CN111998910B - 一种多级水尺水位视觉测量方法及测量系统 - Google Patents
一种多级水尺水位视觉测量方法及测量系统 Download PDFInfo
- Publication number
- CN111998910B CN111998910B CN202010870108.1A CN202010870108A CN111998910B CN 111998910 B CN111998910 B CN 111998910B CN 202010870108 A CN202010870108 A CN 202010870108A CN 111998910 B CN111998910 B CN 111998910B
- Authority
- CN
- China
- Prior art keywords
- image
- water
- level
- water gauge
- gray
- 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
Links
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明公开了一种多级水尺水位视觉测量方法及测量系统,系统由多级水尺、PTZ摄像机和上位机组成,上位机首先控制PTZ摄像机切换到P0拍摄大视场图像,检测其中所有水尺的目标区域,得到当前水位所在的水尺i,然后切换至对应的预置位Pi拍摄视频,检测视频中水尺i的水位线读数,最后结合其零点高程换算成实际水位,本发明具有大量程、高时效、可利旧、低成本、易升级等有益效果。
Description
技术领域
本发明属于水位测量技术领域,具体涉及一种多级水尺水位视觉测量方法及测量系统。
背景技术
水位是河流湖库的基本水文要素之一,是反映水流变化的重要标志,其与人类生产生活及建设具有密切的联系。连续可靠的水位监测是水文情报和水文预报的基础,对提升防汛抗涝预报预警水平具有重要意义。现有的水位测量方法有水尺测量,浮子式水位计,超声波水位计,压力式水位计等,其中,传统的水尺测量水位方法是最原始的方法,需要人工定时观测,自动化程度低,耗费大量的人力和物力;浮子式水位计利用水位升降作为动力,浮子在上下运动过程中会产生质量转移误差,在高精度测量时尤为明显;超声波水位计及压力式水位计水位参数易受环境影响,漂移严重。
目前国内重要的水文监测站点均配备有视频监控系统及标准水尺,为基于视频图像的水尺水位检测提供了有利条件。图像法利用图像传感器代替人眼获取水尺图像,通过图像处理技术检测水位线对应的读数,从而自动获取水位信息。相比现有方法,在原理上具有非接触、无温漂、无转换误差等优点。因此,近年来图像法水位检测在机器视觉和水利量测领域已成为新的研究热点。
目前,枪型摄像机主要应用于单级直立式水尺的测量,但受图像分辨率和固定视角的限制,为保证测量精度和可靠性,通常仅适用于测量距离小于30m、量程小于5m的场合,否则会由于水尺立柱过高使得架设困难,且易受洪水和漂浮物冲击产生抖动、倾斜、甚至损毁。PTZ摄像机是方位角(Pan)、俯仰角(Tilt)和变焦(Zoom)可电动调节的摄像机,可将PTZ参数设置为预置位并根据需要进行程控切换,相比固定的枪型摄像机具有更大的拍摄视角和距离,不仅可用于直立式水尺,还可适用于平缓岸坡布设的多级矮桩式水尺,将测量的距离拓展至50m、量程拓展至20m以上。对于相同量程,PTZ摄像机具有更高的物理分辨率,因此理论上水位线检测精度更高。然而,矮桩式水尺由于级数多(通常在5级以上)、且水尺间具有重叠区域,因此水位测量方法不同于一般直立式水尺。现有部分产品采用逐级巡检的方式自下而上或自上而下依次测量各级水尺,最终确定水位线所在的水尺并检测水位线读数。当水尺级数较多时,这种方式需要频繁切换摄像机的预置位、拍摄各级水尺的视频图像并分析,测量过程相当耗时;当水位处于两级水尺的重叠区域时也容易产生判别歧义。
因此,研发基于PTZ摄像机的多级水尺水位视觉测量系统及方法,对于提高图像法水尺水位测量技术的精度和效率,提升现有水利视频监测系统自动化和智能化的整体水平具有重要意义。
发明内容
发明目的:为解决现有测量方法及测量系统在测量精度、可靠性、测量时效性上的不足,本发明提出了一种多级水尺水位视觉测量方法及测量系统。
技术方案:一种多级水尺水位视觉测量方法,包括以下步骤:
步骤1:在同一断面线上布置N级水尺和可完整观测到所有水尺的视频图像采集机构,构建测量系统;
步骤2:对测量系统进行标定;所述标定包括:设置N+1个预置位P0~PN、进行水尺图像校正得到在大视场图像中每级水尺的位置坐标信息、确定各水尺的有效量程和构建水尺目标检测模型;其中,P0对应可完整观测所有水尺的大视场,P1~PN分别对应聚焦于水尺1~N的小视场;
步骤3;采用标定后的测量系统进行水位测量;
所述水位测量包括以下步骤:
S100:在预置位P0拍摄一幅大视场图像,根据每级水尺的分析区域位置信息,截取N幅AR图像;
S110:设置循环参数i,i初始赋值为N;
S120:将第i级水尺对应的AR图像分别输入到水尺目标检测模型中,输出二值图像,该图像分辨率为W×H;
S130:判断是否满足numwater/(W×H)≥h/H,其中,numwater为水体区域像素数量和,h为第i级水尺和第i-1级水尺重叠区域;若满足,则将该级水尺作为水位线检测的水尺目标,视频图像采集机构切换至预置位Pi,转入S140;否则i=i-1,转入S120;
S140:在预置位Pi进行视频拍摄,基于水尺的有效量程[Zl,Zh]i,从拍摄的视频中获取水尺的水位线读数。
进一步的,在水位低于第1级水尺量程2/3的条件下进行测量系统的标定。
进一步的,所述测量系统标定中的水尺图像校正,包括:
在预置位P0下,标记每级水尺的分析区域AR图像得到每级水尺的位置坐标信息,ARi=[X,Y,W,H]i,i=1,2,…,N,AR是图像中水尺轮廓的最小外接矩,X、Y为最小外接矩左上角点的纵坐标、横坐标,W、H为最小外接矩的宽和高;
在预置位P1~PN下,进行相应水尺的分析区域AR图像的标记得到相应水尺的位置坐标信息和基于水尺的标准样式建立水尺模板图像,所述水尺模板图像为正射的黑白二值图像;
在得到的分析区域AR图像和水尺模板图像上选取同名点,计算透视变换矩阵,所述透视变换矩阵用于进行视频图像采集机构获取到的水尺图像与水尺模板图像的配准。
进一步的,所述水尺目标检测模型为基于图像语义分割的深度网络模型,其输出为与输入图像分辨率相同的二值图像,输出图像中的水体和水尺目标分别用灰度值0和255表示。
进一步的,所述水尺目标检测模型包括依次连接的多组卷积层、多组反卷积层和softmax分类器。
进一步的,所述S140具体包括:
S141:在预置位Pi下拍摄视频并间隔取出M帧图像,对这M幅图像分别做以下操作;
利用系统标定中标记的AR图像的位置坐标信息截取出水尺的AR图像;
利用系统标定中计算得到的透视变换矩阵,将AR图像与模板图像配准得到配准图像,假设配准图像大小为H'×W',H'为图像的长度,W'为宽度;
将配准图像灰度化得到灰度图像;
利用Canny算子处理灰度图像得到边缘图像;
分别计算灰度图像的灰度均值水平投影和边缘图像的灰度均值水平投影;灰度均值水平投影包括灰度图像各行的灰度平均值,第r行的灰度均值通过下式计算:
其中,P(r,w)为图像中(r,w)处像素的灰度值,r为行坐标,w为列坐标,1≤r≤H',1≤w≤W';
采用特征融合的水位线粗定位方法,在灰度图像和边缘图像中分别设置N个ROI区域,每个ROI区域的大小为T×W',其中,T=H'/N并自上而下将ROI区域编号为0、1、…N-1;计算相邻两个粗定位ROI区域的灰度均值差和边缘图像灰度均值差,以T为步进,自上而下确定水位线所在区段;灰度均值差的计算公式如下:
其中,0≤k≤H'-2T,k为像素所在的行坐标;取灰度图像的灰度均值差Diffg(k)和边缘图像的灰度均值差Diffe(k)的最大值作为灰度均值差Diff(k);计算灰度均值差Diff(k)的最大值Diff(k’),k’为Diff(k)取得最大值所对应的像素行坐标;
进行特征融合的水位线精定位,选取灰度均值差Diff(k)最大的相邻两个粗定位ROI区域作为水位线粗定位ROI区域,长度为2T像素,宽度为W'像素,顶部行坐标为k′,计算精定位ROI区域的上半区的灰度图像均值差和边缘图像灰度均值差,并计算精定位ROI区域的下半区域的灰度图像均值差和边缘图像灰度均值差,以单个像素为步进,自上而下确定水位线,计算公式如下:
其中,k'-T≤k1≤k'+T;
取灰度图像的灰度均值差Diffg(k1)和边缘图像的灰度均值差Diffe(k1)的最大值作为灰度均值差Diff(k1);计算灰度均值差Diff(k1)的最大值Diff(k1’),k1’为Diff(k1)取得最大值所对应的像素行坐标;
计算水位线坐标line=k1’+T像素;
根据水尺模板图像的物理分辨率将水位线的坐标换算为实际水位值;
S142:将得到的M个水位测量结果取中间值作为最后测得的水位值;
S143:最后测得的水位值若不在有效量程[Zl,Zh]内,则水位归零,否则输出该水位值。
本发明还公开了一种多级水尺水位视觉测量系统,包括:设置在同一断面线上的多级水尺、设置在水尺断面上且在大视场下能完整地观测到所有水尺的摄像机和上位机;所述上位机与摄像机相连,用于控制摄像机的预置位切换、视频图像的采集处理和测量结果传输。
进一步的,所述摄像机为方位角、俯仰角和变焦可调的摄像机。
进一步的,所述上位机可执行以下步骤:
对测量系统进行标定;
采用标定后的测量系统进行水位测量。
进一步的,所述测量系统标定包括:设置N+1个预置位P0~PN、水尺图像校正、有效量程标注和构建水尺目标检测模型;其中,P0对应可完整观测所有水尺的大视场,P1~PN分别对应聚焦于水尺1~N的小视场;
所述水位测量包括以下步骤:
S100:在预置位P0拍摄一幅大视场图像,根据每级水尺的分析区域位置信息,截取N幅AR图像;
S110:设置循环参数i,i初始赋值为N;
S120:将第i级水尺对应的AR图像分别输入到水尺目标检测模型中,输出二值图像,该图像分辨率为W×H;
S130:判断是否满足numwater/(W×H)≥h/H,其中,numwater为水体区域像素数量和,h为第i级水尺和第i-1级水尺重叠区域;若满足,则将该级水尺作为水位线检测的水尺目标,视频图像采集机构切换至预置位Pi,转入S140;否则i=i-1,转入S120;
S140:在预置位Pi进行视频拍摄,基于水尺的有效量程|Zl,Zh|i,从拍摄的视频中获取水尺的水位线读数。
上位机首先控制PTZ摄像机切换到P0拍摄大视场图像,检测其中所有水尺的目标区域,得到当前水位所在的水尺i,然后切换至对应的预置位Pi拍摄视频,检测视频中水尺i的水位线读数,最后结合其零点高程换算成实际水位。本发明具有大量程、高时效、可利旧、低成本、易升级等有益效果。
有益效果:本发明提出了一种满足多级水尺场景下水尺切换策略,能解决现有系统逐级巡检,测量耗时、测量时效性差等问题,同时通过构建一个基于图像语义分割的深度网络模型,能够在大视场下快速确定水尺水位级;具有以下优点:
(1)大量程下测量速度快,测量时长与水尺级数无关,仅需一次大视场检测和一次小视场测量,无需频繁切换预置位,显著提高测量效率;
(2)直接在大视场下完成水位所在当前水尺级的判别,避免无效测量,提高有效性;
(3)在量程、测量精度、测量效率和可靠性方面取得平衡。
附图说明
图1为本发明的系统布设示意图;
图2(a)为本发明的P0预置位下大视场的示意图;
图2(b)为本发明的P1~PN预置位下小视场的示意图;
图3为本发明的方法流程示意图;
图4为基于图像语义分割的深度网络模型的训练集水尺样本图像;
图5为基于图像语义分割的深度网络模型的训练集标签图像;
图6为水位级判别流程示意图;
图7为基于图像语义分割的深度网络模型的结构示意图;
图8为待测水尺图像示意图;
图9为分割结果示意图。
具体实施方式
现结合附图和实施例进一步阐述本发明的技术方案。
如图1所示的一种多级水尺水位视觉测量系统,其包括多级水尺、PTZ摄像机和上位机组成。多级水尺设置在同一断面线上,包括N级尺寸相同的矮桩式标准双色水尺,在一些实施例中,采用高度为1m,宽度为0.2m或0.08米的矮桩式标准双色水尺;第1级水尺的零点低于测站最低水位0.5m,第N级水尺的最大量程高于测站最高水位0.5m,相邻水尺的观测范围宜有0.1~0.2m的重合,当风浪经常较大时重合部分可适当放大至0.4m。PTZ摄像机为方位角(Pan)、俯仰角(Tilt)和变焦(Zoom)可调的网络摄像机,在一些实施例中,PTZ摄像机可采用球型摄像机或带云台的筒型摄像机;PTZ摄像机设置在水尺断面上,架设位置满足所有水尺的通视性,即可以在大视场下完整地观测到所有水尺。上位机,用于控制PTZ摄像机的预置位切换、视频图像的采集、处理和测量结果传输,其包括处理器和双百兆/千兆以太网接口,以太网接口1连接PTZ摄像机,以太网接口2连接路由器。
基于多级水尺水位视觉测量系统,本实施例提出了一种测量方法,该方法包括系统标定和水位测量。
其中,系统标定在水位低于第1级水尺量程2/3的条件下进行,参见图3,具体包括以下步骤:
摄像机预置位设置:通过调节方位角、俯仰角和变焦参数设置N+1个摄像机预置位P0~PN,P0对应可完整观测所有水尺的大视场,图像中所有水尺的成像分辨率不低于1pixels/cm,见附图2(a);P1~PN分别对应聚焦于水尺1~N的小视场,图像中水尺的成像分辨率不低于5pixels/cm,且水尺位于图像正中,使得镜头引起的图像非线性畸变最小;预置位的重复定位精度应满足图像平移量小于5个像素,见附图2(b);
水尺图像校正参数解算:在预置位P0下标记每级水尺的分析区域(AnalysisRegion,AR):ARi=[X,Y,W,H]i,i=1,2,…,N,AR是图像中水尺轮廓的最小外接矩,X、Y为最小外接矩左上角点的纵坐标、横坐标,W、H为最小外接矩的宽和高;
系统标定环节中在预置位P0下先标记出AR图像在大视场图像中的位置坐标信息,用于在水位测量环节中,在预置位P0下拍摄的大视场图像中利用已标记的位置信息截取N个包含水尺的最小矩形区域,然后将这N幅图像输入到水尺目标检测模型做水位级的判别;
在预置位P1~PN下执行相同操作,标记单根水尺的分析区域,用于在水位测量环节中,在小视场下截取包含水尺的最小矩形区域,然后做水位测量。同时根据待测水尺的标准样式设计水尺模板图像,水尺模板图像为正射的黑白二值图像,其物理分辨率为1pixel/mm,对应的水位测量分辨率为1mm,两个步骤之间没有严格的约束,可以先标记水尺分析区域再建立水尺模板图像,也可以相反;假设水尺大小为1000×200mm,则对应模板图像尺寸为1000×200pixel。
在AR图像和水尺模板图像中选取同名点,计算透视变换矩阵。具体操作如下:选取E型字符的内角点作为控制点,分别在AR图像和水尺模板图像中由水面以上部分的上下两端向中间依次选取n≥4对匹配控制点,记为(xi,yi)和(ui,vi),i=1,2,…n;
根据选取的n对匹配控制计算透视变换矩阵,(xi,yi)和(ui,vi)的关系如下:
其中,m1~m9为变换系数,将n对匹配点带入上式即可求得透视变换矩阵:
P=[m1,m2,m3,m4,m5,m6,m7,m8]T (3)
水尺零点测量及有效量程标注:根据《GB/T 50138-2010水位观测标准》按照四等水准的要求对各级水尺的零点高程Z1~ZN进行测量;考虑到实际中由于拍摄视角限制可能存在部分水尺局部被遮挡的情况,用[Zl,Zh]i标注各水尺的有效量程。
构建水尺目标检测模型:首先获取不同光照、水流条件下的水尺图像,如图4所示,并进行人工标注,将水体和水尺用不同类别区分,制成24位PNG格式的标签图,其中,水体部分像素值为0,水尺部分像素值为1,如图5所示,获得样本训练集;然后构建基于图像语义分割的深度网络模型,该模型输出为与输入图像分辨率相同的二值图像,水体和水尺目标分别用灰度值0和255表示;最后将样本训练集送入网络模型训练,获得所需模型。
参见图7,现对基于图像语义分割的深度网络模型结构描述如下:
输入图像InputImg,本实例中输入图像尺寸为88*388*3,参见图8;
第一组卷积:
→conv1(3*3*3*32)
→depthwise_conv(3*3*1*32+1*1*32*64);
使用32个3*3*3大小的卷积核对InputImg进行卷积,取stride=2,对输入图像进行第一次下采样操作,再用32个3*3*1大小的卷积核和64个1*1*32大小的卷积核对第一次下采样后的图像做深度可分离卷积,取stride=1,得到图像Img_dw1,其尺寸为原图像的1/2;
第二组卷积:
→depthwise_conv(3*3*1*64+1*1*64*128)
→depthwise_conv(3*3*1*128+1*1*128*128);
使用64个3*3*1大小的卷积核和128个1*1*64大小的卷积核对Img_dw1做深度可分离卷积,取stride=2,对Img_dw1进行下采样操作,再用128个3*3*1大小的卷积核和128个1*1*128大小的卷积核对第二次下采样后的图像做深度可分离卷积,取stride=1,得到图像Img_dw2,其尺寸为原图像的1/4;
第三组卷积:
→depthwise_conv(3*3*1*128+1*1*128*256)
→depthwise_conv(3*3*1*256+1*1*256*256);
使用128个3*3*1大小的卷积核和256个1*1*128大小的卷积核对Img_dw2做深度可分离卷积,取stride=2,对Img_dw2进行下采样操作,再用256个3*3*1大小的卷积核和256个1*1*256大小的卷积核对第三次下采样后的图像做深度可分离卷积,取stride=1,得到图像Img_dw3,其尺寸为原图像的1/8;
第四组卷积:
→depthwise_conv(3*3*1*256+1*1*256*512)
→depthwise_conv(3*3*1*512+1*1*512*512)
→depthwise_conv(3*3*1*512+1*1*512*512)
→depthwise_conv(3*3*1*512+1*1*512*512)
→depthwise_conv(3*3*1*512+1*1*512*512);
→depthwise_conv(3*3*1*512+1*1*512*512);
使用256个3*3*1大小的卷积核和512个1*1*512大小的卷积核对Img_dw3做深度可分离卷积,取stride=2,对Img_dw3进行下采样操作,再用连续五组512个3*3*1大小的卷积核和512个1*1*256大小的卷积核对第四次下采样后的图像做深度可分离卷积,取stride=1,得到图像Img_dw4,其尺寸为原图像的1/16;
其中,“conv1”代表卷积层,包括卷积、BatchNormalization(批量归一化)和ReLU操作,括号内部为该层所使用的卷积核的参数即宽度*长度*通道数*卷积核个数;“depthwise_conv”代表深度可分离卷积层,包括分离卷积、BatchNormalization(批量归一化)和ReLU操作,深度可分离卷积需要用到两个卷积核先后对输入图像进行卷积操作,括号内部为该层所使用的两个卷积核的参数即宽度*长度*通道数*卷积核个数。
第一组反卷积:
→conv2(3*3*512*512)→up_sampling(2,2)→conv2(3*3*512*256);
对Img_dw4先用512个3*3*512大小的卷积核进行卷积,再进行第一次上采样操作,最后用256个3*3*512大小的卷积核进行卷积,得到图像Img_up1,其尺寸为原图的1/8。
第二组反卷积:
→up_sampling(2,2)→conv2(3*3*256*128);
对Img_up1先进行第二次上采样操作,再用128个3*3*256大小的卷积核进行卷积,得到图像Img_up2,其尺寸为原图的1/4。
第三组反卷积:
→up_sampling(2,2)→conv2(3*3*128*64);
对Img_up2先进行第三次上采样操作,再用64个3*3*128大小的卷积核进行卷积,得到图像Img_up3,其尺寸为原图的1/2。
第四组反卷积:
→up_sampling(2,2)→conv2(3*3*64*32)→conv3(3*3*32*2);
对Img_up3先进行第四次上采样操作,再用32个3*3*64大小的卷积核进行卷积,再跟随2个3*3*32大小的卷积核进行处理,得到图像Img_up4,其尺寸与原图相同。
最后经过softmax分类器做逐像素预测,输出与输入图像长宽相同的二值图像,尺寸为88*388*3的二值图像OutputImg,其中,水尺部分像素值为255,水体部分为0,如图9所示。
其中,“conv2”代表卷积层,包括卷积和BatchNormalization(批量归一化)操作,“conv3”也代表卷积层,但只有卷积操作,括号内部为该层卷积核参数即宽度*长度*通道数*卷积核个数;“up_sampling”代表上采样操作,括号内部为宽度方向上采样倍数和长度方向上采样倍数。“softmax分类器”,是指一种常用的有监督多分类模型,对各个输入分类器的概率值做指数计算,经归一化后,最大值所代表的类别即为分类结果。
其中,水位测量具体包括以下步骤:
水位级判别:上位机控制PTZ摄像机切换至预置位P0拍摄一幅大视场图像,根据系统标定环节中标记的每级水尺的分析区域位置信息,截取N幅AR图像,以N至1的顺序,将各级水尺对应AR图像分别输入到基于图像语义分割的深度网络模型中,假设当前输入为第i(i>0)级水尺对应AR图像,输出二值图像的图像分辨率为W×H,其中,水尺目标区域像素数量和为numguage,水体为numwater,即numguage+numwater=W×H,第i级水尺和第i-1级水尺重叠区域为h,若numwater/(W×H)≥h/H,则将该级水尺作为水位线检测的水尺目标,上位机控制PTZ摄像机切换至预置位Pi,转步骤(2);否则继续输入下一级水尺的AR图像,参见图6;
水位线检测:PTZ摄像机在在预置位Pi下拍摄视频并间隔取出M帧图像,对这M幅图像分别做以下操作;
利用系统标定环节中标记的AR图像的位置坐标信息截取出水尺的AR图像;
利用系统标定环节中计算得到的透视变换矩阵,将AR图像与模板图像配准得到配准图像,假设配准图像大小为H'×W',H'为图像的长度,W'为宽度;
将配准图像灰度化得到灰度图像;
利用Canny算子处理灰度图像得到边缘图像;
分别计算灰度图像的灰度均值水平投影和边缘图像的灰度均值水平投影;灰度均值水平投影包括灰度图像各行的灰度平均值,第r行的灰度均值通过下式计算:
其中,P(r,w)为图像中(r,w)处像素的灰度值,r为行坐标,w为列坐标,1≤r≤H',1≤w≤W';
采用特征融合的水位线粗定位方法,在灰度图像和边缘图像中分别设置N个ROI区域,每个ROI区域的大小为T×W',其中,T=H'/N并自上而下将ROI区域编号为0、1、…N-1;计算相邻两个粗定位ROI区域的灰度均值差和边缘图像灰度均值差,以T为步进,自上而下确定水位线所在区段;灰度均值差的计算公式如下:
其中,0≤k≤H'-2T,k为像素所在的行坐标;取灰度图像的灰度均值差Diffg(k)和边缘图像的灰度均值差Diffe(k)的最大值作为灰度均值差Diff(k);计算灰度均值差Diff(k)的最大值Diff(k’),k’为Diff(k)取得最大值所对应的像素行坐标;
进行特征融合的水位线精定位,选取灰度均值差Diff(k)最大的相邻两个粗定位ROI区域作为水位线粗定位ROI区域,长度为2T像素,宽度为W'像素,顶部行坐标为k′,计算精定位ROI区域的上半区的灰度图像均值差和边缘图像灰度均值差,并计算精定位ROI区域的下半区域的灰度图像均值差和边缘图像灰度均值差,以单个像素为步进,自上而下确定水位线,计算公式如下:
其中,k'-T≤k1≤k'+T;
取灰度图像的灰度均值差Diffg(k1)和边缘图像的灰度均值差Diffe(k1)的最大值作为灰度均值差Diff(k1);计算灰度均值差Diff(k1)的最大值Diff(k1’),k1’为Diff(k1)取得最大值所对应的像素行坐标;
计算水位线坐标line=k1’+T像素;
根据水尺模板图像的物理分辨率将水位线的坐标换算为实际水位值。
将得到的M个水位测量结果取中间值作为最后测得的水位值;
最终测量结果如果不在有效量程[Zl,Zh]内,水位归零,否则不变,输出水位。
Claims (8)
1.一种多级水尺水位视觉测量方法,其特征在于:包括以下步骤:
步骤1:在同一断面线上布置N级水尺和可完整观测到所有水尺的视频图像采集机构,构建测量系统;
步骤2:对测量系统进行标定,所述标定包括:设置N+1个预置位P0~PN、进行水尺图像校正得到在大视场图像中每级水尺的位置坐标信息、确定各水尺的有效量程和构建水尺目标检测模型;其中,P0对应可完整观测所有水尺的大视场,P1~PN分别对应聚焦于水尺1~N的小视场;
步骤3;采用标定后的测量系统进行水位测量;
所述步骤3的水位测量包括以下步骤:
S100:在预置位P0拍摄一幅大视场图像,根据水尺图像校正得到的每级水尺的位置坐标信息,截取N级水尺所对应的分析区域AR图像;
S110:设置循环参数i,i初始赋值为N;
S120:将第i级水尺对应的AR图像分别输入到水尺目标检测模型中,输出与AR图像相同尺寸的二值图像,该图像分辨率为W×H;
S130:判断是否满足numwater/(W×H)≥h/H,其中,numwater为水体区域像素数量和,h为第i级水尺和第i-1级水尺重叠区域;若满足,则将该级水尺作为水位线检测的水尺目标,视频图像采集机构切换至预置位Pi,转入S140;否则i=i-1,转入S120;
S140:在预置位Pi进行视频拍摄,基于水尺的有效量程[Zl,Zh]i,从拍摄的视频中获取水尺的水位线读数。
2.根据权利要求1所述的一种多级水尺水位视觉测量方法,其特征在于:在水位低于第1级水尺量程2/3的条件下进行测量系统的标定。
3.根据权利要求1所述的一种多级水尺水位视觉测量方法,其特征在于:所述测量系统标定中的水尺图像校正,包括:
在预置位P0下,标记每级水尺的分析区域AR图像得到每级水尺的位置坐标信息,ARi=[X,Y,W,H]i,i=1,2,…,N,AR是图像中水尺轮廓的最小外接矩,X、Y为最小外接矩左上角点的横坐标、纵坐标,W、H为最小外接矩的宽和高;
在预置位P1~PN下,进行相应水尺的分析区域AR图像的标记得到相应水尺的位置坐标信息和基于水尺的标准样式建立水尺模板图像,在得到的分析区域AR图像和水尺模板图像上选取同名点,计算得到透视变换矩阵。
4.根据权利要求1所述的一种多级水尺水位视觉测量方法,其特征在于:所述水尺目标检测模型为基于图像语义分割的深度网络模型,其输出为与输入图像分辨率相同的二值图像,输出图像中的水体和水尺目标分别用灰度值0和255表示。
5.根据权利要求1所述的一种多级水尺水位视觉测量方法,其特征在于:所述水尺目标检测模型包括依次连接的多组卷积层、多组反卷积层和softmax分类器。
6.根据权利要求3所述的一种多级水尺水位视觉测量方法,其特征在于:所述S140具体包括:
S141:在预置位Pi下拍摄视频并间隔取出M帧图像,对这M幅图像分别做以下操作;
利用系统标定中标记的AR图像的位置坐标信息截取出水尺的AR图像;
利用系统标定中计算得到的透视变换矩阵,将AR图像与模板图像配准得到配准图像,假设配准图像大小为H'×W',H'为图像的长度,W'为宽度;
将配准图像灰度化得到灰度图像;
利用Canny算子处理灰度图像得到边缘图像;
分别计算灰度图像的灰度均值水平投影和边缘图像的灰度均值水平投影;灰度均值水平投影包括灰度图像各行的灰度平均值,第r行的灰度均值通过下式计算:
采用特征融合的水位线粗定位方法,在灰度图像和边缘图像中分别设置N个ROI区域,每个ROI区域的大小为T×W',其中,T=H'/N并自上而下将ROI区域编号为0、1、…N-1;计算相邻两个粗定位ROI区域的灰度均值差和边缘图像灰度均值差,以T为步进,自上而下确定水位线所在区段;灰度均值差的计算公式如下:
其中,0≤k≤H'-2T,k为像素所在的行坐标;取灰度图像的灰度均值差Diffg(k)和边缘图像的灰度均值差Diffe(k)的最大值作为灰度均值差Diff(k);计算灰度均值差Diff(k)的最大值Diff(k’),k’为Diff(k)取得最大值所对应的像素行坐标;
进行特征融合的水位线精定位,选取灰度均值差Diff(k)最大的相邻两个粗定位ROI区域作为水位线粗定位ROI区域,长度为2T,宽度为W',顶部行坐标为k’,计算精定位ROI区域的上半区的灰度图像均值差和边缘图像灰度均值差,并计算精定位ROI区域的下半区域的灰度图像均值差和边缘图像灰度均值差,以单个像素为步进,自上而下确定水位线,计算公式如下:
其中,k'-T≤k1≤k'+T;
取灰度图像的灰度均值差Diffg(k1)和边缘图像的灰度均值差Diffe(k1)的最大值作为灰度均值差Diff(k1);计算灰度均值差Diff(k1)的最大值Diff(k1’),k1’为Diff(k1)取得最大值所对应的像素行坐标;
计算水位线坐标line=k1’+T像素;
根据水尺模板图像的物理分辨率将水位线的坐标换算为实际水位值;
S142:将得到的M个水位测量结果取中间值作为最后测得的水位值;
S143:最后测得的水位值若不在有效量程[Zl,Zh]内,则水位归零,否则输出该水位值。
7.一种测量系统,其特征在于:包括:设置在同一断面线上的多级水尺、设置在水尺断面上且在大视场下能完整地观测到所有水尺的摄像机和上位机;所述上位机与摄像机相连,内置如权利要求1至6任意一项所述的一种多级水尺水位视觉测量方法,用于控制摄像机的预置位切换、视频图像的采集处理和水位测量结果传输。
8.根据权利要求7所述的一种测量系统,其特征在于:所述摄像机为方位角、俯仰角和变焦可调的摄像机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010870108.1A CN111998910B (zh) | 2020-08-26 | 2020-08-26 | 一种多级水尺水位视觉测量方法及测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010870108.1A CN111998910B (zh) | 2020-08-26 | 2020-08-26 | 一种多级水尺水位视觉测量方法及测量系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111998910A CN111998910A (zh) | 2020-11-27 |
CN111998910B true CN111998910B (zh) | 2021-09-24 |
Family
ID=73470897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010870108.1A Active CN111998910B (zh) | 2020-08-26 | 2020-08-26 | 一种多级水尺水位视觉测量方法及测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111998910B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508986B (zh) * | 2020-12-04 | 2022-07-05 | 武汉大学 | 一种基于深度卷积网络与随机场的水位测量方法 |
CN112945208A (zh) * | 2021-01-28 | 2021-06-11 | 天地伟业技术有限公司 | 河道断面流速水位监测球形摄像机 |
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 |
CN112528974B (zh) * | 2021-02-08 | 2021-05-14 | 成都睿沿科技有限公司 | 测距方法、装置、电子设备及可读存储介质 |
CN113819974B (zh) * | 2021-09-17 | 2022-07-12 | 河海大学 | 一种免水尺的河流水位视觉测量方法 |
CN113847970B (zh) * | 2021-09-24 | 2022-08-23 | 无锡物联网创新中心有限公司 | 一种水位检测方法、装置及系统 |
CN116668830B (zh) * | 2023-05-19 | 2023-10-24 | 哈尔滨四福科技有限公司 | 设置水位观测摄像头预置点的方法、系统、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101445045B1 (ko) * | 2013-04-30 | 2014-09-29 | 이노뎁 주식회사 | 통합관제센터의 통합관제서비스를 이용한 수위경고 시스템 및 방법 |
CN105046263A (zh) * | 2015-06-30 | 2015-11-11 | 浙江海洋学院 | 一种基于机器视觉的水尺自动检测系统 |
CN105046704A (zh) * | 2015-07-13 | 2015-11-11 | 河海大学 | 基于圆形目标阵列与观测方程的视觉测量标定方法 |
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 |
CN109508630A (zh) * | 2018-09-27 | 2019-03-22 | 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 |
CN109815862A (zh) * | 2019-01-11 | 2019-05-28 | 苏州德普思锐信息科技有限公司 | 基于图像识别水尺刻度的识别系统及其测量方法 |
-
2020
- 2020-08-26 CN CN202010870108.1A patent/CN111998910B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101445045B1 (ko) * | 2013-04-30 | 2014-09-29 | 이노뎁 주식회사 | 통합관제센터의 통합관제서비스를 이용한 수위경고 시스템 및 방법 |
CN105046263A (zh) * | 2015-06-30 | 2015-11-11 | 浙江海洋学院 | 一种基于机器视觉的水尺自动检测系统 |
CN105046704A (zh) * | 2015-07-13 | 2015-11-11 | 河海大学 | 基于圆形目标阵列与观测方程的视觉测量标定方法 |
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 |
CN109508630A (zh) * | 2018-09-27 | 2019-03-22 | 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 |
CN109815862A (zh) * | 2019-01-11 | 2019-05-28 | 苏州德普思锐信息科技有限公司 | 基于图像识别水尺刻度的识别系统及其测量方法 |
Non-Patent Citations (2)
Title |
---|
《变焦相机自标定方法研究》;赵书俊等;《郑州大学学报(工学版)》;20160930;第37卷(第5期);91-96 * |
《基于人类视觉特性的机器视觉系统》;毛晓波等;《仪器仪表学报》;20100430;第31卷(第4期);832-835 * |
Also Published As
Publication number | Publication date |
---|---|
CN111998910A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111998910B (zh) | 一种多级水尺水位视觉测量方法及测量系统 | |
CN112766274B (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN107588823A (zh) | 基于双波段成像的水尺水位测量方法 | |
CN114897864B (zh) | 基于数模信息的工件检测及缺陷判断方法 | |
CN115170669B (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN113819974B (zh) | 一种免水尺的河流水位视觉测量方法 | |
CN111083365A (zh) | 一种最佳焦平面位置快速检测方法及装置 | |
CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
CN112862898B (zh) | 一种基于计算机视觉的流速测定方法 | |
CN211927018U (zh) | 一种新型液位测量装置 | |
CN111829439B (zh) | 一种高精度平移测量方法及装置 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN114998308A (zh) | 一种基于光度立体的缺陷检测方法及系统 | |
CN113554667A (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
CN106709952A (zh) | 一种显示屏幕的自动标定方法 | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN112884731B (zh) | 一种基于机器视觉的水位检测方法及河道监测方法 | |
CN113807238B (zh) | 一种河道水面漂浮物面积的视觉测量方法 | |
CN114742749B (zh) | 基于图像处理的pvc薄膜质量检测方法 | |
CN116011480A (zh) | 基于二维码标识符的水位获取方法、装置、设备及介质 | |
CN115984360A (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
CN115761468A (zh) | 一种基于图像分割和目标检测技术的水位检测系统、方法 | |
CN114373156A (zh) | 基于视频图像识别算法的非接触式水位流速流量智能监测系统 |
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 |