基于视觉识别技术的泥石流预警监测系统研究

基于视觉识别技术的泥石流预警监测系统研究

万兵

中科顶峰智能科技（重庆）有限公司 重庆市 400000

摘要：本文针对现有的泥石流监测系统采集数据存在大量误报等问题，引入了视觉识别技术进行多维数据分析去除采集是无效数据，同时视图信息能为后端监控平台提供更丰富的决策数据，从而科学地开展泥石流监测和预警，避免给人民生命财产安全带来危害和不必要的人力财力物力浪费。

关键词：泥石流；视觉识别；预警监测；泥水位

引言

泥石流是山区特有的一种自然地质现象，是山区沟谷或坡面在降雨、融冰、溃决等自然或人为因素作用下发生的一种挟带大量泥砂、石块或者巨砾等固体物质的特殊洪流，具有突发性、流速较快、流量大、破坏力强等特点，其主要危害是冲毁城镇、企事业单位、工厂、矿山、乡村，造成人畜伤亡，破坏房屋及其他工程设施，破坏农作物、林木及耕地。

在泥石流孕育阶段，都或多或少，或显或隐地有一些前兆显示，如果能及时监测捕捉到这些前兆，就为我们防灾、避灾赢得了宝贵时间。随着地质灾害监测技术的快速发展，如何使地质灾害监测系统更精确、用户监测更佳一直都是业界努力的方向。鉴于泥石流最常见的诱因是降雨[1]，本文主要针对降雨型泥石流监测预警方法的优化改进。

1 泥石流监测预警方法

流动动态是泥石流的基本特征[2]，对泥位进行监测可有效的掌握泥石流灾害发育情况，在泥石流的流通渠道加装传感设备，达到设定的预警值则报警。

漏报率和误报率是评价地质灾害预警预报系统的业务水平的主要参数，目前包括统计预报模式在内的系统漏报率均比较低，但是都无法避免误报率高的问题。国内外的泥石流流通渠道监测预警方式主要是接触报警、超声波泥位计、毫米波雷达泥水位计和视频监控，都存在明显的精准稳定问题：

（一）接触报警，包括：断线法，泥石流冲断导线而发出警报；导通法，泥石流到达时将探头接通而报警。前者是一次性使用、综合成本贵，而且由于落石或者动物经过也会触发断线报警而误报，也时常会出现不断线的情况丧失报警功能；后者会因为洪水或者植物导通而误报。

（二）监测预警是利用超声波探测实时泥水位高度，与泥石流暴发前沟床高度比较计算泥石流厚度，一旦流量超过设防标准就发出预警信息。但受温度/风速影响、植被生长等障碍、沟床的冲淤和泥石流飞溅等的干扰，容易产生误报和漏报。

（三）毫米波雷达泥水位监测预警是利用毫米波雷达探测实时泥水位高度，不受风、温度、雾霾、泥沙等的干扰影响，但会受到植被生长、水面波浪及树木杂草等漂浮物会影响，造成雷达水位计接收不到信号或者接收到的反射波信号太弱，致使水位计测流数据跳变或数据失效。

（四）视频监控，即通过可见光/红外摄像观察泥石流的运动状况，来获知泥石流的发生与发展情况，存在功耗高、数据量大、信息传输成本高、非智能化等缺点。

综上，需要一种融合性的智能化的监测预警改进方法来解决尤其是误报问题。

2 基于视觉识别技术的改进优化

为解决泥石流监测预警误报问题，本文提出一种在泥水位计监测基础上融合智能视觉识别技术的优化方法。

2.1系统架构

本泥石流监测预警方法涉及的系统包括数据采集前端、边缘AI计算、网络传输、后端数据集成四个部分，如图1所示：

（一）数据采集前端。通过主流的毫米波雷达泥水位计或超声波泥水位计实时泥水位高度，以及按需触发摄像机采集视图信息。

（二）边缘AI计算。对采集的泥水位数据进行判断，如存在可能的异常，则启动摄像机进行视图信息采集和进行AI识物计算等，对数据进行融合分析后再上报结果数据。

（三）网络传输。实时传输监测预警信息和关联的视图信息给每个省市站以及国家监测预警中心站。支持多种网络传输方式，其中卫星通讯为应急手段、目前还不能传输视图信息。

（四）数据集成。通过雨量、形变等多维数据算法模型进行监测预警，向监测人员手机、PC终端平台等发布红、橙、黄、蓝多种等级的预警信号。

图1 泥石流预警监测优化方法系统架构

2.2数据监测与预警流程

本文提出的基于视觉识别技术的优化方法的关键技术在于边缘AI计算部分，其工作原理如图2所示。

在前端，泥水位传感器固定于立杆横支臂上并通过RS-485总线与低功耗的嵌入式通用计算单元连接，摄像机固定于立杆横支臂上并通过网线与视频图像处理单元连接。视频图像处理单元和摄像机由通用计算单元控制处于低功耗待机或者关机模式，当采集周期到达或者外接传感器事件到达将唤醒通用计算单元主程序，启动新一轮采集泥水位数据，然后进行数据基础分析，主要方法是与上一周期有效数据进行比较是否产生超过一定阈值的变化情况，如果没有该情况则表示无需预警并将泥水位数据作为有效结果上报给后端物联网平台进行记录，然后关闭摄像机等进入低功耗模式；如果有该情况则需要进一步启动智能研判，包括唤醒摄像机采集视图，由视频图像处理单元进行视觉识别，采用深度学习技术能正向识别泥石流表面特征、水面特征和方向识别河滩沟渠中的杂草从、树枝等异物侵入、河滩沟渠岩石日照反光等特征。通用计算单元除开针对泥水位数据、视图特征数据外，还可以外接断线传感器、压力传感器等以及通过无线通信获取后端监控平台或者周边监测点的雨量计、次声传感等数据，系统综合这些多维数据进行AI计算研判。智能研判后，会舍弃无效数据并将有效结果上报（包括压缩的视图信息），然后关闭摄像机等进入低功耗模式。

图2 系统工作流程

其中，关键技术视觉识别采用Open CV和神经网络进行特征训练识别[3]，对泥石流流通渠道可能出现的水流、泥石、岩石、植物、动物、人等常见的目标进行分类，训练后得到系列包含特征值的XML文件。在综合考虑嵌入式平台计算能力、训练难度、精准性及召回率等实战因素的情况下，视频图像处理单元采用基于RV1126的硬件平台（4 核ARM Cortex-A7@1.5GHz与NPU@2Tops AI边缘计算能力），软件采用Mobile Net V3[4]和SSD实现快速、高效的基于深度学习的检测识别，在保证精度降低很小的前提下，大幅度提高网络运行速度，降低模型参数和运算成本。

3 实验结果

将本文提出的基于视觉识别技术的泥石流预警监测系统（SN 1409220300051405NW01）与现有主流的普适型地质灾害监测产品（SN 1409310300020501NW01）在山西东关镇铁匠铺监测点进行共杆部署，数据上传到自然资源部数据平台，采集1周的数据，如图3和图4所示，1409310300020501NW01发生了多次数据突变，达到了2米多的泥水位变化是明显不合理的，1409220300051405NW01的数据是平稳的、与实际环境情况是一致的。

图3 常规产品1409310300020501NW01 数据

图4改进产品1409220300051405NW01 数据

4 结束语

本文主要研究视觉识别技术的引入对普适型的泥石流预警监测系统的优化改进，有效地去除了植被等常见的干扰，提供了预警监测的准确率，可降低后期运维和应急处突的人力和财力成本，对泥石流的预警监测推广具有十分必要的经济及社会价值。

参考文献:

[1] 高立兵，高宁宁.泥石流灾害监测预警及自动预警方法研究[J].海峡科技与产业，2020（01）：42-45.

[2] 赵安文，刘奕含.泥石流专业监测预警关键技术的应用[J].科技与创新，2020（06）：125-127.

[3] 袁银，王东斌，刘永金.基于深度学习的植物图像识别方法研究[J].现代农业科技，2017（23）：278-280.

[4] 宋非洋，吴黎明，郑耿哲，等.基于MobileNetV3的结构性剪枝优化[J].自动化与信息工程，2019，40（6）：20-25.