11万字AI赋能智慧水利模型训练平台建设方案

本资料来源公开网络，仅供个人学习，请勿商用，如有侵权请联系删除。
部分资料内容：

第一章 系统总体设计

一.1 总体设计思路

本着水利系统的高清化、智能化、实用化等原则，前端设备全部使用水利高清前端，做到高清监控，系统能做到主动预警与自动弹出报警信号给监管人员，监管人员迅速查看报警点视频，同时前端与后端配合智能分析功能，实现水位监测、漂浮物与垃圾的监测，盗采河沙船只的监管等。

一.2 架构设计

一.2.1 逻辑架构

 

水利系统逻辑架构图

水利综合管理系统组成主要分为：数据采集层、通讯层、平台层、应用层。

数据采集层（需要对接传感器）：

数据采集层主要负责各种数据的采集，比如流速采集、雨量采集、气象信息采集、水质采集等等，负责将各种数据量化成系统可知的数字数据，通过485等传输协议与前端设备进行连接，通过前端水利设备将数字数据编码成网络数据，与视频信息一起向平台传输。

传输层：

通讯层主要负责汇聚视频流与数据的传输，前端设备汇聚上来的视频与采集的数据首先进行汇总，然后通过局域网或者公网进行传输，甚至一些项目还要用水利专线进行传输。目前传输介质主要由下面几种方式：

1、广域网水利专线传输

此种传输方式是最稳定的方案，需要运营商针对项目情况进行专线建设，自建一个较大的局域网，此方案传输视频高清稳定，不会发生网络拥堵情况。但是建设费用比较大，施工周期比较长。

   2、4G公网传输

    此种传输方式施工便利、建设费用较低，但是由于公网特性，网络带宽不稳，容易造成网络拥堵、掉线，视频传输质量较差，不能稳定的进行数据的传输。

3、AP内部组网

由于河道建设铺设网络比较困难，不仅施工难度大而且成本投入较大，因此在内部组网时候可以采用AP无线传输方案，目前AP无线传输比较成熟，并且传输距离也大大增加，并且一般河道建设都是在比较空旷地带，无任何阻碍传输的建筑物等，这种环境可以大大的增加AP的传输距离与稳定性，比如采用点对点方式传输，可达10KM以上的传输距离，这样建设可以大大减轻施工难度，只要在响应杆体上安装好发射端与接收端位置，调好方向，并且可以大大减少施工成本的支出。

平台层：

平台层主要负责整个系统的硬件支撑，下面汇聚点的视频与数据通过传输层上传到平台端，总控设备管理整个流程，数据经过存储、转发解码、上墙等可以将水利前端视频进行显示，同时针对视频数据还可以做进一步的分析，比如智能分析服务器可以对前端水位视频进行数据的读取。

应用层：

应用层主要是针对与使用方的交互界面，比如河长制监测系统、灌区监测系统、河道采砂管控系统、山洪灾害监测系统等，都会在应用层进行体现，是我们使用方与底层数据之间的交互桥梁。

一.2.2 系统架构

本次设计水利监控系统架构图如下图所示，整体系统采用多级分布式管理体系，设置省、市、县三级平台架构，视频节点按就近原则上传，各个水利前端首先接到县级平台，县级平台在通过专线接到市级平台，市级平台通过专线接到省级平台，可以进行本地运行，有效避免通讯阻塞，还能实现视频信息共享。视频上传到监控中心以后，可以使用大屏显示系统与解码拼控系统进行各个监控画面的显示与拼接等。

一.3 关键技术应用

AI智能检测分析技术    郎丰利整理制作。

AI智能视频分析技术是实现“视频创造价值”(从大量视频资源中挖掘有价值的东西)的重要手段。从概念来讲，视频行为分析技术是对采集到的视频上的行动物体进行分析，判断出物体的行为轨迹、目标形态变化，并通过设置一定的条件和规则，判定异常行为，它糅合了图像处理技术、计算机视觉技术、计算机图形学、人工智能、图像分析等多项技术。

如果将摄像机看作人的眼睛，智能视频系统则可看作人的大脑，相对于硬件而言，软件的地位犹为重要。作为一项被誉为引领监控革命的技术，它改变了两种状况：一是将监控人员从烦琐而枯燥的“盯屏幕”中解脱出来，由计算机来完成这部分工作；二是在海量的视频数据中快速搜索到想要找的图像。并且可以在降低工作人员劳动强度的同时，实现移动侦测、物体追踪、面部/车牌识别、人流统计等功能。在很大程度上具备先知先觉的预警功能，提高报警的精确度，节省网络传输带宽，有效扩展视频资源用途。

S+265编码技术

S+265编码技术，自适应变码率技术可实现动静场景分离、帧间及帧内预测、智能编码，通过虚拟I帧、SmartP技术大幅增加压缩比例。摄像机800万全景视频和200万特写球机视频传输总体带宽可降到4M甚至更低，在确保图像画质的基础上可极大节省传输带宽和存储容量。

TVP超视觉技术

TVP超视觉技术使用时域与空域混叠的高精度双边滤波降噪技术，使有用信息信噪比提升7dB，混搭式宽色域的色温判决的白平衡技术，使色彩准确度提升30%，图像灰度分布的自适应分级线性图像增强技术，使视频分析的可视化效果提升38%，动态调节的模板自适应图像锐化技术，从而达到更高的图像锐度。最终可以实现黑夜如白天的视频监控效果。

锥形拼接技术

摄像头按锥面均匀排布，可以达到360°的视角，同时相比于柱面拼接，锥面排布的摄像头盲区更小，而柱面拼接则无法与其相比。将八个摄像头按锥面排布，将获取的八张图片统一投影到同一个锥面上，在加以sift特征匹配，计算每个图像需要移动的矢量，从而实现目标匹配和无缝拼接。锥面拼接是柱面拼接的一种变形，相对于柱面拼接，增加了ptich和欧拉角的矫正，投影变换的复杂度显著增加。同时为了保证图像清晰度，图像插值算法也需要改变，从而增加了图像处理的难度。

PEA入侵跟踪算法

天地伟业PEA智能入侵跟踪算法，在判断是否入侵使用深度识别算法，逐帧比对，发现在一定时间内，各帧之间有较大差别，同时还要计算闯入物体大小与与设置灵敏度的关系，因此可有效过滤树叶、小动物的干扰，过滤多种自然现场干扰，使闯入者避无可避。

一.4 系统特色

一.4.1 一机多能 一机多用

通过影像模式识别，实现水利多项目自动监测功能，包括：水位、水面漂浮物、闸门启闭监测、盗采河沙等，

水位监测：通过视频智能AI分析技术，可以通过视频数据算法，配合标准水尺，读取水位信息。

漂浮物监测：通过视频智能分析，可以将漂浮在河道上面的垃圾进行监测，同时进行主动预警，通知监管人员。

闸门启闭监测：通过视频监控，可以对闸门状态进行二次确认，确保闸门的状态进行正确的启闭，可以保证正常的泄洪与水位保证。

盗采河沙：通过视频智能分析，可以在经常采沙区进行布控，当有疑似船只进行采沙活动，可以主动预警，并且可联动白光、激光等预警，甚至可以进行语音对讲。

一.4.2 平台多元融合 分布式多级管控

平台集成标准规范的视频接口，标准的28181与onvif等视频协议，可以直接对接市面上大部分的前端设备，直接使用。平台支持多级权限管理与级联，各个平台不仅可以连接下面的视频，还能与上级平台做连接，配合权限管理，可以达到分布式多级管理。

第一章 系统详细设计

一.1 水利球智能分析

前端智能分析仪能够实现水库以及河流水面漂浮物智能监测，在不需要人为干预的情况下对监控场景进行自动分析，及时做出反应。系统自动检测场景中出现的漂浮物目标，进而采取预案措施对其进行报警。

水库以及电站坝前堆积漂浮物的监测；可实时或定时对坝前堆积物进行自动检测、拍照取证及上传。

漂浮物监测

一.1.1 水位监测

采用前端智能分析功能，获取视频图像后，首先确定水尺位置，并在水尺区域将水尺进行数字分割，然后再通过视频检测水位线的位置，结合数字分割结果与水位线检测结果相结合，得出水尺读数，这种方案不易受到环境、相机角度等因素干扰，并将水位数据上传，后端平台进行自动监测与记录。同时水位监测精度±20mm，监测周期可设，可以远程进行随时查看，确保可视化合理性的检验。

该算法在进行大量的训练与使用优秀的算法，可以做到精确的检测出水位情况，该算法流程图如下：

首先进行图像预处理，将图像中的噪点去除，采用高斯滤波对图像进行处理，可以抑制噪声与平滑图像。

利用训练模型来检测视频中的水尺位置，此处使用LBP特征级联分类器算法，以邻域中心像素为阈值，相邻8个像素的灰度值与中心的像素进行比较，这样就可以反应该区域的纹理信息。

在确定水尺区域以后，需要对水尺进行数字分割，基于方向特征及神经网络的图像识别方案对数字进行识别。进一步进行水尺数字的分割，首先根据数字与水尺的比例来确定数字所在的水尺区域，再用纹理特征算法对水尺所在区域进行二进制化处理，在对水平与垂直方向投影，得到水平与垂直方向的像素数据，根据像素数据计算出各个字的边界，从而读出水尺的数据。

确定完水尺区域以后，在确定水位线位置，利用水面与岸边或者坝边的区域纹理差距，进行水位检测，将整个图像的数据进行梯度图像处理，将梯度值给二进制化处理，然后对二进制化数据进行投影计算，从而得出水位线数据。

最后利用数字分割技术得出的水尺数据与水位线数据想结合，确定当前水位数据。

一.1.2 漂浮物堆积智能监测

对于漂浮物目标的监测，如下图所示，水利前端对监控区域进行实时监测，当发现有漂浮物时，算法判断为发现目标，此时调取事先设置好的预案进行报警，同时对目标进行抓拍取证并将数据信息进行上传，便于管理人员进行判断。

为了实现水库以及河流水面漂浮物智能监测，即在不需要人为干预的情况下对监控场景进行自动分析，及时做出反应，首先要对监控画面进行技术处理，提高图像质量。其次水库电站前堆积物的形成过程是一个由无到有的过程，因此可以采用背景建模方法检测堆积物。该方法通过构建静态背景模型，当有新的堆积目标进入到预设的检测区域内时，算法就可以把新目标从背景图中区分出来，将目标的轮廓形态检测出来。背景建模示意图如下图所示：

背景建模示意图

该算法利用高斯平滑滤波器对图像进行高斯平滑滤波，去除噪声干扰，通过PBAS背景建模方法，构建当前场景的背景模型，该方法能够有效的把小水纹、反射光线、树影等判别为静态背景，进而有效的把运动的堆积物判别为前景二值图像，对二值图像进行连通区域检测得到前景目标位置。用背景建模方法检测的优点是速度快，检测出的目标不受目标纹理属性的影响，可以检测任意形态的目标，缺点是对极其缓慢出现的目标检测率会降低。

对于缓慢出现的目标堆积物，则通过更加复杂的图像处理算法，可以每隔一段时间定时的进行目标堆积物的检测和识别。通过使用特别设计和优化的GrabCut图像分割算法，把目标堆积物从水面图像中分割出来，GrabCut图像分割算法鲁棒性强，分割出的图像前景目标完整性和一致性好。

由于堆积物图像形态变化较大，分类识别困难较大，则利用大数据信息，训练机械学习（deep learning）网络中的卷积神经网络CNN（Convolutional Neural Networks）判别疑似堆积物。卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。搜集选取上万计的水面图像和可能堆积物图像，进行标注后训练CNN，通过先进的统计学习方法，集特征统计和权值调整于一体，利用大量的样本信息自动训练特征和调节阈值，这样克服了人为设定阈值的缺点，使疑似堆积物的判别更加鲁棒，进一步降低误报率。最后根据用户设置的规则，计算机通过算法处理后自动判断监控场景内是否存在漂浮物，并输出相关报警信息提示工作人员。

算法流程见下图所示：

篇幅有限，无法完全展示，喜欢资料可转发+评论，私信了解更多信息。