[发明专利]一种基于人工智能识别水尺水位的方法

权利要求书

1.一种基于人工智能识别水尺水位的方法，其特征是，包括以下步骤：

预先构建基于对象检测算法的水尺对象检测模块，水尺对象检测模块提取原图片中水尺的特征映射，将特征映射输入到负责预测不同尺寸的对象检测卷积层，对象检测卷积层对原始的特征映射在计算不同层特征之间的关系后，通过输出层的非线性回归预测水尺在图中的box，并通过逻辑回归预测水尺的类别，最终得到图片中是否有水尺的可能性和水尺出现的位置；

预先构建基于ResNet网络结构的水尺刻度识别模块，水尺刻度识别模块根据水尺对象检测模块检测出的水尺位置信息截取原图片中水尺图像，再根据训练数据集中所有水尺图像尺寸分别计算出图片的平均宽和高作为模型输入图片的尺寸大小，水尺刻度识别模块设置4组不同尺寸的残差模块，每组包含5个残差单元，对水尺图像进行每个数字和最小刻度的特征提取，并依据提取的特征预测水尺图像中出现的数字和刻度的统计数据；

通过水尺对象检测模块和水尺刻度识别模块分别训练出水尺对象检测模型和水尺数据识别网络模型，再根据已安装的摄像头进行水尺图像采集并输送至水尺对象检测模型，水尺对象检测模型检测出水尺位置信息输送至水尺数据识别网络模型，水尺数据识别网络模型检测出水尺图像中出现的数字和刻度的统计数据；

通过误差校正算法对检测出的统计数据进行校正，通过水尺中预先设定的数字分布规律，结合相邻两个数据将出错数据进行校正，并在校正后将刻度换算为实测水位深度。

2.根据权利要求1所述的一种基于人工智能识别水尺水位的方法，其特征是：预先构建模块包括以下两个训练步骤：

通过水尺对象检测模块的训练，由基于深度学习的机器视觉对象检测算法实现，对输入预标注且处理好的水尺图像数据进行训练，经多次迭代训练，得到满足预期精度的水尺对象检测模型；

通过水尺刻度识别模块的训练，使用深度卷积神经网络算法，有监督地提取已标注的图像中水尺的数字和刻度的图像特征并提取学习，在多次迭代中深度卷积神经网络算法对特征分布不断拟合学习，得到满足预期精度的水尺数据识别网络模型，水尺对象检测模型和水尺数据识别网络模型构成人工智能算法模型。

3.根据权利要求1所述的一种基于人工智能识别水尺水位的方法，其特征是：摄像头采集的水尺图像检测主要分为：

水尺原图采集与预处理，基于摄像头获取水尺图像，对图像大小进行调整以满足算法模型输入要求；

水尺对象识别及刻度推理，将预处理好的水尺图像输入到预训练的水尺对象检测模型中、检测出图像中的水尺位置，基于预测的水尺位置截取出原图中的水尺图像，然后将水尺图像输入到水尺刻度识别网络模型中、输出水尺图像中出现的数字和刻度的统计数据。