許小華 李亞琳 呂 姚 包學(xué)才 肖 磊 聶菊根

（1.江西省水利科學(xué)院，南昌 330000；2.江西省鄱陽(yáng)湖流域生態(tài)水利技術(shù)創(chuàng)新中心，南昌 330000；3.南昌工程學(xué)院，南昌 330000）

0 引 言

水位是江河湖庫(kù)的基本水文要素之一，水位數(shù)據(jù)是防汛抗旱、灌溉、航運(yùn)、水利設(shè)施建設(shè)和管理的基本依據(jù)，及時(shí)可靠的水位自動(dòng)監(jiān)測(cè)對(duì)于提高防洪抗旱的預(yù)警預(yù)報(bào)水平具有重要意義[1]。水尺是識(shí)別水位最直觀、最簡(jiǎn)單的水位測(cè)量工具，但是傳統(tǒng)的人工讀取方式及壓力式、浮子式、超聲波、雷達(dá)等水位計(jì)水位檢測(cè)方式存在安全隱患大、易損壞、成本高、誤差大等弊端[2-6]。因此，如何設(shè)計(jì)一種普適性的水位檢測(cè)算法，實(shí)時(shí)識(shí)別水體水位變化，智能且高精度識(shí)別水位值，成為防汛抗旱決策支持的關(guān)鍵。

近年來(lái)數(shù)字圖像處理計(jì)算水位的技術(shù)快速發(fā)展，圖像差分法、Canny算子、多模板匹配算法等技術(shù)被應(yīng)用于水尺和水尺字符的識(shí)別、矯正，再通過(guò)霍夫變換、仿射變換、投影關(guān)系等檢測(cè)出水位[7-11]。然而這些傳統(tǒng)的圖像處理方法對(duì)于水尺本身背景、環(huán)境背景、光線(xiàn)和拍攝角度等要求較高，在處理水域等圖像背景較為復(fù)雜的情景時(shí)，易受到背景噪聲干擾導(dǎo)致水位測(cè)量誤差大，算法不具有普遍適應(yīng)性。隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展，通過(guò)深度神經(jīng)網(wǎng)絡(luò)自適應(yīng)識(shí)別歸納圖像特征，形成了水位檢測(cè)的一個(gè)重要方向。馬睿等[12]通過(guò)傳統(tǒng)圖像處理算法對(duì)水尺位置進(jìn)行定位，然后使用YOLOv4 算法識(shí)別水尺刻度線(xiàn)并計(jì)算當(dāng)前水位值。王磊等[13]提出一種由YOLO-v3 對(duì)象檢測(cè)和ResNet刻度識(shí)別兩種模型構(gòu)成的實(shí)時(shí)水位識(shí)別方法，通過(guò)算法設(shè)計(jì)、訓(xùn)練和集成，實(shí)現(xiàn)與浙江省水資源監(jiān)控信息平臺(tái)的集成應(yīng)用。野外水域復(fù)雜，獲得的圖像具有較高的背景噪聲，因此對(duì)模型檢測(cè)率要求極高，而上述圖像處理技術(shù)容易出現(xiàn)錯(cuò)檢、漏檢，從而影響測(cè)量水位的精準(zhǔn)度。

針對(duì)傳統(tǒng)圖像處理方法在水位檢測(cè)中易受背景噪聲影響的缺陷及目前深度學(xué)習(xí)技術(shù)在水位檢測(cè)方面應(yīng)用不充分的問(wèn)題，結(jié)合水域復(fù)雜情景的研究背景，本文融合圖像處理技術(shù)，提出一種基于深度學(xué)習(xí)的兩階段智能水位識(shí)別算法。

1 方法原理

本文利用改進(jìn)YOLOX 深度學(xué)習(xí)網(wǎng)絡(luò)模塊，提出基于水尺和水尺“E”刻度兩階段檢測(cè)識(shí)別的水位智能識(shí)別算法，該方法可以有效應(yīng)對(duì)天氣、采集圖片角度、光照光線(xiàn)、水尺傾斜、復(fù)雜環(huán)境背景影響[14]，以及水尺本身附著的藻類(lèi)、落葉和泥巴等因素的影響。算法流程如圖1所示。

1.1 基于改進(jìn)YOLOX-S的目標(biāo)檢測(cè)方法

1.1.1 YOLOX-S算法原理

YOLOX 是YOLO 系列中的集大成者，由Ge等[15]2021 年提出YOLO 系列的新版本，根據(jù)網(wǎng)絡(luò)的寬度和深度可分為S、M、L 和X4 種基本型號(hào)，此外在犧牲了部分精度的前提下還提出了兩個(gè)輕量級(jí)網(wǎng)絡(luò)型號(hào)Tiny和Nano。其中，YOLOX-S 在參數(shù)量和檢測(cè)精度方面做到了很好的平衡。YOLOX 官方論文中在COCO 數(shù)據(jù)集上不同模型尺寸的相關(guān)數(shù)據(jù)如表1所示。

表1 YOLOX不同模型尺寸的相關(guān)數(shù)據(jù)

雖然本文研究的水位檢測(cè)算法檢測(cè)類(lèi)別數(shù)單一、任務(wù)較為簡(jiǎn)單，但對(duì)算法的實(shí)時(shí)性和準(zhǔn)確性均有較高的要求。綜合考慮，本文選用YOLOX-S 作為改進(jìn)的基準(zhǔn)網(wǎng)絡(luò)模型，YOLOX-S結(jié)構(gòu)如圖2所示。

圖2 YOLOX-S網(wǎng)絡(luò)結(jié)構(gòu)圖

1.1.2 改進(jìn)YOLOX-S算法

YOLOX-S 算法模型中的加強(qiáng)特征融合網(wǎng)絡(luò)不同尺度特征層之間存在不一致性問(wèn)題，具體表現(xiàn)為越深層的特征圖經(jīng)過(guò)加強(qiáng)特征融合網(wǎng)絡(luò)的3個(gè)有效特征層輸入解耦頭時(shí)，會(huì)使得語(yǔ)義信息和位置信息交互越弱化。因此，本文引入具有自適應(yīng)特征融合的模塊在輸入解耦頭之前加強(qiáng)對(duì)不同特征層之間的語(yǔ)義信息和位置信息交互，提高檢測(cè)精度。

主干特征提取網(wǎng)絡(luò)和解耦頭沿用原本的YOLOX-S，重構(gòu)加強(qiáng)特征融合網(wǎng)絡(luò)為P_ASFF，改進(jìn)是對(duì)主干特征提取網(wǎng)絡(luò)輸出的3 個(gè)有效特征層經(jīng)過(guò)PANet 特征融合后輸出3 個(gè)有效特征層Pc1（20*20*512）、Pc2（40*40*256）、Pc3（80*80*128），然后分別經(jīng)過(guò)CSPLayer 層得到P1（20*20*512）、P2（40*40*256）、P3（80*80*128）。在得到P1、P2 和P3 后，將其分別加入自適應(yīng)空間特征，融合ASFF 模塊進(jìn)行3 層特征層的加權(quán)融合，得到P1_out（20*20*512）、P2_out（40*40*256）和P3_out（80*80*128）。改 進(jìn) 后 的YOLOX-S網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)YOLOX-S網(wǎng)絡(luò)結(jié)構(gòu)

其中，自適應(yīng)空間特征融合（Adaptively Spatial Feature Fusion，ASFF）[16]可以實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)不同尺度特征層的權(quán)值，能夠融合不同尺度感受野下的目標(biāo)特征信息，有效改善了目標(biāo)特征信息丟失和不同層級(jí)的特征圖上正負(fù)樣本劃分沖突干擾訓(xùn)練期間梯度計(jì)算的問(wèn)題。ASFF 結(jié)構(gòu)如圖4所示。

圖4 ASFF結(jié)構(gòu)圖

在圖4 中Level1、Level2 和Level3 表示3 個(gè)不同尺度的有效特征層，以ASFF-3 為例[17]，X1→3、X2→3、X3→3表示3 個(gè)有效特征層的特征，分別乘以權(quán)重參數(shù)α3、β3、γ3并求和，過(guò)程可用式（1）表示：

式中：y表示3 個(gè)有效特征層經(jīng)過(guò)ASFF-3 之后得到新特征圖，α3+β3+γ3= 1（α3，β3，γ3∈[0,1]）。

1.1.3 損失函數(shù)

本文使用基于BCELoss 的PolyLoss[18]計(jì)算損失，Poly-Loss 是一種用于理解和設(shè)計(jì)損失函數(shù)的新框架，該框架有助于將BCELoss 解釋為PolyLoss 系列的特例，將BCELoss函數(shù)在( 1-Pt)處進(jìn)行泰勒展開(kāi)，并修改了BCELoss 中的第一個(gè)多項(xiàng)式，新加入了可以針對(duì)不同模型和任務(wù)進(jìn)行調(diào)優(yōu)的多項(xiàng)式系數(shù)(1-?1)，可以獲得更好的分類(lèi)精度，如式（2）所示：

式中：Pt為目標(biāo)真實(shí)類(lèi)別的預(yù)測(cè)概率，j∈(1，+∞)。

1.2 水尺圖像矯正

利用YOLOX_I1 提取水域圖像中的水尺，之后需要識(shí)別水尺上的“E”刻度并截取，水尺“E”刻度識(shí)別的準(zhǔn)確與否會(huì)直接影響到水位值的計(jì)算，因此，在進(jìn)行字符標(biāo)志識(shí)別之前，需要對(duì)水尺做矯正處理，圖像矯正流程如圖5所示。

圖5 圖像矯正流程圖

具體流程說(shuō)明如下：

（1）將截取到的水尺圖像轉(zhuǎn)成單通道的灰度圖，即將BGR圖像轉(zhuǎn)換為GRAY圖像。

（2）通過(guò)高斯濾波[19]對(duì)GRAY 圖像進(jìn)行模糊去噪，高斯核大小設(shè)置為5×5。

（3）利用Canny 邊緣檢測(cè)算法[20-21]計(jì)算圖像梯度的幅值和方向，通過(guò)雙閾值檢測(cè)和邊緣連接有效抑制由噪聲引起的孤立弱邊緣點(diǎn)，提高邊緣檢測(cè)精度。Canny邊緣檢測(cè)流程如圖6所示。

圖6 邊緣檢測(cè)流程圖

（4）利用霍夫變換[22-23]對(duì)Canny 算法檢測(cè)到的水尺邊緣進(jìn)行直線(xiàn)檢測(cè)，直線(xiàn)表達(dá)式如式（3）所示。返回檢測(cè)出的直線(xiàn)，另一種形式的表達(dá)式如式（4）所示。根據(jù)ρ和θ結(jié)合三角函數(shù)在直線(xiàn)上任取不同兩點(diǎn)A(x1,y1)和B(x2,y2)，通過(guò)公式k=(y2-y1)∕(x2-x1)求出該直線(xiàn)斜率，再利用反正切函數(shù)求出直線(xiàn)傾斜角度并對(duì)水尺圖像進(jìn)行矯正（圖7）。

圖7 水尺圖像矯正前后

式中：ρ為原點(diǎn)到待檢測(cè)直線(xiàn)的垂直距離；θ為原點(diǎn)到待檢測(cè)直線(xiàn)垂直距離上直線(xiàn)和x軸的夾角。

1.3 圖像多余背景濾除

待測(cè)的水域圖像經(jīng)過(guò)YOLOX_I1 和YOLOX_I2 處理后，分別截取水尺圖像和水尺“E”刻度圖像，但這些圖像的上下端會(huì)存在一些背景噪聲，影響最終水位計(jì)算結(jié)果。本文提出以基線(xiàn)為篩選閾值，分別對(duì)圖像像素點(diǎn)的水平直方圖和垂直直方圖進(jìn)行處理，圖像多余背景濾除流程如圖8所示，以處理水尺“E”刻度圖像為例說(shuō)明具體步驟：

圖8 圖像多余背景濾除流程圖

（1）對(duì)截取的水尺“E”刻度圖像進(jìn)行高斯模糊去噪處理，將處理后的彩色圖像轉(zhuǎn)成單通道的灰度圖，對(duì)灰度圖進(jìn)行二值化處理，得到二值化圖像。

（2）分別從水平方向和垂直方向遍歷二值化圖像的每個(gè)像素點(diǎn)，統(tǒng)計(jì)像素值為255的像素點(diǎn)數(shù)量，生成水平直方圖和垂直直方圖（圖9）。取出垂直直方圖中像素點(diǎn)數(shù)量的最大值E_max_v，根據(jù)水尺上實(shí)際測(cè)量出的單個(gè)“E”寬度是其“E”刻度最左邊豎線(xiàn)寬度的5 倍，對(duì)垂直直方圖進(jìn)行處理，像素點(diǎn)數(shù)量大于E_max_v 4∕5 的保留，小于E_max_v的4∕5 置為0，統(tǒng)計(jì)像素點(diǎn)數(shù)量值不為0 的位置寬度記為E_vn；對(duì)水平直方圖處理，像素點(diǎn)數(shù)量值大于E_vn 的保留，小于E_vn置為0。

圖9 水平直方圖和垂直直方圖

（3）根據(jù)水平直方圖中左右兩端像素點(diǎn)數(shù)量值不為0的位置信息，將不在左右兩端范圍內(nèi)的水尺“E”刻度圖像相應(yīng)部分濾除；重復(fù)上述操作，實(shí)現(xiàn)對(duì)每個(gè)截取水尺“E”刻度圖像的多余背景濾除，圖像多余背景濾除前后效果對(duì)比如圖10所示。

（4）根據(jù)濾除多余背景后的水尺“E”刻度圖像，計(jì)算圖像高度像素值，建立所有多余背景濾除后水尺“E”刻度圖像高度像素值列表，對(duì)該像素值列表中的值按降序方式重新排列。若該列表的長(zhǎng)度N為奇數(shù)，則選取該列表的中間值代表水尺“E”刻度的標(biāo)準(zhǔn)圖像高度像素值；若該列表的長(zhǎng)度N為偶數(shù)，則選取該列表中第N∕2和第（N+1）∕2個(gè)數(shù)的平均值代表水尺“E”刻度的標(biāo)準(zhǔn)圖像高度像素值he。

2 結(jié)果與分析

2.1 數(shù)據(jù)集

在包含水尺的多個(gè)不同水域圖像8 503 張和單獨(dú)水尺圖像1 780張中選取典型的4組圖像：（a）復(fù)雜背景、（b）夜間環(huán)境、（c）雨天環(huán)境、（d）背光環(huán)境（圖11），采用人工標(biāo)注的方式分別對(duì)水尺和水尺“E”刻度進(jìn)行標(biāo)注，制作兩套獨(dú)立的VOC格式數(shù)據(jù)集。其中用來(lái)識(shí)別水尺的數(shù)據(jù)集訓(xùn)練樣本數(shù)量為6 886張，驗(yàn)證樣本數(shù)量為766張，測(cè)試樣本數(shù)量為851張；用來(lái)識(shí)別水尺“E”刻度的數(shù)據(jù)集訓(xùn)練樣本數(shù)量為1 441張，驗(yàn)證樣本數(shù)量為161張，測(cè)試樣本數(shù)量為178張。

圖11 水尺數(shù)據(jù)集和水尺“E”刻度數(shù)據(jù)集

2.2 模型訓(xùn)練及超參數(shù)設(shè)置

本文所用訓(xùn)練設(shè)備CPU型號(hào)是15核Intel（R）Xeon（R）Platinum 8358P CPU @ 2.60GHz，內(nèi)存80 GB，GPU 型號(hào)為RTX A5000，顯存24 GB。操作系統(tǒng)是ubuntu18.04，PyTorch版本1.7.0，Python版本3.8，CUDA版本11.0。

所有模型均不使用預(yù)訓(xùn)練模式，即訓(xùn)練過(guò)程中不需要加載預(yù)訓(xùn)練權(quán)重。迭代次數(shù)（epoch）為300，Batch_size設(shè)為16，Weight_decay設(shè)為0.000 5，表示權(quán)重衰減，可以防止過(guò)擬合。優(yōu)化器選用SGD，其內(nèi)部使用到的momentum 參數(shù)設(shè)為0.937，學(xué)習(xí)率設(shè)為0.01，學(xué)習(xí)率衰減采用余弦退火的方式。

訓(xùn)練過(guò)程中YOLOX_I1和YOLOX_I2的損失值變化曲線(xiàn)如圖12 所示。從圖12 中可以看出，YOLOX_I1 的訓(xùn)練集和驗(yàn)證集損失值分別收斂于1.859、1.838，YOLOX_I2 的訓(xùn)練集和驗(yàn)證集損失值分別收斂于1.104、1.097。

圖12 訓(xùn)練過(guò)程的損失值

2.3 實(shí)驗(yàn)結(jié)果分析

2.3.1 評(píng)價(jià)指標(biāo)

為了判斷模型對(duì)水尺和水尺“E”刻度的檢測(cè)效果，選擇平均精度（AP）、F1、幀率（FPS）作為評(píng)價(jià)指標(biāo)。AP是對(duì)單個(gè)類(lèi)別下被正確分配的正樣本數(shù)占總分配正樣本數(shù)的比例取平均精度，如式（5）；F1 是當(dāng)參數(shù)α= 1 時(shí)查準(zhǔn)率和查全率加權(quán)調(diào)和平均值，綜合了查準(zhǔn)率和查全率結(jié)果，當(dāng)F1較高時(shí)則說(shuō)明試驗(yàn)方法比較有效，如式（6）；FPS是每幀推理的時(shí)間，它衡量的是算法的檢測(cè)速度，值越高算法實(shí)時(shí)性越好，如式（7）。

式中：Tp為正樣本被正確識(shí)別的數(shù)目；Fp為錯(cuò)誤地被識(shí)別為正樣本的數(shù)目；N為類(lèi)別數(shù)；Precision為查準(zhǔn)率，Recall為查全率；frameNum為圖像的幀數(shù)編號(hào)；elapsedTime為運(yùn)行固定幀數(shù)花費(fèi)的時(shí)間。

2.3.2 實(shí)驗(yàn)結(jié)果對(duì)比

采用改進(jìn)的YOLOX-S 算法模型分別對(duì)水尺和水尺“E”刻度檢測(cè)，在參數(shù)相同情況下，與YOLOv4-S、YOLOv5-S、YOLOX-S 算法做對(duì)比，同樣為了驗(yàn)證重構(gòu)后的P_ASFF 模塊和使用PolyLoss 優(yōu)化后的BCE Loss 在改進(jìn)的YOLOX-S 算法中的效果，設(shè)計(jì)依次增加Poly Loss 和P_ASFF的對(duì)比，如圖13、表2和表3所示。

表2 水尺識(shí)別算法各指標(biāo)對(duì)比

表3 水尺“E”刻度檢測(cè)算法各指標(biāo)對(duì)比

圖13 算法對(duì)比圖

其 中，AP50和AP70分 別 表 示 閾 值 為50、70 時(shí) 水 尺“E”刻度的AP值，閾值設(shè)置越高對(duì)檢測(cè)的結(jié)果越嚴(yán)格，預(yù)測(cè)框和真實(shí)框的貼合程度要求越高。從圖13、表2 和表3 中可以看出無(wú)論是AP50、AP70還是F1，本文提出的改進(jìn)YOLOX-S 算法在對(duì)水尺和水尺“E”刻度檢測(cè)上均有很好的效果，F(xiàn)PS值同樣能滿(mǎn)足實(shí)時(shí)性的目標(biāo)檢測(cè)的需求。在YOLOX-S 基礎(chǔ)上分別增加PolyLoss 和P_ASFF 之后AP值均有提升，綜上，改進(jìn)后的目標(biāo)檢測(cè)算法在當(dāng)前任務(wù)中可靠性較好。

2.4 水位檢測(cè)算法的實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證水位檢測(cè)算法的有效性和可靠性，以較為模糊的水尺圖像為例，與王磊等[13]使用的YOLO-v3 和ResNet刻度識(shí)別算法做了實(shí)際對(duì)比測(cè)試，對(duì)比結(jié)果如圖14所示。

圖14 實(shí)測(cè)效果對(duì)比

從圖14 可以看出，在水尺圖像較為模糊的情景下，YOLO-v3 和ResNet 刻度識(shí)別算法僅僅識(shí)別出水尺上的兩條刻度線(xiàn)，若只依據(jù)水尺刻度線(xiàn)進(jìn)行水位識(shí)別容易出現(xiàn)漏檢的現(xiàn)象，對(duì)后續(xù)統(tǒng)計(jì)刻度數(shù)目和計(jì)算水位值有很大影響。而利用本文算法，水尺“E”刻度均可識(shí)別出來(lái)，說(shuō)明該水位檢測(cè)算法在初始圖像模糊的情景下仍然具有很好的檢測(cè)效果，可靠性高并且適應(yīng)性好。

為進(jìn)一步驗(yàn)證算法的水位檢測(cè)性能，選取8 組實(shí)驗(yàn)數(shù)據(jù)，數(shù)據(jù)選取白天背景較為復(fù)雜的水面環(huán)境、雨天環(huán)境、外部環(huán)境干擾導(dǎo)致的模糊水尺和夜間環(huán)境下水尺，分別與孫維亞等[10]使用的主策略算法、YOLO-v3和ResNet算法做對(duì)比。通過(guò)測(cè)量誤差分布圖可以看出本文提出的水位檢測(cè)算法誤差波動(dòng)最?。▓D15）。最終計(jì)算的水位值平均誤差、最大誤差、最小誤差和極差的檢測(cè)對(duì)比結(jié)果如表4所示。

表4 不同算法水位檢測(cè)結(jié)果參數(shù)對(duì)比

圖15 算法誤差對(duì)比圖

從表4 可以看出，YOLO-v3 和ResNet 刻度識(shí)別算法平均誤差為6.14 cm，最大誤差為10.33 cm，最小誤差為0.70 cm，極差為9.63 cm，說(shuō)明水位檢測(cè)算法的結(jié)果誤差變動(dòng)范圍較大，算法穩(wěn)定性不強(qiáng)，主策略算法平均誤差為2.50 cm，最大誤差為5.00 cm，最小誤差為1.00 cm，極差為4.00 cm，相較于YOLO-v3 和ResNet 刻度識(shí)別算法的結(jié)果誤差雖然變動(dòng)范圍減小，但極差仍有4.00 cm，而本文算法的平均誤差、最大誤差和最小誤差均最低，極差也只有0.78 cm，小于另外兩種算法。

本文算法性能較好且誤差較小的原因在于使用兩階段目標(biāo)檢測(cè)算法和針對(duì)多余背景濾除的圖像處理技術(shù)，其中基于深度學(xué)習(xí)的兩階段目標(biāo)檢測(cè)算法能準(zhǔn)確地定位待測(cè)區(qū)域和水尺刻度“E”，圖像處理技術(shù)能對(duì)檢測(cè)出的圖像基于像素級(jí)的水平直方圖和垂直直方圖處理多余背景，使得檢測(cè)結(jié)果更加精確。為驗(yàn)證提出多余背景濾除處理技術(shù)的有效性，對(duì)是否使用多余背景濾除處理的水位檢測(cè)結(jié)果進(jìn)行了對(duì)比。分別選取白天背景較為復(fù)雜的水面環(huán)境、雨天環(huán)境、外部環(huán)境干擾而導(dǎo)致的模糊水尺和夜間環(huán)境下水尺共8組實(shí)驗(yàn)數(shù)據(jù)，對(duì)比結(jié)果如表5所示（實(shí)際水位的讀數(shù)以人工讀數(shù)為準(zhǔn)，誤差分析以絕對(duì)誤差作為評(píng)價(jià)指標(biāo)）。

表5 多余背景濾除處理的性能分析

從表5 可以看出，在不對(duì)圖像做多余背景濾除處理時(shí)，測(cè)試樣本中的最大誤差高達(dá)6.40 cm，而針對(duì)該樣本使用本文算法中的多余背景濾除處理之后測(cè)量的誤差僅有0.48 cm，測(cè)量誤差降低5.92 cm，這表明在使用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法后，圖像的背景噪聲干擾依舊很大，而在準(zhǔn)確提取檢測(cè)目標(biāo)前提下引入圖像處理技術(shù)依據(jù)像素點(diǎn)數(shù)目對(duì)圖像做多余背景濾除處理時(shí)能減小水位測(cè)量誤差。因此，本文提出的在水位檢測(cè)算法中引入傳統(tǒng)圖像處理方法效果顯著。

3 結(jié) 語(yǔ)

本文針對(duì)江河湖庫(kù)等水域的水位檢測(cè)，提出了一種基于深度學(xué)習(xí)的水位智能檢測(cè)算法，引入ASFF 模塊重新構(gòu)建了YOLOX-S 的加強(qiáng)特征融合網(wǎng)絡(luò)，提高算法特征信息融合能力，引入多項(xiàng)式損失（Poly Loss）對(duì)二元交叉熵?fù)p失（BCE Loss）進(jìn)行優(yōu)化；使用改進(jìn)后的模型對(duì)基于水尺的水域圖像分兩階段檢測(cè)識(shí)別，結(jié)合傳統(tǒng)圖像處理技術(shù)對(duì)水尺圖像做矯正和多余背景濾除處理、對(duì)水尺“E”刻度做多余背景濾除處理，可以濾除背景噪聲并較為準(zhǔn)確地讀取到圖像高度像素值，最終根據(jù)公式計(jì)算水位。結(jié)果表明改進(jìn)后的YOLOX-S 對(duì)第一階段水尺的識(shí)別率為98.94%，對(duì)第二階段關(guān)鍵水尺“E”刻度的識(shí)別率為99.86%，F(xiàn)PS 均可達(dá)到59，改進(jìn)后的YOLOX-S 算法滿(mǎn)足實(shí)時(shí)性要求，并且在使用了多余背景濾除方法后，最終計(jì)算水位的平均誤差小于0.60 cm、極差誤差小于0.80 cm，較傳統(tǒng)典型水位識(shí)別方法分別減少1.98 cm 和3.22 cm，實(shí)現(xiàn)對(duì)江河湖庫(kù)等水域水位的高精度智能識(shí)別，為防汛抗旱決策提供有效技術(shù)支撐。