放和平移。
③、旋转为水平方向。这部分保障水尺每厘米具有n个像素。
④、池化时仅限于水平方向,以保留足够的像素数和分辨率。
⑤、为减少水尺边缘视觉阴影部分、图像风格突变对卷积的影响,上下边各减少2个像素,忽略边界影响。
⑥、水尺读数识别模块以卷积神经网络算法作为特征提取器。
⑦、以循环神经网络(LSTM)作为序列建模器。减少普通CRNN最后阶段昂贵的算法,以适应水尺读数随水位变化,映射上下文联系和水位变化导致结果的可变长度,提高输出普适性和合理性
⑧、利用连接时序分类(Connectionist Temporal Classification,CTC)作为训练准则。
⑨、卷积神经网络算法模型的流程如图4所示;
⑩、词典、模型等先验信息巧妙地融合。针对水尺字符有限的特点,在水尺识别阶段,输出限制在特定的字典范围内,提高识别率。
三、遥测站实施方式:
图3为本发明遥测站的结构示意图,图中包含:水尺桩、IPC网络摄像机、安装支杆(可选)、遥测终端机、太阳能板、蓄电池。
1、在河道观察水位处按照水文规范布设水尺桩。
2、在水尺的正对面距离50米处(可根据现场情况选择调整)布设安装支杆,安装支杆高3~5米。
3、在支杆横杆处安装IPC网络摄像机,通过笔记本电脑连接摄像机,调整摄像机焦距和镜头,并设置为“预置位”,可以设置多个预置位;设置摄像机的IP地址,使其与遥测终端机的IP地址处于统一网段内,可以相互通信。
4、安装太阳能板,使其正对南方,防止正前方被其它物体遮挡太阳光。
5、在支杆上固定安装设备机箱,机箱内安装遥测终端机、蓄电池及其它控制设备,将蓄电池和太阳能板接入至遥测终端机,终端机上电后,进行系统初始化,通过终端机的LCD全彩屏和按键设置遥测站的运行参数。
6、打开遥测终端机盖板,插入SIM卡,1分钟后,观察LCD液晶屏4G网络信号标识,发送测试信息到中心站。
7、将IPC摄像机通过网线与遥测终端机的RJ45网口连接,IPC摄像机电源接入至遥测终端机的可控12V电源输出接口,通过LCD液晶屏和按键控制采集摄像机图像,观察终端机LCD液晶屏是否显示所拍摄的图像。
8、发送图像数据到图像人工智能云识别服务器,1分钟后,观察LCD全彩屏首页显示的水位读数。
9、安装部署Python运行环境。在智能元上(中心站)选择安装操作系统,可以选择视窗操作系统和Linux操作系统。安装Python、TensorFlow、PyTorch、OpenCV等相关组件。
10、部署识别模型和节点文件,开放FTP和HTTP接口,接收遥测站发送的图像和水尺高程等参数,图像压缩云保存,可查询。
11、图像预处理,水尺检测、定位,识别水尺度数,叠加水尺高程估算水位,平滑水位过程,反馈水尺度数和水位数据,结果和中间数据云保存,可查询。
在上述实施例中,本发明可以接入其它类型传感器,通过叠加现场实时采集图片,使得中心站既可以测得准数据,又可以看得到现场实况,使得水文数据的监测数据质量更高,并且使得监测数据具有可追溯性。
本发明中的遥测终端机采用意法半导体(STMicroelectronics)基于ARM架构超低功耗32位CortexTM-M4微控制器,资源丰富,可以根据不同的应用场景开发出不同的业务应用。
本发明各部分组成一个系统,结构简单、自成体系、安装方便,只要有移动通信网络覆盖的地方就可以建设测站。
本发明拍摄、传输图像快速,遥测终端机从发出命令开始到采集完成一幅1280×720分辨率图片(大小在250K Bytes左右),在20秒左右完成;在4G信号覆盖的条件下采用4G信号传输一张250K的图片至服务器,从拨号与中心站建立连接到传输图像识别完成,耗时在2~3分钟,符合水文测报规范。
本发明采用智能云识别模式,具有泛覆盖的优势和监测识别效率。联网就能部署水位监测系统,云服务可以充分发挥更强大的计算能力,保障系统的实时性。
智能识别模式具有更高的监测精度。在图像检测和分类识别综合运用成熟的人工智能算法,提取水尺独有的时序和空间特征,实现水尺检测和识别更高的识别效率和精度,满足水位监测规范要求。
更广泛的实景应用性能。人工智能的学习能力保障了实景应用能力强。针对水位监测不同场景,人工智能识别模型有针对性地强化弱照明、水尺局部污染、水体半透明、水面局部镜面反射等条件下的训练,满足较复杂监测场景应用。
智能云技术具有更低的采购成本优势和更好的业务连续性。智能云技术在重复部署和扩充业务方面,具有非常轻松、快捷、安全地优势,既保障了企业业务,也实现了多变情况中更好的连续性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于人工智能云识别水尺的低功耗水位遥测系统,其特征在于:包括遥测站、中心站服务器、云服务器,中心站服务器通过局域网或互联网与客户端计算机通信连接,所述遥测站包括对准水尺的网络摄像机、遥测终端机、用来供电的蓄电池、对蓄电池进行充电的太阳能板,所述网络摄像机对着水尺进行采集图像、保存图像、发送图像至云服务器,云服务器识别图像、反传水位数据至遥测站,遥测站将水位数据进行处理后,发送到中心站服务器;
所述云服务器应用人工智能方法检测水尺并识别水尺读数的方法,包括以下步骤:
步骤S1、平台搭建和模型的设计;
步骤S2、检测、识别样本数据的标注和合成,训练模型;
步骤S3、水位监测图像预处理;
步骤S4、水尺和水体的检测定位分割抠图;
步骤S5、端到端解码水尺读数,合理性检测;
在步骤S4中,包括:
步骤S41、检测部分网络在基础网络Resnet之上重新设计;
步骤S42、多尺度和高分辨率融合模型设计,采用扩张卷积算法提取特征;
步骤S43、基于像素概率图法,引入扩展卷积的扩张卷积算法;
步骤S44、扩张卷积算法模块分开为两个通道,一条通道经过降维输出反映细节的特征单元;另一条通道以不同扩张率的扩张卷积ASPP,执行空间金字塔算法过程,然后合并两个通道获取多尺度特征信息;
步骤S45、合并后的特征再经过一个3×3卷积细化特征,再4倍上采样恢复尺寸,得到目标区域和概率图;
步骤S46、扩张卷积算法包装在编码器-解码器结构中,调整卷积来调整提取的编码器特征的分辨率,权衡精度和运行效率,以最优方式捕捉清晰的水尺水体边界;解码得到合适掩码抠取源图中的水尺图像区域;
步骤S47、确定阈值并图像二值化后获得水尺和水体掩码;
步骤S48、应用水尺和水体掩码抠图,水尺部分图像交给识别模块识别。
2.根据权利要求1所述的基于人工智能云识别水尺的低功耗水位遥测系统,其特征在于:在步骤S2中,包括:
步骤S21、收集含水尺和水体的图像,实景水尺水体标注,作为基础样本数据;
步骤S22、收集不含水尺和水体的图像作为背景,叠加融合按照国标水尺图像、数字和尺寸要求的模拟合成水尺样本,融合为高度仿真的样本数据;
步骤S23、水尺水体检测分割样本、水尺识别样本分别合成和标注,提高样本多样性;
步骤S24、分别合成高低分辨率样本,分别训练;
步骤S25、训练模型,分别在2种软硬平台上训练样本,分别针对检测和识别模块,先后训练低分辨率样本,观测模型收敛稳定后,加入高分辨率样本同时训练,观测模型收敛情况;如果模型不稳定,调整顺序重新训练;
步骤S26、验证数据验证模型,保存模型参数,压缩模型参数,用于推理。
3.根据权利要求1所述的基于人工智能云识别水尺的低功耗水位遥测系统,其特征在于:在步骤S3中,包括:
步骤S31、图像尺寸处理,水平和垂直方向,统一到32的整倍数,不足部分用图像inpain算法修复;
步骤S32、去雾;
步骤S33、自动化亮度和对比度;
步骤S34、去噪点;
步骤S35、CLAHE锐化,提高标签尖锐化,模糊背景,限制对比度自适应直方图均衡。
4.根据权利要求1所述的基于人工智能云识别水尺的低功耗水位遥测系统,其特征在于:在步骤S5中,包括:
步骤S51、修复性填充留空部分,采用图像处理算法inpaint;
步骤S52、提取轮廓,矫正水尺图像,采用仿射变换、缩放、平移的图像处理方法;
步骤S53、旋转为水平方向;
步骤S54、池化时仅限于水平方向;
步骤S55、上下边各减少2个像素;
步骤S56、水尺读数识别模块以卷积神经网络算法作为特征提取器;
步骤S57、以循环神经网络作为序列建模器;
步骤S58、利用连接时序分类作为训练准则;
步骤S59、在水尺识别阶段,输出限制在特定的字典范围内;针对水尺由于光照导致的耀斑和局部污损,导致输出不连贯的问题,采用线性回归及RANSAC算法验证,以得到准确率概率,并部分修复和排除异常值;
步骤S510、采用读数加水尺高程基值估算水位,进行防浪处理,平滑水位过程,保存中间和结果数据,反传水尺度数和水位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010492045.0A CN111680606B (zh) | 2020-06-03 | 2020-06-03 | 基于人工智能云识别水尺的低功耗水位遥测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010492045.0A CN111680606B (zh) | 2020-06-03 | 2020-06-03 | 基于人工智能云识别水尺的低功耗水位遥测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680606A CN111680606A (zh) | 2020-09-18 |
CN111680606B true CN111680606B (zh) | 2021-11-23 |
Family
ID=72452959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010492045.0A Expired - Fee Related CN111680606B (zh) | 2020-06-03 | 2020-06-03 | 基于人工智能云识别水尺的低功耗水位遥测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680606B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926660A (zh) * | 2021-02-26 | 2021-06-08 | 武汉大学 | 一种端边协同的水位识别系统及方法 |
CN113324616A (zh) * | 2021-05-11 | 2021-08-31 | 哈尔滨工程大学 | 基于图像形成处理的水位监测系统及方法 |
CN113159005A (zh) * | 2021-05-28 | 2021-07-23 | 青海中水数易信息科技有限责任公司 | 基于机器学习的水位、异物识别于一体的监控系统及方法 |
CN116385735B (zh) * | 2023-06-01 | 2023-09-01 | 珠江水利委员会珠江水利科学研究院 | 一种基于图像识别的水位测量方法 |
CN116665308B (zh) * | 2023-06-21 | 2024-01-23 | 石家庄铁道大学 | 双人交互时空特征提取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103791890A (zh) * | 2014-01-28 | 2014-05-14 | 河海大学 | 一种滩涂湿地地形快速测量的遥感遥测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3608844A1 (en) * | 2018-08-10 | 2020-02-12 | Naver Corporation | Methods for training a crnn and for semantic segmentation of an inputted video using said crnn |
CN109508630B (zh) * | 2018-09-27 | 2021-12-03 | 杭州朗澈科技有限公司 | 一种基于人工智能识别水尺水位的方法 |
US11210552B2 (en) * | 2018-11-14 | 2021-12-28 | Cape Analytics, Inc. | Systems, methods, and computer readable media for predictive analytics and change detection from remotely sensed imagery |
CN111220235B (zh) * | 2018-11-23 | 2022-03-08 | 杭州海康威视数字技术股份有限公司 | 水位监测方法及装置 |
CN110223341A (zh) * | 2019-06-14 | 2019-09-10 | 北京国信华源科技有限公司 | 一种基于图像识别的智能水位监测方法 |
CN110248160A (zh) * | 2019-06-17 | 2019-09-17 | 国网福建省电力有限公司 | 基于机器视觉及4g通信技术的精益调度水情远程监测系统 |
CN110472636B (zh) * | 2019-07-26 | 2022-10-14 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
-
2020
- 2020-06-03 CN CN202010492045.0A patent/CN111680606B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103791890A (zh) * | 2014-01-28 | 2014-05-14 | 河海大学 | 一种滩涂湿地地形快速测量的遥感遥测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111680606A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680606B (zh) | 基于人工智能云识别水尺的低功耗水位遥测系统 | |
CN111983732B (zh) | 一种基于深度学习的降水强度估计方法 | |
CN109801265B (zh) | 一种基于卷积神经网络的实时输电设备异物检测系统 | |
CN113239830A (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN115240069A (zh) | 一种全雾天场景下的实时性障碍物检测方法 | |
Jin et al. | A Smart Water Metering System Based on Image Recognition and Narrowband Internet of Things. | |
Teerakawanich et al. | Short term prediction of sun coverage using optical flow with GoogLeNet | |
CN114266984B (zh) | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 | |
CN112257340A (zh) | 一种光伏电池板除霜机器人的控制方法和控制系统 | |
CN113705340B (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
CN114627461A (zh) | 一种基于人工智能高精度识别水尺数据的方法及系统 | |
CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
CN110188624A (zh) | 一种基于深度学习的变电站风漂物识别方法及系统 | |
CN112966656A (zh) | 数据处理方法及装置 | |
CN111105093B (zh) | 基于CNN和BiLSTM的临近降水预测方法 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
Aslani et al. | A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data. | |
CN112307887B (zh) | 一种sf6气体压力智能在线监测预警方法及系统 | |
Richardson et al. | Machine learning versus ray-tracing to forecast irradiance for an edge-computing SkyImager | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别系统及方法 | |
CN114219696A (zh) | 一种基于fpga和dsp的线路舞动实时视频监测系统 | |
CN106248070A (zh) | 一种基于虹膜识别启动的导航仪 | |
CN113095181A (zh) | 基于Defense-GAN的交通标志识别方法 | |
CN110516647A (zh) | 基于图像识别的移动目标定位方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211123 |
|
CF01 | Termination of patent right due to non-payment of annual fee |