关键词:
水位检测
超分辨率图像重建
Retinex
引导滤波算法
卷积神经网络
摘要:
传统的液位检测方法由于其测量设备的特性,对于环境有一定的要求,而且安装维护比较复杂。随着数字图像处理以及计算机视觉的迅速发展,通过摄像头拍摄水位标尺图像,然后对图像进行处理以识别水位信息,可以大大减少安装维护的复杂性。因此本文充分利用标尺的轮廓像素一般比周围像素有更高的对比度、标尺的区域总是闭合的以及标尺上的刻度和数字字符之间总是有关系的等先验信息,提出了一种端到端的精确定位和识别水位标尺的方法,重点对夜间照明较弱、光线不足的水位标尺图像进行夜间图像对比度增强,对低分辨率低质量的远距离水位标尺图像进行超分辨率图像重建,经过大量实验验证本文的方法提高了检测水位的精度和可靠性。本文的主要工作如下:(1)分析和总结了现有的液位检测技术的典型思想和原理,介绍数字图像处理在液位检测方面的应用,然后详细介绍了本文基于数字图像处理的水位检测识别方法的总体设计及特点,包括夜间和远距离情况下水位标尺图像的增强处理,标尺识别以及水位值输出的实现等;(2)提出了一种端到端的精确定位和识别水位标尺的方法。该方法首先通过自适应阈值算法、形态学滤波、边缘检测以及目标识别等算法定位并截取标尺,再利用方向梯度特征(Histogram of Oriented Gradients,HOG)和支持向量机(Support Vector Machine,SVM)方法识别相应的数字字符。与传统的液位检测算法相比,该方法可以直接得到标尺显示的液位值,而不再需要人工识别。(3)针对夜间照明环境较弱、光照不均匀的水位标尺图像,本文在传统的夜间图像增强算法的基础上,提出了一种基于引导滤波和全局对比度增强的Retinex夜间图像增强算法。该方法在增强了标尺与背景的对比度的同时还很好地保持了标尺边缘细节,显著提高了夜间图像的水位识别率。(4)针对远距离拍摄得到的图像中标尺区域不清晰的情况,本文利用深度学习中的卷积神经网络和深度递归神经网络对低质量的水位标尺图像进行超分辨率图像重建,使得重建后的图像能有效表征水位信息,从而提高远距离拍摄条件下的水位识别率。