CN112329644A - 一种蓄水池水位监测方法、系统、介质及电子终端 - Google Patents

一种蓄水池水位监测方法、系统、介质及电子终端 Download PDF

Info

Publication number
CN112329644A
CN112329644A CN202011232405.XA CN202011232405A CN112329644A CN 112329644 A CN112329644 A CN 112329644A CN 202011232405 A CN202011232405 A CN 202011232405A CN 112329644 A CN112329644 A CN 112329644A
Authority
CN
China
Prior art keywords
water level
reservoir
real
image information
target
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.)
Pending
Application number
CN202011232405.XA
Other languages
English (en)
Inventor
袁钰博
余文涵
李宗陶
刘睿
庞殊杨
周德亮
贾鸿盛
毛尚伟
李文铃
胥泽彬
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.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information 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 CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202011232405.XA priority Critical patent/CN112329644A/zh
Publication of CN112329644A publication Critical patent/CN112329644A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • 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
    • G06V2201/07—Target detection

Abstract

本发明提供一种蓄水池水位监测方法、系统、介质及电子终端，方法包括：获取蓄水池的初始图像信息；将所述初始图像信息输入目标检测网络进行训练，获取目标检测模型；获取蓄水池的实时图像信息；将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；根据所述水位标志物的数量，对蓄水池的水位高度进行监测；本发明中的蓄水池水位监测方法，通过构建目标检测模型，并将蓄水池的实时图像信息输入所述目标检测模型，获取水位标志物的数量，实现对蓄水池的水位高度的实时监测，准确度较高，可靠性较高。

Description

一种蓄水池水位监测方法、系统、介质及电子终端
技术领域
本发明涉及检测领域，尤其涉及一种蓄水池水位监测方法、系统、介质及电子终端。
背景技术
在钢铁企业，蓄水池是用来实现各生产设备降温的装置，若出现蓄水池水位异常的情况，可能导致部分生产设备长期运行温度过高而无法及时降温等情况。目前，钢铁企业的蓄水池主要采用人工进行监测，但由于钢铁厂蓄水池较多、产线生产时间长，采用人工监测的方式，不便于对蓄水池水位进行实时监测，监测精确度较低，容易造成一定的安全隐患，为企业带来一定的损失。
发明内容
本发明提供一种蓄水池水位监测方法、系统、介质及电子终端，以解决现有技术中采用人工的方式不便于对蓄水池水位进行实时监测以及监测精确度较低的问题。
本发明提供的蓄水池水位监测方法，包括：
获取蓄水池的初始图像信息；
将所述初始图像信息输入目标检测网络进行训练，获取目标检测模型；
获取蓄水池的实时图像信息；
将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；
根据所述水位标志物的数量，对蓄水池的水位高度进行监测。
可选的，获取蓄水池的初始图像信息的步骤包括：
采集蓄水池的初始图像；
对所述初始图像中的水位标志物进行框选与标注，获取初始目标框的位置信息；
根据所述初始目标框的位置信息，构建用于训练目标检测模型的数据集；
完成对蓄水池的初始图像信息的获取。
可选的，将所述初始图像信息输入目标检测网络进行训练获取目标检测模型的步骤包括：
构建基于深度学习的目标检测网络；
将所述初始图像信息输入所述目标检测网络进行训练，对所述初始图像信息中的水位标志物进行目标特征提取，对一个或多个尺度的目标特征进行目标定位与分类，获取一个或多个尺度的特征框，对同一位置的所述特征框进行抑制，获取特征框识别结果，根据所述特征框识别结果，获取较优的目标检测模型，其中，所述识别结果包括：目标物体数量和/或目标物体位置信息。
可选的，将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量的步骤包括：
获取蓄水池的实时图像；
通过所述目标检测模型对所述实时图像中的水位标志物进行框选与标注，进而获取实时目标框的数量和/或实时目标框的位置信息，其中，所述实时目标框的位置信息包括：
[Selcxmin1，Selcymin1，Selcxmax1，Selcymax1]
其中，Selcxmin1为所述实时目标框左上角的x坐标，Selcymin1为所述实时目标框左上角的y坐标，Selcxmax1为所述实时目标框右下角的x坐标，Selcymax1为所述实时目标框右下角的y坐标。
可选的，根据所述水位标志物的数量，对蓄水池的水位高度进行监测的步骤包括：
当所述水位标识物的数量在预设的标识物阈值范围以内时，则判断蓄水池水位正常；
当所述水位标志物的数量超出所述标志物阈值范围，且所述水位标志物的数量大于所述标志物阈值范围的最大值时，则判断蓄水池水位过高并发出警报；
当所述水位标志物的数量超出所述标志物阈值范围，且所述水位标志物的数量小于所述标志物阈值范围的最小值时，则判断蓄水池水位过低并发出警报。
可选的，还包括：
根据所述实时图像信息，获取蓄水池的定位信息；
将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；
根据所述水位标志物的数量，判断蓄水池的水位是否正常，获取判断结果；
根据所述判断结果，发出警报并输出所述定位信息。
本发明还提供一种蓄水池水位监测系统，包括：
预处理模块，用于获取蓄水池的初始图像信息；将所述初始图像信息输入目标检测网络进行训练，获取目标检测模型；
处理模块，用于获取蓄水池的实时图像信息；将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；
监测模块，用于根据所述水位标志物的数量，对蓄水池的水位高度进行监测；
所述预处理模块、处理模块和监测模块连接。
可选的，所述水位标志物至少包括以下之一：反光贴、刻度线、凸槽和凹槽，所述水位标志物沿蓄水池的高度方向均匀设置，所述水位标志物设置于固定杆，所述固定杆的一端沿蓄水池的高度方向延伸，通过调整所述固定杆的插入深度，调整所述反光贴的位置。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述中任一项所述方法。
本发明还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述中任一项所述方法。
本发明的有益效果：本发明中的蓄水池水位监测方法通过构建目标检测模型，并将蓄水池的实时图像信息输入所述目标检测模型，获取水位标志物的数量，实现对蓄水池的水位高度的实时监测，准确度较高，可靠性较高。
附图说明
图1是本发明实施例中蓄水池水位监测方法的一流程示意图；
图2是本发明实施例中蓄水池水位监测方法的另一流程示意图；
图3是本发明实施例中蓄水池水位监测系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
发明人发现，在钢铁企业，若出现蓄水池水位异常的情况，可能导致部分生产设备长期运行温度过高而无法及时降温等情况，目前，钢铁企业的蓄水池主要采用人工进行监测，但由于钢铁厂蓄水池较多、产线生产时间长，采用人工监测的方式，不便于对蓄水池水位进行实时监测，监测精确度较低，容易造成一定的安全隐患，为企业带来一定的损失，因此，发明人提出一种蓄水池水位监测方法、系统、介质及电子终端，通过获取蓄水池的实时图像信息，并将所述实时图像信息输入用于识别蓄水池中水位标志物的数量的目标检测模型，根据水位标识物的数量对蓄水池的水位高度进行监测，准确度较高，可靠性较高。
如图1所示，本实施例中的蓄水池水位监测方法，包括：
S101：获取蓄水池的初始图像信息；
S102：将所述初始图像信息输入目标检测网络进行训练，获取目标检测模型；
S103：获取蓄水池的实时图像信息；
S104：将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；
S105：根据所述水位标志物的数量，对蓄水池的水位高度进行监测；通过构建目标检测模型，并将蓄水池的实时图像信息输入所述目标检测模型，获取水位标志物的数量，进而实现对蓄水池的水位高度的实时监测，准确度较高，可靠性较高，例如：将所述初始图像信息输入基于深度学习的目标检测网络进行训练，获取较优的目标检测模型，将蓄水池的实时图像信息输入所述目标检测模型进行训练，获取实时图像中水位标志物的数量和水位标识物的实时目标框的位置信息，根据所述水位标志物的数量，对蓄水池的水位高度进行实时监测，水位标识物的数量超出预设的标志物阈值范围，则进行报警并输出水位标志物的实时目标框的位置信息，实现对蓄水池的水位高度的实时监控，精确度较高，可控性较强，可实施性较强。
如图2所示，在一些实施例中的蓄水池水位监测方法，包括
S201：采集蓄水池的初始图像；例如：通过在蓄水池的上方设置工业摄像头或红外摄像头，设置固定的采集时间间隔，对蓄水池的初始图像进行实时采集；
S202：对所述初始图像中的水位标志物进行框选与标注，获取初始目标框的位置信息；
S203：根据所述初始目标框的位置信息，构建用于训练目标检测模型的数据集，将所述数据集作为初始图像信息；初始图像信息包括：图像基础属性信息与标注信息，其中图片基础属性信息包括：文件名称、图像宽度、图像高度、图像深度，标注信息包括：目标物体的类别、初始目标框在初始图像中的参考坐标系的左上角的横坐标、左上角的纵坐标、右下角的横坐标与右下角的纵坐标；
S204：构建基于深度学习的目标检测网络；
S205：将所述初始图像信息输入所述目标检测网络进行训练，获取较优的目标检测模型，即对所述初始图像信息中的水位标志物进行目标特征提取，对一个或多个尺度的目标特征进行目标定位与分类，获取一个或多个尺度的特征框，对同一位置的所述特征框进行抑制，获取特征框识别结果，根据所述特征框识别结果，获取较优的目标检测模型，其中，所述识别结果包括：目标物体的数量和/或目标物体的位置信息；
对同一位置的所述特征框进行抑制的步骤包括：
获取一个或多个尺度的同一位置的特征框的置信度，根据所述置信度的大小，对特征框进行筛选与抑制，获取特征框识别结果，根据所述特征框识别结果，获取较优的目标检测模型。
S206：获取蓄水池的实时图像；例如：通过设置在蓄水池上方的工业摄像机或红外摄像机对蓄水池的实时图像进行采集；
S207：通过所述目标检测模型对所述实时图像中的水位标志物进行框选与标注，进而获取实时目标框的数量和/或实时目标框的位置信息，其中，所述实时目标框的位置信息包括：
[Selcxmin1，Selcymin1，Selcxmax1，Selcymax1]
其中，Selcxmin1为所述实时目标框左上角的x坐标，Selcymin1为所述实时目标框左上角的y坐标，Selcxmax1为所述实时目标框右下角的x坐标，Selcymax1为所述实时目标框右下角的y坐标；以上坐标均是在实时图像上的参考坐标系的坐标；
S208：根据所述水位标志物的数量，对蓄水池的水位高度进行实时监测，即当所述水位标识物的数量在预设的标识物阈值范围以内时，则判断蓄水池水位正常；当所述水位标志物的数量超出所述标志物阈值范围，且所述水位标志物的数量大于所述标志物阈值范围的最大值时，则判断蓄水池水位过高并发出警报；当所述水位标志物的数量超出所述标志物阈值范围，且所述水位标志物的数量小于所述标志物阈值范围的最小值时，则判断蓄水池水位过低并发出警报；例如：当识别出的水位标识物的数量为1个时，则判定蓄水池水位正常，当识别出的水位标识物的水位标志物的数量为2个或2个以上时，则判定蓄水池水位过低，当识别出的水位标注物的数量为0个时，则判定水位过高，标志物阈值范围可以根据实际情况进行设置；
在一些实施例中，根据所述实时图像信息，获取蓄水池的定位信息；钢铁企业中，一般存在多个蓄水池，通过获取蓄水池的定位信息，可以帮助维护人员快速获取蓄水池的具体位置；
根据蓄水池水位的判断结果，发出警报并输出蓄水池的定位信息；例如：通过实时图像信息，对蓄水池进行定位，获取蓄水池的定位信息，当蓄水池水位的判断结果为蓄水池水位过高或过低时，则发出警报，并输出蓄水池的定位信息，方便工作人员快速了解是哪一个蓄水池的水位出现异常，实现对蓄水池水位的精准报警，在一些实施例中，还可以根据所述实时图像信息，获取所述蓄水池的编号，当判断结果为蓄水池的水位过高或过低时，则进行报警并输出对应蓄水池的编号，使得维护人员能够迅速识别蓄水池所在位置，有利于维修人员及时对蓄水池水位进行维护与处理。
如图3所示，本实施例还提供一种蓄水池水位监测系统，包括：
预处理模块，用于获取蓄水池的初始图像信息；将所述初始图像信息输入目标检测网络进行训练，获取目标检测模型；
处理模块，用于获取蓄水池的实时图像信息；将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；
监测模块，用于根据所述水位标志物的数量，对蓄水池的水位高度进行监测；
所述预处理模块、处理模块和监测模块依次连接，通过构建目标检测模型，并将蓄水池的实时图像信息输入所述目标检测模型，获取水位标志物的数量，进而实现对蓄水池的水位高度的实时监测，准确度较高，可靠性较高。
在一些实施例中，所述水位标志物至少包括以下之一：反光贴、刻度线、凸槽和凹槽，所述水位标志物沿蓄水池的高度方向均匀设置，所述水位标志物设置于固定杆，所述固定杆的一端沿蓄水池的高度方向延伸，通过调整所述固定杆的插入深度，调整所述反光贴的位置，固定杆的插入深度指的是固定杆靠近蓄水池的底部的一端沿蓄水池的高度方向的延伸长度，由于蓄水池的水位存在经常波动的情况，通过将水位标识物均匀设置在固定杆上，将固定杆的一端沿蓄水池的高度方向延伸，即插入蓄水池中，固定杆的高度可以调节，进而使得水位标识物可以沿蓄水池的高度方向进行实时调节，提高对水位标识物的识别精确度。例如：在固定杆上均匀设置反光贴，将固定杆的一端插入蓄水池中并固定，通过对实时图像中的反光贴的数量的识别，对蓄水池的水位高度进行实时检测，精确度较高，可实施性较强。
在一些实施例中，还包括：用于显示蓄水池的定位信息和报警信息的显示模块，所述报警信息包括：蓄水池水位是否异常、水位标志物的数量、水位标志物的位置。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种蓄水池水位监测方法，其特征在于，包括：
获取蓄水池的初始图像信息；
将所述初始图像信息输入目标检测网络进行训练，获取目标检测模型；
获取蓄水池的实时图像信息；
将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；
根据所述水位标志物的数量，对蓄水池的水位高度进行监测。
2.根据权利要求1所述的蓄水池水位监测方法，其特征在于，获取蓄水池的初始图像信息的步骤包括：
采集蓄水池的初始图像；
对所述初始图像中的水位标志物进行框选与标注，获取初始目标框的位置信息；
根据所述初始目标框的位置信息，构建用于训练目标检测模型的数据集；
完成对蓄水池的初始图像信息的获取。
3.根据权利要求1所述的蓄水池水位监测方法，其特征在于，将所述初始图像信息输入目标检测网络进行训练获取目标检测模型的步骤包括：
构建基于深度学习的目标检测网络；
将所述初始图像信息输入所述目标检测网络进行训练，对所述初始图像信息中的水位标志物进行目标特征提取，对一个或多个尺度的目标特征进行目标定位与分类，获取一个或多个尺度的特征框，对同一位置的所述特征框进行抑制，获取特征框识别结果，根据所述特征框识别结果，获取较优的目标检测模型，其中，所述识别结果包括：目标物体数量和/或目标物体位置信息。
4.根据权利要求1所述的蓄水池水位监测方法，其特征在于，将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量的步骤包括：
获取蓄水池的实时图像；
通过所述目标检测模型对所述实时图像中的水位标志物进行框选与标注，进而获取实时目标框的数量和/或实时目标框的位置信息，其中，所述实时目标框的位置信息包括：
[Selcxmin1，Selcymin1，Selcxmax1，Selcymax1]
其中，Selcxmin1为所述实时目标框左上角的x坐标，Selcymin1为所述实时目标框左上角的y坐标，Selcxmax1为所述实时目标框右下角的x坐标，Selcymax1为所述实时目标框右下角的y坐标。
5.根据权利要求1所述的蓄水池水位监测方法，其特征在于，根据所述水位标志物的数量，对蓄水池的水位高度进行监测的步骤包括：
当所述水位标识物的数量在预设的标识物阈值范围以内时，则判断蓄水池水位正常；
当所述水位标志物的数量超出所述标志物阈值范围，且所述水位标志物的数量大于所述标志物阈值范围的最大值时，则判断蓄水池水位过高并发出警报；
当所述水位标志物的数量超出所述标志物阈值范围，且所述水位标志物的数量小于所述标志物阈值范围的最小值时，则判断蓄水池水位过低并发出警报。
6.根据权利要求1所述的蓄水池水位监测方法，其特征在于，还包括：
根据所述实时图像信息，获取蓄水池的定位信息；
将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；
根据所述水位标志物的数量，判断蓄水池的水位是否正常，获取判断结果；
根据所述判断结果，发出警报并输出所述定位信息。
7.一种蓄水池水位监测系统，其特征在于，包括：
预处理模块，用于获取蓄水池的初始图像信息；将所述初始图像信息输入目标检测网络进行训练，获取目标检测模型；
处理模块，用于获取蓄水池的实时图像信息；将所述实时图像信息输入所述目标检测模型，获取蓄水池中的水位标志物的数量；
监测模块，用于根据所述水位标志物的数量，对蓄水池的水位高度进行监测；
所述预处理模块、处理模块和监测模块连接。
8.根据权利要求7所述的蓄水池水位监测系统，其特征在于，所述水位标志物至少包括以下之一：反光贴、刻度线、凸槽和凹槽，所述水位标志物沿蓄水池的高度方向均匀设置，所述水位标志物设置于固定杆，所述固定杆的一端沿蓄水池的高度方向延伸，通过调整所述固定杆的插入深度，调整所述反光贴的位置。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至6中任一项所述方法。
CN202011232405.XA 2020-11-06 2020-11-06 一种蓄水池水位监测方法、系统、介质及电子终端 Pending CN112329644A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011232405.XA CN112329644A (zh) 2020-11-06 2020-11-06 一种蓄水池水位监测方法、系统、介质及电子终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011232405.XA CN112329644A (zh) 2020-11-06 2020-11-06 一种蓄水池水位监测方法、系统、介质及电子终端

Publications (1)

Publication Number Publication Date
CN112329644A true CN112329644A (zh) 2021-02-05

Family

ID=74316862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011232405.XA Pending CN112329644A (zh) 2020-11-06 2020-11-06 一种蓄水池水位监测方法、系统、介质及电子终端

Country Status (1)

Country Link
CN (1) CN112329644A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862806A (zh) * 2021-03-05 2021-05-28 中冶赛迪重庆信息技术有限公司 一种皮带机打滑检测方法、系统、介质及电子终端
CN113554004A (zh) * 2021-09-18 2021-10-26 三一汽车制造有限公司 搅拌车溢料检测方法、检测系统、电子设备及搅拌站
CN116448209A (zh) * 2023-06-15 2023-07-18 合肥市富林物联网技术股份有限公司 一种基于压力传感器的液位识别方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090107234A1 (en) * 2005-09-16 2009-04-30 Won Kim System and method for measuring liquid level by image
CN102589461A (zh) * 2012-01-17 2012-07-18 华中科技大学 一种基于图像的积雪深度测量方法
TWM543989U (zh) * 2016-11-25 2017-06-21 Chunghwa Telecom Co Ltd 水尺影像自動辨識系統
CN107131925A (zh) * 2017-04-28 2017-09-05 南京邮电大学 一种基于图像处理的水位实时监测方法
CN107833203A (zh) * 2017-10-19 2018-03-23 南京邮电大学 一种基于图像处理的水平面识别及水位实时测量方法
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
CN110472636A (zh) * 2019-07-26 2019-11-19 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
CN110705435A (zh) * 2019-09-26 2020-01-17 南京宥安传感科技有限公司 基于图像识别的水位监测“糖葫芦”标识尺、系统及方法
CN111259890A (zh) * 2020-01-19 2020-06-09 深圳市宏电技术股份有限公司 一种水位尺的水位识别方法、装置及设备
CN111337100A (zh) * 2020-03-16 2020-06-26 石河子大学 基于条形水位标尺的水位量测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090107234A1 (en) * 2005-09-16 2009-04-30 Won Kim System and method for measuring liquid level by image
CN102589461A (zh) * 2012-01-17 2012-07-18 华中科技大学 一种基于图像的积雪深度测量方法
TWM543989U (zh) * 2016-11-25 2017-06-21 Chunghwa Telecom Co Ltd 水尺影像自動辨識系統
CN107131925A (zh) * 2017-04-28 2017-09-05 南京邮电大学 一种基于图像处理的水位实时监测方法
CN107833203A (zh) * 2017-10-19 2018-03-23 南京邮电大学 一种基于图像处理的水平面识别及水位实时测量方法
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
CN110472636A (zh) * 2019-07-26 2019-11-19 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
CN110705435A (zh) * 2019-09-26 2020-01-17 南京宥安传感科技有限公司 基于图像识别的水位监测“糖葫芦”标识尺、系统及方法
CN111259890A (zh) * 2020-01-19 2020-06-09 深圳市宏电技术股份有限公司 一种水位尺的水位识别方法、装置及设备
CN111337100A (zh) * 2020-03-16 2020-06-26 石河子大学 基于条形水位标尺的水位量测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINGCHAO JIANG 等: "Automatic Estimation of Urban Waterlogging Depths from Video Images Based on Ubiquitous Reference Objects", 《REMOTE SENSING》 *
曹玉超等: "基于不同深度识别算法的矿井水位标尺刻度识别性能分析与研究", 《煤炭学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862806A (zh) * 2021-03-05 2021-05-28 中冶赛迪重庆信息技术有限公司 一种皮带机打滑检测方法、系统、介质及电子终端
CN112862806B (zh) * 2021-03-05 2023-01-20 中冶赛迪信息技术(重庆)有限公司 一种皮带机打滑检测方法、系统、介质及电子终端
CN113554004A (zh) * 2021-09-18 2021-10-26 三一汽车制造有限公司 搅拌车溢料检测方法、检测系统、电子设备及搅拌站
CN116448209A (zh) * 2023-06-15 2023-07-18 合肥市富林物联网技术股份有限公司 一种基于压力传感器的液位识别方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN112329644A (zh) 一种蓄水池水位监测方法、系统、介质及电子终端
CN109785337B (zh) 一种基于实例分割算法的栏内哺乳动物清点方法
CN108009515B (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN108596221B (zh) 标尺读数的图像识别方法及设备
CN109685019B (zh) 一种构件识别方法、电子设备及存储介质
CN108664860B (zh) 房间平面图的识别方法及装置
CN111401419A (zh) 基于改进RetinaNet的员工着装规范检测方法
CN111062285B (zh) 一种基于深度学习算法的停车场智能监控识别系统
CN202946195U (zh) 一种图像型隧道围岩变形智能检测仪
CN108614895B (zh) 异常的数据访问行为的识别方法及数据处理装置
CN111626046A (zh) 一种变电站的遥测文本图元与设备图元位置关联校验方法
CN113112510A (zh) 一种语义分割的森林火灾检测方法、控制器及存储介质
CN112132892B (zh) 目标位置标注方法、装置及设备
CN105718663B (zh) 配电网autocad设计图自动识别方法
CN112183264B (zh) 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法
CN113744252A (zh) 用于标记和检测缺陷的方法、设备、存储介质和程序产品
CN116678368B (zh) 基于bim技术的装配式钢结构数据智能采集方法
CN111968103A (zh) 一种钢卷间距检测方法、系统、介质及电子终端
CN112991342B (zh) 基于水位尺图像的水位线检测方法、装置与系统
CN110060339B (zh) 一种基于云计算图形图像的三维建模方法
CN108955909A (zh) 一种基于机器视觉的油温表识别读数方法
CN114022670A (zh) 一种液位型变压器油位计识别方法及系统
CN112149579A (zh) 一种基于改进yolo_v3的鸟巢隐患检测方法
CN110378953B (zh) 一种智能识别猪群圈内空间分布行为的方法
CN209946948U (zh) 一种pc构件的智能复检设备

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
CB02 Change of applicant information

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd.

Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20210205

RJ01 Rejection of invention patent application after publication