CN115578695B - 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 - Google Patents

一种自由拍摄视角的水尺水位机器视觉检测方法及装置 Download PDF

Info

Publication number
CN115578695B
CN115578695B CN202211453329.4A CN202211453329A CN115578695B CN 115578695 B CN115578695 B CN 115578695B CN 202211453329 A CN202211453329 A CN 202211453329A CN 115578695 B CN115578695 B CN 115578695B
Authority
CN
China
Prior art keywords
water gauge
character
image
water
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.)
Active
Application number
CN202211453329.4A
Other languages
English (en)
Other versions
CN115578695A (zh
Inventor
金建辉
谢智峰
李盛洪
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202211453329.4A priority Critical patent/CN115578695B/zh
Publication of CN115578695A publication Critical patent/CN115578695A/zh
Application granted granted Critical
Publication of CN115578695B publication Critical patent/CN115578695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种自由拍摄视角的水尺水位机器视觉检测方法及装置，方法包括：获取一幅自由拍摄视角包含目标水尺的待检测图像；利用预先训练的改进型YOLOv5目标检测网络检测图像中水尺、数字、左侧、右侧以及各类残缺E字符区域；筛选错误并补全漏检；根据水尺区域检测结果将水尺从待检测图像中分离，同时提取该水尺区域中左侧和右侧E字符位置坐标，再结合数字与残缺E字符的类型得到预估水位值；计算通过左侧和右侧E字符中心点直线斜率并通过两者均值进行倾斜校正；利用预先训练的分类网络对目标残缺E字符分类，如果结果与上文类型相同则保持水位值，否则更新水位值。本发明方法能适应不同水尺架设场景，避免人工标定水尺造成的不利影响。

Description

一种自由拍摄视角的水尺水位机器视觉检测方法及装置
技术领域
本发明涉及深度学习和机器视觉技术领域，具体涉及一种自由拍摄视角的水尺水位机器视觉检测方法及装置。
背景技术
在日常的河流湖库监测工作中水位是一个重要指标，水位能够直观的反映城市及灌区供水量、暴雨及洪水流量、径流泥沙及养分输移率等信息，因此建立连续可靠的水位监测系统对于全面提升防汛抗旱预警预报水平和江河湖泊日常监管能力具有重要意义。
目前在水位检测工作中水尺作为一种普遍使用的设备，其能够直观反映当前水位高度，具备结构简单和价格低廉等优点，所以水文监测工作中为了对水位进行监测，通常会在河流湖库的各个位置设置水尺。但受限于河流湖库实际情况，水尺的架设位置环境复杂且架设地点分布广泛，以上原因造成了工作人员对水尺进行读数时劳动强度巨大、效率低下且无法做到实时监控等缺点。为了对水位进行有效的监测，除了架设水尺外，目前国内在水文监测领域还有采用自动水位计，例如浮子式、压力式、超声波式及雷达式，进行水位的监测工作，这些自动水位计能够在一定程度上减轻工作人员的劳动强度，但是这些自动水位计普遍都存在前期安装过程复杂和后期维护成本高等问题，而且测量的精度和可靠性会容易受到环境温度等多种因素的影响。基于以上原因，为了解决目前水尺水位监测工作中存在的问题，有相关技术人员提出了基于机器视觉的水尺水位检测方法。
目前国内重要的水位观测点都配备了视频监控系统并且安装了在水位监测中常用的标准双色水尺（简称水尺），这些基础设施为基于图像的水尺水位检测方法提供了必要前提。图像法利用现有的视频监控设备获取水尺图像，然后再通过图像处理技术获取水位读数。相比现有方法，图像法在原理上具有非接触、无温漂、无转换误差等优点，然而受制于复杂的现场条件，现有的图像法水位检测方法在测量精度和可靠性上仍然存在较大的局限。例如：1）一种基于全卷积神经网络的水尺水位线检测及有效性识别方法（授权公告号：CN111598098B），基于VGG-19构建了一种用于语义分割的全卷积神经网络。标注数据集时仅分为水尺，水草和水体三部分，对图像中的其他背景未能有很好的检测效果，使用时若有水草遮挡则需要人工读数。2）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（授权公告号：CN112734729B），利用Faster-RCNN目标检测网络检测水尺大致区域，再对大致区域模糊后图像采用递归OTSU算法进行处理，分割水尺与背景，对分割得到的水尺图像进行二值化处理，统计二值化水尺图像中像素灰度值为255的所有像素，对统计结果进行梯形积分，再对梯形积分进行二阶微分，对所述二阶微分分别计算均值和方差，根据二阶微分的均值和方差的突变位置确定水位线的位置，该方法十分依赖二值化的效果，当水尺出现反光或者水体透明的情况下二值化效果较差会进一步导致检测效果不佳。3）一种免水尺的河流水位视觉测量方法（授权公告号：CN113819974B），利用标定好内参和外参的相机拍摄河流完整断面的图像并做非线性畸变校正，在校正后的图像中的测量断面上选取水边线区域，利用图像分割获得河岸为前景、水面为背景的二值图像，对二值图像进行水平投影并搜索梯度最大值得到水边线像点纵坐标的观测值，然后再求取水位近似值。该方法十分依赖相机的人工标定，存在难以直接迁移使用的问题。
发明内容
发明目的：本发明的目的是提供一种自由拍摄视角的水尺水位机器视觉检测方法及装置，能够有效的解决现存的水位识别方法识别精度低、鲁棒性差以及图像处理水位识别方法中因人工设定基准值和像素映射准确性导致人工误差的问题，在提升泛化能力的同时进一步提高检测精度和检测效率。
技术方案：为了达到上述的目的，本发明采用以下技术方案：
一方面，本发明提供一种自由拍摄视角的水尺水位机器视觉检测方法，包括：
步骤S1：从前端水尺图像采集摄像机中获取一幅自由拍摄视角包含目标水尺的待检测图像；
步骤S2：对待检测的图像进行多色彩空间融合图像增强；
步骤S3：利用改进型YOLOv5目标检测网络对增强后图像中水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及残缺E字符进行检测；
步骤S4：综合以上步骤S3中包含水尺区域等在内的所有检测结果进行检测结果的过滤，筛选掉无用信息并补全漏检结果；
步骤S5：根据步骤S4中水尺区域的检测结果将水尺区域从包含目标水尺的待检测图像中分离出来，同时提取包含在该水尺区域中的左侧E字符和右侧E字符检测结果中的位置坐标信息，再结合该水尺区域内的数字标识信息与残缺E字符的类型得到预估水位值；
步骤S6：为了进一步提升检测精度，分别计算步骤S3中所有左侧和右侧E字符的中心点坐标，然后分别计算通过左侧和右侧中心点直线的斜率，最后通过两者的均值对水尺进行倾斜校正；
步骤S7：从校正后的水尺图像中位于最下方的一个完整E字符的下边缘位置往下截取一个完整E字符长度的区域进行处理后再利用预先训练好的基于LeNet的结构自建分类网络进行分类，如果分类与上文中用于计算水位值的残缺E字符的类型相同则保持原有水位值，反之则更新为利用校正后的水尺图像得到的水位值。
本发明所述的自由拍摄视角包含目标水尺的待检测图像为不同拍摄条件下获取到的不同水尺状态的图像；所述不同拍摄条件包括：摄像机与水尺的相对位置不同、摄像机拍摄角度不同，或者满足摄像机不同。
可选的，所述的多色彩空间融合图像增强是指通过融合RGB、HSV和Gray三种色彩空间的图像信息，从而提高图像的对比度和鲁棒性，使得图像中的水尺区域更加清晰，具体包括：将待检测图像转换为HSV色彩空间，并提取V通道；将待检测图像通过最小值法转换为Gray色彩空间；将三种色彩空间的图像信息进行融合，得到融合后的图像，计算表达式如下：
Figure 408601DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
表示融合后R，G，B通道的值、
Figure 660591DEST_PATH_IMAGE004
表示在R， G，B各通道上分别与RGB色彩空间值、HSV空间中V值和Gray空间值的加权系数；最后对所述 所得到的融合后的图像进行直方图均衡化，得到增强后的图像。
本发明所述的利用预先训练的改进型YOLOv5目标检测网络对增强后图像进行检测，能够快速定位水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及残缺E字符所在的区域。
可选的，改进型YOLOv5目标检测网络是指在原始YOLOv5目标检测网络的特征提取的末尾位置加入根据ECA模块改进的SDECA模块，所述的SDECA模块与原始ECA模块相比引入了空洞卷积用于通道注意力机制计算，同时利用全局软池化层替代原始模块中的全局平均池化层，计算表达式如下：
Figure 888310DEST_PATH_IMAGE006
Figure 923262DEST_PATH_IMAGE008
式中，
Figure DEST_PATH_IMAGE009
表示特征图中第
Figure 800431DEST_PATH_IMAGE010
点所占权重，
Figure DEST_PATH_IMAGE011
表示特征图中第
Figure 957743DEST_PATH_IMAGE010
点的值，
Figure 938337DEST_PATH_IMAGE012
表示特征 图中第
Figure DEST_PATH_IMAGE013
点的值，
Figure 370456DEST_PATH_IMAGE014
表示特征图，
Figure DEST_PATH_IMAGE015
表示经全局软池化后的值。
可选的，改进的SDECA模块在原始ECA模块的基础上，引入了空洞卷积并结合原始卷积用于通道注意力机制计算，卷积核的大小通过下式计算：
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE019
式中，
Figure 355991DEST_PATH_IMAGE020
表示空洞卷积核的大小，
Figure DEST_PATH_IMAGE021
表示普通卷积核的大小，
Figure 215363DEST_PATH_IMAGE022
表示通道数，
Figure DEST_PATH_IMAGE023
，
Figure 247035DEST_PATH_IMAGE024
。
可选的，所述改进型YOLOv5目标检测网络模型的搭建和具体训练可以采用现有的框架和技术，模型所需的训练样本集包括不同拍摄拍摄条件下的不同水尺状态的已标注的样本。
本发明所述的综合以上所述的包含水尺区域等在内的所有检测结果进行检测结果的过滤，用于筛选掉无用信息并补全漏检结果包括以下步骤：
对所述所有检测结果进行初筛，滤除置信度得分低于0.5的检测结果；
对所述水尺区域的检测结果进行过滤，滤除面积低于阈值
Figure DEST_PATH_IMAGE025
的检测框，得 到水尺区域的检测结果；
对所述水尺上的数字标识的检测结果进行过滤，具体为首先根据位置信息判别当前数字标识所属的水尺区域，再判断数字标识是否包含在水尺的左侧区域以及外边框是否处于水尺区域内，如果两者都满足则保留，否则滤除，重复执行以上两步，直至得到最终水尺上的数字标识的检测结果；
对左侧E字符的检测结果进行过滤，首先通过位置信息判断左侧E字符所属的水尺区域，再判断左侧E字符是否位于水尺区域的左侧以及外边框是否处于水尺区域内，如果两者均为是则保留，否则滤除，重复执行以上两步，直至得到最终左侧E字符的检测结果；
对右侧E字符的检测结果进行过滤，首先通过位置信息判断右侧E字符所属的水尺区域，再判断右侧E字符是否位于水尺区域的右侧以及外边框是否处于水尺区域内，如果两者均为是则保留，否则滤除，重复执行以上两步，直至得到最终右侧E字符的检测结果；
对残缺E字符的检测结果进行过滤，具体为根据优先级进行判断，保留当前残缺E字符所处区域内最高优先级的检测结果，优先级的高低根据残缺E字符的完整度高低对应排序，经过滤后得到最终的残缺E字符的检测结果。
可选的，所述的对所有检测结果进行初筛，滤除置信度得分低于0.5的检测结果，其中置信度得分的最小值应根据具体应用场景进行选取。
可选的，所述的对水尺区域的检测结果进行过滤，滤除面积低于阈值
Figure 482844DEST_PATH_IMAGE026
的 检测框，得到水尺区域的检测结果，其中为了确保至少得到一个数字标识，阈值应满足
Figure DEST_PATH_IMAGE027
，其中
Figure 555843DEST_PATH_IMAGE028
是检测结果中所有完整E字符面积的均值。
本发明所述的结合该水尺大致区域内的数字标识信息与残缺E字符的类型可以得到预估水位值，具体实现步骤如下：
判别所述的位于最下方的残缺E字符处于水尺的左侧还是右侧；
如果最下方的残缺E字符处于水尺的左侧，则水位值Z=H1–h，H1表示最下方的残缺E字符上方的数字标识的高度，h表示残缺E字符的长度；
如果最下方的残缺E字符处于水尺的右侧，则水位值Z=H2–hw–h，H2表示最下方的残缺E字符的左侧完整E字符上方的数字标识的高度，hw表示完整E字符长度，h表示残缺E字符的长度。
可选的，为了对水位值进行校准需对水尺进行倾斜校正，所述的水尺进行倾斜校正包括以下步骤：
获取改进型YOLOv5目标检测网络输出中所有左侧E字符和右侧E字符的左下角坐标和右下角坐标；
根据所有左侧E字符和右侧E字符的左下角坐标和右下角坐标分别计算中心点坐标，并划分左侧E字符中心点和右侧E字符中心点两个集合；
对左侧E字符中心点和右侧E字符中心点两个集合中的中心点分别进行线性拟合， 依次得到经过左侧E字符中心点直线和右侧E字符中心点直线的斜率
Figure DEST_PATH_IMAGE029
和
Figure 320536DEST_PATH_IMAGE030
。
根据下式计算水尺的倾斜率
Figure DEST_PATH_IMAGE031
：
Figure DEST_PATH_IMAGE033
再通过下式计算水尺的倾斜角度
Figure 449292DEST_PATH_IMAGE034
：
Figure 754371DEST_PATH_IMAGE036
最后，通过求得水尺倾斜角度
Figure 947455DEST_PATH_IMAGE034
对水尺进行旋转，使水尺的倾斜得到校正。
本发明所述的基于LeNet的结构自建分类网络的结构包括：输入层，输入层的输入为48×40×4的图像；卷积层1，卷积层的卷积核大小为3×3，卷积核个数为16，步长为1，填充为1，激活函数为SiLU；卷积层2，卷积层的卷积核大小为3×3，卷积核个数为32，步长为2，填充为1，激活函数为SiLU；卷积层3，卷积层的卷积核大小为3×3，卷积核个数为16，步长为2，填充为1，激活函数为SiLU；普通卷积层，卷积层的卷积核大小为1×1，卷积核个数为9，步长为1，填充为0，激活函数为SiLU；全局平均池化层，全局平均池化层用于替代全连接层，以当前通道的特征图的平均值作为输出；输出层，输出层的输出为9个类别的概率值；其中，输入图像的4个通道分别对应多色彩空间融合图像增强后的R、G、B通道像素值和经傅里叶变换后的频谱图，卷积层包括普通卷积层、批归一化层和激活层，除特殊说明外激活层统一采用SiLU激活函数。
可选的，所述的基于LeNet的结构自建分类网络中输入图像的尺寸48×40是经在5000张已标记的样本中通过随机抽样的方法抽取其中1000张样本，然后对1000张样本中所有的完整E字符的尺寸进行求均值求得。
第二方面，本发明提供一种自由拍摄视角的水尺水位机器视觉检测装置，包括：
图像采集模块，用于采集自由拍摄视角包含目标水尺的待检测图像；
图像增强模块，用于对所述的待检测图像进行多色彩空间融合图像增强；
目标检测模块，用于对所述的图像增强后的图像利用预先训练的改进型YOLOv5目标检测网络进行目标检测，得到图像中水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及各类残缺的E字符位置；
检测结果过滤模块，用于对所述的目标检测模块所得到的检测结果进行过滤去除无效信息并补全漏检信息；
水尺水位计算模块，用于对所述的检测结果过滤模块所得到的检测结果进行水尺水位计算；
水尺水位校正模块，用于利用预先训练好的基于LeNet的结构自建分类网络进行分类，将分类结果与水尺水位计算模块中的检测结果进行比较，对所述的水尺水位计算模块所得到的水尺水位进行进一步校正；
水尺水位显示模块，用于对所述的水尺水位计算模块所得到的水尺水位进行记录与显示。
技术效果：
本发明利用改进型YOLOv5目标检测网络对增强后图像中水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及各类残缺的E字符进行检测；再根据水尺区域的检测结果将水尺的大致区域从包含目标水尺的待检测图像中分离出来，同时提取包含在该水尺大致区域中的左侧E字符和右侧E字符检测结果中的位置坐标信息，再结合该水尺大致区域内的数字标识信息与残缺E字符的类型可以得到预估水位值；为了进一步提升检测精度，对水尺进行倾斜校正；从校正后的水尺图像中最后一个完整E字符的下边缘位置往下截取一个完整E字符长度的区域进行处理后再利用基于LeNet的结构自建分类网络进行分类，如果分类与用于计算水位值的残缺E字符的类型相同则保持原有水位值，反之则更新水位值。本发明方法能够实现水尺水位的实时监测，同时不需要对水尺进行标定，而且同时水尺的拍摄视角不需要固定，这样的设定能够很好的满足实际工作，该方法能够适应较为复杂的工作环境具有较好的鲁棒性，特别是对于拍摄水尺信息较完整的图像具有最佳的表现效果。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是水尺水位检测实现的总体流程图；
图2是水尺图像采集装置安装示意图；
图3是水尺水位检测系统的架构；
图4是多色彩空间图像增强操作示意图；
图5是目标检测数据集除水尺标注外各类标注类别标准示例；
图6是残缺E字符分类数据集样本示例；
图7是基于软池化双路ECA改进的YOLOv5网络模型架构；
图8是改进型的软池化双路ECA网络模型架构；
图9是改进型的LeNet网络模型架构；
图10是网络模型中子模块结构
附图标记：1—河床 2—右侧河岸 3—摄像机支架 4—红外摄像机 5—左侧河岸6—水尺 7—水位线。
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，以下结合实施例及其附图对本发明作进一步说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的实施例，本领域普通技术人员在无需创造性劳动的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。
实施例1
本实施例介绍一种自由拍摄视角的水尺水位机器视觉检测方法，包括：
从前端水尺图像采集摄像机中获取一幅自由拍摄视角包含目标水尺的待检测图像；
对待检测的图像进行多色彩空间融合图像增强；
利用预先训练的改进型YOLOv5目标检测网络对增强后图像中水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及各类残缺E字符进行检测；
综合以上所述的包含水尺区域等在内的所有检测结果进行检测结果的过滤，用于筛选掉无用信息，并补全漏检结果；
根据水尺区域的检测结果将水尺区域从包含目标水尺的待检测图像中分离出来，同时提取包含在该水尺区域中的左侧E字符和右侧E字符检测结果中的位置坐标信息，再结合该水尺区域内的数字标识信息与残缺E字符的类型可以得到预估水位值；
为了进一步提升检测精度，分别计算所有左侧和右侧E字符的中心点坐标，然后分别计算通过左侧和右侧中心点直线的斜率，最后通过两者的均值对水尺进行倾斜校正；
从校正后的水尺图像中最后一个完整E字符的下边缘位置往下截取一个完整E字符长度的区域进行处理后再利用预先训练好的基于LeNet的结构自建分类网络进行分类，如果分类与上文中用于计算水位值的残缺E字符的类型相同则保持原有水位值，反之则更新水位值。
参考图1，本实施例自由拍摄视角的标准双色水尺水位机器视觉检测方法，具体涉及以下内容。
一、搭建水尺图像采集处理平台
本发明利用一套水尺图像采集处理平台来集成所述的所有操作，主要包括：数据采集端，在各个水文站点架设水尺和水尺图像采集所需的摄像机；网络传输端；服务端，用于部署处理水尺图像的算法；用户端，提供直观的数据可视化结果。水尺图像采集处理平台的具体构成参考图3。
具体的，数据采集端中的水尺和摄像机的架设方式可以参考图2，在河床1的右侧河岸2处安装摄像机支架3，摄像机支架3的顶端设有红外摄像机4，在靠近左侧河岸5处竖直放置水尺6，水尺6伸入水位线7下方。
如果水文站点前期已经配置了视频监测设备则可以直接复用原有设备无需重新架设；网络传输端主要负责通过以太网或者GPRS网络将数据采集端采集到的水尺图像传输给服务端，传输方式采用以太网或者采用GPRS网络根据现场实际部署条件决定；服务端是整个平台的核心，主要负责处理采集到的水尺图像，得到对应的水位值并记录以供用户使用，为了适应实际使用情况，服务端根据实际处理的任务量可以动态的将任务分配给单台或者服务器集群；用户端主要任务是将得到的水位值直观的展示给用户，用户可以通过个人电脑、平板和手机等多种设备接入。
二、提取水尺图像上特征
在水尺图像采集处理平台部署完成后，本实施例通过所述平台获取一幅自由拍摄视角包含目标水尺的待检测图像，然后对待检测的图像进行多色彩空间融合图像增强，再利用预先训练的改进型YOLOv5目标检测网络对增强后图像中水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及各类残缺E字符进行检测。
具体的，本实施例中自由拍摄视角包含目标水尺的待检测图像为不限定拍摄条件下获取到的任意水尺状态的图像，同时所述的多色彩空间融合图像增强是指通过融合RGB、HSV和Gray三种色彩空间的图像信息，从而提高图像的对比度和鲁棒性，使得图像中的水尺区域更加清晰，具体包括：将待检测图像转换为HSV色彩空间，并提取V通道；将待检测图像通过最小值法转换为Gray色彩空间；将三种色彩空间的图像信息进行融合，得到融合后的图像，计算表达式如下：
Figure 820733DEST_PATH_IMAGE002
式中，
Figure 873003DEST_PATH_IMAGE003
表示融合后R，G，B通道的值、
Figure 450614DEST_PATH_IMAGE004
表示在R， G，B各通道上分别与RGB色彩空间值、HSV空间中V值和Gray空间值的加权系数；最后对所述 所得到的融合后的图像进行直方图均衡化，得到增强后的图像，实际效果展示参考图4。
具体的，本实施例中改进型YOLOv5目标检测网络在训练阶段所需的训练样本集获取方法为：首先选取水文站不同天气、光照和水流条件下的水尺监控图像建立样本集，在选取的图像中用矩形框标注出水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及各类残缺E字符并设置标签，参见图6为残缺E字符分类数据集样本示例，具体标注类型参考图5。按照训练样本：验证样本：测试样本＝8：1：1的方式进行划分。
具体的，改进型YOLOv5目标检测网络参考图7是指在原始YOLOv5目标检测网络的特征提取的末尾位置加入根据ECA模块改进的SDECA模块参考图8，所述的SDECA模块与原始ECA模块相比引入了空洞卷积用于通道注意力机制计算，同时利用全局软池化层替代原始模块中的全局平均池化层，计算表达式如下：
Figure DEST_PATH_IMAGE037
Figure 999670DEST_PATH_IMAGE038
式中，
Figure 902904DEST_PATH_IMAGE009
表示特征图中第
Figure DEST_PATH_IMAGE039
点所占权重，
Figure 35945DEST_PATH_IMAGE011
表示特征图中第
Figure 558193DEST_PATH_IMAGE039
点的值，
Figure 725869DEST_PATH_IMAGE014
表示特征 图，
Figure 675371DEST_PATH_IMAGE015
表示经全局软池化后的值。
另外，改进的SDECA模块在原始ECA模块的基础上，引入了空洞卷积并结合原始卷积用于通道注意力机制计算，卷积核的大小通过下式计算：
Figure DEST_PATH_IMAGE041
Figure 531593DEST_PATH_IMAGE042
式中，
Figure 716587DEST_PATH_IMAGE020
表示空洞卷积核的大小，
Figure 4349DEST_PATH_IMAGE021
表示普通卷积核的大小，
Figure 124752DEST_PATH_IMAGE022
表示通道数，
Figure 763543DEST_PATH_IMAGE023
，
Figure 627594DEST_PATH_IMAGE024
。
改进型YOLOv5目标检测网络的输出结果为每类目标的左上角坐标和目标的宽高。
三、利用水尺图像特征计算预估水位值
在得到了改进型YOLOv5目标检测网络的输出结果后，本实施例对所述的包含水尺区域等在内的所有检测结果进行检测结果的过滤，筛选掉无用信息并补全漏检结果，然后通过综合过滤后的结果计算得到预估水位值。
具体的，首先通过对所述所有检测结果进行初筛，滤除置信度得分低于0.5的检测 结果，置信度得分的最小值应根据具体应用场景进行选取，本实施例中默认为0.5；再对所 述水尺区域的检测结果进行过滤，滤除面积低于阈值
Figure 271327DEST_PATH_IMAGE025
的检测框，得到水尺区域的 检测结果，为了确保至少得到一个数字标识，阈值应满足
Figure DEST_PATH_IMAGE043
，其中
Figure 421686DEST_PATH_IMAGE044
是检测结果中所有完整E字符面积的均值；然后对所述水尺上的数字标识的检测 结果进行过滤，具体为首先根据位置信息判别当前数字标识所属的水尺区域，再判断数字 标识是否包含在水尺的左侧区域以及外边框是否处于水尺区域内，如果两者均为是则保 留，否则滤除，重复执行以上两步，直至得到最终水尺上的数字标识的检测结果；对左侧E字 符的检测结果进行过滤，首先通过位置信息判断左侧E字符所属的水尺区域，再判断左侧E 字符是否位于水尺区域的左侧以及外边框是否处于水尺区域内，如果两者均为是则保留， 否则滤除，重复执行以上两步，直至得到最终左侧E字符的检测结果；对右侧E字符的检测结 果进行过滤，首先通过位置信息判断右侧E字符所属的水尺区域，再判断右侧E字符是否位 于水尺区域的右侧以及外边框是否处于水尺区域内，如果两者均为是则保留，否则滤除，重 复执行以上两步，直至得到最终右侧E字符的检测结果；对残缺E字符的检测结果进行过滤， 具体为根据优先级进行判断，保留当前残缺E字符所处区域内最高优先级的检测结果，优先 级的高低根据残缺E字符的完整度高低对应排序，经过滤后得到最终的残缺E字符的检测结 果。
具体的，在筛选掉无用信息并补全漏检结果后，本实施例结合该水尺大致区域内的数字标识信息与残缺E字符的类型可以得到预估水位值，具体实现步骤包括：判别所述的位于最下方的残缺E字符处于水尺的左侧还是右侧；如果最下方的残缺E字符处于水尺的左侧，则水位值Z=H1–h，H1表示最下方的残缺E字符上方的数字标识的高度，h表示残缺E字符的长度；如果最下方的残缺E字符处于水尺的右侧，则水位值Z=H2–hw–h，H2表示最下方的残缺E字符的左侧完整E字符上方的数字标识的高度，hw表示完整E字符长度，h表示残缺E字符的长度。
四、进一步校准水位值
在得到预估水位值后，为了进一步判别水位值的正确性和对水位值进行校准，本实施例首先对水尺进行倾斜校正，然后从校正后的水尺图像中最后一个完整E字符的下边缘位置往下截取一个完整E字符长度的区域进行处理后再利用基于LeNet的结构自建分类网络进行分类，如果分类与用于计算水位值的残缺E字符的类型相同则保持原有水位值，反之则更新为利用校正后的水尺图像得到的水位值。
具体的，为了对水位值进行校准需对水尺进行倾斜校正，所述的水尺进行倾斜校 正包括：获取改进型YOLOv5目标检测网络输出中所有左侧E字符和右侧E字符的左下角坐标 和右下角坐标；根据所有左侧E字符和右侧E字符的左下角坐标和右下角坐标分别计算中心 点坐标，并划分左侧E字符中心点和右侧E字符中心点两个集合；对左侧E字符中心点和右侧 E字符中心点两个集合中的中心点分别进行线性拟合，依次得到经过左侧E字符中心点直线 和右侧E字符中心点直线的斜率
Figure 157561DEST_PATH_IMAGE029
和
Figure 949936DEST_PATH_IMAGE030
。
再根据下式计算水尺的倾斜率
Figure 822077DEST_PATH_IMAGE031
：
Figure 408917DEST_PATH_IMAGE033
再通过下式计算水尺的倾斜角度
Figure 632088DEST_PATH_IMAGE034
：
Figure DEST_PATH_IMAGE045
最后，通过求得水尺倾斜角度
Figure 932881DEST_PATH_IMAGE046
对水尺进行旋转，使水尺的倾斜得到校正。
本实施例采用基于LeNet的结构自建分类网络的结构参考图9包括：输入层，输入层的输入为48×40×4的图像；卷积层1，卷积层的卷积核大小为3×3，卷积核个数为16，步长为1，填充为1，激活函数为SiLU；卷积层2，卷积层的卷积核大小为3×3，卷积核个数为32，步长为2，填充为1，激活函数为SiLU；卷积层3，卷积层的卷积核大小为3×3，卷积核个数为16，步长为2，填充为1，激活函数为SiLU；普通卷积层，卷积层的卷积核大小为1×1，卷积核个数为9，步长为1，填充为0，激活函数为SiLU；全局平均池化层，全局平均池化层用于替代全连接层，以当前通道的特征图的平均值作为输出；输出层，输出层的输出为9个类别的概率值；其中，输入图像的4个通道分别对应多色彩空间融合图像增强后的R、G、B通道像素值和经傅里叶变换后的频谱图。
具体的，所述的基于LeNet的结构自建分类网络中输入图像的尺寸48×40是经在5000张已标记的样本中通过随机抽样的方法抽取其中1000张样本，然后对1000张样本中所有的完整E字符的尺寸进行求均值求得。基于LeNet的结构自建分类网络训练阶段所需的数据集建立方法是，首先通过对改进型YOLOv5目标检测网络数据集已标记样本中水尺图像最后一个完整E字符的下边缘位置往下截取一个完整E字符长度（该长度是当前水尺图像中所有完整E字符长度的均值）的区域得到目标区域，再将目标区域统一缩放到48×40大小，然后对缩放后的图像通过下式计算得到频域值，
Figure 784162DEST_PATH_IMAGE048
Figure 807482DEST_PATH_IMAGE050
式中
Figure DEST_PATH_IMAGE051
表示空间域值，
Figure 845845DEST_PATH_IMAGE052
表示频域值，频域值是复数形式。
对上式中得到的频域值利用下式计算得到所需的幅值图像，
Figure 855390DEST_PATH_IMAGE054
最后，将计算得到的幅值图像重新排列图像的象限，使得图像的原点位于图像的中心并归一化处理后，与原始的RGB色彩空间图像进行通道拼接得到基于LeNet的结构自建分类网络所需的输入。
实施例2
与实施例1基于相同的发明构思，本实施例介绍一种自由拍摄视角的标准双色水尺水位机器视觉检测装置，包括：
图像采集模块，被配置用于采集自由拍摄视角包含目标水尺的待检测图像；
图像增强模块，被配置用于对所述的待检测图像进行多色彩空间融合图像增强；
目标检测模块，被配置用于对所述的图像增强后的图像利用预先训练的改进型YOLOv5目标检测网络进行目标检测，得到图像中水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及各类残缺的E字符位置；
检测结果过滤模块，被配置用于对所述的目标检测模块所得到的检测结果进行过滤去除无效信息并补全漏检信息；
水尺水位计算模块，被配置用于对所述的检测结果过滤模块所得到的检测结果进行水尺水位计算；
水尺水位校正模块，被配置用于利用预先训练好的基于LeNet的结构自建分类网络进行分类，将分类结果与水尺水位计算模块中的检测结果进行比较，对所述的水尺水位计算模块所得到的水尺水位进行进一步校正；
水尺水位显示模块，被配置用于对所述的水尺水位计算模块所得到的水尺水位进行记录与显示。
以上各功能模块的具体功能实现，参考实施例1中的相关方法内容。
综上实施例，本发明具有以下优点和进步：
1）环境适应强。本发明方法不需要严格限制摄像机的拍摄角度和进行人工标定操作，使得该方法能够快速的部署到不同的应用环境中，能够满足实际的工作需求，具有很强的环境适应性。
2）实时性高。本发明对目前主流的单阶段目标检测算法YOLOv5网络模型进行改进，使得检测的精度和速度得到了保证，能够满足实际工况中实时监测的需求。
3）抗干扰性强。本发明综合所述改进型YOLOv5目标检测网络模型输出的所有结果，利用统计学方法实现相应检测结果的筛选过滤和补漏，使得本发明方法能够克服因水尺腐蚀、反光和水面倒影造成的不利影响，进一步提升检测的效果。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (7)

1.一种自由拍摄视角的水尺水位机器视觉检测方法，其特征在于，包括以下步骤：
步骤S1：从前端水尺图像采集摄像机中获取一幅自由拍摄视角包含目标水尺的待检测图像；
步骤S2：对待检测图像进行多色彩空间融合图像增强；
步骤S3：利用改进型YOLOv5目标检测网络对增强后图像中水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及残缺E字符进行检测；
所述改进型YOLOv5目标检测网络是指在原始YOLOv5目标检测网络的特征提取的末尾位置加入根据ECA模块改进的SDECA模块，所述SDECA模块引入空洞卷积并结合原始卷积用于通道注意力机制计算，同时利用全局软池化层替代原始模块中的全局平均池化层，计算表达式如下：
Figure FDA0004054620210000011
Figure FDA0004054620210000012
式中，Wi表示特征图中第i点所占权重，ai表示特征图中第i点的值，aj表示特征图中第j点的值，R表示特征图，
Figure FDA0004054620210000013
表示经全局软池化后的值；
在原始ECA模块的基础上，引入了空洞卷积并结合原始卷积用于通道注意力机制计算，卷积核的大小通过下式计算：
Figure FDA0004054620210000014
k＝2×kd-1
式中，kd表示空洞卷积核的大小，k表示普通卷积核的大小，C表示通道数，b＝1，γ＝2；
步骤S4：对步骤S3得到的检测结果进行过滤，并补全漏检结果；
先对所述所有检测结果进行初筛，滤除置信度得分低于0.5的检测结果，再分类别对初筛的检测结果进一步筛选；
对水尺区域的检测结果进行过滤，滤除面积低于阈值Areamin的检测框，得到水尺区域的检测结果；
对水尺上的数字标识的检测结果进行过滤，首先根据位置信息判别当前数字标识所属的水尺区域，再判断数字标识是否包含在水尺的左侧区域以及外边框是否处于水尺区域内，如果两者均为是则保留，否则滤除，重复执行以上两步，直至得到最终水尺上的数字标识的检测结果；
对左侧E字符的检测结果进行过滤，首先通过位置信息判断左侧E字符所属的水尺区域，再判断左侧E字符是否位于水尺区域的左侧以及外边框是否处于水尺区域内，如果两者均为是则保留，否则滤除，重复执行以上两步，直至得到最终左侧E字符的检测结果；
对右侧E字符的检测结果进行过滤，首先通过位置信息判断右侧E字符所属的水尺区域，再判断右侧E字符是否位于水尺区域的右侧以及外边框是否处于水尺区域内，如果两者均为是则保留，否则滤除，重复执行以上两步，直至得到最终右侧E字符的检测结果；
对残缺E字符的检测结果进行过滤，具体为根据优先级进行判断，保留当前残缺E字符所处区域内最高优先级的检测结果，优先级的高低根据残缺E字符的完整度高低对应排序，经过滤后得到最终的残缺E字符的检测结果；
步骤S5：根据步骤S4中水尺区域的检测结果将水尺区域从包含目标水尺的待检测图像中分离出来，同时提取包含在该水尺区域中的左侧E字符和右侧E字符检测结果中的位置坐标信息，再结合该水尺区域内的数字标识信息与残缺E字符的类型得到预估水位值；
步骤S6：分别计算步骤S3中所有左侧和右侧E字符的中心点坐标，然后分别计算左侧和右侧中心点直线的斜率，最后通过两条直线斜率的均值对水尺进行倾斜校正；
步骤S7：从校正后的水尺图像中位于最下方的一个完整E字符的下边缘位置往下截取一个完整E字符长度的区域进行缩放处理，再利用基于LeNet的结构自建分类网络进行分类，如果分类与步骤S5中用于计算水位值的残缺E字符的类型相同则保持原有水位值，反之则更新为利用校正后的水尺图像得到的水位值。
2.根据权利要求1所述的自由拍摄视角的水尺水位机器视觉检测方法，其特征在于，所述自由拍摄视角包含目标水尺的待检测图像为不同拍摄条件下获取到的不同水尺状态的图像；所述不同拍摄条件包括：摄像机与水尺的相对位置不同、摄像机拍摄角度不同，或者满足摄像机不同。
3.根据权利要求1所述的自由拍摄视角的水尺水位机器视觉检测方法，其特征在于，所述多色彩空间融合图像增强是指融合RGB、HSV和Gray三种色彩空间的图像信息，具体包括：
将待检测图像转换为HSV色彩空间，并提取V通道；
将待检测图像通过最小值法转换为Gray色彩空间；
将三种色彩空间的图像信息进行融合，得到融合后的图像，计算表达式如下：
I<r,g,b>＝α<r,g,b>×RGB<r,g,b>+β<r,g,b>×V+γ<r,g,b>×Gray
式中，I<r,g,b>表示融合后R，G，B通道的值，α<r,g,b>,β<r,g,b>,γ<r,g,b>分别表示在R，G，B通道上与RGB色彩空间值、HSV空间中V值和Gray空间值的加权系数；
对融合后的图像进行直方图均衡化，得到增强后的图像。
4.根据权利要求1所述的自由拍摄视角的水尺水位机器视觉检测方法，其特征在于，所述步骤S5具体实现步骤如下：
判别最下方的残缺E字符处于水尺的左侧还是右侧；
如果最下方的残缺E字符处于水尺的左侧，则水位值Z＝H1–h，H1表示最下方的残缺E字符上方的数字标识的高度，h表示残缺E字符的长度；
如果最下方的残缺E字符处于水尺的右侧，则水位值Z＝H2–hw–h，H2表示最下方的残缺E字符的左侧完整E字符上方的数字标识的高度，hw表示完整E字符长度，h表示残缺E字符的长度。
5.根据权利要求1所述的自由拍摄视角的水尺水位机器视觉检测方法，其特征在于，所述步骤S6中水尺进行倾斜校正包括以下步骤：
获取步骤S3中改进型YOLOv5目标检测网络输出中所有左侧E字符的左下角坐标和右侧E字符的右下角坐标；
根据所有左侧E字符的左下角坐标和右侧E字符的右下角坐标分别计算中心点坐标，并划分左侧E字符中心点和右侧E字符中心点两个集合；
对左侧E字符中心点和右侧E字符中心点两个集合中的中心点分别进行线性拟合，依次得到经过左侧E字符中心点直线斜率Sl和右侧E字符中心点直线斜率Sr；
根据下式计算水尺的倾斜率S：
Figure FDA0004054620210000041
再通过下式计算水尺的倾斜角度A：
A＝arctan(S)
最后，通过求得的水尺倾斜角度A对水尺进行倾斜校正。
6.根据权利要求1所述的自由拍摄视角的水尺水位机器视觉检测方法，其特征在于，所述步骤S7中基于LeNet结构自建分类网络的结构包括：
输入层，输入层的输入为48×40×4的图像；
卷积层1，卷积层的卷积核大小为3×3，卷积核个数为16，步长为1，填充为1，激活函数为SiLU；
卷积层2，卷积层的卷积核大小为3×3，卷积核个数为32，步长为2，填充为1，激活函数为SiLU；
卷积层3，卷积层的卷积核大小为3×3，卷积核个数为16，步长为2，填充为1，激活函数为SiLU；
普通卷积层，卷积层的卷积核大小为1×1，卷积核个数为9，步长为1，填充为0，激活函数为SiLU；
全局平均池化层，全局平均池化层用于替代全连接层，以当前通道的特征图的平均值作为输出；
输出层，输出层的输出为9个类别的概率值；
其中，输入图像的4个通道分别对应多色彩空间融合图像增强后的R、G、B通道像素值和经傅里叶变换后的频谱图，卷积层包括普通卷积层、批归一化层加激活层。
7.自由拍摄视角的水尺水位机器视觉检测装置，其特征在于，包括：
图像采集模块，用于采集自由拍摄视角包含目标水尺的待检测图像；
图像增强模块，用于对所述待检测图像进行多色彩空间融合图像增强；
目标检测模块，用于对所述图像增强后的图像利用改进型YOLOv5目标检测网络进行目标检测，得到图像中水尺区域、水尺上的数字标识、左侧E字符、右侧E字符以及残缺E字符位置；
检测结果过滤模块，用于对所述目标检测模块所得到的检测结果进行过滤，去除无效信息并补全漏检信息；
水尺水位计算模块，用于对所述检测结果过滤模块所得到的检测结果进行水尺水位计算；
水尺水位校正模块，用于利用基于LeNet的结构自建分类网络进行分类，将分类结果与水尺水位计算模块中的检测结果进行比较，对所述水尺水位计算模块所得到的水尺水位进行进一步校正；
水尺水位显示模块，用于对所述水尺水位计算模块所得到的水尺水位进行记录与显示。
CN202211453329.4A 2022-11-21 2022-11-21 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 Active CN115578695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211453329.4A CN115578695B (zh) 2022-11-21 2022-11-21 一种自由拍摄视角的水尺水位机器视觉检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211453329.4A CN115578695B (zh) 2022-11-21 2022-11-21 一种自由拍摄视角的水尺水位机器视觉检测方法及装置

Publications (2)

Publication Number Publication Date
CN115578695A CN115578695A (zh) 2023-01-06
CN115578695B true CN115578695B (zh) 2023-03-28

Family

ID=84589749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211453329.4A Active CN115578695B (zh) 2022-11-21 2022-11-21 一种自由拍摄视角的水尺水位机器视觉检测方法及装置

Country Status (1)

Country Link
CN (1) CN115578695B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078913B (zh) * 2023-10-16 2024-02-02 第六镜科技(成都)有限公司 对象倾斜矫正方法、装置、电子设备和存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012154911A (ja) * 2011-01-26 2012-08-16 Ributetsuku:Kk 非接触型センサーによる水位確認システム
CN105160288A (zh) * 2015-06-30 2015-12-16 浙江海洋学院 一种水尺图像分析方法
CN106557764B (zh) * 2016-11-02 2019-03-26 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
CN107845080B (zh) * 2017-11-24 2020-03-20 信雅达系统工程股份有限公司 卡片图像增强方法
CN108759973B (zh) * 2018-04-28 2020-03-31 南京昊控软件技术有限公司 一种水位测量方法
CN108764229B (zh) * 2018-05-29 2021-05-18 广东技术师范学院 一种基于计算机视觉技术的水尺图像自动识别方法
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
JP7234753B2 (ja) * 2019-04-03 2023-03-08 中国電力株式会社 ダム水位監視システム
CN112085024A (zh) * 2020-09-21 2020-12-15 江苏理工学院 一种罐表面字符识别方法
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
CN112734729B (zh) * 2021-01-11 2022-09-23 昆明理工大学 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
CN113591634A (zh) * 2021-07-19 2021-11-02 青岛新奥燃气有限公司 一种基于深度学习的lng卸车风险监控系统及方法
CN113971779B (zh) * 2021-10-29 2022-07-01 中国水利水电科学研究院 一种基于深度学习的水尺自动读数方法
CN114067095B (zh) * 2021-11-29 2023-11-10 黄河勘测规划设计研究院有限公司 基于水尺字符检测识别的水位识别方法

Also Published As

Publication number Publication date
CN115578695A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN111626190B (zh) 基于聚类分区进行刻度识别的水位监测方法
CN110414334B (zh) 一种基于无人机巡视的智能水质识别方法
US20210374466A1 (en) Water level monitoring method based on cluster partition and scale recognition
CN108759973B (zh) 一种水位测量方法
CN113469177B (zh) 基于深度学习的排水管道缺陷检测方法及系统
CN109145830B (zh) 一种智能水尺识别方法
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN111598098B (zh) 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法
CN106529537A (zh) 一种数字仪表读数图像识别方法
CN109186706B (zh) 一种用于城市雨洪淹没区预警的方法
CN108169142A (zh) 基于遥感影像的水色异常快速定位方法和装置
CN114419616A (zh) 一种异物识别方法、装置、设备及存储介质
CN115578695B (zh) 一种自由拍摄视角的水尺水位机器视觉检测方法及装置
CN113792638B (zh) 基于Parallelogram-YOLOv4的火电厂雨排口污染物识别方法
CN114639064B (zh) 一种水位识别方法及装置
CN115841449B (zh) 排水管道结构性缺陷纵向定位的单目测距方法及存储介质
CN116011480B (zh) 基于二维码标识符的水位获取方法、装置、设备及介质
CN117037132A (zh) 一种基于机器视觉的船舶水尺读数检测和识别方法
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
CN113705564B (zh) 一种指针式仪表识别读数方法
CN113065556B (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
CN117994666A (zh) 一种结合残差网络和边缘检测的海冰识别方法
CN117953048A (zh) 一种基于计算机视觉的转体桥姿态监控系统及方法
CN112085725A (zh) 基于启发式迭代算法的残膜残留量检测方法及预警系统
CN115953454A (zh) 基于图像复原的水位获取方法、装置、设备及存储介质

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
OL01 Intention to license declared
OL01 Intention to license declared