[发明专利]一种基于深度学习的水尺自动读数方法

说明书

本发明公开了一种基于深度学习的水尺自动读数方法，该方法通过基于深度学习的目标检测模型YOLO v3对原始图像中的水尺目标进行定位，精确地提取出水尺目标区域；通过自上而下地连续阈值判定的搜索策略有效消除局部噪声的影响；通过基于深度学习的目标检测模型YOLO v3定位水尺图像中所有刻度字符，并裁剪出最下方的刻度字符，输入到基于卷积神经网络的字符识别模型中，获取该刻度字符表示的实际数值，通过该刻度字符的实际数值与水位线位置之间的计算获取最终水位高程。优点是：提升了水位持续监测的效率和读数精度，有效避免了已有自动水位监测方法利用图像处理技术、数学形态学处理等定位水尺的场景适应性不好、通用性不强等问题。

技术领域

本发明涉及水位测量技术领域，尤其涉及一种基于深度学习的水尺自动读数方法。

背景技术

随着深度学习和图像处理理论和技术的日趋成熟，人工智能技术在很多领域表现出前所未有的优势，例如医学影像、自动驾驶、人脸识别等，极大提升了人们生产效率。现有基于视频图像的水位测量方法主要采用图像处理技术及数学形态学变换识别水尺读数，这些方法在简单、特定的场景中能够表现出良好的性能，但是，一旦切换场景，这些方法就会失效，场景适应性不好且存在通用性不强的问题。

发明内容

本发明的目的在于提供一种基于深度学习的水尺自动读数方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于深度学习的水尺自动读数方法，包括如下步骤，

S1、利用图像标注软件对收集到的包含水尺的图像样本进行处理，生成水尺图像样本数据集，利用图像数据集训练基于深度学习的目标检测模型，并利用训练好的目标检测模型对输入的视频帧图像中的水尺目标进行定位，获取水尺目标的边界框预测参数，基于水尺目标的边界框预测参数，从视频帧图像中裁剪出水尺区域，得到水尺区域的RGB彩色图像，即水尺图像；

S2、对水尺图像进行倾斜校正；

S3、对校正后的水尺图像进行预处理，并识别预处理后的水尺图像中的水位线位置；

S4、根据提取出的水尺图像制作水尺刻度字符数据集，基于该数据集训练基于深度学习的目标检测模型，并利用训练好的目标检测模型定位水尺图像中的所有刻度字符；

S5、搭建并训练字符识别模型，并利用训练好的字符识别模型识别所有刻度字符中位于最下方的刻度字符所表示的实际数值；

S6、根据最下方刻度字符所表示的实际数值与水位线位置之间的像素距离，获取最终的水位高程。

优选的，步骤S1具体包括如下内容，

S11、通过互联网下载和实地拍摄两种方式采集包含水尺目标的图像样本；

S12、采用LabelImg标注工具用最小外接矩形将图像样本中的每个水尺目标框住，生成相应的XML格式的标签文件，即水尺图像样本数据集；

S13、基于Tensorflow深度学习框架搭建目标检测模型YOLO v3，并利用水尺图像样本数据集训练目标检测模型YOLO v3；

S14、训练过程中，设置batch size为16，采用Adam优化器，超参均为默认值，初始学习率为0.001，每当验证集损失在10个epoch后仍不下降，此时将学习率降低至原来的十分之一，总迭代步数设置为200000步；

S15、采用精确度和漏检率作为评价指标，评价目标检测模型YOLO v3的性能，当精确度和漏检率达到第一预设标准时，则表示目标检测模型YOLO v3训练完成；

S16、利用训练好的YOLO v3模型自动对视频帧图像中的水尺目标进行定位，获取水尺目标的边界框预测参数；