一种无水尺水位识别方法、终端设备及存储介质与流程

本发明涉及水位检测领域，具体涉及一种无水尺水位识别方法、终端设备及存储介质。

背景技术：

1、近年来，水利信息化建设持续推进，水位监测在生态流量，防洪预警等方面发挥重要作用。传统的水位监测方法利用声学法、雷达、红外线等原理的各类装置来识别水位，其存在抗干扰能力普遍较差，自动化程度低，运维成本高等问题。

2、现有的水位监测方法普遍采用基于水尺的图像处理，通常先使用目标检测算法检测水尺位置，然后使用图像处理算法进一步获取水尺数值，但是，随着水位的变化，被水体淹没的水尺表面会粘附泥沙、水藻等污渍，导致水位降低时水尺上的刻度被遮挡，影响水位监测的精确度，且水尺长时间与水面接触容易损坏导致维护成本上升，另外，该方法不适用于未配有水尺的观测站点。

3、申请号为201911349545.2的中国发明专利申请公开了一种基于视频的无水尺水位读数方法，包括人工标定，工作人员使用激光仪在水位线到岸之间进行激光打点，将所打激光散点的位置在视频图像上画点标记；以当前水位线处所打的激光散点为基准点，在视频图像中以基准点为中心，左右外扩视频图像，得到虚拟水尺的边界；将虚拟水尺从视频图像中抠出，使用深度学习模型进行水位线区域检测，获得水位线区域；对水位线进行回归，将得到的水位线区域从视频图像中抠出，使用深度学习回归模型进行回归，计算水位线读数。但是该方法需要人工确定标记点，操作繁琐，效率较低，同时人工测量误差大，易受干扰；对水位线进行回归时，需要通过激光散点的坐标信息，对图像整体进行回归计算，当某个坐标点信息出现错误时，直接影响水位识别的准确性，抗干扰性弱，识别精度低；且该方法虚拟水尺的构建过于依赖激光散点，当摄像头角度因外界因素产生偏移时，采集到的视频图像发生变化，最初设定的基准点在图像中的位置也会产生偏移，甚至可能偏移至镜头外，导致无法准确识别摄像头偏移后视频中的水域和河岸，因此该方法必须要求摄像头位置是固定的，当摄像头受外界因素影响产生了一定位移时，会导致基准偏移，进而导致水位读数偏差较大，无法正确地对水位进行监测。

技术实现思路

1、本发明的目的在于，针对上述现有技术的不足，提供一种无水尺水位识别方法；本发明的目的还在于，提供一种无水尺水位识别方法的终端设备；本发明的另一目的还在于，提供一种能在计算机上执行上述方法的存储介质；以适用于有摄像头移动的场景，以及无水尺的观测站点，提高水位识别的准确性。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种无水尺水位识别方法，其特征在于，包括以下步骤：

4、s1、获取河道图像输入训练好的语义分割模型，识别图像中的水岸分界线，所述训练好的语义分割模型的训练过程包括，对训练样本河道图片的水域与河岸背景进行标注，再将标注好的训练样本图片输入语义分割模型进行训练；

5、s2、选取水岸分界线作为水位线，截取m个局部区域图像，所述局部区域图像包括水位线；

6、s3、提取单个局部区域图像的图像特征(h，w)，沿宽度w方向划分为n份，得到每一子份的特征维度为h，对每一子份的高度h进行水位识别，得到y1，y2，...，yn共n个绝对水位值，得到单个局部区域绝对水位值h＝[(y1+y2+...+yn)-(ymax+ymin)]/(n-2)，其中，ymax＝max(y1，y2，...，yn)，ymin＝min(y1，y2，...，yn)；

7、s4、获取m个局部区域图像的绝对水位值h1，h2，...，hm共m个绝对水位值，计算所述视频图像绝对水位值h′＝[(h1+h2+...+hm)]/m。

8、进一步，步骤s2中提取单个局部区域图像的图像特征(h，w)的具体实现过程包括，将局部区域图像输入backbone网络，得到图像特征(c，h，w)，使用1*1的卷积核将c维度大小映射为1，得到图像特征(1，h，w)，再将c通道进行压缩得到图像特征(h，w)。

9、优选地，所述backbone网络为轻量型backbone，所述轻量型backbone包括三个block，所述三个block结构相同，所述block包括2个卷积层，1个池化层，2个batchnormalization层，1个relu层。

10、backbone网络一般采用常用的特征提取网络vgg和resnet，但是由于vgg和resnet参数量更大，层数更多，训练更慢，同时对特征高度h方向有平均池化处理，不利于后续水位数值回归；本发明采用轻量型backbone可在保持准确率的同时减少计算量，提高图像的特征提取处理效率。

11、优选地，步骤s2中对每一子份的高度h进行水位识别的具体实现方法包括，使用线性映射层，将沿宽度w方向的每一子份特征h映射到一个水位数值，具体表示为yi＝whi，则沿宽度w方向共n份特征，得到y1，y2，...，yn共n个绝对水位值；

12、其中，yi为第i份特征检测的绝对水位值，w为可训练的线性映射层参数，用于将特征映射到1个水位值，hi表示沿宽度w方向的第i份特征。

13、传统的对水位线进行回归计算的方法，通常依赖于激光散点的坐标信息，针对图像整体进行计算；本发明将一个整体拆分为若干份，对单个局部图像区域的绝对水位值进行回归计算，可以测定总体各单位分布的集中趋势，能够有效排除干扰因子，防止计算数据波动幅度过大，影响水位识别的准确性；面对大量数据进行回归计算时，本发明实现简单，处理速度快，模型输出结果更清晰直观，在图像识别上的灵活度和准确度更好，对异常数据具有相当的鲁棒性和可扩展性，抗噪声干扰能力强，识别精度高，能够极大地提高水位识别的准确性。

14、优选地，步骤s2中对每一子份的高度h进行水位识别的具体实现方法包括，使用线性映射的方式，将每一子份沿宽度w方向的特征h映射到k个二分类子任务，具体表示为pij＝softmax(wjhi)，如果pij＞0.5，则当前子任务的当前水位高于对应的临界水位，将当前子任务分类为1；统计k个二分类子任务中分类为1的个数，记为s，得到沿宽度w方向的第i个区域的绝对水位值yi＝rmin+s*(rmax-rmin)/k，则沿宽度w方向共n份特征，得到y1，y2，...，yn共n个绝对水位值；

15、其中，所述k个二分类子任务的具体实现方法包括，将rmax-rmin均匀地划分为k-1个区间，得到k个水位临界值r1，r2，...rk；所述每一子份设定k个二分类子任务，每个子任务的特征维度均为h，k个子任务对应的临界水位分别为r1，r2，...，rk，每个子任务判断当前水位是否高于对应的临界水位值，若当前子任务的当前水位高于对应的临界水位，则将当前子任务分类为1，若当前子任务的当前水位低于对应的临界水位，将当前子任务分类为0；其中，rmin为水位最低值，rmax为水位最大值；

16、其中，pij表示沿宽度w方向的第i份特征在第j个二分类子任务上分类为1的概率值，wj为可训练的线性映射层，表示将特征映射到第j个二分类子任务上，hi表示沿宽度w方向的第i份特征。

17、传统的对水位线进行回归计算的方法，通常依赖于激光散点的坐标信息，针对图像整体进行计算；本发明将一个整体拆分为若干份，采用二分类的方法对单个局部图像区域的绝对水位值进行计算，可以测定总体各单位分布的集中趋势，能够有效排除干扰因子，防止计算数据波动幅度过大，影响水位识别的准确性；面对大量数据进行分类时，实现简单，处理速度快，模型输出结果更清晰直观，在图像识别上的灵活度和准确度更好，对异常数据具有相当的鲁棒性和可扩展性，抗噪声干扰能力强，识别精度高，能够极大地提高水位识别的准确性。

18、作为一个发明构思，本发明还提供了一种终端设备，包括：

19、一个或多个处理器；

20、存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明上述方法的步骤。

21、一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现本发明上述方法的步骤。

22、与现有技术相比，本发明所具有的有益效果为：

23、(1)通过摄像头获取河道图像数据，进而识别水位，无需安装水尺及标志物，即可有效检测水位，具有非接触式的特点，能够适应各种条件下的水位自动监测，普适性高；

24、(2)传统的水位图像识别需要调整视频基准点，构建虚拟水尺后，再进行水位线区域检测，本发明提取大量已标注的样本图像特征，对语义分割模型进行训练，在多次迭代中，语义分割模型对特征分布不断拟合学习，得到满足预期精度的水域分割模型；将待检测视频图像输入训练好的语义分割模型后，当摄像头偏移后，机器仍然能通过学习过的样本图片，识别出视频图像中的水域区域，无需重新标记视频基准点以构建虚拟水尺，即可自动识别多个图像中的水域区域，实现自动对焦水面位置功能，适用于有摄像头移动的场景。

25、(3)截取多个局部图像区域，分别计算单个局部图像区域的绝对水位值，将一个整体拆分为若干份进行绝对水位值计算，可以测定总体各单位分布的集中趋势，有效排除干扰因子，防止计算数据波动幅度过大，影响水位识别的准确性，鲁棒性强，同时使用人工智能算法模型，采用数值回归或二分类的方法，将相对水位转换为绝对水位，面对大量数据进行分类时，本发明实现简单，处理速度快，在图像识别上的灵活度和准确度更好，识别精度更高，能够极大地提高水位识别的准确性。