CN113435442A - 水位测量方法、装置、水尺及电子设备 - Google Patents

水位测量方法、装置、水尺及电子设备 Download PDF

Info

Publication number
CN113435442A
CN113435442A CN202110494750.9A CN202110494750A CN113435442A CN 113435442 A CN113435442 A CN 113435442A CN 202110494750 A CN202110494750 A CN 202110494750A CN 113435442 A CN113435442 A CN 113435442A
Authority
CN
China
Prior art keywords
water gauge
water
image
position frame
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.)
Granted
Application number
CN202110494750.9A
Other languages
English (en)
Other versions
CN113435442B (zh
Inventor
夏平
王峰
任强
雷帮军
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.)
Hubei Jiugan Technology Co ltd
Original Assignee
Hubei Jiugan Technology Co ltd
China Three Gorges University CTGU
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 Hubei Jiugan Technology Co ltd, China Three Gorges University CTGU filed Critical Hubei Jiugan Technology Co ltd
Priority to CN202110494750.9A priority Critical patent/CN113435442B/zh
Publication of CN113435442A publication Critical patent/CN113435442A/zh
Application granted granted Critical
Publication of CN113435442B publication Critical patent/CN113435442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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 Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

本发明提供一种水位测量方法、装置、水尺及电子设备，水位测量方法包括：将水尺图像输入水尺位置识别模型，得到带有水尺位置框的图像；基于带有水尺位置框的图像，得到水尺位置框截图；将水尺位置框截图输入水尺分割模型，得到水尺头部图像和水尺测量部图像；基于水尺头部图像和水尺测量部图像，得到水尺信息和水位数据；水尺位置识别模型为以水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签训练得到；水尺分割模型为以水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签训练得到。本发明提供的水位测量方法可实现水位的自动测量，并提高测量的实时性，准确性和全面性。

Description

水位测量方法、装置、水尺及电子设备
技术领域
本发明涉及水位测量技术领域，尤其涉及一种水位测量方法、装置、水尺及电子设备。
背景技术
我国江河湖泊分布广泛，而水尺作为测量水位的标尺，在我国水利监测领域发挥着重要的作用，可用于观测地下水位和海洋潮汐水位的变化，其测量出的水位数值也可作为长江航道维护的重要参考指标，并指导过往船只合理载配，安全通行。在我国现有的数字航道条件下，自动水位站自动采集水位方式逐步取代人工观读方式，自动水位站采用气泡式水位计。但由于水温、水密和水位大幅变化，会打破气管压力与水位之间的平衡关系，从而影响水位采集的准确性。因此，目前通过人工观读水尺的水位与自动水位站采集的水位进行比测，是提高自动水位站采集水位准确率的最有效方法。
传统水尺水位测量方法通过将人工观读的水位与自动水位站采集的水位进行比测，从而获取最终水位。该方法一般分为观读、查阅水尺编号对应的水尺零点高程、计算水位和水位比测四个步骤。其中，水位观读采用多次观读水尺，一般在三分钟内完成，将多次观读结果中出现频率最高的水位观读结果作为最终观读数据；然后根据水尺桩的编号查询水尺桩的零点高程，将最终观读数据和零点高程相加，计算得出最终观读水位；最后将最终观读水位与自动水位站实时采集的水位进行比对，若两者之间的误差在预设范围内，如小于5厘米，则将人工观读水位作为正确水位，否则将自动水位站采集的水位作为正确水位。比测的频率越高水位数据越准确，每次比测需要专业人员到现场观读，个别航道处辖区水位配布比较密，工作量较大，由于需要人工进行计算，容易出错。
发明内容
本发明提供一种水位测量方法、装置、水尺及电子设备，可以实现水位的自动测量，并且提高水位测量的实时性，准确性和全面性。
本发明提供一种水位测量方法，水位测量方法包括：
将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像；
基于所述带有水尺位置框的图像，得到水尺位置框截图；
将所述水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像；
基于所述水尺头部图像和所述水尺测量部图像，得到水尺信息和水位数据；
其中，所述水尺位置识别模型为，以所述水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到；
所述水尺分割模型为，以所述水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
根据本发明提供的水位测量方法，所述基于所述水尺头部图像和所述水尺测量部图像，得到水尺信息和水位数据，包括：
基于所述水尺头部图像，在模板数据库中查询得到所述水尺信息；其中，所述模板数据库中包含有水尺头部与水尺信息的对应关系；
基于所述水尺测量部图像中的图案几何特征以及水平面位置，得到所述水位数据。
根据本发明提供的水位测量方法，所述基于所述水尺测量部图像中的图案几何特征以及水平面位置，得到所述水位数据，包括：
对所述水尺测量部图像进行边缘检测，获取水尺测量部图像图案中的多个目标关键点坐标；
基于所述多个目标关键点坐标，得到目标关键线段长度；
基于所述目标关键线段长度以及所述水平面位置，得到所述水位数据。
根据本发明提供的水位测量方法，还包括：
在得到所述带有水尺位置框的图像的情况下，对所述水尺位置框进行倾斜校正处理。
根据本发明提供的水位测量方法，所述对所述水尺位置框进行倾斜校正处理，包括：
基于所述水尺位置框与所述水尺测量部图像的竖直边之间的位置关系，得到所述水尺位置框的倾斜角度；
基于所述倾斜角度，对所述水尺位置框进行倾斜校正处理。
根据本发明提供的水位测量方法，还包括：
在得到所述水尺位置框截图的情况下，滤除所述水尺位置框截图的噪声。
本发明还提供一种水位测量装置，水位测量装置包括：
位置识别模块，用于将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像；
位置框截图模块，用于基于所述带有水尺位置框的图像，得到水尺位置框截图；
截图分割模块，用于将所述水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像；
水位数据获取模块，用于基于所述水尺头部图像和所述水尺测量部图像，得到水尺信息和水位数据；
其中，所述水尺位置识别模型为，以所述水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到；
所述水尺分割模型为，以所述水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
本发明还提供一种水尺，所述水尺应用于如上述任一种所述的水位测量方法中，所述水尺包括水尺头部，以及与所述水尺头部固定连接的水尺测量部；
所述水尺头部的表面设置有并排的多个条纹，且所述多个条纹包括颜色不同的两类条纹；
所述水尺测量部的表面设置有规则几何图案。本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述水位测量方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述水位测量方法的步骤。
本发明提供的水位测量方法、装置、水尺及电子设备，采用了水尺位置识别模型和水尺分割模型对水尺图像进行处理，得到水尺头部图像和水尺测量部图像，再基于水尺头部图像和水尺测量部图像，得到水尺信息和水位数据，实现了水位测量的实时性，准确性和全面性。对水尺图像进行了两次深度学习训练，改善了以往的只进行一次的不足，提高了分割的精度和识别的准确性，具有很强的实际应用价值。
此外，由于传统的水位识别方法需要人工亲自到现场目测读数，存在较大人为误差，还存在一定的危险性。本发明提供的水位测量方法，改变了传统水尺水位获取方式，保证了相关人员的生命安全。
而且，本发明的提出的水位测量方法，基于水尺位置识别模型和水尺分割模型进行二次训练检测，具有很好的鲁棒性，对环境的适应性强。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明提供的水位测量方法的流程示意图；
图2是本发明提供的水位测量方法中的水尺示意图；
图3是本发明提供的水位测量方法中水尺测量部状态示意图之一；
图4是本发明提供的水位测量方法中水尺测量部状态示意图之二；
图5是本发明提供的水位测量的示意图；
图6是本发明提供的电子设备的结构示意图；
附图标记：
200：水尺； 210：水尺头部； 220：水尺测量部；
230：条纹； 240：黑色三角形； 250：白色三角形；
260：螺栓； 500：水位测量装置； 510：位置识别模块；
520：位置框截图模块； 530：截图分割模块；
540：水位数据获取模块； 610：处理器；
620：通信接口； 630：存储器； 640：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图6描述本发明的水位测量方法、装置、水尺及电子设备。
本发明提供一种水位测量方法，如图1所示，该水位测量方法包括：
步骤110、将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像。
其中，水尺位置识别模型为，以水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到。
需要说明的是，这里的水尺位置识别模型可以是Darknet框架下的yolo算法模型(例如yolo v4算法模型)。
在一些实施例中，先采集多张水尺图像作为第一数据集，基于Darknet框架下的yolo算法模型对第一数据集进行训练，得到水尺位置识别模型，再将待检测的水尺图像输入至训练好的水尺位置识别模型进行检测，确定水尺在图像中的位置，得到带有水尺位置框的图像。水尺位置框可以是水尺图像中标记出水尺所在区域的竖直矩形框。
在一些实施例中，水位测量方法还包括：
在得到带有水尺位置框的图像的情况下，对水尺位置框进行倾斜校正处理，将倾斜的水尺位置框进行校正。
在上述实施例中，对水尺位置框进行倾斜校正处理，包括：
基于水尺位置框与水尺测量部图像的竖直边之间的位置关系，得到水尺位置框的倾斜角度。
基于倾斜角度，对水尺位置框进行倾斜校正处理。
需要说明的是，这里对水尺位置框进行倾斜校正处理，可以是基于倾斜角度，并利用霍夫变换方法对水尺位置框进行倾斜校正。
需要说明的是，直接将图像中水尺的任一竖直边沿所在直线与检测框所在直线设定为倾斜角度β，然后进行倾斜校正，改进了传统霍夫(hough)变换算法中大范围寻找倾斜角度的这个繁杂过程，提高了倾斜校正的效率，校正后的图像中的水尺呈竖直朝向。
步骤120、基于带有水尺位置框的图像，得到水尺位置框截图。
在一些实施例中，水位测量方法还包括：
在得到水尺位置框截图的情况下，滤除水尺位置框截图的噪声。
步骤130、将水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像。
其中，水尺分割模型为，以水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
需要说的是，这里的水尺分割模型可以是Darknet框架下的yolo算法模型(例如yolo v4算法模型)。
将进行倾斜校正处理后的水尺位置框截图作为第二数据集，再利用Darknet框架下的yolo算法模型对第二数据集进行训练，得到水尺分割模型。利用训练好的水尺分割模型对水尺位置框截图中的水尺头部图像和水尺测量部图像进行精准分割。
步骤140、基于水尺头部图像和水尺测量部图像，得到水尺信息和水位数据。
在一些实施例中，对水尺头部图像采用模板匹配的方式，获取当前识别的水尺图像中的水尺信息，对水尺测量部图像采用图像处理技术并结合数学公式计算出水位数据。
本发明提供的水位测量方法，先通过水尺位置识别模型对水尺图像进行粗定位，确定水尺在图像中的位置，得到带有水尺位置框的图像，基于该带有水尺位置框的图像，得到水尺位置框截图，再利用水尺分割模型对水尺位置框截图进行精确分割，得到水尺头部图像和水尺测量部图像。再对上述的水尺头部图像和水尺测量部图像进行识别，最终读取出水尺信息和水位数据，构成完整的水尺水位数据，其中，水尺信息可以包含有水尺编号、水尺地址、水尺零点高程。
本发明提供的水位测量方法，采用水尺位置识别模型和水尺分割模型均是人工智能领域最前沿的深度学习模型，采用这些模型对水尺图像进行处理，实现了水位测量的实时性，准确性和全面性。对水尺图像进行了两次深度学习训练，改善了以往的只进行一次的不足，提高了分割的精度和识别的准确性，具有很强的实际应用价值；
此外，传统的水位识别方法需要人工亲自到现场目测读数，存在较大人为误差，还存在一定的危险性。本发明提供的水位测量方法，改变了传统水尺水位获取方式，保证了相关人员的生命安全。
而且，本发明的提出的基于深度学习二次训练检测的实时水位测量方法具有很好的鲁棒性，对环境的适应性强，针对雨雪、大雾、反光，弱光等恶劣环境识别水尺图像也具有良好的效果。在一些实施例中，基于水尺头部图像和水尺测量部图像，得到水尺信息和水位数据，包括：
基于水尺头部图像，在模板数据库中查询得到水尺信息；其中，模板数据库中包含有水尺头部与水尺信息的对应关系。
基于水尺测量部图像中的图案几何特征以及水平面位置，得到水位数据。
上述的水位测量方法中的水尺示意图如2所示。该水尺200由水尺头部210和水尺测量部220两个部分组成，共计130～140cm，例如是134cm。水尺头部210为半径为7～8cm，例如是7.5cm，密封圆柱形装置的高度为20～30cm，例如是24cm，水尺头部210和水尺测量部220无缝衔接。水尺200的外表面喷绘有耐腐蚀的多个水平条纹230，例如喷绘了6个水平条纹230。
这些水平条纹230可以模拟二进制中的二进制位，例如6个水平条纹230，模拟了二进制中的6个二进制位。进而，这些水平条纹230可以用于表示该水尺200的ID(Identitydocument，身份识别)编号，共计可表示26＝64个编号，起始编号为(000000)2＝(0)10，表示十进制中的编号0，最后一个编号为(111111)2＝(63)10，表示十进制中的编号63。
每个水平条纹230的宽度为3～5cm，例如4cm，且为水平条纹230的颜色为白色或者黑色，通过颜色表示该水平条纹230的状态。
当水平条纹230为白色时，表示该条纹230所处状态为0，水平条纹230为黑色时，表示该条纹230所处状态为1。
6个水平条纹230从上而下，由低位到高位，依次表示每个二进制位，即最上面的条纹230为二进制数的最低位，最下面的条纹230为二进制数的最高位。按照上述规则，图2中所表示的二进制数为(010101)2＝(21)10，则图2中的水尺200编号为21。
水尺测量部220为用于测量水位的中空圆柱形装置，该中空圆柱形装置半径为3～7cm，例如为5cm。
中空圆柱形装置的表面由耐腐蚀性材料喷绘了多个等腰三角形，例如，喷绘了4个等腰白色三角形250和4个等腰黑色三角形240，且每个三角形大小相同。4个白色三角形250的最小锐角在水尺测量部220的最低端，4个黑色三角形240的最小锐角在水尺测量部220的最顶端。
水尺测量部220可方便的套在现有的水尺圆柱上，而且可由固定用的螺栓进行固定。
在上述实施例中，基于水尺测量部图像中的图案几何特征以及水平面位置，得到水位数据，包括：
对水尺测量部图像进行边缘检测，获取水尺测量部图像图案中的多个目标关键点坐标。
基于多个目标关键点坐标，得到目标关键线段长度。
基于目标关键线段长度以及水平面位置，得到水位数据。
在一些实施例中，首先，采集分辨率为1920x1080的水尺图像并制作第一数据集(即：voc数据集)。在制作第一数据集时，将上述的水尺200标记为SmartWaterRuler。
然后，使用Darknet深度学习框架下的yolo v4算法模型对第一数据集进行训练，得到水尺位置识别模型。Darknet深度学习框架是一个用C语言和CUDA编写的开源的神经网络框架，支持CPU和GPU(CUDA/cuDNN)计算，且支持OpenCV和OpenMP。
而且Darknet框架结构清晰，源代码查看和修改方便，因此对水尺图像的训练检测基于此框架进行。使用第一次训练好的水尺位置识别模型再对水尺图像中的水尺进行粗定位，将水尺图像中的水尺使用检测框标记出来，得到带有水尺位置框的图像。
本发明提供的Darknet深度学习框架的训练环境为Intel Corei7-7740 XCPU@4.30GHz，运行内存为16GB，Nvidia Gefo-rece GTX1080显卡,ubuntu16.04的64位操作系统。
本发明在第一次使用Darknet框架下的yolo v4算法模型训练时，参数batch设置为64，subdivision设置为8，对水尺图像进行测试时，batch设置为1，subdivision设置为1。同时，学习率learning_rate设置为0.1，训练次数max_batches设置为50000，并将每一层的classes设置为1，filter设置为18。在第二次使用Darknet框架下的yolo v4算法模型训练时，其他参数不变，将训练次数max_batches设置为100000，并将每一层的classes设置为2，filter设置为21。
针对采集的水尺图像存在一定的角度倾斜问题，需要对水尺图像进行角度倾斜校正，以使水尺呈竖直朝向，由于检测后的水尺图像带有水尺位置框(也即是检测框)，而水尺位置框本身呈竖直朝向，故本发明针对经过水尺位置识别模型检测后的水尺图像的实际应用需要，对传统霍夫(hough)变换算法进行改进，将上述水尺测量部的其中一个竖直边所在直线，与水尺位置框所在直线之间的角度设定为倾斜角度β，并直接根据倾斜角度β进行倾斜校正。
直接根据倾斜角度β进行倾斜校正，改善了传统霍夫(hough)变换算法中大范围寻找倾斜角度β的这个繁杂过程，提高了倾斜校正的效率，校正后的水尺位置框截图中的水尺呈竖直朝向。
为了使后续对水尺位置框截图中的水尺的分割更加清晰精确，根据水尺位置框的四个坐标点，从倾斜校正后的带有水尺位置框的图像中，对水尺进行批量截取，得到水尺位置框截图，在截取完成后，再对水尺位置框截图进行预处理操作。
由于水尺安装在野外环境中，受光照、雾霾、污渍等自然因素的影响，为了后续的精准分割，需要滤除图像中的噪声，本发明采用Gauss(高斯)滤波器去除图像中的噪声。
并对水尺位置框截图进行再次标记：将上述水尺头部图像标记为SmartWaterRulerCode,将水尺测量部图像标记为SmartWaterRulerMeasure，标记完成后作为第二数据集，使用Darknet框架下的yolo v4算法模型对第二数据集进行训练检测。
在训练完成后，得到水尺分割模型。利用水尺分割模型对水尺位置框截图进行检测，即可精细分割出上述水尺中的水尺头部图像和水尺测量部图像两个部分。
在精细分割出水尺头部图像和水尺测量部图像两个部分后，为了能够获取到水尺测量部的黑色三角形240和白色三角形250边缘，需要对分割出的水尺测量部图像进行边缘检测。
本发明采用Prewitt算子实现对水尺测量部图像的边缘检测，这样既可获取到图3中的A1点和B1点坐标，根据A1点和B1点坐标可以计算三角形底边长，以及可获取图3中的D1点和E1点坐标，图3中的D1点和E1点为水平线与三角形腰的交点。
然后计算出图3中线段A1B1和D1E1，以及图4中线段A2C2和E2F2所包含的像素个数，从而将这些像素个数作为已知量参与到后续水位值的计算中。
最后，分别对上述水尺中的水尺头部图像和水尺测量部图像进行识别，识别完成后，在将识别的信息进行融合，最后输出最终的水位信息。
本发明提供的基水位测量方法在分割出1后，通过模板匹配的方法，对水尺头部图像进行识别。用于匹配水尺头部的64个模板文件需预先存储，且模板文件的名称为能够与其匹配的水尺的编号，例如水尺编号为21，则该水尺头部对应的模板的名称即为21。
通过模板匹配的方法识别出水尺头部图像后，获取该水尺头部图像对应的模板名称，即可得到图像中水尺的编号，然后通过编号查询预先存储在mysql数据库中数据表(数据表包含有编号对应的水尺信息，水尺信息包含有水尺编号，地址，水尺零点高程)，即可获取到该水尺所处的位置和水尺零点高程。通过对上述水尺头部图像的识别，最终输出的信息中包含有水尺编号、水尺地址、水尺零点高程。
在测量水位时，当水尺测量部图像由水尺分割模型分割出来后，随即进行水位识别，在识别的过程中，有以下两种情况：
当拍摄的水尺图像中，白色三角形A1B1C1在正面时，其示意图如图3所示。
当摄像头拍摄的水尺，对应的白色三角形在视角的正面时，此时线段D1E1所在的直线为水平面，则线段D1E1与水尺测量部的底部之间的距离h1即为需要测量的水位值。
首先，通过图像识别方法，可求得线段A1B1所占的像素个数p1和线段D1E1所占的像素个数q1，已知水尺测量部220为圆柱状，水尺测量部220的直径(例如为10cm)，则线段A1B1所占的像素个数p1表示实际的长度为水尺的直径。
由图可知三角形A1B1C1和三角形D1E1C1相似，D1E1//A1B1，则：
Figure BDA0003053909260000131
即
Figure BDA0003053909260000132
上式中，x1表示线段D1E1所占的像素个数q1代表的实际长度。
在直角三角形A1F1D1中，θ1为直角三角形A1F1D1的直角边A1G1与斜边A1C1的夹角，
Figure BDA0003053909260000133
则
Figure BDA0003053909260000134
直角三角形A1F1D1全等于直角三角形B1H1E1，则
Figure BDA0003053909260000135
Figure BDA0003053909260000136
而A1B1＝F1H1＝10cm，则上式(2)为:
Figure BDA0003053909260000137
而水尺测量部220的总长L为110cm,于是要求的水位h1满足：
h1＝L-A1F1＝110-A1F1 (4)
由(1)、(2)、(3)式联立得：
Figure BDA0003053909260000138
于是，当摄像头拍摄的水尺图像中，白色等腰三角形在视角正面时，水位
Figure BDA0003053909260000139
当拍摄的水尺图像中，黑色等腰三角形B2H2K2在视角正面时，其示意图如图4所示：
在另一实施例中，可以获取图4中的A2点、C2点、E2点和F2点的坐标，图4中的E2点和F2点为水平线与三角形腰的交点，根据A2点和C2点的坐标，可以得到三角形的底边长。
此时线段D2G2所在的直线为水平面，则h2即为需要测量的水位值。首先，θ2为直角三角形A2B2H2的直角边A2H2与斜边B2H2之间的夹角。
已知：
Figure BDA0003053909260000141
通过图像处理算法，可求得线段E2F2在水尺位置框截图中所占的像素个数q2和线段A2C2在水尺位置框截图中所占的像素个数p2，而A2C2＝D2G2＝H2K2＝10，则可求出线段H2K2所占的像素个数为p2。
已知水尺的直径为10cm，所以线段H2K2所占像素表示的实际长度为10cm，由三角形B2E2F2相似于三角形B2H2K2得：
Figure BDA0003053909260000142
即
Figure BDA0003053909260000143
上式中x2表示线段E2F2所占像素个数q2所表示的实际长度。
而由图4可知：
Figure BDA0003053909260000144
由(6)，(7)，(8)式联立得：
Figure BDA0003053909260000145
于是，当摄像头拍摄的水尺图像中，黑色等腰三角形在视角正面时，水位
Figure BDA0003053909260000146
通过对上述水尺测量部图像的识别，输出水尺对应的水位数据。
本实施例中，对水尺测量部图像的识别包含白色等腰三角形和黑色等腰三角形分别在正面的情况，对两种情况下的识别均采用了数学方法，根据三角函数计算出水位值。
通过对上述水尺的水尺头部图像和水尺测量部图像的识别，最终得到完整的水尺水位信息，水尺水位信息包含有水尺编号、水尺地址、水尺零点高程、水位。
下面对本发明提供的水位测量装置进行描述，下文描述的水位测量装置与上文描述的水位测量方法可相互对应参照。
如图5所示，本发明还提供一种水位测量装置500，该水位测量装置500包括：位置识别模块510、位置框截图模块520、截图分割模块530、水位数据获取模块540。
位置识别模块510用于将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像。
其中，水尺位置识别模型为，以水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到。
位置框截图模块520用于基于带有水尺位置框的图像，得到水尺位置框截图。
截图分割模块530用于将水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像。
其中，水尺分割模型为，以水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
水位数据获取模块540用于基于水尺头部图像和水尺测量部图像，得到水尺信息和水位数据。
在一些实施例中，水位数据获取模块540包括：水尺信息获取单元、水位数据获取单元。
水尺信息获取单元用于基于水尺头部图像，在模板数据库中查询得到水尺信息；其中，模板数据库中包含有水尺头部与水尺信息的对应关系。
水位数据获取单元用于基于水尺测量部图像中的图案几何特征以及水平面位置，得到水位数据。
在一些实施例中，水位数据获取单元包括：关键点坐标获取单元、关键线段长度获取单元、数据计算单元。
关键点坐标获取单元用于对水尺测量部图像进行边缘检测，获取水尺测量部图像图案中的多个目标关键点坐标。
关键线段长度获取单元用于基于多个目标关键点坐标，得到目标关键线段长度。
数据计算单元用于基于目标关键线段长度以及水平面位置，得到水位数据。
在一些实施例中，水位数据获取模块540还包括：倾斜校正模块。
倾斜校正模块用于在得到带有水尺位置框的图像的情况下，对水尺位置框进行倾斜校正处理。
在上述实施例中，倾斜校正模块包括：倾斜角度获取单元、校正处理单元。
倾斜角度获取单元用于基于水尺位置框与水尺测量部图像的竖直边之间的位置关系，得到水尺位置框的倾斜角度；
校正处理单元用于基于倾斜角度，对水尺位置框进行倾斜校正处理。
在一些实施例中，水位测量装置还包括：降噪模块。
降噪模块用于在得到水尺位置框截图情况下，滤除水尺位置框截图的噪声。
本发明还提供一种水尺，水尺应用于上述的水位测量方法中，下文描述的水尺与上文描述的水位测量方法可相互对应参照。
水尺包括水尺头部，以及与水尺头部固定连接的水尺测量部。
水尺头部的表面设置有并排的多个条纹，且多个条纹包括颜色不同的两类条纹。
水尺测量部的表面设置有规则几何图案，例如等腰三角形。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行水位测量方法，该方法包括：步骤110、将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像；步骤120、基于带有水尺位置框的图像，得到水尺位置框截图；步骤130、将水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像；步骤140、基于水尺头部图像和水尺测量部图像，得到水尺信息和水位数据。
其中，水尺位置识别模型为，以水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到。
水尺分割模型为，以水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元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，服务器，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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的水位测量方法，该方法包括：步骤110、将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像；步骤120、基于带有水尺位置框的图像，得到水尺位置框截图；步骤130、将水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像；步骤140、基于水尺头部图像和水尺测量部图像，得到水尺信息和水位数据。
其中，水尺位置识别模型为，以水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到。
水尺分割模型为，以水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的水位测量方法，该方法包括：步骤110、将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像；步骤120、基于带有水尺位置框的图像，得到水尺位置框截图；步骤130、将水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像；步骤140、基于水尺头部图像和水尺测量部图像，得到水尺信息和水位数据。
其中，水尺位置识别模型为，以水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到。
水尺分割模型为，以水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种水位测量方法，其特征在于，包括：
将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像；
基于所述带有水尺位置框的图像，得到水尺位置框截图；
将所述水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像；
基于所述水尺头部图像和所述水尺测量部图像，得到水尺信息和水位数据；
其中，所述水尺位置识别模型为，以所述水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到；
所述水尺分割模型为，以所述水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
2.根据权利要求1所述的水位测量方法，其特征在于，所述基于所述水尺头部图像和所述水尺测量部图像，得到水尺信息和水位数据，包括：
基于所述水尺头部图像，在模板数据库中查询得到所述水尺信息；其中，所述模板数据库中包含有水尺头部与水尺信息的对应关系；
基于所述水尺测量部图像中的图案几何特征以及水平面位置，得到所述水位数据。
3.根据权利要求2所述的水位测量方法，其特征在于，所述基于所述水尺测量部图像中的图案几何特征以及水平面位置，得到所述水位数据，包括：
对所述水尺测量部图像进行边缘检测，获取水尺测量部图像图案中的多个目标关键点坐标；
基于所述多个目标关键点坐标，得到目标关键线段长度；
基于所述目标关键线段长度以及所述水平面位置，得到所述水位数据。
4.根据权利要求1-3任一项所述的水位测量方法，其特征在于，还包括：
在得到所述带有水尺位置框的图像的情况下，对所述水尺位置框进行倾斜校正处理。
5.根据权利要求4所述的水位测量方法，其特征在于，所述对所述水尺位置框进行倾斜校正处理，包括：
基于所述水尺位置框与所述水尺测量部图像的竖直边之间的位置关系，得到所述水尺位置框的倾斜角度；
基于所述倾斜角度，对所述水尺位置框进行倾斜校正处理。
6.根据权利要求4所述的水位测量方法，其特征在于，还包括：
在得到所述水尺位置框截图的情况下，滤除所述水尺位置框截图的噪声。
7.一种水位测量装置，其特征在于，包括：
位置识别模块，用于将水尺图像输入至水尺位置识别模型，得到带有水尺位置框的图像；
位置框截图模块，用于基于所述带有水尺位置框的图像，得到水尺位置框截图；
截图分割模块，用于将所述水尺位置框截图输入至水尺分割模型，得到水尺头部图像和水尺测量部图像；
水位数据获取模块，用于基于所述水尺头部图像和所述水尺测量部图像，得到水尺信息和水位数据；
其中，所述水尺位置识别模型为，以所述水尺图像为样本，以预先确定的水尺图像对应的带有水尺位置框的图像为样本标签，训练得到；
所述水尺分割模型为，以所述水尺位置框截图为样本，以预先确定的水尺位置框截图对应的水尺头部图像和水尺测量部图像为样本标签，训练得到。
8.一种水尺，其特征在于，所述水尺应用于权利要求1-6任一项所述的水位测量方法中，所述水尺包括水尺头部，以及与所述水尺头部固定连接的水尺测量部；
所述水尺头部的表面设置有并排的多个条纹，且所述多个条纹包括颜色不同的两类条纹；
所述水尺测量部的表面设置有规则几何图案。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述水位测量方法的步骤。
10.一种非暂态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如权利要求1至6任一项所述水位测量方法的步骤。
CN202110494750.9A 2021-05-07 2021-05-07 水位测量方法、装置、水尺及电子设备 Active CN113435442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110494750.9A CN113435442B (zh) 2021-05-07 2021-05-07 水位测量方法、装置、水尺及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110494750.9A CN113435442B (zh) 2021-05-07 2021-05-07 水位测量方法、装置、水尺及电子设备

Publications (2)

Publication Number Publication Date
CN113435442A true CN113435442A (zh) 2021-09-24
CN113435442B CN113435442B (zh) 2022-11-25

Family

ID=77753385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110494750.9A Active CN113435442B (zh) 2021-05-07 2021-05-07 水位测量方法、装置、水尺及电子设备

Country Status (1)

Country Link
CN (1) CN113435442B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902910A (zh) * 2021-12-10 2022-01-07 中国科学院自动化研究所 一种视觉测量方法及系统
CN115661438A (zh) * 2022-10-21 2023-01-31 广州地铁集团有限公司 一种基于机器视觉的站外水位监测及防汛预警方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001281046A (ja) * 2000-03-30 2001-10-10 Japan Radio Co Ltd 水位計測方法および装置
JP2002202173A (ja) * 2000-12-27 2002-07-19 Asahi Soft Drinks Co Ltd 容器の自動容量測定装置及びその装置を用いた容器の容量測定方法
CN101886942A (zh) * 2010-06-23 2010-11-17 江苏大学 一种水尺标识方法及水位检测方法
CN102445239A (zh) * 2010-09-29 2012-05-09 联宇工程技术(武汉)有限公司 基于多点水位的明渠量水新方法
CN102975826A (zh) * 2012-12-03 2013-03-20 上海海事大学 基于机器视觉的便携式船舶水尺自动检测和识别方法
CN106557764A (zh) * 2016-11-02 2017-04-05 江西理工大学 一种基于二进制编码字符水尺和图像处理的水位识别方法
CN110287953A (zh) * 2019-05-20 2019-09-27 湖北九感科技有限公司 水位自动识别方法及装置
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
CN111488846A (zh) * 2020-04-16 2020-08-04 上海芯翌智能科技有限公司 一种识别水位的方法及设备
CN112598001A (zh) * 2021-03-08 2021-04-02 中航金城无人系统有限公司 一种基于多模型融合的船舶水尺读数自动识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001281046A (ja) * 2000-03-30 2001-10-10 Japan Radio Co Ltd 水位計測方法および装置
JP2002202173A (ja) * 2000-12-27 2002-07-19 Asahi Soft Drinks Co Ltd 容器の自動容量測定装置及びその装置を用いた容器の容量測定方法
CN101886942A (zh) * 2010-06-23 2010-11-17 江苏大学 一种水尺标识方法及水位检测方法
CN102445239A (zh) * 2010-09-29 2012-05-09 联宇工程技术(武汉)有限公司 基于多点水位的明渠量水新方法
CN102975826A (zh) * 2012-12-03 2013-03-20 上海海事大学 基于机器视觉的便携式船舶水尺自动检测和识别方法
CN106557764A (zh) * 2016-11-02 2017-04-05 江西理工大学 一种基于二进制编码字符水尺和图像处理的水位识别方法
CN110287953A (zh) * 2019-05-20 2019-09-27 湖北九感科技有限公司 水位自动识别方法及装置
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
CN111488846A (zh) * 2020-04-16 2020-08-04 上海芯翌智能科技有限公司 一种识别水位的方法及设备
CN112598001A (zh) * 2021-03-08 2021-04-02 中航金城无人系统有限公司 一种基于多模型融合的船舶水尺读数自动识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHIKANG XU 等: "Water Level Estimation Based on Image of Staff Gauge in Smart City", 《 IEEE 》 *
夏平 等: "基于超像素和图割算法的智能视觉水位识别", 《计算机仿真》 *
廖赟 等: "基于深度学习的水位线检测算法", 《计算机应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902910A (zh) * 2021-12-10 2022-01-07 中国科学院自动化研究所 一种视觉测量方法及系统
CN115661438A (zh) * 2022-10-21 2023-01-31 广州地铁集团有限公司 一种基于机器视觉的站外水位监测及防汛预警方法
CN115661438B (zh) * 2022-10-21 2024-03-08 广州地铁集团有限公司 一种基于机器视觉的站外水位监测及防汛预警方法

Also Published As

Publication number Publication date
CN113435442B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN110659636B (zh) 基于深度学习的指针式仪表读数识别方法
CN112598001B (zh) 一种基于多模型融合的船舶水尺读数自动识别方法
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
CN112906694B (zh) 变电站倾斜式指针式仪表图像的读数矫正系统及方法
CN113252700B (zh) 一种结构裂缝检测方法、设备及系统
CN113435442B (zh) 水位测量方法、装置、水尺及电子设备
CN107239742B (zh) 一种仪表指针刻度值计算方法
CN111488874A (zh) 一种指针式仪表倾斜校正方法及系统
CN110287953B (zh) 水位自动识别方法及装置
CN109508709B (zh) 一种基于机器视觉的单指针仪表读数方法
CN106557751A (zh) 一种带颜色指示信息的指针式压力表自动读数方法
CN114663744A (zh) 基于机器学习的仪表自动识别方法及系统
CN110287887A (zh) 一种刻度识别方法、装置及计算机存储介质
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
CN115205858A (zh) 一种基于旋转目标检测的指针式仪表自动读数方法
CN105423975A (zh) 一种大型工件的标定系统及方法
CN115578343A (zh) 一种基于图像连通与骨架分析的裂缝尺寸测量方法
CN114005027A (zh) 一种基于无人机影像的城市单木检测系统及方法
CN113065556A (zh) 一种数字式仪表定位和数字识别方法、装置和计算机设备
CN114862761B (zh) 电力变压器液位检测方法、装置、设备及存储介质
Goebbels et al. Roof reconstruction from airborne laser scanning data based on image processing methods
CN115311447A (zh) 一种基于深度卷积神经网络的指针式仪表示数识别方法
CN111189826B (zh) 用于pH试纸测量待测溶液pH值的智能评分实验设备及方法
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN114255458A (zh) 一种巡检场景下指针仪表读数的识别方法与系统

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
TR01 Transfer of patent right

Effective date of registration: 20231114

Address after: No. 57-5 Development Avenue, No. 6015, Yichang Area, China (Hubei) Free Trade Zone, Yichang City, Hubei Province, 443005

Patentee after: Hubei Jiugan Technology Co.,Ltd.

Address before: 443002 Three Gorges University, 8 Daxue Road, Xiling District, Yichang City, Hubei Province

Patentee before: CHINA THREE GORGES University

Patentee before: Hubei Jiugan Technology Co.,Ltd.

TR01 Transfer of patent right