1. 引言
近年来,我国多地频遭强降雨重创,洪水如猛兽般肆虐各地,严重危害人民群众生命安全,造成难以计量的经济损失。随着信息化时代的深化与基础设施的不断革新,各行各业广泛沐浴在信息化建设的浪潮中,而水文监控体系也经历了一场持续性的技术变革与升级。目前智能监控技术正逐步取代传统人力密集型监控方式及陈旧的水位监测设施,不仅降低了洪水期间人工监测的安全风险,还实现了更高效精确的自动化监测[1]。
随着视频智能识别计算技术的不断发展与深入,国内外都在积极开展对视觉识别水位技术的探索与研究。尤良全提出利用离散型Hopfield神经网络对分割的二进制编码字符进行修正,再通过模板匹配法算法对进行字符识别,最终获取水尺量程信息[2]。程建等提出基于无人机实现船舶水尺图像采集,采用知识引导的K-means++聚类和分水岭算法,实现船舶吃水线区域的动态识别和吃水线测定[3]。许小华利用YOLOX深度学习模块提出基于水尺和水尺刻度“E”两阶段检测的识别水位智能算法,该算法可有效应对天气、采集图片角度、光照光线、水尺倾斜以及复杂背景等的影响[4],但上述水位检测算法的类别太过单一,无法有效应用在未安装水尺的站点。
武大AiFlow视觉水位计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,能够实时呈现水域实景画面,直观反映水体状态及周遭环境,为全面评估水域状况提供详尽视觉信息,而针对未安装水尺的水位站点,支持虚拟水尺时空平均算法进行水位数据采集。其非接触式监测设计,显著降低了维护需求,增加了长期运行的稳定性和可靠性。此外,该设备能够完整反映出水位变化范围,展现出良好的环境适应性,即便在复杂多变的条件下,也能确保数据采集的稳定性与准确性,展现了高度的抗干扰性能。通过视频监控手段,武大AiFlow视觉水位计得以实现从低水位到高水位的全程无死角监测,即使在诸如河漫滩这类特殊测点,也能确保实现全量程水位的有效监测,同时在大流速及强波浪的极端环境下,仍能持续提供稳定且准确的水位监测数据。本文在麦穰水文站对武大AiFlow视觉水位计和站点浮子式自记水位计采集的数据进行了分析比对,还在黄壁庄水文站将武大AiFlow视觉水位计与雷达水位计进行了相应比测,结果均证实武大AiFlow视觉水位计具备较高的准确度。
2. 武大AiFlow视觉水位计工作原理与系统组成
2.1. 工作原理
视觉识别水位方法主要融合了基于深度学习的目标检测实体水尺检测方法[4]-[7]、语义分割虚拟水尺检测方法[1] [8] [9]和虚拟水尺时空平均法,其技术路线为视频采集终端获取待测区域视频,并进行裁剪、透视校正、去雾等预处理操作,再采用实体水尺目标检测方法和语义分割方法分别计算实体水尺的水位值和虚拟水尺的水位值,最后将多路径水位数据进行数据融合输出相应水位值,具体流程如下图1所示。
2.1.1. 预处理算法
首先裁剪标定区域局部图像,减少非核心监测区域因为图像背景因素和环境光线的干扰,再采用二维码检测及矫正算法对采集图像偏移进行实时矫正,最后使用去噪,去雾,去雨等算法增强采集图像质量[10]-[13],提高图像中的边缘信息以及语义信息,以便适应各类气候条件,实现流程如图2、图3所示。
2.1.2. 基于深度学习目标检测实体水尺水位识别算法
利用标注的水尺图像数据集训练一个基于YOLO的实时水尺检测网络模型[4]-[7],首先将采集图像进行增强预处理,去除背景因素的干扰以及光线影响;再将YOLO网络模型对预处理后的图片进行水尺刻度的预测,包括对水尺、刻度、倒影等目标的标签以及位置的检测;然后对检测水尺目标信息进行后处理分析,对水位线以及水尺的位置进行过滤,并精准定位;最后将确定的水尺刻度进行高程转换,输出水位值,具体流程如下图4。
图1. 视觉识别水位方法流程图
图2. 二维码检测及矫正示意图
图3. 图像增强示意图
图4. 深度学习目标检测实体水尺检测方法
图5. 基于语义分割岸线识别水位检测方法
图6. 虚拟水尺时空平均方法
2.1.3. 基于语义分割岸线水位识别算法
首先,利用标注的水面图像数据集训练一个基于语义分割的网络模型[1] [8] [9],将采集的水域图像进行像素点–高程标注建立关系模型;然后通过基于数据驱动的语义分割网络识别图像中的水面区域,得到岸线位置坐标;最后利用像素点–高程关系模型计算分割岸线的高程,获取水位数据,如上图5所示。
2.1.4. 虚拟水尺时空平均算法
基于语义分割网络模型识别水面区域并分割岸线,并构建多个虚拟水尺,在空间上,对水位线进行平均矫正,减少波浪对水位线识别和测量的影响,增加数据的稳定性和可靠性;在时间上,对水位值进行滤波平均,减少时间维度上数据跳变造成的影响,增强水位数据的鲁棒性,实现流程如上图6。
2.1.5. 多路径水位数据融合算法
结合水尺目标识别、语义分割水面、传统提取水尺边缘等多种方法,通过不同检测算法相互矫正水岸的分界线,根据不同方法的特性分别进行加权处理,增加置信度作为水位准确度的判断指标,利用像素–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。
2.2. 系统组成
武大AiFlow视觉水位计基于系统前端视频采集设备、边缘计算盒子以及数据平台,智能识别实体水尺或虚拟水尺和水面分割线,实现水位数据实时获取,其系统组成如下图7。
图7. AiFlow视觉水位计系统组成图
3. 比测分析评价标准
依据GB/T 50138-2010《水位观测标准》(以下简称《标准》),采用系统误差和综合不确定度对获取的视觉水位数据与比测数据进行误差分析和评价[14]。
系统误差计算方式为:
(1)
式中,Pyi为视觉水位;Pi为比测水位;N为比测次数。
随机不确定度的计算公式为:
(2)
结合系统误差与随机不确定度,即可得到综合不确定度的大小:
(3)
4. 站点应用案例及比测分析
4.1. 麦穰水文站
麦穰水文站于2019年1月设立,位于长江流域乌江水系南明河的贵阳市麦穰村,隶属贵州省贵阳市水文水资源局管辖。麦穰水文站是乌江水系的区域代表站,作为大江大河控制站兼市州界水质水量监测站,主要负责监测南明河水质水量,为大江大河水文监测及市州界断面考核提供服务。该站于2022年4月完成武大AiFlow视觉水位计的建设安装,主要包括立杆、高清水位枪机摄像机、算法盒子以及标识物等。采用虚拟水尺时空平均算法,每天24小时按5 min/次的频率进行数据采集,截至2024年5月,监测到的最高水位为986.93 m,监测到的最低水位为982.70 m,现场监测画面如图8所示。
图8. 麦穰水文站AiFlow视觉水位计监测画面图
从监测画面中可以看出麦穰站的岸坡结构为多台阶式,并非常见的单一平面岸坡设计,不仅对水体的自然分割构成了挑战,还让高程变换的处理变得极为复杂,同时岸坡颜色与常规站点差异较大,表面纹理杂乱,背景环境的多样性也为准确区分水域带来较大困难。建站后,根据监测时刻、光照、水色、水位区间等环境因素的变化,持续收集不同场景的图片,并进行人工水域分割,通过不断的训练、测试,构建出该站点专用视频识别模型,实现不同场景下的精准分割,图9为麦穰水文站的模型分割结果。
图9. 麦穰水文站视频画面水位分割效果图
4.1.1. 相关性分析
参照《标准》,水位比测按水位变幅分测段进行,每测段观测次数大于等于30次[14]。本次比测选取了2022年7月至10月武大AiFlow视觉水位计与浮子水位计比测数据,共计16,653组。根据麦穰水文站水位级别划分,可将水位划分为枯水期(982.70~983.09 m)、低水期(983.09~985.12 m)、中水期(985.12~987.15 m),通过对比数据得出枯水期12,184组、低水期4231组、中水期238组。由于该站自安装武大AiFlow视觉水位计后尚未经历过高水,因此本次比测分析暂无高水期数据。
枯水、低水、中水期视觉水位数据与浮子水位数据相关关系R2分别为0.9587、0.9990、0.9996,如下图10所示,相关性均较好。
图10. 麦穰水文站不同水位级别相关关系分析
4.1.2. 综合不确定度分析
依据《标准》6.2.3小节规定,一般水位站置信水平95%的综合不确定度应小于3 cm,系统误差应为±1 cm [14]。
表1. 麦穰水文站比测结果
水位级别 |
水位范围(m) |
比测次数 |
系统误差(cm) |
随机不确定度(cm) |
综合不确定度(cm) |
是否满足规范要求 |
枯水期 |
982.70~983.09 |
12,184 |
−0.382 |
2.518 |
2.546 |
是 |
低水期 |
983.09~985.12 |
4231 |
0.044 |
2.490 |
2.491 |
是 |
中水期 |
985.12~987.15 |
238 |
−0.541 |
2.389 |
2.450 |
是 |
枯水期、低水期以及中水期比测结果误差详见表1,麦穰水文站三个水位级别综合不确定度和系统误差均满足标准要求。
4.2. 黄壁庄水文站
黄壁庄水文站位于河北省鹿泉市黄壁庄水库闸门下游900 m处,始建于1922年8月,为滹沱河干流的重要水库控制站。该站于2024年1月完成武大AiFlow视觉水位计的安装建设,建设内容包括立杆、高清水位球型摄像机、算法盒子以及定制水尺。每天24小时按5 min/次的频率进行数据采集,截至2024年5月,监测到的最高水位为98.82 m,监测到的最低水位为96.57 m,监测画面如图11所示。
图11. 黄壁庄水文站视觉水位画面
该站点距水库闸门较近,常年流速较大,水面波纹起伏明显,从监测画面中可以看出,间隔3 s水尺读数差异达0.16 m,从数据可靠性角度来说,该瞬时值无法代表实际水位。为应对该种现象下水位数据波动大的问题,通过深度学习目标检测实体水尺水位识别算法、语义分割岸线水位识别算法、虚拟水尺时空平均算法这三种算法协同作业,进一步提升瞬时分割的精度,结合多路径水位数据融合算法进行深度挖掘并整合数据,提高水位识别的精度与稳定性。视觉识别效果如图12所示,图中蓝色线段为单张图片水面识别结果,通过蓝线识别位置可以看出瞬时分割准确,绿色线段为多路径水位识别结果进行融合处理输出的识别结果,消除水面波浪对水位识别带的影响。
图12. 黄壁庄水文站视频画面水位分割效果图
鉴于该站点原有水位监测设备位于武大AiFlow视觉水位计下游25 m处,二者之间存在不稳定的纵向落差,暂不具备直接对比分析的条件。直接通过水位时间过程线观察二者差异,参照下图13所示的数据趋势,视觉水位数据均略高于原水位监测设备数值,与二者上下游高程关系吻合,说明黄壁庄水文站视觉水位计监测结果合理。
图13. 黄壁庄水文站水位分析时序图
5. 总结
本文提出的武大AiFlow视觉水位计集成了目标检测实体水尺水位识别算法、语义分割岸线水位识别算法、虚拟水尺时空平均算法等多种深度学习算法,能在极大提升水位测量精确度的同时,还可以提供直观的实时水位图像,便于管理者直接监控水位动态。通过对麦穰水文站与黄壁庄水文站数据的深入分析与比测验证,结果表明武大AiFlow视觉水位计输出水位数据持续稳定,测量精确度高,同时在复杂场景下体现出良好的适应性。此外,该视觉水位识别技术与装备满足当前市场需求,为水文监测领域注入了现代化动力,加速了传统监测方式向智能化、高效率转型的步伐。当然该产品仍存在一定局限性,未来研究需增强在极端天气条件下的抗干扰性能,如暴雨、大雾、强光及悬浮物影响,扩大产品的适用场景与范围。
NOTES
作者简介:王成建,山东梁山人,1973年10月生,本科,正高级工程师,研究方向水文水资源,Email: 276309924@qq.com