智能识别,一键采集(基于水尺图像的智能识别研发工作并投人试运行，智能水尺识别技术分为)

　　智能识别,一键采集(基于水尺图像的智能识别研发工作并投人试运行，智能水尺识别技术分为)

　　随着全球技术变革的深入推进，云计算、物联网、大数据和人工智能从高度技术性和学术性的频率逐渐向外延伸，形成了万物互联、智能的新时代。水务行业也将与智能化相结合，更好地服务于水务行业。目前，已经出现了多款将水务行业与人工智能相结合的产品。识别水的颜色和透明度；对监测区域内游泳、钓鱼、划船等非法入侵行为进行监测预警；水面垃圾识别。通过人工智能技术，可以自动处理大量视频和图像文件，识别相关信息，并根据水行业需求自动推送异常报警信息。水位数据的获取对于日常水资源调度和汛期防洪排涝至关重要。近年来，许多省市水局及相关管理单位建立了多套视频监控系统。视频站点覆盖重要的大中型水库、流域、城市河湖、排水泵站。可以直接采集水位计图像的视频监控站点有很多。为方便水管单位监测水位，充分利用“视频监控+智能识别”技术支撑业务，

　　1. 如何采集水位

　　1.1 人工观察

　　传统的水位测量方法是安装水位计，手动读数，一般在早上8点和下午4点取两次读数。这种方法费时费力。下雨时，人员需要到现场进行读数，以获取水位信息。在大雨的情况下，天气会造成读数不准确，增加误差，也会威胁到人员安全。

　　1.2 自动采集

　　机械水位监测是安装水位计。常用的方法有静压水位计、浮子水位计、雷达水位计、超声波水位计和电子水位计。每种方法都有其优点和缺点。易受温度、湿度、风浪等影响，导致数据精度较低。

　　1.3 智能水位监测方法

　　许多企业利用人工智能技术，开展了基于水位计图像的智能识别研发并投入试运行。智能水表识别技术分为基于视频的前端识别和基于视频的后端识别两种。基于视频前端识别，以海康威视为例，在视频前端构建智能算法，根据环境对图像进行调整优化，读取准确率高，环境适应性强。使用多个视频帧来识别，并通过平均算法消除风浪的影响。基于视频后端平台，以江河锐通为例，基于已建立的视频统一接入图像，采用图像识别专业GPU服务器对自动获取的图像进行识别，进行模型特定场景训练。深度卷积神经网络用于基于机器学习技术，基于开源的caffe和pytorch深度学习框架以及自主研发的学习模型搭建图像识别应用平台。

　　2. AI开发平台的选择

　　未来，人工智能是中国数字经济发展的主要动力之一，作为人工智能增长动力的算法、算力、数据正在快速发展。

　　（1)这几年算法发展很快，出现了各种创新，深度学习，从DNN、RNN、CNN，到GAN……不断有新的发明创造。算法迭代的技术对思维方式转变的创新意味着人工智能乃至社会生态的无限可能。

　　（2) 计算能力为技术变革奠定了基础。互联网对人类日常生活的高度渗透，催生了计算能力的快速提升。随着计算成本的不断下降，服务器变得越来越强大、人工 智能技术发展的局限性正在减弱。

　　（3)用于样本标记的大量数据样本集合。

　　通过调研，了解了很多厂商的开发平台，最终选择了华为的ModelArts平台。它的优势在于算法、计算能力以及在水利方面的应用。其中，算法可以使用平台现有的通用算法，大大缩短了建立时间，降低了技术人员的进入门槛。算力可以按需租用GPU服务器，减少前期研究投入。在水利应用方面，从智能抄表、防洪减灾到污水处理和生态保护，全球领先的云、大、物理、智能信息技术积极融入水利行业发展需求，推动水利行业数字化转型，提升水利治理现代化水平。ModelArts是华为全栈全场景AI解决方案用户和开发者的门户。ModelArts作为一站式AI开发平台，可以支持开发者从数据到AI应用的整个开发过程。系统架构包括数据处理、模型训练、模型管理、部署等操作。具体架构如图1所示。它还提供了AI市场功能，可以与市场上的其他开发者共享模型、API和数据集。全栈全场景AI解决方案。ModelArts作为一站式AI开发平台，可以支持开发者从数据到AI应用的整个开发过程。系统架构包括数据处理、模型训练、模型管理、部署等操作。具体架构如图1所示。它还提供了AI市场功能，可以与市场上的其他开发者共享模型、API和数据集。全栈全场景AI解决方案。ModelArts作为一站式AI开发平台，可以支持开发者从数据到AI应用的整个开发过程。系统架构包括数据处理、模型训练、模型管理、部署等操作。具体架构如图1所示。它还提供了AI市场功能，可以与市场上的其他开发者共享模型、API和数据集。

　　图 1 Mode1Arts 架构

　　从技术上看，Mode1Arts底层支持各种异构计算资源，用户可以根据自己的需求灵活选择使用，无需担心底层技术。同时ModelArts支持Tensorflow、MXNet等主流开源AI开发框架，也支持用户使用自研算法框架。ModelArts目前支持图像分类、图像检测、视频分析、语音识别等多种AI应用场景。

　　3. 智能水表识别模型研究

　　本次我们使用华为ModelArts平台，从水位计*敏*感*词*的视频流中提取水位计图片，过滤出符合要求的图片。创建智能水表识别模型，开始数据标注，进行模型训练，然后在线部署。通过识别水位计中刻度线的数量，可以计算出水位线。智能水位计识别模型流程如图2所示，该模型可以部署在云端，通过本地视频图像上传，然后计算水位数据，节省人力，准确度高，适用范围广的应用前景。

　　图2 智能水表识别模型流程

　　3.1 数据采集

与筛选

　　首先通过前端*敏*感*词*获取水位计视频信息，再通过帧提取软件提取水位计图像。本研究以君禾视频监控点为例。这个监控站点是一个数字高清*敏*感*词*，可以清晰地显示夜间图像。多段视频选取晴雨天早晚截取。帧速率为每 5 分钟 1 张图片。对提取的帧图像进行过滤，选择能够正常显示水位计比例尺的图像，如图3所示，将帧提取效果较差的图像删除。

　　图3 合格水表截图

　　在画框的过程中发现，每天早上5:30左右，由于自然光、相机补光和探照灯补光的冲突，水位计比例尺无法正常显示，如如图 4 所示，共截取了 250 张不同时间段的合格截图。

　　图4 不合格水表截图

　　3.2 模型选择与创建

　　在数据标注模块中创建训练模型，分为图像分类、物体检测、预测分析和声音分类四种。图像分类，这个模型是识别一张图片是否收录

某个对象；物体检测，这个模型是识别图片中每个物体的位置和类别；预测分析，该模型是对结构化数据进行分类或价值预测；声音分类，这个模型是识别一段音频中是否收录

某种声音。本次水位计识别研究，选择目标检测模型，建立项目名称、训练数据输入输出路径。

　　3.3 数据标注与模型训练

　　将选中的图片上传到对象存储服务OBS库的模型数据输入路径。接下来，注释图像。标注工具提供2D盒、3D盒、多边形、点、直线、蒙版、曲线等标注图形。水位计中的每条刻度线对应一个水位，水位计中的每条刻度线都需要识别。常见的标准水表长度为lm，有红蓝两种颜色，相互交替组成。水尺中的“E”可以标记为红色长边（red）、红色短边（white2)、蓝色长边（blue）和蓝色短边（whitel），如图5所示如图，手动标注50张后，用notebook写脚本执行转换功能，将标记好的图片导入到自动学习创建的相应模型中进行训练，得到训练结果。如图6所示，可以看到标注的Accuracy rate，分析每个标签的准确率。分析准确率低的原因可能是标注数量少或者选框精度不够。最后，在这 250 张截图中，红色标记了总共 5900 个位置，蓝色标记了总共 2900 个位置。有2000个地方用whitel标记，3300个地方用white2标记。样本的标签数量决定了数据的准确性。分析准确率低的原因可能是标注数量少或者选框精度不够。最后，在这 250 张截图中，红色标记了总共 5900 个位置，蓝色标记了总共 2900 个位置。有2000个地方用whitel标记，3300个地方用white2标记。样本的标签数量决定了数据的准确性。分析准确率低的原因可能是标注数量少或者选框精度不够。最后，在这 250 张截图中，红色标记了总共 5900 个位置，蓝色标记了总共 2900 个位置。有2000个地方用whitel标记，3300个地方用white2标记。样本的标签数量决定了数据的准确性。

　　图 5 水尺标记

　　图6 模型训练结果展示

　　3.4 智能标签

　　数据标注可能需要大量的研究时间，智能标注功能可以大大减少标注时间。在数据标注模块中，选择项目中未标注的图片，启动智能标注功能，选择自动学习训练的模型结果进行标注，只需要查看智能标注结果，手动调整位置偏移和缺失标签，节省大量时间。

　　3.5 培训版本管理

　　通过人工标注和智能标注，逐渐增加数据标注的数量，继续进行模型训练。每次训练都会产生一个新的训练结果。训练结果可管理，可部署或删除，如图7所示，使用准确率高的训练结果继续标注。

　　图 7

　　3.6 部署检测

　　选择准确率高的训练模型进行部署，上传图片进行检测，得到预测结果。图像中标注了预测标签，右端显示了每个标签的准确率，如图8所示。

　　图 8

　　经过部署和测试，图中97%的刻度线都被标记了，只有最下面的一条没有标记。显示在右端的大部分标记的准确率都在 94% 以上。个别准确率低。分析原因是由于选择的比例。尺子上的刻度线有轻微损坏，导致部署模型框定的标记范围内容缺失，导致判断准确度下降。

　　3.7 水位计算

　　通过现场测量水尺对应的水位，计算出对应刻度线对应的水位，通过API端口调用和逻辑计算得到每条刻度线的横纵坐标，然后实际计算水位值。

　　3.8 现场应用部署

　　ModelArts 支持将训练好的模型一键部署到端、边、云的各种设备上。本次测试采用端到端部署，模型通过边缘节点服务器进行部署。图像信息通过帧提取进入边缘服务器，通过模型计算进行逻辑计算得到水位信息。将现场数据上传至云端，不断迭代训练，将模型迭代优化后发送至边缘服务器。该过程如图 9 所示。

　　图9 模型部署流程图

　　4. 模型适用性分析

　　本次基于华为ModelArts平台对水位智能识别技术的研究，获取水位图像，通过人工智能分析获取水位信息。与常见的手动读数和自动采集

相比，减少了雨天外出的人数。只需要在屋内观看视频图像和显示的水位信息；避免温湿度对自动采集的影响；获取水位信息的频率变快，同时可以获得水位信息曲线。这项研究是基础水务与人工智能相结合的产物。研究过程中可能存在许多不足之处。在不同的场景下，不同的时间段，不同的条件，水尺反射、水尺倾斜角度、水尺被挡等都会产生影响，需要增加测试点，采集

各种数据，不断迭代优化。同时得出模型计算需要满足以下条件：前端相机需为星光级数码相机，水位计为标准水位计，标尺线清洁无脏，传输链路速率要求高。

　　5.结论

　　随着5G时代的临近，数据上传下载速度会有质的飞跃，数据传输速度会更快。基于“视频监控+人工智能”技术，构建“以视觉为核心”的水上视觉AI技术平台。通过精准的算法、高效的算力、丰富的视频分析，针对水务管理中的难点，为未来的水务服务提供高效、智能的管理方式。为更好地利用人工智能技术，提高水利业务信息化水平，下一步将开展垃圾漂浮物识别、城市内涝、水体透明、非法侵入等功能研究，