基于Cascade R CNN算法的流域梯級(jí)電站水情自適應(yīng)安全預(yù)警方法

摘 要：當(dāng)前流域梯級(jí)電站水情安全預(yù)警過程中，只能利用單一的高層特征，虛假警報(bào)比較高。因此，提出了基于Cascade R CNN（級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)）算法的流域梯級(jí)電站水情自適應(yīng)安全預(yù)警方法。利用無人機(jī)采集流域梯級(jí)電站內(nèi)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(qiáng)水尺圖像清晰度。運(yùn)用全局閾值法對(duì)水尺圖像進(jìn)行分割，保留目標(biāo)圖像區(qū)域。依托于Cascade R CNN算法，設(shè)計(jì)包含特征金字塔網(wǎng)絡(luò)、并行金字塔和多閾值檢測(cè)器的水尺圖像字符識(shí)別方法，自動(dòng)識(shí)別出當(dāng)前流域梯級(jí)電站水位情況。對(duì)比預(yù)先設(shè)置的水位閾值，得出水情自適應(yīng)安全預(yù)警結(jié)果。實(shí)驗(yàn)結(jié)果表明：新研究方法預(yù)警結(jié)果的虛假警報(bào)比小于0.1，證明了其優(yōu)越的水情安全預(yù)警能力。

關(guān)鍵詞：Cascade R CNN；梯級(jí)電站；水情；圖像處理；水位識(shí)別；安全預(yù)警

中圖分類號(hào)：TV214 文獻(xiàn)標(biāo)識(shí)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(jí)電站是指沿河流連續(xù)建設(shè)的一系列水電站，它們通過階梯式的水位差實(shí)現(xiàn)水能的轉(zhuǎn)化[1]。作為我國電力產(chǎn)業(yè)的重要組成部分，電站運(yùn)行的安全性直接影響了社會(huì)發(fā)展的穩(wěn)定性[2]，因此需要進(jìn)行精準(zhǔn)的水情預(yù)警，以確保電站的安全運(yùn)行。傳統(tǒng)的水情預(yù)警方法主要基于經(jīng)驗(yàn)判斷和簡(jiǎn)單的統(tǒng)計(jì)模型，難以準(zhǔn)確預(yù)測(cè)復(fù)雜多變的水情。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，越來越多的研究者開始嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)進(jìn)行水情預(yù)警。

文獻(xiàn)[3]提出在水情預(yù)警區(qū)域分布式安裝水位計(jì)、攝像頭等設(shè)備，采集動(dòng)態(tài)水位變化數(shù)據(jù)。以水位數(shù)據(jù)為支撐，推算出實(shí)時(shí)水位增長(zhǎng)速率，判斷其是否符合正常水位變化狀態(tài)，從而給出報(bào)警通知。但是，該方法預(yù)警結(jié)果誤報(bào)率較高。文獻(xiàn)[4]通過現(xiàn)場(chǎng)實(shí)測(cè)的方式采集水位變化數(shù)據(jù)，并分析單位流量下水位增長(zhǎng)率，以此來預(yù)估水位超過安全界限所需時(shí)間，生成對(duì)應(yīng)的安全預(yù)警結(jié)果。測(cè)試結(jié)果表明，該方法預(yù)警延遲時(shí)間較長(zhǎng)。文獻(xiàn)[5]在確定水情預(yù)警范圍后，獲取該流域上下游歷史洪峰水位數(shù)據(jù)，并建立多元線性回歸預(yù)測(cè)模型，預(yù)測(cè)出當(dāng)前條件下洪水淹沒范圍，對(duì)比安全預(yù)警閾值后，得到自適應(yīng)預(yù)警結(jié)果。通過實(shí)踐應(yīng)用測(cè)試可知，該水情預(yù)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(jí)電站水情自適應(yīng)安全預(yù)警方法。該方法利用Cascade R CNN算法對(duì)現(xiàn)場(chǎng)采集的水尺圖像進(jìn)行深度學(xué)習(xí)，自動(dòng)識(shí)別出異常水位并及時(shí)發(fā)出預(yù)警，為電站的運(yùn)行管理提供科學(xué)依據(jù)。

1 運(yùn)用Cascade R CNN算法設(shè)計(jì)流域梯級(jí)電站

水情自適應(yīng)安全預(yù)警方法

1.1 流域梯級(jí)電站水尺圖像去霧

采用無人機(jī)搭載相機(jī)在流域梯級(jí)電站上方巡視，拍攝大量電站內(nèi)的水尺圖像，作為水情自適應(yīng)安全預(yù)警的依據(jù)。在初步處理水尺圖像時(shí)，同時(shí)采用直方圖均衡化處理、暗通道去霧處理方法[6]，實(shí)現(xiàn)圖像對(duì)比度和清晰度提高。

直方圖均衡化處理過程中，統(tǒng)計(jì)圖像像素灰度值得到灰度直方圖。隨后，利用式（1）計(jì)算每個(gè)灰度級(jí)的出現(xiàn)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(jí)，L表示圖像內(nèi)出現(xiàn)的灰度級(jí)個(gè)數(shù)，P表示目標(biāo)灰度級(jí)出現(xiàn)概率，n、N分別表示目標(biāo)灰度級(jí)像素量和總體像素量。

引入累積分布函數(shù)定義，設(shè)計(jì)一個(gè)可用于直方圖均衡化處理的變換函數(shù)，基于此處理原始灰度圖像，得到修正后的灰度級(jí)。

λa=T（βa）=∑La=1Pβ（βa） （2）

式中，λa表示修正后的圖像灰度級(jí)。

圖像灰度級(jí)修正完成后，應(yīng)用暗通道先驗(yàn)理論，實(shí)現(xiàn)水尺圖像去霧處理。對(duì)于任意一張輸入的流域梯級(jí)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(gè)窗口，i表示目標(biāo)范圍內(nèi)任意選中的像素點(diǎn)，Jd表示流域梯級(jí)電站水尺圖像的第d個(gè)通道。

針對(duì)暗通道圖像進(jìn)一步分析，推算出圖像的透射率、大氣光照值[7] 。將這兩個(gè)參數(shù)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(duì)預(yù)處理后的水尺圖像進(jìn)一步處理，將圖像中的背景區(qū)域與水尺完全分離開，避免雜亂無用的背景影響后續(xù)水情安全預(yù)警分析。實(shí)際圖像分割過程中，考慮到閾值的選取會(huì)對(duì)分割結(jié)果產(chǎn)生直接影響，以類間方差最大為目標(biāo)，求出最優(yōu)分割閾值[8]。具體操作內(nèi)容如下：先假設(shè)圖像按照原始像素進(jìn)行分割后，得到兩個(gè)分割區(qū)域。其中，背景區(qū)域、目標(biāo)區(qū)域像素出現(xiàn)概率，可以通過式（5）計(jì)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(qū)域像素出現(xiàn)概率，P′2表示目標(biāo)區(qū)域像素出現(xiàn)概率。

通常情況下，背景區(qū)域、目標(biāo)區(qū)域像素出現(xiàn)概率計(jì)算結(jié)果相加應(yīng)該為1。隨后，分別求出圖像全局均值和背景區(qū)域像素灰度均值、目標(biāo)區(qū)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(qū)域、目標(biāo)區(qū)域的像素點(diǎn)灰度均值。

結(jié)合方差的概念，可以定義類間方差表達(dá)式為：

σ2=P′1P′2（1－2）2（7）

式中，σ2表示類間方差。

當(dāng)式（7）計(jì)算結(jié)果取值最大時(shí)，代表當(dāng)前分割閾值屬于最優(yōu)值?；诖朔蛛x圖像水尺區(qū)域，作為后續(xù)水位識(shí)別和水情安全預(yù)警的基礎(chǔ)。

1.3 基于Cascade R CNN算法識(shí)別水位

識(shí)別流域梯級(jí)電站水尺字符，是分析水情安全情況的前提。對(duì)此，設(shè)計(jì)一種基于Cascade R CNN算法的識(shí)別方法，利用多尺度檢測(cè)網(wǎng)絡(luò)（FPN）執(zhí)行最近鄰上采樣法，提取水尺圖像將目標(biāo)區(qū)域的特征，在該網(wǎng)絡(luò)結(jié)構(gòu)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(biāo)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(shí)現(xiàn)圖像特征提取時(shí)，需要將并行金字塔層特征分析結(jié)果和原金字塔層特征提取結(jié)果疊加起來，計(jì)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(jì)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(shù)，Ck表示第k層并行金字塔層。

融合后的圖像特征會(huì)導(dǎo)入最大值池化層進(jìn)行分析，實(shí)現(xiàn)圖像特征初步分類和回歸。隨后，重新篩選感興趣區(qū)域（RoI），得到二階段處理后的分類和回歸結(jié)果。該操作階段，金字塔層選擇的數(shù)學(xué)表達(dá)公式為：

u=u0+log 2（wh/224）（9）

式中，u表示所選金字塔層數(shù)，u0表示基準(zhǔn)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(shí)別過程中，為了避免不合理的RoI取值影響分類和回歸結(jié)果，提出圖2所示的Cascade R CNN結(jié)構(gòu)圖，通過級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)的自適應(yīng)學(xué)習(xí)[10]，取得更加優(yōu)越的分類和回歸效果。

圖2中，D、E、F分別表示檢測(cè)器頭部、回歸檢測(cè)框、檢測(cè)框類別。利用上述級(jí)聯(lián)Cascade R CNN結(jié)構(gòu)，從特征提取金字塔層中選取所需候選框，在多個(gè)閾值遞增檢測(cè)器的輔助下輸出正確的文字字符檢測(cè)結(jié)果。根據(jù)當(dāng)前水尺表示數(shù)據(jù)，即可自動(dòng)推理出當(dāng)前流域梯級(jí)電站的水位。

1.4 生成水情自適應(yīng)安全預(yù)警結(jié)果

根據(jù)流域梯級(jí)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(shè)置每個(gè)流域?qū)?yīng)的水位安全預(yù)警閾值?？紤]到流域梯級(jí)電站水情面臨四類洪水預(yù)警和四級(jí)枯水預(yù)警，具體的預(yù)警結(jié)果推算過程如圖3所示。

圖3中，α表示流域梯級(jí)電站水位估計(jì)值，G1、G2、G3、G4分別表示洪水預(yù)警級(jí)別的判斷值，H1、H2、H3、H4表示枯水預(yù)警級(jí)別的判斷值。

按照?qǐng)D3所示的流程，分析當(dāng)前水位所處的預(yù)警級(jí)別，自適應(yīng)觸發(fā)水情安全預(yù)警內(nèi)容，通過短信的形式將預(yù)警信息發(fā)送給目標(biāo)人群。

2 實(shí) 驗(yàn)

運(yùn)用Cascade R CNN算法設(shè)計(jì)新型流域梯級(jí)電站水情自適應(yīng)安全預(yù)警方法后，為了檢驗(yàn)該方法的實(shí)際預(yù)警效果，選取清江流域梯級(jí)電站作為實(shí)驗(yàn)對(duì)象，展開一系列水情自適應(yīng)安全預(yù)警測(cè)試。

2.1 實(shí)驗(yàn)背景

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

設(shè)置實(shí)驗(yàn)操作時(shí)間為2023年1月1日到2023年10月31日，利用無人機(jī)搭載晝間、夜間攝像頭，每隔30分鐘在清江流域梯級(jí)電站上方進(jìn)行一次巡視，采集大量水尺圖像，以此為基礎(chǔ)應(yīng)用本文研究的新方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法分別進(jìn)行水情自適應(yīng)安全預(yù)警，統(tǒng)計(jì)預(yù)警結(jié)果，對(duì)比不同方法應(yīng)用性能。

2.2 水尺圖像處理

水尺圖像的預(yù)處理是水位識(shí)別和水情預(yù)警的前提，本次實(shí)驗(yàn)過程中，需要進(jìn)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(duì)比結(jié)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(gè)問題，實(shí)現(xiàn)了圖像增強(qiáng)。隨后，得到灰度化和分割處理結(jié)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(qū)域圖像，作為后續(xù)水情自適應(yīng)安全預(yù)警的依據(jù)。

2.3 安全預(yù)警結(jié)果

依托于Cascade R CNN算法進(jìn)行水位識(shí)別之前，需要先利用大量水尺圖像對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練。設(shè)置網(wǎng)絡(luò)訓(xùn)練的總體迭代次數(shù)為700次，得到圖7所示的訓(xùn)練損失變化曲線。

根據(jù)圖7可知，在訓(xùn)練次數(shù)達(dá)到400次后，損失值低于0.1且趨于穩(wěn)定狀態(tài)，直到660次迭代完全可以停止訓(xùn)練，此時(shí)Cascade R CNN網(wǎng)絡(luò)處于最優(yōu)狀態(tài)。將其應(yīng)用到水位識(shí)別過程中，明確水尺字符識(shí)別結(jié)果為E4E5E，基于此可以推理出當(dāng)前水位高度為35.26 m。對(duì)比水位安全預(yù)警閾值，確定此時(shí)電站水情不需要發(fā)送預(yù)警短信。

考慮到清江流域梯級(jí)電站所在區(qū)域在6、7月份降雨量較大，最容易出現(xiàn)水情預(yù)警，以這兩個(gè)月為例，部分安全預(yù)警記錄如表1所示。

分析表1所示的水情自適應(yīng)安全預(yù)警結(jié)果以及清江流域梯級(jí)電站水情實(shí)際變化，二者基本相符，證明了本文預(yù)警方法是可行的。

2.4 預(yù)警方法性能對(duì)比

為了進(jìn)一步體現(xiàn)該方法的應(yīng)用性能，統(tǒng)計(jì)整個(gè)實(shí)驗(yàn)周期不同方法的預(yù)警結(jié)果以及真實(shí)水情變化信息。通過式（14）計(jì)算出每種方法的虛假警報(bào)比。

η=τψ+τ（14）

式中，η表示虛假警報(bào)比，ψ表示預(yù)警成功次數(shù)，τ表示預(yù)警失敗次數(shù)。

根據(jù)圖8所示的對(duì)比結(jié)果可知，結(jié)合Cascade R CNN算法的新型水情自適應(yīng)安全預(yù)警方法，生成的預(yù)警結(jié)果虛假警報(bào)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(yù)警次數(shù)越多，不同方法虛假警報(bào)比之間的差異越大，充分證明了本文方法的優(yōu)越性能。

3 結(jié) 論

提出了運(yùn)用Cascade R CNN算法，自動(dòng)識(shí)別異常水情，并及時(shí)發(fā)出預(yù)警，為電站的運(yùn)行管理提供了科學(xué)依據(jù)。相比于傳統(tǒng)的水情預(yù)警方法，基于Cascade R CNN算法處理圖像的流域梯級(jí)電站水情自適應(yīng)安全預(yù)警方法具有更高的準(zhǔn)確性和及時(shí)性，能夠更好地適應(yīng)復(fù)雜多變的水情。

參考文獻(xiàn)

［１］ 劉凱華，嚴(yán)紅平，沙寶銀，等.利用加權(quán)有向圖的船舶水尺重建與水位識(shí)別[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，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(shí)別方法[J].巖石力學(xué)與工程學(xué)報(bào)，2023，42（11）：2788-2805.

[3] 劉寶權(quán)，景若瑤，李楠楠，等.引水渠道動(dòng)態(tài)水位預(yù)警機(jī)制研究及應(yīng)用[J].水利水電技術(shù)（中英文），2022，53（S1）：166-173.

[4] 李月強(qiáng)，馬芳平，薛萍，等.明渠輸水流量不平衡量感知及水位超限預(yù)警方法研究[J].水利水電技術(shù)（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(yīng)分析及其在洪澇預(yù)警中的應(yīng)用[J].中國科學(xué)院大學(xué)學(xué)報(bào)，2022，39（1）：91-101.

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

[7] 齊永強(qiáng)，李文鵬，鄭躍軍，等.地下水機(jī)器學(xué)習(xí)方法研究——水位監(jiān)測(cè)數(shù)據(jù)驅(qū)動(dòng)的區(qū)域補(bǔ)排邊界識(shí)別[J].水文地質(zhì)工程地質(zhì)，2022，49（1）：1-11.

[8] 孫英豪，丁勇，李登華，等.基于圖像識(shí)別的無標(biāo)尺水位測(cè)量技術(shù)研究[J].水利水運(yùn)工程學(xué)報(bào)，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(shí)別[J].計(jì)算機(jī)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(jiān)測(cè)系統(tǒng)的開發(fā)與應(yīng)用[J].水電能源科學(xué)，2021，39（3）：95-98+102.