[发明专利]基于深度学习算法的水尺水位视频智能监测方法及系统

权利要求书

1.一种基于深度学习算法的水尺水位视频智能监测方法，其特征在于，包括以下步骤：

采集水位视频，所述水位视频中包括水面和水尺的图像信息；

从所述水位视频中提取视频帧，通过事先经过训练的全卷积神经网络对所述视频帧进行处理，得到区分出水尺区域和水面区域的处理图像；

从所述处理图像中确定水位线的准确位置；

根据水位线在水尺上的相对位置测算出水体的水位。

2.根据权利要求1所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述全卷积神经网络依次包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、池化层和上采样层；所述上采样层采用反卷积操作，以用于将由于多次卷积操作而缩小的图像恢复为原始尺寸。

3.根据权利要求2所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述第一卷积层卷积核的通道数、宽度和高度分别为96、11、11，所述第二卷积层卷积核的通道数、宽度和高度分别为265、5、5，所述第三卷积层卷积核的通道数、宽度和高度分别为384、3、3，所述第四卷积层卷积核的通道数、宽度和高度分别为384、3、3，所述第五卷积层卷积核的通道数、宽度和高度分别为256、3、3。

4.根据权利要求2所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述第一卷积层卷积核的通道数、宽度和高度分别为96、11、11，所述第二卷积层卷积核的通道数、宽度和高度分别为265、5、5，所述第三卷积层卷积核的通道数、宽度和高度分别为4096、1、1，所述第四卷积层卷积核的通道数、宽度和高度分别为4096、1、1，所述第五卷积层卷积核的通道数、宽度和高度分别为1000、1、1。

5.根据权利要求1所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述从所述水位视频中提取视频帧，通过事先经过训练的全卷积神经网络对所述视频帧进行处理，得到区分出水尺区域和水面区域的处理图像的步骤中，区分出水尺区域和水面区域的处理图像为对水尺区域和水面区域进行了不同着色的图像。

6.根据权利要求1所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述从所述处理图像中确定水位线的准确位置的方式为：

利用Canny算子对所述处理图像进行边缘检测，得到边缘图像；

对所述边缘图像进行形态学膨胀处理：把二值图像各1像素连接成分的边界扩大一层，从而填充边缘以及0像素点内部的孔；

对所述边缘图像进行形态学腐蚀处理：把二值图像各1像素连接成分的边界点去掉，使边界缩小一层，从而去掉毛刺和孤立的0像素点；

利用水面与水尺交界面处的图像突变信息得到水位线的准确位置。

7.根据权利要求1所述的基于深度学习算法的水尺水位视频智能监测方法，其特征在于，所述从所述处理图像中确定水位线的准确位置的方式为：

将所述处理图像输入到事先经过训练的回归网络中，由所述回归网络确定水位线的准确定位；所述回归网络包括前面5个卷积层以及后面3个全连接层，所述5个卷积层卷积核的通道数、宽度和高度依次分别为(96，11，11)、(256，5，5)、(384，3，3)、(384，3，3)和(256，3，3)。

8.一种基于深度学习算法的水尺水位视频智能监测系统，其特征在于，包括以下模块：

视频采集模块，用于采集水位视频，所述水位视频中包括水面和水尺的图像信息；

处理模块，用于从所述水位视频中提取视频帧，通过事先经过训练的全卷积神经网络对所述视频帧进行处理，得到区分出水尺区域和水面区域的处理图像；

水位线识别模块，用于从所述处理图像中确定水位线的准确位置；

水位测算模块，用于根据水位线在水尺上的相对位置测算出水体的水位。