基于卷积神经网络的监控图像水位识别

基于水尺的水位监测由于其廉价和便携的特点而得到广泛应用。然而,在复杂的实际水文场景中,如何从水尺图像中准确检测水位仍然是一个棘手的问题。本文提出了一种水位测量的复合方法。与传统方法不同,该方法可以从复杂多变的场景中检测出水位的位置和数量,然后从变化的水位中准确地分割出水位线,最终得到准确的水位值。该方法首先通过上下文调整模块改进了FCOS模型,以满足边缘计算的要求,并保证了比较高的检测精度。其次,为了模块化语义关系,应用Deeplab-v3的上下文校正模块来分割水尺图像的水面以上区域,被分割的区域可以用来计算水位线的位置。最后,结合所有的结果来计算水尺图像的水位值。实验证明:本文提出的复合方法,解决了复杂水文场景下的水尺水位计算问题,计算的水位误差已经精确到1厘米,大大优于现有的方法。