[发明专利]基于水尺字符检测识别的水位识别方法

说明书

本发明公开了一种基于字符检测识别的水尺水位识别方法,通过深度学习算法提取水尺图像中水尺和E字符；其中完整字符E代表的水尺长度M；半字符E分为若干类，每类代表唯一的水尺长度S；通过深度学习算法确定半字符E代表的刻度值S；根据识别到的E字符数量N及E字符对应的刻度值S；计算水面以上的水尺刻度值；用水尺的总刻度值减去水面以上的水尺刻度值,得到水位值。本发明优点在于利用远程水尺监控图像，采用轻量化深度学习模型，在不额外增加水位线识别模型的情况下，仅对离水面最近的完整或者不完整字符E进行识别，保证在视角变化、光照变化等复杂场景下精确、完整地识别图像中水尺的刻度信息，降低了算法的复杂度，提高了检测效率。

技术领域

本发明涉及水利工程领域，尤其是涉及基于水尺字符检测识别的水位识别方法。

背景技术

在水利工程中，实时、准确地监测水位变化能够在水位变化时采取合理的水位控制措施，减少洪涝灾害的发生。水尺是测量水位变化的重要工具，通过摄像头对水尺进行实时监测是现有监测水位的主要方法之一，然而，传统的水尺刻度识别方法容易受到水尺安置角度、拍摄角度、光照、天气等因素的影响，难以精确、完整地识别图像中水尺的刻度信息。

如，专利（CN108921165A）公开了一种基于水尺图像的水位识别方法，利用二值化处理、形态学分析、神经识别等传统图像处理方法对水尺刻度进行提取识别。专利（CN109522889A）通过HSV色彩空间对水尺进行初步定位，用模糊C聚类的方法实现字符的分割，然后用卷积神经网络对字符进行识别得到水位值。专利（CN110427933A）提出了先用深度学习目标检测算法对水尺进行定位，再通过腐蚀操作以及连通域方法得到E字符位置，最后用字符分类方法对字符进行识别。文献（《基于深度学习算法的水位识别方法研究》，水利信息化，2020年，王磊等）利用目标检测网络对水尺进行检测，然后用腐蚀膨胀操作将字符分离，最后用ResNet网络对分离后的字符值进行识别。这些方法在理想场景下可以对水位值进行很好的识别，然而在现实应用场景中水尺会受到光照变化、视角变化的影响，导致传统的二值化操作、形态学操作无法精准地对刻度字符进行分离，进而影响到后面的刻度值识别。

专利（CN110472636A）发明了一种基于深度学习的水尺E字形刻度识别方法，可以对水尺上面的E字符进行检测并识别，然而其所用的特征提取器为ResNe101，模型较为复杂，并需要额外构建一种水位线神经网络模型对水位进行识别，进一步增加了整体算法的复杂度。

发明内容

本发明目的在于提供一种基于水尺字符检测识别的水位识别方法, 利用远程水尺监控图像，精确地识别水尺图像中离水面最近的完整或者不完整字符E代表的刻度值，并根据水面上所有E字符的个数准确地计算出当前水域的水位值。

为实现上述目的，本发明采取下述技术方案：

本发明所述一种基于水尺字符检测识别的水位识别方法，包括以下步骤：

S1,获取水尺图像，对所述水尺图像中的水尺进行标注，构建水尺检测数据集；

S2, 通过深度学习算法训练所述水尺检测练数据集，获得水尺检测网络模型；

S3,通过所述水尺检测网络模型，提取水尺图像中包含水尺ROI的图像，形成水尺数据集；

S4，对所述水尺数据集中水尺上的E字符进行E字符标注，构建E字符检测数据集；所述E字符，包括含完整字符E和含半字符E；

S5，通过深度学习算法训练所述E字符检测数据集，获得E字符检测网络模型；

S6，通过所述E字符检测网络模型，提取水尺图像中所述水尺ROI上包含E字符ROI的图像，形成E字符识别数据集；

S7，确定完整字符E代表的水尺长度M；

S8，将半字符E分为若干类，并为每类半字符E标注代表的水尺长度S，构建半字符E识别数据集；

S9，通过深度学习算法训练半字符E识别数据集，获得半字E符识别网络模型，确定半字符E代表的刻度值S；

S10，获得待检测水尺图像；