CN112465061B - 一种水位识别方法、装置、设备及存储介质 - Google Patents

一种水位识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112465061B
CN112465061B CN202011435780.4A CN202011435780A CN112465061B CN 112465061 B CN112465061 B CN 112465061B CN 202011435780 A CN202011435780 A CN 202011435780A CN 112465061 B CN112465061 B CN 112465061B
Authority
CN
China
Prior art keywords
coordinates
water
neural network
water gauge
water level
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
CN202011435780.4A
Other languages
English (en)
Other versions
CN112465061A (zh
Inventor
唐仕斌
陈淑武
蓝发财
郑清锋
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.)
XIAMEN FOUR-FAITH COMMUNICATION TECHNOLOGY CO LTD
Original Assignee
XIAMEN FOUR-FAITH COMMUNICATION 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 XIAMEN FOUR-FAITH COMMUNICATION TECHNOLOGY CO LTD filed Critical XIAMEN FOUR-FAITH COMMUNICATION TECHNOLOGY CO LTD
Priority to CN202011435780.4A priority Critical patent/CN112465061B/zh
Publication of CN112465061A publication Critical patent/CN112465061A/zh
Application granted granted Critical
Publication of CN112465061B publication Critical patent/CN112465061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种水位识别方法、系统、设备及存储介质，其方法包括：获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺；对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标；以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。通过水尺训练提取特征点，水尺坐标加上关键点坐标，可提高水位识别的精确性。

Description

一种水位识别方法、装置、设备及存储介质
技术领域
本发明涉及水位识别领域，具体而言，涉及一种水位识别方法、装置、设备及存储介质。
背景技术
在水利行业应用中，经常需要对水位进行检测，例如需要对地下水、水塔、水电站、水库等的水位进行检测。目前的水位检测方式主要使用浮子式、压力传感式、超声波式、雷达和激光等应用的水位计。这些水位计因构造原理不同，在实际应用前需要考虑适用范围、建设成本以及施工难度等各方面的制约和影响。
目前一种基于深度学习的水尺识别方法使用方法Faster-RCNN算法网络，通过E切割这种方法污泥粘上根本无法识别。方法YOLOv3识别出水尺位置网络的识别数字误差较大，尤其在恶劣环境下，例如污泥、暴雨或者晚上的情况下，水位线识别率不高，水位线精准识别较困难，刻度值识别较差。
发明内容
本发明的目的在于提供一种水位识别方法、装置、设备及存储介质，以解决上述存在的问题。
为实现上述目的，本发明实施例提供一种水位识别方法，其包括：
获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺；
对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标；
以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。
进一步的，所述神经网络模型为轻量级模型；所述轻量级模型通过yolov3 tiny网络模型与MobileNetV2网络模型结合生成。
进一步的，所述神经网络模型通过如下方式获得：
通过深度裁剪，用MobileNetV2的网络替代yolov3 tiny模型的主干网络，获得MobileNetV2集合yolov3 tiny分类回归网络模型的神经网络模型。
更进一步的，所述MobileNetV2包括17层深度可分离卷积和2层标准卷积；所述深度可分离卷积包括depthwise和pointwise。
进一步的，在以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模型之后，还包括：
对训练得到的神经网络模型进行进行int8量化，使原来的float32bit的卷积操作转换为int8的卷积操作。
进一步的，在以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块之后，还包括：
获取待识别图像；
将所述待识别图像输入至所述神经网络模型，以输出水尺坐标、水尺的概率以及至少两个关键点的坐标；
根据水尺坐标、水尺的概率以及至少两个关键点的坐标计算得到当前的水位。
更进一步的，当所述关键点是两个，设关键点坐标分别为A坐标(ax，ay)，B坐标(bx，by)，水尺的概率为p1，水尺坐标是(x1，y1；x2，y2)，其中(x1，y1)代表左上角坐标，(x2，y2)代表右下角坐标；则所述根据水尺坐标、水尺的概率以及至少两个关键点的坐标计算得到当前的水位具体为：
如果p1>0.95，则
则水位的值＝0.6*(ay+by)/2+0.4*y2；
如果p1>0.9，则
水位的值＝0.8*(ay+by)/2+0.2*y2；
否则
水位的值＝(ay+by)/2。
本发明实施例还提供一种水位识别装置，包括：
获取模块，用于获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺；
提取模块，用于对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标；
训练模块，用于以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。
本发明还提供一种水位识别设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述处理器用于运行所述计算机程序以实现所述的一种水位识别方法。
本发明还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序能够被所述存储介质所在设备的处理器执行，以实现所述的一种水位识别方法。
本发明通过获取多张包括位于水域中的水尺训练图像；并对所述训练图像进行特征提取，以获得包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标的特征信息；以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。通过水尺坐标和关键点坐标，即使在恶劣环境下，可精确识别水位线。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明第一实施例提供的一种水位识别方法流程示意图。
图2为本发明实施例提供的水尺示意图。
图3为本发明第二实施例提供的一种水位识别装置流程示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。
参考图1，本发明第一实施例提供了一种水位识别方法，其可由水位识别设备来执行，特别的，由所述水位识别设备内的一个或者多个处理器来执行，以实现如下步骤：
S11:获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺。
在本实施例中，所述水位识别设备可为工作站，计算机、台式电脑、服务器或者其他具有计算能力的终端设备，其安装有相应的计算机程序，并可经由所述处理器执行所述计算机程序来实现本实施例的水位识别方法。
S12:对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标。
参考图2，在本实施例中，水尺坐标是(x1，y1；x2，y2)，其中(x1，y1)代表水位线以上左上角坐标，(x2，y2)代表水位线以上右下角坐标，假设所述关键点的数量为两个，位于水位线处两个关键点坐标分别为A坐标(ax，ay)，B坐标(bx，by)。
S13:以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。
在本实施例中，所述神经网络模型为轻量级模型。例如，所述轻量级模型模型可通过yolov3 tiny网络模型与MobileNetV2网络模型结合生成。
具体为：
首先，通过深度裁剪，用MobileNetV2的网络替代yolov3 tiny模型的主干网络，获得MobileNetV2集合yolov3 tiny分类回归网络模型的神经网络模型。
然后，在以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模型之后，还包括：
对训练得到的神经网络模型进行进行int8量化，使原来的float32bit的卷积操作转换为int8的卷积操作。
通过int8量化使模型大小变为原来模型的1/4，这样存储与计算也将大幅减少。
在本实施例中，所述MobileNetV2包括17层深度可分离卷积和2层标准卷积；所述深度可分离卷积包括depthwise和pointwise，深度可分离卷积将depthwise(DW)和pointwise(PW)两个部分结合起来，使其参数数量和运算成本比标准卷积少很多，因此深度可分离卷积相对于标准卷积参数量小很多，约等于输出卷积通道数，用MobileNetV2骨干模型参数量可有效降低模型的数据量。
在本实施例中，在获得训练后的神经网络模块之后，即可使用该神经网络模型来进行水位的检测。
具体地，
首先，获取待识别图像；
其中，所述待识别图像与图2类似，其同样包括了水尺坐标和至少两个关键点坐标；
将所述待识别图像输入至所述神经网络模型，以输出水尺坐标、水尺的概率以及至少两个关键点的坐标；
根据水尺坐标、水尺的概率以及至少两个关键点的坐标计算得到当前的水位。
具体地，假设所述关键点的数量为两个，两个关键点位置如图2所示，位于水位线处两个关键点坐标分别为A坐标(ax，ay)，B坐标(bx，by)，p1是水尺的概率，表示检测的物体是水尺的概率是多少，概率越大，代表越像水尺；水尺坐标是(x1，y1；x2，y2)，其中(x1，y1)代表水位线以上左上角坐标(x2，y2)代表水位线以上右下角坐标；
考虑到当检测水尺的概率越大，关键点A、B的y的坐标与水尺的y2坐标越相似，则两者加权可以抵消各种预测的偏差，由于实际水尺比较长，对y2权重比较少，因此水位线值计算如下：
如果p1>0.95，则水位的值＝0.6*(ay+by)/2+0.4*y2
如果p1>0.9，则水位的值＝0.8*(ay+by)/2+0.2*y2
否则，水位的值＝(ay+by)/2。
本实例通过通过获取多张包括位于水域中的水尺训练图像；并对所述训练图像进行特征提取，以获得包括水尺坐标以及与水域的水位相关的两个关键点的坐标的特征信息；以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。通过训向练后的神经网络模块输入水尺坐标和关键点坐标，可提高水位线的识别准确性，即使恶劣环境下，也可精确识别水位线。
参考图3，本发明第二实施例提供了一种水位识别装置，包括：
获取模块110，用于获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺；
提取模块120，用于对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标；
训练模块130，用于以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。
在本实施例中，所述神经网络模型为轻量级模型。例如，所述轻量级模型模型可通过yolov3 tiny网络模型与MobileNetV2网络模型结合生成。
具体为：
首先，通过深度裁剪，用MobileNetV2的网络替代yolov3 tiny模型的主干网络，获得MobileNetV2集合yolov3 tiny分类回归网络模型的神经网络模型。
然后，在以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模型之后，还包括：
对训练得到的神经网络模型进行进行int8量化，使原来的float32bit的卷积操作转换为int8的卷积操作。
通过int8量化使模型大小变为原来模型的1/4，这样存储与计算也将大幅减少。
在本实施例中，所述MobileNetV2包括17层深度可分离卷积和2层标准卷积；所述深度可分离卷积包括depthwise和pointwise，深度可分离卷积将depthwise(DW)和pointwise(PW)两个部分结合起来，使其参数数量和运算成本比标准卷积少很多，因此深度可分离卷积相对于标准卷积参数量小很多，约等于输出卷积通道数，用MobileNetV2骨干模型参数量可有效降低模型的数据量。
在本实施例中，在获得训练后的神经网络模块之后，即可使用该神经网络模型来进行水位的检测。
具体地，
首先，获取待识别图像；
其中，所述待识别图像与图2类似，其同样包括了水尺坐标和至少两个关键点坐标；
将所述待识别图像输入至所述神经网络模型，以输出水尺坐标、水尺的概率以及至少两个关键点的坐标；
根据水尺坐标、水尺的概率以及至少两个关键点的坐标计算得到当前的水位。
具体地，假设所述关键点的数量为两个，两个关键点坐标分别为A坐标是(ax，ay)，B坐标是(bx，by)，p1是水尺的概率，表示检测的物体是水尺的概率是多少，概率越大，代表越像水尺；水尺坐标是(x1，y1；x2，y2)，其中(x1，y1)代表水位线以上左上角坐标(x2，y2)代表水位线以上右下角坐标；
考虑到当检测水尺的概率越大，关键点A、B的y的坐标与水尺的y2坐标越相似，则两者加权可以抵消各种预测的偏差，由于实际水尺比较长，对y2权重比较少，因此水位线值计算如下：
如果p1>0.95，则水位的值＝0.6*(ay+by)/2+0.4*y2
如果p1>0.9，则水位的值＝0.8*(ay+by)/2+0.2*y2
否则，水位的值＝(ay+by)/2。
本发明第三实施例提供一种水位识别设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述处理器用于运行所述计算机程序以实现所述的一种水位识别方法。
本发明第四实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序能够被所述存储介质所在设备的处理器执行，以实现所述的一种水位识别方法。
在本发明实施例所提供的几个实施例中，应该理解到，所提供的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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中。基于这样的理解，本发明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，电子设备或者网络设备等)执行本发明各个实施例所述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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (8)

1.一种水位识别方法，其特征在于，包括：
获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺；
对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标；
以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位；
获取待识别图像；
将所述待识别图像输入至所述神经网络模型，以输出水尺坐标、水尺的概率以及至少两个关键点的坐标；
根据水尺坐标、水尺的概率以及至少两个关键点的坐标计算得到当前的水位；当所述关键点是两个，设关键点坐标分别为A坐标(ax，ay)，B坐标(bx，by)，水尺的概率为p1，水尺坐标是(x1，y1；x2，y2)，其中(x1，y1)代表左上角坐标，(x2，y2)代表右下角坐标；则所述根据水尺坐标、水尺的概率以及至少两个关键点的坐标计算得到当前的水位具体为：
如果p1>0.95，则
水位的值＝0.6*(ay+by)/2+0.4*y2；
如果p1>0.9且小于等于0.95，则
水位的值＝0.8*(ay+by)/2+0.2*y2；
否则
水位的值＝(ay+by)/2。
2.根据权利要求1所述的水位识别方法，其特征在于，所述神经网络模型为轻量级模型；所述轻量级模型通过yolov3 tiny网络模型与MobileNetV2网络模型结合生成。
3.根据权利要求1所述的水位识别方法，其特征在于，所述神经网络模型通过如下方式获得：
通过深度裁剪，用MobileNetV2的网络替代yolov3 tiny模型的主干网络，获得MobileNetV2结合yolov3 tiny分类回归网络模型的神经网络模型。
4.根据权利要求 3所述的水位识别方法，其特征在于，所述MobileNetV2包括17层深度可分离卷积和2层标准卷积；所述深度可分离卷积包括depthwise和pointwise。
5.根据权利要求3所述的水位识别方法，其特征在于，在以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模型之后，还包括：
对训练得到的神经网络模型进行int8量化，使原来的float32bit的卷积操作转换为int8的卷积操作。
6.一种水位识别装置，其特征在于，包括
获取模块，用于获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺；
提取模块，用于对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标；
训练模块，用于以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位；
获取待识别图像；
将所述待识别图像输入至所述神经网络模型，以输出水尺坐标、水尺的概率以及至少两个关键点的坐标；
根据水尺坐标、水尺的概率以及至少两个关键点的坐标计算得到当前的水位；当所述关键点是两个，设关键点坐标分别为A坐标(ax，ay)，B坐标(bx，by)，水尺的概率为p1，水尺坐标是(x1，y1；x2，y2)，其中(x1，y1)代表左上角坐标，(x2，y2)代表右下角坐标；则所述根据水尺坐标、水尺的概率以及至少两个关键点的坐标计算得到当前的水位具体为：
如果p1>0.95，则
则水位的值＝0.6*(ay+by)/2+0.4*y2；
如果p1>0.9且小于等于0.95，则
水位的值＝0.8*(ay+by)/2+0.2*y2；
否则
水位的值＝(ay+by)/2。
7.一种水位识别设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述处理器用于运行所述计算机程序以实现如权利要求1-5任意一项所述的一种水位识别方法。
8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序能够被所述存储介质所在设备的处理器执行，以实现如权利要求1-5任意一项所述的一种水位识别方法。
CN202011435780.4A 2020-12-10 2020-12-10 一种水位识别方法、装置、设备及存储介质 Active CN112465061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011435780.4A CN112465061B (zh) 2020-12-10 2020-12-10 一种水位识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011435780.4A CN112465061B (zh) 2020-12-10 2020-12-10 一种水位识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112465061A CN112465061A (zh) 2021-03-09
CN112465061B true CN112465061B (zh) 2023-03-24

Family

ID=74801188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011435780.4A Active CN112465061B (zh) 2020-12-10 2020-12-10 一种水位识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112465061B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145830A (zh) * 2018-08-24 2019-01-04 浙江大学 一种智能水尺识别方法
CN109815865A (zh) * 2019-01-11 2019-05-28 江河瑞通（北京）技术有限公司 一种基于虚拟水尺的水位识别方法及系统
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145830A (zh) * 2018-08-24 2019-01-04 浙江大学 一种智能水尺识别方法
CN109815865A (zh) * 2019-01-11 2019-05-28 江河瑞通（北京）技术有限公司 一种基于虚拟水尺的水位识别方法及系统
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

Also Published As

Publication number Publication date
CN112465061A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
US10692218B2 (en) Method and system of detecting image tampering, electronic device and storage medium
CN107784276B (zh) 微震事件识别方法和装置
CN109343920B (zh) 一种图像处理方法及其装置、设备和存储介质
CN110929477B (zh) 关键词变体的确定方法和装置
CN111191695A (zh) 一种基于深度学习的网站图片篡改检测方法
JP6892606B2 (ja) 位置特定装置、位置特定方法及びコンピュータプログラム
CN110245132A (zh) 数据异常检测方法、装置、计算机可读存储介质和计算机设备
CN113688837A (zh) 图像脱敏方法、装置、电子设备及计算机可读存储介质
CN113822352B (zh) 基于多特征融合的红外弱小目标检测方法
CN116311214B (zh) 车牌识别方法和装置
CN115861400B (zh) 目标对象检测方法、训练方法、装置以及电子设备
CN116028499B (zh) 检测信息生成方法、电子设备和计算机可读介质
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN112560856B (zh) 车牌检测识别方法、装置、设备及存储介质
CN114332870A (zh) 水位识别方法、装置、设备及可读存储介质
CN112465061B (zh) 一种水位识别方法、装置、设备及存储介质
CN112802034A (zh) 图像分割、识别方法、模型构建方法、装置及电子设备
CN110826488B (zh) 一种针对电子文档的图像识别方法、装置及存储设备
CN116894831A (zh) 聚氨酯材料的检测方法及其系统
CN114022684B (zh) 人体姿态估计方法及装置
CN114445716A (zh) 关键点检测方法、装置、计算机设备、介质及程序产品
CN114117037A (zh) 意图识别方法、装置、设备和存储介质
CN115082916A (zh) 一种场景文本感知的指代表达理解方法、装置及存储介质
CN114240928A (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
CN111368624A (zh) 基于生成对抗网络的回环检测方法和装置

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