CN116469091A - 一种基于实时视频的水尺自动读数方法、设备及介质 - Google Patents
一种基于实时视频的水尺自动读数方法、设备及介质 Download PDFInfo
- Publication number
- CN116469091A CN116469091A CN202310452924.4A CN202310452924A CN116469091A CN 116469091 A CN116469091 A CN 116469091A CN 202310452924 A CN202310452924 A CN 202310452924A CN 116469091 A CN116469091 A CN 116469091A
- Authority
- CN
- China
- Prior art keywords
- water gauge
- water
- pixel coordinates
- determining
- gauge
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本申请公开了一种基于实时视频的水尺自动读数方法、设备及介质,方法包括:通过预设球型摄像机获取目标水尺的水尺图像,球型摄像机能够通过云台改变拍摄角度;基于识别模型,确定水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;若识别模型无法输出水尺底部像素坐标,则通过云台控制球型摄像机的拍摄角度,直至识别模型能够输出水尺底部像素坐标;根据水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标,确定水尺图像对应的水位读数。可根据检出的水尺尺面数字像素位置坐标和水位线位置,计算水位读数。在摄像机丢失水位线目标或闸门异动等特殊情况导致水位突变时,通过目标检测模型输出结果反控摄像机,保证水位读数的准确性。
Description
技术领域
本申请涉及水尺识别领域,具体涉及一种基于实时视频的水尺自动读数方法、设备及介质。
背景技术
目前,在水利视频监测领域,河道、水库等水位的确定主要是依靠人眼观察水尺来确定,很多水利单位也开始通过物联网设备进行水位数据的监测,如电子水尺、气泡水位计、雷达等,但出现异常水位时,往往还是需要借助视频监控画面来复核现场情况,普遍成本较高。
随着深度学习和图像识别技术的发展,开始出现直接使用摄像机+神经网络模型获取水位的方法,但上述方法对于现场的实施条件要求较高,一般情况下,安装摄像机为枪机,由于枪机固定角度拍摄,因此在安装实施时需要以正射角度拍摄水尺的图像;另外,为了保证尺面数字可准确识别,需要安装的相机与水尺保持合适的焦距,但此时,部分水尺监测范围可能为0-3M或更广的监测范围,当距离较远时,容易丢失水尺尺面数字特征,无法保证当前画面成像清晰且覆盖全部监测尺段。
发明内容
为了解决上述问题,本申请提出了一种基于实时视频的水尺自动读数方法、设备及介质,其中方法包括:通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度;基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标;根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
在一个示例中,所述根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数,具体包括:根据所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像中的分米位水位;根据所述尺面数字像素坐标以及所述水尺底部像素坐标,确定所述水尺图像的厘米读数;根据所述分米位水位以及所述厘米读数,确定所述水尺图像对应的水位读数。
在一个示例中,所述根据所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像中的分米位水位,具体包括:确定目标整米数像素坐标以及所述尺面数字像素坐标之间的相对位置;若所述目标整米数像素坐标位于所述尺面数字像素坐标上方,则使用所述整米数的水位读数,减去所述尺面数字的水位读数,以得到所述分米位水位;若所述目标整米数像素坐标位于所述尺面数字像素坐标下方,则使用所述整米数的水位读数,加上所述尺面数字的水位读数,以得到所述分米位水位;
在一个示例中,所述根据所述尺面数字像素坐标以及所述水尺底部像素坐标,确定所述水尺图像的厘米读数,具体包括:确定相邻尺面数字之间的第一像素坐标差;确定所述水尺底部像素坐标与所述尺面数字像素坐标之间的第二像素坐标差;根据所述第一像素坐标差以及所述第二像素坐标差,确定所述水尺图像的厘米读数。
在一个示例中,所述基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标之前,所述方法还包括:获取初始识别模型,所述初始识别模型为主结构中包含跨阶段局部网络的YOLOv4模型;获取水尺图像,并对所述水尺图像进行标注,以得到训练数据集;标注过程中需要对所述水尺图像中的水尺底部、尺面数字和整米数进行标注;使用所述训练数据集对所述初始识别模型进行训练,以得到识别模型。
在一个示例中,所述基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标之后,所述方法还包括:确定所述识别模型输出尺面数字错误;根据尺面数字顺序对所述尺面数字进行修正。
在一个示例中,所述确定所述水尺图像对应的水位读数之后,所述方法还包括:确定单位时间内所述水位读数的变化值;若所述变化值超出预设阈值,则通过网络向工作人员进行预警。
在一个示例中,所述方法还包括:提前在云台中设置有多个预置位,以使处于所述预置位的所述球型摄像机拍摄的水尺图像中,整米数交界处位置能够处于画面中心;所述球型摄像机在所述预置位的有效监测区间为2米,且相邻预置位的有效监测区间有1米的重合区间。
本申请提供了一种基于实时视频的水尺自动读数设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度;基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标;根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
本申请还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度;基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标;根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
通过本申请提出的方法能够带来如下有益效果:可根据检出的水尺尺面数字像素位置坐标和水位线位置,计算水位读数。在摄像机丢失水位线目标或闸门异动等特殊情况导致水位突变时,通过目标检测模型输出结果反控摄像机,保证水位读数的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种基于实时视频的水尺自动读数方法的流程示意图;
图2为本申请实施例中一种基于实时视频的水尺自动读数方法的逻辑示意图;
图3为本申请实施例中一种水尺读数结果示意图;
图4为本申请实施例中一种基于实时视频的水尺自动读数设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书一个或多个实施例提供的一种基于实时视频的水尺自动读数方法的流程示意图。流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是由多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
如图1及图2所示,本申请实施例提供一种基于实时视频的水尺自动读数方法,包括:
S101:通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度。
首先需要获取目标水尺的水尺图像,在获取图像时,通过预设于水尺一侧的球型摄像机进行获取,需要说明的是,球型摄像机通过云台改变摄像机的拍摄角度。
在一个实施例中,可以提前在云台中设置有多个预置位,以使处于预置位的球型摄像机拍摄的水尺图像中,整米数交界处位置能够处于画面中心;球型摄像机在预置位的有效监测区间为2米,且相邻预置位的有效监测区间有1米的重合区间。
S102:基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标。
获取水尺图像之后,使用训练完成的识别模型,对水尺图像进行识别,以得到水尺图像中的水尺底部像素坐标、整米数像素坐标以及吃面数字像素坐标。需要说明的是,这里的像素坐标指的是该像素点在水尺图像中的坐标。可以以水尺图像的左下角为原点,建立平面坐标系。
在一个实施例中,在训练识别模型时,首先要获取初始识别模型,这里的初始识别模型为主结构中包含跨阶段局部网络的YOLOv4模型。解决了其他大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题,将梯度的变化从头到尾地集成到特征图中,因此减少了模型的参数量和FLOPS数值,既保证了推理速度和准确率,又减小了模型尺寸,相比v3的AP和FPS提高了10%和12%,使用1080Ti或2080Ti就能准确、快速的训练出目标检测器。模型训练的目的主要是使神经网络模型可以提取到水尺和水面线交界处等要素的特征。
训练之前,还需要标注采集的水尺图像数据集,本例中主要标注的要素为水尺、尺面数字(0、1、2、3、4、5、6、7、8、9)和整米数;本例中,将整米数目标单独标注类别,当镜头场景变化时以辅助读数。使用训练数据集对初始识别模型进行训练,以得到识别模型。在后续实时处理时,训练完成后的识别模型可根据摄像机传输的实时图像预测图像中出现的水尺和水面线等目标要素。
S103:若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标。
根据检出的水尺底部像素位置坐标判断当前场景内是否可监测到水面线,如无法监测到水面线,此时水尺的底部像素位置坐标基本与图像高度贴合,此时可通过摄像机的云台调度相机轮巡预先设置的预置位,找出当前含有水面交界处的需读数场景。
S104:根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
在一个实施例中,在确定水位读数时,首先要根据整米数像素坐标以及尺面数字像素坐标,确定水尺图像中的分米位水位,然后根据尺面数字像素坐标以及水尺底部像素坐标,确定水尺图像的厘米读数,最后可直接根据分米位水位以及厘米读数,确定水尺图像对应的水位读数。
具体地,在确定分米位水位时,需要确定目标整米数像素坐标以及尺面数字像素坐标之间的相对位置。这里的相对位置可能是目标整米数在尺面数字上方,也可能是目标整米数在尺面数字下方。若目标整米数像素坐标位于尺面数字像素坐标上方,则使用整米数的水位读数,减去尺面数字的水位读数,以得到分米位水位;若目标整米数像素坐标位于尺面数字像素坐标下方,则使用整米数的水位读数,加上尺面数字的水位读数,以得到分米位水位。
在确定厘米位数值时,需要确定相邻尺面数字之间的第一像素坐标差;然后确定水尺底部像素坐标与尺面数字像素坐标之间的第二像素坐标差。根据第一像素坐标差以及第二像素坐标差,确定水尺图像的厘米读数。具体地,用检出水尺的像素位置坐标取代了水面分割线方法计算。结合水尺中的数字及刻度排列规律可知,从数字的底部至相邻数字底部间隔为10厘米,每个“E”表示高程5厘米,假设任意两个相邻数字的底部像素坐标差为y1,此时每厘米对应的y轴方向像素个数应为y1/10;结合检出的水尺底部像素坐标ysc和水位交界处附近的尺面数字像素坐标ydow,计算数字与水面的像素坐标差,可推算出厘米位读数ycm=(ydow-ysc)*10/y1,利用前一步确定的分米位水位减去当前厘米读数,即可得到当前水位y=ydm-ycm。
在一个实施例中,通过上述水位计算过程,可知水位的读取和识别情况密切相关,在特殊情况下,如可视条件变化(过曝或过暗)导致预测出的数字出现误报或漏报,或者水面交界处的数字只露出部分导致误识别,可能会导致读数错误。针对这些情况,本实例所说明的水位计算方法使用的主要为整米数和水面交界处的数字,因此其余位置的数字出现误识别时不会影响最终的水位结果,只需要对整米数和水面交界处的数字进行校核修正,针对整米数位,模型识别到整数后,只要监测的云台信息无变动,即默认此位置为识别到的该数据,即使整米数位无法读取时,也不影响整米数位置数据,如云台信息变动,新的整米数识别后将取代现有位置。针对水面交界处数字,针对这种情况,在计算前判断识别到的水面交界处数字与其上部识别到的数字是否为相邻,即【0,9,8,7,6,5,4,3,2,1,0】,由于无法识别到水面以下数字,因此无法采用相邻的两个数字进行修正,采用上述的数字逻辑排列关系进行水面交界处数字的修正补全。
在一个实施例中,确定了水尺图像对应的实时水位读数之后,为了防止短时间内出现水位暴涨的情况,需要对单位时间内的水位读数进行监控,这里的单位时间可以由工作人员自行设定,如一小时、半小时等。在进行监控时,可以确定单位时间内所述水位读数的变化值,若变化值超出预设阈值,则通过网络向工作人员进行预警。
如图4所示,本申请实施例还提供了一种基于实时视频的水尺自动读数设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度;基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标;根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度;基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标;根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商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。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种基于实时视频的水尺自动读数方法,其特征在于,包括:
通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度;
基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;
若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标;
根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数,具体包括:
根据所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像中的分米位水位;
根据所述尺面数字像素坐标以及所述水尺底部像素坐标,确定所述水尺图像的厘米读数;
根据所述分米位水位以及所述厘米读数,确定所述水尺图像对应的水位读数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像中的分米位水位,具体包括:
确定目标整米数像素坐标以及所述尺面数字像素坐标之间的相对位置;
若所述目标整米数像素坐标位于所述尺面数字像素坐标上方,则使用所述整米数的水位读数,减去所述尺面数字的水位读数,以得到所述分米位水位;
若所述目标整米数像素坐标位于所述尺面数字像素坐标下方,则使用所述整米数的水位读数,加上所述尺面数字的水位读数,以得到所述分米位水位。
4.根据权利要求2所述的方法,其特征在于,所述根据所述尺面数字像素坐标以及所述水尺底部像素坐标,确定所述水尺图像的厘米读数,具体包括:
确定相邻尺面数字之间的第一像素坐标差;
确定所述水尺底部像素坐标与所述尺面数字像素坐标之间的第二像素坐标差;
根据所述第一像素坐标差以及所述第二像素坐标差,确定所述水尺图像的厘米读数。
5.根据权利要求1所述的方法,其特征在于,所述基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标之前,所述方法还包括:
获取初始识别模型,所述初始识别模型为主结构中包含跨阶段局部网络的YOLOv4模型;
获取水尺图像,并对所述水尺图像进行标注,以得到训练数据集;标注过程中需要对所述水尺图像中的水尺底部、尺面数字和整米数进行标注;
使用所述训练数据集对所述初始识别模型进行训练,以得到识别模型。
6.根据权利要求1所述的方法,其特征在于,所述基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标之后,所述方法还包括:
确定所述识别模型输出尺面数字错误;
根据尺面数字顺序对所述尺面数字进行修正。
7.根据权利要求1所述的方法,其特征在于,所述确定所述水尺图像对应的水位读数之后,所述方法还包括:
确定单位时间内所述水位读数的变化值;
若所述变化值超出预设阈值,则通过网络向工作人员进行预警。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
提前在云台中设置有多个预置位,以使处于所述预置位的所述球型摄像机拍摄的水尺图像中,整米数交界处位置能够处于画面中心;
所述球型摄像机在所述预置位的有效监测区间为2米,且相邻预置位的有效监测区间有1米的重合区间。
9.一种基于实时视频的水尺自动读数设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:
通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度;
基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;
若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标;
根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
通过预设球型摄像机获取目标水尺的水尺图像,所述球型摄像机能够通过云台改变拍摄角度;
基于预训练的识别模型,确定所述水尺图像中的水尺底部像素坐标、整米数像素坐标以及尺面数字像素坐标;
若所述识别模型无法输出所述水尺底部像素坐标,则通过云台控制所述球型摄像机的拍摄角度,直至所述识别模型能够输出所述水尺底部像素坐标;
根据所述水尺底部像素坐标、所述整米数像素坐标以及所述尺面数字像素坐标,确定所述水尺图像对应的水位读数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452924.4A CN116469091A (zh) | 2023-04-21 | 2023-04-21 | 一种基于实时视频的水尺自动读数方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452924.4A CN116469091A (zh) | 2023-04-21 | 2023-04-21 | 一种基于实时视频的水尺自动读数方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116469091A true CN116469091A (zh) | 2023-07-21 |
Family
ID=87184124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310452924.4A Pending CN116469091A (zh) | 2023-04-21 | 2023-04-21 | 一种基于实时视频的水尺自动读数方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116469091A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596221A (zh) * | 2018-04-10 | 2018-09-28 | 江河瑞通(北京)技术有限公司 | 标尺读数的图像识别方法及设备 |
US20210118109A1 (en) * | 2018-03-19 | 2021-04-22 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, image processing system and medium |
US20210374466A1 (en) * | 2020-05-26 | 2021-12-02 | Zhejiang University | Water level monitoring method based on cluster partition and scale recognition |
CN215984748U (zh) * | 2021-08-05 | 2022-03-08 | 山东省调水工程运行维护中心 | 一种可以夜间读数的水尺 |
CN114885127A (zh) * | 2022-05-09 | 2022-08-09 | 天地伟业技术有限公司 | 一种河道监测装置、方法及计算机可读存储介质 |
CN114926786A (zh) * | 2022-06-22 | 2022-08-19 | 国能黄骅港务有限责任公司 | 船舶水尺跟踪方法、装置、存储介质和电子设备 |
CN115100654A (zh) * | 2022-06-22 | 2022-09-23 | 精英数智科技股份有限公司 | 一种基于计算机视觉算法的水位识别方法及装置 |
-
2023
- 2023-04-21 CN CN202310452924.4A patent/CN116469091A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210118109A1 (en) * | 2018-03-19 | 2021-04-22 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, image processing system and medium |
CN108596221A (zh) * | 2018-04-10 | 2018-09-28 | 江河瑞通(北京)技术有限公司 | 标尺读数的图像识别方法及设备 |
US20210374466A1 (en) * | 2020-05-26 | 2021-12-02 | Zhejiang University | Water level monitoring method based on cluster partition and scale recognition |
CN215984748U (zh) * | 2021-08-05 | 2022-03-08 | 山东省调水工程运行维护中心 | 一种可以夜间读数的水尺 |
CN114885127A (zh) * | 2022-05-09 | 2022-08-09 | 天地伟业技术有限公司 | 一种河道监测装置、方法及计算机可读存储介质 |
CN114926786A (zh) * | 2022-06-22 | 2022-08-19 | 国能黄骅港务有限责任公司 | 船舶水尺跟踪方法、装置、存储介质和电子设备 |
CN115100654A (zh) * | 2022-06-22 | 2022-09-23 | 精英数智科技股份有限公司 | 一种基于计算机视觉算法的水位识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
李锦峰: "基于图像的船舶水尺智能检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, pages 034 - 2357 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116132786A (zh) | 摄像装置的摄像头角度调整方法及系统 | |
US20190378294A1 (en) | Stereo camera and height acquisition method thereof and height acquisition system | |
CN112115913B (zh) | 图像处理方法、装置及设备、存储介质 | |
CN109447902B (zh) | 一种图像拼接方法、装置、储存介质及设备 | |
WO2023134745A1 (en) | Methods and systems for correcting positioning deviation | |
CN108932732B (zh) | 一种获取监测对象数据信息的方法及装置 | |
CN113313716B (zh) | 一种自动驾驶语义分割模型的训练方法及装置 | |
CN114972490B (zh) | 一种数据自动标注方法、装置、设备及存储介质 | |
CN108036730B (zh) | 一种基于热成像的火点测距方法 | |
CN113256702B (zh) | 基于无人机的船舶净空高度检测方法、系统、设备及介质 | |
CN111402192B (zh) | 窨井盖检测的方法及装置 | |
CN116469091A (zh) | 一种基于实时视频的水尺自动读数方法、设备及介质 | |
CN111738085B (zh) | 实现自动驾驶同时定位与建图的系统构建方法及装置 | |
CN115291624B (zh) | 一种无人机定位降落方法、存储介质和计算机设备 | |
CN102082905A (zh) | 一种检测摄像机光轴位置的方法 | |
CN112434600A (zh) | 一种无人机巡检方法及系统 | |
CN111047552A (zh) | 三维挠度测量方法及相关产品 | |
JP6132343B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN113191389B (zh) | 一种基于光视觉技术的海底管道自主巡检方法及设备 | |
CN116020075A (zh) | 针对消防炮的射流落点检测及灭火控制的方法和装置 | |
CN113884188B (zh) | 一种温度检测方法、装置及电子设备 | |
CN112991342B (zh) | 基于水位尺图像的水位线检测方法、装置与系统 | |
CN115308762A (zh) | 基于激光雷达和ais的船舶识别方法及装置 | |
CN115660917A (zh) | 一种平房仓粮温异常预警方法、设备及介质 | |
CN114004876A (zh) | 一种尺寸标定方法、尺寸标定装置和计算机可读存储介质 |
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 |