一种基于深度学习的河流水位的智能识别算法制造技术

本发明专利技术涉及一种基于深度学习的河流水位的智能识别算法，包括以下步骤：在河流岸边设置N种不同颜色的标记线。获取标记线及标记线附近水域的图像，建立标记线及标记线附近水域图像样本库，对标记线、标记线倒影以及水面的轮廓进行标注。构建Mask RCNN模型，利用图像样本库对Mask RCNN模型进行训练。获取实时的标记线及标记线附近水域的图像，利用训练好的Mask RCNN模型对当前获取的标记线及标记线附近水域的图像中的标记线及水面进行分割。根据分割结果，对当前水位情况进行判断。本发明专利技术能够提高河流水位识别的实时性和准确性。够提高河流水位识别的实时性和准确性。够提高河流水位识别的实时性和准确性。

【技术实现步骤摘要】
一种基于深度学习的河流水位的智能识别算法


[0001]本专利技术涉及水利智能监控
，具体涉及一种基于深度学习的河流水位的智能识别算法。

技术介绍

[0002]水利是国民经济的基础设施，河道、水库、塘坝、堤防、水闸等水域水位的识别是防汛抗旱重要的一环，而市面上的水位监测设备大部分采用激光、雷达等信号传感技术，价格昂贵，动辄几万一台，不适于大面积推广。我国许多水域，或缺乏水位检测设备，或只是在水域附近安装了一台监拍摄像机，由运维人员定时检查摄像机上传到后台的水域图像，人眼对水位进行识别，费时费力。
[0003]近年来，随着深度学习技术的快速发展，基于深度学习的计算机视觉技术开始广泛应用于各行各业。
[0004]河北地质大学赵娜的硕士论文公开了一种基于FasterR
‑
CNN与GrabCut相融合的水位检测方法，该方法先使用Faster R
‑
CNN网络对水面以上水尺部分进行检测，然后利用GrabCut算法对该部分进行精确分割，最后利用像素坐标与世界坐标映射关系计算水位值。该方法不足之处在于：
①
Faster R
‑
CNN对水位尺定位过程中，对水位尺在水面中倒影的处理方完全依赖Faster R
‑
CNN网络性能，而水位尺在平静清澈水面中的倒影与水位尺的特征十分相似，此时Faster R
‑
CNN很容易将水位尺倒影识别为水位尺，导致水位尺定位偏差较大，进而导致GrabCut对水位尺的分割效果变差，进而导致水位识别有较大误差。
②
该算法需要事先建立并固定像素坐标与世界坐标的映射关系，而实际应用中存在水位尺与摄像头的相对位置发生偏移的问题，如摄像头由于重力的原因向下发生偏移，球机预置位的复位精度有偏差等等，此时像素坐标与世界坐标的映射关系就会发生改变，再沿用原有的映射关系计算水位就会产生偏差。
[0005]中国专利申请202110134842.6公开了一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统，该方法存在以下不足：
①
没有考虑水位尺倒影的影响。平静清澈的水面上，水位尺的倒影与水位尺的特征十分相似，Mask RCNN很容易将水位尺倒影也识别为水位尺，导致水位尺的检测与分割产生较大误差，进而造成水位尺的读数的较大误差。
②
需要记录下水位尺四个角点在图像中的坐标。而实际应用中存在摄像头由于重力的原因向下发生偏移，球机预置位的复位精度有偏差的情况，这些会到水位尺四个角点在图像中的坐标发生偏移，此时再沿用原设置参数，就会对水位尺读数造成误差。
[0006]中国专利申请201910536834.7公开了一种一种基于深度学习的水尺识别方法，该方法虽然考虑了水位尺水面倒影对水位尺定位精度产生的影响，但对水位尺倒影的处理方法的普适性不高。其处理方法是“通过颜色进行二值化的方法来识别水面，使用Lab颜色空间来对颜色进行判定”。实际应用中，受光线、天气、背景复杂情况影响，很难通过颜色对水面进行识别，此类方法对水面识别精度不高。
[0007]因此，需要设计一种能够提高水位识别精度的河流水位识别算法。

技术实现思路

[0008]针对目前水利领域水位检测的现状，本专利技术公开一种基于深度学习的河流水位的智能识别算法，实现了对河道、水库、塘坝、堤防、水闸等水域水位的高精度识别。
[0009]为实现上述目的，本专利技术采用了以下技术方案：
[0010]一种基于深度学习的河流水位的智能识别算法，该方法包括以下步骤：
[0011]S1、在河流岸边自上向下依次设置N种不同颜色的标记线；其中，N为正整数。
[0012]S2、通过安装在河流河段上的监控摄像头获取标记线及标记线附近水域的图像，建立标记线及标记线附近水域图像样本库，对标记线及标记线附近水域图像样本库中各图像中的标记线、标记线倒影以及水面的轮廓进行标注，得到标注好的标记线及标记线附近水域图像样本库。
[0013]S3、构建Mask RCNN模型，利用标注好的标记线及标记线附近水域图像样本库对Mask RCNN模型进行训练，得到训练好的Mask RCNN模型。
[0014]S4、通过安装在河流河段上的监控摄像头获取实时的标记线及标记线附近水域的图像，利用训练好的Mask RCNN模型对当前获取的标记线及标记线附近水域的图像中的标记线及水面进行分割。
[0015]S5、根据步骤S4的分割结果，对当前水位情况进行判断，若未分割出全部颜色种类的标记线，则按未分割出的标记线的颜色，进行相应等级的告警；若分割出全部颜色种类的标记线，则采用图形学算法及数学公式，计算出当前水面的水位。
[0016]进一步的，所述标注好的标记线及标记线附近水域图像样本库中的数据，按8:1:1的比例随机划分为训练集、验证集、测试集，采用训练集训练Mask RCNN模型，采用验证集筛选Mask RCNN模型的最优权重，采用测试集对训练好的Mask RCNN模型进行测试。当训练好的Mask RCNN模型在测试集上的识别率达到95％时，则认为Mask RCNN模型的算法合格，否则调整训练超参数，重新训练算法。
[0017]进一步的，N的取值为3，设三种颜色自上向下依次为A色、B色和C色，则所述“若未分割出全部颜色种类的标记线，则按未分割出的标记线的颜色，进行相应等级的告警”，其具体包括以下步骤：
[0018]若未分割出C色标记线，则判定水位位于C色标记线之上，执行C色告警；若未分割出C色、B色标记线，则判定水位在B色标记线之上，执行B色告警；若未分割出C色、B色、A色标记线，则判定水位在A色标记线之上，执行A色告警。A色告警、B色告警和C色告警表示不同等级的告警。
[0019]进一步的，所述“采用图形学算法及数学公式，计算出当前水面的水位”，其具体包括以下步骤：
[0020]S51、剔除标记线在水面中的倒影
[0021]获取N种颜色标记线的轮廓线所围区域的面积和水面轮廓线所围区域的面积，分别计算每种颜色标记线的轮廓线所围区域与水面轮廓线所围区域的交集的面积，并求得该面积与标记线的轮廓线所围区域面积的比值，剔除面积比值大于0.5的标记线。
[0022]考虑到算法的执行速度，采用抽样的方法粗略计算面积比值，具体如下：
[0023]①
均匀抽取标记线上的轮廓线上的9个点。
[0024]②
使用射线法，分别判断每个点是否在水面轮廓线所围区域内。
[0025]③
统计9个点中在水面轮廓线所围区域内的点的个数，记为n，则所求的面积比值可粗略计算为n/9。
[0026]S52、根据分割结果，分别获取A、B、C三种颜色标记线的轮廓线的最小外接旋转矩形。最小外接旋转矩形通过调用计算机视觉及机器学习软件库opencv中的minAreaRect函数获取。
[0027]S53、分别获取A、B、C三种颜色标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的河流水位的智能识别算法，其特征在于，该方法包括以下步骤：S1、在河流岸边自上向下依次设置N种不同颜色的标记线；其中，N为正整数；S2、通过安装在河流河段上的监控摄像头获取标记线及标记线附近水域的图像，建立标记线及标记线附近水域图像样本库，对标记线及标记线附近水域图像样本库中各图像中的标记线、标记线倒影以及水面的轮廓进行标注，得到标注好的标记线及标记线附近水域图像样本库；S3、构建Mask RCNN模型，利用标注好的标记线及标记线附近水域图像样本库对Mask RCNN模型进行训练，得到训练好的Mask RCNN模型；S4、通过安装在河流河段上的监控摄像头获取实时的标记线及标记线附近水域的图像，利用训练好的Mask RCNN模型对当前获取的标记线及标记线附近水域的图像中的标记线及水面进行分割；S5、根据分割结果，对当前水位情况进行判断，若未分割出全部颜色种类的标记线，则按未分割出的标记线的颜色，进行相应等级的告警；若分割出全部颜色种类的标记线，则采用图形学算法及数学公式，计算出当前水面的水位。2.根据权利要求1所述的一种基于深度学习的河流水位的智能识别算法，其特征在于：所述标注好的标记线及标记线附近水域图像样本库中的数据，按8:1:1的比例随机划分为训练集、验证集、测试集，采用训练集训练Mask RCNN模型，采用验证集筛选Mask RCNN模型的最优权重，采用测试集对训练好的Mask RCNN模型进行测试。3.根据权利要求1所述的一种基于深度学习的河流水位的智能识别算法，其特征在于：N的取值为3，设三种颜色自上向下依次为A色、B色和C色，则所述“若未分割出全部颜色种类的标记线，则按未分割出的标记线的颜色，进行相应等级的告警”，其具体包括以下步骤：若未分割出C色标记线，则判定水位位于C色标记线之上，执行C色告警；若未分割出C色、B色标记线，则判定水位在B色标记线之上，执行B色告警；若未分割出C色、B色、A色标记线，则判定水位在A色标记线之上，执行A色告警。4.根据权利要求3所述的一种基于深度学习的河流水位的智能识别算法，其特征在于：所述“采用图形学算法及数学公式，计算出当前水面的水位”，其具体包括以下步骤：S51、剔除标记线在水面中的倒影获取N种颜色标记线的轮廓线所围区域的面积和水面轮廓线所围区域的面积，分别计算每种颜色标记线的轮廓线所围区域与水面轮廓线所围区域的交集的面积，并求得该面积与标记线的轮廓线所围区域面积的比值，剔除面积比值大于0.5的标记线；S52、根据分割结果，分别获取A、B、C三种颜色标记线的轮廓线的最小外接旋转矩形；S53、分别获取A、B、C三种颜色标记线的最小外接旋转矩形的一条长边，共得到三条边；S54、计算步骤S53中获取的三条边的单位方向向量，三个单位方向向量在x轴上的分量的正负号相同，并计算三个单位向量的均值向量，将该均值向量作为水平向量，取与该水平向量正交的单位向量，作为垂直向量，记为v:(x_v,y_v)；S55、获取A色标记线最小外接旋转矩形的中心点Ca，即为A色标记线的中心点；S56、获取过A色标记线的中心点Ca、且与垂直向量v平行的直线L，并求得直线L与水面轮廓线的交点，获取所有交点中纵坐标最小的点P；S57、采用下式计算点Ca到点P的距离d(Ca,P)，即为水面到A色种标记线中心点的像素
距离d(Ca，P)；其中，(x_c,y_c)为点Ca的坐标，(x0,y0)为点P的坐标；S58、采用下式计算实时的标记线及标记线附近水域的图像中的单个像素对应的物理距离；d_per_pixel＝A_w_cm/A_w_pixel其中，d_per_pixel为图像中单个像素对应的物理距离，单位为cm；A_w_cm为A色标记尺的实际宽度，单位为cm，在河岸设置标记线时通过实际测量获取；A_w_pixel为A色标记线最小外接矩形短边的长度，单位为像素；S59、采用下式计算A色标记线中心点Ca到水面沿垂直方向的物理距离d(water,A)：d(water,A)＝d(Ca,P)
×
d_per_pixelS510、采用下式计算当前水面所处的水位：water_level＝A_level
‑
d(water,A)
‑
A_w_cm/2其中，water...

【专利技术属性】
技术研发人员：朱言庆，方亮，田野，张悦，郭守飞，
申请(专利权)人：智洋创新科技股份有限公司，
类型：发明
国别省市：