[发明专利]一种基于图像识别的智能水位监测方法

说明书

本发明提出了一种基于图像识别的智能水位监测方法，包括：接收由被测区域内摄像设备发送来的图像数据；采用深度神经网络对所述图像数据中的水面以上水尺部分进行检测识别，在此基础上采用图割算法分割出水面以上的水尺图像；根据分割出的水尺图像计算出水面以上的水尺高度，并结合水尺的整体的高度，得到水面以下的水尺高度；获取实际站点水尺底部的高程和水面以下水尺的高度可以计算出水位值。本发明无需人工现场勘测水位，通过远程方式实现图像获取，在本地进行分析处理，计算出水位值，大大减轻了人工作业成本，也提高了测量的精确度。

技术领域

本发明涉及水位监测技术领域，特别涉及一种基于图像识别的智能水位监测方法。

背景技术

水位观测是指对江河、湖泊和地下水等的水位的实地测定。水位资料与人类社会生活和生产关系密切。水利工程的规划、设计、施工和管理需要水位资料。桥梁、港口、航道、给排水等工程建设也需水位资料。防汛抗旱中，水位资料更为重要，它是水文预报和水文情报的依据。水位资料，在水位流量关系的研究中和在河流泥沙、冰情等的分析中都是重要的基本资料。

通常利用水尺测定。水尺是传统的有效的直接观测设备。实测时，水尺上的读数加水尺零点高程即得水位。观测时间和观测次数要适应一日内水位变化的过程，要满足水文预报和水文情报的要求。在一般情况下，日测1～2次。有洪水、结冰、流冰、产生冰坝和有冰雪融水补给河流时，增加观测次数，使测得的结果能完整地反映水位变化的过程。

现有的方式是通过人工现场勘测，这种方式不仅耗费人力，而且也对人身安全存在威胁，并且效率较低。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种基于图像识别的智能水位监测方法。

为了实现上述目的，本发明的实施例提供一种基于图像识别的智能水位监测方法，包括如下步骤：

步骤S1，接收由被测区域内摄像设备发送来的图像数据，其中，所述图像数据中包括水尺图像；

步骤S2，采用深度神经网络对所述图像数据中的水尺进行检测识别，在此基础上采用图割算法分割出水面以上的水尺图像；

步骤S3，根据分割出的水尺图像计算出水面以上的水尺高度，并结合水尺的整体的高度，得到水面以下的水尺高度；

步骤S4，获取实际站点水尺底部的高程和步骤S3中得到的水面以下水尺的高度可以计算出水位值。

进一步，在所述步骤S2中，采用Faster R-CNN算法对所述图像数据中的水尺进行检测识别。

进一步，利用Faster R-CNN算法的特征提取网络，从接收到的图像数据中提取水尺图像的特征，生成特征图；

利用RPN网络作为候选区域网络，在所述特征图上进行处理，输出具有多种尺度和宽高比的矩形目标候选区域；

将特征图和生成的目标候选区域输入分类回归网络，根据候选区域中的特征，输出生成的水尺候选区域的类别和水尺边界框。

进一步，根据预设的感兴趣区域，利用所述感兴趣区域的左上角坐标和右下角坐标作为图割算法的输入坐标，采用图割算法从所述水尺边界框中分割出水面以上的水尺图像，其中，所述感兴趣区域为预设框定水尺的区域。

进一步，所述感兴趣区域的左上角坐标从站点水尺数据表中读取，右下角坐标与所述水尺边界框的左下角坐标一致。

进一步，所述Faster R-CNN算法的特征提取网络采用以下一种：ZF网络、VGG16网络和AlexNet网络。