本发明涉及深度学习算法在计算机视觉领域的应用,具体是指基于深度神经网络,自动识别图片中水尺位置及刻度的方法。
背景技术:
水位是河流湖库的基本水文要素之一,由于城市及灌区对于供水量、暴雨及洪水流量、径流泥沙及养分输移率等信息通常均需要根据水位测量值求得,因此连续可靠的水位监测对于流域水资源管理与综合治理具有重要意义。
当前,水利行业监测水位的方法除了人工检测外,还有自动水位计检测,自动水位计检测主要包括浮子式、压力式、超声波式及雷达式等,以及会采用传统的图像识别方法对水位进行监测。
这些方法在监控时存在诸多缺陷,比如人工监测,存在安全问题,劳动强度大且自动化程度低;各种自动水位计成本高,易受环境影响,维护成本较高;而传统的图像识别方法对每个摄像头的安装角度和位置要求较高,适应性较差。
技术实现要素:
针对现有技术存在的不足,本发明的目的在于提供一种基于人工智能识别水尺水位的方法,解决现有自动水位计成本高并且精度易受环境影响,以及传统图像识别方法灵活度较低的缺点。
该方法根据已经安装的摄像头获取大量水尺图像数据进行训练,由于训练数据全部来自已有的实际场景,加之深度学习算法固有的可迁移和泛化能力,所以对新安装的现场环境有很好的适应性,几乎可以做到安装摄像头即可使用,无需专业技术调试,且后期升级只需要替换预训练的模型算法即可,前期安装和后期维护都很简单。
该方法通过简单的图像处理后使用预训练的人工智能算法模型检测水位尺上数字和刻度,在经过误差校正算法校正后,将刻度换算为水位深度。测量误差最终可达1到2cm,能够满足水文测验的要求。
本发明的上述技术目的是通过以下技术方案得以实现的:
本发明采用深度学习算法实现,该深度学习算法需要使用已标注的大量水尺图像数据进行预训练,在预训练的基础上才能将算法应用到对未知水尺刻度的水尺图像的预测中,所以本发明的主要工作由两部分组成:算法训练阶段和预训练算法预测阶段,算法使用开源机器学习框架Tensorflow实现。具体如下:
一种基于人工智能识别水尺水位的方法,包括以下步骤:
根据已安装的摄像头获取水尺图像;
根据获取的大量水尺图像数据通过训练算法预训练出人工智能算法模型的算法训练阶段;
使用预训练人工智能算法模型对水尺图像上数字和刻度的统计数据进行预测的预训练算法预测阶段;
使用误差校正算法对检测出的统计数据进行校正,并在校正后将刻度换算为实测水位深