(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210220358.X (22)申请日 2022.03.08 (71)申请人 长江水利委员会长江科 学院 地址 430010 湖北省武汉市黄浦大街23号 (72)发明人 赵科锋　靖争　曹慧群　林莉　 唐见　罗平安　翟文亮　罗慧萍　 李晓萌　李欢　张玉鹏　尹鹏笼　 (74)专利代理 机构 武汉楚天专利事务所 421 13 专利代理师 孔敏 (51)Int.Cl. G06V 20/62(2022.01) G06V 10/22(2022.01) G06V 10/28(2022.01) G06V 10/30(2022.01) G06V 10/56(2022.01)G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于人工智能高精度识别水尺数据的 方法及系统 (57)摘要 本发明提供一种基于人工智能高精度识别 水尺数据的方法及系统， 该方法将水尺数据识别 分为水尺上数字识别及残缺字符 “E”识别， 二者 结果结合后即为水尺读数。 水尺上数字识别采用 人工智能技术， 通过对大量标注含 数字图片有监 督的训练、 学习， 识别水尺上数字及数字位置信 息； 水尺上残缺字符 “E”识别采用聚类分析、 降 噪、 角度校正等技术处理图像， 通过确定字符 “E” 最下端残缺部分像素坐标计算残缺字符 “E”读 数。 本发明水尺数据识别理论上可达到无误差， 实际应用中误差可控制在1cm以内， 能够高精度 实现无人值守、 实时水尺读数识别， 且可移植性 高， 具有重要的实用价 值。 权利要求书2页 说明书5页 附图3页 CN 114627461 A 2022.06.14 CN 114627461 A 1.一种基于人工智能高精度识别水尺数据的方法， 其特 征在于： 包括如下步骤： 第一步， 水尺图像获取： 通过高清摄 像机， 获取野外水尺图像， 并传输 至室内计算机； 第二步， 水尺数字及数字位置识别： 通过卷积神经网络， 有监督的训练、 学习已标注数 字的图像， 获取数字特征权重， 利用训练过的模型识别野外水尺图像， 获取数字及数字位置 信息， 确定水尺最下端数字； 第三步， 水尺图像聚类分析： 根据数字位置信息， 截取水尺最下端数字及字符 “E”图像， 通过无监督的学习方式， 进行图像聚类分析， 对比字符 “E”的颜色， 将截取的图像二 值化； 第四步， 水尺残缺 “E”刻度识别： 对二值化后的图像进行邻域降噪、 校正， 从图像底部读 取图像数据， 识别与字符 “E”相同的RGB值， 确 定残缺字符 “E”的像素坐标， 计算水尺上残缺 字符“E”的读数； 第五步， 水尺读数计算： 根据第二步确定的水尺最下端数字与第四步确定的残缺 “E”的 读数， 计算水尺读数。 2.如权利要求1所述的一种基于人工智能高精度识别水尺数据的方法， 其特征在于： 所 述的第一 步包括以下步骤： 在某水尺前方架设高清摄像机， 间隔一定时间拍摄一张图像， 并传输至计算机指定文 件夹内。 3.如权利要求2所述的一种基于人工智能高精度识别水尺数据的方法， 其特征在于： 所 述的第二 步包括以下步骤： 步骤2.1， 图像标注： 收集水尺图像或含数字图像， 进行数字标注， 得到人工智能训练、 验证及测试 所需的数据集； 步骤2.2， 图像深度训练学习： 利用卷积神经网络对标注的训练集、 验证集及测试集进 行有监督的深度训练、 学习， 得到卷积神经网络模型； 步骤2.3， 水尺数字信息识别： 利用深度学习后的卷积神经网络模型， 检测野外水尺图 像， 提取水尺数字及数字位置信息， 所述数字位置信息包括数字中心 坐标及数字图像宽、 高 像素信息， 根据数字纵向像素坐标， 确定水尺最下端数字 。 4.如权利要求3所述的一种基于人工智能高精度识别水尺数据的方法， 其特征在于： 所 述的第三 步包括以下步骤： 步骤3.1， 图像裁剪： 根据步骤2.3数字位置信息， 截取水尺最下端数字及下端含字符 “E”的图像； 步骤3.2， 图像聚类分析： 将截取图像信息转换成二维数据， 利用无监督学习的方式， 进 行聚类分析， 通过设置阈值， 对比字符 “E”的颜色， 将截取的图像二 值化。 5.如权利要求4所述的一种基于人工智能高精度识别水尺数据的方法， 其特征在于： 所 述的第四步包括以下步骤： 步骤4.1， 图像降噪校正： 利用计算机图像分析技术， 进行邻域降噪及角度校正处理， 得 到无杂色、 字符 “E”无倾斜的图像； 步骤4.2， 水尺残缺 “E”刻度计算： 读取降噪校正后的图像， 从图像底部向上遍历， 获取 与字符“E”相同RGB值的像素坐标， 利用残缺字符 “E”最大的纵向像素坐标， 换算残缺 “E”的 读数。 6.一种基于人工智能高精度识别水尺数据的系统， 其特 征在于： 包括：权　利　要　求　书 1/2 页 2 CN 114627461 A 2水尺图像获取模块， 用于拍摄水尺图像， 将拍摄的野外水尺图像传输至计算机； 所述水 尺图像获取模块可采用高清摄 像机； 水尺数字及数字位置识别模块， 用于通过卷积神经网络， 有监督的训练、 学习已标注数 字的图像， 获取数字特征权重， 利用训练过的模型识别野外水尺图像， 获取数字及数字位置 信息， 确定水尺最下端数字； 水尺图像聚类分析模块， 用于根据数字位置信息， 截取水尺最下端数字及字符 “E”图 像， 通过无监督的学习方式， 进行图像聚类分析， 对比字符 “E”的颜色， 将截取的图像二值 化； 水尺残缺“E”刻度识别模块， 用于对二值化后的图像进行邻域降噪、 校正， 从图像底部 读取图像数据， 识别与字符 “E”相同的RGB值， 确定残缺字符 “E”的像素坐标， 计算水尺上残 缺字符“E”的读数； 水尺读数计算模块， 用于根据数字信息识别模块确定的水尺最下端数字与水尺残缺 “E”刻度识别模块确定的残缺 “E”的读数， 计算水尺读数。权　利　要　求　书 2/2 页 3 CN 114627461 A 3