基于Cascade R CNN算法的流域梯級電站水情自適應安全預警方法

摘 要：當前流域梯級電站水情安全預警過程中，只能利用單一的高層特征，虛假警報比較高。因此，提出了基于Cascade R CNN（級聯網絡結構）算法的流域梯級電站水情自適應安全預警方法。利用無人機采集流域梯級電站內的水尺圖像后，通過直方圖均衡化處理和暗通道去霧處理，加強水尺圖像清晰度。運用全局閾值法對水尺圖像進行分割，保留目標圖像區域。依托于Cascade R CNN算法，設計包含特征金字塔網絡、并行金字塔和多閾值檢測器的水尺圖像字符識別方法，自動識別出當前流域梯級電站水位情況。對比預先設置的水位閾值，得出水情自適應安全預警結果。實驗結果表明：新研究方法預警結果的虛假警報比小于0.1，證明了其優越的水情安全預警能力。

關鍵詞：Cascade R CNN；梯級電站；水情；圖像處理；水位識別；安全預警

中圖分類號：TV214 文獻標識碼：A

Adaptive Safety Warning Method for Water

Regime of Cascade Hydropower Stations in Watershed

Based on Cascade R CNN Algorithm

DAI Hongwei，SUN Weijun

（Yalong River Hydropower Development Co.， Ltd.， Chengdu，Sichuan 610051， China）

Abstract：At present， in the process of water regime security early warning of cascade hydropower stations in the basin， only a single high level feature can be used， and 1 alarms are relatively high. Therefore， a Cascade R CNN （Cascade Network Structure） algorithm based adaptive security early warning method for river basin cascade hydropower stations is proposed. After collecting the water gauge image in the cascade power stations of the basin by UAV， the clarity of the water gauge image is enhanced through histogram equalization processing and dark channel defogging processing. The global threshold method is used to segment the water gauge image and retain the target image area. Based on Cascade R CNN algorithm， a character recognition method of water gauge image including feature pyramid network， parallel pyramid and multi threshold detector is designed to automatically recognize the water level of cascade hydropower stations in the current basin. Compared with the preset water level threshold， the results of water regime adaptive security early warning are obtained. The experimental results show that the 1 alarm ratio of the early warning results of the new research method is less than 0.1， which proves its superior water regime security early warning capability.

Key words：Cascade R CNN; cascade power plants; water regime; image processing; water level identification; safety warning

流域梯級電站是指沿河流連續建設的一系列水電站，它們通過階梯式的水位差實現水能的轉化[1]。作為我國電力產業的重要組成部分，電站運行的安全性直接影響了社會發展的穩定性[2]，因此需要進行精準的水情預警，以確保電站的安全運行。傳統的水情預警方法主要基于經驗判斷和簡單的統計模型，難以準確預測復雜多變的水情。近年來，隨著深度學習技術的發展，越來越多的研究者開始嘗試利用神經網絡進行水情預警。

文獻[3]提出在水情預警區域分布式安裝水位計、攝像頭等設備，采集動態水位變化數據。以水位數據為支撐，推算出實時水位增長速率，判斷其是否符合正常水位變化狀態，從而給出報警通知。但是，該方法預警結果誤報率較高。文獻[4]通過現場實測的方式采集水位變化數據，并分析單位流量下水位增長率，以此來預估水位超過安全界限所需時間，生成對應的安全預警結果。測試結果表明，該方法預警延遲時間較長。文獻[5]在確定水情預警范圍后，獲取該流域上下游歷史洪峰水位數據，并建立多元線性回歸預測模型，預測出當前條件下洪水淹沒范圍，對比安全預警閾值后，得到自適應預警結果。通過實踐應用測試可知，該水情預警方法魯棒性較差。

本研究提出了一種基于Cascade R CNN算法的流域梯級電站水情自適應安全預警方法。該方法利用Cascade R CNN算法對現場采集的水尺圖像進行深度學習，自動識別出異常水位并及時發出預警，為電站的運行管理提供科學依據。

1 運用Cascade R CNN算法設計流域梯級電站

水情自適應安全預警方法

1.1 流域梯級電站水尺圖像去霧

采用無人機搭載相機在流域梯級電站上方巡視，拍攝大量電站內的水尺圖像，作為水情自適應安全預警的依據。在初步處理水尺圖像時，同時采用直方圖均衡化處理、暗通道去霧處理方法[6]，實現圖像對比度和清晰度提高。

直方圖均衡化處理過程中，統計圖像像素灰度值得到灰度直方圖。隨后，利用式（1）計算每個灰度級的出現概率。

Pβ（βa）=naN，0≤βa≤1，a=1，2，…，L（1）

式中，β表示灰度值，a表示灰度級，L表示圖像內出現的灰度級個數，P表示目標灰度級出現概率，n、N分別表示目標灰度級像素量和總體像素量。

引入累積分布函數定義，設計一個可用于直方圖均衡化處理的變換函數，基于此處理原始灰度圖像，得到修正后的灰度級。

λa=T（βa）=∑La=1Pβ（βa） （2）

式中，λa表示修正后的圖像灰度級。

圖像灰度級修正完成后，應用暗通道先驗理論，實現水尺圖像去霧處理。對于任意一張輸入的流域梯級電站水尺圖像來說，暗通道圖像都可以表示為：

J′（x）=min i∈Q（x）（min dJd（i））（3）

式中，J′表示暗通道圖像，x表示輸入圖像中心像素，Q表示基于中心像素延伸出的一個窗口，i表示目標范圍內任意選中的像素點，Jd表示流域梯級電站水尺圖像的第d個通道。

針對暗通道圖像進一步分析，推算出圖像的透射率、大氣光照值[7] 。將這兩個參數代入到霧度圖像模型中，即可得到去霧處理后的水尺圖像。

ε（x）=J′（x）－Rmax （t（x），t0）+R （4）

式中，ε表示去霧處理后的圖像，R表示大氣光照值，t、t0分別表示輸入圖像透射率值和初始透射率。

1.2 建立圖像全局閾值分割方案

依托于全局閾值法對預處理后的水尺圖像進一步處理，將圖像中的背景區域與水尺完全分離開，避免雜亂無用的背景影響后續水情安全預警分析。實際圖像分割過程中，考慮到閾值的選取會對分割結果產生直接影響，以類間方差最大為目標，求出最優分割閾值[8]。具體操作內容如下：先假設圖像按照原始像素進行分割后，得到兩個分割區域。其中，背景區域、目標區域像素出現概率，可以通過式（5）計算出來。

P′1=∑la=1PaP′2=∑255a=l+1Pa （5）

式中，l表示閾值，P′1表示背景區域像素出現概率，P′2表示目標區域像素出現概率。

通常情況下，背景區域、目標區域像素出現概率計算結果相加應該為1。隨后，分別求出圖像全局均值和背景區域像素灰度均值、目標區域像素灰度均值。

=∑255a=0aPa1=∑la=1aPa/P′12=∑255a=l+1aPa/P′2 （6）

式中，、1、2分別表示全局、背景區域、目標區域的像素點灰度均值。

結合方差的概念，可以定義類間方差表達式為：

σ2=P′1P′2（1－2）2（7）

式中，σ2表示類間方差。

當式（7）計算結果取值最大時，代表當前分割閾值屬于最優值。基于此分離圖像水尺區域，作為后續水位識別和水情安全預警的基礎。

1.3 基于Cascade R CNN算法識別水位

識別流域梯級電站水尺字符，是分析水情安全情況的前提。對此，設計一種基于Cascade R CNN算法的識別方法，利用多尺度檢測網絡（FPN）執行最近鄰上采樣法，提取水尺圖像將目標區域的特征，在該網絡結構之上，添加并行金字塔層，利用雙線性插值上采樣法融合多尺度特征[9]，更好地表征水尺字符目標特征。整體來看，并行FPN框架如圖1所示。

圖1中，A2、A3、A4、A5表示殘差塊的最后一層特征圖，B2、B3、B4、B5、B6表示金字塔層，C2、C3、C4、C5表示并行金字塔層。

依托于圖1所示的并行FPN框架實現圖像特征提取時，需要將并行金字塔層特征分析結果和原金字塔層特征提取結果疊加起來，計算其均值后，即可獲取平衡后的語義特征。上述操作過程中，具體計算公式為：

Bj=123×3（Bj+Ck） （8）

式中，Bj表示第j層金字塔層，3×3表示3×3卷積函數，Ck表示第k層并行金字塔層。

融合后的圖像特征會導入最大值池化層進行分析，實現圖像特征初步分類和回歸。隨后，重新篩選感興趣區域（RoI），得到二階段處理后的分類和回歸結果。該操作階段，金字塔層選擇的數學表達公式為：

u=u0+log 2（wh/224）（9）

式中，u表示所選金字塔層數，u0表示基準金字塔層，w表示RoI的寬度，h表示RoI的高度。

在水尺圖像字符識別過程中，為了避免不合理的RoI取值影響分類和回歸結果，提出圖2所示的Cascade R CNN結構圖，通過級聯網絡結構的自適應學習[10]，取得更加優越的分類和回歸效果。

圖2中，D、E、F分別表示檢測器頭部、回歸檢測框、檢測框類別。利用上述級聯Cascade R CNN結構，從特征提取金字塔層中選取所需候選框，在多個閾值遞增檢測器的輔助下輸出正確的文字字符檢測結果。根據當前水尺表示數據，即可自動推理出當前流域梯級電站的水位。

1.4 生成水情自適應安全預警結果

根據流域梯級電站水情安全要求以及流域降水量、歷史演化、流域位置等多年歷史信息，設置每個流域對應的水位安全預警閾值。考慮到流域梯級電站水情面臨四類洪水預警和四級枯水預警，具體的預警結果推算過程如圖3所示。

圖3中，α表示流域梯級電站水位估計值，G1、G2、G3、G4分別表示洪水預警級別的判斷值，H1、H2、H3、H4表示枯水預警級別的判斷值。

按照圖3所示的流程，分析當前水位所處的預警級別，自適應觸發水情安全預警內容，通過短信的形式將預警信息發送給目標人群。

2 實 驗

運用Cascade R CNN算法設計新型流域梯級電站水情自適應安全預警方法后，為了檢驗該方法的實際預警效果，選取清江流域梯級電站作為實驗對象，展開一系列水情自適應安全預警測試。

2.1 實驗背景

清江流域梯級電站位于湖北省恩施土家族苗族自治州境內，是清江干流上的重要水電工程。梯級電站的建設始于20世紀80年代，建設過程中遇到的最大困難是建設隔河巖水電站，這是清江梯級電站的第一座電站。在1993年建設完成后，相繼建設了高壩洲、水布埡等梯級水電工程，使得該流域梯級電站的總裝機容量超過330萬千瓦。該流域梯級水電站地理位置如圖4所示。

設置實驗操作時間為2023年1月1日到2023年10月31日，利用無人機搭載晝間、夜間攝像頭，每隔30分鐘在清江流域梯級電站上方進行一次巡視，采集大量水尺圖像，以此為基礎應用本文研究的新方法、文獻[3]方法和文獻[4]方法分別進行水情自適應安全預警，統計預警結果，對比不同方法應用性能。

2.2 水尺圖像處理

水尺圖像的預處理是水位識別和水情預警的前提，本次實驗過程中，需要進行去霧處理、灰度化處理和分割處理。其中，去霧處理前后水尺圖像對比結果如圖5所示。

從圖5可以看出，去霧處理有效解決了暗通道偏差、近景偏暗兩個問題，實現了圖像增強。隨后，得到灰度化和分割處理結果如圖6所示。

如圖6所示，圖像分割完成后，可以順利分離出水尺區域圖像，作為后續水情自適應安全預警的依據。

2.3 安全預警結果

依托于Cascade R CNN算法進行水位識別之前，需要先利用大量水尺圖像對網絡結構進行訓練。設置網絡訓練的總體迭代次數為700次，得到圖7所示的訓練損失變化曲線。

根據圖7可知，在訓練次數達到400次后，損失值低于0.1且趨于穩定狀態，直到660次迭代完全可以停止訓練，此時Cascade R CNN網絡處于最優狀態。將其應用到水位識別過程中，明確水尺字符識別結果為E4E5E，基于此可以推理出當前水位高度為35.26 m。對比水位安全預警閾值，確定此時電站水情不需要發送預警短信。

考慮到清江流域梯級電站所在區域在6、7月份降雨量較大，最容易出現水情預警，以這兩個月為例，部分安全預警記錄如表1所示。

分析表1所示的水情自適應安全預警結果以及清江流域梯級電站水情實際變化，二者基本相符，證明了本文預警方法是可行的。

2.4 預警方法性能對比

為了進一步體現該方法的應用性能，統計整個實驗周期不同方法的預警結果以及真實水情變化信息。通過式（14）計算出每種方法的虛假警報比。

η=τψ+τ（14）

式中，η表示虛假警報比，ψ表示預警成功次數，τ表示預警失敗次數。

根據圖8所示的對比結果可知，結合Cascade R CNN算法的新型水情自適應安全預警方法，生成的預警結果虛假警報比最高僅為0.07，相比另外兩種方法有了明顯降低。電站水情安全預警次數越多，不同方法虛假警報比之間的差異越大，充分證明了本文方法的優越性能。

3 結 論

提出了運用Cascade R CNN算法，自動識別異常水情，并及時發出預警，為電站的運行管理提供了科學依據。相比于傳統的水情預警方法，基于Cascade R CNN算法處理圖像的流域梯級電站水情自適應安全預警方法具有更高的準確性和及時性，能夠更好地適應復雜多變的水情。

參考文獻

［１］ 劉凱華，嚴紅平，沙寶銀，等.利用加權有向圖的船舶水尺重建與水位識別[J].計算機輔助設計與圖形學學報，2023，35（7）：1077-1085.

[2] 馮諭，涂鵬飛，曾懷恩.降雨及庫水位共同作用下滑坡階躍位移臨界面的識別方法[J].巖石力學與工程學報，2023，42（11）：2788-2805.

[3] 劉寶權，景若瑤，李楠楠，等.引水渠道動態水位預警機制研究及應用[J].水利水電技術（中英文），2022，53（S1）：166-173.

[4] 李月強，馬芳平，薛萍，等.明渠輸水流量不平衡量感知及水位超限預警方法研究[J].水利水電技術（中英文），2022，53（1）：73-82.

[5] 高龍，閻福禮.基于Sentinel 1A SAR影像的上下游水位響應分析及其在洪澇預警中的應用[J].中國科學院大學學報，2022，39（1）：91-101.

[6] 徐志，高凱，高希超，等.基于Mask RCNN的河湖水位識別方法[J].水電能源科學，2023，41（7）：23-26.

[7] 齊永強，李文鵬，鄭躍軍，等.地下水機器學習方法研究——水位監測數據驅動的區域補排邊界識別[J].水文地質工程地質，2022，49（1）：1-11.

[8] 孫英豪，丁勇，李登華，等.基于圖像識別的無標尺水位測量技術研究[J].水利水運工程學報，2023（4）：91-97.

[9] 夏平，王峰，雷幫軍，等.基于超像素和圖割算法的智能視覺水位識別[J].計算機仿真，2021，38（3）：430-436+441.

[10]馮凌云，梁彥.抽水蓄能電站引水隧洞水位監測系統的開發與應用[J].水電能源科學，2021，39（3）：95-98+102.