CN112862820B - 一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法 - Google Patents
一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法 Download PDFInfo
- Publication number
- CN112862820B CN112862820B CN202110286989.7A CN202110286989A CN112862820B CN 112862820 B CN112862820 B CN 112862820B CN 202110286989 A CN202110286989 A CN 202110286989A CN 112862820 B CN112862820 B CN 112862820B
- Authority
- CN
- China
- Prior art keywords
- pressure measuring
- water depth
- water
- floating ball
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005516 engineering process Methods 0.000 title claims abstract description 15
- 238000007667 floating Methods 0.000 claims description 65
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009530 blood pressure measurement Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims 2
- 230000007797 corrosion Effects 0.000 claims 2
- 230000036962 time dependent Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004619 high density foam Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法,该装置包括过流建筑物,通过多个测压点阵列布置在所述过流建筑物边壁处的多个输水管,连接在所述输水管另一端的测压管,可浮动内置于所述测压管水面的浮球,固定在所述测压管一侧、且用于定点采集测压管群(多个测压管)内浮球运动状态的摄像机,以及与所述摄像机连接的计算机。本发明可自动同步获取多个测压管内的水深随时间的变化过程,迅速得出同一时刻内预定水域的水面变化状态;能计算统计出各测压管水深的最大值、最小值等特征参数,获取的数据更加丰富、全面;对由图像识别模块自动获取多个测压管水深,自动化程度高,可有效避免人为误差,数据可靠。
Description
技术领域
本发明涉及一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法,涉及水动力试验测试技术领域。
背景技术
溢洪道、泄洪洞、导流洞、水垫塘、消力池等过水建筑物是水利水电工程重要组成部分,上述过水建筑物边壁在运行过程中的会承受不同程度的水压力,如果某处水压力超过设计要求,会造成过水建筑物运行异常,甚至产生极大地安全风险,如二滩水电站水垫塘底板因承受了较大的水压力而发生了破坏,对工程安全产生了威胁,也造成了极大的经济损失。因此,在工程建设运行前,常采用水工模型试验的方法研究各过水建筑物的边壁所承受的水压力值。可以说,水压力是水利水电工程模型试验研究中的一项重要指标。
水流对过流建筑物边壁的水压力受水流条件、边壁形状等因素影响,具有非常复杂的特征,不同位置水压力值存在差异,因此,常需要在过流建筑物不同位置布置多个测压点,以全面系统的获取过流建筑物的水压力特征;此外,由于水流的紊动特性,同一测点水压力值还具有随时间变化的特征。因此,在试验研究中,如何准确、全面地获取过流建筑物各测点水压力一直备受关注。根据连通器原理,与各测点连通的测压管水深能较好地反应该测点的水压力值,因此,测压管水深是试验中需要获取的重要参数。
目前,对于测压管水深的获取常根据布置于各测压管处的刻度尺,采用人工读取的方法。该方法存在以下弊端:(1)对于数量不多的测压管比较有效,但是对于大批量(几十、上百个)测压管而言,就需要耗费大量的时间与人力、物力。(2)对于测压管内水深变幅不大的情形适用性好,当测压管内水深变幅较大、变速较快时,该方法适用性极大受限。(3)该方法难以实时、同步获取各测压管内水深随时间的变化序列,这就极大地限制了对过流建筑物压力特征的分析深度。(4)存在人工读数误差,数据准确度不高。不得不说,上述弊端限制了测压管水深的准确、全面描述,阻碍了对过流建筑物水压力参数的深入挖掘与分析。
发明内容
本发明旨在提供一种基于图像识别技术的测压管群水深智能获取装置及方法,自动同步获取多个测压管内水深随时间的变化过程,以降低人工使用成本,消除人工测量误差,从而解决现有技术存在的上述问题。
技术方案:第一方面,提供了一种基于图像识别技术的测压管群水深智能获取装置,该装置包括过流建筑物、输水管、测压管、测压排、浮球、摄像机和计算机;所述过流建筑物为水压力测量对象,边壁布置测压点;所述输水管两端分别连接测压点和测压管;所述测压管为透明玻璃圆管,垂直布置于测压排上,底部与输水管一端连接;所述测压排可同时布置多个测压管;所述浮球置于测压管内部,漂浮于水面并随着水面上下移动。摄像机采用侧拍的方式摄取多个测压排内浮球运动的视频,将视频导入计算机,由图像识别算法对图像进行预处理、自动识别浮球轮廓、同步获取过个测压管水深时间序列。
在第一方面的一些可实现方式中,多个测压管之间相互平行排布并通过测压排固定;多个测压管共同垂直于水平面排布,当水深发生变化时会促使浮球浮动,该浮球浮动的过程会被摄像机捕捉,并由计算机完成对浮球的轮廓识别。
在第一方面的一些可实现方式中,所述测压管为透明玻璃圆管,所述输水管与所述测压管的底部连接,所述浮球与所述测压排的对比度大于预定值;测压排选择白色,浮球采用与测压排对比度高的红色,便于后续图像有效识别。
在第一方面的一些可实现方式中,所述测压排位于在所述摄像机的拍摄范围内;摄像机采用侧视拍摄的方式定点拍摄多个测压管内浮球运动过程的视频;所述计算机与摄像机连接,计算机采用图像识别算法对拍摄的视频中每帧图片中多个浮球轮廓进行识别,并计算浮球中心点坐标,而后获取各测压管内水深随时间的变化过程。
基于第一方面中提及的测压管水深智能获取装置,第二方面提出一种基于图像识别技术的测压管群水深智能获取方法,该方法步骤如下:
步骤1、摄像机标定,获取标定系数r,获取测压排基准线的垂向像素坐标;
步骤2、摄像机拍摄各测压管内浮球运动过程的视频;
步骤3、将摄像机拍摄的视频载入计算机;
步骤4、计算机内的图像识别模块采用图像识别算法依次对视频内每帧图片中多个浮球轮廓进行识别,获取浮球中心坐标,计算得到水深的像素值,并根据标定系数r计算实际水深值;
步骤5、计算机保存识别和计算结果。
在第二方面的一些可实现方式中,步骤4进一步包括:
步骤4-1、将视频分离为系列图像,并依次读取;
步骤4-2、图像预处理,得到二值化图;
步骤4-3、识别各浮球轮廓,计算浮球中心点竖向坐标;
步骤4-4、计算浮球中心点垂向坐标与测压排基准线垂向坐标的差,得到水深的像素值h p;
步骤4-5、将水深像素值乘以标定系数r,得到该实际水深值h t;
步骤4-6、判断当前图片是否为视频最后一帧,若不是,则返回步骤4-1循环计算,否则结束,并统计水深特征值。
在第二方面的一些可实现方式中,步骤4-2中所述的图像预处理进一步包括如下步骤:
步骤4-2a、将每帧图像转换为灰度图,获取灰度图的数值矩阵;
该步骤可根据需要选择分量法、平均法和加权法中的一种;
l 采用分量法获取灰度图的转换公式如下:
l 采用平均法获得灰度图的转换公式如下:
l 采用加权法获得灰度图的转换公式如下:
式中,表示原始RGB通道上的色彩图转换后的灰度图,/>、分别表示红、绿、蓝三个通道的分量图,/>分别表示红、绿、蓝三个分量图的权重,/>
步骤4-2b、对灰度图的数值矩阵进行二值化操作,获取二值化图的数值矩阵:
初始化阈值:
式中,表示图像的最大灰度值,/>表示图像的最小灰度值;
根据阈值将图像分割为前景和背景,并分别求出前景所对应的平均灰度值/>、背景所对应的平均灰度值/>:
式中,各符号含义同上;
步骤4-2c、对二值化图的数值矩阵进行开操作,消除噪点,对浮球轮廓的裂隙进行融合,更新二值化图的数值矩阵。
在第二方面的一些可实现方式中,步骤4-2a中灰度图的数值矩阵为对R、G、B三色的数值矩阵求平均得到的数值矩阵;步骤4-2b中二值化图的数值矩阵中浮球区域像素值为255,其余区域像素值为0。
第三方面,提出一种控制系统,该控制系统用于控制第一方面所述的测压管水深智能获取装置,控制系统包括通过通信线缆连接摄像机和计算机的中控机,处理器,以及存储有计算机程序指令的存储器;所述处理器读取并执行所述计算机程序指令,以实现如第二方面所述的水深智能获取方法。
第四方面,提出一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如第二方面所述的水深智能获取方法。
有益效果:
(1)本发明可同步获取多个测压管内的水深,从而迅速得出同一时刻内多个测压点位的水压力状态,大大提高了数据采集速度,极大地节约时间与经济成本,提高试验效率;
(2)本发明可获取测压管内水深随时间的变化过程,且能统计出水深的最大值、最小值等特征参数,获取的数据更加丰富,全面;
(3)本发明由图像识别模块自动获取多个测压管水深,自动化程度高,可有效避免人为误差,数据可靠。
附图说明
图1为本发明实施例的结构示意图。
图2为本发明实施例的方法流程图。
图3为本发明实施例的图像识别算法的流程图。
图4为本发明采用实施例相机拍摄的测压管某一帧影像。
图5为本发明采用实施例识别的8个测压管内某一瞬间浮球位置及对应水深。
图6为本发明采用实施例识别的8个测压管水深随时间变化过程。
图中各附图标记为:水垫塘1;输水管2;测压管3;测压排4;浮球5;摄像机6;计算机7;当前帧数A;总帧数B;各测压管最大水深C;各测压管实时水深D;各测压管最小水深E。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
实施例一:
参见图1,本实施例提出的基于图像识别技术的测压管群水深智能获取装置包括水垫塘1、输水管2、测压管3、测压排4、浮球5、摄像机6和计算机7;本实施例的水垫塘底部布置多个测压点;所述输水管2一端与水垫塘测压点连接,另一端与测压管3底部连接;测压管3垂直布置于测压排4,测压排背景为纯白色;浮球5漂浮于各测压管内水面处;摄像机6设置在测压排侧面,采用侧视拍摄的方式定点拍摄片多个测压管内浮球运动过程;计算机7与摄像机6连接,计算机采用图像识别算法依次对摄像机6拍摄的视频的每帧图片中浮球轮廓进行识别,并计算水深的时间序列以及特征水深。
本实施例的测压管3的材质为透明玻璃圆管,高度为2m,内径为1.2cm;测压排4为纯白色背景,面积为2m(高)×3m(宽);浮球5为高密度泡沫,粒径为0.6cm,颜色为红色;摄像机6采用索尼FDR-AX45彩色摄像机。
本实施例的一种基于图像识别技术的测压管群水深智能获取装置利用摄像机6摄取多个浮球运动的视频,将视频导入计算机,图像识别算法对每帧图像进行预处理、自动识别浮球轮廓、同步获取多个测压管水深时间序列。
实施例二:
本实施例基于实施例一中提及的基于图像识别技术的测压管群水深智能获取装置,提出多个测压管水深智能获取方法,应用于陕西泾河东庄水利枢纽水工模型试验研究,对模型试验过程中水垫塘底板多个测压管水深进行了智能获取,包括以下流程,见图2:
步骤1、摄像机6标定,获取标定系数r;标定系数r为采集区实际长度除以像素长度;本实施例的r=0.00185(实际高度为2m,对应像素长度为1080),得到测压排基准线垂向像素坐标为122;
步骤2、摄像机6拍摄浮球运动视频;视频像素为1080×960(宽×高),帧率为30HZ,拍摄时间为33.1秒,共获得993帧图像,第582帧原始图像见图4;
步骤3、拍摄结束后,将摄像机6拍摄的视频载入计算机7;
步骤4、计算机内的图像识别模块采用图像识别算法依次对视频内每帧图片中浮球的轮廓进行识别,获取浮球中心点像素竖向坐标,减去测压排像素纵坐标得到水深的像素值,并根据标定系数r计算实际水深;
步骤5、计算机保存识别和计算结果。
见图3,所述的步骤4的图像识别算法为:
(1)、将视频分离为系列图像;
(2)、图像预处理,得到二值化图;
所述的图像预处理包括:
a、将每帧图像转换为灰度图,获取灰度图的数值矩阵;
b、对灰度图的数值矩阵进行二值化操作,获取二值化图的数值矩阵;
c、对二值化图的数值矩阵进行开操作,消除小的噪点,对浮球轮廓存在的小裂隙进行融合,更新二值化图的数值矩阵;
所述的步骤a中灰度图的数值矩阵为对RGB三色的数值矩阵采用分量法,选取绿色通道灰度图的数值矩阵;所述的步骤b中二值化图的数值矩阵中浮球区域像素值为255,其余区域像素值为0;
(3)、采用findContours函数识别各浮球轮廓,采用circle函数计算各浮球中心点竖向坐标,见图5;
(4)、计算浮球中心点竖向坐标与测压排基准竖向坐标的差,得到水深的像素值h p;
(5)、将水深像素值乘以标定系数r,得到该实际水深值h t,各测压管实时水深见图5;
(6)、判断当前图片是否为视频最后一帧,若不是,则返回步骤(1)循环计算,否则结束,并输出特征水深,特征水深见图5。输出的各测压管水深变化过程如图6所示。
实施例三:
在上述实施例二的基础之上,步骤4具体如下:
步骤4-1、将视频分离为系列图像,并依次读取;
步骤4-2、图像预处理,得到二值化图;
步骤4-3、识别各浮球轮廓,计算浮球中心点竖向坐标;
步骤4-4、计算浮球中心点垂向坐标与测压排基准线垂向坐标的差,得到水深的像素值h p;
步骤4-5、将水深像素值乘以标定系数r,得到该实际水深值h t;
步骤4-6、判断当前图片是否为视频最后一帧,若不是,则返回步骤4-1循环计算,否则结束,并统计水深特征值。
实施例四:
在上述实施例三的基础之上,图像预处理的过程如下:
步骤4-2a、将每帧图像转换为灰度图,获取灰度图的数值矩阵;
该步骤可根据需要选择分量法、平均法和加权法中的一种;
l 采用分量法获取灰度图的转换公式如下:
l 采用平均法获得灰度图的转换公式如下:
l 采用加权法获得灰度图的转换公式如下:
式中,表示原始RGB通道上的色彩图转换后的灰度图,/>、分别表示红、绿、蓝三个通道的分量图,/>分别表示红、绿、蓝三个分量图的权重,/>
步骤4-2b、对灰度图的数值矩阵进行二值化操作,获取二值化图的数值矩阵:
初始化阈值:
式中,表示图像的最大灰度值,/>表示图像的最小灰度值;
根据阈值将图像分割为前景和背景,并分别求出前景所对应的平均灰度值/>、背景所对应的平均灰度值/>:
式中,各符号含义同上;
步骤4-2c、对二值化图的数值矩阵进行开操作,消除噪点,对浮球轮廓的裂隙进行融合,更新二值化图的数值矩阵。
步骤4-2a中灰度图的数值矩阵为对R、G、B三色的数值矩阵求平均得到的数值矩阵;步骤4-2b中二值化图的数值矩阵中浮球区域像素值为255,其余区域像素值为0。
综上所述,本发明将图像识别技术应用于水动力试验研究,提出一种基于图像识别技术的测压管群水深智能获取装置及方法。摄像机6采用侧拍的方式摄取多个测压排内浮球运动的视频,将视频导入计算机,由图像识别算法对图像进行预处理、自动识别浮球轮廓、同步获取过个测压管水深时间序列。本发明克服了现有测压排水深获取方法的诸多弊端,使用方法简便,数据可靠、丰富,自动化程度高,可广泛推广于流体力学试验测试领域。
以上具体实施方式及实施例是对本发明提出的一种基于图像识别技术的测压管群水深智能获取装置技术思想的具体支持,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在本技术方案基础上所做的任何等同变化或等效的改动,均仍属于本发明技术方案保护的范围。
Claims (3)
1.一种基于图像识别技术的测压管群水深智能获取方法,其特征在于,所述测压管群水深智能获取方法基于测压管群水深智能获取装置以实现;
所述测压管群水深智能获取装置包括过流建筑物、输水管、测压管、测压排、浮球、摄像机和计算机;所述过流建筑物为水压力测量对象,边壁布置测压点;所述输水管两端分别连接测压点和测压管;所述测压管为透明玻璃圆管,垂直布置于测压排上,底部与输水管一端连接;所述测压排同时布置多个测压管;所述浮球置于测压管内部,漂浮于水面并随着水面上下移动;摄像机采用侧拍的方式摄取多个测压排内浮球运动的视频,将视频导入计算机,由图像识别算法对图像进行预处理、自动识别浮球轮廓、同步获取多个测压管水深时间序列;
多个测压管之间相互平行排布并通过测压排固定;多个测压管共同垂直于水平面排布;当水深发生变化时会促使浮球浮动,该浮球浮动的过程会被摄像机捕捉,并由计算机完成对浮球的轮廓识别;
所述测压管为透明玻璃圆管,所述输水管与所述测压管的底部连接,所述测压排选择白色,浮球采用红色;
所述测压排容纳在所述摄像机的拍摄范围内,所述摄像机与所述测压排的倾角在预定范围内;所述摄像机采用侧视拍摄的方式定点拍摄多个测压管内浮球运动过程的视频;所述计算机与摄像机连接,计算机采用图像识别算法对拍摄的视频中每帧图片中多个浮球轮廓进行识别,并计算浮球中心点坐标,而后获取各测压管内水深随时间的变化过程;
所述测压管群水深智能获取方法包括如下步骤:
步骤1、摄像机标定,获取标定系数r,获取测压排基准线像素垂向坐标;
步骤2、摄像机拍摄各测压管内浮球运动过程的视频;
步骤3、将摄像机拍摄的视频载入计算机;
步骤4、计算机内的图像识别模块采用图像识别算法依次对视频内每帧图片中多个浮球轮廓进行识别,获取浮球中心坐标,计算得到水深的像素值,并根据标定系数r计算实际水深值;
步骤4-1、将视频分离为系列图像,并依次读取;
步骤4-2、图像预处理,得到二值化图;
步骤4-2a、将每帧图像转换为灰度图,获取灰度图的数值矩阵,该步骤根据需要选择分量法、平均法和加权法中的一种;
采用分量法获取灰度图的转换公式如下:
;
采用平均法获得灰度图的转换公式如下:
;
采用加权法获得灰度图的转换公式如下:
;
式中,表示原始RGB通道上的色彩图转换后的灰度图,/>、/>分别表示红、绿、蓝三个通道的分量图,/>分别表示红、绿、蓝三个分量图的权重,;
步骤4-2b、对灰度图的数值矩阵进行二值化操作,获取二值化图的数值矩阵:
初始化阈值:
;
式中,表示图像的最大灰度值,/>表示图像的最小灰度值;
根据阈值将图像分割为前景和背景,并分别求出前景所对应的平均灰度值/>、背景所对应的平均灰度值/>:
;
;
式中,各符号含义同上;
步骤4-2c、对二值化图的数值矩阵进行开操作,消除噪点,对浮球轮廓的裂隙进行融合,更新二值化图的数值矩阵;
开操作具体包括腐蚀操作和膨胀操作;
B对A的腐蚀操作定义为:
;
B对A的膨胀操作定义为:
;
式中,A表示二值化图;B表示卷积核;
步骤4-3、识别各浮球轮廓,计算浮球中心点竖向坐标;
步骤4-4、计算浮球中心点竖向坐标与测压排基准线垂向坐标的差,得到水深的像素值hp;
步骤4-5、将水深像素值乘以标定系数r,得到该实际水深值ht;
步骤4-6、判断当前图片是否为视频最后一帧,若不是,则返回步骤4-1循环计算,否则结束,并统计水深特征值;
步骤5、计算机保存识别和计算结果。
2.根据权利要求1所述的一种基于图像识别技术的测压管群水深智能获取方法,其特征在于,步骤4-2a中灰度图的数值矩阵为对R、G、B三色的数值矩阵求平均得到的数值矩阵;步骤4-2b中二值化图的数值矩阵中浮球区域像素值为255,其余区域像素值为0。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1所述的水深智能获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286989.7A CN112862820B (zh) | 2021-03-17 | 2021-03-17 | 一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286989.7A CN112862820B (zh) | 2021-03-17 | 2021-03-17 | 一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862820A CN112862820A (zh) | 2021-05-28 |
CN112862820B true CN112862820B (zh) | 2023-12-29 |
Family
ID=75995100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110286989.7A Active CN112862820B (zh) | 2021-03-17 | 2021-03-17 | 一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862820B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201707198U (zh) * | 2010-05-28 | 2011-01-12 | 中国地质大学(武汉) | 用于二维水动力弥散实验中的测压管数据自动采集仪 |
JP2011080859A (ja) * | 2009-10-07 | 2011-04-21 | Nippon Telegr & Teleph Corp <Ntt> | 水面境界線検知装置、水面境界線検知方法及び水面境界線検知プログラム |
CN202158922U (zh) * | 2011-04-28 | 2012-03-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水工模型中测量动水压强的设备 |
CN103528748A (zh) * | 2013-10-22 | 2014-01-22 | 清华大学 | 一种浑水压强测量装置 |
CN109443476A (zh) * | 2018-10-17 | 2019-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水位波动过程非接触量测装置及方法 |
CN109489628A (zh) * | 2018-11-22 | 2019-03-19 | 南京理工大学 | 一种基于图像识别的静力水准仪自动测量装置及测量方法 |
CN111476120A (zh) * | 2020-03-26 | 2020-07-31 | 长江大学 | 一种无人机智能船舶水尺识别方法及装置 |
CN111521245A (zh) * | 2020-07-06 | 2020-08-11 | 华夏天信(北京)智能低碳技术研究院有限公司 | 基于视觉分析的液位控制方法 |
CN111721361A (zh) * | 2020-06-29 | 2020-09-29 | 杭州鲁尔物联科技有限公司 | 一种堤防监测系统、方法及设备 |
CN112381067A (zh) * | 2020-12-21 | 2021-02-19 | 赵如月 | 基于固定视口的图像水位智能识别方法 |
-
2021
- 2021-03-17 CN CN202110286989.7A patent/CN112862820B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011080859A (ja) * | 2009-10-07 | 2011-04-21 | Nippon Telegr & Teleph Corp <Ntt> | 水面境界線検知装置、水面境界線検知方法及び水面境界線検知プログラム |
CN201707198U (zh) * | 2010-05-28 | 2011-01-12 | 中国地质大学(武汉) | 用于二维水动力弥散实验中的测压管数据自动采集仪 |
CN202158922U (zh) * | 2011-04-28 | 2012-03-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水工模型中测量动水压强的设备 |
CN103528748A (zh) * | 2013-10-22 | 2014-01-22 | 清华大学 | 一种浑水压强测量装置 |
CN109443476A (zh) * | 2018-10-17 | 2019-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水位波动过程非接触量测装置及方法 |
CN109489628A (zh) * | 2018-11-22 | 2019-03-19 | 南京理工大学 | 一种基于图像识别的静力水准仪自动测量装置及测量方法 |
CN111476120A (zh) * | 2020-03-26 | 2020-07-31 | 长江大学 | 一种无人机智能船舶水尺识别方法及装置 |
CN111721361A (zh) * | 2020-06-29 | 2020-09-29 | 杭州鲁尔物联科技有限公司 | 一种堤防监测系统、方法及设备 |
CN111521245A (zh) * | 2020-07-06 | 2020-08-11 | 华夏天信(北京)智能低碳技术研究院有限公司 | 基于视觉分析的液位控制方法 |
CN112381067A (zh) * | 2020-12-21 | 2021-02-19 | 赵如月 | 基于固定视口的图像水位智能识别方法 |
Non-Patent Citations (3)
Title |
---|
张晶.《数字图像处理应用研究》.长春:吉林大学出版社 ,2019,第95-100页. * |
陆玲等.《数字图像处理方法及程序设计》.哈尔滨工程大学出版社,2011,第15-21页. * |
靳国旺等.《雷达摄影测量》.北京:测绘出版社,2015,第58页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112862820A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
CN110472636B (zh) | 基于深度学习的水尺e字形刻度识别方法 | |
CN111104860B (zh) | 一种基于机器视觉的无人机水质色度监测方法 | |
CN108921165B (zh) | 基于水尺图像的水位识别方法 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN110210608A (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
CN112215125A (zh) | 一种基于YOLOv3的水位识别方法 | |
CN113239830A (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN116258722B (zh) | 基于图像处理的桥梁建筑智能检测方法 | |
CN115170570A (zh) | 基于灰度游程矩阵的织物起毛起球检测方法 | |
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 | |
CN112862820B (zh) | 一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法 | |
CN112884731B (zh) | 一种基于机器视觉的水位检测方法及河道监测方法 | |
CN112085725A (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
CN116309387A (zh) | 一种基于深度学习的核安全壳裂缝检测方法及系统 | |
CN115984687A (zh) | 河工动床模型试验水边界测量方法、装置、设备及介质 | |
CN114419443A (zh) | 一种遥感影像耕地地块自动提取方法及系统 | |
CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
CN116222693B (zh) | 一种基于水尺倒影的天然河道水位自动监测方法 | |
CN104424639B (zh) | 基于形态学腐蚀的叶柄与叶片分割方法 | |
CN110176003A (zh) | 基于交比图像量测技术检测建筑物表面损伤面积的方法 | |
CN109741401A (zh) | 一种基于图像恢复的用于导管架水下安装在线测量方法 | |
CN116109869B (zh) | 一种基于水岸图像匹配的库水位变动识别方法及装置 | |
CN115983141B (zh) | 一种基于深度学习反演海浪波高的方法、介质及系统 |
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 |