[发明专利]基于深度学习的水尺E字形刻度识别方法

说明书

本发明涉及一种基于深度学习的水尺E字形刻度识别方法，包括以下步骤：步骤S1：采集水尺图片，并进行标注处理，得到水尺数据集；步骤S2：提取水尺标度E字形数据集；步骤S3:提取水位线数据集；步骤S4:构建以ResNe101为特征提取器的Faster RCNN，并预训练；步骤S5:根据水尺数据集和水尺标度E字形数据集分别训练预训练后的Faster RCNN；步骤S6:构建水位线神经网络模型，并使用水位线数据线进行训练；步骤S7:将待测水尺图片依次输入第一Faster RCNN和第二Faster RCNN，得到水尺上每个完整标度E字形的预测框数据；步骤S8:将得到的水尺上每个完整标度E字形的预测框数据输入训练后的水位线神经网络模型，计算得到水位高度。

技术领域

本发明涉及一种基于深度学习的水尺E字形刻度识别方法。

背景技术

水位是反映水体水情最直观的因素，它的变化主要由于水体水量的增减变化引起的。水位是指自由水面相对于某一基面的高程，水面离河底的距离称水深。水位高于某个特定的高度时，便会有水涝、决堤等灾害。也就是说，这个高度是江河、湖泊、海洋、水库等水体水面高度的安全线，常被称作水位警戒线，不同江河、湖泊、海洋、水库的水位警戒线高度不一。精准、系统地感知水位变化，才能在应对水位变化的过程中趋利避害，采取有效措施调控水位。

水尺是测量水位变化的重要工具，通过摄像头对水尺进行实时监测是现有监测水位的主要方法之一。现已存在的水尺刻度识别方法是通过传统的图像处理手段，与人工设计的图像特征进行比较，从而识别水尺刻度。此传统的水尺刻度识别方法在应用上具有一定的缺点：因是人工设计的图像特征，无法有效地适应自然环境的多样变化，如：水尺倒影过强，水尺上有泥垢等等。针对此方面存在的突出问题,提高水尺刻度识别的精准性，准确地感知水位的变化，是水利管理工作的必然要求。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的水尺E 字形刻度识别方法，以很好的克服传统积水检测方式的缺点，在多变的自然环境(光照、遮挡、扭曲等)下，对水尺刻度的识别依然具有较强的鲁棒性。

为实现上述目的，本发明采用如下技术方案：

一种基于深度学习的水尺E字形刻度识别方法，包括以下步骤：

步骤S1：采集水尺图片，并进行标注处理，得到水尺数据集；

步骤S2：根据得到的水尺数据集，提取水尺标度E字形数据集；

步骤S3:根据得到的水尺数据集，提取水位线数据集；

步骤S4:构建以ResNe101为特征提取器的Faster RCNN，并预训练，得到预训练后的Faster RCNN；

步骤S5:根据水尺数据集和水尺标度E字形数据集分别训练预训练后的FasterRCNN，得到训练后的第一Faster RCNN和第二Faster RCNN；

步骤S6:构建水位线神经网络模型，并使用水位线数据集进行训练，得到训练后的水位线神经网络模型；

步骤S7:将待测水尺图片依次输入第一Faster RCNN和第二Faster RCNN，得到

得到水尺上每个完整标度E字形的预测框数据；

步骤S8:根据得到的水尺上每个完整标度E字形的预测框数据和训练后的水位线神经网络模型，计算得到水位高度。

进一步的，所述水尺图片标注的内容为包围整个水尺的包围盒。

进一步的，所述步骤S2具体为：基于水尺数据集，利用水尺数据集标注的包围盒，将只包含水尺的图片提取出来，作为水尺标度E 字形数据集。