基于AI智能影像識別技術的流量實時在線監測集成與應用

魯青 張國學 史東華 王巧麗

摘要：中國河流湖庫眾多、監測站點分散，觀測斷面條件多樣，實現斷面流量在線監測將是未來發展趨勢。引入了一種基于AI智能影像識別的非接觸式流量在線監測技術，具有高集成度、高實時性、高穩定性以及安裝維護方便等特點。選取了長江干流上游攀枝花水文站作為試點斷面，通過系統集成和比測分析，其監測成果滿足流量測驗要求。研究成果可為類似測驗河段的流量實時在線監測應用提供新的技術方案，具有良好的推廣價值。

關鍵詞：影像識別;流速;流量;在線監測;系統集成

中圖法分類號：P332.4文獻標志碼：ADOI：10.15974/j.cnki.slsdkb.2021.09.017

文章編號：1006 - 0081（2021）09 - 0097 - 07

0 引 言

河流流量是單位時間內流過江河某一橫斷面的水量，是反映水資源和江河、湖泊、水庫等水量變化的基本資料，也是重要的水文要素之一。中國河流眾多，受自然條件等因素影響天然河流流量大小相差懸殊、變化錯綜復雜。目前，具有流量監測功能的水文站網大幅增加，以人工監測為主的流量測驗方式已經不能較好地滿足行業發展的需要，開展流量監測新技術的研究與應用、提高水文監測自動化水平勢在必行。

天然河道流量監測技術在中國的研究應用還處于起步階段，并不十分成熟，每種方案都有其自身的局限性，為研究掌握河流流量變化規律，水文站需根據河流水情變化特點，采用多種流量在線監測方法。目前常用流量在線監測方法有：水平式ADCP測流、非接觸式雷達波測流和超聲波時差法測流等[1]。這些流量在線監測方法不僅操作復雜，且每次觀測歷時較長，工作量大，需要花費較大人力物力，加之江河流量有時變化十分劇烈，僅靠以上監測方法難以全面掌握江河流量的變化過程。

隨著AI人工智能及大數據影像識別、自動化測量、無線通信和計算機網絡等現代科學技術發展，為野外復雜環境下進行非接觸式的河流水文多要素遠程在線監測實現提供了技術支撐。通過AI智能圖像識別技術進行系統集成，對河流流量進行實時在線監測成為可能。本文對AI智能圖像識別技術、流量實時在線系統集成、攀枝花水文站試點應用和比測結果進行了介紹與分析。

1 AI智能圖像識別技術

利用圖像傳感器代替人眼獲取水尺圖像測量水位，通過AI智能影像識別技術檢測水位線對應的讀數，從而自動獲取水位信息，具有快速、直觀、無溫漂等優點。表面流速測量以植物碎片、泡沫、細小波紋等跟隨表層水流運動的天然漂浮物及水面模式為示蹤物，通過圖像分析估計示蹤物在圖像序列中的位移，進而獲得表面水流的速度矢量場，具有非接觸式瞬時全場流速測量的特點，特別適合于天然河道水流在線監測。

1.1 技術特點

AI智能影像識別技術流量實時在線監測系統投入的人力少、安裝方便、觀測直觀，分析計算快捷，適用于野外河流監測，可應用于河岸穩定、寬度較窄河道以及明渠等斷面流速流量等監測。

（1）操作安全。系統主體不接觸水體，抗毀性強;系統采用數字化和網絡化設計，工作人員可通過網絡實現遠程監控和系統標定，現場維護僅限于水尺表面的定期清理等低技術和低風險工作，確保人身安全。

（2）易于布設。設備可快速架設于河岸上以傾斜視角探測，無需安裝懸臂支架延伸至水面上方，也不依賴于橋梁;采用直接定向攝像測量技術，現場無需布設任何地面控制點，可顯著提高野外應急監測的效率。

（3）測量高效。系統能夠在數分鐘內完成一次測量，得到較穩定的時均水位測量值和測點密集的表面流速分布，流量計算的子斷面數可達上百個，使測量具有較高的時間和空間分辨率，有利于捕獲水位、流量快速變化的洪水過程。

（4）多要素監測。系統基于單臺攝像機即可同時測量河流水位、流速、流量并實現可視化，還可同時輸出現場的視頻片段和單幀圖像，用于測量結果的直觀驗證、現場工況的實時監視、歷史事件的快速檢索和回溯分析。

（5）全天候。采用同岸和對岸獨立布設的近紅外、可見光補光燈分別進行定時照明控制，可有效克服攝像機內置光源照射角度固定、后向散射弱的問題，通過配備雨刮器和自動恒溫裝置，適用于夜間和陰雨天的持續監測。

（6）低成本、易升級。系統內置嵌入式RTU功能，可基于測站現有的水利視頻監控系統改造實現，可采用市面上成熟的硬件產品集成構建;通過更換部件便于提升系統性能，靈活適應不同的測量條件，同時大大降低系統建設和維護成本。

1.2 水尺水位測量原理

圖像法水位測量是通過圖像處理技術檢測水尺水位線，實現水位信息的自動獲取。在現實環境中由于光照條件復雜、成像分辨率低和視角傾斜等因素影響，水尺表面字符和刻度線識別率低，多數現有圖像法難以保證長期有效測量。對此，采用了一種基于模板圖像配準水尺水位測量方法，如圖1所示。在攝像機內部存儲芯片中預先標定水尺表面近似的平面，其與水尺物理平面在傳感器上成像的正射影像間滿足透視投影變換關系。對于水尺讀數換算，首先設計標準水尺的正射模板圖像，然后采用匹配控制點將存在透視畸變的水尺圖像配準到正射坐標系下，實現像素對齊;最后通過模板圖像的物理分辨率將水位線坐標轉換為實際水尺讀數。為了濾除水面波動、隨機噪聲等引起的粗大誤差，最終輸出的水位值取多次測量的中值[2]。

1.3 表面流速測量原理

表面流速測量可直接利用植物碎片、泡沫、細小波紋等天然漂浮物及水面模式作為水流示蹤物，通過圖像分析估計示蹤物在圖像序列中的運動矢量，進而結合幀間隔獲得表面水流的速度。針對天然示蹤方式存在的示蹤物稀疏且時空分布不均問題，采用基于快速傅里葉變換的時空圖像測速法（FFT-STIV）獲取河流斷面方向的表面時均流速分布。基本原理是：對于滿足質量守恒定律的目標，其運動在短時內通常滿足連續性的假設，使得它們在三維時空域中的位置必然滿足某種相關性[3]。這種相關性在一維圖像空間和序列時間組成的時空圖像中表現為具有顯著方向性的紋理特征，反映了目標在指定空間方向上時均運動矢量的大小[4]。FFT-STIV依據傅氏變換的自配準性質，將復雜的紋理主方向檢測問題轉換到頻域解決，如圖2所示，通過在時空圖像的幅度譜中檢測頻譜主方向得到與之正交的紋理主方向，進而得到測速線上的時均流速：

[V=DT=d?Sτ?Δt=tanδ?SΔt=v?S] （1）

式中：V為速度，m/s;D為距離，m;T為時間，s;? S為測速線上的物像尺度因子;[τ]為夾角，（°）;d為距離，m;Δt為時間間隔;δ為時空圖像的紋理主方向;v為光流運動矢量的大小。

相比用于二維瞬時流場測量的LSPIV方法，FFT-STIV的空間分辨率能夠達到單像素，特別適合傾斜視角下一維河流表面時均流場的測量。

1.4 主要技術指標

（1）水位測量。精度為1 cm，和現場測量條件有關;量程為0～5 m，單級水尺;水尺距離為<20 m。

（2）流速測量。分辨力為0.01 m/s;量程為±5 m/s;測量河寬<240 m。

（3）工作環境。連續測量間隔可設置為1 min～24 h;每測量時長為1～30 s可設置;每測量用時<5 min，取決于水尺量程、流速測點數和每測量時長;環境溫度為-20℃～60℃。

2 系統集成

2.1 系統總體結構

AI智能影像流量實時在線監測裝備集成主要采用AI智能圖像識別技術、姿態控制技術、通信控制協議技術、數據接口協議技術、大數據存儲技術和實時多任務操作系統進行系統集成。其結構如圖3所示，主要包括位于測量現場的攝像測量裝置、姿態測量傳感器、水面補光燈、4G通信單元、電源設備以及位于遠程監測中心的路由器、交換機和視頻分析處理計算機組成[4]。圖像控攝像測量儀內置800萬像素CMOS圖像傳感器的網絡攝像機，拍攝H.264格式的全高清視頻（3 840×2 160@25fps）并存儲在內置的TF卡中;選擇焦距4 mm的低畸變鏡頭。多要素控制單元（RTU）通過專用接口連接控制網絡攝像機進行水尺圖像和河流觀測斷面表面流體圖像連續拍攝，同時采集攝像測量裝置姿態傾斜角度，RTU通過4G通信單元將采集到的視頻數據使用4G移動網傳輸到監測中心站，監測中心站的視頻分析處理計算機對實時接收的視頻數據進行處理。水面補光燈采用一臺可見光波段的陣列式LED補光燈，用于夜間水面定時補光，由DC12V太陽能供電，功率12W，照射角度60°。

2.2 數據分析與處理

在線定時測量模式下，AI智能圖像法流量實時在線監測裝備按照設定的時間間隔進行測量，通常單次測量時長小于5 min，測量完成后向監測中心站發送影像數據組。上傳數據包含：測量日期、時間、連續圖像、姿態傾角等信息，在中心站采用AI智能圖像識別技術，實時動態處理圖像數據，通過載入的邊界條件，自動校驗有效數據，然后生成水位線讀數、水位、斷面平均流速、最大表面流速等信息[5]。同時，通過載入的斷面基本參數，自動生成最大水深、水面寬、過水面積、虛流量和斷面流量等結果[6]，所生成結果數據符合《水文監測數據通信規約》要求。AI智能影像流量實時在線監測數據處理流程見圖4。

由圖4可知，AI智能影像流量實時在線監測裝備的圖像采集與數據處理流程以及監測中心站的影像數據分析處理流程。

2.3 流量計算方法

流量計算采用流速-面積法[7]：以測速垂線為界，將河流斷面劃分為若干個子斷面;將時均表面流速插值到子斷面中心，并采用水面流速系數[Av]將其轉換為垂線平均流速;根據實測水位、斷面地形和平均流速計算各子斷面的過水面積及流量;將各個子斷面的流量求和得到視場內的實測斷面流量[Qmz]。

[Qmz=i=1nViSi=i=1n12V′i-1+V′i×Av×]

[12hi-1+hi×di]? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

式中：[Vi]為第i個子斷面的平均流速，m/s;Si為第i個子斷面的過水面積，m2;[V′i]為第i條測速垂線的垂線表面流速，m/s;hi為第i條測速垂線處的水深，m;di為第i-1條與第i條測速垂線之間的水平距離，m。

由于垂線流速分布受河床糙率等多重因素的影響，對于不同水位級，水面流速系數Av的取值通常在0.70～0.93間變化[7]。攀枝花水文站AI智能影像流量實時在線監測不同水位級下的水面流速系數見表1。

在斷面流量計算中，由于兩岸水邊界附近可能存在死水區、回水區等流態紊亂、不適宜圖像法測量的區域，并且在高水條件下由于水位上漲使得攝像機視場縮小，可能在兩岸附近形成測量盲區（圖5紅色區域），這里設置一個盲區流量系數Adz，并根據測量區域過水面積Smz（圖5藍色區域）占總過水面積Scs的比例估計完整斷面流量[Qcs]。

[Qcs=Qmz+QmzScs/Smz-1Adz]? ? ? ? ?（3）

式中：Qmz為視場內的各子斷面流量和值，m3/s;Smz為測量區域過水面積，m2;Scs為總過水面積，m2;Adz為盲區流量系數，與斷面地形有關，并隨著水位的變化而變化，需要進行率定。計算結果保存至中心站本地數據庫服務器中。

3 應用情況

攀枝花水文站于1965年5月設立，位于四川省攀枝花市江南三路三村，是國家重要水文站和報汛站，是雅礱江匯入金沙江前的重要控制站，該站地理位置為東經101°43′，北緯26°35′，集水面積259 177 km2，承擔了攀枝花城市防汛、用水安全的重要監測任務。測流斷面位于彎道順直段，斷面呈“W”形，左深右淺，兩岸為亂石組成，河床為亂石夾沙，斷面基本穩定，局部略有沖淤變化。測流斷面寬210 m，歷史最高水位1 002.07 m，最大流量12 200 m3/s，最低水位984.97 m，最小流量217 m3/s。攀枝花水文站斷面位置見圖6。

2020年7月25日，在長江上游攀枝花水文站安裝了AI智能圖像法流量在線監測設備。如圖7所示，系統一體化攝像主機采用壁裝支架安裝在河流右岸站房一側的邊坡上，位于纜道流速儀斷面和水尺斷面中間，距離斷面2.1 m處，對應斷面起點距2.906 m，高程1 007.8 m，俯仰角19.8°。一體化攝像機主機采用蓄電池供電和站房接入市電充電方式。對岸安裝補光設備，通過微功耗無線電臺控制補光過程，并采用12 V 60 Ah蓄電池和太陽能20 W浮充供電。

4 結果分析

AI智能圖像法流量觀測時間從2020年9月1日至12月31日，每小時觀測一次，共收集有效觀測數據2 840組，其中，9月717組、10月739組、11月714組、12月670組。AI智能影像流量實時在線監測流量與水文站實測流量對比如圖 8所示。2020年9月1日至12月31日 AI智能影像流量實時在線監測流量值與實測斷面流量值對比有效率統計見表2。

排除相對誤差>10%數據組，觀測數據總有效率為94.12%，在此期間開展了6次AI智能影像流量實時在線監測流速與流速儀法測點流速比測實驗，高、中、低水期各2次。高水期、中水期、低水期流速對比見圖9～11。觀測記錄統計見表3。

通過6組比測流量數據分析，可知平均相對偏差為3.32%。通過對比流速數據分析，發現AI智能影像流量實時在線監測觀測區域近端流速普遍偏大，遠端流速測量偏小。分析測量誤差的影響因素是環境光照不足，觀測區域遠端光照偏小導致。

由應用結果可知，AI智能影像流量實時在線監測適用于河道較窄，斷面基本穩定，水面示蹤物跟隨表層水流運動，受風浪影響較小，測量斷面無遮擋，夜間補光測量時水面需有一定粗糙度等條件的河流。

5 結 語

通過AI智能影像流量實時在線監測集成解決了多種類型傳感器接入與快速測量的技術難題，達到水位、水深、水面流速等多要素動態同步監測目的，同時實現了流量實時在線動態監測。AI智能影像流量實時在線監測裝備在攀枝花水文站的應用說明這一技術是目前解決流量在線監測的有效方法之一，也是流量應急監測和快速監測的補充方法。該技術具有建設周期短、系統投入人力少，安裝方便，無需長期參數率定、分析計算快捷等優點，適用于寬度較窄的河道、明渠等斷面流速流量等監測。在斷面無明顯沖淤變化的河段，能夠取得較為滿意的測驗精度和良好的運行效果。該方法對于受洪水漲落和工程運用影響下的河道流量自動監測有良好的適應性，能夠為水文監測工作以及防汛抗旱、水資源管理服務提供可行的選擇方案，具有良好的的應用推廣價值。

參考文獻：

[1] 徐立中，張振，嚴錫君，等. 非接觸式明渠水流監測技術的發展現狀[J]. 水利信息化. 2013（3）：37-44.

[2] 張振，周揚，李旭睿，等. 圖像法測流系統開發與應用[J]. 水利信息化. 2018（3）：7-13.

[3] 李蔚，廖謙，唐鴻磊，等. 基于圖像處理的山區河道表面流場測算研究[J]. 人民長江，2014（15）：89-92，104.

[4] 張振，徐楓，王鑫，等. 中河流水面成像測速研究進展[J]. 儀器儀表學報，2015，36（7）：1440-1448.

[5] 魯青，周波，雷昌友. 實時流量在線監測系統開發與實現[J]. 人民長江，2014（2）：90-92.

[6] 周波. 基于指標流速法的流量在線監測系統軟件設計與實現[C]// 2016（第四屆）中國水利信息化技術論壇. 2016（第四屆）中國水利信息化技術論壇論文集. 武漢：北京沃特咨詢有限公司，2016：80-88.

[7] 王俊，熊明. 水文監測體系創新及關鍵技術研究[M]. 北京：中國水利水電出版社. 2015：83-331.

（編輯：唐湘茜）

Integration and application of real-time online flow monitoring based on AI intelligent image recognition technology

LU Qing， ZHANG Guoxue， SHI Donghua， WANG Qiaoli

（Bureau of Hydrology， Changjiang Water Resources Commission， Wuhan? 430010， China）

Abstract：Because of numerous rivers， lakes and reservoirs in China， scattered monitoring stations and various conditions of observation cross-section， flow measurement is very difficult. Therefore， the realization of on-line monitoring of cross-section flow will be the future development trend. This paper introduces a non-contact flow on-line monitoring technology based on AI intelligent image recognition， which has the features of high integration， high real-time， high stability and easy installation and maintenance. The Panzhihua Hydrological Station in the upper reaches of the Yangtze River was selected to carry out flow measurement test， and systematic integration and comparative analysis showed that the measurement results meet the requirements of flow measurement.The results can provide a new technical scheme for real-time on-line flow monitoring of similar river sections， and have strong popularization value.

Key words： image recognition; flow velocity;discharge; online monitoring; system integration