1.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法，其特征在于，包括下述步骤：S1选定场景，S2虚拟水尺设置，S3水位标注，S4模型训练，S5通过模型计算水位。

2.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法，其特征在于，所述S2中，虚拟水尺的设置方法，通过选定场景后得到特征物体（特征物体是指和水面交汇的物体），根据特征物体和场景中的位置情况，以便于观测和测量方便为主，确定是横向还是纵向虚拟水尺，并确定虚拟水尺的中轴线，有了中轴线后，设置最高水位方位K，如果是纵向（‘|’）虚拟水尺那么最高水位的方位在上，如果是横向（‘‑’）虚拟水尺那么最高水位的方位在左或者在右；得到了最高水位的方位后，设置基准线（图片上的方位和最高水位之间的像素距离），并设置最高水位值；并根据要求的水位精度设置步幅（步幅根据实际经验设置为

0.1m、0.5m、1m），通过最高水位向下设置每个刻度的水位，设置若干个刻度后，通过RNN（循环神经网络），直接推算下面的水位值，直到虚拟水尺的尾端即最低水位值；通过以上操作就获得了虚拟水尺刻度值和对应的像素值的数组R[(V1，R1(Rx1,Ry1)),(V2，R2(Rx2,Ry2)) ,…, (Vn，Rn(Rxn,Ryn))]（V1为最高水位值，R1为对应的像素点，Vn是最低水位值，Rn对应的像素值)。

3.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法，其特征在于，所述S3中，水位标注的时候采用的是点标注的方法，且标注的时候对该标注区域进行了放大；具体的通过设置虚拟水尺和水位的交汇点，完成水位标注,获得水位标注数据集D0和标注集A0。

4.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法，其特征在于，所述S4中，特征在于图片训练和识别前按照虚拟水尺的所在位置进行变换和图片裁剪，将剪裁后的图片提供给训练和识别；首先对图片训练数据集D0（这里为了举例方便，图片像素为

1920*1080）进行图片剪裁，根据前面得到的虚拟水尺数组R[(V1，R1(Rx1,Ry1)),(V2，R2(Rx2,Ry2))  ,…, (Vn，Rn(Rxn,Ryn))]中第一个像素值（宽度，高度）（Rx1,Ry1），同时根据最高水位方位K也知道虚拟水尺是横向还是纵向；如果虚拟水尺为横向（‘‑’），那么剪裁的位置左上角的点就是（0，Ry1‑25），右下角的点就是（1920，Ry1+25）；如果虚拟水尺为纵向（‘|’），那么剪裁的位置左上角的点就是（Rx1‑25，0），右下角的点就是（Rx1+25，1080），通过该矩形进行剪裁获得剪裁数据集合D1；再对每个图片的标注集A0进行矩形变化得到标注集A1，矩形变化规则是以标注点（x,y）为基础点，左上角的点是（x‑25,y‑25）,右下角的点是（x+25,y+25）；最后使用CNN（卷积神经网络）对标注的数据集D1和标注集A1进行模型训练，获得水位区域的物体检测模型P1。

5.一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法，其特征在于，所述S5中，计算水位的方法；使用该水位识别场景的图片C1进行计算水位，首先通过S4的剪裁步骤，得到图片C2,用C2集合水位区域的物体检测模型P1计算获得水位区域B[（Bx1,By1）,(Bx2,By2)](左上点B1,右下点B2)；再结合虚拟水尺数组R [(V1，R1(Rx1,Ry1)),(V2，R2(Rx2,Ry2))  ,…, (Vn，Rn(Rxn,Ryn))]（V1为最大水位值，R1为对应的像素点）以及根据之前的虚拟水尺的最高水位方位K：如果是在上，那么是纵向水尺（‘|’），计算水位位置By= By1 +(By2‑By1)/2；将By带入虚拟水尺R中，按照水位从高到底计算，如果By在Ry1和Ry2之间时，那么水位值=V2+ (V1‑V2)* ((Ry2‑By)/(Ry2‑Ry1));如果是在左和在右，那么就是横向水尺（‘‑’），计算水位位置Bx= Bx1 +(Bx2‑Bx1)/2；将Bx带入虚拟水尺R中，按照水位从高到底计算，如果Bx在Rx1和Rx2之间时，那么水位值=V2+ (V1‑V2)* ((Rx2‑Bx)/(Rx2‑Rx1));最终的到水位值。