CN117036780A - 一种无水尺水位识别方法、终端设备及存储介质 - Google Patents

一种无水尺水位识别方法、终端设备及存储介质 Download PDF

Info

Publication number
CN117036780A
CN117036780A CN202310881053.8A CN202310881053A CN117036780A CN 117036780 A CN117036780 A CN 117036780A CN 202310881053 A CN202310881053 A CN 202310881053A CN 117036780 A CN117036780 A CN 117036780A
Authority
CN
China
Prior art keywords
water level
water
image
sub
absolute
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
Application number
CN202310881053.8A
Other languages
English (en)
Inventor
孙志新
李宇桢
刘洋
卢毓伟
叶锐
邓思滨
房晓亮
郑鑫
赵宇飞
蒋正文
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.)
PowerChina Zhongnan Engineering Corp Ltd
Original Assignee
PowerChina Zhongnan Engineering Corp Ltd
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 PowerChina Zhongnan Engineering Corp Ltd filed Critical PowerChina Zhongnan Engineering Corp Ltd
Priority to CN202310881053.8A priority Critical patent/CN117036780A/zh
Publication of CN117036780A publication Critical patent/CN117036780A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06V10/20—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
    • G06V10/77—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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种无水尺水位识别方法、终端设备及存储介质，获取河道视频图像输入语义分割模型，识别图像中的水岸分界线，并将其作为水位线，截取m个包含水位线的局部区域图像；提取单个局部区域图像的图像特征(h，w)，沿宽度w方向划分为n份，得到每一子份的特征维度为h，对每一子份的高度h进行水位识别，得到y1，y2，...，yn共n个水位值，计算单个局部区域绝对水位值H＝[(y1+y2+...+yn)‑(ymax+ymin)]/(n‑2)；得到m个局部区域图像的绝对水位值H1，H2，...，Hm共m个水位值，计算所述视频图像绝对水位值H′＝[(H1+H2+...+Hm)]/m。本发明无需安装水尺，适用于摄像头移动的场景，普适性高，将一个整体拆分为若干份进行绝对水位值计算，识别精度高，能够有效排除干扰因子，鲁棒性强，极大地提高水位识别的准确性。

Description

一种无水尺水位识别方法、终端设备及存储介质
技术领域
本发明涉及水位检测领域，具体涉及一种无水尺水位识别方法、终端设备及存储介质。
背景技术
近年来，水利信息化建设持续推进，水位监测在生态流量，防洪预警等方面发挥重要作用。传统的水位监测方法利用声学法、雷达、红外线等原理的各类装置来识别水位，其存在抗干扰能力普遍较差，自动化程度低，运维成本高等问题。
现有的水位监测方法普遍采用基于水尺的图像处理，通常先使用目标检测算法检测水尺位置，然后使用图像处理算法进一步获取水尺数值，但是，随着水位的变化，被水体淹没的水尺表面会粘附泥沙、水藻等污渍，导致水位降低时水尺上的刻度被遮挡，影响水位监测的精确度，且水尺长时间与水面接触容易损坏导致维护成本上升，另外，该方法不适用于未配有水尺的观测站点。
申请号为201911349545.2的中国发明专利申请公开了一种基于视频的无水尺水位读数方法，包括人工标定，工作人员使用激光仪在水位线到岸之间进行激光打点，将所打激光散点的位置在视频图像上画点标记；以当前水位线处所打的激光散点为基准点，在视频图像中以基准点为中心，左右外扩视频图像，得到虚拟水尺的边界；将虚拟水尺从视频图像中抠出，使用深度学习模型进行水位线区域检测，获得水位线区域；对水位线进行回归，将得到的水位线区域从视频图像中抠出，使用深度学习回归模型进行回归，计算水位线读数。但是该方法需要人工确定标记点，操作繁琐，效率较低，同时人工测量误差大，易受干扰；对水位线进行回归时，需要通过激光散点的坐标信息，对图像整体进行回归计算，当某个坐标点信息出现错误时，直接影响水位识别的准确性，抗干扰性弱，识别精度低；且该方法虚拟水尺的构建过于依赖激光散点，当摄像头角度因外界因素产生偏移时，采集到的视频图像发生变化，最初设定的基准点在图像中的位置也会产生偏移，甚至可能偏移至镜头外，导致无法准确识别摄像头偏移后视频中的水域和河岸，因此该方法必须要求摄像头位置是固定的，当摄像头受外界因素影响产生了一定位移时，会导致基准偏移，进而导致水位读数偏差较大，无法正确地对水位进行监测。
发明内容
本发明的目的在于，针对上述现有技术的不足，提供一种无水尺水位识别方法；本发明的目的还在于，提供一种无水尺水位识别方法的终端设备；本发明的另一目的还在于，提供一种能在计算机上执行上述方法的存储介质；以适用于有摄像头移动的场景，以及无水尺的观测站点，提高水位识别的准确性。
为解决上述技术问题，本发明所采用的技术方案是：
一种无水尺水位识别方法，其特征在于，包括以下步骤：
S1、获取河道图像输入训练好的语义分割模型，识别图像中的水岸分界线，所述训练好的语义分割模型的训练过程包括，对训练样本河道图片的水域与河岸背景进行标注，再将标注好的训练样本图片输入语义分割模型进行训练；
S2、选取水岸分界线作为水位线，截取m个局部区域图像，所述局部区域图像包括水位线；
S3、提取单个局部区域图像的图像特征(h，w)，沿宽度w方向划分为n份，得到每一子份的特征维度为h，对每一子份的高度h进行水位识别，得到y1，y2，...，yn共n个绝对水位值，得到单个局部区域绝对水位值H＝[(y1+y2+...+yn)-(ymax+ymin)]/(n-2)，其中，ymax＝max(y1，y2，...，yn)，ymin＝min(y1，y2，...，yn)；
S4、获取m个局部区域图像的绝对水位值H1，H2，...，Hm共m个绝对水位值，计算所述视频图像绝对水位值H′＝[(H1+H2+...+Hm)]/m。
进一步，步骤S2中提取单个局部区域图像的图像特征(h，w)的具体实现过程包括，将局部区域图像输入backbone网络，得到图像特征(c，h，w)，使用1*1的卷积核将c维度大小映射为1，得到图像特征(1，h，w)，再将c通道进行压缩得到图像特征(h，w)。
优选地，所述backbone网络为轻量型backbone，所述轻量型backbone包括三个block，所述三个block结构相同，所述block包括2个卷积层，1个池化层，2个BatchNormalization层，1个Relu层。
backbone网络一般采用常用的特征提取网络VGG和ResNet，但是由于VGG和ResNet参数量更大，层数更多，训练更慢，同时对特征高度h方向有平均池化处理，不利于后续水位数值回归；本发明采用轻量型backbone可在保持准确率的同时减少计算量，提高图像的特征提取处理效率。
优选地，步骤S2中对每一子份的高度h进行水位识别的具体实现方法包括，使用线性映射层，将沿宽度w方向的每一子份特征h映射到一个水位数值，具体表示为yi＝Whi，则沿宽度w方向共n份特征，得到y1，y2，...，yn共n个绝对水位值；
其中，yi为第i份特征检测的绝对水位值，W为可训练的线性映射层参数，用于将特征映射到1个水位值，hi表示沿宽度w方向的第i份特征。
传统的对水位线进行回归计算的方法，通常依赖于激光散点的坐标信息，针对图像整体进行计算；本发明将一个整体拆分为若干份，对单个局部图像区域的绝对水位值进行回归计算，可以测定总体各单位分布的集中趋势，能够有效排除干扰因子，防止计算数据波动幅度过大，影响水位识别的准确性；面对大量数据进行回归计算时，本发明实现简单，处理速度快，模型输出结果更清晰直观，在图像识别上的灵活度和准确度更好，对异常数据具有相当的鲁棒性和可扩展性，抗噪声干扰能力强，识别精度高，能够极大地提高水位识别的准确性。
优选地，步骤S2中对每一子份的高度h进行水位识别的具体实现方法包括，使用线性映射的方式，将每一子份沿宽度w方向的特征h映射到k个二分类子任务，具体表示为pij＝softmax(Wjhi)，如果pij＞0.5，则当前子任务的当前水位高于对应的临界水位，将当前子任务分类为1；统计k个二分类子任务中分类为1的个数，记为s，得到沿宽度w方向的第i个区域的绝对水位值yi＝rmin+s*(rmax-rmin)/k，则沿宽度w方向共n份特征，得到y1，y2，...，yn共n个绝对水位值；
其中，所述k个二分类子任务的具体实现方法包括，将rmax-rmin均匀地划分为k-1个区间，得到k个水位临界值r1，r2，...rk；所述每一子份设定k个二分类子任务，每个子任务的特征维度均为h，k个子任务对应的临界水位分别为r1，r2，...，rk，每个子任务判断当前水位是否高于对应的临界水位值，若当前子任务的当前水位高于对应的临界水位，则将当前子任务分类为1，若当前子任务的当前水位低于对应的临界水位，将当前子任务分类为0；其中，rmin为水位最低值，rmax为水位最大值；
其中，pij表示沿宽度w方向的第i份特征在第j个二分类子任务上分类为1的概率值，Wj为可训练的线性映射层，表示将特征映射到第j个二分类子任务上，hi表示沿宽度w方向的第i份特征。
传统的对水位线进行回归计算的方法，通常依赖于激光散点的坐标信息，针对图像整体进行计算；本发明将一个整体拆分为若干份，采用二分类的方法对单个局部图像区域的绝对水位值进行计算，可以测定总体各单位分布的集中趋势，能够有效排除干扰因子，防止计算数据波动幅度过大，影响水位识别的准确性；面对大量数据进行分类时，实现简单，处理速度快，模型输出结果更清晰直观，在图像识别上的灵活度和准确度更好，对异常数据具有相当的鲁棒性和可扩展性，抗噪声干扰能力强，识别精度高，能够极大地提高水位识别的准确性。
作为一个发明构思，本发明还提供了一种终端设备，包括：
一个或多个处理器；
存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明上述方法的步骤。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现本发明上述方法的步骤。
与现有技术相比，本发明所具有的有益效果为：
(1)通过摄像头获取河道图像数据，进而识别水位，无需安装水尺及标志物，即可有效检测水位，具有非接触式的特点，能够适应各种条件下的水位自动监测，普适性高；
(2)传统的水位图像识别需要调整视频基准点，构建虚拟水尺后，再进行水位线区域检测，本发明提取大量已标注的样本图像特征，对语义分割模型进行训练，在多次迭代中，语义分割模型对特征分布不断拟合学习，得到满足预期精度的水域分割模型；将待检测视频图像输入训练好的语义分割模型后，当摄像头偏移后，机器仍然能通过学习过的样本图片，识别出视频图像中的水域区域，无需重新标记视频基准点以构建虚拟水尺，即可自动识别多个图像中的水域区域，实现自动对焦水面位置功能，适用于有摄像头移动的场景。
(3)截取多个局部图像区域，分别计算单个局部图像区域的绝对水位值，将一个整体拆分为若干份进行绝对水位值计算，可以测定总体各单位分布的集中趋势，有效排除干扰因子，防止计算数据波动幅度过大，影响水位识别的准确性，鲁棒性强，同时使用人工智能算法模型，采用数值回归或二分类的方法，将相对水位转换为绝对水位，面对大量数据进行分类时，本发明实现简单，处理速度快，在图像识别上的灵活度和准确度更好，识别精度更高，能够极大地提高水位识别的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例无水尺水位识别方法流程图；
图2为本发明实施例局部区域图像获取示意图；
图3为本发明实施例水位识别图像回归模型网络框架图；
图4为本发明实施例轻量型backbone网络框架图；
图5为本发明实施例水位识别图像分类模型网络框架图。
具体实施方式
实施例1
如图1所示，本发明实施例1提供一种无水尺水位识别方法，包括以下步骤：
S1：获取河道图像输入训练好的语义分割模型，识别图像中的水岸分界线，所述训练好的语义分割模型的训练过程包括，对训练样本河道图片的水域与河岸背景进行标注，再将标注好的训练样本图片输入语义分割模型进行训练。
在步骤S1之前，可以对图像进行预处理，包括对河道图像进行选定裁剪，以及对裁剪后图像进行色彩增强。本发明实施例1仅保留图像四周与水位变化有关的区域，再通过pytorch框架下transforms模块的ColorJitter函数随机改变图像的亮度，对比度，饱和度和色调，实现色彩增强，使后续分割模型能够更好地处理图片，处理效果更好。
将预处理后的图像输入训练好的语义分割模型，识别图像中的水域区域，选取水岸分界线作为水位线，本发明实施例1采用的语义分割模型为PSPNet。
需要说明的是，本发明实施例1使用labelme对训练样本河道图片的水域与背景进行标注，再使用标注好的训练样本图片训练分割模型PSPNet。
S2：选取水岸分界线作为水位线，截取m个局部区域图像，所述局部区域图像包括水位线；
根据语义分割模型的分割结果，选取水岸分界线作为水位线，截取m个局部区域图像，本发明实施例取m＝3，截取到的局部区域图像均包含水位线，图像大小须与训练样本一致，具体取值随场景大小而定。本发明实施例1在水位线以下5，10，15像素的位置各取一个224*224的局部区域，示意图如图2。
S3：提取单个局部区域图像的图像特征(h，w)，沿宽度w方向划分为n份，得到每一子份的特征维度为h，对每一子份的高度h进行水位识别，得到y1，y2，...，yn共n个绝对水位值，得到单个局部区域绝对水位值H＝[(y1+y2+...+yn)-(ymax+ymin)]/(n-2)，其中，ymax＝max(y1，y2，...，yn)，ymin＝min(y1，y2，...，yn)。
本发明实施例1采用图像回归模型识别水位，网络框架图如图3所示。图像回归模型采用数值回归的方式识别水位，具体实现过程包括：
S31、将局部区域图像输入backbone网络，提取图像特征(c，h，w)，再使用1*1的卷积核将c维度大小映射为1，得到特征大小为(1，h，w)，将c通道进行压缩得到图像特征(h，w)，然后使用pytorch框架下的AdaptiveAvgPool2d方法将宽度w方向划分为n份，本发明实施例1取n＝10，得到每一子份的特征维度为h，对每一子份的高度h进行水位识别。
其中，本发明实施例1使用的轻量型backbone包括三个结构相同的block，每个block包括2个卷积核大小为3*3的卷积层，1个池化层，2个Batch Normalization层，1个Relu层，本发明实施例1取三个block的通道数分别为64，128，256，网络结构详解见附图4。
具体实施时，可以采用VGG，ResNet等网络模型，也可以采用本发明实施例1使用的轻量型backbone网络模型。
S32、使用线性映射层，将沿宽度w方向的每一子份特征h映射到一个水位数值，具体表示为yi＝Whi，则沿宽度w方向共10份特征，得到y1，y2，...，y10共10个水位值，采取去掉最大值，最小值，其余值取平均值的方式，得到该局部区域图像最终的水位识别值H＝[(y1+y2+...+y10)-(ymax+ymin)]/8，其中，ymax＝max(y1，y2，...，y10)，ymin＝min(y1，y2，...，y10)。
其中，yi为第i份特征检测的水位值，W为可训练的线性映射层参数，用于将特征映射到1个水位值，hi表示沿宽度w方向的第i份特征。
需要说明的是，本发明实施例1使用L2损失函数，根据每一子份沿宽度w方向预测的水位值，对图像回归网络进行训练，具体表示为其中m为训练的样例个数，yi表示预测的样本图片水位数值，gi表示真实的样本图片水位数值。
S4：获取3个局部区域图像识别出的绝对水位值H1，H2，H3共3个水位值，计算上述视频图像的绝对水位值H′＝[(H1+H2+H3)]/3。
实施例2
如图1所示，本发明实施例2提供一种无水尺水位识别方法，包括以下步骤：
本发明实施例2的步骤S1和S2与本发明实施例完全一致，区别仅在于步骤S3。
S3’：提取单个局部区域图像的图像特征(h，w)，沿宽度w方向划分为n份，得到每一子份的特征维度为h，对每一子份的高度h进行水位识别，得到y1，y2，...，yn共n个绝对水位值，得到单个局部区域绝对水位值H＝[(y1+y2+...+yn)-(ymax+ymin)]/(n-2)，其中，ymax＝max(y1，y2，...，yn)，ymin＝min(y1，y2，...，yn)。
本发明实施例2采用图像分类模型识别水位，网络框架图如图5所示。图像分类模型采用二分类的方式识别水位，具体实现过程包括：
S31’、将局部区域图像输入backbone网络，提取图像特征(c，h，w)，再使用1*1的卷积核将c维度大小映射为1，得到特征大小为(1，h，w)，将c通道进行压缩得到图像特征(h，w)，然后使用pytorch框架下的AdaptiveAvgPool2d方法将宽度w方向划分为n份，本发明实施例2取n＝10，得到每一子份的特征维度为h，对每一子份的高度h进行水位识别。
其中，本发明实施例2使用的轻量型backbone包括三个结构相同的block，每个block包括2个卷积核大小为3*3的卷积层，1个池化层，2个Batch Normalization层，1个Relu层，本发明实施例2取三个block的通道数分别为64，128，256，网络结构详解见附图4。
具体实施时，可以采用VGG，ResNet等网络模型，也可以采用本发明实施例2使用的轻量型backbone网络模型。
S32’、将水位最低值记为rmin，水位最大值记为rmax，将rmax-rmin均匀地划分为k-1个区间，得到k个水位临界值r1，r2，...，rk，本发明实施例2取k＝10；每一子份设定k个二分类子任务，每个子任务的特征维度均为h，由于k＝10，则10个子任务对应的临界水位分别为r1，r2，...，r10，每个子任务判断当前水位是否高于对应的临界水位值，若当前子任务的当前水位高于对应的临界水位，则将当前子任务分类为1，若当前子任务的当前水位低于对应的临界水位，将当前子任务分类为0。
S33’、使用线性映射的方式，将每一子份沿宽度w方向的特征h映射到10个二分类子任务，具体表现为pij＝softmax(Wjhi)，如果pij＞0.5，则当前子任务的当前水位高于对应的临界水位，将当前子任务分类为1；统计10个二分类子任务中分类为1的个数，记为s，得到沿宽度w方向的第i个区域的绝对水位值yi＝rmin+s*(rmax-rmin)/10，则沿宽度w方向共10份特征，得到y1，y2，...，y10共10个绝对水位值，采取去掉最大值，最小值，其余值取平均值的方式，得到该局部区域图像最终的水位识别值H＝[(y1+y2+...+y10)-(ymax+ymin)]/8，其中，ymax＝max(y1，y2，...，y10)，ymin＝min(y1，y2，...，y10)。
其中，pij表示沿宽度w方向的第i份特征在第i个二分类子任务上分类为1的概率值，Wj为可训练的线性映射层，表示将特征映射到第j个二分类子任务上，hi表示沿宽度w方向的第i份特征，yi表示沿宽度w方向的第i个区域识别的水位。
需要说明的是，本发明实施例2使用交叉熵损失函数，对图像分类模型的每个分类子网络进行训练，每个子网络的损失函数表示为其中gi表示样本图片i的真实类别，正类为1，负类为0。pi表示子网络预测为正类的概率值。
S4’：获取3个局部区域图像识别出的绝对水位值H1，H2，H3共3个水位值，计算所述视频图像绝对水位值H′＝[(H1+H2+H3)]/3。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是局限性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围之内。
实施例3
本发明实施例3提供一种对应上述实施例1或实施例2的终端设备，终端设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述实施例的方法。
本实施例3的终端设备包括存储器、处理器及存储在存储器上的计算机程序；处理器执行存储器上的计算机程序，以实现上述实施例1或实施例2方法的步骤。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例4
本发明实施例4提供了一种对应上述实施例1或实施例2的计算机可读存储介质，其上存储有计算机程序/指令。计算机程序/指令被处理器执行时，实现上述实施例1或实施例2方法的步骤。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (7)

1.一种无水尺水位识别方法，其特征在于，包括以下步骤：
S1、获取河道图像输入训练好的语义分割模型，识别图像中的水岸分界线，所述训练好的语义分割模型的训练过程包括，对训练样本河道图片的水域与河岸背景进行标注，再将标注好的训练样本图片输入语义分割模型进行训练；
S2、选取水岸分界线作为水位线，截取m个局部区域图像，所述局部区域图像包括水位线；
S3、提取单个局部区域图像的图像特征(h,w)，沿宽度w方向划分为n份，得到每一子份的特征维度为h，对每一子份的高度h进行水位识别，得到y1，y2，...，yn共n个绝对水位值，得到单个局部区域绝对水位值H＝[(y1+y2+...+yn)-(ymax+ymin)]/(n-2)，其中，ymax＝max(y1，y2，...，yn)，ymin＝min(y1，y2，...，yn)；
S4、获取m个局部区域图像的绝对水位值H1，H2...，Hm共m个绝对水位值，计算所述视频图像绝对水位值H′[(H1+H2+...+Hm)]/m。
2.根据权利要求1所述的一种无水尺水位识别方法，其特征在于，步骤S2中提取单个局部区域图像的图像特征(h,w)的具体实现过程包括，将局部区域图像输入backbone网络，得到图像特征(c,h,w)，再使用1*1的卷积核将c维度大小映射为1，得到图像特征(1,h,w)，将c通道进行压缩得到图像特征(h,w)。
3.根据权利要求2所述的一种无水尺水位识别方法，其特征在于，所述backbone网络为轻量型backbone，所述轻量型backbone包括三个block，所述三个block结构相同，所述block包括2个卷积层，1个池化层，2个Batch Normalization层，1个Relu层。
4.根据权利要求1所述的一种无水尺水位识别方法，其特征在于，步骤S2中对每一子份的高度h进行水位识别的具体实现方法包括，使用线性映射层，将沿宽度w方向的每一子份特征h映射到一个水位数值，具体表示为yi＝Whi，则沿宽度w方向共n份特征，得到y1，y2，...，yn共n个绝对水位值；
其中，yi为第i份特征检测的绝对水位值，W为可训练的线性映射层参数，用于将特征映射到1个水位值，hi表示沿宽度w方向的第i份特征。
5.根据权利要求1所述的一种无水尺水位识别方法，其特征在于，步骤S2中对每一子份的高度h进行水位识别的具体实现方法包括，使用线性映射的方式，将每一子份沿宽度w方向的特征h映射到k个二分类子任务，具体表示为pij＝softmax(Wjhi)，如果pij＞0.5，则当前子任务的当前水位高于对应的临界水位，将当前子任务分类为1；统计k个二分类子任务中分类为1的个数，记为s，得到沿宽度w方向的第i个区域的绝对水位值yi＝rmin+s*(rmax-rmin)/k，则沿宽度w方向共n份特征，得到y1，y2，...，yn共n个绝对水位值；
其中，所述k个二分类子任务的具体实现方法包括，将rmax-rmin均匀地划分为k-1个区间，得到k个水位临界值r1，r2，...，rk；所述每一子份设定k个二分类子任务，每个子任务的特征维度均为h，k个子任务对应的临界水位分别为r1，r2，...，rk，每个子任务判断当前水位是否高于对应的临界水位值，若当前子任务的当前水位高于对应的临界水位，则将当前子任务分类为1，若当前子任务的当前水位低于对应的临界水位，将当前子任务分类为0；其中，rmin为水位最低值，rmax为水位最大值；
其中，pij表示沿宽度w方向的第i份特征在第j个二分类子任务上分类为1的概率值，Wj为可训练的线性映射层，表示将特征映射到第j个二分类子任务上，hi表示沿宽度w方向的第i份特征。
6.一种终端设备，其特征在于，包括：
一个或多个处理器；
存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1～5任一项所述方法的步骤。
7.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～5任一项所述方法的步骤。
CN202310881053.8A 2023-07-18 2023-07-18 一种无水尺水位识别方法、终端设备及存储介质 Pending CN117036780A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310881053.8A CN117036780A (zh) 2023-07-18 2023-07-18 一种无水尺水位识别方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310881053.8A CN117036780A (zh) 2023-07-18 2023-07-18 一种无水尺水位识别方法、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN117036780A true CN117036780A (zh) 2023-11-10

Family

ID=88627112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310881053.8A Pending CN117036780A (zh) 2023-07-18 2023-07-18 一种无水尺水位识别方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN117036780A (zh)

Similar Documents

Publication Publication Date Title
CN108229509B (zh) 用于识别物体类别的方法及装置、电子设备
CN111611643B (zh) 户型矢量化数据获得方法、装置、电子设备及存储介质
Li et al. SAR image change detection using PCANet guided by saliency detection
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
CN111462076B (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN110765865B (zh) 基于改进的yolo算法的水下目标检测方法
CN111626295B (zh) 车牌检测模型的训练方法和装置
CN113361645A (zh) 基于元学习及知识记忆的目标检测模型构建方法及系统
CN111144425B (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
CN116740758A (zh) 一种防止误判的鸟类图像识别方法及系统
CN116503760A (zh) 基于自适应边缘特征语义分割的无人机巡航检测方法
CN116596875A (zh) 晶圆缺陷检测方法、装置、电子设备及存储介质
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及系统
CN111652168B (zh) 基于人工智能的群体检测方法、装置、设备及存储介质
CN112561885A (zh) 基于YOLOv4-tiny的插板阀开度检测方法
US20230386023A1 (en) Method for detecting medical images, electronic device, and storage medium
CN117036780A (zh) 一种无水尺水位识别方法、终端设备及存储介质
CN116385915A (zh) 一种基于时空信息融合的水面漂浮物目标检测与跟踪方法
CN114927236A (zh) 一种面向多重目标图像的检测方法及系统
CN114663760A (zh) 模型训练的方法、目标检测方法、存储介质及计算设备
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN113313678A (zh) 一种基于多尺度特征融合的精子形态学自动分析方法
CN111476129A (zh) 一种基于深度学习的土壤杂质检测方法

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