[发明专利]一种水位识别方法、装置、设备及存储介质

说明书

本发明提供一种水位识别方法、系统、设备及存储介质，其方法包括：获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺；对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标；以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。通过水尺训练提取特征点，水尺坐标加上关键点坐标，可提高水位识别的精确性。

技术领域

本发明涉及水位识别领域，具体而言，涉及一种水位识别方法、装置、设备及存储介质。

背景技术

在水利行业应用中，经常需要对水位进行检测，例如需要对地下水、水塔、水电站、水库等的水位进行检测。目前的水位检测方式主要使用浮子式、压力传感式、超声波式、雷达和激光等应用的水位计。这些水位计因构造原理不同，在实际应用前需要考虑适用范围、建设成本以及施工难度等各方面的制约和影响。

目前一种基于深度学习的水尺识别方法使用方法Faster-RCNN算法网络，通过E切割这种方法污泥粘上根本无法识别。方法YOLOv3识别出水尺位置网络的识别数字误差较大，尤其在恶劣环境下，例如污泥、暴雨或者晚上的情况下，水位线识别率不高，水位线精准识别较困难，刻度值识别较差。

发明内容

本发明的目的在于提供一种水位识别方法、装置、设备及存储介质，以解决上述存在的问题。

为实现上述目的，本发明实施例提供一种水位识别方法，其包括：

获取多张作为训练用的训练图像；其中，所述训练图像包括位于水域中的水尺；

对所述训练图像进行特征提取，以获得特征信息；所述特征信息包括水尺坐标以及与水域的水位相关的至少两个关键点的坐标；

以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块，以基于所述训练后的神经网络模块对待识别图像进行识别，确定与所述待识别图像对应的水位。

进一步的，所述神经网络模型为轻量级模型；所述轻量级模型通过yolov3 tiny网络模型与MobileNetV2网络模型结合生成。

进一步的，所述神经网络模型通过如下方式获得：

通过深度裁剪，用MobileNetV2的网络替代yolov3 tiny模型的主干网络，获得MobileNetV2集合yolov3 tiny分类回归网络模型的神经网络模型。

更进一步的，所述MobileNetV2包括17层深度可分离卷积和2层标准卷积；所述深度可分离卷积包括depthwise和pointwise。

进一步的，在以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模型之后，还包括：

对训练得到的神经网络模型进行进行int8量化，使原来的float32bit的卷积操作转换为int8的卷积操作。

进一步的，在以标记的水尺坐标与至少两个关键点的坐标作为神经网络模型的输入，以水尺坐标、水尺的概率以及至少两个关键点的坐标作为神经网络模型的输出，对所述神经网络模型进行训练，获得训练后的神经网络模块之后，还包括：

获取待识别图像；

将所述待识别图像输入至所述神经网络模型，以输出水尺坐标、水尺的概率以及至少两个关键点的坐标；