CN115908780A - 针对复杂恶劣环境的无水尺水位智能检测方法 - Google Patents

Abstract

本发明涉及水位检测技术领域，具体涉及一种针对复杂恶劣环境的无水尺水位智能检测方法，包括如下步骤：S1、采集水位图像；S2、选取水位线和标志物并标注；S3、输入目标检测神经网络，提取训练模型；S4、对水位线和标志物进行检测；S5、线性拟合，得到水位线表达公式；S6、计算当前水位线的像素高度；S7、确定当前水位线的实际高程。本发明提供的针对复杂恶劣环境的无水尺水位智能检测方法兼具成本低、智能化程度高、适应性强且受恶劣环境影响较小的优点，并且在样本数量大的前提下可以忽略个别样本误差的干扰，使本方法鲁棒性更强。

Description

针对复杂恶劣环境的无水尺水位智能检测方法

技术领域

本发明涉及水位检测技术领域，尤其涉及一种针对复杂恶劣环境的无水尺水位智能检测方法。

背景技术

水位检测在水利工程、防汛预警等领域发挥着重要作用，而精细化管控和灾害预警需要实时、准确地感知水位突变事件。目前，水位检测主要有三种方法：人工测量、采用水位检测装置测量和基于识别水尺的图像处理完成测量。

人工测量的成本较高，采集到的数据存在很大的主观因素并且难以查验；并且在恶劣天气状况下，读数人员的安全得不到保障。水位检测装置包括接触式和非接触式两类：接触式水位检测装置精确度和稳定性较差，长时间与水面接触容易损坏导致维护成本上升；非接触式包括利用声学法、雷达、红外线等原理的各类装置测量水位，抗干扰能力普遍较差，价格昂贵，安装与维护要求苛刻等问题。基于识别水尺的图像处理，水尺目标定位会受夜晚、灯光、雨天、雾霾、雪天、阴影遮挡、光影变换、水面漂浮物遮挡等复杂恶劣环境的干扰，导致目前基于识别水尺的图像处理方法在上述复杂恶劣环境下识别准确率不高，难以做到有效检测；并且，水尺规格具有多样性，不同规格水尺的型号、种类、安装方式存在很大差别，导致其原图像处理算法兼容性不高。

所以，亟需一种同时兼具成本低、智能化程度高、适应性强且受恶劣环境影响较小的优点的水位检测方法。

发明内容

为克服现有水位检测方法存在的成本高、智能化程度低、适应性差、受恶劣环境影响较大的技术缺陷，本发明提供了一种针对复杂恶劣环境的无水尺水位智能检测方法。

本发明提供了针对复杂恶劣环境的无水尺水位智能检测方法，依次包括如下步骤：

S1、在待检测区域标记待检测位置、标志物一和标志物二，所述待检测位置与所述标志物一位于所述待检测区域的同一位置，所述标志物一和标志物二皆高于待测水位的水体，采集待检测区域的水位图像，所述水位图像同时包含所述待检测位置、标志物一和标志物二，建立所述水位图像的数据集，并预先标定所述标志物一的实际高程为H₁，预先标定所述标志物二的实际高程为H₂，所述标志物一与标志物二的实际高程差为|H₁-H₂|；

S2、在所述水位图像中选取水岸分界线作为水位线进行标注，得到多个水位线标注框，并使水位线标注框的中心与所述水位线贴合；在所述水位图像中选取标志物一和标志物二进行标注，得到标志物一标注框和标志物二标注框；

S3、将标注完成的数据集输入目标检测神经网络进行训练，提取训练模型；

S4、对所述标志物一和标志物二进行检测，得到标志物一预测框和标志物二预测框，并提取标志物一预测框的中心纵坐标h₁，提取标志物二预测框的中心纵坐标h₂，从而标志物一预测框与标志物二预测框的中心像素高度差|h₁-h₂|；

S5、对水位线进行检测，得到多个水位线预测框并分别采样中心坐标，根据中心坐标样本进行线性拟合，获得水位线直线及水位线表达公式；

S6、提取标志物一的预测框中心的横坐标，并代入水位线表达公式，得到当前水位线的像素高度h；

S7、根据标志物一与标志物二的实际高程差|H₁-H₂|和标志物一与标志物二的像素高度差h₁-h₂，确定实际高程与像素高度的映射关系为

并根据当前水位线与标志物一的像素高度差h₁-h，计算出当前水位线的实际高程为

可选的，步骤S2中，所述标志物为物体或几何形状。

可选的，步骤S5中，所述水位线表达公式为y＝ax+b，其中，a是水位线直线的斜率，b是水位线直线的截距，所述线性拟合采用最小二乘法，拟合公式为

其中，x_i、y_i是水位线预测框的中心坐标，n是水位线预测框的数量，

是水位线预测框的中心坐标均值。

可选的，针对复杂恶劣环境的无水尺水位智能检测方法还包括：

S8、结合改进卡尔曼滤波方程导入历史信息作为先验知识指导本次水位高程的识别，并将最终水位值输出至水务管理平台，所述改进卡尔曼滤波方程为

其中

为当前系统输出水位值，

为上一次系统输出水位值，f(x_n)为当前系统测量水位值，σ_n为历史水位值的标准差，ε_n＝f(x_n)-E(X),

E(X)为历史水位值的期望，所述历史水位值选取最近n次的水位值。

本发明提供的技术方案与现有技术相比具有如下优点：

本发明提供的针对复杂恶劣环境的无水尺水位智能检测方法，相比于人工测量和采用水位检测装置测量的方法而言，仅需在观测点布置摄像头及相关配件，不影响地形地貌，不干涉水中生态，不污染水源，成本更低，智能化程度更高，更清洁环保；相比于基于识别水尺的图像处理完成测量而言，能够摆脱水尺束缚，且对检测算法的兼容度更高。另外，本发明通过线性拟合的方法获取水位线，不追求目标检测算法对单个识别结果锚框的完全准确，在样本数量大的前提下可以忽略个别样本误差的干扰，使本方法鲁棒性更强。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例步骤S2中标注水位线和标志物的示意图；

图2为本发明实施例步骤S5中水位线直线的示意图。

其中：

1、标志物一；2、标志物二；3、标志物一标注框；4、标注物二标注框；5、水位线标注框；6、水位线直线。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面将对本发明的方案进行进一步描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但本发明还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本发明的一部分实施例，而不是全部的实施例。

在一个实施例中，如图1至2所示，针对复杂恶劣环境的无水尺水位智能检测方法包括步骤S1至S7。

其中：S1、在待检测区域标记待检测位置、标志物一1和标志物二2，待检测位置与标志物一1位于待检测区域的同一位置，标志物一1和标志物二2皆高于待测水位的水体，采集待检测区域的水位图像，水位图像同时包含待检测位置、标志物一1和标志物二2，建立水位图像的数据集，并预先标定标志物一1的实际高程为H₁，预先标定标志物二2的实际高程为H₂，标志物一1与标志物二2的实际高程差为H₁-H₂|。

具体的，待检测区域可以为水库、水坝、河流或其他常见需检测水位的区域。

容易理解的，待检测位置与标志物一1位于待检测区域的同一位置，即待检测位置与标志物一1在水位图像上的横坐标相同。

容易理解的，水位图像的采集通过摄像装置、拍照装置等图片采集工具实现即可。

其中：S2、在所述水位图像中选取水岸分界线作为水位线进行标注，得到多个水位线标注框5，并使水位线标注框5的中心与所述水位线贴合；在所述水位图像中选取标志物一1和标志物二2进行标注，得到标志物一标注框3和标志物二标注框4。

容易理解的，参照图2，水位线的一侧为水面，另一侧为岸边。

具体的，标志物可以为物体，也可以为几何形状。两个标志物可以为不同的物体或几何形状，也可以是同一物体或几何形状上的不同部位。

其中：S3、将标注完成的数据集输入目标检测神经网络进行训练，提取训练模型。

优选的，目标检测神经网络为YOLOv5。作为可替换的方式，目标检测神经网络也可为RCNN系列或SSD系列。

其中：S4、对所述标志物一1和标志物二2进行检测，得到标志物一1预测框和标志物二2预测框，并提取标志物一1预测框的中心纵坐标h₁，提取标志物二2预测框的中心纵坐标h₂，从而标志物一1预测框与标志物二2预测框的中心像素高度差|h₁-h₂|。

其中：S5、对水位线进行检测，得到水位线预测框并采样中心坐标，根据中心坐标样本进行线性拟合，获得水位线直线6及水位线表达公式。

容易理解的，水位线表达公式为y＝ax+b，其中，a是水位线直线6的斜率，b是水位线直线6的截距。

优选的，线性拟合采用最小二乘法，拟合公式为

其中，x_i、y_i是水位线预测框的中心坐标，n是水位线预测框的数量，

是水位线预测框的中心坐标均值。作为可替换的实施方式，线性拟合还可以采用梯度下降法。

其中：S6、提取标志物一1的预测框中心的横坐标，并代入水位线表达公式，得到当前水位线的像素高度h。

需要说明的是，由于水位线不一定是水平线，也就是说不同地点的水位可能都不一样，所以这里所测的即是与标志物一1处于同一像素横坐标的地点处的水位。因此，如果想测特定地点处的水位，则需要限定步骤S1中选取的两个标志物中至少有一个与待测地点的像素横坐标相同。

其中：S7、根据标志物一1与标志物二2的实际高程差|H₁-H₂|和标志物一1与标志物二2的像素高度差h₁-h₂，确定实际高程与像素高度的映射关系为

并根据当前水位线与标志物一1的像素高度差h₁-h，计算出当前水位线的实际高程为

需要说明的是，由于标志物选取的位置在水体上方，所以将标志物的实际高程减去标志物与水位线之间的相对偏移值，便可以获得当前水位线的实际高程。这里选取标志物一1为测量地点的标志物，根据实际情况可在标志物一1与标志物二2之间灵活选择。

需要说明的是，由于H₁-H₂与h₁-h₂的正负性相同，所以

具体实施时，通过上述步骤S1至S7所表述的测量方法，相比于人工测量和采用水位检测装置测量的方法而言，仅需在观测点布置摄像头及相关配件，不影响地形地貌，不干涉水中生态，不污染水源，成本更低，智能化程度更高，更清洁环保；相比于基于识别水尺的图像处理完成测量而言，能够摆脱水尺束缚，避免复杂恶劣环境的干扰，且对检测算法的兼容度更高。另外，本方法通过线性拟合的方法获取水位线，不追求目标检测算法对单个识别结果锚框的完全准确，在样本数量大的前提下可以忽略个别样本误差的干扰，使本方法鲁棒性更强。

在上述实施例的基础上，一些实施例中在步骤S7后还包括：

S8、结合改进卡尔曼滤波方程导入历史信息作为先验知识指导本次水位高程的识别，并将最终水位值输出至水务管理平台，改进卡尔曼滤波方程为

其中

为当前系统输出水位值，

为上一次系统输出水位值，f(x_n)为当前系统测量水位值，σ_n为历史水位值的标准差，ε_n＝f(x_n)-E(X),

E(X)为历史水位值的期望，历史水位值选取最近n次的水位值。

优选的，n＝50，即只考虑最近50次的水位值。

需要说明的是，水位值依靠水位线解算得到，并且水位线的斜率在短时间内几乎无剧烈变化，导致本水位测量值与上一次水位测量值相差较小，假设本水位识别系统为静态系统。根据常规静态卡尔曼滤波方程

随着测量迭代的进行，卡尔曼增益

逐渐趋近为0，即迭代到一定时间时，测量值对输出结果的影响将消失，所以本发明对常规静态卡尔曼滤波方程进行了改进。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所述的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种针对复杂恶劣环境的无水尺水位智能检测方法，其特征在于，依次包括如下步骤：

S1、在待检测区域标记待检测位置、标志物一(1)和标志物二(2)，所述待检测位置与所述标志物一(1)位于所述待检测区域的同一位置，所述标志物一(1)和标志物二(2)皆高于待测水位的水体，采集待检测区域的水位图像，所述水位图像同时包含所述待检测位置、标志物一(1)和标志物二(2)，建立所述水位图像的数据集，并预先标定所述标志物一(1)的实际高程为H₁，预先标定所述标志物二(2)的实际高程为H₂，所述标志物一(1)与标志物二(2)的实际高程差为H₁-H₂|；

S2、在所述水位图像中选取水岸分界线作为水位线进行标注，得到多个水位线标注框(5)，并使水位线标注框(5)的中心与所述水位线贴合；在所述水位图像中选取标志物一(1)和标志物二(2)进行标注，得到标志物一标注框(3)和标志物二标注框(4)；

S3、将标注完成的数据集输入目标检测神经网络进行训练，提取训练模型；

S4、对所述标志物一(1)和标志物二(2)进行检测，得到标志物一(1)预测框和标志物二(2)预测框，并提取标志物一(1)预测框的中心纵坐标h₁，提取标志物二(2)预测框的中心纵坐标h₂，从而标志物一(1)预测框与标志物二(2)预测框的中心像素高度差|h₁-h₂|；

S5、对水位线进行检测，得到多个水位线预测框并分别采样中心坐标，根据中心坐标样本进行线性拟合，获得水位线直线(6)及水位线表达公式；

S6、提取标志物一(1)的预测框中心的横坐标，并代入水位线表达公式，得到当前水位线的像素高度h；

S7、根据标志物一(1)与标志物二(2)的实际高程差|H₁-H₂|和标志物一(1)与标志物二(2)的像素高度差h₁-h₂，确定实际高程与像素高度的映射关系为

并根据当前水位线与标志物一(1)的像素高度差h₁-h，计算出当前水位线的实际高程为

2.根据权利要求1所述的针对复杂恶劣环境的无水尺水位智能检测方法，其特征在于，步骤S2中，所述标志物为物体或几何形状。

3.根据权利要求1所述的针对复杂恶劣环境的无水尺水位智能检测方法，其特征在于，步骤S5中，所述水位线表达公式为y＝ax+b，其中，a是水位线直线(6)的斜率，b是水位线直线(6)的截距，所述线性拟合采用最小二乘法，拟合公式为

其中，x_i、y_i是水位线预测框的中心坐标，n是水位线预测框的数量，

是水位线预测框的中心坐标均值。

4.根据权利要求1至3任一项所述的针对复杂恶劣环境的无水尺水位智能检测方法，其特征在于，还包括：

S8、结合改进卡尔曼滤波方程导入历史信息作为先验知识指导本次水位高程的识别，并将最终水位值输出至水务管理平台，所述改进卡尔曼滤波方程为

其中

为当前系统输出水位值，

为上一次系统输出水位值，f(x_n)为当前系统测量水位值，σ_n为历史水位值的标准差，

E(X)为历史水位值的期望，所述历史水位值选取最近n次的水位值。

Images