馬 睿，周伍光，鄒應全

(1.西南交通大學 信息科技與技術(shù)學院，成都 611756；2.都江堰水利發(fā)展中心 東風渠管理處，成都 611756)

0 引言

水是生命之源，水利對社會和經(jīng)濟發(fā)展有著重要意義，水情監(jiān)控也是國家水利部門關(guān)注的重點問題，水位監(jiān)測在洪澇災害預警、減少經(jīng)濟損失等方面有著重要意義。目前的水位測量技術(shù)分為接觸式測量方式及非接觸式測量方式。

常用的接觸式測量方式有浮子式水位計、壓力式水位計和電容式水位計等。接觸式水位測量傳感器長期與水流接觸，往往損壞速度較快，安裝和維護過程也較為繁瑣，建設(shè)運維成本高且自動化程度低，因此逐漸被非接觸式測量方裝置取代。

超聲波水位計、雷達水位計和光纖式水位計是目前常用的非接觸測量裝置。3種水位計通過測量發(fā)出和反射的脈沖時間來計算水位，但該類設(shè)備價格昂貴，因此在國內(nèi)的使用并不廣泛[1]。

近幾十年來，數(shù)字圖像處理技術(shù)的快速發(fā)展，基于圖像處理的技術(shù)已經(jīng)廣泛應用在交通、醫(yī)學、航天航空的各個方面，同時，隨著機器學習、計算機視覺等技術(shù)的興起和快速發(fā)展，通過神經(jīng)網(wǎng)絡對圖像的內(nèi)容進行學習歸納，由計算機對圖像進行處理并識別水位的方法也成為了水位檢測的重要發(fā)展方向[2]。

文獻[3]通過添加運動物體幀圖像及幀平均法降低水位線檢測中的干擾，提高了檢測的準確性。文獻[4]通過霍夫變換檢測對河流表面進行統(tǒng)計跟蹤，產(chǎn)生一個估計的水位線。文獻[5]提出的基于數(shù)字圖像處理的水位檢測方法分割水尺和水域圖像，通過多模板匹配算法以及序列驗證算法識別水尺字符，降低了測量誤差。文獻[6]利用水尺刻度對相機進行標定，用圖像差分法提取水位變化區(qū)域，計算圖像水位線坐標，根據(jù)相機標定結(jié)果算得實際水位高度。文獻[7]通過分割水尺后對水尺刻度進行邊緣檢測，對水尺字符進行匹配識別等技術(shù)進行水位識別。

傳統(tǒng)的圖像處理方法對于背景、環(huán)境、光線、拍攝角度等要求較高，在處理環(huán)境復雜情況下的水位檢測時存在誤差較大的問題。因此機器學習的引入，有效的提高了基于圖像處理的水位檢測方法的精度。例如，文獻[8]通過字典學習和卷積神經(jīng)網(wǎng)絡對水尺進行識別和讀取。文獻[9]基于深度學習算法，結(jié)合YOLOv3和ResNet網(wǎng)絡算法檢測水尺對象和識別水尺刻度，大大提高了基于圖像處理的水位檢測的速度和精度。

2020年，Alexey Bochkovskiy提出的YOLOv4算法通過綜合現(xiàn)有的優(yōu)化算法實現(xiàn)了在單個CPU條件下訓練數(shù)據(jù)并探測目標，在保證速度的前提下提高了算法的精度。

本文使用?？禂z像頭進行數(shù)據(jù)采集，通過螢石云協(xié)議提供的API獲取水尺視頻以及實時水位圖片，通過傳統(tǒng)圖像處理算法對水尺位置進行定位，基于YOLOv4算法識別水尺刻度線并計算當前水位值。從實驗結(jié)果看，本文提出的水位識別方法的誤差僅在±2 cm以內(nèi)，提供了一種高精度、低成本、易維護的水位識別方法。

1 水位識別算法設(shè)計

1.1 水位識別流程

本文算法采用YOLOv4深度學習算法對圖像進行處理，識別水位，具體步驟分為：①通過海康攝像頭提供的螢石云協(xié)議接口采集視頻流，得到水尺圖像幀，日間獲得的水尺圖像為RGB彩色圖像，夜間獲得的水尺圖像為灰度圖像；②判斷圖像是否為三通道彩色圖像，對彩色圖像進行灰度化處理；③使用不同的結(jié)構(gòu)元素分別對日間和夜間的圖像通過開操作增強圖像對比度；④通過閾值分割方法分離水尺與背景，提取水尺區(qū)域；⑤對提取出水尺區(qū)域進行連通域去噪；⑥將提取出的水尺區(qū)域的圖像輸入YOLOv4網(wǎng)絡，檢測出水面以上的刻度線數(shù)量；⑦通過水尺總長計算當前水位。水位識別流程如圖1所示。

圖1 水位識別流程圖

1.2 水尺圖像預處理

1.2.1 圖像灰度化和增強

海康攝像頭拍攝到的水尺日間圖片為RGB彩色圖像，夜間圖片為灰度圖像，無須灰度化處理。日間圖片通過將水尺圖像灰度化處理的方式一方面能夠去除日間彩色圖像中所包含的不必要的顏色信息，提高圖像處理速度，另一方面能夠減少日間和夜間圖像的差異，提高算法的通用性。

為了將水尺與背景分離，通過形態(tài)學方法增強圖像對比度。采用開操作對圖像進行背景提取，將原始圖像與背景圖像相減，以達到增強水尺圖像的效果?；叶然蟮娜臻g彩色圖像與夜間灰度圖像仍然存在較大的差別，因此需要分別采用不同的結(jié)構(gòu)元素對灰度化后的彩色圖像及夜間原始灰度圖像進行處理。

結(jié)構(gòu)元素的選取對圖像處理的結(jié)果有至關(guān)重要的作用，如果結(jié)構(gòu)元素選取過大，會導致水尺與背景區(qū)分度不明顯；如果結(jié)構(gòu)元素過小，會導致水尺結(jié)構(gòu)被破壞，二者均會導致無法準確分離水尺與背景。經(jīng)過多次試驗，使用半徑為15 px的圓盤作為結(jié)構(gòu)元素對灰度化后的日間彩色圖像進行處理時效果最佳，處理后的圖像如圖2所示，使用半徑為70 px的圓盤作為結(jié)構(gòu)元素對夜間原始灰度圖像進行處理時效果最佳，處理后的圖像如圖3所示。

圖2 圖像增強后的日間圖像 圖3 圖像增強后的夜間圖像

1.2.2 圖像分割

圖像分割的目的是將水尺與背景分離，去除雜亂無用的背景信息。目前傳統(tǒng)的圖像分割方法有區(qū)域分割、邊緣分割和閾值分割等[10]，其中閾值分割是最常用的方法，通過一個確定的閾值作為分割線，將目標與背景分離。閾值分割法根據(jù)應用范圍是否為整張圖像可分為局部閾值法和全局閾值法。

局部閾值法將整張圖片均分為若干子圖像，針對子圖像范圍內(nèi)的灰度值確定子圖像的閾值，對子圖像進行閾值分割后再將子圖像拼接成完整圖像。但局部閾值要切割圖像并對每張圖像單獨進行閾值分割處理，處理時間長且圖像拼接邊緣往往存在突變的現(xiàn)象，在分離水尺與背景的試驗中，背景占據(jù)較大的空間，采用局部閾值法會導致對背景的大量無效計算。

全局閾值法通過統(tǒng)計整幅圖像的灰度級，選取一個閾值對整張圖像進行分割[11]。OTSU閾值分割法是一種常見的自適應閾值分割法，其中心思想是選取能使圖像分割產(chǎn)生的區(qū)域類內(nèi)方差最小、類間方差最大的閾值。OTSU算法的具體內(nèi)容如下：

假設(shè)存在閾值k將圖像所有像素按照灰度級大于k和小于k分割為C1和C2兩個部分，C1、C2可分別表示背景區(qū)域和目標區(qū)域。灰度級為i的像素點個數(shù)在整幅圖像中的概率為pi：

pi=ni/N

(1)

其中:ni表示圖像中灰度級為i的像素個數(shù)，N表示整幅圖像的像素總數(shù)?；叶燃塱的范圍為0～255。

則C1和C2的所含像素占整幅圖像像素的概率分別為:

(2)

(3)

pi的和應為1，則有:

P1+P2=1

(4)

圖像全局均值:

(5)

C1和C2的均值分別為：

(6)

(7)

根據(jù)方差的概念，可推類間方差表達式：

σ2=P1(avg1-avg)2+P2(avg2-avg)2

(8)

化簡后可得：

σ2=P1P2(avg1-avg2)2

(9)

求得使使式(9)的類間方差最大的閾值k即為OTSU算法的最佳閾值。

對圖2～3采用OTSU算法二值化后的結(jié)果如圖4～5所示。水尺區(qū)域與背景區(qū)域灰度級相差很大，通過OTSU算法能夠很好地分離水尺區(qū)域與背景區(qū)域。

圖4 二值化后的日間圖像 圖5 二值化后的夜間圖像

1.2.3 噪聲處理

圖4～5中二值化處理后的水尺圖片仍然存在許多噪聲物體，為了去除噪聲，對水尺圖像分別進行連通域去噪和形態(tài)學去噪。對圖4～5的圖像先采用連通域去噪，將圖像中連通域面積小于給定值的噪聲過濾。由于圖像中水尺所占連通域面積最大，所以連通域去噪的閾值面積可設(shè)置較大值，能有效濾除圖片中的噪聲而不影響水尺區(qū)域。連通域去噪后圖像中僅保留了水尺所在區(qū)域。

連通域去噪后，選擇半徑為10 px的圓盤作為結(jié)構(gòu)元素再對圖像進行閉合、開啟的形態(tài)學處理，平滑水尺的邊緣，通過閉-開操作后的圖像效果如圖6～7示。

圖6 形態(tài)學處理后的日間圖像 圖7 形態(tài)學處理后的夜間圖像

根據(jù)水尺區(qū)域的邊緣選取包含水尺部分的邊長最小的矩形，最終提取出的水尺部分圖片如圖8所示。

圖8 提取出的水尺圖像日間(左)夜間(右)

1.3 水位識別算法

1.3.1 YOLO概述

目標檢測的步驟可以分為兩步：

1)檢測目標位置，生成候選框;

2)對檢測到的目標進行分類。

比較流行的算法按照是否將兩個步驟合并，可以分為兩大類[12]。一類是兩階段算法，需要先對圖片選定可能存在圖像的若干候選區(qū)，再對候選框進行分類和回歸，比較典型的算法是基于Region Proposal的R-CNN算法，以及在其基礎(chǔ)上改進的Fast-RCNN、Faster-RCNN等。另一類則是以YOLO系列算法為典型代表的單階段算法，在檢測目標位置的同時對其進行分類。

YOLOv1的核心思想是將兩個步驟合二為一[13]，先將整張圖片劃分成N*N個網(wǎng)格，對每個網(wǎng)格生成兩個大小不同的候選框，即預定義候選框，再進行邊框回歸， YOLO具有RCNN算法無法比擬的速度優(yōu)勢且背景誤檢率遠低于Fast-RCNN算法。YOLOv2通過引入批歸一化和先驗框等方法，從預測更準確、檢測速度更快、識別對象更多的3個方面對YOLOv1進行了優(yōu)化和改進。YOLOv3引入多尺度預測對YOLOv2的先驗框進行了進一步改進，很好地改善了YOLOv2對小目標檢測效果差的問題。

1.3.2 YOLOv4算法

YOLOv4算法在YOLOv3的基礎(chǔ)上，結(jié)合了眾多目標檢測算法的訓練技巧，從數(shù)據(jù)增強、網(wǎng)絡結(jié)構(gòu)、激活函數(shù)和損失函數(shù)等幾個方面分別對YOLOv3進行了優(yōu)化和改進[14]。

在圖像預處理階段引入Mosaic數(shù)據(jù)增強方法，將4張經(jīng)過隨意旋轉(zhuǎn)或翻轉(zhuǎn)等處理的四張訓練圖像合并成一張，豐富檢測物體的背景。

在網(wǎng)絡結(jié)構(gòu)上改用CSP-Darknet53有效緩解梯度消失問題，在保證推理速度和準確度的同時，減小了模型尺寸。YOLOv4 網(wǎng)絡結(jié)構(gòu)主要由主干網(wǎng)絡(Backbone)、頸部(Neck)和頭部(Head)組成。Darknet-53殘差網(wǎng)絡結(jié)構(gòu)包括不同大小的Resnet殘差模塊組成,CSP-Darknet53 主干網(wǎng)絡將CSPNet網(wǎng)絡結(jié)構(gòu)應用于 Darknet-53中的Resnet殘差模塊，CSPNet將上層特征圖二等分，一部分進行殘差運算后與另一部分相結(jié)合。SPP網(wǎng)絡分別使用不同大小的最大池化層對上層特征圖進行處理后拼接，提高感受野，PANet則通過融合高層和底層的特征實現(xiàn)多尺度的檢測，提高小目標的識別精度。

在卷積層后的激活函數(shù)處，YOLOv4采用Mish激活函數(shù)替代YOLOv3中的Leaky ReLU激活函數(shù)。公式(10)是Mish激活函數(shù)的公式，Mish激活函數(shù)相比LeakyReLU激活函數(shù)能夠使神經(jīng)網(wǎng)絡具有更好的準確性和泛化性。

y=x×tanh(ln(1+ex))

(10)

YOLOv4檢測算法采用CIoU評價預測框和真實框間的交并比，損失函數(shù)計算公式如式(11)所示：

(11)

公式(11)中IoU是指交并比，即預測框(A)和真實框(B)的交集與二者的并集的比值，ρ2(A,B)是真實框和預測框的中心點的歐氏距離；c為是包住它們的最小方框的對角線距離，α是權(quán)重函數(shù)，v是度量寬高比的一致性的參數(shù)，α和v的計算公式如式(12)～(13)所示。

(12)

(13)

其中:w代表框的寬度，h代表框的長度。

將獲得的水尺區(qū)域的圖像使用LableImage對水面上的刻度進行標注，輸入YOLOv4算法進行訓練，得到檢測水尺刻度的模型。將實時獲取的水尺圖像進行預處理后作為YOLOv4檢測模型的輸入。

2 測試系統(tǒng)的搭建

2.1 系統(tǒng)架構(gòu)

系統(tǒng)通過螢石云協(xié)議提供的API接口，每五分鐘發(fā)出截圖指令抓取圖像，通過螢石云提供的圖像URL將水尺圖像下載至服務器，將圖像經(jīng)過預處理后送入基于YOLOv4算法設(shè)計的刻度線識別算法統(tǒng)計水面上的刻度線條數(shù)，根據(jù)該水尺的總量程計算當前水位。

系統(tǒng)主要由4個部分組成。

1)前端設(shè)備：包括?？禂z像頭、RTU、太陽能電池板、12 V蓄電池、水尺等。攝像頭使用?？蹈咔寰W(wǎng)絡攝像頭，支持4G電話卡，監(jiān)控視頻流為H264編碼格式，使用TCP/IP協(xié)議傳輸。攝像頭支持螢石云協(xié)議，通過協(xié)議提供的API接口可對攝像頭進行圖片截取和視頻截取。海康攝像頭可提供日間的彩色圖像，并配備紅外功能提供夜間的灰度圖像。RTU用于采集當前的流量、流速信息。太陽能電池板和12 V蓄電池可提供夜間攝像頭供電。

2)傳輸網(wǎng)絡方案：RTU利用中國移動的通用分組無線電業(yè)務(GPRS)網(wǎng)絡與服務器通信。?？禂z像頭則采用4G網(wǎng)絡進行視頻即圖像的傳輸，圖像轉(zhuǎn)存在螢石云服務器，系統(tǒng)可根據(jù)螢石云服務提供的URL下載螢石云服務器上存儲的圖片。

3)服務器：包括阿里云服務器和螢石云服務器，阿里云服務器用于部署數(shù)據(jù)采集管理平臺和水位監(jiān)測管理平臺，螢石云服務器用于提供視頻圖片截取和短期存儲功能。

按照螢石云協(xié)議提供的規(guī)定，截取后的圖片和視頻上傳至螢石云服務器并存儲1小時，用戶可通過協(xié)議返回的URL地址下載圖片和視頻。

通過水位識別算法處理獲得的水位數(shù)據(jù)信息會上傳至阿里云服務器上所部署的MySQL數(shù)據(jù)庫中，數(shù)據(jù)庫中還存有RTU采集的其他實時水情數(shù)據(jù)及歷史水情數(shù)據(jù)等。

項目部署的服務器為阿里云服務器，用于存儲下載的圖片和視頻流，以及RTU和網(wǎng)頁平臺之間的數(shù)據(jù)交換中心。

4)顯示終端：用戶可以通過PC端的web網(wǎng)頁或手機端訪問水位監(jiān)測管理平臺查看水位監(jiān)測結(jié)果。

系統(tǒng)的主要架構(gòu)如圖9所示。

圖9 系統(tǒng)架構(gòu)圖

服務器上搭建的數(shù)據(jù)采集管理平臺將獲取的水尺圖片送入基于傳統(tǒng)圖像處理算法與YOLOV4算法相結(jié)合的水位識別算法模塊中進行檢測，得到水面上水尺刻度線數(shù)量，通過水尺的總長與水面上水尺刻度線數(shù)量之間的關(guān)系計算當前實際水位，并將水位寫入服務器的數(shù)據(jù)庫中，在顯示終端顯示。

2.2 系統(tǒng)硬件

2.2.1 總體架構(gòu)

硬件系統(tǒng)基于STM32F103開發(fā)，該系統(tǒng)安裝在閘門上，主要功能為通過無線通信實現(xiàn)水位數(shù)據(jù)傳輸，該水位信息由雷達水位計提供，用以與水位識別算法獲得的水位數(shù)據(jù)進行對比，通過對閘門的啟閉控制，可以獲取不同水位情況下的水尺圖片數(shù)據(jù)。

硬件系統(tǒng)單片機采用STM32F103，通過串口連接GPRS模塊Air202，由GPRS模塊通過接入GSM網(wǎng)絡實現(xiàn)監(jiān)控系統(tǒng)遠端服務器的數(shù)據(jù)通信，完成水位數(shù)據(jù)的獲取、攝像頭的啟閉控制以及閘門的啟閉控制[15-17]。

硬件系統(tǒng)總體結(jié)構(gòu)框圖如圖10所示。

圖10 硬件系統(tǒng)總體框圖

硬件系統(tǒng)的重要組成部分包括電源模塊、GPRS模塊、閘門控制及外部RTC。

2.2.2 電源模塊

系統(tǒng)中穩(wěn)定的供電電源是一個系統(tǒng)穩(wěn)定有效、穩(wěn)定運行的前提條件，監(jiān)控系統(tǒng)采用12 V直流電池供電。系統(tǒng)電源架構(gòu)圖如圖11所示。

圖11 系統(tǒng)電源架構(gòu)圖

系統(tǒng)采用12 V電池供電，閘門電機、攝像頭直接由12 V電源供電，由單片機控制電源的開斷；GPRS芯片的供電采用開關(guān)電源芯片SGM6132將12 V降至4.2 V；STM32芯片的供電采用線性降壓芯片將4.2 V降為3.3 V。

2.2.3 GPRS模塊

Air202模塊是支持四頻段GSM/GPRS的模塊，支持GPRS多時隙等級10和GPRS編碼格式；具有17.7 mm×14.8 mm×2.3 mm的超小尺寸，可以完美集成到尺寸較小的電路板中，Air202功能框圖如圖12所示。

圖12 Air202功能框圖

Air202模塊在射頻發(fā)射時可能會產(chǎn)生電源電壓跌落的現(xiàn)象，這是由于射頻發(fā)射時需要大電流，若走線路徑上的阻抗較大，就會導致電壓跌落，一般難以避免。因此在設(shè)計上要特別注意模塊的電源設(shè)計，盡量減少供電線路阻抗，當電壓跌落在3.0 V以下時會有可能導致模塊掉電關(guān)機或重啟。為了防止VBAT電壓跌落到3.0 V以下，可以在VBAT輸入端并聯(lián)多個100 μF的鉭電容進行儲能，以及3個100 nF、33 pF、10 pF的濾波電容，減少電壓波動的影響，保證電源的穩(wěn)定輸出，提高系統(tǒng)的穩(wěn)定性。通過單片機控制模塊的開機和復位，使GPRS模塊掉線時可以自動重連。

2.2.4 閘門控制

閘門電機通過兩個引腳控制，通過三極管拉低相應引腳即可實現(xiàn)電機的開、關(guān)閘，硬件電路圖如圖13所示。

圖13 攝像頭電源控制電路

圖 14 外部RTC電路

2.2.5 外部RTC

實時數(shù)據(jù)采集系統(tǒng)中時間的準確性非常重要，需要知道數(shù)據(jù)是在何時進行的采集，并且可以針對事件發(fā)生的時間點進行數(shù)據(jù)分析，使得數(shù)據(jù)的特征與時間事件更加地匹配。DS3231是Maxim/Dallas公司推出的一款低成本、高精度的I2C實時時鐘芯片，該器件在正常溫度范圍內(nèi)，計時精度很高，還具有溫補晶體振蕩器(TCXO)和1個32.768 kHz的晶體。通過紐扣電池供電，系統(tǒng)關(guān)機時仍可精確計時。

2.3 通信方案

設(shè)備與數(shù)據(jù)終端采集管理平臺之間通過socket進行通信。網(wǎng)絡上的兩個程序為了實現(xiàn)數(shù)據(jù)的交換與要建立一個雙向的通信連接，連接的一端稱為一個socket，它是支持TCP/IP協(xié)議的網(wǎng)絡通信的基本操作單元[18-19]。隨著 TCP/IP 網(wǎng)絡的發(fā)展，Socket 成為最為通用的應用程序接口，也是在 Internet 上進行應用開發(fā)最為通用的 API。Socket 封裝了 TCP/IP 協(xié)議，使用 Socket 可以在服務端程序與客戶端程序之間建立連接通信[20-22]。利用 Socket 通信的好處在于，不用關(guān)心數(shù)據(jù)底層的實現(xiàn)方式，這些都有協(xié)議完成，用戶只須在發(fā)送/接收數(shù)據(jù)時按對方約定好的數(shù)據(jù)格式進行發(fā)送，通信雙方按一定的方式處理收到的數(shù)據(jù)就可以了。

2.4 系統(tǒng)軟件

網(wǎng)頁平臺的開發(fā)環(huán)境是Eclipse，是基于java、css和html5開發(fā)的應用，適用于IE、Chorom、火狐等主流瀏覽器。網(wǎng)頁平臺面向用戶，提供實時水位信息、歷史水位信息、實時監(jiān)控視頻以及水位預警信息。用戶可以通過PC端web網(wǎng)頁或手機端app訪問平臺，可同時對多個水位監(jiān)測點進行統(tǒng)一管理。網(wǎng)頁平臺水位監(jiān)測頁面如圖15所示。

圖15 網(wǎng)頁平臺水位監(jiān)測頁面

3 測試結(jié)果及分析

3.1 數(shù)據(jù)采集與標注

本實驗采用水尺的最小刻度為2公分，并用?？禂z像頭采集了分辨率為1 920×1 280的水尺圖片，如圖16所示。

圖16 ?？禂z像頭采集畫面

由于圖片包含3種不同型號水尺，對圖片進行裁剪處理，保留包含單個水尺分辨率為420*1 080的圖像，包含日出、日間、夜間以及大雨天氣下的夜間4種情況下的圖像，根據(jù)圖1的流程得到不同情境下水尺圖片共200 張，對其中140張圖片使用Labelimg軟件對圖片中的待檢測目標進行標注，所有圖片共包含約9 800個檢測目標，典型數(shù)據(jù)集如圖17所示。

圖17 典型數(shù)據(jù)集

3.2 實驗結(jié)果

本實驗在工作站進行數(shù)據(jù)集的處理及模型的訓練，部署在Windows系統(tǒng)上進行驗證。實驗環(huán)境配置信息如表1所示。

表1 實驗環(huán)境配置信息

配置文件部分參數(shù)值如表2所示。

表2 配置文件部分參數(shù)值

樣本總數(shù)共140張圖片，共包含約9 800個檢測目標，訓練集、測試集和驗證集數(shù)量為8∶1∶1，訓練的最大迭代次數(shù)為6 000，訓練耗費時長約為20小時，訓練的平均損失在訓練5 000次后基本達到穩(wěn)定，最終的平均損失收斂在0.25。

檢測最終各項評價指標如表3所示。

表3 各項評價指標

采集剩余的60張圖片作為測試集輸入訓練好的模型中進行檢測，圖片包含日出、日間、夜間及大雨天氣的夜間等天氣狀況下的水尺。

其中部分實驗結(jié)果數(shù)據(jù)如表4所示。人工提取水位是通過對圖片拍攝的水尺圖片進行人工解讀獲取。

表4 部分實驗結(jié)果數(shù)據(jù)

4 結(jié)束語

本文提出了基于YOLOv4的圖像水位識別方法。該方法通過傳統(tǒng)圖像算法對圖像進行預處理，將水尺與背景分割，再通過YOLOv4算法對水尺圖像中的刻度線進行檢測，統(tǒng)計水面上的刻度線總數(shù)，通過計算獲得當前水位。

傳統(tǒng)圖像處理有效解決了白天和夜間的圖像色彩差別問題，提高了檢測精度。YOLOv4算法彌補了傳統(tǒng)圖像檢測算法對環(huán)境敏感的問題。

實驗結(jié)果表明，該方法對夜間降雨天氣下的水位識別依然準確率很高，測量誤差約為2厘米，符合工程水位監(jiān)測要求，是一種廉價而高效的水位識別方法。