Ein Ansatz zur Messung des Wasserstandes basierend auf YOLOv5s

Vorhandene Methoden zur Ablesung von Wasserständen, die auf Bildanalyse basieren, haben Probleme wie schlechte Szenenadaptivität und geringe Robustheit. Hier schlagen wir eine neuartige Methode zur Messung des Wasserstandes vor, die auf Deep Learning (YOLOv5s, convolutional neural network) basiert, um diese Probleme zu überwinden. Die vorgeschlagene Methode verwendet YOLOv5s, um den Wasserstandbereich und alle skalierten Zeichenbereiche im Originalvideo-Bild zu extrahieren, nutzt Bildverarbeitungstechnologie zur Identifizierung der Position der Wasseroberfläche und berechnet dann die tatsächliche Wasserstandshöhe. Die vorgeschlagene Methode wurde mit einer videobasierten Überwachungsstation an einem Fluss in Peking validiert, und die Ergebnisse zeigen, dass der systematische Fehler der vorgeschlagenen Methode nur 7,7 mm beträgt, der Fehler innerhalb von 1 cm/der Fehler liegt zwischen 1 cm und 3 cm, und das Verhältnis der Anzahl der Bilder beträgt 95%/5% (Tageslicht), 98%/2% (Infrarotbeleuchtung bei Nacht), 97%/2% (starkes Licht), 45%/44% (transparentes Wasser), 91%/9% (Niederschlag) und 90%/10% (Wasserstandsanzeiger ist leicht verschmutzt). Die Ergebnisse zeigen, dass die vorgeschlagene Methode in verschiedenen Szenen gute Leistungen zeigt und ihre Wirksamkeit bestätigt wurde. Gleichzeitig besitzt sie eine starke Robustheit und bietet einen gewissen Referenzrahmen für die Anwendung von Deep Learning im Bereich der hydrologischen Überwachung.