随着全球科技变革深入推进，云计算、物联网、大数据和人工智能，已经从高度技术化与学术化的频率逐步向外延伸，形成万物互联、万物智能的智能化新时代。水务行业也将与智能化相结合，更好地为水务业务服务。目前，已有多项水务行业与人工智能相结合的产物。针对水体颜色、透明度的识别；针对监控区域内游泳、钓鱼及划船等非法闯入的监控预警；针对水面垃圾的识别。通过人工智能技术，自动处理大量的视频、图像文件，识别相关信息，结合水务行业的需求自动推送异常报警信息。水位数据的获取对于日常的水资源调度、汛期的防洪排涝至关重要。近年来，很多省、市的水务局及相关管理单位已建立多个视频监控系统，视频站点覆盖重要大中型水库、流域河道、城市河湖及排水泵站***口等。有很多视频监控站点可直接采集水尺画面。为便于水务管理单位对水位的监测，充分利用“视频监控+智能识别”技术对业务的支撑，现对水尺智能识别技术进行研究。

1. 水位采集的方式

        1.1人工观测

传统的水位测量方式为安装水尺，进行人工读数，通常为早上8点和下午4点进行2次读数，这种方法费时费力。在降雨时，人员需前往现场进行读数，获取水位信息，在特大暴雨情况下，受天气影响，会造成人员读数不准确，误差增大，对人员安全也会造成威胁。

1.2 自动采集

机械的水位监测为安装水位计，常用的分为静压式水位计、浮子式水位计、雷达水位计、超声波水位计和电子水尺等5种方式，每种方式都有其优缺点。易受温度、湿度及风浪等影响，导致数据准确率降低。

1.3 智能的水位监测方式

利用人工智能技术，已有多家公司进行基于水尺图像的智能识别研发工作并投人试运行，智能水尺识别技术分为基于视频前端识别和基于视频后端识别等2种。基于视频前端识别，以海康威视公司为例，将智能算法做在视频前端，根据环境对图像进行调节和优化，读取准确率高，环境适应性强。采用多视频帧进行识别，通过平均算法，消除风浪影响。基于视频后端平台，以江河瑞通公司为例，基于已建视频统一接人图像，利用图像识别专业GPU服务器对自动获取的图像进行识别，开展模型专属场景训练，使用深度卷积神经网络与机器学习技术作为依托，基于开源的caffe和pytorch深度学习框架与自研学习模型构建图像识别应用平台。

2. AI开发平台的选择

未来人工智能是中国数字经济发展的主要推动力之一，而作为人工智能生长动力的算法、算力及数据等都在快速发展。

(1) 算法在过去几年迅速发展，不断地有各种各样的创新，深度学习，从DNN、RNN、CNN、到GAN⋯不断地有新的发明创造出来。算法的迭代从技术层面的创新到思维方式的转变，意味着人工智能乃至社会生态的无限的可能。

(2) 计算能力为技术变革奠定了基础。互联网对于人类日常生活的高度渗透，催生了计算能力的飞速提高。随着计算的成本在不断下降以及服务器变得越来越强大，人工智能技术发展的局限在减小。

(3) 数据样本的大量收集供样本标注。

通过调研了解到多家厂商的开发平台，最终选择华为ModelArts平台，其优势在于算法、算力及在水利中的应用。其中算法可以采用平台中已有的通用算法，大大缩短建立时间，同时降低了技术人员的入门门槛。算力可以根据按需方式租用GPU服务器，降低研究的前期投入。在水利应用中，从智能抄表、防洪减灾到污水处理和生态保护，积极把领先全球的云、大、物及智等信息化技术深度融合于水利行业的发展需求中，驱动水利行业数字化转型，提升水利治理现代化水平。ModelArts是华为全栈全场景AI解决方案面向用户和开发者的门户，作为一站式AI开发平台，能够支撑开发者从数据到AI应用的全流程开发过程。系统架构包含数据处理、模型训练、模型管理及部署等操作，具体架构如图l所示，并且提供AI市场功能，能够在市场内与其他开发者分享模型、API和数据集。

                                                         图1   Mode1Arts架构

从技术上看，Mode1Arts底层支持各种异构计算资源，应用者可以根据需要灵活选择使用，而不需要关心底层的技术。同时，ModelArts支持Tensorflow及MXNet等主流开源的AI开发框架，也支持应用者使用自研的算法框架。ModelArts目前可支持图像分类、图像检测、视频分析及语音识别等多种AI应用场景。

3. 智能水尺识别模型研究

本次利用华为ModelArts平台，通过从水尺摄像机视频流中提取水尺图片，筛选符合要求的图片。创建智能水尺识别模型，开始数据标注，进行模型训练，然后部署上线，通过识别出水尺中刻度线的条数，计算水位线，智能水尺识别模型流程见图2。模型可以通过云端部署方式，通过本地视频图像上传，再经过计算出水位数据，节省人力且精度精准，具有广泛应用前景。

                图2智能水尺识别模型流程 

        3.1 数据采集及筛选

       首先通过前端摄像机获取水尺视频信息，然后通过抽帧软件提取水尺图像。本次研究以浚河视频监控点为例，此监控站点为数字高清摄像机，夜间图像可清晰展示，选取晴天和雨天早晚多段视频进行截取，抽帧频率为每5分钟抽取1张图片。对已抽帧图像进行筛选，挑选能正常显示水尺刻度条的图像，如图3所示，删除抽帧效果不佳图像。

图3合格水尺截图 

在抽帧的过程，发现每日凌晨5点半左右，由于自然光、摄像机补光及探照灯补光冲突，造成水尺刻度条无法正常显示，如图4所示。总共截取不同时间段合格截图250张。

图4不合格水尺截图

3.2  模型选择及建立

在数据标注模块中创建训练模型，分为图像分类、物体检测、预测分析及声音分类等4种类型。图像分类，此模型为识别一张图片中是否包含某种物体；物体检测，此模型为识别出图片中每个物体的位置及类别；预测分析，此模型为对结构化数据做出分类或数值预测；声音分类，此模型为识别一段音频中是否包含某种声音。对于本次水尺识别研究，选用物体检测这个模型，建立项目名称、训练数据输人和输出路径。

3.3  数据标注及模型训练

将筛选合格的图片上传至对象存储服务OBS库的模型数据输入路径中。下一步，对图像进行标注。标注工具提供2D框、3D框、多边形、点、直线、mask及曲线等标注图形。水尺中每个刻度线对应一个水位，需识别出水尺中的每个刻度线。常见的标准水尺长度为l m，有红色和蓝色2种颜色，相互交替组成。水尺中的“E”可标记为红色长边(red)、红色短边(white2)、蓝色长边(blue)和蓝色短边(whitel)等4种，如图5所示。人工标注50张后，通过notebook编写脚本进行转换功能，将已标注的图片导入到自动学习所创建的相应模型进行训练，得出训练成果，如图6所示，可以看出标注的准确率，分析出各个标签的精准率，对精准率较低的分析原因，可能是标注数量较少或者框选不够精准造成。最终在250张截图中，red总共标记5900处，blue总共标记2900处，whitel总共标记2000处，white2总共标记3300处，样本的标注数量决定了数据的准确程度。

图5水尺标注

图6模型训练结果展示

3.4 智能标注

数据标注可能会花费大量研究的时间，通过智能标注功能，大大缩减标注时间。在数据标注模块中，选择项目中未标记的图像，启动智能标注功能，选择自动学习中训练的模型结果进行标注，仅需对智能标注结果进行检查，对位置偏移和遗漏标注的进行手动调整，节约大量时间。

3.5训练版本管理

通过人工标注和智能标注，数据标注的数量逐步增加，继续模型训练，每次训练均生成一个新的训练结果，对于训练结果可以进行管理，可以部署上线或删除，如图7所示。利用精准率高的训练结果可以继续进行标注。

图7

3.6 部署检测

选择准确率高的训练模型进行部署，上传图像进行检测，得出预测结果，图像中标注出预测标签，右端显示出各标签的精准率，如图8所示。

图8

经过部署检测，图片中97％的刻度线均被标识出来，仅有最下端的一条未标识，右端显示的标识大部分准确率在94％以上，个别准确率低，分析原因，由于所选刻度尺上刻度线有轻度破损，造成部署模型所框定的标识范围内容缺失，导致判定的准确率下降。

3.7 水位计算

通过实地测量水尺对应的水位，计算出相应刻度线所对应的水位，通过API端口调用和逻辑计算，得出每段刻度线的横纵坐标，然后计算出实际水位数值。

3.8 现场应用部署

ModelArts支持将训练好的模型一键部署到端、边及云的各种设备上。本次测试，采用端边方式部署，通过边缘节点服务器进行部署模型，图像信息通过抽帧进入边缘服务器，通过模型计算进行逻辑计算，得出水位信息。将现场数据上传至云端，不断迭代训练，将模型迭代优化再下发至边缘服务器。流程如图9所示。

图9模型部署流程图

4. 模型的适用性分析

本次基于华为ModelArts平台对水尺智能识别技术的研究，获取水尺图像，通过人工智能分析得出水位信息，与常见的人工读数和自动采集相对比，在降雨天气下，减少了人员外出读数的频次及所产生的风险，只需在屋内观看视频图像及所显示水位信息；避免了温度、湿度造成自动采集的影响；获取水位信息的频次变快，同时还能获取水位信息曲线。本次研究是水务基本业务与人工智能相结合的产物，在研究的过程中可能存在诸多不足，不同场景、不同时段、不同条件下，水尺倒影、水尺倾斜角度及水尺被遮挡等问题会产生影响，需增设测试点，采集多种数据，不断迭代优化。同时得出模型计算需满足以下条件：前端摄像机需为星光级数字摄像机，水尺为标准水尺，且刻度线清洗无污物，传输链路速率要求较高。

5. 结论

随着5G时代即将到来，对于数据的上传和下传速度都会有质的飞跃，数据传输会更加迅捷。以“视频监控+人工智能”技术为基础，搭建“以视觉为核心”的水务视觉AI技术平台。通过精准算法、高效算力、丰富的视频分析，针对水务管理上的难点等，将在今后的水务业务中提供高效化、智能化的管理手段。为了更好地利用人工智能技术，提升水利业务的信息化，下一步将对垃圾漂浮物识别、城市内涝积水、水体透明度及人员非法闯入等功能开展研究，更好地保护河湖水资源。