1. 引言
目前国内山洪灾害监测以降雨量和水位为主，单一的监测要素和传统的地面传感器与降雨预报结合的手段覆盖有限，难以适应复杂的山洪环境[1]。对于山洪监测实践工程中具有重要意义的流量监测传感设备相关研究极少，传统山洪流量测验通常使用缆道式转子流速仪、浮标以及走航式声学多普勒流速剖面仪(Acoustic Doppler Current Profilers，ADCP)等接触式仪器设备进行应急现场测量[2]。接触式山洪流量测量的方式施测风险高、劳动成本和仪器损耗率大。考虑到人员、设备安全以及高洪期水位暴涨暴落、存在漂浮物及滚石、流量超出仪器测量范围等条件，传统方法测量山洪流量时难以应用，接触式仪器只适用于漂浮物少、含沙量低的平水期和枯水期，对于涨水期需要对正常流量条件下建立的额定曲线进行外推，增加了山洪流量测量的不确定性。
面对山洪快速变化、高流速等复杂的野外观测条件以及中小河流传统水文断面测流技术存在建设运维成本高、难以适应满足山洪监测需求的问题[3]，本文以水位–流速–流量水文要素之间的水动力关系为基础，结合山洪演进规律，综合应用人工智能、时空图像视频智能分析技术，对山洪图像视频在前端进行分析处理。研发一种非接触式基于图像实时智能识别的水位流量监测设备，解决现有接触式监测设备施测不安全与非自动化的问题，提升山洪期间水位、流速、流量监测感知及预警的时效性、覆盖面和保障度，降低山洪监测和运维成本[4]，为完成全国山洪灾害防治项目建设提档升级计划的关键任务、加快构建雨水情监测预报“三道防线”提供助力[5]。
2. 山洪水位流量智能识别监测设备总体框架
基于人工智能和时空图像视频智能分析技术的非接触式山洪水位智能识别监测设备主要硬件设备总体框图如下图1所示。主要由高清红外摄像头图像采集单元、山洪水位图像识别分析单元、山洪流速流量测算单元、监测数据存储及传输单元和抗雷及供电等单元组成。高清红外摄像机负责现场视频图像的实时、非接触式获取，保证数据采集的及时性和安全性；自主研发的边缘计算智能终端集成了山洪水位智能图像识别分析模型和山洪流速流量测算单元模型，负责从摄像头端获取视频进行实时识别分析计算，保证了数据解析的高效和安全。图像识别结果可通过数据存储及传输单元(支持4G/5G/北斗通讯)设备传输到数据中心，保证了数据传输的可靠性。
图1. 非接触式山洪水位流量智能识别监测设备总体框图
3. 非接触式山洪水位智能识别与时空图像测流算法
3.1. 非接触式山洪水位智能识别算法
水位作为水文测验的基础要素，是水利工程建设、水资源规划与管理、水生态保护、山洪灾害防治的重要依据。目前常用的水位监测设备主要有压力式水位计和雷达水位计，分别存在易被冲毁、施测距离受限等问题，难以满足山洪监测的要求。随着人工智能技术以及机器视觉技术的推广，机器视觉技术逐渐兴起，为水位图像识别方法的研究提供了技术基础。
非接触式山洪水位智能识别方法主要融合基于深度学习的目标检测实体水尺检测方法、语义分割虚拟水尺检测方法和虚拟水尺时空平均法，技术路线为：图像采集终端采集检测区域图像，首先进行裁剪、透视校正、去雾等预处理操作，然后分别采用实体水尺目标检测方法和水面语义分割方法计算实体水尺水位值和虚拟水尺水位值，最后将多路径水位数据进行融合处理输出实测水位。结合水尺目标识别、语义分割水面、提取水尺边缘等多种方法[6]，通过不同检测算法相互矫正水边岸线的边界线，根据不同方法的特性分别加权处理，增加置信度作为水位准确度的判断指标，利用配置文件像素–高程关系模型，计算并输出真实的水位高程以及对应的水位准确度分数。
3.2. 时空图像测速方法
河流表面流动特征诸如涟漪、波纹随水流一起运动的，因此可以认为其运动速度近似等于河流表面流速，这些表面流动特征的运动又会导致河流表面灰度发生变化，河流表面灰度的变化大小可以反映河流表面流速的大小[7]。为直观准确地展示河流表面亮度变化，在拍摄的视频中沿流向布置一系列平行等长的测速线，逐帧提取每条线的灰度信息，进而生成时空图像。由于灰度的变化，每幅时空图像中河流表面亮度的变化将表现为近似平行的条带纹理，这些纹理与竖直方向的夹角(即纹理角)可用于反映河流表面的流速[8]。武大AiFlow视觉测流产品便采用了此时空图像测速法的原理，通过分析时空图像中的灰度变化来测定水体表面的流速，并结合流速–面积法计算河流的流量。
3.3. 水位–流速–流量耦合测算方法
一般常规的流量计算往往是首先获取测速垂线的平均流速或者断面的平均流速，再依据流速面积法进行计算。本文提出的水位–流速–流量耦合测算方法是根据时空图像测速法获得的表面流速数据，结合水位、借用断面数据计算其对应的流量(虚流量)，通过经验系数建立虚流量与实测流量的关系，如式(1)，根据此关系由表面流速计算所得的虚流量推求实际断面流量。
系数取值可参考浮标系数的选取，山区的断面综合流量系数经验取值见表1。
(1)
式中：Q是断面流量(m3/s)，K是断面综合流量系数，Qf是视觉测流所测得的虚流量(m3/s)。
表1. 断面综合流量系数经验取值
测验河段条件 |
干旱地区小河流 |
湿润地区小河流 |
K (一般情况) |
0.70~0.80 |
0.75~0.85 |
K (特殊情况) |
0.65~0.70 |
0.90~1.00 |
注：1. 一般情况是指天然河道自然流的测流场景；特殊情况是指系数受环境影响下的测流场景；2. 对于垂线流速梯度较小或水深较大的测验河段，宜取较大值；反之，宜取较小值。
4. 非接触式山洪水位流量智能识别监测设备组成与安装
4.1. 非接触式水位智能设备组成与安装
非接触式山洪水位自动监测设备包含高清红外摄像头、边缘计算智能终端等核心设备和配套的立杆、水尺、展示平台等组成，详见下图2，识别成果可按照行业数据传输规范传输到数据展示系统进行展示和应用。
图2. 非接触式水位智能设备组成图
非接触式山洪水位智能设备安装实施步骤分为现场勘察、岸坡规整或水尺安装、设备安装、坐标标定和高程引测等。其中，现场勘察是选择场景，需要严格参照需要检测的水位变幅，保证水位变幅内的岸坡或实体水尺完整，以免出现水位低于或高于画面的检测范围；水尺安装可分为虚拟水尺安装和实体水尺安装，两者都是为了给水位智能识别设备提供规整的水域岸线环境；设备安装环节包含基础及立杆安装、采集终端安装、边缘计算网关及防水箱安装、电网接入、设备调试等内容；坐标标定是采用测量仪器测量标识点从而建立起空间坐标和像素坐标的转换关系(山洪水位智能设备虚拟水尺标定牌摆放示例图如图3所示)；高程引测是根据规范将基准高程数据引测至水位智能识别站点，赋予水位数据对应的基准高程。
图3. 山洪水位智能设备虚拟水尺标定牌摆放示例图
4.2. 基于人工智能和时空图像测速方法的视频流速流量监测设备组成与安装
4.2.1. 视频流速流量监测设备组成
非接触式山洪水位自动监测设备包含定制高精度摄像头、边缘计算智能网关等核心设备和配套的立杆、设备箱、智能空开、防雷器等辅材组成，详见下图4，识别成果可按照行业数据传输规范传输到数据展示系统进行展示和应用。
图4. 视频流速测流设备图
4.2.2. 视频流速流量监测设备安装
非接触式山洪流量智能识别设备安装实施步骤分为现场勘察、设备安装和坐标标定等。其中，现场勘察是根据现场情况设计安装方案，主要调研内容包括选择部署视觉测流的河流区间段顺直情况、现场网络电力情况、监控立杆及摄像头安装高度；设备安装环节包含基础及立杆安装、采集终端安装、边缘计算网关及防水箱安装、电网接入、设备调试等内容；坐标标定是采用测量仪器测量标识点从而建立起空间坐标和像素坐标的转换关系(标定牌摆放示例如下图5)。
图5. 流量智能识别设备标定牌摆放示意图
5. 非接触式山洪水位流量智能监测设备应用
5.1. 河南栾川山洪灾害试验基地山洪测站概况
河南栾川山洪灾害试验基地位于河南省洛阳市栾川县(实验基地试点现场详见图6)，是全国山洪灾害防治试验示范基地。基地采用自组网完成数据采集、传输和展示，在无公网情况下可自行工作，体现信息接力多跳传输，促进监测预警新技术和新理念更好地为山洪灾害监测预警工作服务[9]。建设展览体验馆，填补山洪灾害宣传教育展馆国内空白，全面系统展示全国山洪灾害防御成果，为各地山洪灾害防御成果展示提供样板示范，提高社会公众防灾减灾意识，创新宣传教育方式。
5.2. 应用结果
我们在该试验基地试点安装了3套非接触式山洪智能识别设备，结合图像识别水位和流速设备、窄带物联网传输设备，组成全套山洪灾害试验系统。
图6. 河南栾川山洪实验基地试点现场图
本试验于2020年7月19日至20日在该站对一场洪水过程开展图像识别水位、视频测表面流速试验，再利用表面流速系数法计算断面流量，以开展山洪灾害监测试验。
以0.6 m为间距，等间距地设置15条测速线以开展表面流速比测试验。每个测次每条测速线的流速分布如下表2：
表2. 栾川山洪灾害示范基地试验结果表
编号 |
起点距(m) |
7月19日21:30 |
相对水位1.15 (m) |
7月19日23:00 |
相对水位1.2 (m) |
7月20日0:30 |
相对水位1.22 (m) |
7月20日2:00 |
相对水位1.2 (m) |
7月20日3:30 |
相对水位1.18 (m) |
7月20日9:00 |
相对水位0.8 (m) |
流速(m/s) |
流速(m/s) |
流速(m/s) |
流速(m/s) |
流速(m/s) |
流速(m/s) |
1 |
0.3 |
0.67 |
0.89 |
1.41 |
1.07 |
0.37 |
0.59 |
2 |
0.9 |
1.27 |
0.86 |
2.02 |
0.62 |
1.07 |
1.13 |
3 |
1.5 |
3.22 |
1.44 |
2.28 |
2.36 |
1.38 |
0.95 |
4 |
2.1 |
0.96 |
3.22 |
1.81 |
1.16 |
1.21 |
1.33 |
5 |
2.7 |
2.28 |
1.91 |
1.77 |
1.31 |
2.94 |
1.30 |
6 |
3.3 |
1.21 |
1.41 |
1.91 |
1.23 |
2.21 |
1.22 |
7 |
4.0 |
1.60 |
1.81 |
2.53 |
1.47 |
1.14 |
1.35 |
8 |
4.6 |
1.72 |
1.25 |
2.14 |
1.27 |
1.14 |
1.41 |
9 |
5.2 |
1.31 |
1.07 |
2.53 |
1.36 |
0.96 |
1.33 |
10 |
5.8 |
1.23 |
1.29 |
1.47 |
1.31 |
1.17 |
1.10 |
11 |
6.4 |
1.15 |
1.23 |
1.23 |
0.79 |
1.30 |
0.73 |
12 |
7.0 |
0.90 |
0.81 |
1.23 |
0.95 |
0.75 |
0.72 |
13 |
7.6 |
0.90 |
0.83 |
0.75 |
0.60 |
0.98 |
0.40 |
14 |
8.3 |
1.23 |
0.72 |
0.55 |
0.81 |
0.30 |
0.15 |
15 |
8.9 |
0.78 |
0.49 |
1.44 |
0.67 |
0.35 |
0.16 |
通过对各测速线上的表面流速采用表面流速系数法进行流量计算，计算后得出的洪水过程曲线如图7所示：
图7. 河南栾川养子沟上游站点水位和流量过程曲线
由上图可看出视觉测流的水位–流量实践过程曲线趋势明显，流量数据符合水位变化过程且波动较小，可认为视觉测流方法精度较高。
6. 结论
本文在非接触式山洪水位智能识别监测设备研究方面，开发了基于卷积神经网络深度学习方法的智能水位识别算法和虚拟水尺构建等关键技术，实现了基于高清红外摄像头采集的图像进行实时水位智能识别试验及算法比测验证；研制了基于人工智能和时空图像测速方法的视频流速监测设备，并分别在室内和野外多个河流开展了测流实验及算法验证、数据分析、算法调试、结果对比等工作，成功运用时空图像测流算法进行山洪流量监测；在总结了过水断面水力参数及相关分析的基础上，开展了水位–流速–流量耦合测算算法研究，在野外河流和试验点进行了测流量实验及算法验证；最后，对流量测量设备进行了集成研发和组装测试，并在多个试点站进行了应用。
基于视觉测流算法是新时期下的非接触式山洪水位流量监测新方法，具有低风险、高时效性、全量程适用、高自动化等特点。本文对河南栾川山洪灾害试验基地开展的水位、流量比测试验进行分析，得到如下结论：相比传统测验手段，基于人工智能和时空图像测速法的视觉测流设备在山洪过程中能更好的在山洪期间观测水文要素的变化情况，为防汛决策和水资源管理提供重要的数据支持，同时避免了洪水测验危险，降低了山洪测验成本。基于图像智能识别算法的非接触式山洪水位流量监测设备的应用丰富了水文监测手段，能有效解决规模化应用的技术瓶颈，弥补我国大量山区性河流无流量监测的短板，适合进一步推广。
基金项目
感谢国家重点研发计划项目(2022YFC13202803；2019YFC1510602)和水利部重大科技项目SKS-2022020对本研究的支持。
NOTES
作者简介：陈玮(1991.11-)，湖南资兴人，本科，工程师，研究方向：水文水资源，Email: 1624247507@qq.com