一种基于YOLO网络和图像配准技术的积水水位识别方法技术

本发明专利技术公开了一种基于YOLO网络和图像配准技术的积水水位识别方法，属于积水水位识别技术领域，包括以下步骤：S1，从数据集中取出一个批次的图片，每次在批次中随机地读取一张图片；S2，对这张图片进行翻转、缩放、色域变化等操作，操作完成之后将图片恢复到原图像素大小；S3，对扩增之后的数据集用Lableme进行数据标注，送入YOLO网络进行训练；S4，利用特征匹配算法匹配基准图和线程图，将基准图中标尺的信息映射到现场图中；S5，调用S3训练好的YOLO网络模型；S6，计算边界框的类别置信度C，S7，对类别置信度进行处理排序；S8，根据置信度找出积水液面的所在的边界框。该发明专利技术解决了现有积水水位识别工程中效率低，精度低，监控成本高的问题。问题。问题。

【技术实现步骤摘要】
一种基于YOLO网络和图像配准技术的积水水位识别方法


[0001]本专利技术属于积水水位识别
，具体涉及一种基于YOLO网络和图像配准技术的积水水位识别方法。

技术介绍

[0002]随着人工智能和深度学习的发展，采用深度学习技术进行工业现场的监控和检测应用日益广泛。近年来，随着城市化的发展，各地加快了地铁、隧道的建设。由于隧道地势较低往往引起隧道低洼处存在大量积水的现象。积水现象严重影响了隧道的安全运行和支撑结构的强度。此外，防洪蓄水池的水位也与水利调度，人们生活用水，工业用水，农业用水息息相关，然而，待检测的积水水位往往分布在偏远地区，交通不方便，不利于积水水位的识别与监控。积水水位不仅消耗大量的人力物力，而且监控的实时性和可靠性不佳。积水现象已经引起市政、应急、防汛、路政等政府有关部门的高度关注。建设城市道路积水监测系统，也极为必要。同时建设信息管理平台，以此加快市政设施管理现代化进程，为实现“智慧城市”奠定良好基础。
[0003]目前在实际的表计中，由于拍摄角度的影响，图像会发生形变，积水和标尺在场景中位置不固定，难以利用线性关系求解积水的读数，同时现有的积水水位识别工程还存在效率低，精度低，监控成本高的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于YOLO网络和图像配准技术的积水水位识别方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于YOLO网络和图像配准技术的积水水位识别方法，包括以下步骤：r/>[0006]S1，从数据集中取出一个批次的图片，每次在批次中随机地读取一张图片；
[0007]S2，对这张图片进行翻转、缩放、色域变化等操作，操作完成之后将图片恢复到原图像素大小；
[0008]S3，对扩增之后的数据集用Lableme进行数据标注，送入YOLO网络进行训练；
[0009]S4，利用特征匹配算法匹配基准图和线程图，将基准图中标尺的信息映射到现场图中；
[0010]S5，调用S3训练好的YOLO网络模型，读入大小为676
×
507的积水+标尺的RGB图像，并将图像分为若干个大小为13
×
13的若干个小格子，其中每个小格子都预测两个边界框，最后输出为一个13
×
13
×
11的矩阵，11即为5+5+1，5为边界框的中心坐标、长、宽以及预测概率值，1代表图像中需要预测的类别数；
[0011]S6，计算边界框的类别置信度C，计算公式如下：
[0012][0013]其中，Pr(Object)代表当前边界框是否有对象的概率，表示当边界框有对象时，模型预测的框与物体所在的真实框之间交并比的值；
[0014]S7，对类别置信度进行处理排序，确定边界框对应矩阵中列中置信度值最大的一个值和类别，如果这个值大于0，把这个类别在图像中画出，如果值小于0，则忽略，持续到最后一个边界框为止；
[0015]S8，根据置信度找出积水液面的所在的边界框。
[0016]优选的，S2中，翻转的实际操作为：对积水+标尺图像进行0度到
±
45度旋转；
[0017]平移的实际操作为：对积水+标尺图像进行一个方向上的平移，剩余的空间用常数值进行填充，也可用随机或者高斯噪声进行填充，保留图像增强后的空间维度；
[0018]缩放的实际操作为：对积水+标尺图像进行放大或者缩小处理。
[0019]优选的，S4中，特征匹配包括特征检测、特征描述、特征匹配和参数优化四个部分。
[0020]优选的，S4中，在将基准图中标尺的信息映射到现场图中的步骤如下：
[0021]S401，先采用RANSAC算法筛选匹配点并求出可以表示现场图和基准图特征点对应关系的单应矩阵；
[0022]S402，在基准图中标记标尺的位置并确定好起点和终点的位置；
[0023]S403，利用单应矩阵将基准图中标尺信息映射到线程图中。
[0024]优选的，S4101中，单应矩阵描述的是在不同的视角下拍摄的两幅图像之间的像素对应关系，当这两幅图像之间是透视变换，则单应性矩阵也就是透视变换矩阵H定义如下所示：
[0025][0026]则基准图和现场图的像素对应关系为：
[0027]本专利技术的技术效果和优点：该基于YOLO网络和图像配准技术的积水水位识别方法，通过图像配准技术将不同视角下的图像进行变换，使其位于相同坐标系方便后续图像处理与分析，解决了现有技术中由于拍摄角度的影响，图像会发生形变，积水和标尺在场景中位置不固定，难以利用线性关系求解积水的读数的问题，同时采用YOLO网络模型，能够快捷高效地找出积水液面的所在的边界框，解决了现有积水水位识别工程中效率低，精度低，监控成本高的问题。
附图说明
[0028]图1为本专利技术的测试流程图；
[0029]图2为本专利技术的图像配准流程图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，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。基于
本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0031]本专利技术提供了如图1所示的一种基于YOLO网络和图像配准技术的积水水位识别方法，包括以下步骤：
[0032]S1，从数据集中取出一个批次的图片，每次在批次中随机地读取一张图片。
[0033]S2，对这张图片进行翻转、缩放、色域变化等操作，操作完成之后将图片恢复到原图像素大小。
[0034]对这张图片进行翻转、缩放、色域变化等操作均为数据量的增强，当训练数据集特征丰富，分布均匀，深度学习模型的泛化性能较好。当训练数据集数据量较少时，深度学习模型将出现欠拟合现象，导致泛化能力差。虽然积水检测场景较多，训练集拍摄工作量大，数据集标记工作量也较大。为了扩展数据集提高深度学习模型的泛化能力，数据增加被广泛地用于扩大训练集的数据量。
[0035]而数据增强中翻转的实际操作为：对积水+标尺图像进行0度到
±
45度旋转；
[0036]平移的实际操作为：对积水+标尺图像进行一个方向上的平移，剩余的空间用常数值进行填充，也可用随机或者高斯噪声进行填充，保留图像增强后的空间维度；
[0037]这里的常数值如0或255；
[0038]缩放的实际操作为：对积水+标尺图像进行放大或者缩小处理。
[0039]S3，对扩增之后的数据集用Lableme进行数据标注，送入YOLO网络进行训练；
[0040]S4，利用特征匹配算法匹配基准图和线程图，将基准图中标尺的信息映射到现场图中。
[0041]在实际的表计中，由于拍摄角度的影响，图像会发生形变，积水和标尺在场景中位置不固定，难以利用线性关系求解积水的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO网络和图像配准技术的积水水位识别方法，其特征在于：包括以下步骤：S1，从数据集中取出一个批次的图片，每次在批次中随机地读取一张图片；S2，对这张图片进行翻转、缩放、色域变化等操作，操作完成之后将图片恢复到原图像素大小；S3，对扩增之后的数据集用Lableme进行数据标注，送入YOLO网络进行训练；S4，利用特征匹配算法匹配基准图和线程图，将基准图中标尺的信息映射到现场图中；S5，调用S3训练好的YOLO网络模型，读入大小为676
×
507的积水+标尺的RGB图像，并将图像分为若干个大小为13
×
13的若干个小格子，其中每个小格子都预测两个边界框，最后输出为一个13
×
13
×
11的矩阵，11即为5+5+1，5为边界框的中心坐标、长、宽以及预测概率值，1代表图像中需要预测的类别数；S6，计算边界框的类别置信度C，计算公式如下：其中，Pr(Object)代表当前边界框是否有对象的概率，表示当边界框有对象时，模型预测的框与物体所在的真实框之间交并比的值；S7，对类别置信度进行处理排序，确定边界框对应矩阵中列中置信度值最大的一个值和类别，如果这个值大于0，把这个类别在图像中画出，如果值小于0，则忽略，持续到最后一个边界框为止；S8，根据置信度找出积水液面的所在的边界框。...

【专利技术属性】
技术研发人员：廖俊蓉，冯志延，杨夏里，付建美，尚志成，刘士刚，陈亚军，叶超欣，吴斌，郑春，王劲，许晓萌，
申请(专利权)人：南方电网调峰调频广东储能科技有限公司，
类型：发明
国别省市：