CN113315954B - 一种基于深度学习的水尺智能识别方法 - Google Patents
一种基于深度学习的水尺智能识别方法 Download PDFInfo
- Publication number
- CN113315954B CN113315954B CN202110638327.1A CN202110638327A CN113315954B CN 113315954 B CN113315954 B CN 113315954B CN 202110638327 A CN202110638327 A CN 202110638327A CN 113315954 B CN113315954 B CN 113315954B
- Authority
- CN
- China
- Prior art keywords
- delta
- control module
- shooting
- central control
- water gauge
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
- H04N23/675—Focus control based on electronic image sensor signals comprising setting of focusing regions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/71—Circuitry for evaluating the brightness variation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/72—Combination of two or more compensation controls
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/95—Computational photography systems, e.g. light-field imaging systems
- H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及一种基于深度学习的水尺智能识别方法包括步骤1:利用视频拍摄装置对河道中的水尺进行拍摄,用以获取自然场景下水尺的实时图像,中控模块将图像数据输送至客户端服务器上;步骤2:所述中控模块将水尺图像输入至客户端服务器上的一体化水尺识别网络上进行训练;步骤3:所述中控模块将水尺图像输入到训练好的一体化水尺识别网络上进行识别,所述一体化水尺识别网络通过水尺的上端和水位线的边缘计算得到准确的水位高度;通过该方法可以有效减少所述视频拍摄装置拍摄的水尺图像会受到光照影响、图像噪声多、目标不明显、拍摄图像不清晰和解决现有的大量深度学习网络需要大量训练样本且网络复杂,难以直接应用到水利领域的问题。
Description
技术领域
本发明属于机器视觉检测领域,具体涉及一种基于深度学习的水尺智能识别方法。
背景技术
在河流、湖泊等地建立视频监控***,能大大加速了水利信息化建设的步伐。一般来说传统水位测量方式主要有安装水尺目测读数和使用传感器自动采集水位相关的模拟量再转换为水位量两种。其中目测测量方式效率低、及时性差以及恶劣情况下无法读取,而使用传感器测量方式成本高、难以维护、受环境影响大。通过视觉处理技术可以实时观测水库的情况,提供直观的图像信息,同时可以改善测量工作人员的工作环境,做到无人值守。
水利视频监控采集的视频图像信息,利用图像处理算法对水利视频监控图像进行水位提取比人工检测更直观,也更节省人力成本。在依靠传统机器视觉的水尺识别算法中,会受到光照影响明显,图像噪声多,目标不明显或拍摄图像不清晰等特点。同时由于当前安防摄像头大部分均由云台控制等功能,在摄像头受到环境影响产生抖动、视角被调离水尺区域或云台自动巡航时,图像处理得到水尺位置的方法会直接失效。现有人工智能算法广泛应用在各种工业领域,例如无人驾驶、人脸识别和工业检测等。然而,现有的大量深度学习网络需要大量训练样本且网络复杂,难以直接应用到水利领域。
发明内容
为此,本发明提供一种基于深度学习的水尺智能识别方法,用以克服现有技术中传统机器视觉的水尺识别算法中,会受到光照影响明显、图像噪声多、目标不明显、图像不清晰和的现有的大量深度学习网络需要大量训练样本且网络复杂,难以直接应用到水利领域问题。
为实现上述目的,本发明提供一种基于深度学习的水尺智能识别方法,包括,
步骤1:利用视频拍摄装置对河道中的水尺进行拍摄,用以获取自然场景下水尺的实时图像,中控模块将图像数据输送至客户端服务器上;
步骤2:所述中控模块将水尺图像输入至客户端服务器上的一体化水尺识别网络上进行训练;
步骤3:所述中控模块将水尺图像输入到在训练好的一体化水尺识别网络上进行识别,所述一体化水尺识别网络通过水尺的上端和水位线的边缘计算得到准确的水位高度;
所述中控模块预设有视频拍摄装置拍摄的标准水尺图像参数,标准水尺图像参数包括,标准拍摄距离S0,标准摄像头伸出长度W,标准拍摄亮度范围F0,标准拍摄焦距范围E0,标准图像清晰度范围N0,对于标准拍摄亮度范围F0,设定F0(Fmin,Fmax),其中,Fmin表示标准拍摄亮度范围最小值,Fmax表示标准拍摄亮度范围最大值,对于标准拍摄焦距范围E0,设定E0(Emin,Emax),其中,Emin表示标准拍摄焦距范围最小值,Emax表示标准拍摄焦距范围最大值,对于标准图像清晰度范围N0,设定N0(Nmin,Nmax),其中,Nmin表示标准图像清晰度范围最小值,Nmax表示标准图像清晰度范围最大值,所述中控模块根据拍摄距离S选取对应的标准拍摄亮度范围F0、标准拍摄焦距范围E0和标准图像清晰度范围N0;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块完成对所述标准拍摄亮度范围F0、标准拍摄焦距范围E0和标准拍摄图像清晰度范围N0的确定时,所述视频拍摄装置进行对水尺进行拍摄时,所述中控模块检测视频拍摄装置的实际拍摄亮度F,当时,所述中控模块判定所述拍摄亮度不符合拍摄标准,若F>Fmax,所述中控模块根据F与Fmax之间的差值控制所述视频拍摄装置将补光量减小至对应值以使实际拍摄亮度在标准拍摄亮度范围内,若F<Fmin,所述中控模块根据F与Fmin之间的差值控制所述视频拍摄装置将补光量增加至对应值以使实际拍摄亮度在标准拍摄亮度范围内,当F∈F0时,所述中控模块判定所述拍摄亮度符合拍摄标准并检测视频拍摄装置的实际拍摄焦距E,若所述中控模块判定所述拍摄焦距不符合拍摄标准,若E>Emax,所述中控模块根据E与Emax之间的差值控制所述视频拍摄装置将拍摄焦距减小至对应值以使实际拍摄焦距在标准拍摄焦距范围内,若E<Emin,所述中控模块根据E与Emin之间的差值控制所述视频拍摄装置将拍摄焦距增加至对应值以使所述实际拍摄焦距在标准拍摄焦距范围内,当E∈E0时,中控模块判定所述拍摄焦距符合拍摄标准;当F∈F0和E∈E0时,所述中控模块检测所述视频拍摄装置拍摄的水尺图像实际清晰度N,当时,所述中控模块判定所述视频拍摄装置拍摄的水尺图像清晰度不达标,若N>Nmax,所述中控模块控制所述视频拍摄装置减小摄像头伸出长度到对应值以使所述视频拍摄装置拍摄的水尺图像实际清晰度在标准拍摄图像清晰度范围内,若N<Nmin,所述中控模块控制所述视频拍摄装置增加摄像头伸出长度到对应值以使所述视频拍摄装置拍摄的实际水尺图像清晰度在标准拍摄图像清晰度范围内,当F∈F0且E∈E0且N∈N0,所述中控模块则判定所述视频拍摄装置拍摄的水尺图像达标。
进一步地,所述中控模块中预设有第一水域浑浊程度R1,第二水域浑浊程度R2,第三水域浑浊程度R3,第四水域浑浊程度R4,第一拍摄距离S1,第二拍摄距离S2,第三拍摄距离S3,第四拍摄距离S4,所述中控模块根据实际水域浑浊程度选择对应拍摄距离,当所述水域浑浊程度为Ri时,设定i=1,2,3,4,所述中控模块将所述的拍摄距离选取为Si。
进一步地,所述中控模块预设有第一拍摄亮度差值△F1、第二拍摄亮度差值△F2、第三拍摄亮度差值△F3、第四拍摄亮度差值△F4、第一补光量调节系数α1、第二补光量调节系数α2、第三补光量调节系数α3和第四补光量调节系数α4;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块根据检测的实际拍摄亮度F并将实际拍摄亮度F与所述标准拍摄亮度范围F0作比对;
当F>Fmax时,所述中控模块根据所述实际拍摄亮度与所述标准拍摄亮度范围最大值Fmax的差值△F选取对应的补光量调节系数调节拍摄亮度,设定△F=F-Fmax;
当△F1<△F≤△F2时,所述中控模块选取第一补光量调节系数α1控制视频拍摄装置减小补光量至对应值;
当△F2<△F≤△F3时,所述中控模块选取第二补光量调节系数α2控制视频拍摄装置减小补光量至对应值;
当△F3<△F≤△F4时,所述中控模块选取第三补光量调节系数α3控制视频拍摄装置减小补光量至对应值;
当△F>△F4时,所述中控模块选取第四补光量调节系数α4控制视频拍摄装置减小补光量至对应值;
当F<Fmin时,所述中控模块根据所述实际拍摄亮度与所述标准拍摄亮度范围最小值Fmin的差值△F’选取对应的补光量调节系数调节拍摄亮度,设定△F’=Fmin-F;
当△F1<△F’≤△F2时,所述中控模块选取第一补光量调节系数α1控制视频拍摄装置增大补光量至对应值;
当△F2<△F’≤△F3时,所述中控模块选取第二补光量调节系数α2控制视频拍摄装置增大补光量至对应值;
当△F3<△F’≤△F4时,所述中控模块选取第三补光量调节系数α3控制视频拍摄装置增大补光量至对应值;
当△F’>△F4时,所述中控模块选取第四补光量调节系数α4控制视频拍摄装置增大补光量至对应值。
进一步地,所述中控模块预设有第一拍摄焦距差值△E1、第二拍摄焦距差值△E2、第三拍摄焦距差值△E3、第四拍摄焦距差值△E4、第一焦距调节系数β1、第二焦距调节系数β2、第三焦距调节系数β3和第四焦距调节系数β4;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块检测视频拍摄装置的实际拍摄亮度F,当F∈F0时,所述中控模块判定所述拍摄亮度符合拍摄标准并检测视频拍摄装置的实际拍摄焦距E,若E∈E0,所述中控模块判定拍摄焦距符合标准,若且E>Emax,所述中控模块判定拍摄焦距不符合标准并计算实际拍摄焦距E与所述标准拍摄焦距范围最大值Emax的差值△E以选取对应的焦距调节系数调节拍摄焦距至对应值,设定△E=E-Emax;
当△E1<△E≤△E2时,所述中控模块选取第一焦距调节系数β1控制视频拍摄装置减小拍摄焦距至对应值;
当△E2<△E≤△E3时,所述中控模块选取第二焦距调节系数β2控制视频拍摄装置减小拍摄焦距至对应值;
当△E3<△E≤△E4时,所述中控模块选取第三焦距调节系数β3控制视频拍摄装置减小拍摄焦距至对应值;
当△E>△E4时,所述中控模块选取第四焦距调节系数β4控制视频拍摄装置减小拍摄焦距至对应值;
当△E1<△E’≤△E2时,所述中控模块选取第一焦距调节系数β1控制视频拍摄装置增大拍摄焦距至对应值;
当△E2<△E’≤△E3时,所述中控模块选取第二焦距调节系数β2控制视频拍摄装置增大拍摄焦距至对应值;
当△E3<△E’≤△E4时,所述中控模块选取第三焦距调节系数β3控制视频拍摄装置增大拍摄焦距至对应值;
当△E’>△E4时,所述中控模块选取第四焦距调节系数β4控制视频拍摄装置增大拍摄焦距至对应值。
进一步地,所述中控模块还设有第一图像清晰度差值△N1、第二图像清晰度差值△N2、第三图像清晰度差值△N3、第四图像清晰度差值△N4、第一摄像头伸出长度调节量△W1、第二摄像头伸出长度调节量△W2、第三摄像头伸出长度调节量△W3和第四摄像头伸出长度调节量△W4;
所述视频拍摄装置标准摄像头伸出长度为W,当F∈F0且E∈E0时,所述中控模块检测拍摄图像的实际清晰度N,若N∈N0,所述中控模块判定所述视频拍摄装置拍摄的水尺图像的清晰度符合标准,若所述中控模块将图像的实际清晰度N与标准图像清晰度范围做比对,当N>Nmax时,所述中控模块计算图像的实际清晰度N与标准图像清晰度最大值Nmax的差值△N并根据该差值选取对应的摄像头伸出长度调节量以将摄像头伸出长度调节至对应值,设定△N=N-Nmax;
当△N1<△N≤△N2时,所述中控模块选取第一摄像头伸出长度调节量△W1减小摄像头伸出长度至对应值;
当△N2<△N≤△N3时,所述中控模块选取第二摄像头伸出长度调节量△W2减小摄像头伸出长度至对应值;
当△N3<△N≤△N4时,所述中控模块选取第三摄像头伸出长度调节量△W3减小摄像头伸出长度至对应值;
当△N≥△N4时,所述中控模块选取第四摄像头伸出长度调节量△W4减小摄像头伸出长度至对应值;
当N<Nmin时,所述中控模块计算实际图像清晰度N与标准图像清晰度最小值Nmin的差值△N’并根据该差值选取对应的摄像头伸出长度调节量以将摄像头伸出长度调节至对应值,设定△N’=Nmax-N;
当△N1<△N’≤△N2时,所述中控模块选取第一摄像头伸出长度调节量△W1增加摄像头伸出长度至对应值;
当△N2<△N’≤△N3时,所述中控模块选取第二摄像头伸出长度调节量△W2增加摄像头伸出长度至对应值;
当△N3<△N’≤△N4时,所述中控模块选取第三摄像头伸出长度调节量△W3增加摄像头伸出长度至对应值;
当△N’≥△N4时,所述中控模块选取第四摄像头伸出长度调节量△W4增加摄像头伸出长度至对应值。
进一步地,所述中控模块在所述视频拍摄装置在水域浑浊程度R1和拍摄距离S1拍摄水尺图像并在检测时间T内,所述中控模块检测实际拍摄亮度F、实际拍摄焦距E和实际图像清晰度N,当F∈F0且E∈E0且N∈N0时,所述中控模块判定所述视频拍摄装置拍摄的水尺图像可以用于输送至客户端服务器。
进一步地,所述中控模块还预设有最大调节次数Y0,当所述中控模块对所述视频拍摄装置进行调节时,中控模块将针对视频拍摄装置的调节次数记为Y,当中控模块完成对所述视频拍摄装置的i次调节时,设定i=1,2,3,4,...,n,所述中控模块设定Y=i,当中控模块判定实际调节次数Y=Y0且或或时,所述中控模块将向客户端服务器发送警报信号。
进一步地,所述一体化水尺识别网络包括,
水尺定位网络,包括特征提取层和全连接层,特征提取层用以分类和识别水尺特征区域,全连层用以从原始图像中提取水尺特征区域并作为输入水尺图像且输出为水尺区域从而得到水尺区域图像;
水位识别网络,其将所述水尺定位网络中输出的水尺区域图像进行标记并将标记后的水位区域图像和原始水尺区域图像作为输入水尺图像,使用全卷积网络进行分类得到水尺轮廓并进行边缘提取获得原始图像的水位线,同时为了降低水尺识别网络的模型参数,将水尺识别网络中的普通卷积替换为高频和低频卷积融合操作,设定,融合操作公式定义如下:
水尺标注数据迁移网络,包括循环对抗生成网络,所述中控模块将视频拍摄装置采集的具有水位标注的白天水尺图像数据和晚上没有水位标注的水尺图像作为训练样本,放入循环对抗生成网络进行训练,当所述循环对抗生成网络训练好后,所述中控模块输入白天水尺图像数据时,对抗生成网络输出对应的夜晚水尺图像;
进一步地,对所述融合操作具体如下,
fH->H为对融合操作的输入高频部分进行卷积操作,fL->H为对融合操作的输入低频部分先进行卷积操作然后上采用卷积操作,fL->L为对融合操作的输入低频部分进行卷积操作,fH->L为对融合操作的输入高频部分先进行平均pooling操作然后卷积操作。
进一步地,处理算法软件安装在所述客户端服务器上,用户通过搭建的客户端界面对客户端服务器中数据进行访问。
与现有技术相比,本发明的有益效果在于,通过利用本发明所述的一种基于深度学习的水尺智能识别方法,所述中控模块预设有标准视频拍摄装置拍摄水尺图像参数,所述标准视频拍摄装置获取水尺图像清晰度参数包括拍摄距离S0,摄像头伸出长度W,标准拍摄亮度范围F0,标准拍摄焦距范围E0,标准拍摄图像清晰度范围N0,所述中控模块根据拍摄距离选取对应的拍摄亮度范围F0、标准拍摄焦距范围E0和标准拍摄图像清晰度范围N0;通过精确选择标准拍摄亮度范围F0、标准拍摄焦距范围E0和标准拍摄图像清晰度范围N0,可以有效减少所述视频拍摄装置拍摄的水尺图像会受到光照影响、图像噪声多、目标不明显、拍摄图像不清晰和解决现有的大量深度学习网络需要大量训练样本且网络复杂,难以直接应用到水利领域的问题。
进一步地,所述中控模块预设有水域浑浊程度和预设拍摄距离,当所述视频拍摄装置拍摄水尺图像时,所述中控根据不同的水域浑浊程度选择不同的拍摄距离,通过这种方式可以有效减少受到光照影响明显的问题。
进一步地,所述中控模块预设有拍摄亮度差值,当所述视频拍摄装置拍摄水尺图像时,所述中控模块根据实时检测到的拍摄亮度并将实际拍摄亮度与所述标准拍摄亮度范围F0作比对,当时,所述中控模块所述拍摄亮度不符合拍摄标准并计算拍摄亮度差值,所述中控模块根据不同的拍摄亮度差值选择增大或减少补光量,通过精准的控制拍摄亮度可以有效减少受到光照影响明显和怕死和图像不清晰的问题。
进一步地,所述中控模块预设有拍摄焦距差值,当F∈F0时,所述中控模块判定所述拍摄亮度符合拍摄标准并检测视频拍摄装置的拍摄焦距,若所述中控模块判定所述拍摄焦距不符合拍摄标准并计算拍摄焦距差值,所述中控模块根据不同的拍摄焦距差值选择增大或减小拍摄焦距,通过精准的控制拍摄焦距可以有效减少受到光照影响明显和拍摄图像不清晰的问题。
进一步地,所述中控模块预设有图像清晰度差值和摄像头伸出长度调节量,当F∈F0和F∈E0时,所述中控模块检测所述视频拍摄装置拍摄的水尺图像清晰度N,当时,所述中控模块判定所述视频拍摄装置拍摄的水尺图像清晰度不达标并计算图像清晰度差值,所述中控模块根据不同的图像清晰度差值选择不同的摄像头伸出长度调节量调节摄像头伸出长度,通过精准的控制摄像头伸出长度可以有效减少受到光照影响明显、图像噪声多、目标不明显、图像不清晰的问题。
进一步地,所述中控模块还设有最大调节次数,当所述中控模块对所述视频拍摄装置的调节次数达到最大调节次数时,所述中控模块向客户的客户端服务器发送警报信号以提醒拍摄图像清晰度异常,可以有效减少有效减少受到光照影响明显、图像噪声多、目标不明显、图像不清晰的问题。
进一步地,所述一体化水尺识别网络包括,水尺定位网络、水位识别网络和水尺标注数据迁移网络,通过将将水尺网络中的普通卷积替换为高频和低频卷积融合操作并具体提出融合操作的操作方法,可以有效解决现有的大量深度学习网络需要大量训练样本且网络复杂,难以直接应用到水利领域的问题。
附图说明
图1为本发明所述一种基于深度学习的水尺智能识别方法的流程示意图;
图2为本发明所述一种基于深度学习的水尺智能识别方法采集的水尺图像数据示意图;
图3为本发明所述一种基于深度学习的水尺智能识别方法得到的相应水尺示意图;
图4本发明所述一种基于深度学习的水尺智能识别方法分割相应水尺区域示意图;
图5本发明所述一种基于深度学习的水尺智能识别方法水尺标注数据迁移网络结构示意图;
图6本发明所述一种基于深度学习的水尺智能识别方法得到的水位高度示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1-6所示,一种基于深度学习的水尺智能识别方法,其特征在于,包括,
步骤1:利用视频检测对河道中的水尺进行拍摄,获取自然场景下水尺的实时图像。图像数据通过5G信号输到客户端服务器上,通过搭建客户端界面对客户端服务器中数据进行访问,处理算法软件安装在客户端服务器上。图2为采集的水尺图像数据。
步骤2:将水尺图像输入到客户端服务器上的一体化水尺识别网络上进行训练。其中一体化水尺识别网络包括,
水尺定位网络,它的输入为水尺图像,输出为水尺区域,所述水尺定位网络包括特征提取层和全连接层,特征提取层包括多个特征提取分支对不同尺度的水尺进行进行分类和识别,其识别到的水尺特征区域,经过最后全连层中从原始图像中提取出来,从而实现对水尺的准确定位,得到水尺区域图像。水尺定位网络可以选用计算机视觉中常用网络,例如yolov3,所述水尺定位网络的输入为采集的水尺原始图像,水尺为矩形框。训练好的水尺定位网络具备水尺定位能力。图3为得到的相应水尺区域。
水位识别网络,由于在自然场景中,水位往往会受到各种因素影响,导致波动很大。本发明设计了基于全卷积的水位识别网络,网络的输入为上一步骤定位到的水尺区域图像,输出为水尺区域。水位识别网络结构采用计算机视觉中采用的目标分割网络,为了降低水尺识别的网络模型参数,将水位识别网络中的普通卷积替换为高频和低频卷积融合操作。融合操作公式定义如下:
其中公式1和2中的四种操作分别定义如下:
fH->H为对融合操作的输入高频部分进行卷积操作。fL->H为对融合操作的输入低频部分先进行卷积操作然后上采用操作。fL->L为对融合操作的输入低频部分进行卷积操作。fH->L为对融合操作的输入高频部分先进行平均pooling操作然后卷积操作。通过上述公式可以看到,相比于常规卷积,融合操作将输入分为高频和低频分别处理,可以大大减少网络参数量。训练好的水位识别网络具备水尺分割能力。如图4,黑色区域为图3中相应水尺分割后的结果,下端为水位轮廓线。
水尺标注数据迁移网络,当自然场景光照变化时,例如利用白天标注的水尺数据进行水位识别网络训练,当测试数据为夜晚水尺数据,水位识别网络往往会失效,因此一般需要重新标记数据。为了减少水位识别网络的标记成本,提出了一种水尺标注数据迁移网络,水尺标注数据迁移网络的结构如图5所示。首先对建立循环对抗生成网络,然后将采集的大量具有水位标注的白天水尺图像数据和晚上没有水位标注的水尺图像作为训练样本对,放入循环对抗生成网络网络进行训练。当网络训练好后,输入单张白天水尺图像,对抗生成网络输出对应的夜晚水尺图像。循环对抗生成网络可以选用计算机视觉中常用网络,例如cycleGAN,当要检测晚上的采集的水尺图像中水位位置时,传统方法需要晚上的水尺图像进行水位标注。但是通过本发明只需要利用循环对抗生成网络,将待检测晚上采集的水尺图像据转换为生成的白天水尺图像,将生成的白天水尺图像输入到水位识别网络中进行测试。因此通过上述方法,能够在只标注白天水尺图像情况下,减少晚上水尺图像的标注,这样能大大提高网络的泛化能力。
步骤3:将水尺图像输入到在训练好的一体化水尺识别网络上进行识别,通过水尺的上端和水位线的边缘计算得到准确的水位高度。图6中黑色矩形中的白色直线代表了图像空间中水位高度。
所述中控模块预设有视频拍摄装置拍摄的标准水尺图像参数,标准水尺图像参数包括,标准拍摄距离S0,标准摄像头伸出长度W,标准拍摄亮度范围F0,标准拍摄焦距范围E0,标准图像清晰度范围N0,对于标准拍摄亮度范围F0,设定F0(Fmin,Fmax),其中,Fmin表示标准拍摄亮度范围最小值,Fmax表示标准拍摄亮度范围最大值,对于标准拍摄焦距范围E0,设定E0(Emin,Emax),其中,Emin表示标准拍摄焦距范围最小值,Emax表示标准拍摄焦距范围最大值,对于标准图像清晰度范围N0,设定N0(Nmin,Nmax),其中,Nmin表示标准图像清晰度范围最小值,Nmax表示标准图像清晰度范围最大值,所述中控模块根据拍摄距离S选取对应的标准拍摄亮度范围F0、标准拍摄焦距范围E0和标准图像清晰度范围N0;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块完成对所述标准拍摄亮度范围F0、标准拍摄焦距范围E0和标准拍摄图像清晰度范围N0的确定时,所述视频拍摄装置进行对水尺进行拍摄时,所述中控模块检测视频拍摄装置的实际拍摄亮度F,当时,所述中控模块判定所述拍摄亮度不符合拍摄标准,若F>Fmax,所述中控模块根据F与Fmax之间的差值控制所述视频拍摄装置将补光量减小至对应值以使实际拍摄亮度在标准拍摄亮度范围内,若F<Fmin,所述中控模块根据F与Fmin之间的差值控制所述视频拍摄装置将补光量增加至对应值以使实际拍摄亮度在标准拍摄亮度范围内,当F∈F0时,所述中控模块判定所述拍摄亮度符合拍摄标准并检测视频拍摄装置的实际拍摄焦距E,若所述中控模块判定所述拍摄焦距不符合拍摄标准,若E>Emax,所述中控模块根据E与Emax之间的差值控制所述视频拍摄装置将拍摄焦距减小至对应值以使实际拍摄焦距在标准拍摄焦距范围内,若E<Emin,所述中控模块根据E与Emin之间的差值控制所述视频拍摄装置将拍摄焦距增加至对应值以使所述实际拍摄焦距在标准拍摄焦距范围内,当E∈E0时,中控模块判定所述拍摄焦距符合拍摄标准;当F∈F0和E∈E0时,所述中控模块检测所述视频拍摄装置拍摄的水尺图像实际清晰度N,当时,所述中控模块判定所述视频拍摄装置拍摄的水尺图像清晰度不达标,若N>Nmax,所述中控模块控制所述视频拍摄装置减小摄像头伸出长度到对应值以使所述视频拍摄装置拍摄的水尺图像实际清晰度在标准拍摄图像清晰度范围内,若N<Nmin,所述中控模块控制所述视频拍摄装置增加摄像头伸出长度到对应值以使所述视频拍摄装置拍摄的实际水尺图像清晰度在标准拍摄图像清晰度范围内,当F∈F0且E∈E0且N∈N0,所述中控模块则判定所述视频拍摄装置拍摄的水尺图像达标。
具体而言,所述所述中控模块中设有第一水域浑浊程度R1,第二水域浑浊程度R2,第三水域浑浊程度R3,第四水域浑浊程度R4,第一拍摄距离S1,第二拍摄距离S2,第三拍摄距离S3,第四拍摄距离S4,所述中控模块根据实际水域浑浊程度选择对应拍摄距离,当所述水域浑浊程度为Ri时,设定i=1,2,3,4,所述中控模块将所述的拍摄距离选取为Si。
具体而言,所述中控模块预设有第一拍摄亮度差值△F1、第二拍摄亮度差值△F2、第三拍摄亮度差值△F3、第四拍摄亮度差值△F4、第一补光量调节系数α1、第二补光量调节系数α2、第三补光量调节系数α3和第四补光量调节系数α4;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块根据检测的实时拍摄亮度F并将实际拍摄亮度F与所述标准拍摄亮度范围F0作比对;
当F>Fmax时,所述中控模块根据所述实际拍摄亮度F与所述标准拍摄亮度范围最大值Fmax的差值△F选取对应的补光量调节系数调节拍摄亮度,设定△F=F-Fmax;
当△F1<△F≤△F2时,所述中控模块选取第一补光量调节系数α1控制视频拍摄装置减小补光量至对应值;
当△F2<△F≤△F3时,所述中控模块选取第二补光量调节系数α2控制视频拍摄装置减小补光量至对应值;
当△F3<△F≤△F4时,所述中控模块选取第三补光量调节系数α3控制视频拍摄装置减小补光量至对应值;
当△F>△F4时,所述中控模块选取第四补光量调节系数α4控制视频拍摄装置减小补光量至对应值;
当F<Fmin时,所述中控模块根据所述实际拍摄亮度与所述标准拍摄亮度范围最小值Fmin的差值△F’选取对应的补光量调节系数调节拍摄亮度,设定△F’=Fmin-F;
当△F1<△F’≤△F2时,所述中控模块选取第一补光量调节系数α1控制视频拍摄装置增大补光量至对应值;
当△F2<△F’≤△F3时,所述中控模块选取第二补光量调节系数α2控制视频拍摄装置增大补光量至对应值;
当△F3<△F’≤△F4时,所述中控模块选取第三补光量调节系数α3控制视频拍摄装置增大补光量至对应值;
当△F’>△F4时,所述中控模块选取第四补光量调节系数α4控制视频拍摄装置增大补光量至对应值。
具体而言,所述中控模块预设有第一拍摄焦距差值△E1、第二拍摄焦距差值△E2、第三拍摄焦距差值△E3、第四拍摄焦距差值△E4、第一焦距调节系数β1、第二焦距调节系数β2、第三焦距调节系数β3和第四焦距调节系数β4;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块检测视频拍摄装置的实际拍摄亮度F,当F∈F0时,所述中控模块判定所述拍摄亮度符合拍摄标准并检测视频拍摄装置的实际拍摄焦距E,若E∈E0,所述中控模块判定拍摄焦距符合标准,若且E>Emax,所述中控模块判定拍摄焦距不符合标准并计算实际拍摄焦距E与所述标准拍摄焦距范围最大值Emax的差值△E以选取对应的焦距调节系数调节拍摄焦距至对应值,设定△E=E-Emax;
当△E1<△E≤△E2时,所述中控模块选取第一焦距调节系数β1控制视频拍摄装置减小拍摄焦距至对应值;
当△E2<△E≤△E3时,所述中控模块选取第二焦距调节系数β2控制视频拍摄装置减小拍摄焦距至对应值;
当△E3<△E≤△E4时,所述中控模块选取第三焦距调节系数β3控制视频拍摄装置减小拍摄焦距至对应值;
当△E>△E4时,所述中控模块选取第四焦距调节系数β4控制视频拍摄装置减小拍摄焦距至对应值;
当△E1<△E’≤△E2时,所述中控模块选取第一焦距调节系数β1控制视频拍摄装置增大拍摄焦距至对应值;
当△E2<△E’≤△E3时,所述中控模块选取第二焦距调节系数β2控制视频拍摄装置增大拍摄焦距至对应值;
当△E3<△E’≤△E4时,所述中控模块选取第三焦距调节系数β3控制视频拍摄装置增大拍摄焦距至对应值;
当△E’>△E4时,所述中控模块选取第四焦距调节系数β4控制视频拍摄装置增大拍摄焦距至对应值。
具体而言,所述中控模块还设有第一图像清晰度差值△N1、第二图像清晰度差值△N2、第三图像清晰度差值△N3、第四图像清晰度差值△N4、第一摄像头伸出长度调节量△W1、第二摄像头伸出长度调节量△W2、第三摄像头伸出长度调节量△W3和第四摄像头伸出长度调节量△W4;
所述视频拍摄装置标准摄像头伸出长度为W,当F∈F0且E∈E0时,所述中控模块检测拍摄图像的实际清晰度N,若N∈N0,所述中控模块判定所述视频拍摄装置拍摄的水尺图像的清晰度符合标准,若所述中控模块将图像实际的清晰度N与标准图像清晰度范围做比对,当N>Nmax时,所述中控模块计算图像实际的清晰度N与标准图像清晰度最大值Nmax的差值△N并根据该差值选取对应的摄像头伸出长度调节量以将摄像头伸出长度调节至对应值,设定△N=N-Nmax;
当△N1<△N≤△N2时,所述中控模块选取第一摄像头伸出长度调节量△W1减小摄像头伸出长度至对应值;
当△N2<△N≤△N3时,所述中控模块选取第二摄像头伸出长度调节量△W2减小摄像头伸出长度至对应值;
当△N3<△N≤△N4时,所述中控模块选取第三摄像头伸出长度调节量△W3减小摄像头伸出长度至对应值;
当△N≥△N4时,所述中控模块选取第四摄像头伸出长度调节量△W4减小摄像头伸出长度至对应值;
当N<Nmin时,所述中控模块计算实际图像清晰度N与标准图像清晰度最小值Nmin的差值△N’并根据该差值选取对应的摄像头伸出长度调节量以将摄像头伸出长度调节至对应值,设定△N’=Nmax-N;
当△N1<△N’≤△N2时,所述中控模块选取第一摄像头伸出长度调节量△W1增加摄像头伸出长度至对应值;
当△N2<△N’≤△N3时,所述中控模块选取第二摄像头伸出长度调节量△W2增加摄像头伸出长度至对应值;
当△N3<△N’≤△N4时,所述中控模块选取第三摄像头伸出长度调节量△W3增加摄像头伸出长度至对应值;
当△N’≥△N4时,所述中控模块选取第四摄像头伸出长度调节量△W4增加摄像头伸出长度值对应值。
具体而言,所述中控模块在所述视频拍摄装置在水域浑浊程度R1和拍摄距离S1拍摄水尺图像并在检测时间T内,所述中控模块检测实际拍摄亮度F、实际拍摄焦距E和图像实际清晰度N,当F∈F0且E∈E0且N∈N0时,所述中控判定所述视频拍摄装置拍摄的水尺图像可以用于输送至客户端服务器。
具体而言,所述中控模块还预设有最大调节次数Y0,当所述中控模块对所述视频拍摄装置进行调节时,中控模块将针对视频拍摄装置的调节次数记为Y,当中控模块完成对所述视频拍摄装置的i次调节时,设定i=1,2,3,4,...,n,所述中控模块设定Y=i,当中控模块判定实际调节次数Y=Y0且或或时,所述中控模块将向客户端服务器发送警报信号。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的水尺智能识别方法,其特征在于,包括,
步骤1:利用视频拍摄装置对河道中的水尺进行拍摄,用以获取自然场景下水尺的实时图像,中控模块将图像数据输送至客户端服务器上;
步骤2:所述中控模块将水尺图像输入至客户端服务器上的一体化水尺识别网络上进行训练;
步骤3:所述中控模块将水尺图像输入到训练好的一体化水尺识别网络上进行识别,所述一体化水尺识别网络通过水尺的上端和水位线的边缘计算得到准确的水位高度;
所述一体化水尺识别网络包括水尺定位网络、水位识别网络和水尺标注数据迁移网络;
所述水尺标注数据迁移网络包括循环对抗生成网络,所述中控模块将视频拍摄装置采集的具有水位标注的白天水尺图像数据和晚上没有水位标注的水尺图像作为训练样本,放入循环对抗生成网络进行训练,将待检测晚上采集的水尺图像据转换为生成的白天水尺图像,将生成的白天水尺图像输入到水位识别网络中进行测试;
所述中控模块预设有视频拍摄装置拍摄的标准水尺图像参数,标准水尺图像参数包括,标准拍摄距离S0,标准摄像头伸出长度W,标准拍摄亮度范围F0,标准拍摄焦距范围E0,标准图像清晰度范围N0,对于标准拍摄亮度范围F0,设定F0(Fmin,Fmax),其中,Fmin表示标准拍摄亮度范围最小值,Fmax表示标准拍摄亮度范围最大值,对于标准拍摄焦距范围E0,设定E0(Emin,Emax),其中,Emin表示标准拍摄焦距范围最小值,Emax表示标准拍摄焦距范围最大值,对于标准图像清晰度范围N0,设定N0(Nmin,Nmax),其中,Nmin表示标准图像清晰度范围最小值,Nmax表示标准图像清晰度范围最大值,所述中控模块根据拍摄距离S选取对应的标准拍摄亮度范围F0、标准拍摄焦距范围E0和标准图像清晰度范围N0;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块完成对所述标准拍摄亮度范围F0、标准拍摄焦距范围E0和标准拍摄图像清晰度范围N0的确定时,所述视频拍摄装置进行对水尺进行拍摄时,所述中控模块检测视频拍摄装置的实际拍摄亮度F,当F∉F0时,所述中控模块判定所述拍摄亮度不符合拍摄标准,若F>Fmax,所述中控模块根据F与Fmax之间的差值控制所述视频拍摄装置将补光量减小至对应值以使实际拍摄亮度在标准拍摄亮度范围内,若F<Fmin,所述中控模块根据F与Fmin之间的差值控制所述视频拍摄装置将补光量增加至对应值以使实际拍摄亮度在标准拍摄亮度范围内,当F∈F0时,所述中控模块判定所述拍摄亮度符合拍摄标准并检测视频拍摄装置的实际拍摄焦距E,若E∉E0,所述中控模块判定所述拍摄焦距不符合拍摄标准,若E>Emax,所述中控模块根据E与Emax之间的差值控制所述视频拍摄装置将拍摄焦距减小至对应值以使实际拍摄焦距在标准拍摄焦距范围内,若E<Emin,所述中控模块根据E与Emin之间的差值控制所述视频拍摄装置将拍摄焦距增加至对应值以使所述实际拍摄焦距在标准拍摄焦距范围内,当E∈E0时,中控模块判定所述拍摄焦距符合拍摄标准;当F∈F0和E∈E0时,所述中控模块检测所述视频拍摄装置拍摄的水尺图像实际清晰度N,当N∉N0时,所述中控模块判定所述视频拍摄装置拍摄的水尺图像清晰度不达标,若N>Nmax,所述中控模块控制所述视频拍摄装置减小摄像头伸出长度到对应值以使所述视频拍摄装置拍摄的水尺图像实际清晰度在标准拍摄图像清晰度范围内,若N<Nmin,所述中控模块控制所述视频拍摄装置增加摄像头伸出长度到对应值以使所述视频拍摄装置拍摄的实际水尺图像清晰度在标准拍摄图像清晰度范围内,当F∈F0且E∈E0且N∈N0,所述中控模块则判定所述视频拍摄装置拍摄的水尺图像达标;
所述中控模块中设有第一水域浑浊程度R1,第二水域浑浊程度R2,第三水域浑浊程度R3,第四水域浑浊程度R4,第一拍摄距离S1,第二拍摄距离S2,第三拍摄距离S3,第四拍摄距离S4,所述中控模块根据实际水域浑浊程度选择对应拍摄距离,当所述水域浑浊程度为Ri时,设定i=1,2,3,4,所述中控模块将所述的拍摄距离选取为Si。
2.根据权利要求1所述的一种基于深度学习的水尺智能识别方法,其特征在于,所述中控模块预设有第一拍摄亮度差值△F1、第二拍摄亮度差值△F2、第三拍摄亮度差值△F3、第四拍摄亮度差值△F4、第一补光量调节系数α1、第二补光量调节系数α2、第三补光量调节系数α3和第四补光量调节系数α4;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块根据检测的实际拍摄亮度F并将实际拍摄亮度F与所述标准拍摄亮度范围F0作比对;
当F>Fmax时,所述中控模块根据所述实际拍摄亮度F与所述标准拍摄亮度范围最大值Fmax的差值△F选取对应的补光量调节系数调节拍摄亮度,设定△F=F-Fmax;
当△F1<△F≤△F2时,所述中控模块选取第一补光量调节系数α1控制视频拍摄装置减小补光量至对应值;
当△F2<△F≤△F3时,所述中控模块选取第二补光量调节系数α2控制视频拍摄装置减小补光量至对应值;
当△F3<△F≤△F4时,所述中控模块选取第三补光量调节系数α3控制视频拍摄装置减小补光量至对应值;
当△F>△F4时,所述中控模块选取第四补光量调节系数α4控制视频拍摄装置减小补光量至对应值;
当F<Fmin时,所述中控模块根据所述实际拍摄亮度与所述标准拍摄亮度范围最小值Fmin的差值△F’选取对应的补光量调节系数调节拍摄亮度,设定△F’=Fmin-F;
当△F1<△F’≤△F2时,所述中控模块选取第一补光量调节系数α1控制视频拍摄装置增大补光量至对应值;
当△F2<△F’≤△F3时,所述中控模块选取第二补光量调节系数α2控制视频拍摄装置增大补光量至对应值;
当△F3<△F’≤△F4时,所述中控模块选取第三补光量调节系数α3控制视频拍摄装置增大补光量至对应值;
当△F’>△F4时,所述中控模块选取第四补光量调节系数α4控制视频拍摄装置增大补光量至对应值。
3.根据权利要求2所述的一种基于深度学习的水尺智能识别方法,其特征在于,所述中控模块预设有第一拍摄焦距差值△E1、第二拍摄焦距差值△E2、第三拍摄焦距差值△E3、第四拍摄焦距差值△E4、第一焦距调节系数β1、第二焦距调节系数β2、第三焦距调节系数β3和第四焦距调节系数β4;
当所述视频拍摄装置拍摄水尺图像时,所述中控模块检测视频拍摄装置的实际拍摄亮度F,当F∈F0时,所述中控模块判定所述拍摄亮度符合拍摄标准并检测视频拍摄装置的实际拍摄焦距E,若E∈E0,所述中控模块判定拍摄焦距符合标准,若E∉E0且E>Emax,所述中控模块判定拍摄焦距不符合标准并计算实际拍摄焦距E与所述标准拍摄焦距范围最大值Emax的差值△E以选取对应的焦距调节系数调节拍摄焦距至对应值,设定△E=E-Emax;
当△E1<△E≤△E2时,所述中控模块选取第一焦距调节系数β1控制视频拍摄装置减小拍摄焦距至对应值;
当△E2<△E≤△E3时,所述中控模块选取第二焦距调节系数β2控制视频拍摄装置减小拍摄焦距至对应值;
当△E3<△E≤△E4时,所述中控模块选取第三焦距调节系数β3控制视频拍摄装置减小拍摄焦距至对应值;
当△E>△E4时,所述中控模块选取第四焦距调节系数β4控制视频拍摄装置减小拍摄焦距至对应值;
当E∉E0且E<Emin时,所述中控模块判定拍摄焦距不符合标准并计算实际拍摄焦距E与所述标准拍摄焦距范围最小值Emin的差值△E’以选取对应的焦距调节系数调节拍摄焦距至对应值,设定△E’=Emin-E;
当△E1<△E’≤△E2时,所述中控模块选取第一焦距调节系数β1控制视频拍摄装置增大拍摄焦距至对应值;
当△E2<△E’≤△E3时,所述中控模块选取第二焦距调节系数β2控制视频拍摄装置增大拍摄焦距至对应值;
当△E3<△E’≤△E4时,所述中控模块选取第三焦距调节系数β3控制视频拍摄装置增大拍摄焦距至对应值;
当△E’>△E4时,所述中控模块选取第四焦距调节系数β4控制视频拍摄装置增大拍摄焦距至对应值。
4.根据权利要求3所述的一种基于深度学习的水尺智能识别方法,其特征在于,所述中控模块还设有第一图像清晰度差值△N1、第二图像清晰度差值△N2、第三图像清晰度差值△N3、第四图像清晰度差值△N4、第一摄像头伸出长度调节量△W1、第二摄像头伸出长度调节量△W2、第三摄像头伸出长度调节量△W3和第四摄像头伸出长度调节量△W4;
所述视频拍摄装置标准摄像头伸出长度为W,当F∈F0且E∈E0时,所述中控模块检测拍摄图像的实际清晰度N,若N∈N0,所述中控模块判定所述视频拍摄装置拍摄的水尺图像的清晰度符合标准,若N∉N0,所述中控模块将图像的实际清晰度N与标准图像清晰度范围做比对,当N>Nmax时,所述中控模块计算图像的实际清晰度N与标准图像清晰度最大值Nmax的差值△N并根据该差值选取对应的摄像头伸出长度调节量以将摄像头伸出长度调节至对应值,设定△N=N-Nmax;
当△N1<△N≤△N2时,所述中控模块选取第一摄像头伸出长度调节量△W1减小摄像头伸出长度至对应值;
当△N2<△N≤△N3时,所述中控模块选取第二摄像头伸出长度调节量△W2减小摄像头伸出长度至对应值;
当△N3<△N≤△N4时,所述中控模块选取第三摄像头伸出长度调节量△W3减小摄像头伸出长度至对应值;
当△N≥△N4时,所述中控模块选取第四摄像头伸出长度调节量△W4减小摄像头伸出长度至对应值;
当N<Nmin时,所述中控模块计算实际图像清晰度N与标准图像清晰度最小值Nmin的差值△N’并根据该差值选取对应的摄像头伸出长度调节量以将摄像头伸出长度调节至对应值,设定△N’=Nmax-N;
当△N1<△N’≤△N2时,所述中控模块选取第一摄像头伸出长度调节量△W1增加摄像头伸出长度至对应值;
当△N2<△N’≤△N3时,所述中控模块选取第二摄像头伸出长度调节量△W2增加摄像头伸出长度至对应值;
当△N3<△N’≤△N4时,所述中控模块选取第三摄像头伸出长度调节量△W3增加摄像头伸出长度至对应值;
当△N’≥△N4时,所述中控模块选取第四摄像头伸出长度调节量△W4增加摄像头伸出长度至对应值。
5.根据权利要求4所述的一种基于深度学习的水尺智能识别方法,其特征在于,所述中控模块在所述视频拍摄装置在水域浑浊程度R1和拍摄距离S1拍摄水尺图像并在检测时间T内,所述中控模块检测实际拍摄亮度F、实际拍摄焦距E和图像实际清晰度N,当F∈F0且E∈E0且N∈N0时,所述中控模块判定所述视频拍摄装置拍摄的水尺图像可以用于输送至客户端服务器。
6.根据权利要求5所述的一种基于深度学习的水尺智能识别方法,其特征在于,所述中控模块还预设有最大调节次数Y0,当所述中控模块对所述视频拍摄装置进行调节时,中控模块将针对视频拍摄装置的调节次数记为Y,当中控模块完成对所述视频拍摄装置的i次调节时,设定i=1,2,3,4,...,n,所述中控模块设定Y=i,当中控模块判定实际调节次数Y=Y0且F∉F0或E∉E0或N∉N0时,所述中控模块将向客户端服务器发送警报信号。
7.根据权利要求1所述的一种基于深度学习的水尺智能识别方法,其特征在于,所述一体化水尺识别网络包括,
水尺定位网络,包括特征提取层和全连接层,特征提取层用以分类和识别水尺特征区域,全连层用以从原始图像中提取水尺特征区域并作为输入水尺图像且输出为水尺区域从而得到水尺区域图像;
水位识别网络,其将所述水尺定位网络中输出的水尺区域图像进行标记并将标记后的水位区域图像和原始水尺区域图像作为输入水尺图像,使用全卷积网络进行分类得到水尺轮廓并进行边缘提取获得原始图像的水位线,同时为了降低水尺识别网络的模型参数,将水尺识别网络中的普通卷积替换为高频和低频卷积融合操作,设定,融合操作公式定义如下:
其中为融合操作的输入,代表输入的高频部分, 代表输入的低频部分,为融合操作的输出,代表输出的高频部分,代表输出的低频部分,融合操作为全卷积网络的替代;
水尺标注数据迁移网络,包括循环对抗生成网络,所述中控模块将视频拍摄装置采集的具有水位标注的白天水尺图像数据和晚上没有水位标注的水尺图像作为训练样本,放入循环对抗生成网络进行训练,当所述循环对抗生成网络训练好后,所述中控模块输入白天水尺图像数据时,对抗生成网络输出对应的夜晚水尺图像;
具体融合操作如下,
为对融合操作的输入高频部分进行卷积操作,为对融合操作的输入低频部分先进行卷积操作然后上采样 操作,为对融合操作的输入低频部分进行卷积操作,为对融合操作的输入高频部分先进行平均pooling操作然后卷积操作。
8.根据权利要求1所述的一种基于深度学习的水尺智能识别方法,其特征在于,处理算法软件安装在所述客户端服务器上,用户通过搭建的客户端界面对客户端服务器中数据进行访问。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638327.1A CN113315954B (zh) | 2021-06-08 | 2021-06-08 | 一种基于深度学习的水尺智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638327.1A CN113315954B (zh) | 2021-06-08 | 2021-06-08 | 一种基于深度学习的水尺智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113315954A CN113315954A (zh) | 2021-08-27 |
CN113315954B true CN113315954B (zh) | 2023-04-07 |
Family
ID=77377617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638327.1A Active CN113315954B (zh) | 2021-06-08 | 2021-06-08 | 一种基于深度学习的水尺智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113315954B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117048773A (zh) * | 2023-08-01 | 2023-11-14 | 黄岛检验认证有限公司 | 自动追踪水尺补光双轴摄像头及水尺观测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105120167A (zh) * | 2015-08-31 | 2015-12-02 | 广州市幸福网络技术有限公司 | 一种证照相机及证照拍摄方法 |
CN109508630A (zh) * | 2018-09-27 | 2019-03-22 | 杭州朗澈科技有限公司 | 一种基于人工智能识别水尺水位的方法 |
CN209448813U (zh) * | 2019-04-16 | 2019-09-27 | 清华大学 | 一种水下拍摄装置 |
CN111738324A (zh) * | 2020-06-12 | 2020-10-02 | 汕头大学 | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 |
CN112507997A (zh) * | 2021-02-08 | 2021-03-16 | 之江实验室 | 一种基于多尺度卷积和感受野特征融合的人脸超分辨*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10929708B2 (en) * | 2018-12-10 | 2021-02-23 | International Business Machines Corporation | Deep learning network for salient region identification in images |
-
2021
- 2021-06-08 CN CN202110638327.1A patent/CN113315954B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105120167A (zh) * | 2015-08-31 | 2015-12-02 | 广州市幸福网络技术有限公司 | 一种证照相机及证照拍摄方法 |
CN109508630A (zh) * | 2018-09-27 | 2019-03-22 | 杭州朗澈科技有限公司 | 一种基于人工智能识别水尺水位的方法 |
CN209448813U (zh) * | 2019-04-16 | 2019-09-27 | 清华大学 | 一种水下拍摄装置 |
CN111738324A (zh) * | 2020-06-12 | 2020-10-02 | 汕头大学 | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 |
CN112507997A (zh) * | 2021-02-08 | 2021-03-16 | 之江实验室 | 一种基于多尺度卷积和感受野特征融合的人脸超分辨*** |
Also Published As
Publication number | Publication date |
---|---|
CN113315954A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107315095B (zh) | 基于视频处理的具有光照适应性的多车辆自动测速方法 | |
CN109711353B (zh) | 一种基于机器视觉的船舶吃水线区域识别方法 | |
CN108759973A (zh) | 一种水位测量方法 | |
CN113315954B (zh) | 一种基于深度学习的水尺智能识别方法 | |
CN108921165A (zh) | 基于水尺图像的水位识别方法 | |
CN107038444A (zh) | 一种指针式表盘的图像识别方法 | |
CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及*** | |
CN115060343B (zh) | 一种基于点云的河流水位检测***、检测方法 | |
CN113609901A (zh) | 一种输变电设备故障监测方法及*** | |
CN111476785B (zh) | 基于位置记录的夜间红外反光水尺检测方法 | |
CN108510539A (zh) | 一种基于图像分析的煤炭产量监测方法 | |
CN116310845A (zh) | 一种用于污水处理的智能监测*** | |
CN117036993A (zh) | 一种基于无人机的船舶水尺远程测量方法 | |
CN115546235A (zh) | 一种基于图像分割的水位识别方法、***及存储介质 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
CN116047112A (zh) | 测量流体表面流速的方法、装置及存储介质 | |
CN109409402A (zh) | 一种基于暗通道先验直方图的图像污染检测方法及*** | |
CN115760850B (zh) | 一种利用机器视觉的无标尺识别水位的方法 | |
CN115493740B (zh) | 利用机器视觉测量水轮机内部流道压力脉动的方法及*** | |
CN113822104B (zh) | 基于多候选虚拟标尺的人工智能水面检测*** | |
CN115880594A (zh) | 一种基于无人机视觉感知和深度学习的堤坝裂缝智能检测方法 | |
CN110887488A (zh) | 一种无人驾驶碾压机定位方法 | |
Zheng et al. | Automatic Digital Recognition of Multiple Electricity Dashboards | |
CN112884778B (zh) | 一种鲁棒机器视觉目标识别分割方法及*** | |
CN118097474B (zh) | 一种基于图像分析的地物信息采集识别*** |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220523 Address after: 100036 Beijing city Haidian District Cuiwei Road No. 3 Applicant after: Beijing Smart Water Development Research Institute Address before: 100036 Beijing city Haidian District Cuiwei Road No. 3 Applicant before: Beijing Water Conservancy Automation Inst. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |