一种基于图像识别的液面高度识别方法与流程

1.本发明涉及液位识别技术领域，具体来说，涉及一种基于图像识别的液面高度识别方法。


背景技术：

2.液位识别被广泛应用于科研、生活、工业生产、水利防灾等各个领域，尤其对于水利防灾领域而言，由于近年来遭受风灾、水灾不断，每当灾害来临时，经常导致河川、溪水暴涨以及水库储水量满载而紧急泄洪，往往在短时间内造成生命财产与损失。加上在防灾体系中水患的防治，与降雨频率、区内排水系统设计标准、联外水路容量及区外防洪标准等因素有关，在诸多不确定因素下，水患发生必然有其风险性存在，然而，于上述各项因素中，对于河川、水坝及水库等水位的掌握最直接且能最快速预知水患的发生。
3.目前，对于河川水位高度、水坝(dam)水位高度及水库水位高度的测量，或者对于贮存着液体的液体贮水箱的水位的测量，现有技术中一般通过设置水位标并在液体边界面附近拍摄水位标的影像，随后对所拍摄到的影像进行人工标注分析，从而来实现对液面高度的识别，实现对液体高度的自动测量。然而，传统的液面高度识别方法一般采用直接拍摄的影像或图片来进行分析，从而来实现对液面高度的识别，由于直接采用拍摄的影像或图片进行分析，当拍摄的影像或图片不清晰时，则容易导致识别结果出现误差，导致识别准确度较低，不能很好的满足于液面高度的识别需求。因此，本发明提出了一种基于图像识别的液面高度识别方法。


技术实现要素：

4.针对相关技术中的问题，本发明提出一种基于图像识别的液面高度识别方法，以克服现有相关技术所存在的上述技术问题。
5.为此，本发明采用的具体技术方案如下：
6.一种基于图像识别的液面高度识别方法，该液面高度识别方法包括以下步骤：
7.s1、通过预设的图像采集设备获取含有待识别目标的实时图像，得到原始实时图像；
8.s2、利用图像超分法对原始实时图像进行超分重建，得到预处理的实时图像；
9.s3、利用透视变换原理对预处理的实时图像中角度偏离的图像进行变换处理，得到处理后的实时图像；
10.s4、利用处理后的实时图像获取待识别目标的液位高度，并依据预设的液位高度预警值进行液位高度预警；
11.s5、通过预设时间段内的若干组液位高度值进行液面均值计算或拟合处理，得到液面的实际高度。
12.进一步的，所述s2中利用图像超分法对原始实时图像进行超分重建，得到预处理的实时图像包括以下步骤：
13.s21、对原始实时图像进行图像分辨率核验，并判断原始实时图像的分辨率是否低于预设阈值；
14.s22、将分辨率低于预设阈值的原始实时图像导入srgan网络；
15.s23、对srgan网络中放大倍数、学习率及迭代次数的核心运行参数进行设置；
16.s24、通过srgan网络中三个卷积层进行逐步处理，生成高分辨率的图像；
17.s25、输出处理后的原始实时图像，得到预处理后的实时图像。
18.进一步的，所述s21中的预设阈值为480*480，且该预设阈值可人工修改。
19.进一步的，所述s24中通过srgan网络中三个卷积层进行逐步处理，生成高分辨率的图像包括以下步骤：
20.利用第一卷积层抽取原始实时图像的特征点；
21.通过第二卷积层对特征点进行非线性映射，实现对每个特征点缺失细节的预测；
22.利用第三层卷积层组合映射后的图像，生成高分辨率的图像。
23.进一步的，所述s3中利用透视变换原理对预处理的实时图像中角度偏离的图像进行变换处理，得到处理后的实时图像包括以下步骤：
24.s31、调用opencv中的getperspectivetransform函数对预处理的实时图像进行处理，得到透视变换矩阵；
25.s32、调用opencv中的warpperspective函数执行透视变换，得到处理后的实时图像。
26.进一步的，所述s4中利用处理后的实时图像获取待识别目标的液位高度，并依据预设的液位高度预警值进行液位高度预警包括以下步骤：
27.s41、将处理后的实时图像输入预设的液面区域标注模型进行标注，得到带有待识别目标液面检测区域的标注图像；
28.s42、对带有待识别目标液面检测区域的标注图像进行裁剪处理，得到待识别图像；
29.s43、利用待识别图像中插入水体的标尺刻度值分析得到待识别目标的液位高度；
30.s44、将待识别目标的液位高度与预设的液位高度预警值进行对比，当液位高度大于液位高度预警值时则进行语音报警。
31.进一步的，所述s41中将处理后的实时图像输入预设的液面区域标注模型进行标注，得到带有待识别目标液面检测区域的标注图像包括以下步骤：
32.s411、利用历史数据库中处理后的实时图像构建液面区域标注模型；
33.s412、将处理后的实时图像输入液面区域标注模型进行标注，得到带有待识别目标液面检测区域的标注图像。
34.进一步的，所述s411中利用历史数据库中处理后的实时图像构建液面区域标注模型包括以下步骤：
35.s4111、采集历史数据库中含有待识别目标的实时图像，并进行超分重建及透视变换处理，得到若干处理后的实时图像；
36.s4112、采集历史数据库中若干处理后的实时图像作为样本图像集，并对样本图像集中的液面检测区域进行标注，得到目标区域样本图像集；
37.s4113、将目标区域样本图像集及对应的图像标注输入神经网络中进行训练，得到
液面区域标注模型。
38.进一步的，所述s4113中将目标区域样本图像集及对应的图像标注输入神经网络中进行训练，得到液面区域标注模型包括以下步骤：
39.将目标区域样本图像集分为训练样本图像集和测试样本图像集；
40.将训练样本图像集及对应的图像标注输入神经网络中进行训练，得到液面区域标注模型；
41.使用测试样本图像集对液面区域标注模型进行测试。
42.进一步的，所述s412中将处理后的实时图像输入液面区域标注模型进行标注还包括以下步骤：
43.在未得到标注成功的带有待识别目标液面检测区域的标注图像时，则根据该未得到标注成功的带有待识别目标液面检测区域的标注图像对液面区域标注模型进行更新，得到更新后的液面区域标注模型。
44.本发明的有益效果为：通过利用超分辨率重建及透视变换技术对含有待识别目标的实时图像进行超分重建处理及透视变换处理，从而可以有效地提升采集图像的质量，为后续液面高度的识别提供了有效地保障，进而可以有效地提升液位高度识别的准确率。此外，本发明通过采集历史数据库中的实时图像构建液面区域标注模型，从而可以快速、准确、自动的实现对待识别目标液面检测区域的图像进行液面检测区域标注，有效地解决了液面高度识别中图像标注繁琐费时的问题，极大提高了标注结果的准确性，可以更好地满足于液面高度的识别需求。
附图说明
45.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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1是根据本发明实施例的一种基于图像识别的液面高度识别方法的流程示意图。
具体实施方式
47.为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
48.根据本发明的实施例，提供了一种基于图像识别的液面高度识别方法。
49.现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的一种基于图像识别的液面高度识别方法，该液面高度识别方法包括以下步骤：
50.s1、通过预设的图像采集设备获取含有待识别目标的实时图像，得到原始实时图像；
51.具体的，可通过预设的图像采集设备获取清晰度较高的实时图像；其中，实时图像
中含有待识别目标。此外还可以可采用设置有摄像机的巡检机器人对待识别目标所在区域的场景进行拍摄，以获取实时图像。
52.s2、利用图像超分法对原始实时图像进行超分重建，得到预处理的实时图像；
53.其中，所述s2中利用图像超分法对原始实时图像进行超分重建，得到预处理的实时图像包括以下步骤：
54.s21、对原始实时图像进行图像分辨率核验，并判断原始实时图像的分辨率是否低于预设阈值；
55.具体的，所述s21中的预设阈值为480*480，且该预设阈值可人工修改。
56.尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但一个核心问题仍然很大程度上未解决：当我们在大的升级因子上超分辨时，如何恢复更精细的纹理细节？基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比，但它们通常缺乏高频细节，并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本发明中，提出了srgan，一种用于图像超分辨率(sr)的生成对抗网络(gan)，它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标，本发明提出了一种感知损失函数，它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形，该网络经过训练以区分超分辨率图像和原始照片真实图像。另外，本发明使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。本发明的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分(mos)测试显示使用srgan在感知质量方面获得了巨大的显着提升。使用srgan获得的mos分数比使用任何现有技术方法获得的mos分数更接近于原始高分辨率图像的mos分数。
57.s22、将分辨率低于预设阈值的原始实时图像导入srgan网络；
58.s23、对srgan网络中放大倍数、学习率及迭代次数的核心运行参数进行设置；具体的，srgan网络中放大倍数为4倍，学习率为0.0001，迭代次数为10000次。
59.s24、通过srgan网络中三个卷积层(convolution layers)进行逐步处理，生成高分辨率的图像；
60.具体的，所述s24中通过srgan网络中三个卷积层进行逐步处理，生成高分辨率的图像包括以下步骤：
61.首先利用第一卷积层抽取原始实时图像的特征点(feature maps)；然后通过第二卷积层对特征点进行非线性映射，实现对每个特征点缺失细节的预测；最后利用第三层卷积层组合映射后的图像，生成高分辨率的图像。
62.s25、输出处理后的原始实时图像，得到预处理后的实时图像。
63.s3、利用透视变换原理对预处理的实时图像中角度偏离的图像进行变换处理，得到处理后的实时图像；
64.其中，所述s3中利用透视变换原理(通过opencv实现)对预处理的实时图像中角度偏离的图像进行变换处理，得到处理后的实时图像包括以下步骤：
65.s31、调用opencv中的getperspectivetransform函数对预处理的实时图像进行处理，得到透视变换矩阵；
66.s32、调用opencv中的warpperspective函数执行透视变换，得到处理后的实时图像。
67.opencv是一个基于bsd许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在linux、windows、android和mac os操作系统上。它轻量级而且高效——由一系列c函数和少量c 类构成，同时提供了python、ruby、matlab等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
68.s4、利用处理后的实时图像获取待识别目标的液位高度，并依据预设的液位高度预警值进行液位高度预警；
69.其中，所述s4中利用处理后的实时图像获取待识别目标的液位高度，并依据预设的液位高度预警值进行液位高度预警包括以下步骤：
70.s41、将处理后的实时图像输入预设的液面区域标注模型进行标注，得到带有待识别目标液面检测区域的标注图像；
71.具体的，所述s41中将处理后的实时图像输入预设的液面区域标注模型进行标注，得到带有待识别目标液面检测区域的标注图像包括以下步骤：
72.s411、利用历史数据库中处理后的实时图像构建液面区域标注模型；
73.所述s411具体包括以下步骤：
74.s4111、采集历史数据库中含有待识别目标的实时图像，并进行超分重建及透视变换处理，得到若干处理后的实时图像；
75.s4112、采集历史数据库中若干处理后的实时图像作为样本图像集，并对样本图像集中的液面检测区域进行标注，得到目标区域样本图像集；
76.s4113、将目标区域样本图像集及对应的图像标注输入神经网络中进行训练，得到液面区域标注模型。
77.所述s4113具体包括以下步骤：
78.将目标区域样本图像集分为训练样本图像集和测试样本图像集；
79.将训练样本图像集及对应的图像标注输入神经网络中进行训练，得到液面区域标注模型；
80.使用测试样本图像集对液面区域标注模型进行测试。
81.其中，神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。通过神经网络训练得到的液面区域标注模型可使图像标注的准确性更高。
82.s412、将处理后的实时图像输入液面区域标注模型进行标注，得到带有待识别目标液面检测区域的标注图像。
83.其中，所述s412中将处理后的实时图像输入液面区域标注模型进行标注还包括以下步骤：
84.在未得到标注成功的带有待识别目标液面检测区域的标注图像时，则根据该未得到标注成功的带有待识别目标液面检测区域的标注图像对液面区域标注模型进行更新，得到更新后的液面区域标注模型。
85.s42、对带有待识别目标液面检测区域的标注图像进行裁剪处理，得到待识别图
像；
86.s43、利用待识别图像中插入水体的标尺刻度值分析得到待识别目标的液位高度；
87.s44、将待识别目标的液位高度与预设的液位高度预警值进行对比，当液位高度大于液位高度预警值时则进行语音报警。
88.s5、通过预设时间段内的若干组液位高度值进行液面均值计算或拟合处理，得到液面的实际高度。
89.综上所述，借助于本发明的上述技术方案，通过利用超分辨率重建及透视变换技术对含有待识别目标的实时图像进行超分重建处理及透视变换处理，从而可以有效地提升采集图像的质量，为后续液面高度的识别提供了有效地保障，进而可以有效地提升液位高度识别的准确率。此外，本发明通过采集历史数据库中的实时图像构建液面区域标注模型，从而可以快速、准确、自动的实现对待识别目标液面检测区域的图像进行液面检测区域标注，有效地解决了液面高度识别中图像标注繁琐费时的问题，极大提高了标注结果的准确性，可以更好地满足于液面高度的识别需求。
90.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。