基于深度学习的视觉水位识别技术与装备

一、文献基础信息

标题：基于深度学习的视觉水位识别技术与装备

作者：王成建，马丁

来源：汉斯

DOI/链接：10.12677/jwrr.2024.133034，2024

分类标签：开题阶段-方法类-水位检测

二、文献核心内容

1. 研究问题：传统水位监测依赖人力或陈旧设施，洪水期间人工监测安全风险高，且难以实现高效精确的自动化；随着水文监测智能化发展，亟需在背景杂乱、光线剧变和水体波动等复杂场景下仍能保持高精度的实时测量方案 。

2. 核心方法：

• 图像预处理：包含裁剪、二维码透视校正、去雾、去噪及去雨算法，以增强图像语义信息，适应各类气候。

• 多路径识别算法：武大 AiFlow 视觉水位计融合了基于 YOLO 的实体水尺检测、基于语义分割的岸线识别。

• 数据融合：结合目标识别、语义分割与传统边缘提取方法，根据置信度进行加权处理，输出最终水位高程 。

3. 实验设计：在贵州麦穰水文站（台阶式岸坡，纹理杂乱）和河北黄壁庄水文站（流速大，波动剧烈）进行实证研究，分别与站点的浮子式自记水位计及雷达水位计进行数据对标，实现 24 小时监控，采样频率为 5min/次，依据 GB/T 50138-2010标准，通过系统误差和综合不确定度进行评估 。

4. 核心结果：

• 高相关性：麦穰站枯水、低水、中水期的视觉水位与浮子水位相关系数 R2 分别达到 0.9587、0.9990、0.9996 。

• 精度达标：综合不确定度均小于 3cm（实测在 2.45cm~2.55cm 之间），系统误差控制在 ±1cm 内，完全满足规范要求 。

• 抗干扰能力：在黄壁庄站面对瞬时波动达 0.16m 的剧烈水面时，通过算法融合消除了波浪干扰，保持了监测稳定性 。

5. 局限性：极端恶劣天气、水面悬浮物较多时的处理。

6. 与文献相关：

• 尤良全提出利用离散型 Hopfield 神经网络对分割的二进制编码字符进行修正，再通过模板匹配法算法对进行字符识别，最终获取水尺量程信息[2]。

• 许小华利用 YOLOX 深度学习模块提出基于水尺和水尺刻度"E"两阶段检测的识别水位智能算法，该算法可有效应对天气、采集图片角度、光照光线、水尺倾斜以及复杂背景等的影响[4]

三、与我的课题关联

1. 可复用内容：水位检测的方法、实地部署的方法。

2. 待改进方向：/

3. 引用场景：水尺水位检测

四、疑问和待跟进

1. 疑问：/

2. 待跟进：/