CN116129430B - 一种自适应环境水位识别方法、装置及设备 - Google Patents
一种自适应环境水位识别方法、装置及设备 Download PDFInfo
- Publication number
- CN116129430B CN116129430B CN202310042850.7A CN202310042850A CN116129430B CN 116129430 B CN116129430 B CN 116129430B CN 202310042850 A CN202310042850 A CN 202310042850A CN 116129430 B CN116129430 B CN 116129430B
- Authority
- CN
- China
- Prior art keywords
- water level
- model
- water
- water body
- body segmentation
- 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 741
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000011218 segmentation Effects 0.000 claims abstract description 270
- 238000012544 monitoring process Methods 0.000 claims abstract description 197
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 49
- 230000003044 adaptive effect Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明提供一种自适应环境水位识别方法、装置及设备，包括构建数据集，对已获取的多环境下的水位监测图像进行标注，构建水体分割模型，分割水体和背景，构建目标类别自选择模型，根据背景的种类确定水位监测图像的类别，构建自适应环境的水位识别模型，获取水位线信息，计算水位值，对于目标水域，通过目标类别自选择模型、水体分割模型、自适应环境的水位识别模型得到水位值，且通过新的水位监测图像更新数据集，更新水体分割模型和目标类别自选择模型，并更新自适应环境的水位识别模型中，本发明能够识别不同类别的水位监测图像的水位，且每遇到一个新的水域，都会更新现有的自适应环境的水位识别模型，适应新环境。
Description
技术领域
本发明涉及水位识别技术领域，具体涉及一种自适应环境水位识别方法、装置及设备。
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，传统的水位监测方法有人工检测法，浮子式，压力式，超声波式等，以上方法存在着安全隐患高，测量成本高昂，设备维护困难，测量误差较大等情况。
随着计算机视觉领域的发展，物联网智能水利是目前各大水利部门的技术发展趋势，图像处理法逐渐被应用到水位识别中，现有技术通常为：将所有水位监测图像集成为一个大数据集，仅对数据集进行训练集和测试集的分类，利用上述得到的训练集和测试集训练和调整得到一个水位监测模型。将上述水位监测模型应用到所有水域环境中，水位监测时根据水域环境进行水体分割，得到水位线的位置，根据水位线信息得到具体的水位值，再根据长时间的率定结果对水位监测模型进行调整。以上技术存在的问题主要是两方面：一方面为真实水域环境复杂，仅靠单一模型监测水位线的位置时会在应用时出现各种各样的误差，例如单一模型对于复杂环境下的图像进行水体分割处理时会存在将地面杂草分割到水体中，或者将水体分割到岸线，导致水体提取出现误差，影响最终的计算结果的问题。另一方面为单一模型为保证获取的水位线的位置与真实信息相同，需要经过很长时间的率定，根据这段时间获取的水位线的位置与真实水位线的位置进行比对，调整模型的相关参数，复杂且费时费力。
发明内容
根据现有技术的不足，本发明的目的是提供一种自适应环境水位识别方法、装置及设备，构建一个自适应环境的水位识别模型，便于对不同类别的水域环境下的水位监测图像进行分割，且每遇到新的水域环境，都会对现有的自适应环境的水位识别模型进行一次更新，本发明能够更快适应新的水域环境，鲁棒性更强，且无需长时间的率定。
为了解决上述技术问题，本发明采用的技术方案为：
一种自适应环境水位识别方法，包括以下步骤：
步骤1、构建数据集，对已获取的多种水域环境的水位监测图像进行标注且将标注后的水位监测图像汇总得到大数据集，根据水体的背景的种类将大数据集分为多个小数据集，并将每个小数据集和大数据集分别分为训练集和测试集；
步骤2、构建水体分割模型，水体分割模型用于分割水位监测图像中的水体和背景，获取分割结果，水体分割模型包括对应多个小数据集的多个水体分割专用模型和对应大数据集的1个水体分割通用模型；
步骤3、构建目标类别自选择模型，用于根据背景的种类确定水位监测图像的类别，当水位监测图像与其中一个水体分割专用模型匹配度大于一定阈值时，则匹配到该水体分割专用模型，反之，则匹配到水体分割通用模型；
步骤4、构建自适应环境的水位识别模型，将适用于目标类别自选择模型的输出连接到水体分割模型的输入，将水体分割模型输出的分割结果作为水位计算板块的输入构成自适应环境的水位识别模型，水位计算板块通过分割结果获取水位线信息，进而通过计算水位值；
步骤5、对于目标水域，获取若干张新的水位监测图像，利用自适应环境的水位识别模型计算水位值，通过目标类别自选择模型确定新的水位监测图像的类别，匹配到合适的水体分割专用模型或水体分割通用模型，对新的水位监测图像进行水体和背景分割，根据分割结果获取水位线信息，进而通过水位计算板块计算水位值；
步骤6、若在步骤3或步骤5中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像按照步骤1的方法进行标注分类，并通过步骤3中确定水位监测图像的新类别，对目标类别自选择模型进行更新，将标注后的水位监测图像按照步骤2的方法构建新的水体分割专用模型和更新水体分割通用模型，并对自适应环境的水位识别模型进行更新；若在步骤5中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与步骤5获取的新的水位监测图像汇总形成新的大数据集，将匹配的水体分割专用模型的小数据集与步骤5获取的新的水位监测图像汇总形成新的小数据集，对该类别的水位监测图像进行更新，实现目标类别自选择模型的更新，且按照步骤2构建新的水体分割专用模型和更新水体分割通用模型；
步骤7、将新的水体分割专用模型、更新后的水体分割通用模型和目标类别自选择模型更新到自适应环境的水位识别模型中，使得自适应环境的水位识别模型也相应进行更新，若有新的目标水域，则重复步骤5~7。
进一步地，所述步骤1具体包括：
步骤101、对已获取的水位监测图像进行预处理；
步骤102、对已获取的水位监测图像标注水体和背景；
步骤103、根据不同背景的特点将已获取的水位监测图像分为n类，得到大数据集S和多个小数据集；
步骤104、将多个小数据集中每一个小数据集均匀分为k组，每次从中任选k-1组作为训练集，1组作为测试集，进行k折交叉试验；
步骤105、将大数据集S按照步骤104的方法划分训练集和测试集。
进一步地，所述步骤2具体包括：
步骤201、构建第一深度学习模型，将水位监测图像中每个像素分类至水体类别和背景类别，构建水体类别和背景类别分别对应的第1类softmax分类器和第2类softmax分类器，并在下一层构建未知类别对应的第3类softmax分类器；
步骤202、将多个小数据集和1个大数据集构建的训练集分别输入到第一深度学习模型中，对应第1类softmax分类器和第2类softmax分类器，分割水体和背景部分，根据输出结果的每张的分割情况，将分割效果较差的水位监测图像放入第3类softmax分类器中，获得多个初始的水体分割专用模型和1个初始的水体分割通用模型，通过测试集根据第一评价因子判断水体分割专用模型和水体分割通用模型的好坏并实时调整参数，直至精度不再提升，得到合适的水体分割专用模型和水体分割通用模型；
步骤203、将放入至第3类softmax分类器中的水位监测图像按照步骤1的方法进行标注分类，将标注后的水位监测图像作为输入按照步骤201和步骤202的方法构建水体分割专用模型，直到第3类softmax分类器中不再有分割效果较差的水位监测图像。
进一步地，所述步骤3具体包括：
步骤301、构建第二深度学习模型，将步骤103中水位监测图像和加入的新类别的水位监测图像分类至{b1，b2，...，bn，bn+1，bn+2}中，其中，{b1，b2，...，bn}对应n类水位监测图像的多个小数据集，匹配步骤2中的多个水体分割专用模型，bn+1对应大数据集S，匹配步骤2的水体分割通用模型，bn+2对应加入的新类别的水位监测图像，对{b1，b2，...，bn，bn+1，bn+2}构建n+2类softmax分类器；
步骤302、将步骤1中建立的训练集作为输入，输入到第二深度学习模型中训练，首先将输入的水位监测图像对{b1，b2，...，bn}中的类别进行匹配，若与其中一个水体分割专用模型匹配度大于一定阈值时，则选择该水体分割专用模型，反之，则选择水体分割通用模型，通过步骤1中建立的测试集根据第二评价因子判断目标类别自选择模型的好坏并实时调整参数，直至精度不再提升，得到合适的目标类别自选择模型。
进一步地，第一评价因子为kappa系数，计算公式为：
式中，
为kappa系数，/>
为预测为0，实际也为0的样本数量；/>
为预测为1，实际为0的样本数量；/>
为预测为0，实际为1的样本数量；/>
为预测为1，实际为1的样本数量，0为背景部分，1为水体部分。
进一步地，所述步骤5中，根据目标水域的情况选取合适的位置安放标定牌、摄像头，获取相机的内外参数和相机比例变量，持续拍摄，获取不同时间段下的视频，采用抽帧的方法对视频进行处理，间隔s帧抽取一帧，得到若干张水位监测图像。
进一步地，所述步骤4中，通过水位线像素坐标与世界坐标转换关系计算水位线处的水位值，世界坐标与像素坐标的转换关系如下：
其中，
为相机外参，/>
为相机内参，/>
为相机比例变量，/>
、/>
和/>
均为已知参数，/>
为水位监测图像上水位线处像素坐标，/>
,/>
为水位线处点的个数，/>
为其对应的世界坐标；
对水位线处的像素坐标
对应的世界坐标/>
进行平均，获取一个水位值L：
一种自适应环境水位识别装置，包括：
数据集构建模块，用于构建数据集，对已获取的多种水域环境的水位监测图像进行标注且将标注后的水位监测图像汇总得到大数据集，根据水体的背景的种类将大数据集分为多个小数据集，并将每个小数据集和大数据集分别分为训练集和测试集；
水体分割模型构建模块，用于构建水体分割模型，水体分割模型用于分割水位监测图像中的水体和背景，获取分割结果，水体分割模型包括对应多个小数据集的多个水体分割专用模型和对应大数据集的1个水体分割通用模型；
目标类别自选择模型构建模块，用于构建目标类别自选择模型，用于根据背景的种类确定水位监测图像的类别，当水位监测图像与其中一个水体分割专用模型匹配度大于一定阈值时，则匹配到该水体分割专用模型，反之，则匹配到水体分割通用模型；
自适应环境的水位识别模型构建模块，用于构建自适应环境的水位识别模型，将适用于目标类别自选择模型的输出连接到水体分割模型的输入，将水体分割模型输出的分割结果作为水位计算板块的输入构成自适应环境的水位识别模型，水位计算板块通过分割结果获取水位线信息，进而通过计算水位值；
目标水域水位计算模块，用于对于目标水域，获取若干张新的水位监测图像，利用自适应环境的水位识别模型计算水位值，通过目标类别自选择模型确定新的水位监测图像的类别，匹配到合适的水体分割专用模型或水体分割通用模型，对新的水位监测图像进行水体和背景分割，根据分割结果获取水位线信息，进而通过水位计算板块计算水位值；
水体分割模型更新模块，若在目标类别自选择模型或目标水域水位计算模块中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像进行标注分类，并确定水位监测图像的新类别，对目标类别自选择模型进行更新，将标注后的水位监测图像构建新的水体分割专用模型和更新水体分割通用模型，并对自适应环境的水位识别模型进行更新；若在目标水域水位计算模块中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与目标水域水位计算模块获取的新的水位监测图像汇总形成新的大数据集，将匹配的水体分割专用模型的小数据集与目标水域水位计算模块获取的新的水位监测图像汇总形成新的小数据集，对该类别的水位监测图像进行更新，实现目标类别自选择模型的更新，且构建新的水体分割专用模型和更新水体分割通用模型；
自适应环境的水位识别模型更新模块，用于将新的水体分割专用模型、更新后的水体分割通用模型和目标类别自选择模型更新到自适应环境的水位识别模型中，使得自适应环境的水位识别模型也相应进行更新。
一种自适应环境水位识别设备，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自适应环境水位识别方法的步骤。
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，其特征在于，所述计算机程序被处理器执行时，实现上述任一项所述自适应环境水位识别方法的步骤。
与现有技术相比，本发明具有以下优点和有益效果：
（1）本发明提供的一种自适应环境水位识别方法、装置及设备，构建自适应环境的水位识别模型，根据不同水域的特别，对不同类别的水位监测图像识别水位线，计算水位值，还构建水体分割模型，水体分割模型包括对应多个水体分割专用模型和1个水体分割通用模型，用于对不同类别的水位监测图像分割水体和背景，获取分割结果，且构建目标类别自选择模型，根据背景的种类确定水位监测图像的类别，使水位监测图像匹配到合适的水体分割专用模型或水体分割通用模型，相比较现有技术的单一水位监测模型，本发明进行精度更高的分类，分类模型比不分类模型对新环境的适应效果更好，出结果更快，鲁棒性更强，且无需长时间的率定结果对原模型的参数进行调整。
（2）本发明提供的一种自适应环境水位识别方法、装置及设备，能够自动得到水位线，误差小，省时省力，节约成本。
（3）本发明提供的一种自适应环境水位识别方法、装置及设备，每遇到一个新的水域就会产生新的水体分割专用模型或水体分割通用模型加入到原水体分割模型中，可以在下一次进行选择，经历的水域越多，水体分割模型就越多，对新环境的匹配度就越高，在新的环境下效果就会更好。
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为本发明提供的自适应环境水位识别方法的流程图；
图2为本发明提供的自适应环境水位识别方法的示意图；
图3为本发明提供的自适应环境水位识别装置的示意图。
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。
本发明提供一种自适应环境水位识别方法，如图1和图2所示，包括以下步骤：
步骤1、构建数据集，对已获取的多种水域环境的水位监测图像进行标注且将标注后的水位监测图像汇总得到大数据集，根据水体的背景的种类将大数据集分为多个小数据集，并将每个小数据集和大数据集分别分为训练集和测试集；
步骤2、构建水体分割模型，水体分割模型用于分割水位监测图像中的水体和背景，获取分割结果，水体分割模型包括对应多个小数据集的多个水体分割专用模型和对应大数据集的1个水体分割通用模型；
步骤3、构建目标类别自选择模型，用于根据背景的种类确定水位监测图像的类别，当水位监测图像与其中一个水体分割专用模型匹配度大于一定阈值时，则匹配到该水体分割专用模型，反之，则匹配到水体分割通用模型；
步骤4、构建自适应环境的水位识别模型，将适用于目标类别自选择模型的输出连接到水体分割模型的输入，将水体分割模型输出的分割结果作为水位计算板块的输入构成自适应环境的水位识别模型，水位计算板块通过分割结果获取水位线信息，进而通过计算水位值；
步骤5、对于目标水域，获取若干张新的水位监测图像，利用自适应环境的水位识别模型计算水位值，通过目标类别自选择模型确定新的水位监测图像的类别，匹配到合适的水体分割专用模型或水体分割通用模型，对新的水位监测图像进行水体和背景分割，根据分割结果获取水位线信息，进而通过水位计算板块计算水位值；
步骤6、若在步骤3或步骤5中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像按照步骤1的方法进行标注分类，并通过步骤3中确定水位监测图像的新类别，对目标类别自选择模型进行更新，将标注后的水位监测图像按照步骤2的方法构建新的水体分割专用模型和更新水体分割通用模型，并对自适应环境的水位识别模型进行更新；若在步骤5中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与步骤5获取的新的水位监测图像汇总形成新的大数据集，将匹配的水体分割专用模型的小数据集与步骤5获取的新的水位监测图像汇总形成新的小数据集，对该类别的水位监测图像进行更新，实现目标类别自选择模型的更新，且按照步骤2构建新的水体分割专用模型和更新水体分割通用模型；
步骤7、将新的水体分割专用模型、更新后的水体分割通用模型和目标类别自选择模型更新到自适应环境的水位识别模型中，使得自适应环境的水位识别模型也相应进行更新，若有新的目标水域，则重复步骤5~7。
本发明提供的一种自适应环境水位识别方法，构建自适应环境的水位识别模型，根据不同水域的水体与背景的不同，对不同水域的水位监测图像识别水位线，计算水位值，自适应环境的水位识别模型中构建了水体分割模型与目标类别自选择模型，目标类别自选择模型根据背景的种类确定水位监测图像的类别，使水位监测图像匹配到合适的水体分割专用模型或水体分割通用模型，水体分割模型包括对应多个类别的水体分割专用模型和1个水体分割通用模型，用于对不同类别的水位监测图像分割水体和背景，获取分割结果，根据分割结果获取水位线信息，最终获取水位信息。相比较现有技术的单一水位监测模型，本发明进行精度更高的分类，分类模型比不分类模型对新环境的适应效果更好，出结果更快，鲁棒性更强，且无需长时间的率定结果对原模型的参数进行调整。
本发明提供的一种自适应环境水位识别方法，能够自动得到水位线，误差小，省时省力，节约成本。
本发明提供的一种自适应环境水位识别方法，每遇到一个新的水域就会产生新的水体分割专用模型或水体分割通用模型加入到原水体分割模型中，可以在下一次进行选择，经历的水域越多，水体分割模型就越多，对新环境的匹配度就越高，在新的环境下效果就会更好。
本发明中，所述步骤1具体包括：
步骤101、对已获取的水位监测图像进行预处理；
步骤102、对已获取的水位监测图像标注水体和背景；
步骤103、根据不同背景的特点将已获取的水位监测图像分为n类，得到大数据集S和多个小数据集；
步骤104、将多个小数据集中每一个小数据集均匀分为k组，每次从中任选k-1组作为训练集，1组作为测试集，进行k折交叉试验；
步骤105、将大数据集S按照步骤104的方法划分训练集和测试集。
在步骤101中，对实验获取的水位监测图像进行预处理，包括消除色调，调整图像饱和度信息，将原始彩色图像转换为灰度图，并利用图像色调校正方法调整水位监测图像的色调，对图像边界进行裁剪，得到预处理后的水位监测图像。
在步骤102中，对预处理后的水位监测图像进行人工标注，使用labelme标注水体，将水位监测图像分为水体与背景两类，标注完成之后labelme会生产.json格式的标签文件，将.json格式的标签文件解译为.png格式的标签图，由于不同的种类的像素值不同，因此标签图的像素值的取值只有0，1，其中，0表示为背景部分，1表示水体部分，在本发明的实施例中，在标签图中的展示结果为：背景部分为黑色，水体部分为红色。
背景部分和水体部分也可以用其他方式进行标注，只要能够方便区分即可。
在步骤105中，将大数据集S均匀分为k组，每次从中任选k-1组作为训练集，1组作为测试集，进行k折交叉试验。
本发明中，所述步骤2具体包括：
步骤201、构建第一深度学习模型，将水位监测图像中每个像素分类至水体类别和背景类别，构建水体类别和背景类别分别对应的第1类softmax分类器和第2类softmax分类器，并在下一层构建未知类别对应的第3类softmax分类器；
步骤202、将多个小数据集和1个大数据集构建的训练集分别输入到第一深度学习模型中，对应第1类softmax分类器和第2类softmax分类器，分割水体和背景部分，根据输出结果的每张的分割情况，将分割效果较差的水位监测图像放入第3类softmax分类器中，获得多个初始的水体分割专用模型和1个初始的水体分割通用模型，通过测试集根据第一评价因子判断水体分割专用模型和水体分割通用模型的好坏并实时调整参数，直至精度不再提升，得到合适的水体分割专用模型和水体分割通用模型；
步骤203、将放入至第3类softmax分类器中的水位监测图像按照步骤1的方法进行标注分类，将标注后的水位监测图像作为输入按照步骤201和步骤202的方法构建水体分割专用模型，直到第3类softmax分类器中不再有分割效果较差的水位监测图像。
在步骤201中，在第一深度学习模型，以卷积神经网络resnet网络作为待搭建的水体分割模型的基础网络，将网络结构中原有的全连接层替换为卷积层，删除其原有的分类层，添加对应第一目标任务类别的分类层，第一目标任务为对水位监测图像中每个像素分类至{a1，a2}，其中，a1为水体类别，a2为背景类别，例如湖泊、河流、坑塘等，构建水体类别和背景类别分别对应的第1类softmax分类器和第2类softmax分类器，并构建未知类别对应的第3类softmax分类器；
本发明步骤2是为了对水位监测图像进行分割，通过步骤2提供的方法，输入一张水位监测图像，输出分割结果，进而将湖泊、河流、坑塘等完整提取出来。
本发明中，所述步骤3中具体包括：
步骤301、构建第二深度学习模型，将步骤103中水位监测图像和加入的新类别的水位监测图像分类至{b1，b2，...，bn，bn+1，bn+2}中，其中，{b1，b2，...，bn}对应n类水位监测图像的多个小数据集，匹配步骤2中的多个水体分割专用模型，bn+1对应大数据集S，匹配步骤2的水体分割通用模型，bn+2对应加入的新类别的水位监测图像，对{b1，b2，...，bn，bn+1，bn+2}构建n+2类softmax分类器；
步骤302、将步骤1中建立的训练集作为输入，输入到第二深度学习模型中训练，首先将输入的水位监测图像对{b1，b2，...，bn}中的类别进行匹配，若与其中一个水体分割专用模型匹配度大于一定阈值时，则选择该水体分割专用模型，反之，则选择水体分割通用模型，通过步骤1中建立的测试集根据第二评价因子判断目标类别自选择模型的好坏并实时调整参数，直至精度不再提升，得到合适的目标类别自选择模型。
在步骤301中，在第二深度学习模型中，选择卷积神经网络resnet网络作为待搭建的构建目标类别自选择模型的卷积神经网络的基础网络，将网络结构中原有的全连接层替换为卷积层，删除其原有的分类层，添加对应第二目标任务类别的分类层，第二目标任务为将新的水位监测图像分类至{b1，b2，...，bn，bn+1，bn+2}中。
通过目标类别自选择模型，输入一张水位监测图像，将其与多个水体分割专用模型进行配准，输出与输入水位监测图像相似度最高的水位监测图像类别，进而利用匹配的水体分割专用模型对水位监测图像进行分割；对若匹配度均不高，那就利用水体分割通用模型作为预模型，对水位监测图像进行分割。
其中，步骤2中第一评价因子为kappa系数，计算公式为：
式中，
为kappa系数，/>
为预测为0，实际也为0的样本数量；/>
为预测为1，实际为0的样本数量；/>
为预测为0，实际为1的样本数量；/>
为预测为1，实际为1的样本数量，0为背景部分，1为水体部分。
其中，步骤3中第二评价因子为识别精度F1，计算公式为：
其中，precesion为查准率，recall为召回率，TP表示把正类预测为正类的数量，FP表示把负类预测为正类的数量，FN表示把正类预测为负类的数量。
本发明中，所述步骤5中，根据目标水域的情况选取合适的位置安放标定牌、摄像头，获取相机的内外参数和相机比例变量，持续拍摄，获取不同时间段下的视频，采用抽帧的方法对视频进行处理，间隔s帧抽取一帧，得到若干张水位监测图像。
本发明中，所述步骤4中，通过水位线像素坐标与世界坐标转换关系计算水位线处的水位值，世界坐标与像素坐标的转换关系如下：
其中，
为相机外参，/>
为相机内参，/>
为相机比例变量，/>
、/>
和/>
均为已知参数，/>
为水位监测图像上水位线处像素坐标，/>
,/>
为水位线处点的个数，/>
为其对应的世界坐标；
对水位线处的像素坐标
对应的世界坐标/>
进行平均，获取一个水位值L：
其中具体的运行方式为：输入一张水位监测图像，将其与多个水体分割专用模型或1个水体分割通用模型进行配准，输出与输入水位监测图像相似度最高的水位监测图像类别，接下来根据水位监测图像类别选择相应的水体分割专用模型或水体分割通用模型，进行水体分割，水体分割后，根据分割结果判断水位线，计算水位。
在步骤1中，选择卷积神经网络keras网络作为待搭建的自选择水位监测模型的基础网络。
本发明中，在步骤6中，具体地，若在步骤302或步骤5中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像按照步骤1的方法进行标注分类，放入步骤301中建立的bn+2类别中，按照步骤303对目标类别自选择模型进行更新，将标注后的水位监测图像按照步骤2的方法构建新的水体分割专用模型，并对自适应环境的水位识别模型进行更新；若在步骤5中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与步骤5获取的新的水位监测图像汇总形成新的大数据集，且将匹配的水体分割专用模型的小数据集与获取的新的水位监测图像汇总形成新的小数据集，将新的小数据集放入步骤3中建立的bn+2类别中，对该类别的水位监测图像进行更新，按照步骤303对目标类别自选择模型进行更新，按照步骤2建立新的水体分割模型。
本发明中，根据水位监测图像配准的相似程度分配目标水域若干张新的水位监测图像与相应的水体分割专用模型或水体分割通用模型水位监测图像在新数据集中所占的比重，对于新数据集按照一定比例划分为训练集与测试集。
综上所述，本发明提出一种自适应环境水位识别方法，为结合场景分类的图像语义分割方法，利用具有水位监测图像级标记的场景分类数据训练卷积神经网络，并将训练好的卷积神经网络的输入层与卷积层作为语义分割的一部分构建像素级分类网络，在语义分割模型的基础上，通过更好地提取图像特征，从而达到提高像素级分类准确率的目标，利用深度学习方法建立自适应环境的水位识别模型,自适应环境的水位识别模型包括目标类别自选择模型和水体分割模型，通过对已获取的多环境下的水位监测图像预分类，分别训练数据集得到目标类别自选择模型，水体分割模型，水体分割模型包括多个水体分割专用模型和1个水体分割通用模型。模型建立后，利用目标类别自选择模型将新的水位监测图像与不同类别的水位监测图像进行配准，自动选取匹配度最高的水体分割专用模型或水体分割通用模型进行计算，计算结束后，将新的水位监测图像作为训练数据加入到数据集中，对目标类别自选择模型和水体分割模型进行相应的更新，将更新后的目标类别自选择模型和水体分割模型放入自适应环境的水位识别模型中，对自适应环境的水位识别模型进行更新，随着接触到的实验环境越来越多，分类也会逐渐变得更加细致，在水位监测方面达到鲁棒性更强，精度更高的效果。
一种自适应环境水位识别装置，包括：
数据集构建模块，用于构建数据集，对已获取的多种水域环境的水位监测图像进行标注且将标注后的水位监测图像汇总得到大数据集，根据水体的背景的种类将大数据集分为多个小数据集，并将每个小数据集和大数据集分别分为训练集和测试集；
水体分割模型构建模块，用于构建水体分割模型，水体分割模型用于分割水位监测图像中的水体和背景，获取分割结果，水体分割模型包括对应多个小数据集的多个水体分割专用模型和对应大数据集的1个水体分割通用模型；
目标类别自选择模型构建模块，用于构建目标类别自选择模型，用于根据背景的种类确定水位监测图像的类别，当水位监测图像与其中一个水体分割专用模型匹配度大于一定阈值时，则匹配到该水体分割专用模型，反之，则匹配到水体分割通用模型；
自适应环境的水位识别模型构建模块，用于构建自适应环境的水位识别模型，将适用于目标类别自选择模型的输出连接到水体分割模型的输入，将水体分割模型输出的分割结果作为水位计算板块的输入构成自适应环境的水位识别模型，水位计算板块通过分割结果获取水位线信息，进而通过计算水位值；
目标水域水位计算模块，用于对于目标水域，获取若干张新的水位监测图像，利用自适应环境的水位识别模型计算水位值，通过目标类别自选择模型确定新的水位监测图像的类别，匹配到合适的水体分割专用模型或水体分割通用模型，对新的水位监测图像进行水体和背景分割，根据分割结果获取水位线信息，进而通过水位计算板块计算水位值；
水体分割模型更新模块，若在目标类别自选择模型或目标水域水位计算模块中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像进行标注分类，并确定水位监测图像的新类别，对目标类别自选择模型进行更新，将标注后的水位监测图像构建新的水体分割专用模型和更新水体分割通用模型，并对自适应环境的水位识别模型进行更新；若在目标水域水位计算模块中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与目标水域水位计算模块获取的新的水位监测图像汇总形成新的大数据集，将匹配的水体分割专用模型的小数据集与目标水域水位计算模块获取的新的水位监测图像汇总形成新的小数据集，对该类别的水位监测图像进行更新，实现目标类别自选择模型的更新，且构建新的水体分割专用模型和更新水体分割通用模型；
自适应环境的水位识别模型更新模块，用于将新的水体分割专用模型、更新后的水体分割通用模型和目标类别自选择模型更新到自适应环境的水位识别模型中，使得自适应环境的水位识别模型也相应进行更新。
一种自适应环境水位识别设备，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自适应环境水位识别方法的步骤。
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，其特征在于，所述计算机程序被处理器执行时，实现上述所述自适应环境水位识别方法的步骤。
本发明实施例中的存储器用于存储各种类别的数据以支持自适应环境水位识别设备的操作。这些数据的示例包括：用于在自适应环境水位识别设备上操作的任何计算机程序。
本发明实施例揭示的自适应环境水位识别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，自适应环境水位识别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自适应环境水位识别方法的步骤。
在示例性实施例中，自适应环境水位识别设备可以被一个或多个应用专用集成电路(ASIC，ApplicationSpecific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammableLogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，MicroController 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，ReadOnly Memory)、可编程只读存储器(PROM，ProgrammableRead-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagneticrandom access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，CompactDisc 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，StaticRandom Access Memory)、同步静态随机存取存储器(SSRAM，SynchronousStatic Random Access Memory)、动态随机存取存储器(DRAM，DynamicRandom Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamicRandom 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 DynamicRandom AccessMemory)、同步连接动态随机存取存储器(SLDRAM，SyncLinkDynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM，DirectRambus 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别的存储器。
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)
1.一种自适应环境水位识别方法，其特征在于，包括以下步骤：
步骤1、构建数据集，对已获取的多种水域环境的水位监测图像进行标注且将标注后的水位监测图像汇总得到大数据集，根据水体的背景的种类将大数据集分为多个小数据集，并将每个小数据集和大数据集分别分为训练集和测试集；
步骤2、构建水体分割模型，水体分割模型用于分割水位监测图像中的水体和背景，获取分割结果，水体分割模型包括对应多个小数据集的多个水体分割专用模型和对应大数据集的1个水体分割通用模型；
步骤3、构建目标类别自选择模型，用于根据背景的种类确定水位监测图像的类别，当水位监测图像与其中一个水体分割专用模型匹配度大于一定阈值时，则匹配到该水体分割专用模型，反之，则匹配到水体分割通用模型；
步骤4、构建自适应环境的水位识别模型，将适用于目标类别自选择模型的输出连接到水体分割模型的输入，将水体分割模型输出的分割结果作为水位计算板块的输入构成自适应环境的水位识别模型，水位计算板块通过分割结果获取水位线信息，进而通过计算水位值；
步骤5、对于目标水域，获取若干张新的水位监测图像，利用自适应环境的水位识别模型计算水位值，通过目标类别自选择模型确定新的水位监测图像的类别，匹配到合适的水体分割专用模型或水体分割通用模型，对新的水位监测图像进行水体和背景分割，根据分割结果获取水位线信息，进而通过水位计算板块计算水位值；
步骤6、若在步骤3或步骤5中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像按照步骤1的方法进行标注分类，并通过步骤3中确定水位监测图像的新类别，对目标类别自选择模型进行更新，将标注后的水位监测图像按照步骤2的方法构建新的水体分割专用模型和更新水体分割通用模型，并对自适应环境的水位识别模型进行更新；若在步骤5中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与步骤5获取的新的水位监测图像汇总形成新的大数据集，将匹配的水体分割专用模型的小数据集与步骤5获取的新的水位监测图像汇总形成新的小数据集，对该类别的水位监测图像进行更新，实现目标类别自选择模型的更新，且按照步骤2构建新的水体分割专用模型和更新水体分割通用模型；
步骤7、将新的水体分割专用模型、更新后的水体分割通用模型和目标类别自选择模型更新到自适应环境的水位识别模型中，使得自适应环境的水位识别模型也相应进行更新，若有新的目标水域，则重复步骤5~7。
2.根据权利要求1所述的自适应环境水位识别方法，其特征在于：
所述步骤1具体包括：
步骤101、对已获取的水位监测图像进行预处理；
步骤102、对已获取的水位监测图像标注水体和背景；
步骤103、根据不同背景的特点将已获取的水位监测图像分为n类，得到大数据集S和多个小数据集；
步骤104、将多个小数据集中每一个小数据集均匀分为k组，每次从中任选k-1组作为训练集，1组作为测试集，进行k折交叉试验；
步骤105、将大数据集S按照步骤104的方法划分训练集和测试集。
3.根据权利要求1所述的自适应环境水位识别方法，其特征在于：
所述步骤2具体包括：
步骤201、构建第一深度学习模型，将水位监测图像中每个像素分类至水体类别和背景类别，构建水体类别和背景类别分别对应的第1类softmax分类器和第2类softmax分类器，并在下一层构建未知类别对应的第3类softmax分类器；
步骤202、将多个小数据集和1个大数据集构建的训练集分别输入到第一深度学习模型中，对应第1类softmax分类器和第2类softmax分类器，分割水体和背景部分，根据输出结果的每张的分割情况，将分割效果较差的水位监测图像放入第3类softmax分类器中，获得多个初始的水体分割专用模型和1个初始的水体分割通用模型，通过测试集根据第一评价因子判断水体分割专用模型和水体分割通用模型的好坏并实时调整参数，直至精度不再提升，得到合适的水体分割专用模型和水体分割通用模型；
步骤203、将放入至第3类softmax分类器中的水位监测图像按照步骤1的方法进行标注分类，将标注后的水位监测图像作为输入按照步骤201和步骤202的方法构建水体分割专用模型，直到第3类softmax分类器中不再有分割效果较差的水位监测图像。
4.根据权利要求1所述的自适应环境水位识别方法，其特征在于：
所述步骤3具体包括：
步骤301、构建第二深度学习模型，将步骤103中水位监测图像和加入的新类别的水位监测图像分类至{b1，b2，...，bn，bn+1，bn+2}中，其中，{b1，b2，...，bn}对应n类水位监测图像的多个小数据集，匹配步骤2中的多个水体分割专用模型，bn+1对应大数据集S，匹配步骤2的水体分割通用模型，bn+2对应加入的新类别的水位监测图像，对{b1，b2，...，bn，bn+1，bn+2}构建n+2类softmax分类器；
步骤302、将步骤1中建立的训练集作为输入，输入到第二深度学习模型中训练，首先将输入的水位监测图像对{b1，b2，...，bn}中的类别进行匹配，若与其中一个水体分割专用模型匹配度大于一定阈值时，则选择该水体分割专用模型，反之，则选择水体分割通用模型，通过步骤1中建立的测试集根据第二评价因子判断目标类别自选择模型的好坏并实时调整参数，直至精度不再提升，得到合适的目标类别自选择模型。
5.根据权利要求3所述的自适应环境水位识别方法，其特征在于：
第一评价因子为kappa系数，计算公式为：
式中，
为kappa系数，/>
为预测为0，实际也为0的样本数量；/>
为预测为1，实际为0的样本数量；/>
为预测为0，实际为1的样本数量；/>
为预测为1，实际为1的样本数量，0为背景部分，1为水体部分。
6.根据权利要求1所述的自适应环境水位识别方法，其特征在于：所述步骤5中，根据目标水域的情况选取合适的位置安放标定牌、摄像头，获取相机的内外参数和相机比例变量，持续拍摄，获取不同时间段下的视频，采用抽帧的方法对视频进行处理，间隔s帧抽取一帧，得到若干张水位监测图像。
7.根据权利要求1所述的自适应环境水位识别方法，其特征在于：所述步骤4中，通过水位线像素坐标与世界坐标转换关系计算水位线处的水位值，世界坐标与像素坐标的转换关系如下：
其中，
为相机外参，/>
为相机内参，/>
为相机比例变量，/>
、/>
和/>
均为已知参数，/>
为水位监测图像上水位线处像素坐标，/>
,/>
为水位线处点的个数， />
为其对应的世界坐标；
对水位线处的像素坐标
对应的世界坐标/>
进行平均，获取一个水位值L：
8.一种自适应环境水位识别装置，其特征在于，包括：
数据集构建模块，用于构建数据集，对已获取的多种水域环境的水位监测图像进行标注且将标注后的水位监测图像汇总得到大数据集，根据水体的背景的种类将大数据集分为n个小数据集，并将每个小数据集和大数据集分别分为训练集和测试集；
水体分割模型构建模块，用于构建水体分割模型，水体分割模型用于分割水位监测图像中的水体和背景，获取分割结果，水体分割模型包括对应n个小数据集的n个水体分割专用模型和对应大数据集的1个水体分割通用模型；
目标类别自选择模型构建模块，用于构建目标类别自选择模型，用于根据背景的种类确定水位监测图像的类别，当水位监测图像与其中一个水体分割专用模型匹配度大于一定阈值时，则匹配到该水体分割专用模型，反之，则匹配到水体分割通用模型；
自适应环境的水位识别模型构建模块，用于构建自适应环境的水位识别模型，将适用于目标类别自选择模型的输出连接到水体分割模型的输入，将水体分割模型输出的分割结果作为水位计算板块的输入构成自适应环境的水位识别模型，水位计算板块通过分割结果获取水位线信息，进而通过计算水位值；
目标水域水位计算模块，用于对于目标水域，获取若干张新的水位监测图像，利用自适应环境的水位识别模型计算水位值，通过目标类别自选择模型确定新的水位监测图像的类别，匹配到合适的水体分割专用模型或水体分割通用模型，对新的水位监测图像进行水体和背景分割，根据分割结果获取水位线信息，进而通过水位计算板块计算水位值；
水体分割模型更新模块，若在目标类别自选择模型构建模块或目标水域水位计算模块中选择了水体分割通用模型，则在水位值计算结束之后对水位监测图像按照数据集构建模块的方法进行标注分类，并通过目标类别自选择模型构建模块确定水位监测图像的新类别，对目标类别自选择模型进行更新，将标注后的水位监测图像按照水体分割模型构建模块构建新的水体分割专用模型和更新水体分割通用模型，并对自适应环境的水位识别模型进行更新；若在目标水域水位计算模块中选择了水体分割专用模型，则在水位值计算结束之后将原有的大数据集与目标水域水位计算模块获取的新的水位监测图像汇总形成新的大数据集，将匹配的水体分割专用模型的小数据集与目标水域水位计算模块获取的新的水位监测图像汇总形成新的小数据集，对该类别的水位监测图像进行更新，实现目标类别自选择模型的更新，且按照水体分割模型构建模块构建新的水体分割专用模型和更新水体分割通用模型；
自适应环境的水位识别模型更新模块，用于将新的水体分割专用模型、更新后的水体分割通用模型和目标类别自选择模型更新到自适应环境的水位识别模型中，使得自适应环境的水位识别模型也相应进行更新，若有新的目标水域，则重复目标水域水位计算模块、水体分割模型更新模块、自适应环境的水位识别模型更新模块。
9.一种自适应环境水位识别设备，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任一项所述自适应环境水位识别方法的步骤。
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，其特征在于，所述计算机程序被处理器执行时，实现上述权利要求1-7任一项所述自适应环境水位识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310042850.7A CN116129430B (zh) | 2023-01-28 | 2023-01-28 | 一种自适应环境水位识别方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310042850.7A CN116129430B (zh) | 2023-01-28 | 2023-01-28 | 一种自适应环境水位识别方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116129430A CN116129430A (zh) | 2023-05-16 |
| CN116129430B true CN116129430B (zh) | 2023-06-27 |
Family
ID=86304279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310042850.7A Active CN116129430B (zh) | 2023-01-28 | 2023-01-28 | 一种自适应环境水位识别方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116129430B (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11423548B2 (en) * | 2017-01-06 | 2022-08-23 | Board Of Regents, The University Of Texas System | Segmenting generic foreground objects in images and videos |
| CN112163496B (zh) * | 2020-09-22 | 2024-05-28 | 广东华南水电高新技术开发有限公司 | 一种基于语义分割的嵌入式终端水库水位预警方法 |
| CN112907506B (zh) * | 2021-01-11 | 2023-07-07 | 昆明理工大学 | 一种基于水尺颜色信息的不定长水尺水位检测方法、装置及存储介质 |
| CN112766274B (zh) * | 2021-02-01 | 2023-07-07 | 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 |
| CN113819974B (zh) * | 2021-09-17 | 2022-07-12 | 河海大学 | 一种免水尺的河流水位视觉测量方法 |
| 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 |
| CN114677594A (zh) * | 2022-04-15 | 2022-06-28 | 智洋创新科技股份有限公司 | 一种基于深度学习的河流水位的智能识别算法 |
| CN114639064B (zh) * | 2022-05-18 | 2022-09-02 | 智洋创新科技股份有限公司 | 一种水位识别方法及装置 |
-
2023
- 2023-01-28 CN CN202310042850.7A patent/CN116129430B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| An improvement of the Space-Time Image Velocimetry combined with a new denoising method for estimating river discharge;Haoyuan Zhao;《Flow Measurement and Instrumentation》;第77卷;第1-16页 * |
| 基于U-net的水位线检测;程淑红;赵考鹏;张仕军;张典范;;计量学报(第03期);第361-366页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116129430A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | SAR image change detection using PCANet guided by saliency detection | |
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN109543596B (zh) | 一种水位监测方法、装置、电子设备及存储介质 | |
| CN109815979B (zh) | 一种弱标签语义分割标定数据生成方法及系统 | |
| CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
| CN113065578B (zh) | 一种基于双路区域注意力编解码的图像视觉语义分割方法 | |
| CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
| CN109086770B (zh) | 一种基于精准尺度预测的图像语义分割方法及模型 | |
| CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
| CN111680753A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
| CN116011480B (zh) | 基于二维码标识符的水位获取方法、装置、设备及介质 | |
| CN116578945A (zh) | 一种基于飞行器多源数据融合方法、电子设备及存储介质 | |
| CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
| CN117392157B (zh) | 一种边缘感知的保护性耕作秸秆覆盖率检测方法 | |
| CN116129430B (zh) | 一种自适应环境水位识别方法、装置及设备 | |
| CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| CN117635927A (zh) | 一种芯片缺陷验证的方法、系统、设备和介质 | |
| TW202020724A (zh) | 影像適應性特徵提取法及其應用 | |
| CN112926694A (zh) | 基于改进的神经网络对图像中的猪只进行自动识别的方法 | |
| CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
| CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 | |
| CN116304955A (zh) | 道岔设备故障检测方法、装置、终端设备及存储介质 | |
| CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
| CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 |
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 |