复杂场景下无水尺水位的影像水位反演智能检测方法

TP391%P237; 实现精细化水务管控和洪涝灾害预警,需要实时、准确感知水位突变事件.现有技术不能满足夜晚、雾霾、雨天、雪天、漂浮物遮挡及阴影等复杂恶劣环境下的水位识别需求.为此,本文提出一种融合改进YOLOv5与卡尔曼滤波原理的无水尺水位智能检测技术:①引入YOLOv5对水位线(水岸分界线)进行检测,并利用线性拟合方法获得实际水位线;②针对水位线在延伸方向无限大而在其法向无限小特点,提出强化中尺度特征的多层级特征融合方法改进原YOLOv5算法;③利用卡尔曼滤波引入水位历史信息作为先验知识,提高本技术对复杂恶劣环境的泛化性能;④将图像中事先标定的固定的标志物加入到深度学习网络中训练,根据标...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 53; no. 3; pp. 558 - 568
Main Authors 孙传猛, 魏宇, 李欣宇, 马铁华, 武志博
Format Journal Article
LanguageChinese
Published 中北大学电气与控制工程学院,山西太原 030051 20.03.2024
中北大学省部共建动态测试技术国家重点实验室,山西太原 030051
Subjects
deep learning
水位识别
YOLOv5
卡尔曼滤波
无水尺水位检测
深度学习
water level identification
Kalman filtering
water level detection without water gauge
Online AccessGet full text

Cover

More Information
Summary:TP391%P237; 实现精细化水务管控和洪涝灾害预警,需要实时、准确感知水位突变事件.现有技术不能满足夜晚、雾霾、雨天、雪天、漂浮物遮挡及阴影等复杂恶劣环境下的水位识别需求.为此,本文提出一种融合改进YOLOv5与卡尔曼滤波原理的无水尺水位智能检测技术:①引入YOLOv5对水位线(水岸分界线)进行检测,并利用线性拟合方法获得实际水位线;②针对水位线在延伸方向无限大而在其法向无限小特点,提出强化中尺度特征的多层级特征融合方法改进原YOLOv5算法;③利用卡尔曼滤波引入水位历史信息作为先验知识,提高本技术对复杂恶劣环境的泛化性能;④将图像中事先标定的固定的标志物加入到深度学习网络中训练,根据标志位真实尺寸解算实际水位高程,实现无水尺检测方案.相关试验和实践表明,改进的YOLOv5更加轻量化;本文所述水位智能检测技术斜率准确性为97.3％,较原算法提高了 2.4％;截距准确性为99.3％,较原算法提高了 0.5％;在夜晚、雾霾、雨天、雪天、漂浮物遮挡及阴影等复杂恶劣环境下可以自动、准确识别出水位高程,误差小于0.1 m.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20220561