CN111259890A - 一种水位尺的水位识别方法、装置及设备 - Google Patents
一种水位尺的水位识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111259890A CN111259890A CN202010058235.1A CN202010058235A CN111259890A CN 111259890 A CN111259890 A CN 111259890A CN 202010058235 A CN202010058235 A CN 202010058235A CN 111259890 A CN111259890 A CN 111259890A
- Authority
- CN
- China
- Prior art keywords
- water level
- character
- level gauge
- network model
- characters
- 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
Images
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
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/04—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by dip members, e.g. dip-sticks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/80—Arrangements for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
Abstract
一种水位尺的水位识别方法包括:获取包括水位尺信息的待识别图像;根据已训练的水位尺定位网络模型识别所述待识别图像中的水位尺所在的目标框;根据已训练的字符E检测网络模型识别所述目标框中的E字符;根据E字符之间的间隔对所识别的E字符进行矫正;根据矫正后的E字符确定水位线位置对应的水位值。可以减少由于遮挡而造成的检测误差,有利于提高水位值的检测精度。
Description
技术领域
本申请属于水位监测领域,尤其涉及一种水位尺的水位识别方法、装置及设备。
背景技术
在水利行业应用中,经常需要对水位进行检测。目前的水位检测方式主要使用浮子式、压力传感式、超声波式、雷达和激光等应用的水位计。这些水位计因构造原理不同,在实际应用前需要考虑适用范围、建设成本以及施工难度等制约和影响。视频水位计提供了一种新的水位检测手段,它不但可以检测水位,而且依赖网络同时上传的视频/图像还能证明该技术检测结果的正确性。此外,该技术产品应用和维护的成本也非常低。因此,该技术具有良好的应用前景和市场需求。
在使用视频进行水位尺的水位识别时,通常采用浓度网络技术对视频中的图像进行水位尺的水位识别,但是,当水位尺上的刻度受水垢遮挡时,导致边缘检测误差较大,不利于提高水位尺的水位识别精度。
发明内容
有鉴于此,本申请实施例提供了一种水位尺的水位识别方法、装置及设备,以解决现有技术中当水位尺上的刻度受水垢遮挡时,导致边缘检测误差较大,不利于提高水位尺的水位识别精度的问题。
本申请实施例的第一方面提供了一种水位尺的水位识别方法,所述水位尺的水位识别方法包括:
获取包括水位尺信息的待识别图像;
根据已训练的水位尺定位网络模型识别所述待识别图像中的水位尺所在的目标框;
根据已训练的字符E检测网络模型识别所述目标框中的E字符;
根据E字符之间的间隔对所识别的E字符进行矫正;
根据矫正后的E字符确定水位线位置对应的水位值。
结合第一方面,在第一方面的第一种可能实现方式中,所述水位尺定位网络模型和/或字符E检测网络模型为SSD300目标检测网络。
结合第一方面,在第一方面的第二种可能实现方式中,在根据已训练的字符E检测网络模型识别所述目标框中的E字符的步骤之前,所述方法还包括:
根据所识别的目标框对原图像进行裁剪,得到目标框所对应的裁剪图像;
对所述裁剪图像进行放大处理,得到目标框中的放大后的图像。
结合第一方面,在第一方面的第三种可能实现方式中,所述根据E字符之间的间隔对所识别的E字符进行矫正的步骤包括:
将图像中的相邻两个E字符之间的纵坐标差值与单个E字符的高度值进行比较;
根据所述纵坐标差值与单个E字符的高度值的比值,确定***到两个E字符之间的E字符的数量。
结合第一方面,在第一方面的第四种可能实现方式中,所述根据矫正后的E字符确定水位线位置对应的水位值的步骤包括:
对矫正后的E字符进行排序;
通过拟合的方式,确定E字符所对应的刻度值;
根据所确定的E字符的刻度值,确定所述水位线位置对应的水位值。
结合第一方面,在第一方面的第五种可能实现方式中,所述方法还包括:
获取水位尺水位图像的第一样本数据,所述第一样本数据包括标定了水位尺所在位置的标定目标框;
将所述第一样本数据输入水位尺定位网络模型,输出所述第一样本数据的识别目标框;
比较所述标定目标框与所述识别目标框的差异,根据所述差异调整所述水位尺定位网络模型的参数,直到两者的差异符合预设要求,得到已训练的水位尺定位网络模型。
结合第一方面,在第一方面的第六种可能实现方式中,所述方法还包括:
获取包括E字符的第二样本数据,所述第二样本数据中包括已确定位置的标定字符;
将所述第二样本数据输入到字符E检测网络模型,输出第二样本数据的识别字符;
比较所述识别字符与所述标定字符的差异,根据所述差异调整所述旁边跳舞E检测网络模型的参数,直到两者的差异符合预设要求,得到已训练的字符E检测网络模型。
本申请实施例的第二方面提供了一种水位尺的水位识别装置,所述水位尺的水位识别装置包括:
待识别图像获取单元,用于获取包括水位尺信息的待识别图像;
目标框识别单元,用于根据已训练的水位尺定位网络模型识别所述待识别图像中的水位尺所在的目标框;
E字符识别单元,用于根据已训练的字符E检测网络模型识别所述目标框中的E字符;
矫正单元,用于根据E字符之间的间隔对所识别的E字符进行矫正;
水位值确定单元,用于根据矫正后的E字符确定水位线位置对应的水位值。
本申请实施例的第三方面提供了一种水位尺的水位识别设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述水位尺的水位识别方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述水位尺的水位识别方法的步骤
本申请实施例与现有技术相比存在的有益效果是:通过已训练的水位尺定位网络模型识别图像中的水位尺所在的目标框,根据已训练的字符E检测网络模型识别目标框中的E字符,再根据E字符之间的间隔对所述E字符进行矫正,根据矫正后的E字符确定水位线位置对应水位值,从而可以减少由于遮挡而造成的检测误差,有利于提高水位值的检测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种水位尺的水位识别方法的实现流程示意图;
图2是本申请实施例提供的一种水位尺定位网络模型训练方法的实现流程示意图;
图3是本申请实施例提供的一种字符E检测网络模型的训练方法的实现流程示意图;
图4是本申请实施例提供的字符矫正方法的实现流程示意图;
图5是本申请实施例提供的被遮挡的水位尺图像的示意图;
图6是本申请实施例提供的恢复部分被遮挡的水位尺图像的示意图;
图7为本申请实施例提供的进行矫正后的水位尺图像示意图;
图8是本申请实施例提供的水位尺的水位识别装置示意图;
图9是本申请实施例提供的水位尺的水位识别设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1为本申请实施例提供的一种水位尺的水位识别方法的实现流程示意图,详述如下:
在步骤S101中,获取包括水位尺信息的待识别图像;
本申请实施例中,所述待识别图像可以视频监控输出的图像。可以通过摄像头持续采集包括水位尺的视频,提取所述视频中包括待识别图像。可以将所述视频中的图像进行下采样,得到预定分辨率的下采样图像。所述下采样图像的分辨率可以为300*300等。
在步骤S102中,根据已训练的水位尺定位网络模型识别所述待识别图像中的水位尺所在的目标框;
可以将采集的视频解码成单帧RGB格式,然后对单帧图像进行下采样,下采样至分辨率为300*300,再将下采样后的图像数据输入至水位尺定位网络模型,输出目标框的位置信息。
其中,所述水位尺定位网络模型可以为SSD(Single Shot Mulitbox Detector)300目标检测网络,是一种基于卷积神经网络的目标检测算法,拥有比Fast R-CNN更好的速度及更高的准确率。SSD目标检测网络结合YOLO回归思想以及Faster R-CNN的anchor机制做到速度与准确率并存。SSD目标检测网络使用VGG-16作为基础网络,并增加了新的卷积层来获取更多的特征图。由于使用的是全卷积结构,相对于Faster R-CNN包含的全连接层网络结构,使网络计算量急剧减少,提高了运算速度。并使用多尺度特征图方式,对各个尺寸大小的目标特征进行检测。
其中,在对目标框进行识别之前,还可以包括对所述水位尺定位网络模型的步骤,如图2所示,包括:
在步骤S201中,获取水位尺水位图像的第一样本数据,所述第一样本数据包括标定了水位尺所在位置的标定目标框;
为在对位尺的水位进行识别之前,可以通过摄像头采集大量的图像,并对所采集的图像中的水位尺所在的区域进行标定,即标定水位尺在在水面以上的部分的位置区域。当水位尺有部分淹没在水位以下,并且通过摄像头拍摄的图像中包括模糊可见的水下部分,或者包括水面中的倒影图像时,仅仅需要标定水位尺在水面以上的部分,水下部分以及倒影均不需要标定。通过这种标定方式,使得训练后的水位尺定位网络模型能够有效的识别位于水面以上部分的水位尺的目标框。即所述目标框的下边框为水平面的位置。
在步骤S202中,将所述第一样本数据输入水位尺定位网络模型,输出所述第一样本数据的识别目标框;
将已标定的第一样本数据的图像输入到水位尺定位网络模型,输出所述水位尺所在位置的识别目标框。所述目标框的位置根据所述水位尺定位网络模型中的参数的影响。在初始化的水位尺定位网络模型所识别的识别目标框,与第一样本数据中标定目标框会存在差异,需要根据所述差异调整所述水位尺定位网络模型的参数,使得两者之间的差异变小。
在步骤S203中,比较所述标定目标框与所述识别目标框的差异,根据所述差异调整所述水位尺定位网络模型的参数,直到两者的差异符合预设要求,得到已训练的水位尺定位网络模型。
在不断调整所述水位尺定位网络模型的参数的过程中,所得到的识别目标框与标定目标框之间的差异也会逐渐减小,当两者的差异小于预定的差异值,或者两者的差异满足预设的要求时,则可以停止训练所述水位尺定位网络模型,得到已训练的水位尺定位网络模型。可以根据已训练的水位尺定位网络模型,获得待识别的图像中的水位尺对应的目标框。
在一种实现方式中,在对所述目标框中的字符进行识别前,还可以根据所述目标框对原始图像进行裁剪,得到目标框所对应的剪裁图像,然后对所述裁剪图像进行放大处理,得到目标框中放大后的图像,然后根据步骤S103,对放大后的图像进行字符E检测。
在步骤S103中,根据已训练的字符E检测网络模型识别所述目标框中的E字符;
获取了待识别图像中的水位尺所在位置的目标框后,可以进一步根据已训练的字符E检测网络模型,检测所述目标框中包括的E字符。
其中,获取所述字符E检测网络模型的过程可以如图3所示,包括:
在步骤S301中,获取包括E字符的第二样本数据,所述第二样本数据中包括已确定位置的标定字符;
具体的,为了提高所述字符E检测网络模型的鲁棒性,所述第二样本数据中可以包括多个部分遮挡的字符E。其中,所述第二样本数据可以为第一样本中数据中所标定的目标框。
在一种实现方式中,所述第二样本数据中所确定位置的标定字符,为所述第二样本数据中所标定的字符E。其中,所标定的字符E可以包括所标定的字符E的位置和所标定的字符E所占的图像区域。
在步骤S302中,将所述第二样本数据输入到字符E检测网络模型,输出第二样本数据的识别字符;
所述字符E检测网络模型中的参数可以初始化为简单的数值,比如可以初始化为0或1等。将所述第二样本数据输入到所述字符E检测网络模型,输出所检测到的字符E,即识别字符。在一般情况下,初始化的字符E检测网络模型所输出的字符E与标定字符会存在较大的差异,包括所检测到的字符E的数量、位置等。
在步骤S303中,比较所述识别字符与所述标定字符的差异,根据所述差异调整所述旁边跳舞E检测网络模型的参数,直到两者的差异符合预设要求,得到已训练的字符E检测网络模型。
根据所比较的标定字符与识别字符之间的差异,包括位置差异、数量差异等,对所述字符E检测网络模型中的参数进行调整,使得所检测得到的识别字符与标定字符之间的差异逐渐减小。当所检测到的识别字符与标定字符之间的差异符合预设要求时,则可以得到已训练的字符E检测网络模型。可以根据已训练的字符E检测网络模型对未知图像中的目标框中的字符进行检测。
在步骤S104中,根据E字符之间的间隔对所识别的E字符进行矫正;
在检测到目标框中的字符E之后,还可能存在目标框中的字符E被遮挡的字符E,为了能够更为准确的确定目标框中的各个位置所对应的刻度值,可以根据字符之间的间隔对识别的字符E进行矫正,具体可以如图4所示,包括:
在步骤S401中,将图像中的相邻两个E字符之间的纵坐标差值与单个E字符的高度值进行比较;
由于所采集的图像的大小与相机拍摄的位置和角度相关,对于固定位置的相机,可以标定所固定的位置所对应的单个字符E的高度值。当所述相机的位置并非固定,或者即使在相机位置固定时,也可以根据所拍摄的图像中的包括的字符E的大小,来确定所述字符E的高度值。
由于水位尺中的字符E的边界大小基本一致,因此,可以根据两个E字符之间的纵坐标差值,来确定两个相邻的E字符之间是否有遮挡的E字符。
在步骤S402中,根据所述纵坐标差值与单个E字符的高度值的比值,确定***到两个E字符之间的E字符的数量。
如果两个相邻的E字符之间的纵坐标差值为一个字符E的高度值,则在两个字符E之间***一个字符E,同样,如果两个E字符之间的纵坐标差值为两个字符E的高度值,则在该两个字符E之间***两个字符E。从而使得被遮挡的字符E能够有效的进行矫正。
在步骤S105中,根据矫正后的E字符确定水位线位置对应的水位值。
获得矫正后的E字符后,可以根据E字符的位置确定各个E字符所对应的刻度,根据水位线所对应的刻度,即可得到水位线位置对应的水位值。
比如图5所示的水位尺图像中,由于被遮挡,水位尺中的部分字符E被部分遮挡,也有水位尺中的字符E被完全遮挡,通过字符E检测网络模型,可以检测到部分被遮挡的字符E,检测得到图6所示的水位尺图像。然后进一步通过E字符矫正,得到完全被遮挡的E字符,得到如图7所示的水位尺图像,按照矫正后的图像,对字符E进行排序,纵坐标最大的字符E所对应的刻度为100cm,往下分别对应90cm,80cm……,通过拟合二次曲线的方式拟合出字符E的纵坐标值和对应的刻度值曲线。在确定了字符E所对应的刻度值后,即可得到目标框的左下顶点或右下顶点的纵坐值,即可得到水位线位置对应的刻度值。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图8为本申请实施例提供的一种水位尺的水位识别装置的结构示意图,包括:
待识别图像获取单元801,用于获取包括水位尺信息的待识别图像;
目标框识别单元802,用于根据已训练的水位尺定位网络模型识别所述待识别图像中的水位尺所在的目标框;
E字符识别单元803,用于根据已训练的字符E检测网络模型识别所述目标框中的E字符;
矫正单元804,用于根据E字符之间的间隔对所识别的E字符进行矫正;
水位值确定单元805,用于根据矫正后的E字符确定水位线位置对应的水位值。
图8所示的水位线的水位识别装置,与图1所示的水位线的水位识别方法对应。
图9是本申请一实施例提供的水位尺的水位识别设备的示意图。如图9所示,该实施例的水位尺的水位识别设备9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92,例如水位尺的水位识别程序。所述处理器90执行所述计算机程序92时实现上述各个水位尺的水位识别方法实施例中的步骤。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述水位尺的水位识别设备9中的执行过程。例如,所述计算机程序92可以被分割成:
待识别图像获取单元,用于获取包括水位尺信息的待识别图像;
目标框识别单元,用于根据已训练的水位尺定位网络模型识别所述待识别图像中的水位尺所在的目标框;
E字符识别单元,用于根据已训练的字符E检测网络模型识别所述目标框中的E字符;
矫正单元,用于根据E字符之间的间隔对所识别的E字符进行矫正;
水位值确定单元,用于根据矫正后的E字符确定水位线位置对应的水位值。
所述水位尺的水位识别设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述水位尺的水位识别设备可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是水位尺的水位识别设备9的示例,并不构成对水位尺的水位识别设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述水位尺的水位识别设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述水位尺的水位识别设备9的内部存储单元,例如水位尺的水位识别设备9的硬盘或内存。所述存储器91也可以是所述水位尺的水位识别设备9的外部存储设备,例如所述水位尺的水位识别设备9上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述水位尺的水位识别设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述水位尺的水位识别设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种水位尺的水位识别方法,其特征在于,所述水位尺的水位识别方法包括:
获取包括水位尺信息的待识别图像;
根据已训练的水位尺定位网络模型识别所述待识别图像中的水位尺所在的目标框;
根据已训练的字符E检测网络模型识别所述目标框中的E字符;
根据E字符之间的间隔对所识别的E字符进行矫正;
根据矫正后的E字符确定水位线位置对应的水位值。
2.根据权利要求1所述的水位尺的水位识别方法,其特征在于,所述水位尺定位网络模型和/或字符E检测网络模型为SSD300目标检测网络。
3.根据权利要求1所述的水位尺的水位识别方法,其特征在于,在根据已训练的字符E检测网络模型识别所述目标框中的E字符的步骤之前,所述方法还包括:
根据所识别的目标框对原图像进行裁剪,得到目标框所对应的裁剪图像;
对所述裁剪图像进行放大处理,得到目标框中的放大后的图像。
4.根据权利要求1所述的水位尺的水位识别方法,其特征在于,所述根据E字符之间的间隔对所识别的E字符进行矫正的步骤包括:
将图像中的相邻两个E字符之间的纵坐标差值与单个E字符的高度值进行比较;
根据所述纵坐标差值与单个E字符的高度值的比值,确定***到两个E字符之间的E字符的数量。
5.根据权利要求1所述的水位尺的水位识别方法,其特征在于,所述根据矫正后的E字符确定水位线位置对应的水位值的步骤包括:
对矫正后的E字符进行排序;
通过拟合的方式,确定E字符所对应的刻度值;
根据所确定的E字符的刻度值,确定所述水位线位置对应的水位值。
6.根据权利要求1所述的水位尺的水位识别方法,其特征在于,所述方法还包括:
获取水位尺水位图像的第一样本数据,所述第一样本数据包括标定了水位尺所在位置的标定目标框;
将所述第一样本数据输入水位尺定位网络模型,输出所述第一样本数据的识别目标框;
比较所述标定目标框与所述识别目标框的差异,根据所述差异调整所述水位尺定位网络模型的参数,直到两者的差异符合预设要求,得到已训练的水位尺定位网络模型。
7.根据权利要求1所述的水位尺的水位识别方法,其特征在于,所述方法还包括:
获取包括E字符的第二样本数据,所述第二样本数据中包括已确定位置的标定字符;
将所述第二样本数据输入到字符E检测网络模型,输出第二样本数据的识别字符;
比较所述识别字符与所述标定字符的差异,根据所述差异调整所述旁边跳舞E检测网络模型的参数,直到两者的差异符合预设要求,得到已训练的字符E检测网络模型。
8.一种水位尺的水位识别装置,其特征在于,所述水位尺的水位识别装置包括:
待识别图像获取单元,用于获取包括水位尺信息的待识别图像;
目标框识别单元,用于根据已训练的水位尺定位网络模型识别所述待识别图像中的水位尺所在的目标框;
E字符识别单元,用于根据已训练的字符E检测网络模型识别所述目标框中的E字符;
矫正单元,用于根据E字符之间的间隔对所识别的E字符进行矫正;
水位值确定单元,用于根据矫正后的E字符确定水位线位置对应的水位值。
9.一种水位尺的水位识别设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述水位尺的水位识别方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述水位尺的水位识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058235.1A CN111259890A (zh) | 2020-01-19 | 2020-01-19 | 一种水位尺的水位识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058235.1A CN111259890A (zh) | 2020-01-19 | 2020-01-19 | 一种水位尺的水位识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111259890A true CN111259890A (zh) | 2020-06-09 |
Family
ID=70947171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010058235.1A Pending CN111259890A (zh) | 2020-01-19 | 2020-01-19 | 一种水位尺的水位识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259890A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329644A (zh) * | 2020-11-06 | 2021-02-05 | 中冶赛迪重庆信息技术有限公司 | 一种蓄水池水位监测方法、***、介质及电子终端 |
CN112926660A (zh) * | 2021-02-26 | 2021-06-08 | 武汉大学 | 一种端边协同的水位识别***及方法 |
CN112991342A (zh) * | 2021-04-29 | 2021-06-18 | 南京甄视智能科技有限公司 | 基于水位尺图像的水位线检测方法、装置与*** |
CN113221898A (zh) * | 2021-04-16 | 2021-08-06 | 北京科技大学 | 一种自动水位尺读数方法 |
CN113435442A (zh) * | 2021-05-07 | 2021-09-24 | 三峡大学 | 水位测量方法、装置、水尺及电子设备 |
CN113537129A (zh) * | 2021-07-29 | 2021-10-22 | 河南浩宇空间数据科技有限责任公司 | 一种基于机器视觉的水位标尺定位及水位计算方法 |
CN115880683A (zh) * | 2023-03-02 | 2023-03-31 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445239A (zh) * | 2010-09-29 | 2012-05-09 | 联宇工程技术(武汉)有限公司 | 基于多点水位的明渠量水新方法 |
CN103487104A (zh) * | 2013-07-03 | 2014-01-01 | 青岛大学 | 一种细管液面式数据的图像采集识别***及方法 |
US20140267736A1 (en) * | 2013-03-15 | 2014-09-18 | Bruno Delean | Vision based system for detecting a breach of security in a monitored location |
CN107796488A (zh) * | 2017-11-16 | 2018-03-13 | 西安交通大学 | 一种基于运动平台和超声液位传感器的液面晃动实验台 |
CN108549894A (zh) * | 2018-04-03 | 2018-09-18 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习算法的船舶水尺图像自动读数方法 |
CN109522889A (zh) * | 2018-09-03 | 2019-03-26 | 中国人民解放军国防科技大学 | 一种基于图像分析的水文尺水位识别估算方法 |
CN109543596A (zh) * | 2018-11-20 | 2019-03-29 | 浙江大华技术股份有限公司 | 一种水位监测方法、装置、电子设备及存储介质 |
CN110276285A (zh) * | 2019-06-13 | 2019-09-24 | 浙江工业大学 | 一种非受控场景视频中的船舶水尺智能识别方法 |
CN110472636A (zh) * | 2019-07-26 | 2019-11-19 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
-
2020
- 2020-01-19 CN CN202010058235.1A patent/CN111259890A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445239A (zh) * | 2010-09-29 | 2012-05-09 | 联宇工程技术(武汉)有限公司 | 基于多点水位的明渠量水新方法 |
US20140267736A1 (en) * | 2013-03-15 | 2014-09-18 | Bruno Delean | Vision based system for detecting a breach of security in a monitored location |
CN103487104A (zh) * | 2013-07-03 | 2014-01-01 | 青岛大学 | 一种细管液面式数据的图像采集识别***及方法 |
CN107796488A (zh) * | 2017-11-16 | 2018-03-13 | 西安交通大学 | 一种基于运动平台和超声液位传感器的液面晃动实验台 |
CN108549894A (zh) * | 2018-04-03 | 2018-09-18 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习算法的船舶水尺图像自动读数方法 |
CN109522889A (zh) * | 2018-09-03 | 2019-03-26 | 中国人民解放军国防科技大学 | 一种基于图像分析的水文尺水位识别估算方法 |
CN109543596A (zh) * | 2018-11-20 | 2019-03-29 | 浙江大华技术股份有限公司 | 一种水位监测方法、装置、电子设备及存储介质 |
CN110276285A (zh) * | 2019-06-13 | 2019-09-24 | 浙江工业大学 | 一种非受控场景视频中的船舶水尺智能识别方法 |
CN110472636A (zh) * | 2019-07-26 | 2019-11-19 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
Non-Patent Citations (1)
Title |
---|
王周星: "指针式仪表读数自动识别***研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329644A (zh) * | 2020-11-06 | 2021-02-05 | 中冶赛迪重庆信息技术有限公司 | 一种蓄水池水位监测方法、***、介质及电子终端 |
CN112926660A (zh) * | 2021-02-26 | 2021-06-08 | 武汉大学 | 一种端边协同的水位识别***及方法 |
CN113221898A (zh) * | 2021-04-16 | 2021-08-06 | 北京科技大学 | 一种自动水位尺读数方法 |
CN113221898B (zh) * | 2021-04-16 | 2022-02-15 | 北京科技大学 | 一种自动水位尺读数方法 |
CN112991342A (zh) * | 2021-04-29 | 2021-06-18 | 南京甄视智能科技有限公司 | 基于水位尺图像的水位线检测方法、装置与*** |
CN113435442A (zh) * | 2021-05-07 | 2021-09-24 | 三峡大学 | 水位测量方法、装置、水尺及电子设备 |
CN113537129A (zh) * | 2021-07-29 | 2021-10-22 | 河南浩宇空间数据科技有限责任公司 | 一种基于机器视觉的水位标尺定位及水位计算方法 |
CN115880683A (zh) * | 2023-03-02 | 2023-03-31 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259890A (zh) | 一种水位尺的水位识别方法、装置及设备 | |
CN111860489A (zh) | 一种证件图像校正方法、装置、设备及存储介质 | |
CN111047640B (zh) | 容量瓶容积的校准方法、装置、终端设备及存储介质 | |
CN112912932B (zh) | 一种车载摄像头的标定方法、装置及终端设备 | |
CN109828250B (zh) | 一种雷达标定方法、标定装置及终端设备 | |
CN112233076B (zh) | 基于红色圆标靶图像处理的结构振动位移测量方法及装置 | |
CN111325164B (zh) | 指针表示数识别方法、装置和电子设备 | |
CN112254635A (zh) | 体积测量方法、装置及*** | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN111311671B (zh) | 一种工件测量方法、装置、电子设备及存储介质 | |
CN112966711A (zh) | 基于卷积神经网络的指针式仪表示数识别方法及*** | |
CN112489140A (zh) | 姿态测量方法 | |
CN108235777B (zh) | 一种adas摄像头的标定方法、装置、存储介质及终端设备 | |
CN109801428B (zh) | 纸币边缘直线的检测方法、检测装置及终端 | |
CN116819561A (zh) | 一种点云数据匹配方法、***、电子设备及存储介质 | |
CN115239789B (zh) | 用于确定液体体积的方法及装置、存储介质、终端 | |
CN110751141A (zh) | 一种表计读数识别方法、装置、终端设备及存储介质 | |
CN115861443A (zh) | 一种多相机内参标定方法、装置、电子设备及存储介质 | |
CN115829929A (zh) | 产品表面图像的缺陷检测方法、装置、设备及存储介质 | |
CN115546143A (zh) | 定位晶圆的中心点的方法、装置、存储介质以及电子设备 | |
CN111429399A (zh) | 一种直线检测方法及装置 | |
CN115511718A (zh) | Pcb图像校正方法、装置、终端设备和存储介质 | |
CN113780278A (zh) | 一种识别车牌内容的方法、装置、电子设备以及存储介质 | |
CN112146834A (zh) | 结构振动位移测量方法及装置 | |
CN113470103A (zh) | 车路协同中相机作用距离确定方法、装置和路侧设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |
|
RJ01 | Rejection of invention patent application after publication |