本技術(shù)涉及水位監(jiān)測，特別涉及一種水位測量方法、產(chǎn)品、設備及存儲介質(zhì)。

背景技術(shù)：

1、水位作為水文測量的關(guān)鍵要素，是水資源配置和水旱災害防御的基礎支撐數(shù)據(jù)，并且水資源與水安全問題嚴重影響國民經(jīng)濟發(fā)展，而水資源高效配置和洪澇災害的有效防御依賴于水位數(shù)據(jù)的實時精準監(jiān)測，因此開展水位測量方法研究具有重要意義。

2、傳統(tǒng)水位測量方法主要分為人工水尺讀數(shù)法和傳感器（如壓力、超聲、雷達等傳感器）自動采集法兩大類，已廣泛應用于水位測量實踐，但人工水尺讀數(shù)法需要人工現(xiàn)場進行讀數(shù)，效率低下，并且更新數(shù)據(jù)不及時、人為因素干擾較大，而通過傳感器浮漂等設備進行讀數(shù)，不僅設備昂貴，還易損壞。

3、隨著智慧水利建設和信息技術(shù)的發(fā)展，監(jiān)控攝像機遍布各河流與水庫，基于圖像的水位測量方法逐漸應用于水位監(jiān)測，該方法通過攝像頭識別水尺的度數(shù)，提供監(jiān)控點位的實時可視化水位數(shù)據(jù)，建設維護成本較低，因此應用前景廣泛。然而，當前基于視覺的深度學習水尺檢測方法通常是通過目標分割網(wǎng)絡和目標檢測網(wǎng)絡結(jié)合起來進行水尺刻度的識別，該方法受限于圖片數(shù)量，數(shù)據(jù)樣本少，精度低，并且在水面清澈、反光、湍流（即水流湍急）、波浪、水尺下端臟污、水面倒影和水面以下刻度可見等情況下，會嚴重影響檢測精度，并且檢測數(shù)值波動較大，另外，模型參數(shù)較大，很難實現(xiàn)實時告警，從而導致告警延遲，延誤了防汛。

技術(shù)實現(xiàn)思路

1、有鑒于此，本技術(shù)的目的在于提供一種水位測量方法、產(chǎn)品、設備及存儲介質(zhì)，能夠簡化水尺識別流程，提高水尺識別的效率，同時，避免了檢測誤差，從而提高了水位檢測的效率和準確度。其具體方案如下：

2、第一方面，本技術(shù)公開了一種水位測量方法，包括：

3、將實時接收到的水尺視頻流中的當前水尺圖像輸入至訓練后水尺識別模型中，以對所述當前水尺圖像進行檢測，得到相應的水尺檢測結(jié)果；所述水尺檢測結(jié)果包含識別到的水面、水尺上的預設圖標、水尺上標記的水尺數(shù)值以及各所述水尺數(shù)值分別對應的置信度；所述水尺上分布有若干預設圖標，以通過各所述預設圖標進行水位刻度的劃分；

4、按照置信度從大到小的順序，從所述水尺檢測結(jié)果中篩選預設數(shù)量個目標置信度及對應的目標預設圖標和目標水尺數(shù)值；

5、基于所述目標預設圖標在水尺上的圖標位置與目標交界點之間的距離，并結(jié)合所述目標水尺數(shù)值在水尺上的數(shù)值位置計算所述目標交界點對應的實際水位高度；所述目標交界點為所述當前水尺圖像中水尺與水面的交界點。

6、可選的，所述將實時接收到的水尺視頻流中的當前水尺圖像輸入至訓練后水尺識別模型中，以對所述當前水尺圖像進行檢測，得到相應的水尺檢測結(jié)果，包括：

7、獲取實時接收到的水尺視頻流中的水尺圖像，得到當前水尺圖像；所述水尺視頻流為采用自然光以及照射強度滿足預設高強度條件的白光交替對目標水尺所在區(qū)域的水面進行照射后采集到的視頻流；

8、將所述當前水尺圖像輸入至訓練后水尺識別模型中，以對所述當前水尺圖像進行檢測，得到相應的水尺檢測結(jié)果。

9、可選的，所述按照置信度從大到小的順序，從所述水尺檢測結(jié)果中篩選預設數(shù)量個目標置信度及對應的目標預設圖標和目標水尺數(shù)值，包括：

10、根據(jù)所述水尺檢測結(jié)果中預設圖標的長度和方向?qū)λ霎斍八邎D像中的水尺進行校正，得到校正后水尺圖像；

11、判斷所述校正后水尺圖像中的水面下是否存在水尺元素；

12、若所述校正后水尺圖像中的水面下不存在水尺元素，則按照置信度從大到小的順序?qū)λ鏊邫z測結(jié)果中的多個置信度進行排序；

13、從排序后置信度中篩選前預設數(shù)量個目標置信度，并從所述水尺檢測結(jié)果中獲取與各所述目標置信度對應的目標預設圖標和目標水尺數(shù)值。

14、可選的，所述水位測量方法，還包括：

15、若所述校正后水尺圖像中的水面下存在水尺元素，則重新執(zhí)行所述將實時接收到的水尺視頻流中的當前水尺圖像輸入至訓練后水尺識別模型中，以對所述當前水尺圖像進行檢測，得到相應的水尺檢測結(jié)果的步驟。

16、可選的，所述基于所述目標預設圖標在水尺上的圖標位置與目標交界點之間的距離，并結(jié)合所述目標水尺數(shù)值在水尺上的數(shù)值位置計算所述目標交界點對應的實際水位高度，包括：

17、獲取各所述目標預設圖標所占的像素點數(shù)量和圖標大小，并基于所述目標水尺數(shù)值在水尺上的數(shù)值位置、所述目標水尺數(shù)值的大小及所述圖標大小判斷各所述目標水尺數(shù)值是否正確；

18、若各所述目標水尺數(shù)值均正確，則確定多個所述目標置信度中的最大置信度，并獲取所述最大置信度對應的目標水尺數(shù)值的豎直坐標值；

19、基于所述目標交界點與所述最大置信度對應的目標預設圖標的距離、所述豎直坐標值以及對應的所述像素點數(shù)量，計算所述目標交界點處對應的實際水位高度。

20、可選的，所述水位測量方法，還包括：

21、對采集到的各歷史水尺圖像進行打標簽，得到第一水尺圖像集；

22、對所述第一水尺圖像集中的各水尺圖像進行圖像增強，得到增強后圖像集；

23、將所述增強后圖像集輸入至初始圖像增強網(wǎng)絡中，以依次對所述初始圖像增強網(wǎng)絡中的圖像生成網(wǎng)絡和圖像辨別網(wǎng)絡進行模型訓練，得到訓練后圖像增強網(wǎng)絡；所述圖像生成網(wǎng)絡中包括基于第一卷積網(wǎng)絡和激活函數(shù)層構(gòu)建的特征融合網(wǎng)絡，以及基于第二卷積網(wǎng)絡和上采樣層構(gòu)建的上下文特征增強網(wǎng)絡；

24、通過所述訓練后圖像增強網(wǎng)絡中的圖像生成網(wǎng)絡生成新的水尺圖像，并對所述新的水尺圖像進行打標簽，得到第二水尺圖像集；

25、將所述第一水尺圖像集和所述第二水尺圖像集輸入至初始水尺識別模型中進行訓練，得到所述訓練后水尺識別模型。

26、可選的，所述對所述第一水尺圖像集中的各水尺圖像進行圖像增強，得到增強后圖像集，包括：

27、對所述第一水尺圖像集中的各水尺圖像進行明亮度變化，得到第一變化后水尺圖像；

28、基于從預設顏色集合中選擇的目標顏色對所述第一變化后水尺圖像進行色澤變化，以將所述第一變化后水尺圖像中水尺的顏色變更為所述目標顏色，得到第二變化后水尺圖像；

29、在各所述第二變化后水尺圖像中隨機增加顏色為所述預設顏色集合中的任意顏色的噪聲元素，得到包含多張噪聲增強后圖像的增強后圖像集。

30、可選的，所述基于從預設顏色集合中選擇的目標顏色對所述第一變化后水尺圖像進行色澤變化之前，還包括：

31、基于所述水尺上標記的所述水尺數(shù)值的顏色以及所述預設圖標的顏色，構(gòu)建所述預設顏色集合。

32、可選的，所述將所述增強后圖像集輸入至初始圖像增強網(wǎng)絡中，以依次對所述初始圖像增強網(wǎng)絡中的圖像生成網(wǎng)絡和圖像辨別網(wǎng)絡進行模型訓練，得到訓練后圖像增強網(wǎng)絡，包括：

33、從所述增強后圖像集中抽取第一數(shù)量個水尺圖像，得到第一類圖像；

34、從所述增強后圖像集中隨機抽取第二數(shù)量個水尺圖像并從隨機抽取到的所述水尺圖像中剔除水尺所在的區(qū)域畫面，得到第二類圖像；

35、將所述第一類圖像和所述第二類圖像輸入至初始圖像增強網(wǎng)絡中的圖像生成網(wǎng)絡中進行模型訓練，并輸出生成圖像；

36、將所述生成圖像和所述第一類圖像輸入至初始圖像增強網(wǎng)絡中的圖像辨別網(wǎng)絡中進行模型訓練，得到訓練后圖像增強網(wǎng)絡。

37、可選的，所述將所述第一類圖像和所述第二類圖像輸入至初始圖像增強網(wǎng)絡中的圖像生成網(wǎng)絡中進行模型訓練，并輸出生成圖像，包括：

38、將所述第一類圖像轉(zhuǎn)換為二值圖像，得到轉(zhuǎn)換后圖像，并對所述轉(zhuǎn)換后圖像進行尺寸調(diào)整，得到第一調(diào)整后圖像；

39、對所述第二類圖像進行尺寸調(diào)整，得到第二調(diào)整后圖像，并對所述第二調(diào)整后圖像進行歸一化處理，得到第一歸一化后圖像；

40、將所述第一調(diào)整后圖像和所述第一歸一化后圖像輸入至初始圖像增強網(wǎng)絡中的圖像生成網(wǎng)絡中進行模型訓練，并輸出生成圖像。

41、可選的，所述將所述生成圖像和所述第一類圖像輸入至初始圖像增強網(wǎng)絡中的圖像辨別網(wǎng)絡中進行模型訓練，得到訓練后圖像增強網(wǎng)絡，包括：

42、對所述生成圖像進行尺寸調(diào)整，得到第三調(diào)整后圖像，并對所述第三調(diào)整后圖像進行歸一化處理，得到第二歸一化后圖像；

43、對所述第一類圖像進行尺寸調(diào)整，得到第四調(diào)整后圖像，并對所述第四調(diào)整后圖像進行歸一化處理，得到第三歸一化后圖像；

44、將所述第二歸一化后圖像和所述第三歸一化后圖像輸入至初始圖像增強網(wǎng)絡中的圖像辨別網(wǎng)絡中進行模型訓練，得到訓練后圖像增強網(wǎng)絡。

45、可選的，所述訓練后水尺識別模型為利用歷史水尺圖像集對基于快速空間金字塔池化網(wǎng)絡、目標特征提取網(wǎng)絡和特征融合網(wǎng)絡的初始水尺識別模型進行訓練后得到的模型；所述目標特征提取網(wǎng)絡為基于第三數(shù)量個卷積網(wǎng)絡和第四數(shù)量個c3網(wǎng)絡構(gòu)建的網(wǎng)絡。

46、第二方面，本技術(shù)公開了一種計算機程序產(chǎn)品，包括計算機程序/指令，所述計算機程序/指令被處理器執(zhí)行時實現(xiàn)前述的水位測量方法。

47、第三方面，本技術(shù)公開了一種電子設備，包括處理器和存儲器；其中，所述處理器執(zhí)行所述存儲器中保存的計算機程序時實現(xiàn)前述的水位測量方法。

48、第四方面，本技術(shù)公開了一種計算機可讀存儲介質(zhì)，用于存儲計算機程序；其中，所述計算機程序被處理器執(zhí)行時實現(xiàn)前述的水位測量方法。

49、可見，本技術(shù)先將實時接收到的水尺視頻流中的當前水尺圖像輸入至訓練后水尺識別模型中，以對所述當前水尺圖像進行檢測，得到相應的水尺檢測結(jié)果；所述水尺檢測結(jié)果包含識別到的水面、水尺上的預設圖標、水尺上標記的水尺數(shù)值以及各所述水尺數(shù)值分別對應的置信度；所述水尺上分布有若干預設圖標，以通過各所述預設圖標進行水位刻度的劃分；按照置信度從大到小的順序，從所述水尺檢測結(jié)果中篩選預設數(shù)量個目標置信度及對應的目標預設圖標和目標水尺數(shù)值；基于所述目標預設圖標在水尺上的圖標位置與目標交界點之間的距離，并結(jié)合所述目標水尺數(shù)值在水尺上的數(shù)值位置計算所述目標交界點對應的實際水位高度；所述目標交界點為所述當前水尺圖像中水尺與水面的交界點。本技術(shù)先通過訓練后的水尺識別模型對待測量的當前水尺圖像進行檢測，從而得到包含水面、水尺上的預設圖標、水尺上標記的水尺數(shù)值以及各水尺數(shù)值分別對應的置信度的水尺檢測結(jié)果，然后從水尺檢測結(jié)果中篩選出置信度排行前預設數(shù)量個的目標置信度及對應的目標預設圖標和目標水尺數(shù)值，最后基于目標預設圖標在水尺上的圖標位置與交界點之間的距離，并結(jié)合目標水尺數(shù)值在水尺上的數(shù)值位置來計算水尺與水面的交界點對應的實際水位高度，本技術(shù)通過水尺識別模型，同時考慮了水尺數(shù)值和預設圖標，摒棄了傳統(tǒng)的字符識別方式，可以簡化水尺識別的流程，提高水尺識別的效率，并且，通過檢測置信度高的水尺數(shù)值和預設圖標進行水位測量，可以避免檢測誤差，另外，本技術(shù)采用了水尺和水面交界點的方式，并通過圖標位置與交界點間的距離計算實際水位，可以有效避免因水流湍急或波浪等因素對交界點位置的影響，從而提高了水位檢測的準確度。