黄河下游引黄涵闸远程监控系统方案设计与应用

石 洋 李 琦

（1.内蒙古科技大学，内蒙古 包头 014017；2.山东黄河勘测设计研究院有限公司，山东 济南 250013）

黄河下游位于河南、山东境内，是黄委直管河段。2002年，黄委员会建设了下游78 座引黄涵闸远程监控系统（水调一期）。由于受到投资限制，在系统建设标准较低、运行维护费不足的情况下，现有的系统设备已经运行近20年，远远超出了电子产品的正常使用年限，大部分系统使用功能基本丧失。

互联网，尤其是物联网的发展，不仅改变了商业运营模式，而且人们对监控系统提出了新的需求。水利工程管理设远程监控系统，大大提高了水利工程管理自动化程度，从而提高其运行稳定性，减少事故发生概率，为职工提供安全保障，同时推进水利工程建设走向现代化趋势的发展。

传统的水位检测技术有两种，一种是用人工目测读取并记录设置的水尺，这种方法并不复杂，但在恶劣的环境条件下，很容易对测量人员自身的安全造成威胁。另一种是使用能够自动采集反映水位高度的模拟量并转换为水位数据的传感器。水尺图像检测技术作为一种新型的非接触式水位测量方式，具有不受水质影响、受外界干扰小、易于维护等优点。

1 远程监控系统总体结构设计

1.1 系统配置

涵闸远程监视系统包括远程监视、远程监控、监控中心的网络系统。远程监控系统。远程监控系统分为4 级。黄河下游引水调度管理机构主要由黄河水量总调度中心、省局、市局以及当地的水文站组成。第一级是皇位总调度中心；第二级是河南黄河河务局、山东黄河河务局的调度中心；第三级是市局管理中心、第四级是闸管所等管理部门。图1为引黄涵闸远程监控系统的拓扑图。

图1 引黄涵闸远程监控系统拓扑图

1.2 系统功能

涵远程监控系统具有实时监测、视频监视和涵闸控制3方面功能。

（1）实时监测：各级监控系统必须实时接收和处理现场采集的实时数据。饮用水数据包括闸前水位、闸后水位、闸开度等。

（2）视频监视：网关视频监视采用网络视频压缩传输技术来实现网关的远程图像监视，是本系统的主要功能。根据涵闸的具体情况，监视点包括闸前、闸后、闸室。

（3）涵闸控制：黄河水量总调度中心、省局、市局分组中心、闸管所可按设置权限级别远程控制引黄闸。涵闸现场可以采用手动和自动控制。

1.3 监控软件平台架构

基于黄河下游涵闸远程监测系统的实际和系统建设的需要，采用基于Archeestra 架构的成套软件作为本系统软件开发和运行的主要平台，这个平台可以是黄委的自动监控应用服务平台。本系统选择WonderWare的Industrial SQL Server（简称InSQL）数据库系统作为实时数据库管理系统。

2 引黄涵闸水位监测系统设计

本文在深度学习的水尺图像识别的基础上，通过摄像机采集数字图像，然后对采集到的图像进行分割，得到可识别的区域，最后对采集到的区域图像识别位数进行研究。基于图像识别的水位监测系统由一体化智能球机、水尺、无线数据传输模块组成，目前用于引黄涵闸的闸门前，通过实验可以准确地读取水位数据，如图2所示。

图2 水尺安装图

2.1 水尺图像预处理

（1）使用暗通道先验算法来去除雾，该方法可以通过基于常规物理模型的图像恢复雾消除算法来优化环境光和透射率，很好地适应复杂天气下的测量图像。

（2）对图像进行灰度化处理，采用加权平均值法。

（3）使用大津法对灰度图像进行二值化处理。大津法作为图像分割中的阈值选择的最佳算法，计算简单，不受图像的亮度和对比度的影响，图像清晰，有更好的效果。

（4）进行边缘检测，在比较Sobel、Roberts、Canny 这3 种算法后，发现Canny 运算符具有边缘平滑和明显的干扰电阻，边缘检测比其他运算符更完整，匹配范围更宽，错误率更低等。在最后一步中，通过使用Hough 变换来修正水尺，可以得到矫正后的图像。水尺图像处理流程如图3所示。

图3 水尺图像处理流程图

2.2 水位数据获取

为了最终识别出水尺数字，需要确定每个文字的上下左右边界，并将其从水尺中分离出来，作为后续文字识别的输入数据。两个字符的区分基于字符之间的距离。水尺的各个文字的大小相同，实际高度为5cm，通过计算最后文字和完整文字的比例来计算对应的高度。

2.3 模型参数设置与训练

在标度识别阶段，首先基于ImageNet 数据集预训练模型，然后基于该预训练模型在对象检测尺寸数据集上进行训练。优化算法选择了Adam 梯度优化算法。与现有的随机梯度下降不同，Adam 梯度优化算法通过计算梯度的一阶和二阶矩阵，用不同的参数设计独立的适应性学习率，传统的随机梯度下降保持单一的学习率，并更新所有参数。学习率的设定分别采用了指数衰减法和自定义模式。考虑到训练任务和防止梯度爆炸，初始学习率设定为0.1。定制学习率如表1所示设定了多套方案，训练batch size 设定为64。

表1 水尺刻度识别算法学习率设置表

2.4 水尺刻度识别阶段

以80000 个训练样本为基础，分别采用学习率指数递减法和自定义模式训练模型，损失函数值随着训练Epoch 的增加而变化，规律如图4、图5所示。经过210 个Epoch，随着训练迭代次数的增加，损失函数值无限接近于零，基本不变，可以判断模型收敛。从图4中可以看出，在自定义学习率组1 模式中，模型收敛时的损耗关数值最小，该模型学习效果最好。用10000 个验证样本进行验证，模型收敛后的平均验证召回率为96.3%。在8000 个测试样本上进行了测试，测试准确率为95.9%。

图4 训练过程中不同学习率下损失函数值整体变化趋势图

图5 损失函数值整体变化趋势局部放大图

本文中的所有算法都是基于谷歌DistBelief 开发的第二代人工智能学习系统Tensorflow 框架，采用Python 实现。训练后算法的图像信息和参数值以Tensorflow 的二进制格式存储在磁盘上，然后使用Tensorflow 的java 接口将预训练好的模型封装到智能识别系统中，最后系统后方独立运行的程序对外提供识别服务。整个系统采用前后端分离架构，可以向前端提供后台接口，也可以独立地向第三方系统提供，并且可以提高应用灵活性。水资源监控信息平台通过调用系统的网络接口，向界面传递可预测的水位照片，界面经过后端推理计算会将结果返回平台，实现水位自动识别。

3 基于物联网技术的数据采集传输系统

3.1 数据采集传输系统

山东黄河站点众多、分布广，为方便流量在线监测后期率定参数的调整和维护，开发了基于物联网技术的数据收集传输系统。该系统由STM32F4 嵌入式MCU、太阳能供电、接线端子、避雷器、空气开关、检测维护监控软件等组成，其中控制器软件由C 编写。主要由20 多个模块构成，各模块完成特定的功能，组合传感器信号收集、数据解码、数据分析、数据计算和处理、数据包、内部通信控制、与DTU数据的收发等功能来实现。通过软硬件配合物联网技术，将水位数据、流速数据、流量数据通过无线数字终端实时传输到服务器。服务器端软件对接收到的数据流进行解码进一步分析处理。并通过后台监控维护监控软件实现远程参数修改、系统状态监控等功能，实现智能化识别和管理。水位监测软件界面如图6所示。

图6 水位监测软件界面

3.2 基于机器学习的水位流量关系法

以水位流量关系良好的北店子引黄闸门为例，通过分析北店子引黄门2020—2021年这2年监视的实战、调水、秋汛等水位和流量关系可以得到图7所示的曲线。然而，与实际监测数据相比，由水位流量曲线获得的流量数据小于5%误差的数据仅为35.4%，未能满足实际工作需要。

图7 北店子引黄闸2020—2021年水位与流量关系

为了提高水位流量关系法的监测精度，采用机器学习，通过不断反复学习来计算水位流量关系。采用机器学习中的多元线性回归和梯度下降法，通过数据取得-数据预处理和特征选择-模型训练和优化-模型诊断-模型融合等，最终确定闸前水位、闸后水位、闸开度3 个变量对流量的影响，通过反复学习提高对参数响应的灵敏度，由得到的模型计算出的流量数据与实际的人工监控数据相比，小于5%误差的数据达到96.4%。

4 结语

黄河下游黄涵闸远程监控系统是跨区域、跨部门、跨行业的综合系统工程，黄河水量统一调度工作繁重复杂。黄河下游引黄涵闸远程监控系统是黄河水量调度管理系统中信息收集部分的核心组成部分，是确保实现水量调度任务的重要保证。将图像识别技术和自动化控制技术应用于闸门水位监测以获得良好效果，提高经济效益，节约人工成本，避免出现在闸门运行过程中。

安全问题为科学管理做出了重要贡献，使工程管理部门能够及时、准确地收集有关信息。通过试验，在深度学习的图像识别水位的基础上，将图像处理技术与传统的水位测量方法结合深度学习算法，计算出的水位值与人工读数值基本吻合，提高了水位监测的实时性和准确性。