CN114067095A - 基于水尺字符检测识别的水位识别方法 - Google Patents
基于水尺字符检测识别的水位识别方法 Download PDFInfo
- Publication number
- CN114067095A CN114067095A CN202111428932.2A CN202111428932A CN114067095A CN 114067095 A CN114067095 A CN 114067095A CN 202111428932 A CN202111428932 A CN 202111428932A CN 114067095 A CN114067095 A CN 114067095A
- Authority
- CN
- China
- Prior art keywords
- water gauge
- character
- water
- detection
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 181
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 102100032202 Cornulin Human genes 0.000 claims description 3
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明公开了一种基于字符检测识别的水尺水位识别方法,通过深度学习算法提取水尺图像中水尺和E字符；其中完整字符E代表的水尺长度M；半字符E分为若干类，每类代表唯一的水尺长度S；通过深度学习算法确定半字符E代表的刻度值S；根据识别到的E字符数量N及E字符对应的刻度值S；计算水面以上的水尺刻度值；用水尺的总刻度值减去水面以上的水尺刻度值,得到水位值。本发明优点在于利用远程水尺监控图像，采用轻量化深度学习模型，在不额外增加水位线识别模型的情况下，仅对离水面最近的完整或者不完整字符E进行识别，保证在视角变化、光照变化等复杂场景下精确、完整地识别图像中水尺的刻度信息，降低了算法的复杂度，提高了检测效率。
Description
技术领域
本发明涉及水利工程领域，尤其是涉及基于水尺字符检测识别的水位识别方法。
背景技术
在水利工程中，实时、准确地监测水位变化能够在水位变化时采取合理的水位控制措施，减少洪涝灾害的发生。水尺是测量水位变化的重要工具，通过摄像头对水尺进行实时监测是现有监测水位的主要方法之一，然而，传统的水尺刻度识别方法容易受到水尺安置角度、拍摄角度、光照、天气等因素的影响，难以精确、完整地识别图像中水尺的刻度信息。
如，专利（CN108921165A）公开了一种基于水尺图像的水位识别方法，利用二值化处理、形态学分析、神经识别等传统图像处理方法对水尺刻度进行提取识别。专利（CN109522889A）通过HSV色彩空间对水尺进行初步定位，用模糊C聚类的方法实现字符的分割，然后用卷积神经网络对字符进行识别得到水位值。专利（CN110427933A）提出了先用深度学习目标检测算法对水尺进行定位，再通过腐蚀操作以及连通域方法得到E字符位置，最后用字符分类方法对字符进行识别。文献（《基于深度学习算法的水位识别方法研究》，水利信息化，2020年，王磊等）利用目标检测网络对水尺进行检测，然后用腐蚀膨胀操作将字符分离，最后用ResNet网络对分离后的字符值进行识别。这些方法在理想场景下可以对水位值进行很好的识别，然而在现实应用场景中水尺会受到光照变化、视角变化的影响，导致传统的二值化操作、形态学操作无法精准地对刻度字符进行分离，进而影响到后面的刻度值识别。
专利（CN110472636A）发明了一种基于深度学习的水尺E字形刻度识别方法，可以对水尺上面的E字符进行检测并识别，然而其所用的特征提取器为ResNe101，模型较为复杂，并需要额外构建一种水位线神经网络模型对水位进行识别，进一步增加了整体算法的复杂度。
发明内容
本发明目的在于提供一种基于水尺字符检测识别的水位识别方法, 利用远程水尺监控图像，精确地识别水尺图像中离水面最近的完整或者不完整字符E代表的刻度值，并根据水面上所有E字符的个数准确地计算出当前水域的水位值。
为实现上述目的，本发明采取下述技术方案：
本发明所述一种基于水尺字符检测识别的水位识别方法，包括以下步骤：
S1,获取水尺图像，对所述水尺图像中的水尺进行标注，构建水尺检测数据集；
S2, 通过深度学习算法训练所述水尺检测练数据集，获得水尺检测网络模型；
S3,通过所述水尺检测网络模型，提取水尺图像中包含水尺ROI的图像，形成水尺数据集；
S4，对所述水尺数据集中水尺上的E字符进行E字符标注，构建E字符检测数据集；所述E字符，包括含完整字符E和含半字符E；
S5，通过深度学习算法训练所述E字符检测数据集，获得E字符检测网络模型；
S6，通过所述E字符检测网络模型，提取水尺图像中所述水尺ROI上包含E字符ROI的图像，形成E字符识别数据集；
S7，确定完整字符E代表的水尺长度M；
S8，将半字符E分为若干类，并为每类半字符E标注代表的水尺长度S，构建半字符E识别数据集；
S9，通过深度学习算法训练半字符E识别数据集，获得半字E符识别网络模型，确定半字符E代表的刻度值S；
S10，获得待检测水尺图像；
S11，使用水尺检测网络模型，识别水尺图像中的水尺；
S12，使用E字符检测网络模型，识别水尺中的E字符，并输出识别到的E字符数量N及每个E字符的坐标；
S13，根据E字符的Y坐标，按照降序进行排列，确定水面上方的第一个E字符；
S14，使用半字符E识别网络模型，识别S13步中确定的E字符，得到其对应的刻度值S；
S15，计算水面以上的水尺刻度值；计算方法为，(N-1)×M + S；
S16，计算水面以下水尺的刻度值，得到水位值；计算方法为，使用水尺的总刻度值减去S15步中确定的水面以上的水尺刻度值。
进一步地，S2步和S5步中，所述深度学习算法，是指YOLO-V5目标检测算法。
进一步地，S6步中，所述E字符检测网络模型，还能够检测出水尺图像中水尺ROI上E字符的坐标值，以及E字符的总数量N。
进一步地，S7步中，所述完整字符E代表水尺长度为5cm。
进一步地，S9步中，所述深度学习算法为CRNN算法。
本发明优点在于利用远程水尺监控图像，采用轻量化深度学习模型，在不额外增加水位线识别模型的情况下，仅对离水面最近的完整或者不完整字符E进行识别，保证在视角变化、光照变化等复杂场景下精确、完整地识别图像中水尺的刻度信息，并降低了算法的复杂度，提高了检测效率。
附图说明
图1为本发明所述方法的流程图。
图2为本发明所述方法中水尺检测数据集的样本示意图。
图3为本发明所述方法中水尺数据集的样本示意图。
图4为本发明所述方法中E字符检测数据集的样本示意图。
具体实施方式
下面将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的一部分实施例，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。
如图1所示，本发明所述基于水尺字符检测识别的水位识别方法，包括以下步骤：
S1,获取水尺图像，对水尺图像中的水尺进行标注，构建水尺检测数据集；水尺检测数据集的样本如图2所示；
S2, 通过深度学习算法训练水尺检测练数据集，获得水尺检测网络模型；所述深度学习算法，是指YOLO-V5（中文含义为：一种深度学习的对象检测算法）目标检测算法；
S3,通过水尺检测网络模型，提取水尺图像中包含水尺ROI（英文region ofinterest的缩写，中文含义为感兴趣区、候选区）的图像，形成水尺数据集；水尺数据集的样本如图3所示；
S4，对水尺数据集中水尺上的E字符进行E字符标注，构建E字符检测数据集；E字符检测数据集的样本如图3所示；
所述E字符，包括含完整字符E和含半字符E。
S5，通过深度学习算法训练E字符检测数据集，获得E字符检测网络模型；
S6，通过E字符检测网络模型，提取水尺图像中水尺ROI上包含E字符ROI的图像，形成E字符识别数据集；
所述E字符检测网络模型，还能够检测出水尺图像中水尺ROI上E字符的坐标值，以及E字符的总数量N；
S7，确定完整字符E代表的水尺长度M；通常1个完整字符E就代表水尺长度5cm；
S8，将半字符E分为若干类，并为每类半字符E标注代表的水尺长度S，构建半字符E识别数据集；
S9，通过深度学习算法训练半字符E识别数据集，获得半字E符识别网络模型，确定半字符E代表的刻度值S；
所述深度学习算法为CRNN（中文含义为：一种深度学习算法，提取图像特征，并对图像特征进行分类预测的算法）算法；
S10，获得待检测水尺图像；
S11，使用水尺检测网络模型，识别水尺图像中的水尺；
S12，使用E字符检测网络模型，识别水尺中的E字符，并输出识别到的E字符数量N及每个E字符的坐标；
S13，根据E字符的Y坐标，按照降序进行排列，确定水面上方的第一个E字符；
S14，使用半字E符识别网络模型，识别S13步中确定的E字符，得到其对应的刻度值S；
S15，计算水面以上的水尺刻度值；计算方法为，(N-1)×M + S；
S16，计算水面以下水尺的刻度值，得到水位值；计算方法为，使用水尺的总刻度值减去S15步中确定的水面以上的水尺刻度值；
根据实际需要，将一定时间段内的水位值进行算数平均，作为所述时间段内的水位，可以进一步减少识别误差，提高水位监测的准确率。
Claims (5)
1.一种基于水尺字符检测识别的水位识别方法，其特征在于：包括以下步骤：
S1,获取水尺图像，对所述水尺图像中的水尺进行标注，构建水尺检测数据集；
S2, 通过深度学习算法训练所述水尺检测练数据集，获得水尺检测网络模型；
S3,通过所述水尺检测网络模型，提取水尺图像中包含水尺ROI的图像，形成水尺数据集；
S4，对所述水尺数据集中水尺上的E字符进行E字符标注，构建E字符检测数据集；所述E字符，包括含完整字符E和半字符E；
S5，通过深度学习算法训练所述E字符检测数据集，获得E字符检测网络模型；
S6，通过所述E字符检测网络模型，提取水尺图像中所述水尺ROI上包含E字符ROI的图像，形成E字符识别数据集；
S7，确定所述完整字符E代表的水尺长度M；
S8，将所述半字符E分为若干类，并为每类半字符E标注代表的水尺长度S，构建半字符E识别数据集；
S9，通过深度学习算法训练所述半字符E识别数据集，获得半字E符识别网络模型，确定半字符E代表的水尺长度S；
S10，获得待检测水尺图像；
S11，使用水尺检测网络模型，识别水尺图像中的水尺；
S12，使用E字符检测网络模型，识别水尺中的E字符，并输出识别到的E字符数量N及每个E字符的坐标；
S13，根据E字符的Y坐标，按照降序进行排列，确定水面上方的第一个E字符；
S14，使用半字符E识别网络模型，识别S13步中确定的E字符，得到其对应的水尺长度S；
S15，计算水面以上的水尺长度；计算方法为，(N-1)×M + S；
S16，计算水面以下水尺长度，得到水位值；计算方法为，使用水尺的总刻度值减去S15步中确定的水面以上的水尺长度。
2.根据权利要求1所述基于水尺字符检测识别的水位识别方法，其特征在于：S2步和S5步中，所述深度学习算法，是指YOLO-V5目标检测算法。
3.根据权利要求1所述基于水尺字符检测识别的水位识别方法，其特征在于：S6步中，所述E字符检测网络模型，还能够检测出所述水尺图像中所述水尺ROI上所述E字符的坐标值，以及E字符的总数量N。
4.根据权利要求1所述基于水尺字符检测识别的水位识别方法，其特征在于：S7步中，所述完整字符E代表水尺长度为5cm。
5.根据权利要求1所述基于水尺字符检测识别的水位识别方法，其特征在于：S9步中，所述深度学习算法为CRNN算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111428932.2A CN114067095B (zh) | 2021-11-29 | 2021-11-29 | 基于水尺字符检测识别的水位识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111428932.2A CN114067095B (zh) | 2021-11-29 | 2021-11-29 | 基于水尺字符检测识别的水位识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114067095A true CN114067095A (zh) | 2022-02-18 |
| CN114067095B CN114067095B (zh) | 2023-11-10 |
Family
ID=80277034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111428932.2A Active CN114067095B (zh) | 2021-11-29 | 2021-11-29 | 基于水尺字符检测识别的水位识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114067095B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115439861A (zh) * | 2022-09-30 | 2022-12-06 | 北京中盛益华科技有限公司 | 一种基于ocr的水尺识别方法 |
| CN115578695A (zh) * | 2022-11-21 | 2023-01-06 | 昆明理工大学 | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 |
| CN115880683A (zh) * | 2023-03-02 | 2023-03-31 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
| CN115909298A (zh) * | 2022-09-26 | 2023-04-04 | 杭州数聚链科技有限公司 | 一种基于机器视觉的货船水尺标度读取方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020085758A1 (en) * | 2000-11-22 | 2002-07-04 | Ayshi Mohammed Abu | Character recognition system and method using spatial and structural feature extraction |
| 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 |
| WO2018018788A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳友讯达科技股份有限公司 | 一种基于图像识别的计量表抄表装置及其方法 |
| US20180150956A1 (en) * | 2016-11-25 | 2018-05-31 | Industrial Technology Research Institute | Character recognition systems and character recognition methods thereof using convolutional neural network |
| CN109614654A (zh) * | 2018-11-13 | 2019-04-12 | 烟台大学 | 一种精确获取基坑降水井影响半径的方法 |
| CN110248160A (zh) * | 2019-06-17 | 2019-09-17 | 国网福建省电力有限公司 | 基于机器视觉及4g通信技术的精益调度水情远程监测系统 |
| CN110443243A (zh) * | 2019-08-07 | 2019-11-12 | 浙江大华技术股份有限公司 | 水位监测方法、存储介质、网络设备和水位监测系统 |
| CN110472636A (zh) * | 2019-07-26 | 2019-11-19 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
| KR20200063342A (ko) * | 2018-11-22 | 2020-06-05 | 삼성생명보험주식회사 | 글자 인식 모델의 업데이트 방법 |
| CN112381177A (zh) * | 2020-12-07 | 2021-02-19 | 江苏科技大学 | 一种基于深度学习的表盘数字字符识别方法及系统 |
-
2021
- 2021-11-29 CN CN202111428932.2A patent/CN114067095B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020085758A1 (en) * | 2000-11-22 | 2002-07-04 | Ayshi Mohammed Abu | Character recognition system and method using spatial and structural feature extraction |
| WO2018018788A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳友讯达科技股份有限公司 | 一种基于图像识别的计量表抄表装置及其方法 |
| 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 |
| US20180150956A1 (en) * | 2016-11-25 | 2018-05-31 | Industrial Technology Research Institute | Character recognition systems and character recognition methods thereof using convolutional neural network |
| CN109614654A (zh) * | 2018-11-13 | 2019-04-12 | 烟台大学 | 一种精确获取基坑降水井影响半径的方法 |
| KR20200063342A (ko) * | 2018-11-22 | 2020-06-05 | 삼성생명보험주식회사 | 글자 인식 모델의 업데이트 방법 |
| CN110248160A (zh) * | 2019-06-17 | 2019-09-17 | 国网福建省电力有限公司 | 基于机器视觉及4g通信技术的精益调度水情远程监测系统 |
| CN110472636A (zh) * | 2019-07-26 | 2019-11-19 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
| CN110443243A (zh) * | 2019-08-07 | 2019-11-12 | 浙江大华技术股份有限公司 | 水位监测方法、存储介质、网络设备和水位监测系统 |
| CN112381177A (zh) * | 2020-12-07 | 2021-02-19 | 江苏科技大学 | 一种基于深度学习的表盘数字字符识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈翠;刘正伟;陈晓生;骆曼娜;牛智星;阮聪;: "基于图像处理的水位信息自动提取技术", 水利信息化, no. 01 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115909298A (zh) * | 2022-09-26 | 2023-04-04 | 杭州数聚链科技有限公司 | 一种基于机器视觉的货船水尺标度读取方法 |
| CN115439861A (zh) * | 2022-09-30 | 2022-12-06 | 北京中盛益华科技有限公司 | 一种基于ocr的水尺识别方法 |
| CN115578695A (zh) * | 2022-11-21 | 2023-01-06 | 昆明理工大学 | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 |
| CN115880683A (zh) * | 2023-03-02 | 2023-03-31 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
| CN115880683B (zh) * | 2023-03-02 | 2023-05-16 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114067095B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114067095B (zh) | 基于水尺字符检测识别的水位识别方法 | |
| Shi et al. | Automatic road crack detection using random structured forests | |
| CN106408594B (zh) | 基于多伯努利特征协方差的视频多目标跟踪方法 | |
| CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
| CN106909941A (zh) | 基于机器视觉的多表字符识别系统及方法 | |
| CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN112270310A (zh) | 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置 | |
| CN113252614B (zh) | 一种基于机器视觉的透明度检测方法 | |
| CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
| CN109740609B (zh) | 一种轨距检测方法及装置 | |
| CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
| CN111582084B (zh) | 基于弱监督学习的空基视角下的铁轨异物检测方法及系统 | |
| CN105160355A (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN115631472B (zh) | 一种高速公路行人闯入智能检测方法 | |
| CN111145222A (zh) | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 | |
| CN113392846A (zh) | 一种基于深度学习的水尺水位监测方法及系统 | |
| CN114155493A (zh) | 基于视频分析技术的大坝流量预警系统及方法 | |
| CN107369162B (zh) | 一种绝缘子候选目标区域的生成方法及系统 | |
| CN107330440B (zh) | 基于图像识别的海洋状态计算方法 | |
| CN112132157A (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
| CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
| CN114639064A (zh) | 一种水位识别方法及装置 | |
| CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 |
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 |