CN115953454A - 基于图像复原的水位获取方法、装置、设备及存储介质 - Google Patents
基于图像复原的水位获取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115953454A CN115953454A CN202310226054.9A CN202310226054A CN115953454A CN 115953454 A CN115953454 A CN 115953454A CN 202310226054 A CN202310226054 A CN 202310226054A CN 115953454 A CN115953454 A CN 115953454A
- Authority
- CN
- China
- Prior art keywords
- water
- water gauge
- water level
- gauge
- image
- 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 612
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 38
- 238000009792 diffusion process Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- 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
- Image Processing (AREA)
Abstract
本发明提供基于图像复原的水位获取方法、装置、设备及存储介质,包括采集多个河流区域的不同时间段,水位高程下的待处理水尺图像并打标签,得到水尺图像数据集,利用该数据集训练得到图像复原水位模型,通过标定建立目标水域水尺的像素坐标和水位高程之间的关系式,拍摄目标水域新的水尺图像且通过图像复原水位模型处理得到目标水域新的水尺图像水尺边界框的像素坐标,通过水尺边界框的像素坐标获取水位线,将水位线的中心点像素坐标作为目标水域水尺的像素坐标,代入目标水域水尺的像素坐标和水位高程之间的关系式,得到真实水位高程。本发明能够快速去除水尺图像中的遮挡物,得到真实的水位高程。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像复原的水位获取方法、装置、设备及存储介质。
背景技术
水位是河流湖泊的基本水文要素之一,获取精确的水位数据对于水资源调度和防汛排涝抗旱有着重要意义。随着计算机视觉领域的兴起,现有的获取水位数据的方法主要是视频识别水位法,通过摄像机拍摄含水尺的水域图片,利用人工智能方法分割水位线,识别水尺的水位数据信息。
视频识别水位的方法会由于水尺腐蚀、水面出现遮挡物遮挡水尺、摄像机被遮挡等因素导致无法正常识别水位,现有处理该问题的方法分为两类:一类为通过在水尺上方安装摄像机检测遮挡物,并及时提醒人工进行处理;一类为通过人工智能算法减弱遮挡带来的影响,例如发明专利202110469839.X《基于水位尺图像的水位线检测方法、装置与系统》中检测水位线在图片中的像素坐标,将其与实际水位相互映射,通过检测水位线获取真实水位值,发明专利201811568071.6《一种遮挡情况下水尺图像特征加权学习识别方法》通过对水尺图像进行边缘检测,将遮挡图像的无效信息设置较小的权值,使其有效信息具有较大权值,实现遮挡图像的特征提取,进行分类,获取真实水尺数值。以上方法存在以下问题:1.通过人工清除遮挡物十分危险,且时效性很低;2.利用以上算法进行被遮挡水位识别时,若遮挡物过大,水位值变化过快,水尺遮挡严重时,难以在水尺图像上提取合适的水位线像素坐标点,同时,若水尺的一部分完全被遮挡,则难以提取合适有效信息进行分类,获取真实水尺信息。
发明内容
根据现有技术的不足,本发明的目的是提供基于图像复原的水位获取方法、装置、设备及存储介质,能够快速去除水尺图像中的遮挡物,得到真实的水位高程。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于图像复原的水位获取方法,包括以下步骤:
采集多个河流区域的不同时间段、不同水位高程下的待处理水尺图像,对待处理水尺图像打标签,标签为遮挡物和水尺,得到水尺图像数据集,将水尺图像数据集按照比例分成训练集和验证集;
将目标检测网络模型和生成扩散网络模型集成且输入所述训练集和验证集进行预训练,得到图像复原水位模型;
其中,目标检测网络模型获取水尺图像的特征信息并对水尺图像进行检测,若遮挡物边界框与水尺边界框不重合,则输出水尺边界框的像素坐标,若遮挡物边界框与水尺边界框存在重合部分,则将遮挡物边界框信息和水尺图像的特征信息输入生成扩散网络模型中;
生成扩散网络模型通过遮挡物边界框信息和水尺图像的特征信息生成遮挡物特征且扩散成高斯白噪声,去噪后输入到目标检测网络模型进行检测,直到遮挡物边界框与水尺边界框不再重合;
通过标定得到目标水域水尺图像对应的水尺的像素坐标和水位高程,建立目标水域水尺的像素坐标和水位高程之间的关系式;
拍摄目标水域新的水尺图像,放入建立的图像复原水位模型中进行处理,获取目标水域新的水尺图像水尺边界框的像素坐标;
根据目标水域新的水尺图像水尺边界框的像素坐标获取水位线;
将水位线的中心点像素坐标作为目标水域水尺的像素坐标,代入目标水域水尺的像素坐标和水位高程之间的关系式,得到真实水位高程。
进一步地,所述目标检测网络包括特征提取模块、特征金字塔和双向融合结构模块、剔除模块和判断模块;
所述特征提取模块用于获取水尺图像的特征信息;
所述特征金字塔和双向融合结构模块包括一个自上向下的特征金字塔结构,首先通过自上层向下层进行下采样,得到新的特征图,依次迭代此过程直至最底层,得到最底层特征图,进而通过自下层向上层进行上采样,得到每层的融合特征图,依次迭代此过程直至最顶层,得到最顶层融合特征图;
剔除模块采用加权非极大抑制算法剔除冗余的边界框,得到遮挡物和水尺边界框;
判断模块利用交并比判断遮挡物边界框和水尺边界框是否出现重合。
进一步地,所述生成扩散网络模型在不断去噪迭代的过程中,通过增加迭代次数协调水尺图像中遮挡区域和未遮挡区域的信息,输出的水尺图像再次送入目标检测网络进行检测,直到输出水尺边界框与遮挡物边界框不重合的水尺图像。
进一步地,水尺图像的获取方法为:采集摄像头拍摄的不同时间段下的含水尺的水流视频,采用抽帧的方法对视频进行处理,每间隔s帧抽取一帧,获得水尺图像。
进一步地,水尺边界框的像素坐标包括:
一种基于图像复原的水位获取装置,包括:
水尺图像数据集获取模块,用于采集多个河流区域的不同时间段、不同水位高程下的待处理水尺图像,对待处理水尺图像打标签,标签为遮挡物和水尺,得到水尺图像数据集,将水尺图像数据集按照比例分成训练集和验证集;
图像复原水位模型建立模块,用于将目标检测网络模型和生成扩散网络模型集成且输入所述训练集和验证集进行预训练,得到图像复原水位模型;
其中,目标检测网络模型获取水尺图像的特征信息并对水尺图像进行检测,若遮挡物边界框与水尺边界框不重合,则输出水尺边界框的像素坐标,若遮挡物边界框与水尺边界框存在重合部分,则将遮挡物边界框信息和水尺图像的特征信息输入生成扩散网络模型;
生成扩散网络模型通过遮挡物边界框信息和水尺图像的特征信息生成遮挡物特征且扩散成高斯白噪声,去噪后输入到目标检测网络模型进行检测,直到遮挡物边界框与水尺边界框不再重合;
目标水域水尺的像素坐标和水位高程关系式建立模块,用于通过标定得到目标水域水尺图像对应的水尺的像素坐标和水位高程,建立目标水域水尺的像素坐标和水位高程之间的关系式;
目标水域水尺图像水尺边界框获取模块,用于拍摄目标水域新的水尺图像,放入建立的图像复原水位模型中进行处理,获取目标水域新的水尺图像水尺边界框的像素坐标;
目标水域水位线获取模块,用于根据目标水域新的水尺图像水尺边界框的像素坐标获取水位线;
目标水域真实水位高程获取模块,用于将水位线的中心点像素坐标作为目标水域水尺的像素坐标,代入目标水域水尺的像素坐标和水位高程之间的关系式,得到真实水位高程。
一种基于图像复原的水位获取设备,包括处理器和用于存储能够在处理器上运行的计算机程序的存储器,处理器用于运行计算机程序时,执行上述任一项所述的基于图像复原的水位获取方法的步骤。
一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项所述的基于图像复原的水位获取方法的步骤。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明提供的基于图像复原的水位获取方法、装置、设备及存储介质,相较于现有的视频水尺识别方法,本方法设有包括目标检测网络模型和生成扩散网络模型的图像复原水位模型,能够面对多种水尺图像被遮挡的情况,例如:水尺腐蚀,水尺被遮挡,摄像机被部分遮挡等情况都能有效还原水尺细节信息,及时获取水位数据,减少相关成本。
(2)本发明提供的基于图像复原的水位获取方法、装置、设备及存储介质,相比于现有处理水尺被遮挡情况下的识别方法,本方法在面对遮挡物遮挡水尺时,不需要人工清除遮挡物就可以有效还原被覆盖的水位线和水尺部分,得到水位数据,不仅减少了水位监测的人工成本,也保障了水位监测人员的人身安全,同时也能够保障在极端天气实时获取水位数据。
(3)本发明提供的基于图像复原的水位获取方法、装置、设备及存储介质,相较于现有处理水尺被遮挡情况下的识别方法,本方法在面对遮挡物过大,水位值变化过快,水尺遮挡严重时,均能有效恢复水尺图像的细节信息,及时获取水位数据。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分。本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种基于图像复原的水位获取方法的流程图;
图2为本发明一种基于图像复原的水位获取装置的示意图。
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。
本发明提供一种基于图像复原的水位获取方法,如图1所示,包括以下步骤:
采集多个河流区域的不同时间段、不同水位高程下的待处理水尺图像,对待处理水尺图像打标签,标签为遮挡物和水尺,得到水尺图像数据集,将水尺图像数据集按照比例分成训练集和验证集;
将目标检测网络模型和生成扩散网络模型集成且输入所述训练集和验证集进行预训练,得到图像复原水位模型;
其中,目标检测网络模型获取水尺图像的特征信息并对水尺图像进行检测,若遮挡物边界框与水尺边界框不重合,则输出水尺边界框的像素坐标,若遮挡物边界框与水尺边界框存在重合部分,则将遮挡物边界框信息和水尺图像的特征信息输入生成扩散网络模型中;
生成扩散网络模型通过遮挡物边界框信息和水尺图像的特征信息生成遮挡物特征且扩散成高斯白噪声,去噪后输入到目标检测网络模型进行检测,直到遮挡物边界框与水尺边界框不再重合;
通过标定得到目标水域水尺图像对应的水尺的像素坐标和水位高程,建立目标水域水尺的像素坐标和水位高程之间的关系式;
目标水域的真实水位高程是不断变化的,后续只需要拍摄目标水域新的水尺图像,放入建立的图像复原水位模型中进行处理,获取目标水域新的水尺图像水尺边界框的像素坐标;
根据目标水域新的水尺图像水尺边界框的像素坐标获取水位线;
将水位线的中心点像素坐标作为目标水域水尺的像素坐标,代入目标水域水尺的像素坐标和水位高程之间的关系式,得到真实水位高程。
对于不同的目标水域,通过标定建立不同目标水域水尺的像素坐标和水位高程之间的关系式,进而得到不同目标水域的真实水位高程。
本发明提供的一种基于图像复原的水位获取方法,相较于现有的视频水尺识别方法,本方法设有包括目标检测网络模型和生成扩散网络模型的图像复原水位模型,还原水尺边界框,能够面对多种水尺图像被遮挡的情况,例如:水尺腐蚀,水尺被遮挡,摄像机被部分遮挡等情况都能有效还原水尺细节信息,及时获取水位数据,减少相关成本。
现有处理水尺被遮挡情况下的识别方法,本方法在面对遮挡物遮挡水尺时,不需要人工清除遮挡物就可以有效还原被覆盖的水位线和水尺部分,得到真实水位高程,不仅减少了水位监测的人工成本,也保障了水位监测人员的人身安全,同时也能够保障在极端天气实时获取水位数据。
相较于现有处理水尺被遮挡情况下的识别方法,本方法在面对遮挡物过大,水位值变化过快,水尺遮挡严重时,均能有效恢复水尺图像的细节信息,及时获取真实水位高程。
本发明中,遮挡物为漂浮物,对待处理水尺图像进行人工标注打标签。
本发明中,所述目标检测网络包括特征提取模块、特征金字塔和双向融合结构模块、剔除模块和判断模块;
所述特征提取模块用于获取水尺图像的特征信息,具体为在主干网络中对水尺图像进行切片,转为合适的尺寸,再使用n个卷积核进行采样,得到特征图,特征图通过CSP模块处理得到不同尺度的特征图;在颈部网络中通过最大池化的方式,将不同尺度的特征图再次进行Concate操作获取特征信息;
所述特征金字塔Feature Parymid Network(FPN)和双向融合结构模块PathAggregation Network(PAN)包括一个自上向下的特征金字塔结构,首先通过自上层向下层进行下采样,得到新的特征图,依次迭代直至最底层,得到最底层特征图,进而通过自下层向上层进行上采样,得到每层的融合特征图,依次迭代直至最顶层,得到最顶层融合特征图,通过特征金字塔和双向融合结构模块,对特征信息进行上采样、下采样,加强特征的语义信息和定位信息;
剔除模块采用加权非极大抑制算法剔除冗余的边界框,得到遮挡物和水尺边界框;
判断模块利用交并比Intersection of Union(IoU)判断遮挡物边界框和水尺边界框是否出现重合。
本发明中,所述生成扩散网络模型在不断去噪迭代的过程中,通过增加迭代次数协调水尺图像中遮挡区域和未遮挡区域的信息,输出的水尺图像再次送入目标检测网络进行检测,直到输出水尺边界框与遮挡物边界框不重合的水尺图像。
具体地,所述生成扩散网络模型首先利用遮挡物边界框信息和水尺图像的特征信息生成对应的遮挡物特征,并在T个时间步长内将遮挡物边界框特征扩散为高斯白噪声;构建逆扩散过程近似模型预测高斯分布,去掉高斯白噪声,还原水尺图像;在不断去噪迭代的过程中,增加迭代次数协调水尺图像中遮挡区域和未遮挡区域的信息,能够更好的提取到水尺图像的特征信息中的语义信息,还原更加真实的水尺图像;输出的水尺图像再次送入目标检测网络模型进行检测,直到获取不含遮挡的水尺边界框信息的水尺图像。
本发明中,所有水尺图像的获取方法为:采集摄像头拍摄的不同时间段下的含水尺的水流视频,采用抽帧的方法对视频进行处理,每间隔s帧抽取一帧,获得水尺图像。
本发明中,对目标水域新的水尺图像通过图像复原水位模型中进行处理,如果存在遮挡物,则会在目标水域的水尺图像上标出遮挡物边界框信息和相应标签,并获取遮挡物边界框对应的像素坐标,判断遮挡物边界框与水尺边界框是否重合,进而判定水尺是否被遮挡。若遮挡物边界框与水尺边界框存在重合部分,则被认为水尺前存在着在遮挡物,利用图像复原水位模型中的生成扩散模型生成被遮挡的部分,若不存在遮挡物遮挡水尺的情况,则直接进行水位线识别,根据水尺边界框的像素坐标获取水位线。
在本发明的一些实施例中,在目标水域新的水尺图像中,可以直接根据水尺边界框的像素坐标获取水位线,选取水尺边界框下边框最为水位线计算水位值,将下边框的中心点代入目标水域水尺的像素坐标和水位高程之间的对应关系式,得到真实水位高程值。
优选地,本发明中,为了增加水位线识别的准确性,水尺包括水尺本体和水尺倒影,水尺边界框的像素坐标包括:
如图2所示,本发明还提供一种基于图像复原的水位获取装置,包括:
水尺图像数据集获取模块,用于采集多个河流区域的不同时间段、不同水位高程下的待处理水尺图像,对待处理水尺图像打标签,标签为遮挡物和水尺,得到水尺图像数据集,将水尺图像数据集按照比例分成训练集和验证集;
图像复原水位模型建立模块,用于将目标检测网络模型和生成扩散网络模型集成且输入所述训练集和验证集进行预训练,得到图像复原水位模型;
其中,目标检测网络模型获取水尺图像的特征信息并对水尺图像进行检测,若遮挡物边界框与水尺边界框不重合,则输出水尺边界框的像素坐标,若遮挡物边界框与水尺边界框存在重合部分,则将遮挡物边界框信息和水尺图像的特征信息输入生成扩散网络模型;
生成扩散网络模型通过遮挡物边界框信息和水尺图像的特征信息生成遮挡物特征且扩散成高斯白噪声,去噪后输入到目标检测网络模型进行检测,直到遮挡物边界框与水尺边界框不再重合;
目标水域水尺的像素坐标和水位高程关系式建立模块,用于通过标定得到目标水域水尺图像对应的水尺的像素坐标和水位高程,建立目标水域水尺的像素坐标和水位高程之间的关系式;
目标水域水尺图像水尺边界框获取模块,用于拍摄目标水域新的水尺图像,放入建立的图像复原水位模型中进行处理,获取目标水域新的水尺图像水尺边界框的像素坐标;
目标水域水位线获取模块,用于根据目标水域新的水尺图像水尺边界框的像素坐标获取水位线;
目标水域真实水位高程获取模块,用于将水位线的中心点像素坐标作为目标水域水尺的像素坐标,代入目标水域水尺的像素坐标和水位高程之间的关系式,得到真实水位高程。
本发明还提供一种基于图像复原的水位获取设备,包括处理器和用于存储能够在处理器上运行的计算机程序的存储器,处理器用于运行计算机程序时,执行上述任一项所述的基于图像复原的水位获取方法的步骤。
本发明实施例中的存储器用于存储各种类型的数据以支持基于图像复原的水位获取设备的操作。这些数据的示例包括:用于在基于图像复原的水位获取设备上操作的任何计算机程序。
本发明实施例揭示的基于图像复原的水位获取方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,基于图像复原的水位获取方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP,DigitalSignalProcessor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成本发明实施例提供的基于图像复原的水位获取方法的步骤。
在示例性实施例中,基于图像复原的水位获取设备可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex ProgrammableLogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU,Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现,用于执行前述方法。
可以理解,存储器可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM,RandomAccessMemory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM,Enhanced Synchronous Dynamic Random AccessMemory)、同步连接动态随机存取存储器(SLDRAM,SyncLink Dynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本发明还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项基于图像复原的水位获取方法的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于图像复原的水位获取方法,其特征在于,包括以下步骤:
采集多个河流区域的不同时间段、不同水位高程下的待处理水尺图像,对待处理水尺图像打标签,标签为遮挡物和水尺,得到水尺图像数据集,将水尺图像数据集按照比例分成训练集和验证集;
将目标检测网络模型和生成扩散网络模型集成且输入所述训练集和验证集进行预训练,得到图像复原水位模型;
其中,目标检测网络模型获取水尺图像的特征信息并对水尺图像进行检测,若遮挡物边界框与水尺边界框不重合,则输出水尺边界框的像素坐标,若遮挡物边界框与水尺边界框存在重合部分,则将遮挡物边界框信息和水尺图像的特征信息输入生成扩散网络模型中;
生成扩散网络模型通过遮挡物边界框信息和水尺图像的特征信息生成遮挡物特征且扩散成高斯白噪声,去噪后输入到目标检测网络模型进行检测,直到遮挡物边界框与水尺边界框不再重合;
通过标定得到目标水域水尺图像对应的水尺的像素坐标和水位高程,建立目标水域水尺的像素坐标和水位高程之间的关系式;
拍摄目标水域新的水尺图像,放入建立的图像复原水位模型中进行处理,获取目标水域新的水尺图像水尺边界框的像素坐标;
根据目标水域新的水尺图像水尺边界框的像素坐标获取水位线;
将水位线的中心点像素坐标作为目标水域水尺的像素坐标,代入目标水域水尺的像素坐标和水位高程之间的关系式,得到真实水位高程。
2.根据权利要求1所述的基于图像复原的水位获取方法,其特征在于:
所述目标检测网络包括特征提取模块、特征金字塔和双向融合结构模块、剔除模块和判断模块;
所述特征提取模块用于获取水尺图像的特征信息;
所述特征金字塔和双向融合结构模块包括一个自上向下的特征金字塔结构,首先通过自上层向下层进行下采样,得到新的特征图,依次迭代此过程直至最底层,得到最底层特征图,进而通过自下层向上层进行上采样,得到每层的融合特征图,依次迭代此过程直至最顶层,得到最顶层融合特征图;
剔除模块采用加权非极大抑制算法剔除冗余的边界框,得到遮挡物和水尺边界框;
判断模块利用交并比判断遮挡物边界框和水尺边界框是否出现重合。
3.根据权利要求1所述的基于图像复原的水位获取方法,其特征在于:
所述生成扩散网络模型在不断去噪迭代的过程中,通过增加迭代次数协调水尺图像中遮挡区域和未遮挡区域的信息,输出的水尺图像再次送入目标检测网络进行检测,直到输出水尺边界框与遮挡物边界框不重合的水尺图像。
5.根据权利要求1所述的基于图像复原的水位获取方法,其特征在于:
水尺图像的获取方法为:采集摄像头拍摄的不同时间段下的含水尺的水流视频,采用抽帧的方法对视频进行处理,每间隔s帧抽取一帧,获得水尺图像。
8.一种基于图像复原的水位获取装置,其特征在于,包括:
水尺图像数据集获取模块,用于采集多个河流区域的不同时间段、不同水位高程下的待处理水尺图像,对待处理水尺图像打标签,标签为遮挡物和水尺,得到水尺图像数据集,将水尺图像数据集按照比例分成训练集和验证集;
图像复原水位模型建立模块,用于将目标检测网络模型和生成扩散网络模型集成且输入所述训练集和验证集进行预训练,得到图像复原水位模型;
其中,目标检测网络模型获取水尺图像的特征信息并对水尺图像进行检测,若遮挡物边界框与水尺边界框不重合,则输出水尺边界框的像素坐标,若遮挡物边界框与水尺边界框存在重合部分,则将遮挡物边界框信息和水尺图像的特征信息输入生成扩散网络模型;
生成扩散网络模型通过遮挡物边界框信息和水尺图像的特征信息生成遮挡物特征且扩散成高斯白噪声,去噪后输入到目标检测网络模型进行检测,直到遮挡物边界框与水尺边界框不再重合;
目标水域水尺的像素坐标和水位高程关系式建立模块,用于通过标定得到目标水域水尺图像对应的水尺的像素坐标和水位高程,建立目标水域水尺的像素坐标和水位高程之间的关系式;
目标水域水尺图像水尺边界框获取模块,用于拍摄目标水域新的水尺图像,放入建立的图像复原水位模型中进行处理,获取目标水域新的水尺图像水尺边界框的像素坐标;
目标水域水位线获取模块,用于根据目标水域新的水尺图像水尺边界框的像素坐标获取水位线;
目标水域真实水位高程获取模块,用于将水位线的中心点像素坐标作为目标水域水尺的像素坐标,代入目标水域水尺的像素坐标和水位高程之间的关系式,得到真实水位高程。
9.一种基于图像复原的水位获取设备,其特征在于,包括处理器和用于存储能够在处理器上运行的计算机程序的存储器,处理器用于运行计算机程序时,执行上述权利要求1-7任一项所述的基于图像复原的水位获取方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有计算机程序,所述计算机程序被处理器执行时,实现上述权利要求1-7任一项所述的基于图像复原的水位获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310226054.9A CN115953454B (zh) | 2023-03-10 | 2023-03-10 | 基于图像复原的水位获取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310226054.9A CN115953454B (zh) | 2023-03-10 | 2023-03-10 | 基于图像复原的水位获取方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953454A true CN115953454A (zh) | 2023-04-11 |
CN115953454B CN115953454B (zh) | 2023-05-05 |
Family
ID=85906931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310226054.9A Active CN115953454B (zh) | 2023-03-10 | 2023-03-10 | 基于图像复原的水位获取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953454B (zh) |
Cited By (1)
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018041406A (ja) * | 2016-09-09 | 2018-03-15 | 株式会社東芝 | 水面境界検出装置、水面境界検出方法及びコンピュータプログラム |
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 |
CN114494826A (zh) * | 2021-12-31 | 2022-05-13 | 飞诺门阵(北京)科技有限公司 | 一种多水尺水位识别方法、系统、电子设备以及可存储介质 |
CN115546235A (zh) * | 2022-11-23 | 2022-12-30 | 成都见海科技有限公司 | 一种基于图像分割的水位识别方法、系统及存储介质 |
CN115761468A (zh) * | 2022-11-23 | 2023-03-07 | 山东沂蒙抽水蓄能有限公司 | 一种基于图像分割和目标检测技术的水位检测系统、方法 |
-
2023
- 2023-03-10 CN CN202310226054.9A patent/CN115953454B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018041406A (ja) * | 2016-09-09 | 2018-03-15 | 株式会社東芝 | 水面境界検出装置、水面境界検出方法及びコンピュータプログラム |
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 |
CN114494826A (zh) * | 2021-12-31 | 2022-05-13 | 飞诺门阵(北京)科技有限公司 | 一种多水尺水位识别方法、系统、电子设备以及可存储介质 |
CN115546235A (zh) * | 2022-11-23 | 2022-12-30 | 成都见海科技有限公司 | 一种基于图像分割的水位识别方法、系统及存储介质 |
CN115761468A (zh) * | 2022-11-23 | 2023-03-07 | 山东沂蒙抽水蓄能有限公司 | 一种基于图像分割和目标检测技术的水位检测系统、方法 |
Non-Patent Citations (3)
Title |
---|
CHEN CHEN ET AL.: "An Integrated Method for River Water Level Recognition from Surveillance Images Using Convolution Neural Networks", 《REMOTE SENSING OF WATERSHED》 * |
SHOUFA CHEN ET AL.: "DiffusionDet:Diffusion Model for Object Detection", 《ARXIV》 * |
武泽恒等: "基于人工智能与随机场的水位图像识别方法研究", 《水资源研究》 * |
Cited By (1)
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 |
---|---|
CN115953454B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553406B (zh) | 基于改进yolo-v3的目标检测系统、方法及终端 | |
CN112949624B (zh) | 基于水尺的水位检测方法、装置、电子设备及存储介质 | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN109978839A (zh) | 晶圆低纹理缺陷的检测方法 | |
CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
CN105930852B (zh) | 一种气泡图像识别方法 | |
CN115953454B (zh) | 基于图像复原的水位获取方法、装置、设备及存储介质 | |
CN112669323A (zh) | 图像处理方法及相关设备 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN112017231A (zh) | 基于单目摄像头的人体体重识别方法、装置及存储介质 | |
CN111626295A (zh) | 车牌检测模型的训练方法和装置 | |
CN111220235A (zh) | 水位监测方法及装置 | |
CN114462469B (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN115375914A (zh) | 基于Yolov5目标检测模型改进的目标检测方法、装置和存储介质 | |
CN114332095A (zh) | 一种基于多层结构的细胞分割方法、装置及电子设备 | |
CN113610178A (zh) | 一种基于视频监控图像的内河船舶目标检测方法和装置 | |
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 | |
CN107886049B (zh) | 一种基于摄像探头的能见度识别预警方法 | |
CN114581433B (zh) | 一种获取金属球腔内表面形貌检测图像的方法及系统 | |
CN113870262B (zh) | 基于图像处理的印刷电路板分类方法、装置及储存介质 | |
CN115908332A (zh) | 电池极片表面缺陷的检测方法及处理器 | |
CN115546185A (zh) | 血管图像的轮廓提取方法、装置、设备及存储介质 | |
CN115661681A (zh) | 一种基于深度学习的滑坡灾害自动识别方法及系统 | |
CN112991280B (zh) | 视觉检测方法、系统及电子设备 | |
CN115239789A (zh) | 用于确定液体体积的方法及装置、存储介质、终端 |
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 |