基于AI技术的水库高中低立体视频监控系统及监控方法与流程

基于ai技术的水库高中低立体视频监控系统及监控方法
技术领域
1.本发明涉及监控设备技术领域，更具体地，涉及一种基于ai技术的水库高中低立体视频监控系统及监控方法。


背景技术：

2.水库面域大，构筑物多，监控要素较多，包括水库制高点监测、大坝、大坝上游、大坝下游、副坝、溢洪道、泄洪闸、闸门机房(启闭室)、水位尺、出入口等。目前为了保障水库安全，针对水库全景、大坝、溢洪道、水位尺等各关键要素开展视频监控，导致每个水库需要配置大量的视频监控。具体实现为：针对水库各监控要点逐一配置一套视频监控，每一个点位都需要立杆以及基础建设，建设成本高。


技术实现要素：

3.本发明针对上述问题，提供了一种基于ai技术的水库高中低立体视频监控系统及监控方法，用于节约投资，鹰眼视频监控、球机高度集成至一体杆，共同使用一套立杆以及基础建设。
4.本发明的第一方面，一种基于ai技术的水库高中低立体视频监控系统，所述系统包括：
5.高点监控模块，用于监管水库全景；
6.精准监控模块，用于对水库水位、溢洪溢流水位监控的同时进行ai水位识别；
7.安防警戒模块，分别与所述高点监控模块、所述精准监控模块连接，用于对水库和大坝运行状态以及人员行为态势进行监控告警；
8.其中，所述高点监控模块、所述安防警戒模块、所述精准监控模块以高、中、低顺序依次集成在一个竖立地面的监控杆上，所述ai水位识别方法包括：
9.数据收集：收集含有水尺目标的海量视频，所述视频包括气候条件、场景、光照以及不确定的环境干扰；
10.数据处理：通过视频抽帧、案例挖掘从收集到的海量视频中采集训练数据，并对所述训练数据进行色域空间转换、噪声过滤、图像增强预处理，生成海量训练数据集；
11.模型设计：建立基于cnn模型的水尺识别模型；
12.模型训练：使用大规模多机多卡训练平台，基于pytorch训练框架，利用模型并行和数据并行的训练策略训练水尺识别模型；
13.模型评估：基于水尺识别模型的准确度和水尺定位的精度，对水尺识别模型进行评估，确保水尺识别模型在各种场景和天气条件下的识别误差不超过阈值。
14.本发明的进一步技术特征为：所述ai水位识别方法还包括对所述水尺识别模型进行优化，具体为针对硬件资源种类和限制，运用模型蒸馏、量化、剪枝模型优化技术，在确保模型精度的前提下，生成满足精度和硬件约束的场景模型。
15.本发明的进一步技术特征为：所述高点监控模块包括鹰眼视频摄像头和视频监控
球机，当鹰眼视频摄像头捕捉到异常情况时，利用视频监控球机内置云平台联动视频监控球机自动调整角度，实现定位监控。
16.本发明的进一步技术特征为：所述数据处理中所述图像增强预处理包括图像变换和gan生成。
17.本发明的第二方面，提供了一种基于ai技术的水库高中低立体视频监控方法，所述方法包括：
18.利用高点监控模块监管水库全景；
19.利用精准监控模块对水库水位、溢洪溢流水位监控的同时进行ai水位识别；
20.利用安防警戒模块，对水库和大坝运行状态以及人员行为态势进行监控告警，所述安防警戒模块分别与所述高点监控模块、所述精准监控模块连接，其中，所述高点监控模块、所述安防警戒模块、所述精准监控模块集成在一个竖立地面的监控杆上，所述ai水位识别方法包括：
21.数据收集：收集含有水尺目标的海量视频，所述视频包括气候条件、场景、光照以及不确定的环境干扰；
22.数据处理：通过视频抽帧、案例挖掘从收集到的海量视频中采集训练数据，并对所述训练数据进行色域空间转换、噪声过滤、图像增强预处理，生成海量训练数据集；
23.模型设计：建立基于cnn模型的水尺识别模型；
24.模型训练：使用大规模多机多卡训练平台，基于pytorch训练框架，利用模型并行和数据并行的训练策略训练水尺识别模型；
25.模型评估：基于水尺识别模型的准确度和水尺定位的精度，对水尺识别模型进行评估，确保水尺识别模型在各种场景和天气条件下的识别误差不超过阈值。
26.本发明的进一步技术特征为：所述ai水位识别方法还包括对所述水尺识别模型进行优化，具体为针对硬件资源种类和限制，运用模型蒸馏、量化、剪枝模型优化技术，在确保模型精度的前提下，生成满足精度和硬件约束的场景模型。
27.本发明的进一步技术特征为：所述高点监控模块包括鹰眼视频摄像头和视频监控球机，当鹰眼视频摄像头捕捉到异常情况时，利用视频监控球机内置云平台联动视频监控球机自动调整角度，实现定位监控。
28.本发明的进一步技术特征为：所述数据处理中所述图像增强预处理包括图像变换和gan生成。
29.本发明提供的一种基于ai技术的水库高中低立体视频监控系统及监控方法，通过将高点视频监控、视频监控球机等全部集成至一根立杆上，同时利用ai技术实现高点视频、球机之间的联动，实现水库全景监控、安防监控、精准监控。
附图说明
30.图1是本发明实施例中基于ai技术的水库高中低立体视频监控系统结构示意图。
具体实施方式
31.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便
于描述，附图中仅出示了与本发明相关的部分而非全部结构。
32.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
33.本发明实施例针对一种基于ai技术的水库高中低立体视频监控系统及监控方法，提供了如下实施例：
34.基于本发明的实施例1
35.如图1所示，为本发明实施例1的一种基于ai技术的水库高中低立体视频监控系统100，所述系统100包括：
36.高点监控模块110，用于监管水库全景；
37.精准监控模块120，用于对水库水位、溢洪溢流水位监控的同时进行ai水位识别；
38.安防警戒模块130，分别与所述高点监控模块110、所述精准监控模块120连接，用于对水库和大坝运行状态以及人员行为态势进行监控告警；
39.其中，所述高点监控模块110、所述安防警戒模块130、所述精准监控模块120以高、中、低顺序依次集成在一个竖立地面的监控杆上，所述ai水位识别方法包括水尺识别模型的开发，基于深度学习技术，运用目标检测，多目标跟踪等技术，生成适合水利场景的水尺识别模型，流程如下：
40.数据收集：收集含有水尺目标的海量视频，所述视频包括气候条件、场景、光照以及不确定的环境干扰；
41.具体地，使用高清相机收集捕获含有水尺目标的海量视频，涵盖各种气候条件(晴天、阴天、雨天、雾天等)、各种场景(河流、湖泊、道路、涵洞等)、各种光照(强光、夜光、红外等)、各种干扰(波浪、倒影、遮挡、脏污等)，确保数据来源多样，覆盖各种场景。
42.数据处理：通过视频抽帧、案例挖掘从收集到的海量视频中采集训练数据，并对所述训练数据进行色域空间转换、噪声过滤、图像增强预处理，生成海量训练数据集；
43.具体地，通过视频抽帧、案例挖掘从视频收集模型需要的训练数据；经过色域空间转换、噪声过滤、图像增强等一系列预处理操作，生成涵盖各种场景的训练图片数据。
44.模型设计：建立基于cnn模型的水尺识别模型，具体地，使用cnn模型作为基础网络，设计水尺识别模型，同时支持水标尺的定位、识别等功能；
45.模型训练：使用大规模多机多卡训练平台，基于pytorch训练框架，利用模型并行和数据并行的训练策略训练水尺识别模型；
46.模型评估：基于水尺识别模型的准确度和水尺定位的精度，对水尺识别模型进行评估，确保水尺识别模型在各种场景和天气条件下的识别误差不超过阈值。
47.具体地，基于水尺识别的准确度(accuracy)、水尺定位的精度(map)，对水尺识别模型进行评估，确保模型在各种场景和天气条件下的识别误差不超过2cm；
48.优选地，所述ai水位识别方法还包括对所述水尺识别模型进行优化，具体为针对硬件资源种类和限制，运用模型蒸馏、量化、剪枝模型优化技术，在确保模型精度的前提下，生成满足精度和硬件约束的场景模型。
49.优选地，所述高点监控模块包括鹰眼视频摄像头和视频监控球机，当鹰眼视频摄像头捕捉到异常情况时，利用视频监控球机内置云平台联动视频监控球机自动调整角度，实现定位监控。
50.优选地，所述数据处理中所述图像增强预处理包括图像变换和gan生成。
51.具体地，经过图片翻转、缩放、平移等图像变换、gan生成等数据增强方法，生成海量的水位识别模型训练数据集。
52.基于本发明的实施例2
53.本发明实施例2所提供的一种基于ai技术的水库高中低立体视频监控方法，所述方法包括：
54.利用高点监控模块监管水库全景；
55.利用精准监控模块对水库水位、溢洪溢流水位监控的同时进行ai水位识别；
56.利用安防警戒模块，对水库和大坝运行状态以及人员行为态势进行监控告警，所述安防警戒模块分别与所述高点监控模块、所述精准监控模块连接，其中，所述高点监控模块、所述安防警戒模块、所述精准监控模块集成在一个竖立地面的监控杆上，所述ai水位识别方法包括：
57.数据收集：收集含有水尺目标的海量视频，所述视频包括气候条件、场景、光照以及不确定的环境干扰；
58.数据处理：通过视频抽帧、案例挖掘从收集到的海量视频中采集训练数据，并对所述训练数据进行色域空间转换、噪声过滤、图像增强预处理，生成海量训练数据集；
59.模型设计：建立基于cnn模型的水尺识别模型；
60.模型训练：使用大规模多机多卡训练平台，基于pytorch训练框架，利用模型并行和数据并行的训练策略训练水尺识别模型；
61.模型评估：基于水尺识别模型的准确度和水尺定位的精度，对水尺识别模型进行评估，确保水尺识别模型在各种场景和天气条件下的识别误差不超过阈值。
62.进一步地，所述ai水位识别方法还包括对所述水尺识别模型进行优化，具体为针对硬件资源种类和限制，运用模型蒸馏、量化、剪枝模型优化技术，在确保模型精度的前提下，生成满足精度和硬件约束的场景模型。
63.进一步地，所述高点监控模块包括鹰眼视频摄像头和视频监控球机，当鹰眼视频摄像头捕捉到异常情况时，利用视频监控球机内置云平台联动视频监控球机自动调整角度，实现定位监控。
64.进一步地，所述数据处理中所述图像增强预处理包括图像变换和gan生成。
65.一种基于ai技术的水库高中低立体视频监控方法可以基于实施例1中提供的一种基于ai技术的水库高中低立体视频监控系统100，因此，一种基于ai技术的水库高中低立体视频监控方法的具体工作过程参照上述基于ai技术的水库高中低立体视频监控系统实施例1的描述，不再赘述。
66.综合上述各实施例提供的基于ai技术的水库高中低立体视频监控系统及监控方法，通过将高点视频监控、视频监控球机等全部集成至一根立杆上，同时利用ai技术实现高点视频、球机之间的联动，实现水库全景监控、安防监控、精准监控。
67.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，
本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。