[发明专利]基于聚类分区进行刻度识别的水位监测方法

权利要求书

1.一种基于聚类分区进行刻度识别的水位监测方法，其特征在于，包括以下步骤：

1)从实时监控视频中获取t时刻的原始图像；

2)截取原始图像中的水尺区域，以水尺末端作为水位线的位置；

3)对水尺区域图像进行二值化处理，根据“E”的三条边，采用聚类方法将处理后的水尺区域图像划分成若干子区域；

4)对每个子区域的内容进行识别，得到水位线所在区域的上一个包含数字的区域的数值；

5)根据子区域的高度和识别的步骤4)得到的数值计算水位并显示；

步骤2)中，采用语义分割算法Deeplab V3+对原始图像进行分割，包括：

2-1)获取训练集，并对训练集中图像进行在线数据增强和归一化处理；

2-2)将处理后的图像输入Deeplab V3+语义分割模型中进行训练，输出为分割结果；

2-3)对分割结果进行评估，得到水尺区域分割模型；

2-4)将原始图像输入水尺区域分割模型中，得到分割结果，并对分割结果进行修正；

步骤3)中，采用大律法对水尺区域图像进行二值化处理，包括：

根据阈值T将像素划分为前景1和背景0，类间方差计算公式为：

Var＝N₁(μ-μ₁)²+N₀(μ-μ₀)²

其中N₁为前景的像素个数，μ₁为像素均值，N₀为背景的像素个数，μ₀为像素均值，μ为所有像素的均值；

采用遍历的方法，将阈值从0遍历到255，记录方差Var最大时的阈值T，使用大律法计算得到阈值T，用此阈值对水尺区域图像进行二值化；

步骤3)包括：

3-1)根据二值化的结果，统计y轴上前景像素的数量；

3-2)将前景像素数量较多的类别对应的区域标记为黑色，前景像素数量较少的标记为白色；

3-3)计算所有黑色区域的间距，符号“E”的三条边之间的间距小于数字符号间的间距；

3-4)对所有间距进行K＝2的均值聚类，得到两个聚类中心，分别为相邻的“E”符号间距和“E”符号的三条边内间距；

3-5)将属于“E”符号的三条边内间距的黑边合并成一个区域，并标记为黑色，完成由黑色区域和白色区域组成的若干子区域的划分。

2.根据权利要求1所述的基于聚类分区进行刻度识别的水位监测方法，其特征在于，步骤2-3)中，对分割结果进行评估时，根据图像特点采用MIoU，其中IoU指两个点集的交集的面积比上两者并集的面积；MIoU是每个类别的真实值与预测值的IoU的均值，如下式所示：

其中，k表示类别个数；P_ji表示假正，即预测错误，预测结果是正类，真实是负类；P_ii表示真正，即预测正确，预测结果是正类，真实是正类；P_ij表示假负，即预测错误，预测结果是负类，真实是正类；_i表示真实值，_j表示预测值；

根据评估结果判断属于分割结果的类别。

3.根据权利要求1所述的基于聚类分区进行刻度识别的水位监测方法，其特征在于，步骤3-4)中采用的核心算法是K均值聚类算法，流程如下：

a.从输入点集合中随机选取K个点作为聚类中心；

b.计算所有点到K个聚类中心的距离；

c.将每一个点与其距离最近的聚类中心归为一类；

d.在每一个新的类中，找到使得类内距离最小的点作为新的聚类中心；

e.重复步骤b～d直至完成迭代次数，迭代到loss函数的设定值结束。

4.根据权利要求1所述的基于聚类分区进行刻度识别的水位监测方法，其特征在于，步骤4)中，采用深度学习方法对每个子区域的内容进行识别，分类的类别数为11，分别为数字0～9和刻度符号“E”；

在识别结果可靠时，记录下当前时刻每个刻度数以及所在的位置；在识别结果不可靠时，读取此监控点历史的刻度数。

5.根据权利要求1所述的基于聚类分区进行刻度识别的水位监测方法，其特征在于，步骤5)中，计算水位的公式如下：

其中，WL为水位，单位为cm，label为刻度区域的读数，y_w为水位线在y轴的坐标，y_l为刻度区域下边缘在y轴的坐标，y_h为刻度区域上边缘在y轴的坐标；以上坐标均为图像坐标。