CN113516081A - 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 - Google Patents
一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 Download PDFInfo
- Publication number
- CN113516081A CN113516081A CN202110807448.4A CN202110807448A CN113516081A CN 113516081 A CN113516081 A CN 113516081A CN 202110807448 A CN202110807448 A CN 202110807448A CN 113516081 A CN113516081 A CN 113516081A
- Authority
- CN
- China
- Prior art keywords
- water level
- virtual
- water
- gauge
- water gauge
- 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
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
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法,包括下述步骤:选定场景、虚拟水尺设置、水位标注、模型训练、通过模型计算水位,从而实现水位实时监测的功能。本发明通过深度学习方法有效地解决了在复杂背景条件下水尺识别困难的问题,大大提高了识别的准确率;同时可以在无水尺的情况下通过虚拟水尺识别水位,解决了水尺难安装难观测的问题;本发明水尺读数精度高,按照步幅0.1m的情况下设置,水位计算结果最大误差在1cm以内,满足实际水位监测需求,且只要分辨率支持,需要更高精度可以将步幅改0.01m。
Description
技术领域
本发明涉及深度学习和水位监测技术领域,具体涉及一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法。
背景技术
现有水位识别方法主要基于
1、边缘分割算法实现对实体水尺的水尺刻度识别,如使用灰度图像进行图像处理,然后通过边缘分割算法实现水位和水尺的边界识别,由于分割效果易受光照、水岸线等复杂背景因素的影响,无法简单有效分割出水水位。且不同程度拍照倾斜对识别精度影响较大。
2、通过投影分析、K-means聚类分析等提取水尺的刻度线来获取水尺读数,识别可见的实体水尺刻度值“E”的特征值和水尺的数字来识别水位,这种方式在反光、微弱可见情况(夜视红外线模式)下无法准确实现水位的识别。
综上所述,现有的水尺图像识别方法存在以下问题:
1、识别水位通常依靠实体水尺,对水尺和摄像头安装的位置和倾斜角度有安装要求,实际工作当中比较难安装(出于安全考虑大坝上面不能安装摄像头等破坏坝体的施工措施),导致识别精度没有保障。
2、识别水位通常采用通用边缘分割算法。抗干扰能力弱,导致反光(夜间补光)、夜间(红外线模式)、复杂背景等场景情况下识别能力差。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法,该方法抗干扰能力强,能在反光、微弱可见(红外模式或夜间补光)情况下识别任何复杂背景的水位;同时不依赖安装倾斜角度,可以实现任意倾斜角度的精度较高的识别效果。
本发明的目的通过下述技术方案实现:
一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法,包括下述步骤:
S1,选定场景:确定水面和特征物体交汇面,特征物体包括水尺或墙体等其他特征物体,可以对摄像头的保证最大水面和最低水位的水面都与特征物体交汇(可通过放大和缩小摄像头焦距实现)。特别说明:摄像头选定场景后是不会发生角度的变化和分辨率的变化。
S2,虚拟水尺设置:通过选定场景后得到特征物体(特征物体是指和水面交汇的物体),根据特征物体和场景中的位置情况,以便于观测和测量方便为主,确定是横向还是纵向虚拟水尺,并确定虚拟水尺的中轴线,有了中轴线后,设置最高水位方位K,如果是纵向(‘|’)虚拟水尺那么最高水位的方位在上,如果是横向(‘-’)虚拟水尺那么最高水位的方位在左或者在右。得到了最高水位的方位后,设置基准线(图片上的方位和最高水位之间的像素距离),并设置最高水位值。并根据要求的水位精度设置步幅(步幅根据实际经验设置为0.1m、0.5m、1m),通过最高水位向下设置每个刻度的水位,设置若干个刻度后,通过RNN(循环神经网络),直接推算下面的水位值,直到虚拟水尺的尾端即最低水位值。通过以上操作就获得了虚拟水尺刻度值和对应的像素值的数组R[(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)),…, (Vn,Rn(Rxn,Ryn))](V1为最高水位值,R1为对应的像素点,Vn是最低水位值,Rn对应的像素值)。
S3,水位标注:通过对摄像头的视频流进行抽帧,获取24小时场景的图片,选择不同时间段的图片和不同天气下的图片(至少100张以上)导入训练数据集,通过设置虚拟水尺和水位的交汇点,完成水位标注,获得水位标注数据集D0和标注集A0。
S4,模型训练:首先对图片训练数据集D0(这里为了举例方便,图片像素为1920*1080)进行图片剪裁,根据前面得到的虚拟水尺数组R[(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)) ,…, (Vn,Rn(Rxn,Ryn))]中第一个像素值(宽度,高度)(Rx1,Ry1),同时根据最高水位方位K也知道虚拟水尺是横向还是纵向。如果虚拟水尺为横向(‘-’),那么剪裁的位置左上角的点就是(0,Ry1-25),右下角的点就是(1920,Ry1+25)。如果虚拟水尺为纵向(‘|’),那么剪裁的位置左上角的点就是(Rx1-25,0),右下角的点就是(Rx1+25,1080),通过该矩形进行剪裁获得剪裁数据集合D1。再对每个图片的标注集A0进行矩形变化得到标注集A1,矩形变化规则是以标注点(x,y)为基础点,左上角的点是(x-25,y-25),右下角的点是(x+25,y+25)。最后使用CNN(卷积神经网络)对标注的数据集D1和标注集A1进行模型训练,获得水位区域的物体检测模型P1。
S5,通过模型计算水位:使用该水位识别场景的图片C1进行计算水位,首先通过S4的剪裁步骤,得到图片C2,用C2集合水位区域的物体检测模型P1计算获得水位区域B[(Bx1,By1),(Bx2,By2)](左上点B1,右下点B2)。再结合虚拟水尺数组R [(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)) ,…, (Vn,Rn(Rxn,Ryn))](V1为最大水位值,R1为对应的像素点)以及根据之前的虚拟水尺的最高水位方位K:
如果是在上,那么是纵向水尺(‘|’),计算水位位置By= By1 +(By2-By1)/2。将By带入虚拟水尺R中,按照水位从高到底计算,如果By在Ry1和Ry2之间时,那么水位值=V2+(V1-V2)* ((Ry2-By)/(Ry2-Ry1));
如果是在左和在右,那么就是横向水尺(‘-’),计算水位位置Bx= Bx1 +(Bx2-Bx1)/2。将Bx带入虚拟水尺R中,按照水位从高到底计算,如果Bx在Rx1和Rx2之间时,那么水位值=V2+ (V1-V2)* ((Rx2-Bx)/(Rx2-Rx1));最终的到水位值。
本发明与现有技术相比具有以下的有益效果: (1)本发明通过深度学习方法有效地解决了在复杂背景条件下水尺识别困难的问题,提高了识别的准确率。(2)本发明可以在无水尺的情况下通过虚拟水尺识别水位,解决了水尺难安装难观测的问题; (3)本发明水尺读数准确率高,按照步幅0.1m的情况下设置,水位计算结果最大误差在1cm以内,满足实际水位监测需求,且只要分辨率支持,需要更高精度可以将步幅改0.01m。
附图说明
附图说明
图1为本发明的总体流程图;
图2为本发明纵向虚拟水尺配置示意图;
图3为本发明水位标注示意图;
图4为本发明图像剪裁示意图;
图5为本发明校验结果F1-score示意图;
图6为本发明测试结果观测示意图;
具体实施方式
下面结合实施案例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
本发明的基本原理是利用摄像头获取水位场景图像,通过多样本学习标注水面位置,通过CNN(卷积神经网络)训练获得模型。通过识别水面特征的像素点位置,结合再场景图片中的设定的虚拟水尺的像素点位置,计算获得当前水位。该方法抗干扰能力强,能在反光、微弱可见(红外模式或夜间补光)情况下识别任何复杂背景的水位;同时不依赖安装倾斜角度,可以实现任意倾斜角度的精度较高的识别效果。
其具体的实施流程方法如图1~6所示,包括下述步骤:
(1)视频接入:通过对接摄像头流地址或者国标协议等方式接入视频。
(2)选定场景:确定水面和特征物体交汇面,特征物体包括水尺或墙体等其他特征物体,可以对摄像头的保证最大水面和最低水位的水面都与特征物体交汇(可通过放大和缩小摄像头焦距实现)。特别说明:摄像头选定场景后是不会发生角度的变化和分辨率的变化。
(3)虚拟水尺设置:通过选定场景后得到特征物体(特征物体是指和水面交汇的物体),根据特征物体和场景中的位置情况,以便于观测和测量方便为主,确定是横向还是纵向虚拟水尺,并确定虚拟水尺的中轴线,有了中轴线后,设置最高水位方位K,如果是纵向(‘|’)虚拟水尺那么最高水位的方位在上,如果是横向(‘-’)虚拟水尺那么最高水位的方位在左或者在右。得到了最高水位的方位后,设置基准线(图片上的方位和最高水位之间的像素距离),并设置最高水位值。并根据要求的水位精度设置步幅(步幅根据实际经验设置为0.1m、0.5m、1m),通过最高水位向下设置每个刻度的水位,设置若干个刻度后,通过RNN(循环神经网络),直接推算下面的水位值,直到虚拟水尺的尾端即最低水位值。通过以上操作就获得了虚拟水尺刻度值和对应的像素值的数组R[(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)),…, (Vn,Rn(Rxn,Ryn))](V1为最高水位值,R1为对应的像素点,Vn是最低水位值,Rn对应的像素值)。
(4)数据集收集: 通过对摄像头的视频流进行抽帧,获取24小时场景的图片,选择不同时间段的图片、不同天气下、不同摄像头模式下的图片(至少100张以上),获得数据集Q。
(5)水位标注:选用80%的数据集Q作为标注数据集合D0,通过设置虚拟水尺和水位的交汇点,完成水位标注,获得水位标注数据集D0和标注集A0。
(6)模型训练:首先对图片训练数据集D0(这里为了举例方便,图片像素为1920*1080)进行图片剪裁,根据前面得到的虚拟水尺数组R[(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)) ,…, (Vn,Rn(Rxn,Ryn))]中第一个像素值(宽度,高度)(Rx1,Ry1),同时根据最高水位方位K也知道虚拟水尺是横向还是纵向。如果虚拟水尺为横向(‘-’),那么剪裁的位置左上角的点就是(0,Ry1-25),右下角的点就是(1920,Ry1+25)。如果虚拟水尺为纵向(‘|’),那么剪裁的位置左上角的点就是(Rx1-25,0),右下角的点就是(Rx1+25,1080),通过该矩形进行剪裁获得剪裁数据集合D1。再对每个图片的标注集A0进行矩形变化得到标注集A1,矩形变化规则是以标注点(x,y)为基础点,左上角的点是(x-25,y-25),右下角的点是(x+25,y+25)。最后使用CNN(卷积神经网络)对标注的数据集D1和标注集A1进行模型训练,获得水位区域的物体检测模型P1。
(7)模型校验:选用剩余的20%的数据集Q作为验证数据集。通过验证数据集验证模型P1的正确性。获得模型的精确率100%、回归率100%、F1-score。
序号 | 阈值 | F1-score |
1 | 0 | 0.93 |
2 | 0.1 | 0.97 |
3 | 0.2 | 0.98 |
4 | 0.3 | 0.98 |
5 | 0.4 | 0.98 |
6 | 0.5 | 0.98 |
7 | 0.6 | 0.98 |
8 | 0.7 | 0.98 |
9 | 0.8 | 0.98 |
10 | 0.9 | 1 |
(8)水位计算:通过模型计算水位:使用该水位识别场景的图片C1进行计算水位,首先通过S4的剪裁步骤,得到图片C2,用C2集合水位区域的物体检测模型P1计算获得水位区域B[(Bx1,By1),(Bx2,By2)](左上点B1,右下点B2)。再结合虚拟水尺数组R [(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)) ,…, (Vn,Rn(Rxn,Ryn))](V1为最大水位值,R1为对应的像素点)以及根据之前的虚拟水尺的最高水位方位K:
如果是在上,那么是纵向水尺(‘|’),计算水位位置By= By1 +(By2-By1)/2。将By带入虚拟水尺R中,按照水位从高到底计算,如果By在Ry1和Ry2之间时,那么水位值=V2+(V1-V2)* ((Ry2-By)/(Ry2-Ry1));
如果是在左和在右,那么就是横向水尺(‘-’),计算水位位置Bx= Bx1 +(Bx2-Bx1)/2。将Bx带入虚拟水尺R中,按照水位从高到底计算,如果Bx在Rx1和Rx2之间时,那么水位值=V2+ (V1-V2)* ((Rx2-Bx)/(Rx2-Rx1));最终的到水位值。
(9)水位输出:通过计算的水位进行记录进行结果测试,通过曲线图展示识别效果,以及识别读数和人工读数进行结果比对。
结果比对
序号 | 人工读数/m | 识别读数/m | 误差值/m | 图片时间 | 置信度(%) |
1 | 1.40 | 1.396 | -0.004 | 2021-07-12 07:10:00 | 98.65 |
2 | 1.40 | 1.405 | +0.005 | 2021-07-12 07:20:00 | 98.13 |
3 | 1.40 | 1.401 | +0.001 | 2021-07-12 07:40:00 | 99.03 |
4 | 1.40 | 1.402 | +0.002 | 2021-07-12 07:50:00 | 99.24 |
5 | 1.40 | 1.397 | -0.003 | 2021-07-12 08:00:11 | 99.03 |
6 | 1.39 | 1.391 | +0.001 | 2021-07-12 12:20:00 | 99.56 |
7 | 1.39 | 1.391 | +0.001 | 2021-07-12 12:30:00 | 99.57 |
8 | 1.4 | 1.4 | 0 | 2021-07-12 12:40:00 | 99.09 |
9 | 1.39 | 1.39 | 0 | 2021-07-12 12:50:00 | 99.51 |
10 | 1.39 | 1.392 | +0.002 | 2021-07-12 13:00:13 | 99.52 |
Claims (5)
1.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法,其特征在于,包括下述步骤:S1选定场景,S2虚拟水尺设置,S3水位标注,S4模型训练,S5通过模型计算水位。
2.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法,其特征在于,所述S2中,虚拟水尺的设置方法,通过选定场景后得到特征物体(特征物体是指和水面交汇的物体),根据特征物体和场景中的位置情况,以便于观测和测量方便为主,确定是横向还是纵向虚拟水尺,并确定虚拟水尺的中轴线,有了中轴线后,设置最高水位方位K,如果是纵向(‘|’)虚拟水尺那么最高水位的方位在上,如果是横向(‘-’)虚拟水尺那么最高水位的方位在左或者在右;得到了最高水位的方位后,设置基准线(图片上的方位和最高水位之间的像素距离),并设置最高水位值;并根据要求的水位精度设置步幅(步幅根据实际经验设置为0.1m、0.5m、1m),通过最高水位向下设置每个刻度的水位,设置若干个刻度后,通过RNN(循环神经网络),直接推算下面的水位值,直到虚拟水尺的尾端即最低水位值;通过以上操作就获得了虚拟水尺刻度值和对应的像素值的数组R[(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)),…, (Vn,Rn(Rxn,Ryn))](V1为最高水位值,R1为对应的像素点,Vn是最低水位值,Rn对应的像素值)。
3.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法,其特征在于,所述S3中,水位标注的时候采用的是点标注的方法,且标注的时候对该标注区域进行了放大;具体的通过设置虚拟水尺和水位的交汇点,完成水位标注,获得水位标注数据集D0和标注集A0。
4.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法,其特征在于,所述S4中,特征在于图片训练和识别前按照虚拟水尺的所在位置进行变换和图片裁剪,将剪裁后的图片提供给训练和识别;首先对图片训练数据集D0(这里为了举例方便,图片像素为1920*1080)进行图片剪裁,根据前面得到的虚拟水尺数组R[(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)) ,…, (Vn,Rn(Rxn,Ryn))]中第一个像素值(宽度,高度)(Rx1,Ry1),同时根据最高水位方位K也知道虚拟水尺是横向还是纵向;如果虚拟水尺为横向(‘-’),那么剪裁的位置左上角的点就是(0,Ry1-25),右下角的点就是(1920,Ry1+25);如果虚拟水尺为纵向(‘|’),那么剪裁的位置左上角的点就是(Rx1-25,0),右下角的点就是(Rx1+25,1080),通过该矩形进行剪裁获得剪裁数据集合D1;再对每个图片的标注集A0进行矩形变化得到标注集A1,矩形变化规则是以标注点(x,y)为基础点,左上角的点是(x-25,y-25),右下角的点是(x+25,y+25);最后使用CNN(卷积神经网络)对标注的数据集D1和标注集A1进行模型训练,获得水位区域的物体检测模型P1。
5.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法,其特征在于,所述S5中,计算水位的方法;使用该水位识别场景的图片C1进行计算水位,首先通过S4的剪裁步骤,得到图片C2,用C2集合水位区域的物体检测模型P1计算获得水位区域B[(Bx1,By1),(Bx2,By2)](左上点B1,右下点B2);再结合虚拟水尺数组R [(V1,R1(Rx1,Ry1)),(V2,R2(Rx2,Ry2)) ,…, (Vn,Rn(Rxn,Ryn))](V1为最大水位值,R1为对应的像素点)以及根据之前的虚拟水尺的最高水位方位K:如果是在上,那么是纵向水尺(‘|’),计算水位位置By=By1 +(By2-By1)/2;将By带入虚拟水尺R中,按照水位从高到底计算,如果By在Ry1和Ry2之间时,那么水位值=V2+ (V1-V2)* ((Ry2-By)/(Ry2-Ry1));如果是在左和在右,那么就是横向水尺(‘-’),计算水位位置Bx= Bx1 +(Bx2-Bx1)/2;将Bx带入虚拟水尺R中,按照水位从高到底计算,如果Bx在Rx1和Rx2之间时,那么水位值=V2+ (V1-V2)* ((Rx2-Bx)/(Rx2-Rx1));最终的到水位值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807448.4A CN113516081A (zh) | 2021-07-16 | 2021-07-16 | 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807448.4A CN113516081A (zh) | 2021-07-16 | 2021-07-16 | 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516081A true CN113516081A (zh) | 2021-10-19 |
Family
ID=78067813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110807448.4A Pending CN113516081A (zh) | 2021-07-16 | 2021-07-16 | 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516081A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437519A (zh) * | 2023-11-06 | 2024-01-23 | 北京市智慧水务发展研究院 | 一种无水尺水位识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101284842B1 (ko) * | 2013-04-12 | 2013-07-10 | 브이씨에이 테크놀러지 엘티디 | 수위 측정 장치 및 방법 |
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 |
CN110207783A (zh) * | 2019-06-28 | 2019-09-06 | 湖南江河机电自动化设备股份有限公司 | 一种基于视频识别的检测水位方法 |
CN110956172A (zh) * | 2019-11-18 | 2020-04-03 | 四创科技有限公司 | 一种基于图像语义分割的水尺识别方法 |
CN112215125A (zh) * | 2020-10-09 | 2021-01-12 | 武汉科技大学 | 一种基于YOLOv3的水位识别方法 |
-
2021
- 2021-07-16 CN CN202110807448.4A patent/CN113516081A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101284842B1 (ko) * | 2013-04-12 | 2013-07-10 | 브이씨에이 테크놀러지 엘티디 | 수위 측정 장치 및 방법 |
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 |
CN110207783A (zh) * | 2019-06-28 | 2019-09-06 | 湖南江河机电自动化设备股份有限公司 | 一种基于视频识别的检测水位方法 |
CN110956172A (zh) * | 2019-11-18 | 2020-04-03 | 四创科技有限公司 | 一种基于图像语义分割的水尺识别方法 |
CN112215125A (zh) * | 2020-10-09 | 2021-01-12 | 武汉科技大学 | 一种基于YOLOv3的水位识别方法 |
Non-Patent Citations (1)
Title |
---|
周衡 等: "基于视频图像的水位监测方法研究", 《光电技术及应用》, vol. 40, no. 3, pages 390 - 394 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437519A (zh) * | 2023-11-06 | 2024-01-23 | 北京市智慧水务发展研究院 | 一种无水尺水位识别方法及装置 |
CN117437519B (zh) * | 2023-11-06 | 2024-04-12 | 北京市智慧水务发展研究院 | 一种无水尺水位识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021238030A1 (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
CN108759973B (zh) | 一种水位测量方法 | |
US20200364849A1 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN110598743A (zh) | 一种目标对象的标注方法和装置 | |
CN107014294A (zh) | 一种基于红外图像的接触网几何参数检测方法及系统 | |
CN109409290B (zh) | 一种温度表检定读数自动识别系统及方法 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN111126183A (zh) | 一种基于近地面影像数据的震后建筑物损毁检测方法 | |
CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
CN106790898B (zh) | 一种基于显著性分析的手机屏幕坏点自动检测方法和系统 | |
CN114089330B (zh) | 一种基于深度图像修复的室内移动机器人玻璃检测与地图更新方法 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN109063632B (zh) | 一种基于双目视觉的泊车位特征筛选方法 | |
CN115063579B (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
CN112132131A (zh) | 量筒液位识别方法和装置 | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN116862910A (zh) | 基于自动化裁切生产的视觉检测方法 | |
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 | |
CN113516081A (zh) | 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 | |
CN111178210B (zh) | 一种十字标记的图像识别及对准方法 | |
CN116011480B (zh) | 基于二维码标识符的水位获取方法、装置、设备及介质 | |
CN110111018B (zh) | 评估车辆感测能力的方法、装置、电子设备及存储介质 | |
CN116935369A (zh) | 基于计算机视觉的船舶水尺读数方法及系统 |
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 |