[发明专利]基于位置记录的夜间红外反光水尺检测方法

说明书

本发明提出基于位置记录的夜间红外反光水尺检测方法，采用红外摄像头对水尺进行拍摄，并以神经网络进行水位值识读，包括以下步骤；步骤A1、设定摄像头的复位点，拍摄以获取用于配准的模板图像；所述模板图像用于检测方法中该站点的水尺刻度信息设置；步骤A2、在检测前，先以模板图像对摄像头进行配准；步骤A3、根据配准结果修正拍摄的夜间水尺图像，然后对夜间水尺图像进行图像预处理；步骤A4、把预处理后的夜间水尺图像输入神经网络识读；步骤A5、对步骤A4中的语义分割结果进行筛选修正；步骤A6、对修正后的水尺的语义分割结果进行刻度计算以获得图像中的水位数据；本发明只需进行软件方面的更新，就可以实现水尺检测站点的夜间水尺图像识别。

技术领域

本发明涉及水位观测技术领域，尤其是基于位置记录的夜间红外反光水尺检测方法。

背景技术

在现今常用的水位观测方案，人们往往使用水位计来实现水位的远程和自动化采集，但水位计测量的准确性容易受到水面波动等各种因素的影响，所以实际应用中也会结合其他检测信息来确保水尺检测的准确性。而利用水尺进行水位测量则是一种十分直观和常见的方式。近年来远程监控摄像头已经成为水文检测单位进行水文数据采集的标准配置之一。因监控摄像头技术相对成熟，维护成本低，一些水位监测单位在进行水位测量时，会采取水位计测量结合水尺监控图像读取水位的方式。

随着人工智能及图像识别技术快速发展，基于深度学习的目标识别和图像分割算法也日渐成熟。这使得基于监控图像来进行高精度的自动化水尺检测及水位测量成为可能。

现存的水尺图像检测算法一般分为两类，一类是运用传统图形学算法来进行分割和识别，如利用Canny算子进行图像语义分割；第二类是运用深度学习算法来进行水尺图像的识别，通过水尺的特征或水面的特征确定水位。

然而，现存方案无一例外都要求水尺上的刻度是可见的，就算在夜间场景中，也要求摄像头拍摄的画面接近白天的效果。要达到这种效果，需要摄像头达到星光[1]或黑光级别的拍摄效果，可以对夜晚进行清晰的彩色成像，或者需要增设额外的补光设备。然而这些方案中都没有提出如何对无额外补光的夜间场景下，该如何进行水尺识别。

本发明则旨在提出这样一种基于白天水尺位置记录的，针对无额外可见光补光的，夜间红外反光水尺的识别方法，该方法将会使用到基于深度学习的图像语义分割技术。

发明内容

本发明提出基于位置记录的夜间红外反光水尺检测方法，只需进行软件方面的更新，就可以实现水尺检测站点的夜间水尺图像识别。

本发明采用以下技术方案。

基于位置记录的夜间红外反光水尺检测方法，用于机器视觉在夜间识别水尺的水位值，所述方法采用拍摄设备的红外摄像头对具有红外反光表面的水尺进行拍摄，并以神经网络进行水位值识读，包括以下步骤；

步骤A1、设定摄像头的复位点，并在光线明亮环境下使用摄像头在复位点位置对水尺拍摄以获取用于配准的模板图像；所述模板图像用于检测方法中该站点的水尺刻度信息设置；

步骤A2、在进入夜间前，使用摄像头在复位点位置对水尺拍摄以获取用于配准的目标图像，以先前获取的模板图像为参照，对目标图像进行亮度、白平衡、对比度的调整，然后以调整后的目标图像进行配准计算，获取复位点所拍摄图像的位置偏差值，形成配准结果；

步骤A3、在水尺检测作业中，使用摄像头在复位点位置拍摄夜间的水尺图像，根据配准结果对所拍摄的图像进行偏移修正，并以偏移修正后的图像进行预处理，得到夜间水尺图像ROI区域；

步骤A4、把预处理后的夜间水尺图像ROI区域输入神经网络，神经网络对夜间水尺图像ROI区域进行识读，获得包含水尺的所有反光区域的语义分割结果；

步骤A5、以拍摄设备在白天时对水尺刻度的识别位置记录对步骤A4中的语义分割结果进行筛选修正以判断夜间水尺图像中是否存在水尺，并排除出现于图像内的非水尺区域的识别结果；