CN112556795A - 一种基于深度学习的水位高度测量系统 - Google Patents

Abstract

本发明公开一种基于深度学习的水位高度测量系统，其特征在于，包含三个模块：1、水位尺模块，水位尺模块由浮子、刻度板、连接杆和立杆组成。刻度板安装在构筑物上，浮子固定于刻度板附近，浮子中间开一个通道与立杆串在一起，立杆通过连接杆固定在刻度板旁边；2、图像采集模块，刻度板上端口正前方设置一摄像机，用于采集水位尺的水面图像，采集到的水位尺图像通过网络传输到网络服务器；3、图像处理模块，图像处理模块预置神经网络算法，用于识别红色小球位置，再通过红色小球位置计算出水位高度。本发明可以实现全自动的城市内涝和河流，水库水位实时监测，并且水位尺的抗环境影响能力强，可以满足恶劣天气下的水位监测，消除了刻度板倒影对水位识别的不利影响。

Description

一种基于深度学习的水位高度测量系统

技术领域

本发明涉及一种基于深度学习的水位高度测量系统，属于水位监测领域。

背景技术

目前，水资源和水安全问题己经成为影响社会、经济和生态发展的重要因素之一，其中，水位数据是可以反映这些问题的非常关键的水文资料。

水位站检测水位的方法有许多种，人工测量水位时需要考虑监测人员的人身安全问题，而且数据实时性较差；目前的自动监测方面存在一种在现场安装的水位检测仪,因为受到光线的干扰水面形成倒影而无法正确识别水位高度。另一种是安装图像水位尺和对准该水位尺的摄像头，通过摄像头采集水位尺的图像,再通过无线或有线的方式传输后由计算机识别，此方法也存在光线的干扰在水面形成倒影而无法正确识别水位高度的问题。

随着科技的发展，这些传统的水位测量方式被自动智能监测水位方式取代是必然趋势。基于此，本文综合利用图像识别技术，设计开发了一种基于深度学习的水位高度测量系统，利用图像识别技术对水位尺图像进行处理，计算出水位高度。水位尺由一个浮子与一块刻度板组成，巧妙地将识别刻度板刻度的问题转化为识别红色小球位置的问题。通过网络将采集到的水位尺图片传送到网络服务器，再通过卷积神经网络识别出小球位置并计算出水位高度，从而可以实现水位的远程实时自动监测，也解决了由于水位尺倒影对水位高度识别不利影响的问题。

发明内容

针对背景技术所阐述的现有技术的不足，现提供一种基于深度学习的水位高度测量系统。一种基于深度学习的水位高度测量的水位尺，包括：浮子、刻度板、连接杆和立杆。浮子由一个硬塑料圆柱与红色小球组成，红色小球固定在硬塑料圆柱上，浮子串在立杆上，立杆与刻度板通过连接杆连接；刻度板的正面作为摄像机获取图像的测量面。

进一步的，所述浮子的整个硬塑料圆柱体的排水质量与浮子的质量相等，因此该浮子能够保持红色小球与水面相切，在识别水位时只需要识别红色小球位置即可知推算出水位高度。立杆穿过浮子的中心，并且保证浮子中心开孔足够大，能够忽略立杆与浮子之间的摩擦进而使水位测量更加具有可靠性；浮子通过连接杆固定在刻度板旁。

一种基于深度学习的水位高度测量系统，其技术方案为包括水位尺模块、图像采集模块、图像处理模块。水位尺模块，所述刻度板安装在需要监测的地点并且与地面垂直设置，其下端进入水面，顶端使用水准仪打出高程；图像采集模块,用于对水位尺进行拍照并且传输到网络服务器；图像处理模块,用于接收发送的水位尺图像,存储到网络服务器中并且对水位尺的图像进行图像识别,通过卷积神经网络提取水位尺图像中红色小球的位置,并将结果存储到网络服务器中。进一步的，图像采集模块选用摄像机，其拍摄中心线与刻度板表面垂线的夹角不超过±60度。

一种基于计算机图像识别的水位监测方法，其技术方案为：

步骤1：将刻度板安装到需要监测的地点；刻度板顶端用水准仪打出高程。

步骤2：图像采集模块对水位尺进行拍照。

步骤3：将拍照获取的水位尺图像通过网络发送上传到网络服务器。

步骤4：图像处理模块接收发送的水位尺图像,并存储到网络服务器上，再对水位尺的图像进行图像识别,通过卷积神经网络识别水位尺中红色小球的位置，已知小球直径为d，小球腰部过圆心的水平线相对应在刻度板上完整的E总数m，不完整的E占完整E的比值为n，刻度板顶端通过水准仪打出的高程h；最终的水位读数x=h-d/2-5（m+n）并将结果存储到网络服务器的数据库中。

步骤5：根据得到的水位读数，进行实时的监测报警。

本发明的有益效果：通过该发明可以实现全自动的城市内涝和河流，水库水位实时监测；水位尺的抗环境影响能力强，可以满足恶劣天气下的监测，并且通过该发明可以消除刻度板倒影对水位识别所带来的不利影响。

附图说明

图1为本发明的水位尺安装示意图；

图2为本发明的水位尺主视图；

图3为本发明的水位尺侧视图；

图4为本发明的水位尺俯视图；

图5为本发明的水位尺大样图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发一种基于深度学习的水位高度测量系统，包括硬塑料圆柱体(1)、红色小球(2)、立杆(3)、连接杆(4)、构筑物(5)、刻度板(6)、水平面(7)、摄像机(8)、网络服务器(9)；

浮子由硬塑料圆柱体(1)和红色小球(2)组成，已知硬塑料圆柱体(1)体积为V，硬塑料圆柱体与红色小球质量为M，则只需要保证M=ρV便可以保证红色小球下端与水面相切；

水位尺模块包括硬塑料圆柱体(1)、红色小球(2)、立杆(3)、连接杆(4)、刻度板(6)，所述刻度板安装在需要监测的地点并且与地面垂直设置，其顶端使用水准仪打出高程；

图像采集模块包括摄像机(8)，用于对水位尺进行拍照并且将水位尺图像上传给网络服务器(9)；

图像处理模块包括云端(9)，用于接收发送的水位尺的图像,存储到网络服务器(9)中并且对水位尺的图像进行图像识别,通过卷积神经网络提取图像红色小球(2)的位置,并将结果存储到网络服务器(9)的数据库中。

其中，一种基于深度学习的水位高度测量系统的水位尺，其技术方案如下：包括硬塑料圆柱(1)、红色小球(2)、立杆(3)，连接杆(4)和刻度板(6)，刻度板(6)朝向摄像机(8)作为获取图像的测量面，背向摄像机(8)的另一面称作安装面；

如附图1所示，刻度板(6)垂直下半部分插入水中，上半部分露出水面。其顶端用水准仪打出高程。摄像机(8)正对刻度板(6)的测量面，其拍摄中心线与刻度板(6)表面垂线的夹角不超过±60度。具体的测量方法如下：

步骤1将刻度板(6)、硬塑料圆柱体(1)和红色小球(2)安装到需要监测的地点；刻度板(6)顶端用水准仪打出高程；

步骤2图像采集模块对刻度板(6)、红色小球(2)进行拍照；

步骤3将拍照获取的水位尺的图像通过网络发送上传到网络服务器(9);

步骤4图像处理模块接收发送的水位尺图像,并存储到网络服务器(9)上，再对水位尺的图像进行图像识别,通过卷积神经网络识别红色小球(2)位置，已知小球直径为d，红色小球(2)腰部过圆心的水平线相对应在刻度板(6)上完整的E总数m，不完整的E占完整E的比值为n，刻度板(6)顶端通过水准仪打出的高程h；最终的水位读数x=h-d/2-5（m+n）并将结果存储到网络服务器(9)的数据库中；

步骤5、根据得到的水位读数，进行实时的监测报警。

本发明仅需要一个水位尺，可以快速到要监测地点布设水位尺,在刻度板(6)对面布设摄像机(8)，并通过网络传输到网络服务器(9),由网络服务器(9)接收,经图像识别后显示和应用，区别于目前的自动监测水位尺与识别方法，计算机对于此类水位尺的识别精度要求高，传统的水位尺在受自然因素影响以及在恶劣天气环境中便难以保持拍摄图像的稳定使计算机难以识别，基于深度学习的水位高度测量系统便解决了这个问题，整个刻度板(6)上无任何文字，只有旁边的红色小球(2)。本实施例中，红色小球(2)标准直径0.2m，只需识别红色小球(2)腰部过圆心的水平线相对应在刻度板(6)上完整的E总数m，不完整的E占完整E的比值为n，刻度板(6)顶端到红色小球(2)腰部直径处距离为a，刻度板(6)顶端通过水准仪打出的高程h，最终的水位读数x=h-0.1-5(m+n)。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (12)

1.一种基于深度学习的水位高度测量系统，其特征在于：包括硬塑料圆柱体(1)、红色小球(2)、立杆(3)、连接杆(4)、构筑物(5)、刻度板(6)、水平面(7)、摄像机(8)、网络服务器(9)共9个部分组成；其中：硬塑料圆柱体(1)和红色小球(2)组成浮子，红色小球(2)与水平面(7)面相切；浮子通过立杆（3）、连接杆(4)与刻度板(6)连接，连接杆（4）与水平面（7）平行；刻度板(6)安装在构筑物(5)上；刻度板(6)下半部分插到水平面(7)以下，上半部分露出水平面(7)，其顶端用水准仪打出高程；摄像机(8)正对刻度板(6)的测量面，其拍摄中心线与刻度板(6)表面垂线的夹角不超过±60度；摄像机(8)拍摄的红色小球(2)与刻度板(6)的图像通过网络传送给网络服务器(9)，网络服务器（9）内置卷积神经网络算法。

2.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：包括依次连接设置的水位尺模块、图像采集模块、图像处理模块。

3.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：水位尺模块包括一个硬塑料圆柱体(1)，一个红色小球(2)，一根立杆(3)，一对连接杆(4)和一个刻度板(6)。

4.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：硬塑料圆柱体(1)和红色小球(2)组成浮子；其中：红色小球（2）通过球心在竖直方向上形成半径适宜的圆柱孔，硬塑料圆柱体（1）中心形成相同半径的镂空圆柱孔，立杆（3）从硬塑料圆柱体（1）和红色小球（2）上的圆柱孔中穿过，不接触；硬塑料圆柱体（1）上表面圆柱孔对准红色小球（2）下表面圆柱孔，通过结构胶使硬塑料圆柱体（1）安装在红色小球（2）下表面，为红色小球（2）提供浮力。

5.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：已知硬塑料圆柱体(1)体积为V，硬塑料圆柱体(1)密度为ρ，硬塑料圆柱体(1)与红色小球(2)组成的浮子质量为M，则只需要保证M=ρV就可以保持红色小球(2)与水(7)面相切。

6.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：立杆（3）上部通过焊接与水平面（7）上的连接杆（4）连接，立杆（3）下部通过焊接与水平面（7）下的连接杆（4）连接，立杆（3）与水平面（7）保持垂直状态。

7.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：水平面（7）上的连接杆（4）通过焊接与刻度板（6）的上表面连接在一起，同理，水平面（7）下的连接杆（4）通过焊接与刻度板（6）的下表面连接在一起，连接杆（4）与水平面（7）平行。

8.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：刻度板（6）通过焊接与构筑物（5）连接，其中刻度板（6）的上下表面与水平面（7）平行，刻度板（6）与连接杆（4）、立杆（3）构成一个框架整体，通过焊接方式可以保证框架整体在水流中的稳定性。

9.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：图像采集模块包括一个摄像机(8)，固定于刻度板(6)正前方，其拍摄中心线与刻度板(6)表面垂线的夹角不超过±60度，避免在拍摄过程中，因角度过大而导致拍摄出来的水位尺图像产生严重畸变，影响判断结果。

10.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：图像采集模块将摄像机（8）拍摄获取到的水位尺图像发送上传到网络服务器(9)。

11.根据权利要求1所述的一种基于深度学习的水位高度测量系统，其特征在于：图像处理模块包括网络服务器(9)，其作用在于接收发送水位尺的图像,并通过预置的卷积神经网络算法来提取图像中红色小球(2)的位置并计算出水位高度，再将图像处理后的数据保存到网络服务器（9）的数据库中，便于用户查询。

12.根据权利要求1所述一种基于深度学习的水位高度测量系统，其特征在于：包括如下步骤：

步骤1：将刻度板(6)、硬塑料圆柱体(1)和红色小球(2)安装到需要监测的地点；刻度板(6)顶端用水准仪打出高程；

步骤2：图像采集模块对刻度板(6)、红色小球(2)进行拍照；

步骤3：将拍照获取的水位尺图像发送上传到网络服务器(9)；

步骤4：图像处理模块接收发送的刻度板(6)与红色小球(2)的图像,并存储到网络服务器(9)上，再对刻度板(6)和红色小球(2)的图像进行图像识别,通过卷积神经网络识别红色小球(2)位置，已知小球直径为d，红色小球(2)腰部过圆心的水平线相对应在刻度板(6)上完整的E总数m，不完整的E占完整E的比值为n，刻度板(6)顶端通过水准仪打出的高程h；最终的水位读数x=h-d/2-5（m+n）并将结果存储到网络服务器（9）中；

步骤5：根据得到的水位读数，若水位读数超过网络服务器（9）设定的阈值，则进行实时的监测报警。

Images