CN113822105B - 基于svm水标尺在线二分类器的人工智能水位监测系统 - Google Patents
基于svm水标尺在线二分类器的人工智能水位监测系统 Download PDFInfo
- Publication number
- CN113822105B CN113822105B CN202010644667.0A CN202010644667A CN113822105B CN 113822105 B CN113822105 B CN 113822105B CN 202010644667 A CN202010644667 A CN 202010644667A CN 113822105 B CN113822105 B CN 113822105B
- Authority
- CN
- China
- Prior art keywords
- water level
- image
- line
- water
- points
- 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 105
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 239000002352 surface water Substances 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000003643 water by type Substances 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
- G01F23/292—Light, e.g. infrared or ultraviolet
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Thermal Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于SVM水标尺在线二分类器的人工智能水位监测系统，其工作方法包括训练在线二分类器和水位测量，其中训练在线二分类器包括以下步骤：Step1：配置参照图像；Step2：提取图像特征；Step3：像素点分类得到分类图；Step4：拟定水位线；Step5：得到二分类器；本发明的有益效果为：本发明根据基于SVM的在线二分类器监测水位值，人工智能程度高；准确度高，标定迅速；实时化程度高，信息更新快；本监测系统能对各种状态下的水库、河流、湖泊、城市水域等各种地表水进行监测，监测适用范围广。
Description
技术领域
本发明涉及水位监测领域，尤其涉及基于SVM水标尺在线二分类器的人工智能水位监测系统。
背景技术
雪天、雾天情况下水尺的识别存在较大困难，大多数情况下水尺图像不可见而无法识别，但此天气一般发生在枯水季节，暂不考虑。雨天(毛毛雨、小雨、中雨、大雨、暴雨)情况下以实际图像水尺可见度为准，会有不同程度的模糊和遮挡，同样，采用类似E型水尺会一定程度上增强抗干扰性。水尺规格、干扰与可靠性。根据提供的监测点的图像数据，非标准水尺规格不一，都存在不同程度的退化，加上现场环境复杂，光照、阴影、水浪、水渍、污渍、垃圾等各方面的影响，针对不同监测点采用同一种识别算法的可靠性不高，针对不同监测点定制算法可行性也不高。而人眼识别水尺的方式存在很大的误差，效率也过低。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的基于SVM水标尺在线二分类器的人工智能水位监测系统。
为了实现上述目的，本发明采用了如下技术方案：
基于SVM水标尺在线二分类器的人工智能水位监测系统，其工作方法包括训练在线二分类器和水位测量，其中训练在线二分类器包括以下步骤：Step1：配置参照图像；拍摄水库、河流、湖泊、城市水域等各种地表水在不同时间不同天气环境下的图片多张并导入SVM系统作为参照图，每张图片中都要包括水域和标尺区域；Step2：提取图像特征；按照水域和标尺区域，将Step1中得到的参照图分别提取强特征点，设置水域区域作为背景，非水域区域作为前景，将参照图中的特征点标记值，区分出的背景点作为样本0，区分出的前景点作为样本1；Step3：像素点分类得到分类图；将Step2中得到的前景点和背景点分别按照标记值1和0分类，前景点联合，背景点联合，从而得到前景区域和背景区域；将图像中的前景区域保持原样，将图像中的背景区域标成黑色；Step4：拟定水位线；在Step3中得到分类图，按照颜色区分得分界线，其分界线即为水位线；Step5：得到二分类器；根据上述Step1-Step4的步骤得到分类标定后的一种在线二分类器。
优选的，所述水位测量包括以下方法步骤：Step1：配置待测图像；利用图像传感器拍摄得到当前待测图像，并将其导入监测系统中；Step2：特征匹配；将Step1中导入的待测图像，与在线二分类器中的参照图像进行相似度匹配，得到与待测图像相似度最高的参照图像；Step3：区域限定；根据得到的参照图像的特征参数，将待测图像按照特征区分出前景点和背景点，并分别根据前景点和背景点得到前景区域和背景区域，并标出前景区域和背景区域分界处的水位线；Step4：测量水位值；利用虚拟标尺和定标模组测量得到Step4中的水位线高度。
优选的，在水位测量中的Step3中，对区域进行限定后，要对限定后的区域进行噪声去除和倒影去除。
优选的，配置参照图像和配置待测图像均使用图像传感器。
优选的，配置参照图像，其参照图像不少于20张，且参照图像的像素大于100万。
优选的，提取图像特征和特征点分类均使用SIFT算法。
优选的，水位测量的Step2中的特征匹配，利用的是SSIM算法。
本发明的有益效果为：本发明根据基于SVM的在线二分类器监测水位值，一是能根据图像传感器传回的图像，以区分水域和非水域的方式，通过标定区域分界线以标定水位位置，人工智能程度高；二是通过建立参照图像，先对参照图像进行特征区分以训练出二分类器，建立模型参数表，再对待测图像进行特征匹配，找到待测图像对应适用的模型，在此基础上对待测图像进行特征区分，再标定水位分界线，这样的监测测量方式，准确度高，标定迅速；三是在线训练二分类器，其实时化程度高，信息更新快，对水库、河流、湖泊、城市水域等各种地表水的水位监测更加准确；四是本监测系统能对各种状态下的水库、河流、湖泊、城市水域等各种地表水进行监测，监测适用范围广。
附图说明
图1为监测系统的运行流程图；
图2为水位测量的方法流程图。
具体实施方式
下面将结合本发明实施例中的，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
SVM，英文全称是Support Vector Machine，即支持向量机，是常见的一种判别方法。SVM在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。基于SVM水标尺在线二分类器就是利用SVM在线训练一个二分类器，在图像分析中区分水域和标尺区域的一种方法手段，可以知道水域和标尺区域的分界位置即为水位线，在此基础上配合在线学习系统建立虚拟标尺，叠加到利用二分类器区分出的标尺区域上，配合定标模组，就能在图中得到水位位置，从而测出其水位高度。本发明的人工智能监测系统就是建立在这种思想方法上的。以下对本发明的具体方法步骤进行描述。
基于SVM水标尺在线二分类器的人工智能水位监测系统，其工作方法包括训练在线二分类器和测量水位，其中训练在线二分类器包括以下步骤：
Step1：配置参照图像；
拍摄水库、河流、湖泊、城市水域等各种地表水在不同时间不同天气环境下的图片多张并导入SVM系统作为参照图，每张图片中都要包括水域和标尺。拍摄图片一般要求20张，且图片的像素要求在100万以上。
Step2：提取图像特征；
按照水域和标尺区域，将Step1中得到的参照图分别提取强特征点，设置水域区域作为背景，非水域区域作为前景，将参照图中区分出的背景点作为样本0，区分出的前景点作为样本1。
提取图像特征，即对图像中的像素点进行区分，这里应用的是SIFT算法，其英文全称为Scale-invariant feature transform，是一种检测局部特征的算法，能根据特征将像素点进行区分和匹配，同类的放置在一起，本发明利用这种算法将图像中的各种像素点进行区分和标记，从而区分出前景点和背景点，再由此得到水域和非水域区域的范围。
Step3：像素点分类得到分类图；
将Step2中得到的前景点和背景点分别按照标记值1和0分类，前景点联合，背景点联合，从而得到前景区域和背景区域；将图像中的前景区域保持原样，将图像中的背景区域标成黑色。前景点即为标记值为1的点，由前景点联合得到的区域即为前景区域，背景点即标记值为0的特征点，由背景点联合得到的区域即为背景区域。
这也是SIFT算法的计算范围，在区分每个像素点的特征后，SIFT算法会将这些像素点联合在一起，形成一片区域，就得到了参照图中的水域和非水域范围。
Step4：拟定水位线；
在Step3中得到分类图，按照颜色区分得分界线，其分界线即为水位线。
Step5：得到二分类器；
根据上述Step1-Step4的步骤得到分类标定后的一种在线二分类器。上述过程要得到的一是参照图像，二是参照图像中的特征标记方式。这样就能将待测图像与参照图像进行对比，以特征匹配的方式，来区分待测图像中的特征点，能较快地区分出特征区域并拟定出水位线。
所述水位测量包括以下方法步骤：
Step1：配置待测图像；
利用图像传感器拍摄得到当前待测图像，并将其导入监测系统中。
Step2：特征匹配；
将Step1中导入的待测图像，与二分类器中的参照图像进行相似度匹配，得到与待测图像相似度最高的参照图像。相似度匹配利用的是SSIM算法，SSIM算法也叫结构相似度度量，其英文的全称为structural similarity index，是一种全参考的图像质量评价指标，分别从亮度、对比度、结构三个方面度量图像的相似性。
Step3：区域限定；
根据得到的参照图像的特征参数，将待测图像按照特征区分出前景点和背景点，并分别根据前景点和背景点得到前景区域和背景区域，并标出前景区域和背景区域分界处的水位线。
在区域限定后，要对限定的区域进行噪声去除和倒影去除。噪声去除指的就是，在线二分类器在分类的过程中对于图像的某些区域分类错误，本来是背景，被当成前景，这些误分区域的去除，称为噪声去除。噪声去除的方法：主要根据前景区域的位置，长宽比，区域面积，亮度等综合信息进行排除。倒影去除是指在水面清澈的情况下，水面下面的水尺也会暴露出来，这时通过光的斜射原理加上水面下面部分的亮度和饱和度和水面上面的差别去除。
Step4：测量水位值；
利用虚拟标尺和定标模组测量得到Step4中的水位线高度。其中虚拟标尺和定标模组都是现有技术部分。
本发明根据基于SVM的在线二分类器监测水位值，有多个优点；一是能根据图像传感器传回的图像，以区分水域和非水域的方式，通过标定区域分界线以标定水位位置，人工智能程度高；二是通过建立参照图像，先对参照图像进行特征区分以训练出二分类器，建立模型参数表，再对待测图像进行特征匹配，找到待测图像对应适用的模型，在此基础上对待测图像进行特征区分，再标定水位分界线，这样的监测测量方式，准确度高，标定迅速；三是在线训练二分类器，其实时化程度高，信息更新快，对水库、河流、湖泊、城市水域等各种地表水的水位监测更加准确；四是本监测系统能对各种状态下的水库、河流、湖泊、城市水域等各种地表水进行监测，监测适用范围广。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.基于SVM水标尺在线二分类器的人工智能水位监测系统，其特征在于，其工作方法包括训练在线二分类器和水位测量，其中训练在线二分类器包括以下步骤：
Step1：配置参照图像；
拍摄水库、河流、湖泊、城市水域等各种地表水在不同时间不同天气环境下的图片多张并导入SVM系统作为参照图，每张图片中都要包括水域和标尺区域；
Step2：提取图像特征；
按照水域和标尺区域，将Step1中得到的参照图分别提取强特征点，设置水域区域作为背景，非水域区域作为前景，将参照图中的特征点标记值，区分出的背景点作为样本0，区分出的前景点作为样本1；
Step3：像素点分类得到分类图；
将Step2中得到的前景点和背景点分别按照标记值1和0分类，前景点联合，背景点联合，从而得到前景区域和背景区域；将图像中的前景区域保持原样，将图像中的背景区域标成黑色；
Step4：拟定水位线；
在Step3中得到分类图，按照颜色区分得分界线，其分界线即为水位线；
Step5：得到二分类器；
根据上述Step1-Step4的步骤得到分类标定后的一种在线二分类器；
所述水位测量包括以下方法步骤：
Step1：配置待测图像；
利用图像传感器拍摄得到当前待测图像，并将其导入监测系统中；
Step2：特征匹配；
将Step1中导入的待测图像，与在线二分类器中的参照图像进行相似度匹配，得到与待测图像相似度最高的参照图像；
Step3：区域限定；
根据得到的参照图像的特征参数，将待测图像按照特征区分出前景点和背景点，并分别根据前景点和背景点得到前景区域和背景区域，并标出前景区域和背景区域分界处的水位线；
Step4：测量水位值；
利用虚拟标尺和定标模组测量得到Step4中的水位线高度。
2.根据权利要求1所述的基于SVM水标尺在线二分类器的人工智能水位监测系统，其特征在于，在水位测量中的Step3中，对区域进行限定后，要对限定后的区域进行噪声去除和倒影去除。
3.根据权利要求1所述的基于SVM水标尺在线二分类器的人工智能水位监测系统，其特征在于，配置参照图像和配置待测图像均使用图像传感器。
4.根据权利要求1所述的基于SVM水标尺在线二分类器的人工智能水位监测系统，其特征在于，配置参照图像，其参照图像不少于20张，且参照图像的像素大于100万。
5.根据权利要求1所述的基于SVM水标尺在线二分类器的人工智能水位监测系统，其特征在于，提取图像特征和特征点分类均使用SIFT算法。
6.根据权利要求1所述的基于SVM水标尺在线二分类器的人工智能水位监测系统，其特征在于，水位测量的Step2中的特征匹配，利用的是SSIM算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010644667.0A CN113822105B (zh) | 2020-07-07 | 2020-07-07 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010644667.0A CN113822105B (zh) | 2020-07-07 | 2020-07-07 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822105A CN113822105A (zh) | 2021-12-21 |
| CN113822105B true CN113822105B (zh) | 2024-04-19 |
Family
ID=78912163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010644667.0A Active CN113822105B (zh) | 2020-07-07 | 2020-07-07 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822105B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113819971A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于水、标尺和漂浮物语义分割的人工智能水位监测系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1731417A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中的鲁棒人脸检测方法 |
| CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
| CN104463125A (zh) * | 2014-12-11 | 2015-03-25 | 哈尔滨工程大学 | 基于dsp的人脸自动检测跟踪装置及其方法 |
| CN107367310A (zh) * | 2017-07-11 | 2017-11-21 | 华南理工大学 | 一种基于计算机视觉的河流水位远程监测方法 |
| CN107506798A (zh) * | 2017-08-31 | 2017-12-22 | 福建四创软件有限公司 | 一种基于图像识别的水位监测方法 |
| CN107631782A (zh) * | 2017-07-18 | 2018-01-26 | 南京邮电大学 | 一种基于Harris角点检测的水位检测方法 |
| WO2018195488A1 (en) * | 2017-04-21 | 2018-10-25 | SSI America INC. | Condition monitoring system and method |
| CN108759973A (zh) * | 2018-04-28 | 2018-11-06 | 南京昊控软件技术有限公司 | 一种水位测量方法 |
| CN109376740A (zh) * | 2018-10-19 | 2019-02-22 | 天津天地伟业投资管理有限公司 | 一种基于视频的水尺读数检测方法 |
| CN109448382A (zh) * | 2018-12-20 | 2019-03-08 | 天津天地伟业信息系统集成有限公司 | 一种道路积水深度监测预警方法 |
| CN109766830A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
| CN109801327A (zh) * | 2018-12-21 | 2019-05-24 | 杭州电子科技大学 | 一种基于视频数据的城市内涝积水深度信息提取方法 |
| CN110750939A (zh) * | 2019-09-09 | 2020-02-04 | 中国石油化工股份有限公司 | 基于大样本正交设计表提高稠油热采潜力预测精度的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10025983B2 (en) * | 2015-09-21 | 2018-07-17 | The Climate Corporation | Ponding water detection on satellite imagery |
-
2020
- 2020-07-07 CN CN202010644667.0A patent/CN113822105B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
| CN1731417A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中的鲁棒人脸检测方法 |
| CN104463125A (zh) * | 2014-12-11 | 2015-03-25 | 哈尔滨工程大学 | 基于dsp的人脸自动检测跟踪装置及其方法 |
| WO2018195488A1 (en) * | 2017-04-21 | 2018-10-25 | SSI America INC. | Condition monitoring system and method |
| CN107367310A (zh) * | 2017-07-11 | 2017-11-21 | 华南理工大学 | 一种基于计算机视觉的河流水位远程监测方法 |
| CN107631782A (zh) * | 2017-07-18 | 2018-01-26 | 南京邮电大学 | 一种基于Harris角点检测的水位检测方法 |
| CN107506798A (zh) * | 2017-08-31 | 2017-12-22 | 福建四创软件有限公司 | 一种基于图像识别的水位监测方法 |
| CN108759973A (zh) * | 2018-04-28 | 2018-11-06 | 南京昊控软件技术有限公司 | 一种水位测量方法 |
| CN109376740A (zh) * | 2018-10-19 | 2019-02-22 | 天津天地伟业投资管理有限公司 | 一种基于视频的水尺读数检测方法 |
| CN109448382A (zh) * | 2018-12-20 | 2019-03-08 | 天津天地伟业信息系统集成有限公司 | 一种道路积水深度监测预警方法 |
| CN109801327A (zh) * | 2018-12-21 | 2019-05-24 | 杭州电子科技大学 | 一种基于视频数据的城市内涝积水深度信息提取方法 |
| CN109766830A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
| CN110750939A (zh) * | 2019-09-09 | 2020-02-04 | 中国石油化工股份有限公司 | 基于大样本正交设计表提高稠油热采潜力预测精度的方法 |
Non-Patent Citations (3)
| Title |
|---|
| Alireza Taravat ; Masih Rajaei ; Iraj Emadodin ; Hamidreza Hasheminejad ; Rahman Mou."A Spaceborne Multisensory, Multitemporal Approach to Monitor Water Level and Storage Variations of Lakes".《savian Water》.2016,全文. * |
| 基于SVM的SAR图像中水上桥梁目标的检测;程辉, 于秋则, 柳健, 田金文;宇航学报(第05期);全文 * |
| 基于双目视觉的水位测量算法;石晗耀;陶青川;;现代计算机(专业版)(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822105A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN108759973B (zh) | 一种水位测量方法 | |
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN103442209B (zh) | 一种输电线路的视频监控方法 | |
| CN108182383B (zh) | 一种车窗检测的方法及设备 | |
| CN112699876B (zh) | 一种用于集气站多类型仪表自动读数方法 | |
| CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
| CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
| CN112329623A (zh) | 雾天能见度检测与能见度安全等级划分预警方法 | |
| CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
| CN110598613B (zh) | 一种高速公路团雾监测方法 | |
| CN112215125A (zh) | 一种基于YOLOv3的水位识别方法 | |
| Bruinink et al. | Portable, automatic water level estimation using mobile phone cameras | |
| CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
| CN112734729A (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
| CN110503634B (zh) | 基于图像自动识别的能见度测量方法 | |
| CN113822105B (zh) | 基于svm水标尺在线二分类器的人工智能水位监测系统 | |
| CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
| CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
| CN116168028A (zh) | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 | |
| CN116310263A (zh) | 一种指针式航空地平仪示数自动读取实现方法 | |
| CN113822104B (zh) | 基于多候选虚拟标尺的人工智能水面检测系统 | |
| CN115984360A (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
| CN116189136A (zh) | 一种基于深度学习的雨雪天气下交通信号灯检测方法 | |
| CN108898584A (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 |
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 |