水位尺读数识别通过python yolov7网络模型技术，水位尺读数识别算法基于虚拟水尺的水位图像识别通常包括以下两种：一是基于hough变换与harris检测的标尺识别方法，算法使用中值滤波去除噪声和灰度均衡之后，再使用形态学的细化和轮廓提取技术计算刻线的位置。这种识别方法采用的是传统的图像处理方法，只在少量图像上表现好，不能够很好的适应各种水尺型号(如水尺颜色、刻度、尺寸等)及复杂环境(如光照、角度等)的变化；
二是基于目标检测的水标尺识别算法,该算法采用深度学习与卷积神经网络结构进行训练,提取图像中水标尺的位置信息，通过计算水标尺像素高度与刻度信息比例得到水标尺读数。这种基于目标检测的水标尺识别算法的缺点在于不能很好的适应场景多变的复杂环境，当标尺上面存在污痕、斑点、损坏或刻度颜色多样时，导致水标尺边缘框及刻度识别不准，使算法的准确度明显降低，同时对多样化的自然场景鲁棒性很差。
背景技术：
随着计算机视觉与信息技术的发展以及视频、图像等多媒体数据的大量增长。人们可以通过挖掘视频、图像中的信息，进一步为决策做出依据。而在进行数据挖掘之前，首先要对这些庞大的视频、图像数据进行有效的分类管理。图像识别是一个基础工作，在信息提取、信息识别和信息检索方面都有重要的意义和价值。深度学习(DeepLearning)尤其是卷积神经网络(CNN)作为近几年来图像处理及模式识别中的研究重点，受到人们越来越多的关注，它是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。基于虚拟水尺的水位图像识别是面向水行业及能源行业特定的水位图像的自动识别产品，通过卷积神经网络及视觉标定与校准技术，能够自动识别水位读数，并在图像中画出对应刻度的虚拟水尺。在一些复杂场景中，只需要得到水位分别在两个时刻的高度，便可计算出当前水位高度。替代了传统的人工观测计数，从而提高用户工作效率，减少人工操作。
技术实现要素：
提供一种基于虚拟水尺的水位识别方法，通过水域识别得到自然水域的当前水位，可提高水位识别准确度。另一个目的在于提供一种基于虚拟水尺的水位识别系统。
选取自然水域中已知实际位置的两个初始点以及两个初始点在与所述自然水域对应的水域图像中的图像坐标；
通过水域分割模型识别所述水域图像中的水域区域；
根据所述水域区域以及所述两个初始点的实际位置和图像坐标确定所述自然水域当前水面的水面高程。
优选地，所述两个初始点为所述自然水域中实际水尺的顶部高程和初始水面高程两个点。
优选地，所述方法进一步包括形成所述水域分割模型的步骤。
优选地，所述形成所述水域分割模型具体包括：
形成图像水域分割网络模型；
根据所述网络模型通过图像分割算法对多张水域图像进行训练得到所述水域分割模型。
优选地，所述根据所述水域区域以及所述两个初始点分别在所述自然水域的实际位置和在所述水域图像的图像坐标确定所述自然水域当前水面的水面高程具体包括：
根据所述水域区域和所述两个初始点在所述水域图像的图像坐标得到当前水面在所述水域图像中的水位位置坐标；
根据两个初始点在所述自然水域的实际位置和在所述水域图像的图像坐标以及当前水面的所述水位位置坐标得到所述水面高程。
优选地，所述方法进一步包括在所述水域图像上形成虚拟水尺图像的步骤。
优选地，所述在所述水域图像上形成虚拟水尺图像具体包括：
根据所述水面高程和所述水域区域得到虚拟水尺的像素大小；
通过逆透视变换得到虚拟水尺的起始位置和终止位置；
