CN110223341A - 一种基于图像识别的智能水位监测方法 - Google Patents
一种基于图像识别的智能水位监测方法 Download PDFInfo
- Publication number
- CN110223341A CN110223341A CN201910517818.3A CN201910517818A CN110223341A CN 110223341 A CN110223341 A CN 110223341A CN 201910517818 A CN201910517818 A CN 201910517818A CN 110223341 A CN110223341 A CN 110223341A
- Authority
- CN
- China
- Prior art keywords
- water
- water gauge
- image
- gauge
- height
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 239000002352 surface water Substances 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100524346 Xenopus laevis req-a gene Proteins 0.000 description 1
- 101100524347 Xenopus laevis req-b gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/04—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by dip members, e.g. dip-sticks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Fluid Mechanics (AREA)
- Image Analysis (AREA)
Abstract
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。
Description
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。
进一步，在所述步骤S3中，所述根据分割出的水尺图像计算出水面以上的水尺高度，包括如下步骤：根据分割出水面以上的水尺图像，利用水面以上水尺的像素数除以单位长度内像素数，得到水面以上水尺高度，再由水尺的整体高度减去水面以上水尺高度即为水面以下水尺高度。
进一步，所述单位长度内像素数由预设的站点水尺数据表计算得到。
根据本发明实施例的基于图像识别的智能水位监测方法，基于智能图像识别的水位监测系统，利用相关的计算机视觉技术和机器学习(包括深度学习)算法,开发的基于图像(视频)的智能水尺读取技术，可以接收水库、隧道等处安装的摄像设备远程传送过来的含有水尺的图像或视频，通过图像处理技术、深度学习和传统方法相结合，对图像中的水尺进行检测和识别、标定水面以上水尺部分、计算水面以上水尺部分高度等，进而得出水位数据。实现对计算出的水位数据进行自动保存、显示或返回请求端。若水位值超过警戒值，可以进行水位预警。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，计算出水位高度，大大减轻了人工作业成本，也提高了测量的精确度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于图像识别的智能水位监测的流程图；
图2为根据本发明实施例的Faster R-CNN网络模型结构图；
图3为根据本发明实施例的Faster R-CNN特征提取网络结构图；
图4为根据本发明实施例的Faster R-CNN候选区域生成网络和分类回归网络结构图；
图5为根据本发明实施例的Grabcut算法流程图；
图6为根据本发明实施例的基于智能图像识别的水位监测系统部署的硬件环境图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明实施例的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，图像数据中包括水尺图像。
具体的，在被测区域周围安装有多台摄像设备，由摄像设备拍摄含有水尺的图像，然后远程传输给上位机进行分析处理。
步骤S2，上位机采用深度神经网络对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。
在本步骤中，参考图2至图4，采用Faster R-CNN算法对图像数据中的水尺进行检测识别。Faster R-CNN是进行目标检测的一个经典的深度网络结构，它将传统的SelectiveSearch提取目标的方法替换成网络训练来实现，使得全流程的检测、分类速度和检测准确率大幅提升。
Faster R-CNN算法主要分为两步：
(1)确定目标的位置，然后对目标的类别进行识别。在具体的实现中，首先输入一张图像，然后经过一系列的卷积、池化操作，提取图像的特征，生成特征图。
(2)利用候选区域生成网络，在特征图上进行处理，生成不同尺度和宽高比的目标候选区域。
(3)将特征图和生成的目标候选区域输入分类回归网络，根据目标候选区域中的特征，输出生成的目标候选区域的类别和目标边界框。
Faster R-CNN网络结构中主要由三个子网络组成：特征提取网络、候选区域生成网络和分类回归网络。
具体的，对应到本发明的中的水尺图像处理，包括如下步骤：
首先，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。
然后，利用RPN网络作为候选区域网络，在特征图上进行处理，输出具有多种尺度和宽高比的矩形目标候选区域。RPN网络是一个全卷积网络RPN网络的输入是特征提取网络输出的特征图，输出具有多种尺度和宽高比的矩形目标候选区域。RPN网络首先通过一个3×3的卷积核对特征图进行卷积操作，形成一个特征向量，然后用两个大小为1×1的卷积核模拟两个全连接层，得到候选区域的分数和修正参数，最后通过Softmax层对分数进行归一化，得到候选区域是否包含待测目标的置信度。
最后，在提取候选区域之后，需要对候选区域进行分类回归操作。分类回归网络的输入是特征提取网络输出的特征图和候选区域提取网络输出的候选区域，输出的是候选区域对应每个类别的置信度和候选区域的修正参数。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。
在本发明的一个实施例中，Faster R-CNN算法中特征提取网络是一个卷积神经网络，该网络结构可以作为Faster R-CNN算法的特征提取网络，提取的图像特征为后续网络提供输入。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。需要说明的是，特征提取网络不限于上述举例，还可以采用其他类型的网络，在此不再赘述。
在利用Faster R-CNN算法检测出水尺图像后，根据预设的感兴趣区域，利用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，采用图割算法从水尺边界框中分割出水面以上的水尺图像，其中，感兴趣区域为预设框定水尺的区域。感兴趣区域的左上角坐标从站点水尺数据表中读取，右下角坐标与水尺边界框的左下角坐标一致。
如图5所示，图割技术是基于图论的图像分割算法，将一张图像看做一个图，图像中的每个像素点代表图上的一个节点，节点之间的关系看作边，用节点之间的相似度表示其边的权重值。在每次分割的过程中，删除权重较小的连接，使得相似度较高的像素点位于同一个图中，相似度较低的像素点位于不同的图中，由此实现图的不断划分，最终实现对整张图像的分割。
下面对预设的感兴趣区域的坐标标定方法进行详细说明：
由于摄像头晃动等原因，水尺在图像中的位置经常会发生小的移动。采用图割方法计算水尺高度时，需要使用感兴趣区域左上角坐标和右下角坐标。右下角坐标可以通过目标检测方法获得，不需初始化，左上角坐标需要进行初始化。“感兴趣区域左上角”位置一般取在水尺的左上部，确保摄像头晃动时，水尺左上角位置的X坐标和Y坐标均小于等于感兴趣区域左上角位置的X坐标和Y坐标。
采用图割算法精确分割出水面以上水尺部分。Faster R-CNN检测水尺存在所示的水尺目标框定不够准确的问题，即检测到的水面以上水尺的边界框与水面以上水尺在图像中的实际边界框有差异。因此，本发明进一步依据图像中的感兴趣区域(框定水尺的区域)，采用图割算法精确分割出水面以上水尺部分。其中，感兴趣区域的左上角坐标从站点水尺数据表中读取，右下角坐标与应用Faster R-CNN检测水尺时检测得到的目标框的左下角坐标一致。例，对水尺边框应用图割算法进行水面以上水尺部分的分割，前景部分为水面以上水尺部分。
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。
具体的，根据分割出的水尺图像计算出水面以上的水尺高度，包括如下步骤：根据分割出水面以上的水尺图像，利用水面以上水尺的像素数除以单位长度内像素数(水面以上水尺的像素数/单位长度内像素数)，得到水面以上水尺高度，再由水尺的整体高度减去水面以上水尺高度即为水面以下水尺高度。其中，单位长度内像素数由预设的站点水尺数据表(表1)计算得到。
表1站点水尺数据表
具体的，“单位长度内像素数”的计算方法如下：站点水尺数据表中的“单位长度内像素数”需要通过计算得出。计算过程如下：在图像上选取一定长度的水尺，设其对应的实际水尺长度为x(从水尺刻度差可以算出)。若该长度对应的图像中的像素数为y，则单位长度内像素数等于y/x。
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。
本发明实施例的基于图像识别的智能水位监测方法的各项技术参数如下：
(1)使用环境
硬件环境：Windows 10(Ubuntu 16.4.3),8G内存(16G内存优),CPU(Intel i7)或GPU
软件环境：TensorFlow、keras框架，OpenCV库,python语言，MySQL数据库
(2)软件功能
1)初始化数据库表，数据库表结构如表2所示；
表2数据库表结构
NODE：识别测试河流的编号
Position：上次测试该站点时水位的水位值
PixelSise:单位长度的像素数，单位是每厘米多少像素
Tm：测试该站点水位值时的时间
X：图割算法时应用到的感兴趣区域的左上角的X坐标
Y：图割算法时应用到的感兴趣区域的左上角的Y坐标数据库连接:
host＝"127.0.0.1",user＝"root",passwd＝"123456",db＝"waterline"
2)接收请求图像识别请求(请求中包含接口参数，具体参照接口说明)，对合法图像进行智能水位检测(包括水尺检测、水位值计算)或者对非法图像进行报错，返回检测结果等。
(3)提供数据要求
数据：提供的图像数据包括不同水质、不同应用场景、不同光照条件和不同天气情况的图像。
(4)接口
网址：
119.3.204.121:8888/delect？stcd＝1&imageUrl＝http://www.slhzt.com/img/1/2.jpg&mId＝1&tm＝1233
服务器地址：119.3.204.121
端口号：8888
主程序入口：delect
站点号：stcd
图片地址：imageUrl＝http://www.slhzt.com/img/1/2.jpg
图片的id号：mId
时间：tm
数据传递http://ip:port/XXXX/XX
采用post传参，传递参数如表3所示。
表3传递参数表
| 属性类型 | 属性名 | 属性值及其意义 |
| String | token | token认证 |
| String | stcd | 测站编码 |
| String | imageUrl | 图片地址 |
| String | mId | 图片id |
| Date | tm | 时间 |
| String | req1 | 请求参数1(留做补充) |
| String | req2 | 请求参数2(留做补充) |
| String | req3 | 请求参数3(留做补充) |
| String | req4 | 请求参数4(留做补充) |
返回参数以json格式回传，返回参数表见表4。
表4返回参数表
(5)部署
基于智能图像识别的水位监测系统已经部署在公司方租的华为云服务器上，云服务器配置如图6所示。
根据本发明实施例的基于图像识别的智能水位监测方法，基于智能图像识别的水位监测系统，利用相关的计算机视觉技术和机器学习(包括深度学习)算法,开发的基于图像(视频)的智能水尺读取技术，可以接收水库、隧道等处安装的摄像设备远程传送过来的含有水尺的图像或视频，通过图像处理技术、深度学习和传统方法相结合，对图像中的水尺进行检测和识别、标定水面以上水尺部分、计算水面以上水尺部分高度等，进而得出水位数据。实现对计算出的水位数据进行自动保存、显示或返回请求端。若水位值超过警戒值，可以进行水位预警。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，计算出水位高度，大大减轻了人工作业成本，也提高了测量的精确度。
本发明实施例的基于图像识别的智能水位监测方法的性能描述：
1)可以适应不同的水质、应用场景、光照、天气等情况。具体包括：
(1)可以适应不同的水质情况，如浑浊度，含有漂浮物等；
(2)同时可以适应不同的应用场景；
(3)对于光照条件需要基于夜视功能，白天黑夜都可识别；
(4)适应复杂天气条件，如强降雨，雾，雾霾，多云等。
2)检测精度误差+5cm～-5cm。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。
Claims (8)
1.一种基于图像识别的智能水位监测方法，其特征在于，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。
2.如权利要求1所述的基于图像识别的智能水位监测方法，其特征在于，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。
3.如权利要求2所述的基于图像识别的智能水位监测方法，其特征在于，
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。
4.如权利要求3所述的基于图像识别的智能水位监测方法，其特征在于，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和右下角坐标作为图割算法的输入坐标，采用图割算法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。
5.如权利要求4所述的基于图像识别的智能水位监测方法，其特征在于，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。
6.如权利要求3所述的基于图像识别的智能水位监测方法，其特征在于，所述FasterR-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。
7.如权利要求1所述的基于图像识别的智能水位监测方法，其特征在于，在所述步骤S3中，所述根据分割出的水尺图像计算出水面以上的水尺高度，包括如下步骤：根据分割出水面以上的水尺图像，利用水面以上水尺的像素数除以单位长度内像素数，得到水面以上水尺高度，再由水尺的整体高度减去水面以上水尺高度即为水面以下水尺高度。
8.如权利要求7所述的基于图像识别的智能水位监测方法，其特征在于，所述单位长度内像素数由预设的站点水尺数据表计算得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910517818.3A CN110223341B (zh) | 2019-06-14 | 2019-06-14 | 一种基于图像识别的智能水位监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910517818.3A CN110223341B (zh) | 2019-06-14 | 2019-06-14 | 一种基于图像识别的智能水位监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110223341A true CN110223341A (zh) | 2019-09-10 |
| CN110223341B CN110223341B (zh) | 2024-05-28 |
Family
ID=67817208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910517818.3A Active CN110223341B (zh) | 2019-06-14 | 2019-06-14 | 一种基于图像识别的智能水位监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223341B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110763297A (zh) * | 2019-10-09 | 2020-02-07 | 中水淮河规划设计研究有限公司 | 一种基于视频智能识别水尺水位系统 |
| CN111680606A (zh) * | 2020-06-03 | 2020-09-18 | 淮河水利委员会水文局(信息中心) | 基于人工智能云识别水尺的低功耗水位遥测系统 |
| CN111967419A (zh) * | 2020-08-25 | 2020-11-20 | 深圳大学 | 一种坝岸险情预测方法、装置、计算机设备及存储介质 |
| CN112101282A (zh) * | 2020-09-25 | 2020-12-18 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
| CN112163496A (zh) * | 2020-09-22 | 2021-01-01 | 广东华南水电高新技术开发有限公司 | 一种基于语义分割的嵌入式终端水库水位预警方法 |
| CN112508986A (zh) * | 2020-12-04 | 2021-03-16 | 武汉大学 | 一种基于深度卷积网络与随机场的水位测量方法 |
| CN112523804A (zh) * | 2020-12-10 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种电缆隧道排水监控系统及方法 |
| CN112907506A (zh) * | 2021-01-11 | 2021-06-04 | 昆明理工大学 | 一种基于水尺颜色信息的不定长水尺水位检测方法、装置及存储介质 |
| CN113223073A (zh) * | 2021-04-16 | 2021-08-06 | 北京科技大学 | 一种河道水位评估方法 |
| CN113819971A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于水、标尺和漂浮物语义分割的人工智能水位监测系统 |
| CN114593792A (zh) * | 2022-03-29 | 2022-06-07 | 中国水利水电科学研究院 | 一种地下水水位监测方法和装置、存储介质 |
| CN118566223A (zh) * | 2024-06-24 | 2024-08-30 | 中控技术股份有限公司 | 一种酒精度在线测量方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760886A (zh) * | 2016-02-23 | 2016-07-13 | 北京联合大学 | 一种基于目标识别与显著性检测的图像场景多对象分割方法 |
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
| CN107367310A (zh) * | 2017-07-11 | 2017-11-21 | 华南理工大学 | 一种基于计算机视觉的河流水位远程监测方法 |
| CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
| US20180122082A1 (en) * | 2016-11-02 | 2018-05-03 | General Electric Company | Automated segmentation using deep learned priors |
| CN108073905A (zh) * | 2017-12-21 | 2018-05-25 | 北京邮电大学 | 一种智能水尺读数的方法、系统和设备 |
| CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
| CN108596221A (zh) * | 2018-04-10 | 2018-09-28 | 江河瑞通（北京）技术有限公司 | 标尺读数的图像识别方法及设备 |
| CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
| CN108985322A (zh) * | 2018-06-01 | 2018-12-11 | 广东电网有限责任公司 | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 |
| CN109063586A (zh) * | 2018-07-11 | 2018-12-21 | 东南大学 | 一种基于候选优化的Faster R-CNN驾驶员检测方法 |
| CN109145830A (zh) * | 2018-08-24 | 2019-01-04 | 浙江大学 | 一种智能水尺识别方法 |
| KR101970442B1 (ko) * | 2018-12-04 | 2019-04-19 | 주식회사 넥스파시스템 | Fast R-CNN 기반 차량검출을 이용한 불법 주정차 단속 시스템 |
| KR20190063729A (ko) * | 2017-11-30 | 2019-06-10 | 주식회사 넥토마이닝 | 사회재난 대응을 위한 융복합기술 기반의 카메라와 센서 네트워크와 지향성 스피커를 사용한 인명지킴이 시스템 |
-
2019
- 2019-06-14 CN CN201910517818.3A patent/CN110223341B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760886A (zh) * | 2016-02-23 | 2016-07-13 | 北京联合大学 | 一种基于目标识别与显著性检测的图像场景多对象分割方法 |
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
| US20180122082A1 (en) * | 2016-11-02 | 2018-05-03 | General Electric Company | Automated segmentation using deep learned priors |
| CN107367310A (zh) * | 2017-07-11 | 2017-11-21 | 华南理工大学 | 一种基于计算机视觉的河流水位远程监测方法 |
| CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
| KR20190063729A (ko) * | 2017-11-30 | 2019-06-10 | 주식회사 넥토마이닝 | 사회재난 대응을 위한 융복합기술 기반의 카메라와 센서 네트워크와 지향성 스피커를 사용한 인명지킴이 시스템 |
| CN108073905A (zh) * | 2017-12-21 | 2018-05-25 | 北京邮电大学 | 一种智能水尺读数的方法、系统和设备 |
| CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
| CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
| CN108596221A (zh) * | 2018-04-10 | 2018-09-28 | 江河瑞通（北京）技术有限公司 | 标尺读数的图像识别方法及设备 |
| CN108985322A (zh) * | 2018-06-01 | 2018-12-11 | 广东电网有限责任公司 | 一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法 |
| CN109063586A (zh) * | 2018-07-11 | 2018-12-21 | 东南大学 | 一种基于候选优化的Faster R-CNN驾驶员检测方法 |
| CN109145830A (zh) * | 2018-08-24 | 2019-01-04 | 浙江大学 | 一种智能水尺识别方法 |
| KR101970442B1 (ko) * | 2018-12-04 | 2019-04-19 | 주식회사 넥스파시스템 | Fast R-CNN 기반 차량검출을 이용한 불법 주정차 단속 시스템 |
Non-Patent Citations (2)
| Title |
|---|
| 郭文生;包灵;钱智成;曹万里;: "基于自适应叠合分割与深度神经网络的人数统计方法", 计算机科学, no. 08 * |
| 黄劲潮;: "基于快速区域建议网络的图像多目标分割算法", 山东大学学报(工学版), no. 04, 25 May 2018 (2018-05-25) * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110763297A (zh) * | 2019-10-09 | 2020-02-07 | 中水淮河规划设计研究有限公司 | 一种基于视频智能识别水尺水位系统 |
| CN111680606A (zh) * | 2020-06-03 | 2020-09-18 | 淮河水利委员会水文局(信息中心) | 基于人工智能云识别水尺的低功耗水位遥测系统 |
| CN113819971A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于水、标尺和漂浮物语义分割的人工智能水位监测系统 |
| CN111967419A (zh) * | 2020-08-25 | 2020-11-20 | 深圳大学 | 一种坝岸险情预测方法、装置、计算机设备及存储介质 |
| CN111967419B (zh) * | 2020-08-25 | 2023-06-20 | 深圳大学 | 一种坝岸险情预测方法、装置、计算机设备及存储介质 |
| CN112163496A (zh) * | 2020-09-22 | 2021-01-01 | 广东华南水电高新技术开发有限公司 | 一种基于语义分割的嵌入式终端水库水位预警方法 |
| CN112163496B (zh) * | 2020-09-22 | 2024-05-28 | 广东华南水电高新技术开发有限公司 | 一种基于语义分割的嵌入式终端水库水位预警方法 |
| CN112101282A (zh) * | 2020-09-25 | 2020-12-18 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
| CN112101282B (zh) * | 2020-09-25 | 2024-04-26 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
| CN112508986A (zh) * | 2020-12-04 | 2021-03-16 | 武汉大学 | 一种基于深度卷积网络与随机场的水位测量方法 |
| CN112523804A (zh) * | 2020-12-10 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种电缆隧道排水监控系统及方法 |
| CN112907506A (zh) * | 2021-01-11 | 2021-06-04 | 昆明理工大学 | 一种基于水尺颜色信息的不定长水尺水位检测方法、装置及存储介质 |
| CN113223073A (zh) * | 2021-04-16 | 2021-08-06 | 北京科技大学 | 一种河道水位评估方法 |
| CN113223073B (zh) * | 2021-04-16 | 2022-04-19 | 北京科技大学 | 一种河道水位评估方法 |
| CN114593792A (zh) * | 2022-03-29 | 2022-06-07 | 中国水利水电科学研究院 | 一种地下水水位监测方法和装置、存储介质 |
| CN118566223A (zh) * | 2024-06-24 | 2024-08-30 | 中控技术股份有限公司 | 一种酒精度在线测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110223341B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223341A (zh) | 一种基于图像识别的智能水位监测方法 | |
| Topouzelis et al. | Detection and discrimination between oil spills and look-alike phenomena through neural networks | |
| Kalke et al. | Support vector machine learning applied to digital images of river ice conditions | |
| Benassai et al. | Rip current evidence by hydrodynamic simulations, bathymetric surveys and UAV observation | |
| Kumar et al. | Mapping shoreline change using machine learning: a case study from the eastern Indian coast | |
| Mucerino et al. | Coastal exposure assessment on Bonassola bay | |
| Ticehurst et al. | Improving the accuracy of daily MODIS OWL flood inundation mapping using hydrodynamic modelling | |
| CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
| de Santiago et al. | A comparative study of models to predict storm impact on beaches | |
| Benassai et al. | Sea wave modeling with X-band COSMO-SkyMed© SAR-derived wind field forcing and applications in coastal vulnerability assessment | |
| Ren et al. | Detection of SST fronts from a high-resolution model and its preliminary results in the south China sea | |
| Liu et al. | Lifeguarding Operational Camera Kiosk System (LOCKS) for flash rip warning: Development and application | |
| Tillihal et al. | River flood monitoring and management: a review | |
| CN113870224A (zh) | 一种洪水监测方法、系统、设备和介质 | |
| Bhunia | Assessment of automatic extraction of surface water dynamism using multi-temporal satellite data | |
| Goncalves et al. | Identification, characterization and analysis of the Douro river plume from MERIS data | |
| Zeng et al. | Urban water body detection from the combination of high-resolution optical and SAR images | |
| Chang et al. | Multi-lens pier scour monitoring and scour depth prediction | |
| CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
| Emami et al. | Spatial patterns in groundwater seepage and surf zone morphology: Muriwai Beach, New Zealand | |
| Farnoush et al. | Discharge estimation and rating curve derivation, using satellite geometry data and isovel contours at Karun River, Iran | |
| CN112380984A (zh) | 一种基于遥感的盐沼植被缓流能力空间评价方法 | |
| Casado et al. | Emerging remote sensing technologies for flood applications | |
| Hadjimitsis | Brief communication" Determination of urban growth in catchment areas in Cyprus using multi-temporal remotely sensed data: risk assessment study" | |
| Wicaksono et al. | Predicting the Extent of Sidoarjo Mud Flow Using Remote Sensing. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |