CN116453104B - 液位识别方法、装置、电子设备及计算机可读存储介质 - Google Patents

液位识别方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN116453104B
CN116453104B CN202310706921.9A CN202310706921A CN116453104B CN 116453104 B CN116453104 B CN 116453104B CN 202310706921 A CN202310706921 A CN 202310706921A CN 116453104 B CN116453104 B CN 116453104B
Authority
CN
China
Prior art keywords
image
liquid level
network
feature
scale mark
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
CN202310706921.9A
Other languages
English (en)
Other versions
CN116453104A (zh
Inventor
王亚运
薛远
徐爽
汪旗
汪湘湘
宗承治
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.)
Anhui Ronds Science & Technology Inc Co
Original Assignee
Anhui Ronds Science & Technology Inc Co
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 Anhui Ronds Science & Technology Inc Co filed Critical Anhui Ronds Science & Technology Inc Co
Priority to CN202310706921.9A priority Critical patent/CN116453104B/zh
Publication of CN116453104A publication Critical patent/CN116453104A/zh
Application granted granted Critical
Publication of CN116453104B publication Critical patent/CN116453104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/15—Cutting or merging image elements, e.g. region growing, watershed or clustering-based techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19127—Extracting features by transforming the feature space, e.g. multidimensional scaling; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion
    • 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

Abstract

本申请提供一种液位识别方法、装置、电子设备及计算机可读存储介质，涉及液位识别领域；该液位识别方法包括：将液位设备图像输入至语义分割网络，获得所述液位设备图像的语义分割图像，并根据所述语义分割图像获得液面位置；将所述液位设备图像输入至刻度识别网络，获得刻度线信息；其中，所述刻度线信息包括刻度线位置和所述刻度线位置对应的刻度线数值；以及根据所述液面位置和刻度线信息，确定所述液位设备的读数。使用本申请实施例提供的液位识别方法能够提高对液位设备读数识别的效率和精度，同时，本申请实施例提供的液位识别方法泛化性好，可以应用于不同的液位设备。

Description

液位识别方法、装置、电子设备及计算机可读存储介质
技术领域
本申请涉及液位识别领域，具体而言，涉及一种液位识别方法、装置、电子设备及计算机可读存储介质。
背景技术
液位识别在许多领域和应用中是至关重要的，例如工业控制、环境监测、仪器读数等领域。
目前，对于液位设备的液位识别方法主要根据液位感应方式将其分为接触式和非接触式两种。其中，接触式包括浮子式液位设备读数、压力式液位设备读数等，非接触式包括超声式液位设备读数、基于传统图像处理的液位设备读数识别等。但目前的液位识别方法存在读数精度不够高，适应性差，难以适用于复杂的场景等问题。
发明内容
本申请实施例的目的在于提供一种液位识别方法、装置、电子设备及计算机可读存储介质，该液位识别方法将语义分割、主刻度识别和相关卷积神经网络进行结合，相比较于传统的图像处理和机器学习的液位仪表读数识别的方法，该液位识别方法能够捕捉到不同尺度和方向的特征，提高了识别的准确性，且具有较强的适应性，可用于各种场景；同时也减少了大量人工的浪费，以及降低了人工处理的工作量和错误率，使得液位仪表读数识别更加高效准确。
第一方面，本申请实施例提供一种液位识别方法，该液位识别方法包括：将液位设备图像输入至语义分割网络，获得液位设备图像的语义分割图像，并根据语义分割图像获得液面位置；将液位设备图像输入至刻度识别网络，获得刻度线信息；其中，刻度线信息包括刻度线位置和刻度线位置对应的刻度线数值；以及根据液面位置和刻度线信息，确定液位设备的读数。
在上述实现过程中，本申请提供的液位识别方法将液位设备图像输入语义分割网络，得到该液位设备图像的语义分割图像，并根据语义分割图像获得液面位置；将液位设备图像输入刻度识别网络，以获得刻度线信息；进一步地，根据识别的液面位置和刻度线信息确定液位设备的读数；通过语义分割网络和刻度识别网络的组合，可以识别液面位置和刻度线，从而使液位读数的效率较高；语义分割网络和刻度识别网络可以根据训练数据进行训练，使其能够适应不同液位设备的形状、外观和尺寸；同时，由于像素级别的信息被处理分析，有助于提高液位识别的精度和可靠性。
可选地，在本申请实施例中，其中，语义分割网络包括：编码子网络和图像解码子网络；获得液位设备图像的语义分割图像，并根据语义分割图像获得液面位置包括：通过编码子网络，基于液位设备图像，获得液位设备图像的特征图像；通过图像解码子网络，对特征图像进行解码，获得语义分割图像，并根据语义分割图像获得液面位置。
在上述实现过程中，通过语义分割网络的编码子网络和图像解码子网络获得液位设备图像的语义分割图像，其中语义分割图像提供了每个像素的语义标签，以实现液位设备图像的像素级别的理解和分割。充分利用了编码子网络和解码子网络的特征提取和图像重建能力，实现了液位设备图像的语义分割任务，提高了液位识别的精确性。
可选地，在本申请实施例中，对特征图像进行解码，获得语义分割图像，包括：对特征图像进行上采样；将特征图像和上采样后的特征图像进行图像融合，以得到全面特征图；将全面特征图进行上采样，以获得语义分割图像。
在上述实现过程中，本申请实施例为了对特征图像进行解码，获得语义分割图像；首先对特征图像进行了上采样，将上采样后的特征图像和特征图像本身进行图像融合，得到全面特征图；再次对全面特征图进行上采样，获得语义分割图像；通过在上采样后的特征图和原始特征图之间进行图像融合，可以保留原始特征图的浅层信息和上采样特征图的深层语义信息；在特征图进行上采样的过程中，会有一定程度的信息丢失。通过图像融合操作，将上采样后的特征图与原始特征图进行融合，可以在一定程度上补偿丢失的信息，并保持全面特征图的完整性。
可选地，在本申请实施例中，基于液位设备图像，获得液位设备图像的特征图像，包括：将液位设备图像输入编码子网络的卷积层，以获得图像样本矩阵；将图像样本矩阵和卷积核进行卷积，得到初始特征图像；基于初始特征图像，获得液位设备图像的特征图像；其中，卷积层的参数包括卷积核。
在上述实现过程中，本申请实施例提供的液位识别方法，为了获得液位设备图像的特征图像，初步特征图的生成是编码子网络中的一个关键步骤，它为后续的图像解码和语义分割提供了重要的输入。通过卷积层的处理，编码子网络能够从输入图像中提取出与液位设备相关的特征信息，为后续的处理过程提供更丰富、更有代表性的特征表示。
可选地，在本申请实施例中，基于初始特征图像，获得液位设备图像的特征图像，包括：将初始特征图像输入编码子网络的第一池化层，对初始特征图像进行池化，以获得低维度特征图像；将低维度特征图像输入编码子网络的第二池化层，获得液位设备图像的特征图像；其中，第二池化层包括密集空洞池化层。
在上述实现过程中，将初始特征图像通过编码子网络的第一池化层，从而对初始特征进行了池化，得到了低维度特征图像；再将低维度特征图像输入第二池化网络，从而获得最终的特征图像。通过经过两个池化层的处理，获得了液位设备图像的特征图像；由于在高维度特征图像中，可能存在大量冗余信息或不相关的特征；本申请实施例通过降低维度，可以过滤掉这些冗余信息，保留主要的特征，从而提高特征的表达能力和分类性能。
可选地，在本申请实施例中，将低维度特征图像输入编码子网络的第二池化层，获得液位设备图像的特征图像，包括：
将低维度特征图像分别输入第二池化层的平均池化分支和降维卷积分支，以获得降维全局特征；将降维全局特征输入第二池化层的多个空洞卷积分支，以获得不同感受野尺寸的特征；将不同感受野尺寸的特征融合，得到液位设备图像的特征图像。
在上述实现过程中，将低维度特征图像并经过多个分支的处理和特征融合，可以获得液位设备图像的特征图像；本申请实施例通过密集空洞池化层得到不同感受野尺寸的特征，使特征图像提供更丰富和多尺度的信息。
可选地，在本申请实施例中，刻度识别网络包括骨干特征提取子网络和加强特征提取子网络；将液位设备图像输入至刻度识别网络，获得刻度线信息，包括：将液位设备图像输入骨干特征提取子网络，对液位设备图像进行初步特征提取；通过加强特征提取子网络提取骨干特征提取子网络中不同维度的特征层，并将不同维度的特征层提取的初步特征进行卷积和采样，以获得加强特征；其中，不同维度的特征层包括底层特征层；将加强特征的加强特征图像进行融合，以获得刻度线信息。
在上述实现过程中，液位识别方法使用刻度识别网络可以从液位设备图像中提取更加丰富和具有表征能力的特征，进而得到刻度线信息，提高液位设备的读数准确性和稳定性。加强特征提取和特征融合的过程有助于充分利用图像的信息，从而提高液位设备识别的性能和效果。
可选地，在本申请实施例中，将液位设备图像输入骨干特征提取子网络，对液位设备图像进行初步特征提取，包括：将液位设备图像输入骨干特征提取子网络中包括注意力机制的卷积层，以得到第一特征提取结果；将第一特征提取结果输入骨干特征提取子网络的残差层，以获得液位设备图像的初步特征。
在上述实现过程中，骨干特征提取子网络能够对液位设备图像进行初步的特征提取。注意力机制的使用可以帮助网络集中关注重要的图像区域，而残差层的引入则有助于提高特征的表示能力和信息传递效果。通过使用本申请实施例提供的骨干特征提取子网络，能够准确提取液位设备的特征表示。
可选地，在本申请实施例中，刻度线信息包括主刻度线位置和主刻度线数值；根据液面位置和刻度线信息，确定液位设备的读数，包括：通过读数识别网络，根据距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值，确定液位设备的读数。
在上述实现过程中，根据主刻度线位置和主刻度线数值通过读数识别网络，确定出距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值。再根据距离液面位置最近的两条主刻度线确定出液位设备的读数，考虑了液面位置的相对位置和两个主刻度线之间的插值，可以进一步提高读数的准确性和精度。
可选地，在本申请实施例中，根据距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值，确定液位设备的读数，包括：根据最近刻度线位置和最近刻度线数值，确定液面位置所在的刻度线区间，并计算液面位置在刻度线区间内的相对位置比例；根据相对位置比例、最近刻度线位置和最近刻度线数值，计算液位设备的读数。
在上述实现过程中，获取距离液面位置最近的两条主刻度线，以及最近的两条主刻度线的数值；根据最近刻度线位置和最近刻度线数值，确定液面位置所在的刻度线区间，并计算液面位置在刻度线区间内的相对位置比例；从而确定出液位设备的读数，由于考虑到了液面位置的相对位置和刻度线之间的关系，从而能更准确地确定液位设备的读数。
可选地，在本申请实施例中，将训练集输入包括语义分割网络和刻度识别网络的目标网络模型，并计算目标模型的损失函数；更新目标网络模型的参数，直至目标网络模型的损失函数被最小化。
在上述实现过程中，本申请实施例提供的液位识别方法，包括了模型的训练过程和评估过程；完成训练和评估后，训练好的模型可以直接用于实际应用中。实现了自动化的液位设备读数识别，减少了大量人工的浪费，以及降低了人工处理的工作量和错误率，使得液位设备读数识别更加高效准确。
第二方面，本申请实施例提供一种液位识别装置，液位识别装置语义分割模块和、读数刻度识别模块和读数计算模块；语义分割模块用于将液位设备图像输入至语义分割网络，获得液位设备图像的语义分割图像，并根据语义分割图像获得液面位置；刻度识别模块用于将液位设备图像输入至刻度识别网络，获得刻度线信息；其中，刻度线信息包括刻度线位置和刻度线位置对应的刻度线数值；读数计算模块用于根据液面位置和刻度线信息，确定液位设备的读数。
第三方面，本申请实施例提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的液位识别流程图；
图2为本申请实施例提供的语义分割流程图；
图3为本申请实施例提供的特征图像解码流程图；
图4为本申请实施例提供的图像编码的第一流程图；
图5为本申请实施例提供的图像编码的第二流程图；
图6为本申请实施例提供的图像编码的第三流程图；
图7为本申请实施例提供的语义分割网络的网络结构示意图；
图8为本申请实施例提供的图像解码子网络的网络结构示意图；
图9为本申请实施例提供的刻度线信息提取流程图；
图10为本申请实施例提供的初步特征提取流程图；
图11为本申请实施例提供的YOLOv4-Tiny网络框架图；
图12为本申请实施例提供的读数获取流程图；
图13为本申请实施例提供的液位识别装置的模块示意图；
图14为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
液位识别在许多领域和应用中是至关重要的，例如工业控制、环境监测、仪器读数等领域。目前，对于液位设备的读数识别主要根据液位感应方式可分为接触式和非接触式两种；接触式主要包括浮子式液位设备读数、压力式液位设备读数等；非接触式主要包括超声式液位设备读数、基于传统图像处理的液位设备读数识别、基于机器学习的液位设备读数识别等。
需要说明的是，本申请中的液位设备指具有液位并能够将液位进行显示的设备，例如液位显示器、温度计等。
接触式的液位识别方法，在液面上放置特定密度的浮子，并通过推挽钢带将浮子与设备外的弹簧和马达链接在一起，达到读数的目的。但接触式的液位识别方法的测量精度偏低，可靠性差，并且该方法的维护成本较高。
压力式的液位识别方法，当液面高度发生变化时，设备的侧面或底部的某点受到的压力会随之改变，液面的高低这取决于正力的大小。但是压力式的液位识别方法会受液体密度和沉淀物的影响，导致测量精度不高。
超声波式的液位识别方法，利用超声波传感器发出的高频声波测量物料表面与传感器之间的距离，从而计算出液位高度。但超声波在发出和接受的过程中容易受到外界环境的干扰，导致测量精度难以提高；并且超声波式的测量方法在复杂的工况下难以适用。
基于传统图像处理的液位识别方法，利用图像处理算法对液位设备图像进行处理，提取数字信息，再通过模式匹配、形态学分析等技术进行液位识别。但是传统的图像处理方法在实际应用中由于光照条件的不稳定性，导致该方法在现实应用中的适用性不够广泛；并其对输入图像质量的要求较高，包括分辨率、对比度、噪声等方面，使该方法在图像质量较差的情况下表现不佳。
基于机器学习的液位识别方法，通过采集大量的液位设备图像数据，利用机器学习算法对数据进行训练，从而得到液位设备读数的模型，常用的机器学习算法如支持向量机、随机森林等。但机器学习应用于液位设备读数识别方法起步晚，目前这方面的研究处于初步阶段并且更多是将这种方法应用于指针式的仪表读数识别，识别方法还有待完善；机器学习需要高质量的数据才能发挥最佳性能，如果液位设备读数数据存在噪声和错误，或者数据量太少，通过机器学习的方法就会收到影响；机器学习在训练的过程中，对训练数据的过度拟合导致在实际应用中泛化性能差，不能很好的适配新数据或不同的液位设备。此外，当使用的数据集过于简单或者缺少样本时，模型的泛化性能可能也会受到影响。
总地来说，目前存在的液位识别方法存在对液位设备的背景和干扰物等复杂场景的处理能力较差，这导致该方法在复杂环境下表现不佳的问题；以及由于不同的场景中会有不同类型和不同品牌的液位设备，在每次识别的时候需将采集到的液位设备的图像进行分类处理，然后再进行读数识别；无法直接对不同类型、不同品牌的液位设备进行液位识别读数。
基于此，本申请提供一种液位识别方法、装置、电子设备和计算机可读存储介质；该液位识别方法通过语义分割网络实现对液位设备图像的语义分割，并根据语义分割图像获得液面位置；进一步地，通过刻度识别网络确定出刻度线信息，从而根据液面位置和刻度线信息实现对液位设备的读数。本申请实施例提供的液位识别方法泛化性好，可以应用于不同的液位设备；另一方面，使用本申请实施例提供的液位识别方法能够提高对液位设备读数识别的效率和精度。
请参看图1，图1为本申请实施例提供的液位识别流程图；本申请实施例提供的液位识别方法包括：
步骤S100：将液位设备图像输入至语义分割网络，获得液位设备图像的语义分割图像，并根据语义分割图像获得液面位置。
在上述步骤S100中，将液位设备图像输入至语义分割网络，从而得到液位设备的语义分割图像；进一步地，根据语义分割图像获得液面位置。本申请实施例中的语义分割图像可以理解为只包括液位设备的图像，即背景或其他非液位设备部分已经被处理的图像。
需要说明的是，语义分割是计算机视觉领域中的一种图像分割技术，它的目标是将图像中的每个像素分配给特定的语义类别，从而实现对图像的像素级别理解和分割，对液位设备图像进行语义分割可以准确地识别和定位图像中不同物体或区域。
步骤S101：将液位设备图像输入至刻度识别网络，获得刻度线信息。
在上述步骤S101中，将液位设备图像输入刻度识别网络，刻度识别网络根据液位设备图像刻度线信息；其中，刻度线信息包括刻度线位置和刻度线数值。
步骤S102：根据液面位置和刻度线信息，确定液位设备的读数。
在上述步骤S102中，在确定了液面位置和刻度线之后，可以根据液面位置和刻度线确定液位设备的读数。例如，可以通过像素级别的标记或边界框来提取液面位置和刻度线位置；进一步地，可计算液面位置相对于刻度线的距离；根据距离计算结果和液位设备的刻度线信息，将其转换为相应的读数。
通过图1可知，本申请提供的液位识别方法将液位设备图像输入语义分割网络，得到该液位设备图像的语义分割图像，并根据语义分割图像获得液面位置；将液位设备图像输入刻度识别网络，以获得刻度线信息；进一步地，根据识别的液面位置和刻度线信息确定液位设备的读数；通过语义分割网络和刻度识别网络的组合，可以识别液面位置和刻度线，从而使液位读数的效率较高；语义分割网络和刻度识别网络可以根据训练数据进行训练，使其能够适应不同液位设备的形状、外观和尺寸；同时，由于像素级别的信息被处理分析，有助于提高液位识别的精度和可靠性。
请参看图2，图2为本申请实施例提供的语义分割流程图；在本申请实施例的可选实施方式中，该语义分割网络包括：编码子网络和图像解码子网络。
获得液位设备图像的语义分割图像，并根据语义分割图像获得液面位置包括以下步骤：
步骤S200：通过编码子网络，基于液位设备图像，获得液位设备图像的特征图像。
在上述步骤S200中，通过编码子网络基于液位设备图像获得液位设备图像的图像特征。需要说明的是，编码子网络可由卷积层、池化层和激活函数等组成，能够提取输入图像的特征。
步骤S201：通过图像解码子网络，对特征图像进行解码，获得语义分割图像。
在上述步骤S201中，通过图像解码子网络对特征图像进行解码，从而获得语义分割图像，并根据语义分割图像获得液面位置。
解码子网络通常由反卷积层、上采样层和激活函数等组成，能够将特征图像恢复到原始图像的尺寸。通过解码子网络，将特征图像解码为语义分割图像；解码后的图像与输入液位设备图像具有相同的尺寸，其中每个像素被标记为相应的语义类别。
通过图2可知，通过语义分割网络的编码子网络和图像解码子网络获得液位设备图像的语义分割图像，其中语义分割图像提供了每个像素的语义标签，以实现液位设备图像的像素级别的理解和分割。充分利用了编码子网络和解码子网络的特征提取和图像重建能力，实现了液位设备图像的语义分割任务，提高了液位识别的精确性。
请参看图3，图3为本申请实施例提供的特征图像解码流程图；在本申请实施例的可选实施方式中，对特征图像进行解码，获得语义分割图像，可以通过以下步骤实现：
步骤S300：对特征图像进行上采样。
步骤S301：将特征图像和上采样后的特征图像进行图像融合，以得到全面特征图。
在上述步骤S300-S301中，解码时，对特征图像进行上采样。将上采样后的图像与特征图像进行融合，此时融合后得到的全面特征图是包括图像浅层信息和深层语义信息的。
步骤S302：将全面特征图进行上采样，以获得语义分割图像。
在上述步骤S302中，对包括图像浅层信息和深层语义信息的全面特征图进行上采样，从而获得语义分割图像。在步骤S302中的上采样过程中，可对全面特征图像进行卷积，从而使信息得到整合。进一步地，将卷积输出的通道数转换为类别数（语义分割任务中要识别的目标类别的数量），确保网络输出的特征图与实际的语义类别之间存在一一对应的关系。
在上述步骤S300和步骤S302中均存在上采样操作，在此对上采样进行简单介绍，上采样用于将低分辨率图像或特征图放大到较高分辨率的过程；可以通过插值方法来增加图像的尺寸，以便与原始图像具有相同的维度。可以使用反卷积操作、双线性插值和转置卷积等方法实现上采样。
示例性地，采用双线性插值法进行上采样，能够保证像素之间的连续性；本申请是示例性地提供在四个已知点的值之间进行插值，以获得任意点的值的方法。若已知四个像素点Q11(x1,y1)、Q12(x1,y2)、Q21(x2,y1)和Q22(x2,y2)，则任意一点P(x,y)的值（即插值后的结果）为：
其中，x对应X轴上像素点的值，y对应Y轴上像素点的值。
通过上述的公式可知，双线性插值方法通过对四个已知点的函数值进行加权平均，根据离目标点P的距离确定权重，从而计算出目标点P的函数值。这种插值方法可以保持像素之间的连续性，提供平滑的过渡效果，使得上采样后的图像更具自然性和准确性。
通过图3可知，本申请实施例为了对特征图像进行解码，获得语义分割图像；首先对特征图像进行了上采样，将上采样后的特征图像和特征图像本身进行图像融合，得到全面特征图；再次对全面特征图进行上采样，获得语义分割图像；通过在上采样后的特征图和原始特征图之间进行图像融合，可以保留原始特征图的浅层信息和上采样特征图的深层语义信息；在特征图进行上采样的过程中，会有一定程度的信息丢失。通过图像融合操作，将上采样后的特征图与原始特征图进行融合，可以在一定程度上补偿丢失的信息，并保持全面特征图的完整性。
请参看图4，图4为本申请实施例提供的图像编码的第一流程图；在本申请实施例的可选实施方式中，基于液位设备图像，获得液位设备图像的特征图像，可以通过以下步骤实现：
步骤S400：将液位设备图像输入编码子网络的卷积层，以获得图像样本矩阵。
步骤S401：将图像样本矩阵和卷积核进行卷积，得到初始特征图像。
在上述步骤S400-S401中，编码子网络在基于液位设备图像获得液位设备图像的特征图像的过程中，首先将液位设备图像输入编码子网络的卷积层，从而得到图像样本矩阵。进一步地，将图像样本矩阵和卷积和进行卷积得到初步特征图像。
卷积层由多个卷积核组成，每个卷积核在输入图像上滑动，并计算每个位置上卷积核与图像局部区域的内积，得到一个特征值。通过卷积操作，可以提取出图像的局部特征，如边缘、纹理等；同时，通过多个卷积核的组合，可以捕捉到不同尺度和抽象级别的特征。
需要说明的是，卷积操作的输出结果是特征图，它是一个矩阵，其中每个元素表示卷积核与输入图像相应位置的卷积结果。
步骤S402：基于初始特征图像，获得液位设备图像的特征图像。
示例性地，将各类信号数据输入到卷积层中，形成一个矩阵大小为w，卷积核大小为k，步幅为s，填充层数为p，卷积后产生特征图M大小为：
卷积核与输入的图像样本的矩阵经过卷积后产生的输出矩阵就是特征图像矩阵。卷积层包含若干个卷积单元，同时自适应提取输入样本的数据特征，在这个运算过程中；其中，卷积方式可以选择连续卷积或离散卷积。
连续卷积：；其中，/>表示输入，表示卷积核，/>表示输出。
离散卷积：；其中，/>表述输入，表示卷积核，/>表示输出。假设输入的图像数据样本是以/>为二维卷积核的，W/>为运算的结果。则运算的过程如下：
其中，m与n为卷积核的大小。输入图像样本矩阵经过卷积运算后加上偏置，通过激活函数最后得到特征信号矩阵过程如下：
其中，是图像特征的集合，/>是第Ｌ层输出的第J个特征，/>是第Ｌ层输入，是卷积核矩阵，/>是偏置项，/>是激活函数。在选择激活函数的过程中，可以选择较为常用的Relu函数，其表达式为/>，能够提高模型的学习效率。
通过图4可知，本申请实施例提供的液位识别方法，为了获得液位设备图像的特征图像，初步特征图的生成是编码子网络中的一个关键步骤，它为后续的图像解码和语义分割提供了重要的输入。通过卷积层的处理，编码子网络能够从输入图像中提取出与液位设备相关的特征信息，为后续的处理过程提供更丰富、更有代表性的特征表示。
请参看图5，图5为本申请实施例提供的图像编码的第二流程图；在本申请实施例的可选实施方式中，基于初始特征图像，获得液位设备图像的特征图像，包括以下步骤：
步骤S500：将初始特征图像输入编码子网络的第一池化层，对初始特征图像进行池化，以获得低维度特征图像。
在上述步骤S500中，将初始特征图像输入编码子网络的第一池化层，对初始特征图像进行池化，从而获得低维度特征图像。
初始特征图像经过第一池化层的处理后，尺寸会减小，同时保留重要的特征信息。池化操作可以通过不同的方法实现，常见的有最大池化和平均池化。最大池化选取每个池化窗口内的最大值作为池化结果，而平均池化则取池化窗口内的平均值作为结果。在池化之后，特征的维度会明显降低，从而得到低维度特征图像。
需要说明的是，池化过程最重要的就是池化函数的选择与构建，池化过程可表示为：，其中，/>是特征与池化层之间连接的权重值，是采样函数，包含了池化过程中的池化方式，/>是偏置项。
步骤S501：将低维度特征图像输入编码子网络的第二池化层，获得液位设备图像的特征图像。
在上述步骤S501中，第二池化层是编码子网络的进一步处理，以获得液位设备图像的特征图像。特别地，该池化层采用密集空洞池化（Dense Atrous Pooling）的方式进行操作。密集空洞池化是一种池化方法，通过在池化窗口中引入空洞（或称为膨胀率）来增加感受野，从而获取更广阔的上下文信息。
通过图5可知，将初始特征图像通过编码子网络的第一池化层，从而对初始特征进行了池化，得到了低维度特征图像；再将低维度特征图像输入第二池化网络，从而获得最终的特征图像。通过经过两个池化层的处理，获得了液位设备图像的特征图像；由于在高维度特征图像中，可能存在大量冗余信息或不相关的特征；本申请实施例通过降低维度，可以过滤掉这些冗余信息，保留主要的特征，从而提高特征的表达能力和分类性能。
请参看图6，图6为本申请实施例提供的图像编码的第三流程图；在本申请实施例的可选实施方式中，为了获得更深层的语义信息，需要通过下采样的方式来降低图像的分辨率，但是这样的方式会导致图像的浅层信息丢失；为解决图像浅层信息丢失的问题，将低维度特征图像输入第二池化层，以丰富特征信息。
将低维度特征图像输入编码子网络的第二池化层，获得液位设备图像的特征图像包括：
步骤S600：将低维度特征图像分别输入第二池化层的平均池化分支和降维卷积分支，以获得降维全局特征。
在上述步骤S600中，将低维度特征图像分别输入第二池化层的哦英俊池化分支和降维卷积分支，从而获得降维全局特征。
平均池化分支使用平均池化操作来捕捉整体特征信息，而降维卷积分支通过卷积操作来提取特征并减少特征图的通道数，从而得到既包含全局特征又具有较低维度的特征表示。
步骤S601：将降维全局特征输入第二池化层的多个空洞卷积分支，以获得不同感受野尺寸的特征。
在上述步骤S601中，将降维全局特征输入第二池化层的多个空洞卷积分支，从而获得不同感受野尺寸的特征。示例性地，多个空洞卷积分支可以包括：Rate=3的空洞卷积分支、Rate=5的空洞卷积分支、Rate=9的空洞卷积分支以及Rate=17的空洞卷积分支，通过改变空洞卷的空洞率Rate，可在不减少图像分辨率的情况下增大感受野，尽量保全图像的浅层信息。
示例性地，使用串联的方式将不同空洞率的空洞卷积分支串联起来，共享各分支的信息，也能增大视野。空洞卷积的感受野计算公式为：，则总的空洞卷积的感受野为：/>；其中，/>表示第i个空洞卷积分支的感受野；其中，/>表示第i个空洞卷积分支的空洞率，/>表示第i个空洞卷积分支所对应的卷积核尺寸。
步骤S602：将不同感受野尺寸的特征融合，得到液位设备图像的特征图像。
在上述步骤S602中，将不同感受野尺寸的特征进行融合，得到液位设备图像的特征图像。融合可以采用简单的操作，如将特征图像按通道连接起来，或者采用更复杂的操作，如使用卷积或注意力机制来加权融合不同尺度的特征。通过特征融合，可以综合利用不同感受野尺寸的特征信息，提高对液位设备图像的语义理解和分割性能。
需要说明的是，感受野（receptive field）是指在神经网络中，一个特定层或神经元对输入数据的影响范围；在卷积神经网络中，每个神经元的感受野由其所在的卷积层和池化层的卷积核大小以及步幅决定；较小的感受野意味着神经元仅对输入数据的局部区域有感知能力，而较大的感受野则意味着神经元可以感知更大范围的信息。
通过图6可知，将低维度特征图像并经过多个分支的处理和特征融合，可以获得液位设备图像的特征图像；本申请实施例通过密集空洞池化层得到不同感受野尺寸的特征，使特征图像提供更丰富和多尺度的信息。
在一可选地实施方式中，在图像解码之后得到语义分割图像；在如目标之间接触或重叠、图像分辨率低、目标内部细节复杂等情况下会产生过分割的情况。而图像过分割容易导致信息丢失，分割碎片化等问题。
为了解决可能存在的信息丢失和分割碎片化等问题，可将语义分割图像输入后处理模块。采用全连接条件随机场，以相邻像素的颜色信息和位置信息为约束，对像素的分类进行修正，改善分割结果。
示例性地，假设一幅图像中包N个像素，X=(X1, X2, …, XN)为观测量，Y=(Y1,Y2,…, Y3)为随机变量集合，X每个变量的值域为l=(l1, l2, …, lk)，代表k种标签。(Y,X)构成全连接条件随机场，其概率分布服从吉布斯分布，可表示为：；其中，/>为归一化函数。/>为能量函数，可进一步表示为：
其中，x是像素的标签分配，为一元能量函数，表示随机变量/>为某个类别的代价，/>是经过softmax函数得到的概率值。/>为二元成对能量函数项，表示两个变量类别一致性代价。/>为高斯核权值，/>为高斯核函数，如果/>,则，否则为0，这意味着惩罚分配着不同标签的像素点。
通过后处理模块对语义分割图像进行优化之后，输出的图像能够清楚地识别出液面位置。
请参看图7，图7为本申请实施例提供的语义分割网络的网络结构示意图；该语义分割网络包括如图7所示的编码子网络、图像解码子网络和后处理模块。
编码子网络可以看成去除全连接层的CNN，而只保留前面的卷积层而形成的一个特征提取网络，将经过校正后的图像通过若干卷积、池化对图像进行特征提取。
如图7所示，首先将图像输入卷积层得到初始特征图像；再将初始特征图像输入第一池化层，进行信息过滤；进一步地，将过滤后的低维度特征图像输入D-ASSP密集空洞池化层。将经过编码子网络处理后得到的特征图，再输入到图像解码子网络恢复到原图大小。最后，通过后处理模块对语义分割图像进行优化之后，输出的图像能够清楚地识别出液面位置。
D-ASSP密集空洞池化层，在图7中，由5个平行的分支组成，分别为全局平均池化分支、11卷积分支、Rate=3的空洞卷积分支、Rate=5的空洞卷积分支、Rate=9的空洞卷积分支以及Rate=17的空洞卷积分支，通过改变空洞卷的空洞率Rate，即可在不减少图像分辨率的情况下增大感受野，尽量保全图像的浅层信息。
图像解码子网络，请参看图8，图8为本申请实施例提供的图像解码子网络的网络结构示意图；如图8所示，原始图像下采样至原图1/4时得到F1，特征图中还保留着浅层信息，经过空洞卷积网络后得到包含深层语义信息的特征图F2。解码时，将F2图上采样至原图的1/4大小，并与F1融合后得到特征图F3。使得F3具有图像的浅层信息和深层语义信息，并对其进行卷积进行信息整合，并将输出通道数转换为类别数。最后通过上采样输出语义分割的结果。
由此可知，本申请实施例提供使用语义分割网络进行语义分割图像的获取；可以直接将图像转换为像素级别的标注，实现端到端的语义分割，避免了复杂的流程和特征提取过程，提高了分割效率；还可以保留图像中像素的空间信息，更好的保留了图像的细节和纹理，提高了识别精度。另一方面，可以处理任意尺寸的图像，这样不要对图像进行裁剪，避免了信息丢失，同时全卷积网络可以根据不同的分辨率输出不同的特征图，从而适应不同大小的目标，通过级联不同分辨率的特征图来提高分割的准确性。
请参看图9，图9为本申请实施例提供的刻度线信息提取流程图；在本申请实施例的可选实施方式中，刻度识别网络包括骨干特征提取子网络和加强特征提取子网络包括：
步骤S700：将液位设备图像输入骨干特征提取子网络，对液位设备图像进行初步特征提取。
在上述步骤S700中，将液位设备图像输输入骨干特征提取子网络，对液位设备图像输进行初步特征提取，提取了图像中有用的特征信息。
步骤S701：通过加强特征提取子网络提取骨干特征提取子网络中不同维度的特征层，并将不同维度的特征层提取的初步特征进行卷积和采样，以获得加强特征。
在上述步骤S701中，通过加强特征提取子网络，提取骨干特征提取子网络中不同维度的特征层，并对这些特征层进行卷积和采样操作，以获得更加丰富和高层次的特征表示。可以通过使用不同大小的卷积核、不同步长的池化操作等方式，提取具有不同感受野的特征，从而捕捉图像中的细节和语义信息。
步骤S702：将加强特征的加强特征图像进行融合，以获得刻度线信息。
在上述步骤S702中，将加强特征的特征图像进行融合，以获得刻度线信息。不同维度的特征图像可以通过融合操作，如加权求和或级联连接，将它们整合为一个更加综合和丰富的特征表示；从而提升语义分割的准确性和鲁棒性，同时改善分割结果的视觉效果。
通过图9可知，液位识别方法使用刻度识别网络可以从液位设备图像中提取更加丰富和具有表征能力的特征，进而得到刻度线信息，提高液位设备的读数准确性和稳定性。加强特征提取和特征融合的过程有助于充分利用图像的信息，从而提高液位设备识别的性能和效果。
请参看图10，图10为本申请实施例提供的初步特征提取流程图；在本申请实施例的可选实施方式中，将液位设备图像输入骨干特征提取子网络，对液位设备图像进行初步特征提取，可以通过以下步骤实现：
步骤S800：将液位设备图像输入骨干特征提取子网络中包括注意力机制的卷积层，以得到第一特征提取结果。
在上述步骤S800中，将液位设备图像输入骨干特征提取子网络中包括注意力机制的卷积层，从而得到第一特征提取结果。通过带有注意力机制的卷积层，网络可以根据像素的重要性和上下文信息，对液位设备图像进行特征提取。注意力机制能够使网络更加关注重要的图像区域，并对特征进行加权，提高关键信息的表达能力。
步骤S801：将第一特征提取结果输入骨干特征提取子网络的残差层，以获得语义分割图像的初步特征。
在上述步骤S801中，将第一特征提取结果输入骨干特征提取子网络的残差层。残差层是通过引入残差连接，将输入的特征与网络的输出进行相加，从而提供更丰富的特征表示；残差连接可以帮助网络更好地学习图像的细节和语义信息，进一步提升语义分割图像的特征表达能力。
通过图10可知，骨干特征提取子网络能够对液位设备图像进行初步的特征提取。注意力机制的使用可以帮助网络集中关注重要的图像区域，而残差层的引入则有助于提高特征的表示能力和信息传递效果。通过使用本申请实施例提供的骨干特征提取子网络，能够准确提取液位设备的特征表示。
请参看图11，图11为本申请实施例提供的YOLOv4-Tiny网络框架图；在本申请实施例的可选实施方式中，可以使用YOLOv4-Tiny获得获得刻度线信息；如图11所示，该YOLOv4-Tiny网络可包括骨干特征提取子网络、加强特征提取子网络。
如图11所示，骨干特征提取子网络（Attention-CSPDarknet53-tiny）主要用于目标数据集前期的特征提取，在图像输入时会将图像进行重塑，将图像处理成尺寸为适应尺寸的输入图像；之后放入后续网络提取特征。骨干网络由卷积模块和残差模块组成，卷积模块中除了包含普通的卷积步骤，还包含标准化和激活函数，在YOLOv4-Tiny中为了加快网络的速度，使用了Leaky ReLU作为激活函数。
值得注意的是，本申请实施例在骨干特征提取模块中引了入注意力机制，对液位设备图像的特征提取结果，增加有效特征的权重，过滤无效特征并减弱其权重。首先将输入放入通道注意力模块，经过通道注意力的特征图与原输入的特征图重新加权结合之后再放入空间注意力模块，将放入空间注意力模块的初始输入与经过空间注意力模块的特征图再次加权结合以后经过ReLU激活函数后将特征图输出。其中，残差模块是参考局部残差网络设计的，它将特征层分成两部分，第一部分经过少量处理以后直接构建残差边，第二部分通过多个卷积块提取特征以后与第一部分合并后输出。
进一步地，该加强特征提取子网络可以是特征金字塔（Multi-FPN），特征金字塔对骨干特征提取子网络的输出进行加强特征提取，从骨干网络的上层和下层分别取出两个维度的特征层进行特征提取；并将不同维度的特征层经过卷积和采样进行特征融合，通过不同尺度的特征结合来提取出更有利的特征。最后将两个加强特征提取后的特征图放入YoloHead进行预测。
Yolo Head是YOLOv4-Tiny网络的最后一部分，主要是用来解析网络的输出，通过强特征提取以后的网络最终输出了两个特征层，并将两个特征层进行融合，实现液位设备液位面的刻度线信息的精准识别。
在图11中，DarknetConv2D_BN_Leaky是由卷积层、批量归一化和修正线性单元函数组成，其作用是提取图像特征并引入非线性。通过结合卷积操作、批归一化和 LeakyReLU 函数，DarknetConv2D_BN_Leaky 可以帮助网络更好地学习输入数据的表示，提高模型的表达能力和准确性。
Resblock_body是多个Residual Blocks（残差块）组成的模块，Resblock_body组件通常位于YOLO网络的前端，负责提取高层次的语义特征。通过堆叠多个ResidualBlocks，网络可以学习到更复杂的特征和抽象表示，从而提高目标检测的性能。
CBAM_Block是通道注意力模块（Channel Attention Module）和空间注意力模块（Spatial Attention Module）的组合块。通道注意力模块（Channel Attention Module）通过学习每个通道之间的关系，来对每个通道的特征进行加权。空间注意力模块（SpatialAttention Module）则通过学习特征图的空间位置之间的关系，来对特征图的不同位置进行加权。通过将通道注意力模块和空间注意力模块组合在一起形成CBAM_Block，网络可以同时考虑通道和空间两个方面的注意力信息，从而增强特征表示能力。
Concat用于将多个张量沿着某个维度进行连接。在YOLO网络中，Concat通常用于将不同层或不同分支的特征图进行连接，以融合多层次的特征信息。
在改进后的YOLO（You Only Look Once）网络中，Conv+UpSample是指一种结合了卷积（Convolution）和上采样（UpSampling）操作的组合。Conv+UpSample的组合可以在YOLO网络中实现多尺度的特征提取和预测。通常，在网络中较低层的特征图上应用Conv+UpSample，可以使特征图的尺寸增大，以便检测较小尺寸的目标。
Conv是卷积层，用于在特征图上进行局部特征提取和特征变换。在卷积操作中，通过将一个滤波器（卷积核）与输入特征图进行逐元素相乘，并对结果进行求和，来获得输出特征图的每个元素。
Yolo Head指的是网络结构中的最后一部分，也称为检测头部（detection head）或预测层（prediction layer）。Yolo Head负责对特征图进行解码和处理，生成最终的目标检测结果。
通过图11可知，本申请实施例利用基于YOLO网络的方法提取图像特征可以提高液位设备读数识别的适应性和泛化性。相比较于传统的方法，卷积神经网络通过自适应提取特征，可以通过在不同类型和品牌的液位设备上进行训练，从而可以提高模型对于不同类型液位设备读数识别的泛化性能，从而可以推广应用到不同的液位设备。
利用基于YOLO网络的方法提取图像特征可以提高识别的扩展性。卷积神经网络根据实际应用的需求进行扩展，例如支持新的液位设备型号或者新增加的处理任务等，只需要通过增加新的训练数据或改变模型结构即可实现新的液位设备的读数识别。
基于YOLO网络的方法进行主刻度识别具有更高的准确性、泛化性能。与传统的主刻度识别方法相比，使用YOLO网络可以自动学习图像特征，无需动手设计特征，从而减轻工作量；YOLO网络能处理非常复杂的数据关系，可以通过多层卷积进行学习，处理非线性关系，提高识别的准确性；YOLO网络中加入的注意力机制可以在训练的过程中找出图像中的强化特征，使得每个特征学习结果都更加鲁棒，帮助YOLO网络避免过拟合，提高泛化性能。
在一可选地实施方式中，刻度线信息包括主刻度线位置和主刻度线数值；根据液面位置和刻度线信息，确定液位设备的读数，包括：
通过读数识别网络，根据距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值，确定液位设备的读数。
需要说明的是，读数识别网络在获取主刻度线位置和对应的主刻度线数值时，以主刻度线所在的轴为X轴，将主刻度数值识别后的刻度线展开成一条矩形带，在X坐标数组中每处刻度线处都可能存在一簇连续的横坐标被记录；进一步地，对这些连续的X坐标求平均作为该刻度线位置的坐标。
由此可知，根据主刻度线位置和主刻度线数值通过读数识别网络，确定出距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值，。再根据距离液面位置最近的两条主刻度线确定出液位设备的读数，考虑了液面位置的相对位置和两个主刻度线之间的插值，可以进一步提高读数的准确性和精度。
请参看图12，图12为本申请实施例提供的读数获取流程图；在本申请实施例的可选实施方式中，根据距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值，确定液位设备的读数，可以通过以下步骤实现：
步骤S900：根据最近刻度线位置和最近刻度线数值，确定液面位置所在的刻度线区间，并计算液面位置在刻度线区间内的相对位置比例。
步骤S901：根据相对位置比例、最近刻度线位置和最近刻度线数值，计算液位设备的读数。
在上述步骤S900-步骤S901中，获取距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值。根据最近刻度线位置和最近刻度线数值，确定液面位置所在的刻度线区间，并计算液面位置在刻度线区间内的相对位置比例。示例性地，若平均后的主刻度线数组为（X1，X2，X3…Xn），刻度线对应数值记为（V1，V2，V3…Vn）；，可以根据以下公式计算读数N：
其中，T为液位面位置。
在一可能的实施例中，如果液面位置和主刻度线重合，那么，求平均后处理完的X坐标数组会少一个关键刻度信息，此时可以根据指针与左右两侧刻度线数量的关系求出指针所指向刻度的值。
通过图12可知，获取距离液面位置最近的两条主刻度线，以及最近的两条主刻度线的数值；根据最近刻度线位置和最近刻度线数值，确定液面位置所在的刻度线区间，并计算液面位置在刻度线区间内的相对位置比例；从而确定出液位设备的读数，由于考虑到了液面位置的相对位置和刻度线之间的关系，从而能更准确地确定液位设备的读数。
在一可能的实施例中，该液位识别方法还包括将训练集输入包括语义分割网络和刻度识别网络的目标网络模型，并计算目标模型的损失函数。
更新目标网络模型的参数，直至目标网络模型的损失函数被最小化。
上述过程是对本申请实施例中的模型进行训练的过程，将训练集输入目标网络模型中，并计算损失函数；需要说明的是，损失函数可以衡量模型的预测误差，值越小表示模型的预测越准确。
为了使损失函数最小化，可以用梯度下降等优化算法来更新模型参数的权重和偏置。损失函数对参数和偏置/>的梯度如下：
/>
其中，是模型在样本/>的预测概率，/>是样本/>的真实标签。使用梯度下降算法更新参数是，可以按以下方式进行：
，/>
其中，是学习率。通过输入训练数据，通过优化算法不断更新模型的参数，以最小化损失函数，从而使模型能够更好地对新数据进行预测或分类。
在一可选地实施例中，可以使用测试集对模型进行评估，在液位设备读数识别中，为衡量模型的性能，采用目标检测常用的3种性能指标，包括精确率（P），平均精确（AP）和平均精确度均值（mAP）。具体的计算公式如下：
其中，为被分成正样本且确实为正样本的数量，/>为被分成正样本但实际并不是正样本的数量，N为样本的总数，i为当前的样本编号，/>为总检测类数，q为检测的其中一类。
在模型训练评估完成之后，将训练好的模型直接用于实际应用中，对液位设备语义分割和主刻度识别，提取出液位和主刻度的位置和数值信息，实现对位设备的读数识别，得到液位读数。
由此可知，本申请实施例提供的液位识别方法，包括了模型的训练过程和评估过程；完成训练和评估后，训练好的模型可以直接用于实际应用中。实现了自动化的液位设备读数识别，减少了大量人工的浪费，以及降低了人工处理的工作量和错误率，使得液位设备读数识别更加高效准确。
在一可选地实施方式中，在将液位设备图像输入至语义分割网络之前，进行数据采集，采集不同角度、不同光照条件、不同液位情况下的液位设备图片。例如，可以通过巡检机器人在巡检的过程中实时采集液位设备设备的状态图像，并通过图像处理及识别算法得到当前设备的状态信息。
在一可选地实施方式中，在将液位设备图像输入至语义分割网络之前，对采集到的液位设备图像进行裁剪、缩放、旋转等处理，使其能够适应网络的输入尺寸。由于采集图像，有时会因为摄像头倾斜二导致采集的图像是倾斜的，如果不对图像进行校正，就会使后面的液位检测和数字识别出现很大失误，从而降低仪表识别的准确率。
可以使用色彩空间转换结合联通域标记算法提取液柱部分，对图像做RGB色彩空间到YCrCb色彩空间的转换，YcrCb色彩空间是CCTR601编码方案中采用的彩色表示模型，目前被广泛运用于人脸检测等领域；该空间受亮度变化的影响较小，并且是二维独立分布，能够很好地限制各颜色的分布区域。YCrCb色彩空间不仅可以从RGB格式线性变换得到，而且具有将亮度信息和色彩信息分离的优点。转换公式如下：
其中，Y分量表示光源的亮度，分量表示红色与亮度信号的差值，/>分量表示蓝色与亮度信号的差值。
由此可知，利用色彩空间转换可以提高图像处理的效率和效果。通过将图像从RGB空间转换为其他的色彩空间，而在RGB空间中，图像的每个像素由三个分量组成。在其他色彩空间中，图像的像素通常只有一个分量或者只有几个分量，不用考虑每个像素的具体的RGB值，只需要考虑图像的亮度信息或色度信息，这样可以减少图像处理的计算量。同时，色彩空间的转换可以去除图像中的色彩噪声或者色彩偏差，从而提高图像处理的效果。
进一步地，可利用连通域标记算法，对图像连通区域进行标记；利用连通域标记算法对二值化图像中的白色像素点进行标记，使得每个相互独立的连通区域都形成一个被标识的块，进一步可以获取到这些块的最小外接矩形、轮廓、中心距、质心等几何参数。
在上述过程中，利用连通域标记算法可以将图像中的对象分离出来，从而实现目标检测、目标跟踪等应用。同时，利用这种算法可以减少图像处理中所遇到的一些噪声点，因为这些噪声点往往会对图像的后续处理产生干扰，故而提高液位设备识别读数的准确性。
进一步地，对液位设备图像的倾斜进行矫正。首先，需要将提取到的Cb空间图像进行二值化处理；对所有连通区域进行标记，然后绘制各连通区域的最小外接矩形，并获取最小外接矩形的四个顶点纵坐标；取各最小外接矩形中高度和宽度之比最大且最小外接矩形的左下角纵坐标及右下角顶点纵坐标与图像高度差最小的最小外接矩形，则该最小外接矩形即为液柱部分的最小外接矩形，该最小外接矩形的倾斜角度即为需要旋转的角度α，将液位设备旋转α，得到校正后的图像。
在上述过程中，通过图像校正技术，减少图像中的畸变、旋转和倾斜等问题，使得图像更加的规整，从而提高图像的可读性和识别率，提高自动化处理图像的效率和图像识别的准确度。
请参看图13，图13为本申请实施例提供的液位识别装置的模块示意图；液位识别装置100包括语义分割模块110、刻度识别模块120和读数计算模块130。
语义分割模块110用于将液位设备图像输入至语义分割网络，获得液位设备图像的语义分割图像，并根据语义分割图像获得液面位置。
刻度识别模块120用于液位设备图像输入至刻度识别网络，获得刻度线信息；其中，刻度线信息包括刻度线位置和刻度线位置对应的刻度线数值。
读数计算模块130用于根据液面位置和刻度线信息，确定液位设备的读数。
在一可选地实施例中，其中，语义分割网络包括：编码子网络和图像解码子网络；语义分割模块110包括编码子模块和图像解码子模块。语义分割模块110获得液位设备图像的语义分割图像，包括：编码子模块用于通过编码子网络，基于液位设备图像，获得液位设备图像的特征图像；图像解码子模块用于通过图像解码子网络，对特征图像进行解码，获得语义分割图像。
在一可选地实施例中，图像解码子模块对特征图像进行解码，获得语义分割图像，包括：图像解码子模块对特征图像进行上采样；图像解码子模块将特征图像和上采样后的特征图像进行图像融合，以得到全面特征图；图像解码子模块将全面特征图进行上采样，以获得语义分割图像。
在一可选地实施例中，编码子模块基于液位设备图像，获得液位设备图像的特征图像，包括：编码子模块将液位设备图像输入编码子网络的卷积层，以获得图像样本矩阵；编码子模块将图像样本矩阵和卷积核进行卷积，得到初始特征图像；编码子模块基于初始特征图像，获得液位设备图像的特征图像；其中，卷积层的参数包括卷积核。
在一可选地实施例中，编码子模块包括第一池化单元和第二池化单元；编码子模块基于初始特征图像，获得液位设备图像的特征图像，包括：第一池化单元将初始特征图像输入编码子网络的第一池化层，对初始特征图像进行池化，以获得低维度特征图像；第二池化单元将低维度特征图像输入编码子网络的第二池化层，获得液位设备图像的特征图像；其中，第二池化层包括密集空洞池化层。
在一可选地实施例中，第二池化单元将低维度特征图像输入编码子网络的第二池化层，获得液位设备图像的特征图像，包括：第二池化单元将低维度特征图像分别输入第二池化层的平均池化分支和降维卷积分支，以获得降维全局特征；将降维全局特征输入第二池化层的多个空洞卷积分支，以获得不同感受野尺寸的特征；以及将不同感受野尺寸的特征融合，得到液位设备图像的特征图像。
在一可选地实施例中，该液位识别装置100还包括刻度识别模块120；刻度识别网络包括骨干特征提取子网络和加强特征提取子网络；刻度识别模块120将液位设备图像输入至刻度识别网络，获得刻度线信息，包括：刻度识别模块120将液位设备图像输入骨干特征提取子网络，对液位设备图像进行初步特征提取；通过加强特征提取子网络提取骨干特征提取子网络中不同维度的特征层，并将不同维度的特征层提取的初步特征进行卷积和采样，以获得加强特征；其中，不同维度的特征层包括底层特征层；将加强特征的加强特征图像进行融合，以获得刻度线信息。
在一可选地实施例中，刻度识别模块120将液位设备图像输入骨干特征提取子网络，对液位设备图像进行初步特征提取，包括：将液位设备图像输入骨干特征提取子网络中包括注意力机制的卷积层，以得到第一特征提取结果；将第一特征提取结果输入骨干特征提取子网络的残差层，以获得液位设备图像的初步特征。
在一可选地实施例中，读数计算模块130刻度线信息包括主刻度线位置和主刻度线数值；根据液面位置和刻度线信息，确定液位设备的读数，包括：读数计算模块130通过读数识别网络，根据距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值，确定液位设备的读数。
在一可选地实施例中，读数计算模块130根据距离液面位置最近的两条主刻度线，确定液位设备的读数，包括：读数计算模块130获取距离液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值；根据最近刻度线位置和最近刻度线数值，确定液面位置所在的刻度线区间，并计算液面位置在刻度线区间内的相对位置比例；以及根据相对位置比例、最近刻度线位置和最近刻度线数值，计算液位设备的读数。
在一可选地实施例中，该液位识别装置100还包括模型训练模块；模型训练模块将训练集输入包括语义分割网络和刻度识别网络的目标网络模型，并计算目标模型的损失函数；更新目标网络模型的参数，直至目标网络模型的损失函数被最小化。
请参见图14，图14为本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备300，包括：处理器301和存储器302，存储器302存储有处理器301可执行的机器可读指令，机器可读指令被处理器301执行时执行如上的方法。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
所述计算机可读存储介质可以是随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等各种可以存储程序代码的介质。其中，存储介质用于存储程序，所述处理器在接收到执行指令后，执行所述程序，本发明实施例任一实施例揭示的过程定义的电子终端所执行的方法可以应用于处理器中，或者由处理器实现。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。
所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种液位识别方法，其特征在于，所述方法包括：
将液位设备图像输入至包括编码子网络和图像解码子网络的语义分割网络，通过所述编码子网络，基于所述液位设备图像，获得所述液位设备图像的特征图像；通过所述图像解码子网络，对所述特征图像进行解码，获得语义分割图像，并根据所述语义分割图像获得液面位置；
将所述液位设备图像输入至刻度识别网络，获得刻度线信息；其中，所述刻度线信息包括刻度线位置和所述刻度线位置对应的刻度线数值；以及
根据所述液面位置和刻度线信息，确定所述液位设备的读数；
其中，所述基于所述液位设备图像，获得所述液位设备图像的特征图像，包括：将所述液位设备图像输入所述编码子网络的卷积层，以获得图像样本矩阵；其中，所述卷积层的参数包括卷积核；将所述图像样本矩阵和卷积核进行卷积，得到初始特征图像；将所述初始特征图像输入所述编码子网络的第一池化层，对所述初始特征图像进行池化，以获得低维度特征图像；将所述低维度特征图像分别输入第二池化层的平均池化分支和降维卷积分支，以获得降维全局特征；将所述降维全局特征输入所述第二池化层的多个空洞卷积分支，以获得不同感受野尺寸的特征；将所述不同感受野尺寸的特征融合，得到所述液位设备图像的特征图像；其中，所述第二池化层包括密集空洞池化层，密集空洞池化层包括多个空洞率不同的卷积分支。
2.根据权利要求1所述的方法，其特征在于，所述对所述特征图像进行解码，获得语义分割图像，包括：
对所述特征图像进行上采样；
将所述特征图像和上采样后的所述特征图像进行图像融合，以得到全面特征图；
将所述全面特征图进行上采样，以获得所述语义分割图像。
3.根据权利要求1所述的方法，其特征在于，所述刻度识别网络包括骨干特征提取子网络和加强特征提取子网络；
所述将所述液位设备图像输入至刻度识别网络，获得刻度线信息，包括：
将所述液位设备图像输入所述骨干特征提取子网络，对所述液位设备图像进行初步特征提取；
通过所述加强特征提取子网络提取所述骨干特征提取子网络中不同维度的特征层，并将所述不同维度的特征层提取的初步特征进行卷积和采样，以获得加强特征；其中，所述不同维度的特征层包括底层特征层；
将所述加强特征的加强特征图像进行融合，以获得所述刻度线信息。
4.根据权利要求3所述的方法，其特征在于，所述将所述液位设备图像输入所述骨干特征提取子网络，对所述液位设备图像进行初步特征提取，包括：
将所述液位设备图像输入所述骨干特征提取子网络中包括注意力机制的卷积层，以得到第一特征提取结果；
将所述第一特征提取结果输入所述骨干特征提取子网络的残差层，以获得所述液位设备图像的初步特征。
5.根据权利要求1所述的方法，其特征在于，所述刻度线信息包括主刻度线位置和主刻度线数值；所述根据所述液面位置和刻度线信息，确定液位设备的读数，包括：
通过读数识别网络，根据距离所述液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值，确定所述液位设备的读数。
6.根据权利要求5所述的方法，其特征在于，所述根据距离所述液面位置最近的两条主刻度线的最近刻度线位置和最近刻度线数值，确定所述液位设备的读数，包括：
根据所述最近刻度线位置和最近刻度线数值，确定所述液面位置所在的刻度线区间，并计算所述液面位置在所述刻度线区间内的相对位置比例；
根据所述相对位置比例、所述最近刻度线位置和最近刻度线数值，计算所述液位设备的读数。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：
将训练集输入包括所述语义分割网络和所述刻度识别网络的目标网络模型，并计算所述目标网络模型的损失函数；
更新所述目标网络模型的参数，直至所述目标网络模型的损失函数被最小化。
8.一种液位识别装置，其特征在于，所述液位识别装置包括语义分割模块、刻度识别模块和读数计算模块；
所述语义分割模块用于将液位设备图像输入至包括编码子网络和图像解码子网络的语义分割网络，通过所述编码子网络，基于所述液位设备图像，获得所述液位设备图像的特征图像；通过所述图像解码子网络，对所述特征图像进行解码，获得语义分割图像，并根据所述语义分割图像获得液面位置；
所述刻度识别模块用于将所述液位设备图像输入至刻度识别网络，获得刻度线信息；其中，所述刻度线信息包括刻度线位置和所述刻度线位置对应的刻度线数值；
所述读数计算模块用于根据所述液面位置和刻度线信息，确定所述液位设备的读数；
所述语义分割模块具体用于将所述液位设备图像输入所述编码子网络的卷积层，以获得图像样本矩阵；其中，所述卷积层的参数包括卷积核；将所述图像样本矩阵和卷积核进行卷积，得到初始特征图像；将所述初始特征图像输入所述编码子网络的第一池化层，对所述初始特征图像进行池化，以获得低维度特征图像；将所述低维度特征图像分别输入第二池化层的平均池化分支和降维卷积分支，以获得降维全局特征；将所述降维全局特征输入所述第二池化层的多个空洞卷积分支，以获得不同感受野尺寸的特征；将所述不同感受野尺寸的特征融合，得到所述液位设备图像的特征图像；其中，所述第二池化层包括密集空洞池化层，密集空洞池化层包括多个空洞率不同的卷积分支。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器运行时，执行权利要求1-7所述方法中的步骤。
CN202310706921.9A 2023-06-15 2023-06-15 液位识别方法、装置、电子设备及计算机可读存储介质 Active CN116453104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310706921.9A CN116453104B (zh) 2023-06-15 2023-06-15 液位识别方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310706921.9A CN116453104B (zh) 2023-06-15 2023-06-15 液位识别方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN116453104A CN116453104A (zh) 2023-07-18
CN116453104B true CN116453104B (zh) 2023-09-08

Family

ID=87132457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310706921.9A Active CN116453104B (zh) 2023-06-15 2023-06-15 液位识别方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116453104B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116636660B (zh) * 2023-07-27 2023-10-20 东莞市鸿馥生物科技有限公司 一种电子烟烟油信息处理方法、系统及电子烟
CN117274278B (zh) * 2023-09-28 2024-04-02 武汉大学人民医院（湖北省人民医院） 基于模拟感受野的视网膜图像病灶部位分割方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276285A (zh) * 2019-06-13 2019-09-24 浙江工业大学 一种非受控场景视频中的船舶水尺智能识别方法
CN110956172A (zh) * 2019-11-18 2020-04-03 四创科技有限公司 一种基于图像语义分割的水尺识别方法
CN111368846A (zh) * 2020-03-19 2020-07-03 中国人民解放军国防科技大学 一种基于边界语义分割的道路积水识别方法
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和系统
CN112598001A (zh) * 2021-03-08 2021-04-02 中航金城无人系统有限公司 一种基于多模型融合的船舶水尺读数自动识别方法
CN113657388A (zh) * 2021-07-09 2021-11-16 北京科技大学 一种融合图像超分辨率重建的图像语义分割方法
CN113780211A (zh) * 2021-09-16 2021-12-10 河北工程大学 一种基于改进型Yolov4-tiny的轻量级飞机检测方法
CN113887524A (zh) * 2021-11-04 2022-01-04 华北理工大学 基于语义分割的磁铁矿显微图像分割方法
JP2022128897A (ja) * 2021-02-24 2022-09-05 株式会社フューチャースタンダード 水位異常検知プログラム及び水位異常検知装置
CN115311454A (zh) * 2022-07-05 2022-11-08 长沙理工大学 一种基于残差特征优化和注意力机制的图像分割方法
WO2023045284A1 (zh) * 2021-09-26 2023-03-30 上海商汤智能科技有限公司 图像处理方法、装置、计算机设备、存储介质及程序产品
CN115880571A (zh) * 2022-12-08 2023-03-31 齐丰科技股份有限公司 一种基于语义分割的水位尺读数识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210374466A1 (en) * 2020-05-26 2021-12-02 Zhejiang University Water level monitoring method based on cluster partition and scale recognition

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和系统
CN110276285A (zh) * 2019-06-13 2019-09-24 浙江工业大学 一种非受控场景视频中的船舶水尺智能识别方法
CN110956172A (zh) * 2019-11-18 2020-04-03 四创科技有限公司 一种基于图像语义分割的水尺识别方法
CN111368846A (zh) * 2020-03-19 2020-07-03 中国人民解放军国防科技大学 一种基于边界语义分割的道路积水识别方法
JP2022128897A (ja) * 2021-02-24 2022-09-05 株式会社フューチャースタンダード 水位異常検知プログラム及び水位異常検知装置
CN112598001A (zh) * 2021-03-08 2021-04-02 中航金城无人系统有限公司 一种基于多模型融合的船舶水尺读数自动识别方法
CN113657388A (zh) * 2021-07-09 2021-11-16 北京科技大学 一种融合图像超分辨率重建的图像语义分割方法
CN113780211A (zh) * 2021-09-16 2021-12-10 河北工程大学 一种基于改进型Yolov4-tiny的轻量级飞机检测方法
WO2023045284A1 (zh) * 2021-09-26 2023-03-30 上海商汤智能科技有限公司 图像处理方法、装置、计算机设备、存储介质及程序产品
CN113887524A (zh) * 2021-11-04 2022-01-04 华北理工大学 基于语义分割的磁铁矿显微图像分割方法
CN115311454A (zh) * 2022-07-05 2022-11-08 长沙理工大学 一种基于残差特征优化和注意力机制的图像分割方法
CN115880571A (zh) * 2022-12-08 2023-03-31 齐丰科技股份有限公司 一种基于语义分割的水位尺读数识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图像的水位标尺检测技术研究;张超;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第6期);全文 *

Also Published As

Publication number Publication date
CN116453104A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116453104B (zh) 液位识别方法、装置、电子设备及计算机可读存储介质
Berman et al. Single image dehazing using haze-lines
CN112348815A (zh) 图像处理方法、图像处理装置以及非瞬时性存储介质
CN114627052A (zh) 一种基于深度学习的红外图像漏气漏液检测方法及系统
CN112149648B (zh) 一种基于灰度可变阈值的水位线识别与估计方法及装置
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN116645592B (zh) 一种基于图像处理的裂缝检测方法和存储介质
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN116188756A (zh) 一种基于深度学习的仪表角度校正与示数识别方法
CN115424237A (zh) 一种基于深度学习的前向车辆识别与距离检测方法
KR101842535B1 (ko) 부호의 광학적 검출 방법
CN115861922B (zh) 一种稀疏烟火检测方法、装置、计算机设备及存储介质
CN115345895B (zh) 用于视觉检测的图像分割方法、装置、计算机设备及介质
CN111222355A (zh) Pcb板上的条码定位方法及系统
CN115588196A (zh) 基于机器视觉的指针型仪表读数方法和装置
CN113298755B (zh) 基于时序影像的生态环境变化斑块快速检测方法和装置
CN111612836B (zh) 一种镂空圆形指针式仪表识别方法和系统
CN112348823A (zh) 一种面向对象的高分辨率遥感影像分割算法
CN112801195A (zh) 一种基于深度学习的雾天能见度预测方法，存储装置及服务器
CN116503737B (zh) 基于空间光学图像的船舶检测方法和装置
CN117011688B (zh) 一种水下结构病害的识别方法、系统及存储介质
CN117475436A (zh) 一种基于深度学习算法的数显仪表数字识别方法
JP2021157791A (ja) 評価方法及び評価装置
CN116259008A (zh) 一种基于计算机视觉的水位实时监测方法

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