基于SVM水标尺在线二分类器的人工智能水位监测系统技术方案

本发明专利技术公开了基于SVM水标尺在线二分类器的人工智能水位监测系统，其工作方法包括训练在线二分类器和水位测量，其中训练在线二分类器包括以下步骤：Step1：配置参照图像；Step2：提取图像特征；Step3：像素点分类得到分类图；Step4：拟定水位线；Step5：得到二分类器；本发明专利技术的有益效果为：本发明专利技术根据基于SVM的在线二分类器监测水位值，人工智能程度高；准确度高，标定迅速；实时化程度高，信息更新快；本监测系统能对各种状态下的水库、河流、湖泊、城市水域等各种地表水进行监测，监测适用范围广。监测适用范围广。

【技术实现步骤摘要】
基于SVM水标尺在线二分类器的人工智能水位监测系统


[0001]本专利技术涉及水位监测领域，尤其涉及基于SVM水标尺在线二分类器的人工智能水位监测系统。

技术介绍

[0002]雪天、雾天情况下水尺的识别存在较大困难，大多数情况下水尺图像不可见而无法识别，但此天气一般发生在枯水季节，暂不考虑。雨天(毛毛雨、小雨、中雨、大雨、暴雨)情况下以实际图像水尺可见度为准，会有不同程度的模糊和遮挡，同样，采用类似E型水尺会一定程度上增强抗干扰性。水尺规格、干扰与可靠性。根据提供的监测点的图像数据，非标准水尺规格不一，都存在不同程度的退化，加上现场环境复杂，光照、阴影、水浪、水渍、污渍、垃圾等各方面的影响，针对不同监测点采用同一种识别算法的可靠性不高，针对不同监测点定制算法可行性也不高。而人眼识别水尺的方式存在很大的误差，效率也过低。

技术实现思路

[0003]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的基于SVM水标尺在线二分类器的人工智能水位监测系统。
[0004]为了实现上述目的，本专利技术采用了如下技术方案：
[0005]基于SVM水标尺在线二分类器的人工智能水位监测系统，其工作方法包括训练在线二分类器和水位测量，其中训练在线二分类器包括以下步骤：Step1：配置参照图像；拍摄水库、河流、湖泊、城市水域等各种地表水在不同时间不同天气环境下的图片多张并导入SVM系统作为参照图，每张图片中都要包括水域和标尺区域；Step2：提取图像特征；按照水域和标尺区域，将Step1中得到的参照图分别提取强特征点，设置水域区域作为背景，非水域区域作为前景，将参照图中的特征点标记值，区分出的背景点作为样本0，区分出的前景点作为样本1；Step3：像素点分类得到分类图；将Step2中得到的前景点和背景点分别按照标记值1和0分类，前景点联合，背景点联合，从而得到前景区域和背景区域；将图像中的前景区域保持原样，将图像中的背景区域标成黑色；Step4：拟定水位线；在Step3中得到分类图，按照颜色区分得分界线，其分界线即为水位线；Step5：得到二分类器；根据上述Step1-Step4的步骤得到分类标定后的一种在线二分类器。
[0006]优选的，所述水位测量包括以下方法步骤：Step1：配置待测图像；利用图像传感器拍摄得到当前待测图像，并将其导入监测系统中；Step2：特征匹配；将Step1中导入的待测图像，与在线二分类器中的参照图像进行相似度匹配，得到与待测图像相似度最高的参照图像；Step3：区域限定；根据得到的参照图像的特征参数，将待测图像按照特征区分出前景点和背景点，并分别根据前景点和背景点得到前景区域和背景区域，并标出前景区域和背景区域分界处的水位线；Step4：测量水位值；利用虚拟标尺和定标模组测量得到Step4中的水位线高度。
[0007]优选的，在水位测量中的Step3中，对区域进行限定后，要对限定后的区域进行噪
声去除和倒影去除。
[0008]优选的，配置参照图像和配置待测图像均使用图像传感器。
[0009]优选的，配置参照图像，其参照图像不少于20张，且参照图像的像素大于100万。
[0010]优选的，提取图像特征和特征点分类均使用SIFT算法。
[0011]优选的，水位测量的Step2中的特征匹配，利用的是SSIM算法。
[0012]本专利技术的有益效果为：本专利技术根据基于SVM的在线二分类器监测水位值，一是能根据图像传感器传回的图像，以区分水域和非水域的方式，通过标定区域分界线以标定水位位置，人工智能程度高；二是通过建立参照图像，先对参照图像进行特征区分以训练出二分类器，建立模型参数表，再对待测图像进行特征匹配，找到待测图像对应适用的模型，在此基础上对待测图像进行特征区分，再标定水位分界线，这样的监测测量方式，准确度高，标定迅速；三是在线训练二分类器，其实时化程度高，信息更新快，对水库、河流、湖泊、城市水域等各种地表水的水位监测更加准确；四是本监测系统能对各种状态下的水库、河流、湖泊、城市水域等各种地表水进行监测，监测适用范围广。
附图说明
[0013]图1为监测系统的运行流程图；
[0014]图2为水位测量的方法流程图。
具体实施方式
[0015]下面将结合本专利技术实施例中的，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0016]SVM，英文全称是Support Vector Machine，即支持向量机，是常见的一种判别方法。SVM在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。基于SVM水标尺在线二分类器就是利用SVM在线训练一个二分类器，在图像分析中区分水域和标尺区域的一种方法手段，可以知道水域和标尺区域的分界位置即为水位线，在此基础上配合在线学习系统建立虚拟标尺，叠加到利用二分类器区分出的标尺区域上，配合定标模组，就能在图中得到水位位置，从而测出其水位高度。本专利技术的人工智能监测系统就是建立在这种思想方法上的。以下对本专利技术的具体方法步骤进行描述。
[0017]基于SVM水标尺在线二分类器的人工智能水位监测系统，其工作方法包括训练在线二分类器和测量水位，其中训练在线二分类器包括以下步骤：
[0018]Step1：配置参照图像；
[0019]拍摄水库、河流、湖泊、城市水域等各种地表水在不同时间不同天气环境下的图片多张并导入SVM系统作为参照图，每张图片中都要包括水域和标尺。拍摄图片一般要求20张，且图片的像素要求在100万以上。
[0020]Step2：提取图像特征；
[0021]按照水域和标尺区域，将Step1中得到的参照图分别提取强特征点，设置水域区域作为背景，非水域区域作为前景，将参照图中区分出的背景点作为样本0，区分出的前景点作为样本1。
[0022]提取图像特征，即对图像中的像素点进行区分，这里应用的是SIFT算法，其英文全
称为Scale-invariant feature transform，是一种检测局部特征的算法，能根据特征将像素点进行区分和匹配，同类的放置在一起，本专利技术利用这种算法将图像中的各种像素点进行区分和标记，从而区分出前景点和背景点，再由此得到水域和非水域区域的范围。
[0023]Step3：像素点分类得到分类图；
[0024]将Step2中得到的前景点和背景点分别按照标记值1和0分类，前景点联合，背景点联合，从而得到前景区域和背景区域；将图像中的前景区域保持原样，将图像中的背景区域标成黑色。前景点即为标记值为1的点，由前景点联合得到的区域即为前景区域，背景点即标记值为0的特征点，由背景点联合得到的区域即为背景区域。
[0025]这也是SIFT算法的计算范围，在区分每个像素点的特征后，SIFT算法会将这些像素点联合在一起，形成一片区域，就得到了参照图中的水域和非水域范围。
[0026]Step4：拟定水位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SVM水标尺在线二分类器的人工智能水位监测系统，其特征在于，其工作方法包括训练在线二分类器和水位测量，其中训练在线二分类器包括以下步骤：Step1：配置参照图像；拍摄水库、河流、湖泊、城市水域等各种地表水在不同时间不同天气环境下的图片多张并导入SVM系统作为参照图，每张图片中都要包括水域和标尺区域；Step2：提取图像特征；按照水域和标尺区域，将Step1中得到的参照图分别提取强特征点，设置水域区域作为背景，非水域区域作为前景，将参照图中的特征点标记值，区分出的背景点作为样本0，区分出的前景点作为样本1；Step3：像素点分类得到分类图；将Step2中得到的前景点和背景点分别按照标记值1和0分类，前景点联合，背景点联合，从而得到前景区域和背景区域；将图像中的前景区域保持原样，将图像中的背景区域标成黑色；Step4：拟定水位线；在Step3中得到分类图，按照颜色区分得分界线，其分界线即为水位线；Step5：得到二分类器；根据上述Step1-Step4的步骤得到分类标定后的一种在线二分类器。2.根据权利要求1所述的基于SVM水标尺在线二分类器的人工智能水位监测系统，其特征在于，所述水位测量包括以下方法步骤：Step1：配置待测图像；利用图像传感器拍摄得到当前待测图像，并将其导入监测系统中；Step2：特征匹配；...

【专利技术属性】
技术研发人员：张新强，张普，魏鑫鑫，周浩，
申请(专利权)人：湖北亿立能科技股份有限公司，
类型：发明
国别省市：