CN115761468A - 一种基于图像分割和目标检测技术的水位检测***、方法 - Google Patents
一种基于图像分割和目标检测技术的水位检测***、方法 Download PDFInfo
- Publication number
- CN115761468A CN115761468A CN202211477590.8A CN202211477590A CN115761468A CN 115761468 A CN115761468 A CN 115761468A CN 202211477590 A CN202211477590 A CN 202211477590A CN 115761468 A CN115761468 A CN 115761468A
- Authority
- CN
- China
- Prior art keywords
- water level
- level gauge
- detection
- image
- pixel
- 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
-
- 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
- Image Analysis (AREA)
Abstract
一种基于图像分割和目标检测技术的水位检测***、方法,属于计算机视觉应用的技术领域,通过对分割和检测的结果相互对照,提高精度,利用分割方法对水位尺进行轮廓提取,即使存在遮挡物将水位尺部分遮挡,也能寻找到水位尺的最低点,同时通过分割和检测出完全遮挡水位尺的污渍,有效计算被污渍遮挡的水位尺部分的高度,进而计算出水位尺的完整高度,本发明无需人员维护,便于远程程序升级,减少人力成本,检测精度高,抗干扰能力强。
Description
技术领域
本发明涉及一种基于图像分割和目标检测技术的水位检测***、方法,属于计算机视觉应用的技术领域。
背景技术
随着人工智能的发展,使用智能设备代替人力劳动在各个领域的出现频率逐步增加。本发明主要聚焦于水利行业,由于河流水位存在着变动性和不确定性,通过人力获取水位无法确保及时性和有效性,而出现特殊情况时,通过人力来监测水位也会存在一定的安全隐患。
通过智能产品来实现对水位的检测能极大的解决人工巡查所带来的劳动成本以及一些安全隐患。但是智能设备虽然能解决人工巡查带来的问题,但是由于设备以及特殊环境问题等会造成检测结果的精度不足、抗干扰能力差等问题,而基于视觉的智能产品在水位尺存在遮挡时无法有效读取到当前水位所在的水位刻度。
为此,现有技术公开以下专利文献:
中国专利文献CN112991342A公开一种基于水位尺图像的水位线检测方法,并具体公开:步骤S1、获取在水位检测场景下采集水位尺位置对应的水位图像,并在初始化时,以第一张水位图像I 0作为参考,获取初始化时的水位线实际高度y_t 0;步骤S2、使用水位尺检测模型检测第一张水位图像I 0中的水位尺位置,并裁剪出对应的水位尺图像J 0;步骤S3、使用水位线检测模型检测所述水位尺图像J 0中水位线在水位尺图像J 0中的相对坐标y_p 0;步骤S4、根据水位尺长度M、所述相对坐标y_p 0以及初始化时的水位线实际高度y_t0,获得水位线实际高度与相对坐标的转换率K p的初始值K 0;p表示水位线检测序列,其取值为大于等于0的自然数;p取值为0时表示检测序列的初始化;步骤S5、在后续检测过程中,按照设定的周期获取水位图像,并且针对当前帧的水位图像I n,使用所述水位尺检测模型进行水位尺检测之后,再使用水位线检测模型检测输出水位线相对坐标y_p n,其中n为大于等于1的自然数;步骤S6、基于水位线相对坐标y_p n以及转换率K n-1计算出当前帧的水位图像I n对应的水位线实际高度y_t n。
中国专利文献CN113221898A公开一种自动水位尺读数方法,并具体公开:步骤S1,对刻度尺图像进行预处理,生成二值化图像;其中,刻度尺为水位尺;步骤S2,通过霍夫变换检测二值化图像中刻度尺边缘直线倾斜角度,并根据直线倾斜角度调正图像;步骤S3,在调正后的图像上进行像素级计算,得到刻度尺矩阵;步骤S4,判断刻度尺矩阵是否符合先验知识,若不符合,则对刻度尺矩阵进行修正;步骤S5,基于修正后得到的刻度数据确定刻度尺的读数。
中国专利文献CN109543596A公开一种水位监测方法,并具体公开:步骤S1,将包含水位尺的第一图像输入到预先训练完成的第一卷积神经网络模型中,确定所述第一图像中水位尺预测框的第一位置信息;步骤S2,根据所述第一位置信息,从所述第一图像中提取所述水位尺对应的第二图像,并将所述第二图像输入到预先训练完成的第二卷积神经网络模型中,确定所述第二图像中所述水位尺上的数字预测框的第二位置信息,并根据所述第二位置信息,对每个数字预测框中的数字进行识别;步骤S3,根据识别出的数字,确定水面对应的目标数字,并根据所述目标数字以及所述目标数字的颜色,确定水位高度。
综上看出,目前基于视觉的智能设备在实现水位检测时,需要检测出当前水面所对应的水位尺刻度,而当水位尺刻度存在遮挡时,即无法有效实现水位检测,而依赖于不同图像之间的差异来实现水位检测的方法,其抗干扰能力差,如摄像机存在晃动或角度发生轻微变化时,其检测结果即存在一定的误差。
发明内容
针对现有技术的不足,本发明公开一种基于图像分割和目标检测技术的水位检测***。
本发明还公开一种基于图像分割和目标检测技术的水位检测方法。
本发明针对现有智能设备中存在的精度不足、抗干扰能力差和水位尺存在遮挡时无法获取读数等问题,采用分割技术和目标检测技术结合实现对水位的检测。
本发明详细的技术方案如下:
一种基于图像分割和目标检测技术的水位检测***,其特征在于,包括固定点位摄像机、水位尺、以及部署了基于图像分割和目标检测技术的水位检测算法的平台;所述固定点位摄像机获取水位尺图像后通过无线网络将图像传输到所述平台上,最终得到水位高度。
一种基于图像分割和目标检测技术的水位检测方法,其特征在于,包括:
步骤S1,获取目标场景的可见光图像,所述目标场景中至少包括放置有水位尺的河流;
步骤S2,采用图像分割和检测模型,对所述可见光图像进行处理:
通过所述图像分割得到掩膜图像,
通过所述检测模型得到检测结果,包括水位尺坐标、水位尺刻度的位置坐标、水位尺上的污渍位置坐标及相应的置信度;
所述图像分割和检测模型采用一体式神经网络,也可以采用独立的图像分割网络和目标检测网络,其中图像分割用于将待测图像分割为对应的掩膜图像,所述检测模型用于识别出水位尺坐标、水位尺刻度的位置坐标、水位尺上的污渍位置坐标;所述图像分割和检测模型均为现有技术常规的神经网络模型,只要实现对上述掩膜图像的输出以及目标坐标的输出均为实现本发明的技术特征;
步骤S3,确定水位尺的准确位置,包括两个信息处理路径:
一路通过对所述掩膜图像的标签信息进行筛选,再对筛选后的掩膜图像进行二值化处理,获得二值化掩膜图像,并对应求取二值化掩膜图像对应水位尺的位置坐标信息;
另一路通过获取所述检测结果中的水位尺坐标信息;
将一路所述水位尺的位置坐标与检测结果中置信度大于预设置信度阈值的水位尺位置坐标进行交并比计算,选取交并比最大值所对应的水位尺位置坐标为准确位置;
步骤S4,判断水位尺上是否存在污渍,包括两个信息处理路径:
一路通过对所述掩膜图像的标签信息进行筛选,再对筛选后的掩膜图像进行二值化处理,获得二值化掩膜图像,并对应求取二值化掩膜图像对应污渍的位置坐标信息;
另一路通过获取所述检测结果中的污渍坐标信息;
通过对上述两路中污渍进行对比,判断水位尺上是否存在污渍;
根据水位尺上是否存在污渍求取水位尺的像素高度:
如存在污渍,则水位尺的像素高度为水位尺的像素高度与水位尺上污渍的像素高度之和;
如不存在污渍,则水位尺高度的像素距离即为水位尺的像素高度;
步骤S5,对所述水位尺刻度的位置坐标的检测结果进行筛选和校准,将所有筛选后的数字检测框的中心坐标矫正到同一直线上;对所述矫正后的相邻数字计算其像素距离,对所有的相邻间数字的像素距离进行离群点去除,筛除距离偏差过大的值后求剩余像素距离的平均值;
步骤S6,基于所述水位尺刻度数字间的实际距离,计算像素距离到实际距离的映射关系;对所述水位尺的像素高度进行映射,将水位尺的像素高度映射到实际距离,得到水位尺在水面上的实际高度。
根据本发明优选的,在所述步骤S2中,所述图像分割和检测模型为加载有分割头的YoloV5神经网络模型,以实现分割与检测同时进行;
步骤S2的具体步骤包括:
训练所述图像分割和检测模型、将待测所述可见光图像进行识别并输出结果;
所述训练所述图像分割和检测模型包括步骤S201-步骤S203:
步骤S201,采集不同场景下的水位尺图像,通过标注工具分别进行图像分割标注和目标检测标注,分别生成json类型和xml类型的标注文件;
步骤S202,对所述图像标注文件分别进行处理,对所述json类型的标注文件生成与图像相对应的掩膜图像,对xml类型的标注文件需要生成对应的txt文件;
步骤S203,利用所述不同场景下的水位尺图像及相对应的处理后的标注文件训练所述图像分割和检测模型;
将待测所述可见光图像进行识别并输出结果:
步骤S204,利用训练好的图像分割和检测模型对待测所述可见光图像进行识别,输出与待测所述可见光图像相对应的掩膜图像、水位尺坐标、水位尺刻度的位置坐标和水位尺上的污渍位置坐标。
根据本发明优选的,在所述步骤S3具体包括:
步骤S301,对分割出的掩膜图像利用RGB通道进行筛选,并增加标签信息:为绿色的部位是水位尺,为蓝色的部位是水位尺倒影,为灰色的部位是水位尺与水位衔接处之间的污渍,为红色的部位是水位尺与水位衔接处之间的遮挡物;
步骤S302,对所述筛选后的掩膜图像进行二值化处理,获得二值化的掩膜图像;
步骤S303,对所述二值化后的掩膜图像进行轮廓查找,优选的轮廓查找函数;优选的,所述轮廓查找函数为Opencv中的cv2.findCountours函数;
步骤S304,对所述查找到的轮廓,求其最小外接矩形;
步骤S305,预设噪声点面积阈值:
当计算所述最小外接矩形的面积小于等于所述面积阈值时,则判定为噪声点,删除此处查找到的轮廓;
否则,保存最小外接矩形在掩膜图像中的位置坐标;
步骤S306,预设水位尺置信度阈值;将所述最小外接矩形的位置坐标与检测结果中置信度大于预设水位尺置信度阈值的水位尺位置坐标进行交并比计算,选取交并比最大值所对应的水位尺位置坐标为准确位置。
根据本发明优选的,所述步骤S4中,通过对上述两路中污渍进行对比判断水位尺上是否存在污渍的具体方法包括:
步骤S401,预设污渍置信度阈值;对所述最小外接矩形的位置坐标与检测结果中置信度大于预设污渍置信度阈值的污渍的位置坐标进行交并比计算;
预设第一污渍交并比阈值;当所述交并比大于设定预设第一污渍交并比阈值时,则判断水位尺上在此位置上存在污渍。
根据本发明优选的,所述步骤S4中,通过对上述两路中污渍进行对比判断水位尺上是否存在污渍的具体方法包括:
步骤S402,如两路中一路的结果显示水位尺上存在污渍,则根据污渍位置坐标与水位尺位置坐标计算交并比:
预设第二污渍交并比阈值;当所述交并比大于设定预设第二污渍交并比阈值时,则判断水位尺上在此位置上存在污渍。
根据本发明优选的,在所述步骤S5中,对所述水位尺刻度的位置坐标的检测结果进行筛选和校准的具体步骤包括:
步骤S501,预设刻度置信度阈值;对检测模块检测出水位尺上所有刻度数字的检测框进行筛选:舍弃小于刻度置信度阈值的检测框,舍弃不在水位尺上的检测框;
步骤S502,对所述筛选后的刻度数字检测框的中心坐标进行线性拟合,成为一条拟合直线;
步骤S503,求所述刻度数字检测框的中心坐标到所述拟合直线的投影,以矫正刻度数字检测框的位置;
步骤S504,计算所述矫正刻度数字检测框的中心点之间的像素距离,得到相邻数字的像素距离;
步骤S505,计算所有像素距离的均值;
步骤S506,计算所有像素距离与均值之间的标准差;
步骤S507,当某个像素距离与均值之间的差值大于三倍的标准差σ时该像素距离即为离群点,离群点去除是一种方法,此处的离群点指的是相邻点数字间距离的异常值;
步骤S508,删除所有被判断为离群点的像素距离;
步骤S509,取其余所有相邻数字像素距离的平均值作为最终的像素距离。
根据本发明优选的,在步骤S6中的具体步骤包括:
步骤S601,基于所述水位尺刻度数字间的实际距离,计算像素距离到实际距离的映射关系f=l/c,其中c表示像素距离;l表示水位尺刻度数字间的实际距离,所述像素距离是指重新计算后的平均值;
步骤S602,对所述水位尺的像素高度进行映射,将水位尺的像素高度映射到实际距离,得到水位尺在水面上的实际高度L=f*C,其中f为像素距离到实际距离的映射关系关系;C表示水位尺像素距离,其中,已知水位尺的实际长度,水位尺的实际长度与水位尺在水面上的实际高度L相减即可求得目前水位高度。
与现有技术相比,本发明的优点和积极效果是:
1.分割算法与检测算法之间互相对比,提高水位尺检测的精度。
2.通过水位尺的像素高度映射到实际高度,可以避免因读数不准确造成的检测误差。
3.当水位尺底部存在遮挡物时,水位尺虽读数不可见,但其形状存在一个最低点,因此通过本发明的方法可以最大程度的避免因存在遮挡物造成的无法读数问题。
4.当水位尺上存在污渍时,污渍对水位尺的读数形成完全遮挡,本发明通过对水位尺上的污渍进行检测与像素高度计算解决了因读数不可见产生的检测不准确的问题。
5.本发明结合图像分割和目标检测技术实现水位检测,通过对分割和检测的结果相互对照,提高精度,利用分割方法对水位尺进行轮廓提取,即使存在遮挡物将水位尺部分遮挡,也能寻找到水位尺的最低点,同时通过分割和检测出完全遮挡水位尺的污渍,有效计算被污渍遮挡的水位尺部分的高度,进而计算出水位尺的完整高度,本发明无需人员维护,便于远程程序升级,减少人力成本,检测精度高,抗干扰能力强。
附图说明
图1为本发明所提供的泥水位检测方法方法一种实施例的流程图;
图2为本发明所提供的水位检测方法中目标检测的结果图;
图3为本发明所提供的水位检测方法中图像分割后经过处理的水位尺的掩膜图像;
图4为本发明所提供的水位检测方法中图像分割后经过处理的水位尺倒影的掩膜图像;
图5为本发明所提供的水位检测方法中图像分割后经过处理的污渍的掩膜图像。
具体实施方法
为了使本发明的目的、技术方案及优点更加清楚明白,以下将结合附图和实例,对本发明作进一步详细说明。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“竖”、“横”、“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,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
实施例1、
一种基于图像分割和目标检测技术的水位检测***,包括固定点位摄像机、水位尺、以及部署了基于图像分割和目标检测技术的水位检测算法的平台;所述固定点位摄像机获取水位尺图像后通过无线网络将图像传输到所述平台上,最终得到水位高度。
实施例2、
如图1所示,一种基于图像分割和目标检测技术的水位检测方法,包括:
步骤S1,获取目标场景的可见光图像,所述目标场景中至少包括放置有水位尺的河流;
步骤S2,采用图像分割和检测模型,对所述可见光图像进行处理:
通过所述图像分割得到掩膜图像,
通过所述检测模型得到检测结果,包括水位尺坐标、水位尺刻度的位置坐标、水位尺上的污渍位置坐标及相应的置信度;如图2所示,由上而下所显示的内容解释如下:
“ruler 0.79”表示检测结果为水位尺的置信度为0.79;
“9 0.84”表示检测结果为水位尺刻度9的置信度为0.84;
“8 0.83”表示检测结果为水位尺刻度8的置信度为0.83;
“7 0.71”表示检测结果为水位尺刻度7的置信度为0.71;
“-ruler 0.78”表示检测结果为水位尺倒影的置信度为0.78。
所述图像分割和检测模型采用一体式神经网络,也可以采用独立的图像分割网络和目标检测网络,其中图像分割用于将待测图像分割为对应的掩膜图像,所述检测模型用于识别出水位尺坐标、水位尺刻度的位置坐标、水位尺上的污渍位置坐标;所述图像分割和检测模型均为现有技术常规的神经网络模型,只要实现对上述掩膜图像的输出以及目标坐标的输出均为实现本发明的技术特征;
步骤S3,确定水位尺的准确位置,包括两个信息处理路径:
一路通过对所述掩膜图像的标签信息进行筛选,再对筛选后的掩膜图像进行二值化处理,获得二值化掩膜图像,水位尺的二值化掩膜图像如附图3所示,水位尺倒影的二值化掩膜图像如附图4所示,并对应求取二值化掩膜图像对应水位尺的位置坐标信息;
另一路通过获取所述检测结果中的水位尺坐标信息;
将一路所述水位尺的位置坐标与检测结果中置信度大于预设置信度阈值的水位尺位置坐标进行交并比计算,选取交并比最大值所对应的水位尺位置坐标为准确位置;
步骤S4,判断水位尺上是否存在污渍,包括两个信息处理路径:
一路通过对所述掩膜图像的标签信息进行筛选,再对筛选后的掩膜图像进行二值化处理,获得二值化掩膜图像,如附图5所示,并对应求取二值化掩膜图像对应污渍的位置坐标信息;
另一路通过获取所述检测结果中的污渍坐标信息;
通过对上述两路中污渍进行对比,判断水位尺上是否存在污渍;
根据水位尺上是否存在污渍求取水位尺的像素高度:
如存在污渍,则水位尺的像素高度为水位尺的像素高度与水位尺上污渍的像素高度之和;
如不存在污渍,则水位尺高度的像素距离即为水位尺的像素高度;
步骤S5,对所述水位尺刻度的位置坐标的检测结果进行筛选和校准,将所有筛选后的数字检测框的中心坐标矫正到同一直线上;对所述矫正后的相邻数字计算其像素距离,对所有的相邻间数字的像素距离进行离群点去除,筛除距离偏差过大的值后求剩余像素距离的平均值;
步骤S6,基于所述水位尺刻度数字间的实际距离,计算像素距离到实际距离的映射关系;对所述水位尺的像素高度进行映射,将水位尺的像素高度映射到实际距离,得到水位尺在水面上的实际高度。
实施例3、
如实施例2所述方法,在所述步骤S2中,所述图像分割和检测模型为加载有分割头的YoloV5神经网络模型,以实现分割与检测同时进行;
步骤S2的具体步骤包括:
训练所述图像分割和检测模型、将待测所述可见光图像进行识别并输出结果;
所述训练所述图像分割和检测模型包括步骤S201-步骤S203:
步骤S201,采集不同场景下的水位尺图像,通过标注工具分别进行图像分割标注和目标检测标注,分别生成json类型和xml类型的标注文件;
步骤S202,对所述图像标注文件分别进行处理,对所述json类型的标注文件生成与图像相对应的掩膜图像,对xml类型的标注文件需要生成对应的txt文件;
步骤S203,利用所述不同场景下的水位尺图像及相对应的处理后的标注文件训练所述图像分割和检测模型;
将待测所述可见光图像进行识别并输出结果:
步骤S204,利用训练好的图像分割和检测模型对待测所述可见光图像进行识别,输出与待测所述可见光图像相对应的掩膜图像、水位尺坐标、水位尺刻度的位置坐标和水位尺上的污渍位置坐标。
实施例4、
如实施例2所述方法,在所述步骤S3具体包括:
步骤S301,对分割出的掩膜图像利用RGB通道进行筛选,并增加标签信息:为绿色的部位是水位尺,为蓝色的部位是水位尺倒影,为灰色的部位是水位尺与水位衔接处之间的污渍,为红色的部位是水位尺与水位衔接处之间的遮挡物;
步骤S302,对所述筛选后的掩膜图像进行二值化处理,获得二值化的掩膜图像;
步骤S303,对所述二值化后的掩膜图像进行轮廓查找,优选的轮廓查找函数;优选的,所述轮廓查找函数为Opencv中的cv2.findCountours函数;
步骤S304,对所述查找到的轮廓,求其最小外接矩形;
步骤S305,预设噪声点面积阈值:
当计算所述最小外接矩形的面积小于等于所述面积阈值时,则判定为噪声点,删除此处查找到的轮廓;
否则,保存最小外接矩形在掩膜图像中的位置坐标;
步骤S306,预设水位尺置信度阈值;将所述最小外接矩形的位置坐标与检测结果中置信度大于预设水位尺置信度阈值的水位尺位置坐标进行交并比计算,选取交并比最大值所对应的水位尺位置坐标为准确位置。
实施例5、
如实施例2所述方法,所述步骤S4中,通过对上述两路中污渍进行对比判断水位尺上是否存在污渍的具体方法包括:
步骤S401,预设污渍置信度阈值;对所述最小外接矩形的位置坐标与检测结果中置信度大于预设污渍置信度阈值的污渍的位置坐标进行交并比计算;
预设第一污渍交并比阈值;当所述交并比大于设定预设第一污渍交并比阈值时,则判断水位尺上在此位置上存在污渍。
实施例6、
如实施例2所述方法,所述步骤S4中,通过对上述两路中污渍进行对比判断水位尺上是否存在污渍的具体方法包括:
步骤S402,如两路中一路的结果显示水位尺上存在污渍,则根据污渍位置坐标与水位尺位置坐标计算交并比:
预设第二污渍交并比阈值;当所述交并比大于设定预设第二污渍交并比阈值时,则判断水位尺上在此位置上存在污渍。
实施例7、
如实施例2所述方法,在所述步骤S5中,对所述水位尺刻度的位置坐标的检测结果进行筛选和校准的具体步骤包括:
步骤S501,预设刻度置信度阈值;对检测模块检测出水位尺上所有刻度数字的检测框进行筛选:舍弃小于刻度置信度阈值的检测框,舍弃不在水位尺上的检测框;
步骤S502,对所述筛选后的刻度数字检测框的中心坐标进行线性拟合,成为一条拟合直线;
步骤S503,求所述刻度数字检测框的中心坐标到所述拟合直线的投影,以矫正刻度数字检测框的位置;
步骤S504,计算所述矫正刻度数字检测框的中心点之间的像素距离,得到相邻数字的像素距离;
步骤S505,计算所有像素距离的均值;
步骤S506,计算所有像素距离与均值之间的标准差;
步骤S507,当某个像素距离与均值之间的差值大于三倍的标准差σ时该像素距离即为离群点,离群点去除是一种方法,此处的离群点指的是相邻点数字间距离的异常值;
步骤S508,删除所有被判断为离群点的像素距离;
步骤S509,取其余所有相邻数字像素距离的平均值作为最终的像素距离。
实施例8、
如实施例2所述方法,在步骤S6中的具体步骤包括:
步骤S601,基于所述水位尺刻度数字间的实际距离,计算像素距离到实际距离的映射关系f=l/c,其中c表示像素距离;l表示水位尺刻度数字间的实际距离,所述像素距离是指重新计算后的平均值;
步骤S602,对所述水位尺的像素高度进行映射,将水位尺的像素高度映射到实际距离,得到水位尺在水面上的实际高度L=f*C,其中f为像素距离到实际距离的映射关系关系;C表示水位尺像素距离,其中,已知水位尺的实际长度,水位尺的实际长度与水位尺在水面上的实际高度L相减即可求得目前水位高度。
通过上述实施例对编号为1、2、3、4的水位尺进行算法读数,通过与人工读数对比对应获得绝对误差,参见表1,由此可知,本发明所述检测方法与人工读数的误差较小,满足实际场景需求。
表1水位尺检测结果(读数指水位尺水面上的高度)
编号 | 1 | 2 | 3 | 4 |
人工读数/dm | 41.90 | 15.60 | 18.10 | 11.50 |
算法读数/dm | 42.09 | 16.26 | 18.32 | 11.39 |
绝对误差/dm | 0.19 | 0.46 | 0.22 | 0.11 |
Claims (8)
1.一种基于图像分割和目标检测技术的水位检测***,其特征在于,包括固定点位摄像机、水位尺、以及部署了基于图像分割和目标检测技术的水位检测算法的平台;所述固定点位摄像机获取水位尺图像后通过无线网络将图像传输到所述平台上,最终得到水位高度。
2.如权利要求1所述一种基于图像分割和目标检测技术的水位检测方法,其特征在于,包括:
步骤S1,获取目标场景的可见光图像,所述目标场景中至少包括放置有水位尺的河流;
步骤S2,采用图像分割和检测模型,对所述可见光图像进行处理:
通过所述图像分割得到掩膜图像,
通过所述检测模型得到检测结果,包括水位尺坐标、水位尺刻度的位置坐标、水位尺上的污渍位置坐标及相应的置信度;
步骤S3,确定水位尺的准确位置,包括两个信息处理路径:
一路通过对所述掩膜图像的标签信息进行筛选,再对筛选后的掩膜图像进行二值化处理,获得二值化掩膜图像,并对应求取二值化掩膜图像对应水位尺的位置坐标信息;
另一路通过获取所述检测结果中的水位尺坐标信息;
将一路所述水位尺的位置坐标与检测结果中置信度大于预设置信度阈值的水位尺位置坐标进行交并比计算,选取交并比最大值所对应的水位尺位置坐标为准确位置;
步骤S4,判断水位尺上是否存在污渍,包括两个信息处理路径:
一路通过对所述掩膜图像的标签信息进行筛选,再对筛选后的掩膜图像进行二值化处理,获得二值化掩膜图像,并对应求取二值化掩膜图像对应污渍的位置坐标信息;
另一路通过获取所述检测结果中的污渍坐标信息;
通过对上述两路中污渍进行对比,判断水位尺上是否存在污渍;
根据水位尺上是否存在污渍求取水位尺的像素高度:
如存在污渍,则水位尺的像素高度为水位尺的像素高度与水位尺上污渍的像素高度之和;
如不存在污渍,则水位尺高度的像素距离即为水位尺的像素高度;
步骤S5,对所述水位尺刻度的位置坐标的检测结果进行筛选和校准,将所有筛选后的数字检测框的中心坐标矫正到同一直线上;对所述矫正后的相邻数字计算其像素距离,对所有的相邻间数字的像素距离进行离群点去除,筛除距离偏差过大的值后求剩余像素距离的平均值;
步骤S6,基于所述水位尺刻度数字间的实际距离,计算像素距离到实际距离的映射关系;对所述水位尺的像素高度进行映射,将水位尺的像素高度映射到实际距离,得到水位尺在水面上的实际高度。
3.如权利要求2所述一种基于图像分割和目标检测技术的水位检测方法,其特征在于,在所述步骤S2中,所述图像分割和检测模型为加载有分割头的YoloV5神经网络模型,以实现分割与检测同时进行;
步骤S2的具体步骤包括:
训练所述图像分割和检测模型、将待测所述可见光图像进行识别并输出结果;
所述训练所述图像分割和检测模型包括步骤S201-步骤S203:
步骤S201,采集不同场景下的水位尺图像,通过标注工具分别进行图像分割标注和目标检测标注,分别生成json类型和xml类型的标注文件;
步骤S202,对所述图像标注文件分别进行处理,对所述json类型的标注文件生成与图像相对应的掩膜图像,对xml类型的标注文件需要生成对应的txt文件;
步骤S203,利用所述不同场景下的水位尺图像及相对应的处理后的标注文件训练所述图像分割和检测模型;
将待测所述可见光图像进行识别并输出结果:
步骤S204,利用训练好的图像分割和检测模型对待测所述可见光图像进行识别,输出与待测所述可见光图像相对应的掩膜图像、水位尺坐标、水位尺刻度的位置坐标和水位尺上的污渍位置坐标。
4.如权利要求2所述一种基于图像分割和目标检测技术的水位检测方法,其特征在于,在所述步骤S3具体包括:
步骤S301,对分割出的掩膜图像利用RGB通道进行筛选,并增加标签信息:为绿色的部位是水位尺,为蓝色的部位是水位尺倒影,为灰色的部位是水位尺与水位衔接处之间的污渍,为红色的部位是水位尺与水位衔接处之间的遮挡物;
步骤S302,对所述筛选后的掩膜图像进行二值化处理,获得二值化的掩膜图像;
步骤S303,对所述二值化后的掩膜图像进行轮廓查找,优选的轮廓查找函数;
步骤S304,对所述查找到的轮廓,求其最小外接矩形;
步骤S305,预设噪声点面积阈值:
当计算所述最小外接矩形的面积小于等于所述面积阈值时,则判定为噪声点,删除此处查找到的轮廓;
否则,保存最小外接矩形在掩膜图像中的位置坐标;
步骤S306,预设水位尺置信度阈值;将所述最小外接矩形的位置坐标与检测结果中置信度大于预设水位尺置信度阈值的水位尺位置坐标进行交并比计算,选取交并比最大值所对应的水位尺位置坐标为准确位置。
5.如权利要求2所述一种基于图像分割和目标检测技术的水位检测方法,其特征在于,所述步骤S4中,通过对上述两路中污渍进行对比判断水位尺上是否存在污渍的具体方法包括:
步骤S401,预设污渍置信度阈值;对所述最小外接矩形的位置坐标与检测结果中置信度大于预设污渍置信度阈值的污渍的位置坐标进行交并比计算;
预设第一污渍交并比阈值;当所述交并比大于设定预设第一污渍交并比阈值时,则判断水位尺上在此位置上存在污渍。
6.如权利要求2所述一种基于图像分割和目标检测技术的水位检测方法,其特征在于,所述步骤S4中,通过对上述两路中污渍进行对比判断水位尺上是否存在污渍的具体方法包括:
步骤S402,如两路中一路的结果显示水位尺上存在污渍,则根据污渍位置坐标与水位尺位置坐标计算交并比:
预设第二污渍交并比阈值;当所述交并比大于设定预设第二污渍交并比阈值时,则判断水位尺上在此位置上存在污渍。
7.如权利要求2所述一种基于图像分割和目标检测技术的水位检测方法,其特征在于,在所述步骤S5中,对所述水位尺刻度的位置坐标的检测结果进行筛选和校准的具体步骤包括:
步骤S501,预设刻度置信度阈值;对检测模块检测出水位尺上所有刻度数字的检测框进行筛选:舍弃小于刻度置信度阈值的检测框,舍弃不在水位尺上的检测框;
步骤S502,对所述筛选后的刻度数字检测框的中心坐标进行线性拟合,成为一条拟合直线;
步骤S503,求所述刻度数字检测框的中心坐标到所述拟合直线的投影,以矫正刻度数字检测框的位置;
步骤S504,计算所述矫正刻度数字检测框的中心点之间的像素距离,得到相邻数字的像素距离;
步骤S505,计算所有像素距离的均值;
步骤S506,计算所有像素距离与均值之间的标准差;
步骤S507,当某个像素距离与均值之间的差值大于三倍的标准差σ时该像素距离即为离群点;
步骤S508,删除所有被判断为离群点的像素距离;
步骤S509,取其余所有相邻数字像素距离的平均值作为最终的像素距离。
8.如权利要求2所述一种基于图像分割和目标检测技术的水位检测方法,其特征在于,在步骤S6中的具体步骤包括:
步骤S601,基于所述水位尺刻度数字间的实际距离,计算像素距离到实际距离的映射关系f=l/c,其中c表示像素距离;l表示水位尺刻度数字间的实际距离;
步骤S602,对所述水位尺的像素高度进行映射,将水位尺的像素高度映射到实际距离,得到水位尺在水面上的实际高度L=f*C,其中f为像素距离到实际距离的映射关系关系;C表示水位尺像素距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211477590.8A CN115761468A (zh) | 2022-11-23 | 2022-11-23 | 一种基于图像分割和目标检测技术的水位检测***、方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211477590.8A CN115761468A (zh) | 2022-11-23 | 2022-11-23 | 一种基于图像分割和目标检测技术的水位检测***、方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761468A true CN115761468A (zh) | 2023-03-07 |
Family
ID=85336324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211477590.8A Pending CN115761468A (zh) | 2022-11-23 | 2022-11-23 | 一种基于图像分割和目标检测技术的水位检测***、方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761468A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953454A (zh) * | 2023-03-10 | 2023-04-11 | 武汉大水云科技有限公司 | 基于图像复原的水位获取方法、装置、设备及存储介质 |
-
2022
- 2022-11-23 CN CN202211477590.8A patent/CN115761468A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953454A (zh) * | 2023-03-10 | 2023-04-11 | 武汉大水云科技有限公司 | 基于图像复原的水位获取方法、装置、设备及存储介质 |
CN115953454B (zh) * | 2023-03-10 | 2023-05-05 | 武汉大水云科技有限公司 | 基于图像复原的水位获取方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN109443480B (zh) | 基于图像处理的水位标尺定位及水位测量方法 | |
CN109543596B (zh) | 一种水位监测方法、装置、电子设备及存储介质 | |
CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及*** | |
CN110310255B (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN108985305B (zh) | 一种激光蚀刻工业***编码图像定位及校正方法 | |
CN110647795A (zh) | 一种表格识别方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN110838097A (zh) | 一种基于机器视觉的输送带偏移测量方法 | |
CN106709952B (zh) | 一种显示屏幕的自动标定方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN111932504A (zh) | 一种基于边缘轮廓信息的亚像素定位方法及装置 | |
CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
CN115761468A (zh) | 一种基于图像分割和目标检测技术的水位检测***、方法 | |
CN113592839A (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及*** | |
CN112686872B (zh) | 基于深度学习的木材计数方法 | |
CN113989482A (zh) | 一种基于图像处理的光学合像水平仪自动读数识别方法 | |
CN112036391B (zh) | 一种基于页岩气田生产站场的电子巡检方法及*** | |
CN116259008A (zh) | 一种基于计算机视觉的水位实时监测方法 | |
CN114638805B (zh) | 一种轨道板裂缝检测方法、***及存储介质 | |
CN112541943A (zh) | 一种基于视觉路标的机器人定位方法 | |
CN114862761A (zh) | 电力变压器液位检测方法、装置、设备及存储介质 | |
CN113610940B (zh) | 基于海洋矢量文件和影像通道阈值的临海区域匀色方法 |
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 |