CN114663811A - 一种利用水尺倒影的水面线提取方法 - Google Patents

一种利用水尺倒影的水面线提取方法 Download PDF

Info

Publication number
CN114663811A
CN114663811A CN202210297456.3A CN202210297456A CN114663811A CN 114663811 A CN114663811 A CN 114663811A CN 202210297456 A CN202210297456 A CN 202210297456A CN 114663811 A CN114663811 A CN 114663811A
Authority
CN
China
Prior art keywords
water gauge
water
character
characters
surface line
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
CN202210297456.3A
Other languages
English (en)
Other versions
CN114663811B (zh
Inventor
杨志勇
高凯
高希超
位昊昆
徐天寅
邵薇薇
于赢东
梅超
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202210297456.3A priority Critical patent/CN114663811B/zh
Publication of CN114663811A publication Critical patent/CN114663811A/zh
Application granted granted Critical
Publication of CN114663811B publication Critical patent/CN114663811B/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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Abstract

本发明公开一种利用水尺倒影的水面线提取方法，包括：构建识别模型并获取视频图像，通过所述识别模型对所述视频图像进行识别，得到水尺字符，基于所述水尺字符，提取水尺字符位置信息；基于所述水尺字符位置信息，对所述水尺字符进行判断，得到水尺字符变化趋势，基于所述水尺字符变化趋势，对所述水尺字符进行分组，获得水尺字符组；对所述水尺字符组进行筛选，获得字符对，基于所述字符对，通过计算获得水面线位置。本发明方法简单，可快速准确地确定水面线位置，提高基于深度学习识别水尺监测水位数据的准确性。

Description

一种利用水尺倒影的水面线提取方法
技术领域
本发明涉及深度学习技术领域，特别涉及一种利用水尺倒影的水面线提取方法。
背景技术
随着深度学习与图像识别技术发展，基于深度学习识别水尺用以监测水位数据的方法已经广泛应用于水利行业，但在水面较为平静的情况下，水面会产生水尺倒影，影响水尺识别精度，进而影响水位监测的准确性，因此该方法监测水位数据的准确性受水面倒影的影响较为严重。
水面倒影情况下水尺识别的难点在于水面线的确定，现有方法主要通过水尺与水面的明暗关系计算分割线位置；采用中值滤波消除水面倒影；通过颜色空间转换，然后在色度分量上建模，提取出水尺区域；或者设计新水尺避免水面倒影的误差。但是，现有方法中仍然存在无法准确确定水面线位置以及水面倒影情况下水尺识别误差的问题。
发明内容
为解决上述现有技术中所存在的无法准确确定水面线位置以及水面倒影情况下水尺识别误差的问题，本发明提供一种利用水尺倒影的水面线提取方法，基于深度学习技术提取视频画面中的水尺字符及位置信息，利用水尺倒影的对称性，分析字符的相对位置关系确定水面线位置，能够提高基于深度学习识别水尺监测水位数据的准确性。
为实现上述技术目的，本发明提供如下技术方案：
一种利用水尺倒影的水面线提取方法，包括：构建识别模型并获取视频图像，通过所述识别模型对所述视频图像进行识别，得到水尺字符，基于所述水尺字符，提取水尺字符位置信息；基于所述水尺字符位置信息，对所述水尺字符进行判断，得到水尺字符变化趋势，基于所述水尺字符变化趋势，对所述水尺字符进行分组，获得水尺字符组；对所述水尺字符组进行筛选，获得字符对，基于所述字符对，通过计算获得水面线位置。
优选地，通过识别模型对视频图像进行识别之前包括：获取训练视频图像，通过labelme工具对训练视频图像中的水尺字符进行标注，基于标注结果，构建水尺字符样本集，通过所述水尺字符样本集对所述识别模型进行训练，获得训练好的识别模型，通过所述训练好的识别模型对视频图像进行识别。
优选地，所述识别模型为Mask R-CNN模型。
优选地，提取水尺字符位置信息过程包括：基于所述水尺字符，提取视频图像中所述水尺字符的中心像素坐标，将所述中心像素坐标作为水尺字符位置信息。
优选地，对所述水尺字符进行判断过程包括：根据所述水尺字符位置信息对所述水尺字符自上而下的顺序进行排序，若所述水尺字符依次递增，则判断所述水尺字符变化趋势为递增；若所述水尺字符依次递减，则判断所述水尺字符变化趋势为递减。
优选地，对所述水尺字符进行分组过程包括：若所述字符变化趋势为递增，则将所述字符整合为递增字符组；若所述字符变化趋势为递减，则将所述字符整合为递减字符组。
优选地，对所述水尺字符组进行筛选的过程包括：对所述递增字符组和递减字符组中的水尺字符进行筛选，得到数值相同的水尺字符，将所述数值相同的水尺字符组成字符对。
优选地，获得水面线位置的过程包括：对所述字符对中水尺字符位置信息进行均值计算，得到水面线位置。
本发明具有如下技术效果：本发明基于深度学习技术提取视频画面中的水尺字符及位置信息，利用水尺倒影的对称性，分析字符的相对位置关系确定水面线位置，本发明利用水尺倒影提取水面线的方法简单，且对视频监控设备要求不高，无需考虑摄像机硬件及光学结构，同时无需考虑视频画面的亮度、饱和度等信息，只需视频图像能分辨字符，即可快速准确地确定水面线位置，提高基于深度学习识别水尺监测水位数据的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明利用水尺倒影的水面线提取方法流程图；
图2为本发明Mask R-CNN模型工作原理图；
图3为本发明利用水尺倒影的水面线提取方法实施步骤示例图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做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。
为了解决在现有技术中存在无法准确确定水面线位置以及水面倒影情况下水尺识别误差的问题，本发明提供了如下方案：
如图1﹑图3所示，本发明提供了一种利用水尺倒影的水面线提取方法，包括：
S1，构建识别模型并获取视频图像，通过所述识别模型对所述视频图像进行识别，得到水尺字符；
本发明深度学习模型选择识别模型为Mask R-CNN模型，使用Mask R-CNN模型来检测水尺字符，并获得水尺字符在视频画面中的位置信息。
如图2所示，Mask R-CNN的工作原理如下：(1)输入经过预处理的图像，传递给经过预处理的卷积神经网络(CNN)，得到对应的feature map；(2)对feature map中的每个点设置一个预先确定的ROI，得到多个候选ROI；(3)将多个候选ROI发送到区域候选网络(regionproposal network,RPN)中进行二值分类和边界框回归，过滤掉部分候选ROI；(4)将剩余的ROI进行RoIAlign操作；(5)最后，将剩余ROI传递给全连接层(FC)，预测类标签、边界框(bbox)，通过全卷积网络层(FCN)预测对象掩码。
通过视频数据，获取含有水尺的视频图像，利用labelme工具对视频画面中的水尺字符进行标注，构建水尺字符样本集。
通过构建的水尺字符样本集训练与优化Mask R-CNN模型，最终获得可用于水尺字符检测的Mask R-CNN模型。
通过所述Mask R-CNN模型对所述视频图像进行识别，得到水尺字符。
S2，基于所述水尺字符，提取水尺字符位置信息；
基于深度学习模型，识别存在水尺倒影情况下视频画面中的水尺字符(包括倒影中的字符)，并获取画面中各字符中心点的坐标信息，记为Ni:(xi,yi)。
S3，基于所述水尺字符位置信息，对所述水尺字符进行判断，得到水尺字符变化趋势；
根据所述水尺字符位置信息对所述水尺字符自上而下的顺序进行排序，若所述水尺字符依次递增，则判断所述水尺字符变化趋势为递增；若所述水尺字符依次递减，则判断所述水尺字符变化趋势为递减。
S4，基于所述水尺字符变化趋势，对所述水尺字符进行分组；
若所述字符变化趋势为递增，则将所述字符整合为递增字符组；若所述字符变化趋势为递减，则将所述字符整合为递减字符组。
按照变化趋势将字符分为两组，即：
①递减字符组：
Figure BDA0003562167890000061
②递增字符组：
Figure BDA0003562167890000062
由于正常情况下的水尺字符自上而下依次递减，而存在水尺倒影时，水尺倒影中的字符自上而下依次递增，故分类后的递减字符组即为水尺实际字符组，递增字符组即为水尺倒影字符组。
S5，对所述水尺字符组进行筛选，获得字符对；
划分后的递减字符组与递增字符组变化趋势相反，在两个字符组中筛选出数值相同的字符，组成一组字符对，假设：字符
Figure BDA0003562167890000063
与字符
Figure BDA0003562167890000064
的数值相同，则将
Figure BDA0003562167890000065
和
Figure BDA0003562167890000066
组成一组字符对，记为
Figure BDA0003562167890000067
S6，基于所述字符对，通过计算获得水面线位置；
筛选的字符对中的两个字符即为画面中水尺实际字符与其在水面倒影中的字符，则水面线位置即为两字符中心坐标横坐标的平均值，计算公式如下：
Figure BDA0003562167890000068
本发明基于深度学习技术提取视频画面中的水尺字符及位置信息，利用水尺倒影的对称性，分析字符的相对位置关系确定水面线位置，本发明利用水尺倒影提取水面线的方法简单，且对视频监控设备要求不高，无需考虑摄像机硬件及光学结构，同时无需考虑视频画面的亮度、饱和度等信息，只需视频图像能分辨字符，即可快速准确地确定水面线位置，提高基于深度学习识别水尺监测水位数据的准确性。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种利用水尺倒影的水面线提取方法，其特征在于，包括：
构建识别模型并获取视频图像，通过所述识别模型对所述视频图像进行识别，得到水尺字符，基于所述水尺字符，提取水尺字符位置信息；
基于所述水尺字符位置信息，对所述水尺字符进行判断，得到水尺字符变化趋势，基于所述水尺字符变化趋势，对所述水尺字符进行分组，获得水尺字符组；
对所述水尺字符组进行筛选，获得字符对，基于所述字符对，通过计算获得水面线位置。
2.根据权利要求1所述利用水尺倒影的水面线提取方法，其特征在于：通过识别模型对视频图像进行识别之前包括：获取训练视频图像，通过labelme工具对训练视频图像中的水尺字符进行标注，基于标注结果，构建水尺字符样本集，通过所述水尺字符样本集对所述识别模型进行训练，获得训练好的识别模型，通过所述训练好的识别模型对视频图像进行识别。
3.根据权利要求1所述利用水尺倒影的水面线提取方法，其特征在于：所述识别模型为Mask R-CNN模型。
4.根据权利要求1所述利用水尺倒影的水面线提取方法，其特征在于：提取水尺字符位置信息过程包括：基于所述水尺字符，提取视频图像中所述水尺字符的中心像素坐标，将所述中心像素坐标作为水尺字符位置信息。
5.根据权利要求1所述利用水尺倒影的水面线提取方法，其特征在于：对所述水尺字符进行判断过程包括：根据所述水尺字符位置信息对所述水尺字符自上而下的顺序进行排序，若所述水尺字符依次递增，则判断所述水尺字符变化趋势为递增；若所述水尺字符依次递减，则判断所述水尺字符变化趋势为递减。
6.根据权利要求5所述利用水尺倒影的水面线提取方法，其特征在于：对所述水尺字符进行分组过程包括：若所述字符变化趋势为递增，则将所述字符整合为递增字符组；若所述字符变化趋势为递减，则将所述字符整合为递减字符组。
7.根据权利要求6所述利用水尺倒影的水面线提取方法，其特征在于：对所述水尺字符组进行筛选的过程包括：对所述递增字符组和递减字符组中的水尺字符进行筛选，得到数值相同的水尺字符，将所述数值相同的水尺字符组成字符对。
8.根据权利要求1所述利用水尺倒影的水面线提取方法，其特征在于：获得水面线位置的过程包括：对所述字符对中水尺字符位置信息进行均值计算，得到水面线位置。
CN202210297456.3A 2022-03-24 2022-03-24 一种利用水尺倒影的水面线提取方法 Active CN114663811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210297456.3A CN114663811B (zh) 2022-03-24 2022-03-24 一种利用水尺倒影的水面线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210297456.3A CN114663811B (zh) 2022-03-24 2022-03-24 一种利用水尺倒影的水面线提取方法

Publications (2)

Publication Number Publication Date
CN114663811A true CN114663811A (zh) 2022-06-24
CN114663811B CN114663811B (zh) 2022-10-28

Family

ID=82031261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210297456.3A Active CN114663811B (zh) 2022-03-24 2022-03-24 一种利用水尺倒影的水面线提取方法

Country Status (1)

Country Link
CN (1) CN114663811B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116222693A (zh) * 2023-05-10 2023-06-06 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） 一种基于水尺倒影的天然河道水位自动监测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110049024A1 (en) * 2009-08-31 2011-03-03 Thomas Pank Method for treating runoff water using a series of treatment sequences to remove fine pollutants and clay
US20160070464A1 (en) * 2014-09-08 2016-03-10 Siang Lee Hong Two-stage, gesture enhanced input system for letters, numbers, and characters
WO2017110538A1 (ja) * 2015-12-22 2017-06-29 株式会社プロドローン 水位測定システムおよび水位制御システム、並びに、これらを用いた水位測定方法および水位制御方法
CN109522889A (zh) * 2018-09-03 2019-03-26 中国人民解放军国防科技大学 一种基于图像分析的水文尺水位识别估算方法
CN109543596A (zh) * 2018-11-20 2019-03-29 浙江大华技术股份有限公司 一种水位监测方法、装置、电子设备及存储介质
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
CN110909640A (zh) * 2019-11-11 2020-03-24 浙江大华技术股份有限公司 水位线的确定方法及装置、存储介质、电子装置
CN111275039A (zh) * 2020-01-17 2020-06-12 深圳信息职业技术学院 水尺字符定位方法、装置、计算设备及存储介质
CN112766274A (zh) * 2021-02-01 2021-05-07 长沙市盛唐科技有限公司 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统
WO2021238030A1 (zh) * 2020-05-26 2021-12-02 浙江大学 基于聚类分区进行刻度识别的水位监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110049024A1 (en) * 2009-08-31 2011-03-03 Thomas Pank Method for treating runoff water using a series of treatment sequences to remove fine pollutants and clay
US20160070464A1 (en) * 2014-09-08 2016-03-10 Siang Lee Hong Two-stage, gesture enhanced input system for letters, numbers, and characters
WO2017110538A1 (ja) * 2015-12-22 2017-06-29 株式会社プロドローン 水位測定システムおよび水位制御システム、並びに、これらを用いた水位測定方法および水位制御方法
CN109522889A (zh) * 2018-09-03 2019-03-26 中国人民解放军国防科技大学 一种基于图像分析的水文尺水位识别估算方法
CN109543596A (zh) * 2018-11-20 2019-03-29 浙江大华技术股份有限公司 一种水位监测方法、装置、电子设备及存储介质
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
CN110909640A (zh) * 2019-11-11 2020-03-24 浙江大华技术股份有限公司 水位线的确定方法及装置、存储介质、电子装置
CN111275039A (zh) * 2020-01-17 2020-06-12 深圳信息职业技术学院 水尺字符定位方法、装置、计算设备及存储介质
WO2021238030A1 (zh) * 2020-05-26 2021-12-02 浙江大学 基于聚类分区进行刻度识别的水位监测方法
CN112766274A (zh) * 2021-02-01 2021-05-07 长沙市盛唐科技有限公司 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENG GUO 等，: "Water level sensing in a steel vessel using A0 and Quasi-Scholte waves", 《JOURNAL OF SENSORS》 *
赵娜，: "基于Faster R-CNN与GrabCut相融合的水位检测", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116222693A (zh) * 2023-05-10 2023-06-06 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） 一种基于水尺倒影的天然河道水位自动监测方法

Also Published As

Publication number Publication date
CN114663811B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
TWI536277B (zh) Form identification method and device
US20210374466A1 (en) Water level monitoring method based on cluster partition and scale recognition
CN105139004B (zh) 基于视频序列的人脸表情识别方法
CN105205488B (zh) 基于Harris角点和笔画宽度的文字区域检测方法
CN111626190A (zh) 基于聚类分区进行刻度识别的水位监测方法
CN111161243A (zh) 基于样本增强的工业产品表面缺陷检测方法
CN109858480A (zh) 一种数字式仪表识别方法
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN110032932B (zh) 一种基于视频处理和决策树设定阈值的人体姿态识别方法
CN111091544A (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN110598566A (zh) 图像处理方法、装置、终端和计算机可读存储介质
CN106372624A (zh) 人脸识别方法及系统
CN114663811B (zh) 一种利用水尺倒影的水面线提取方法
CN106874893A (zh) 一种试卷分数的统计方法及系统
CN112419260A (zh) 一种pcb文字区域缺陷检测方法
CN108960239A (zh) 一种基于图像处理的激光蚀刻金属雷管编码字符分割方法
CN111368682A (zh) 一种基于faster RCNN台标检测与识别的方法及系统
CN113221956A (zh) 基于改进的多尺度深度模型的目标识别方法及装置
CN108416304B (zh) 一种利用上下文信息的三分类人脸检测方法
CN109859199A (zh) 一种sd-oct图像的淡水无核珍珠质量检测的方法
CN110414505A (zh) 图像的处理方法、处理系统及计算机可读存储介质
CN107368826A (zh) 用于文本检测的方法和装置
CN107798355B (zh) 一种基于文档图像版式自动分析与判断的方法
CN115880566A (zh) 一种基于视觉分析的智能阅卷系统
CN115797939A (zh) 一种基于深度学习的两阶段斜体字符识别方法及装置

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