CN117516487A - 一种中小河流视频流量测验方法 - Google Patents
一种中小河流视频流量测验方法 Download PDFInfo
- Publication number
- CN117516487A CN117516487A CN202410015793.8A CN202410015793A CN117516487A CN 117516487 A CN117516487 A CN 117516487A CN 202410015793 A CN202410015793 A CN 202410015793A CN 117516487 A CN117516487 A CN 117516487A
- Authority
- CN
- China
- Prior art keywords
- river
- data
- section
- reach
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010998 test method Methods 0.000 title claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 311
- 238000009826 distribution Methods 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 91
- 230000033001 locomotion Effects 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims description 80
- 238000004458 analytical method Methods 0.000 claims description 66
- 208000034699 Vitreous floaters Diseases 0.000 claims description 56
- 238000012876 topography Methods 0.000 claims description 38
- 239000002689 soil Substances 0.000 claims description 30
- 238000005286 illumination Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000007667 floating Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 230000004297 night vision Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000004568 cement Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 24
- 238000012544 monitoring process Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 22
- 238000007726 management method Methods 0.000 description 18
- 230000004438 eyesight Effects 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 8
- 238000007619 statistical method Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- -1 compactness Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000326 densiometry Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
- G01C13/006—Measuring the movement of open water horizontal movement
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及水文测验技术领域,尤其涉及一种中小河流视频流量测验方法。所述方法包括以下步骤:对目标河段视场范围进行基线标识,从而获取基线标识数据;对目标河段进行河流水体运动实时拍摄,从而获取河段实时状态视频数据;根据基线标识数据对河段实时状态视频数据中目标河段进行虚拟横断面标尺线标注,从而获取标注河段实时状态视频数据;根据标注河段实时状态视频数据对目标河段进行断面横向流速分布计算,从而获取断面横向分布流速数据;根据标注河流实时状态视频数据以及断面横向分布流速数据对目标河段进行断面和流量计算,从而获取目标河段断面和流量数据。本发明无需复杂的设备安装和投资,提高了测验的便捷性。
Description
技术领域
本发明涉及水文测验技术领域,尤其涉及一种中小河流视频流量测验方法。
背景技术
水文应急测验一般具有突然性、高危险性和测验困难性等特点,同时社会关注度高、社会影响大。抢险救灾、应急处置突发公共水事件需要及时获取事发地水情信息,水文测验人员需要克服众多未知困难,千方百计获取现场水位、雨量、流量、流速、水深、蓄水量、水温、水面宽等水情信息,为应急处置、科学应对提供支撑。
近年来,为破解水文应急测验、超标准洪水测验难题,国内广泛开展各种形式的非接触式水文监测,视频流速监测、雷达波表面流速监测逐步开展比测试验。但视频流速监测难以用于应急监测。一是国内厂家、大学院校各型视频流量监测系统组成复杂、安装难度大,不适于应急。二是设备投资相对较高、成熟产品少,适用条件有限,投产应用少。适于应急流速监测手持式雷达枪,测量距离短,标称测量距离30米,实际测量距离超过20米后,雷达信号变弱,测速数据不稳定,可靠性降低。测验人员有时冒着生命危险接近咆哮洪水测速。
发明内容
基于此,本发明有必要提供一种中小河流视频流量测验方法,以解决至少一个上述技术问题。
为实现上述目的,一种中小河流视频流量测验方法,包括以下步骤:
步骤S1:对目标河段视场范围进行基线标识,从而获取基线标识数据;对目标河段进行河流水体运动实时拍摄,从而获取河段实时状态视频数据;
步骤S2:根据基线标识数据对河段实时状态视频数据中目标河段进行虚拟横断面标尺线标注,从而获取标注河段实时状态视频数据;根据标注河段实时状态视频数据对目标河段进行断面横向流速分布计算,从而获取断面横向分布流速数据;
步骤S3:根据标注河流实时状态视频数据以及断面横向分布流速数据对目标河段进行断面和流量计算,从而获取目标河段断面和流量数据;
步骤S4:基于基线标识数据对目标河段进行大断面面积计算,从而获取大断面面积数据;基于大断面面积数据以及标注河段实时状态视频数据对目标河段进行断面横向分布式水深计算,从而获取河段断面水深分布数据;
步骤S5:对目标河段所在区域进行局部降雨量估计,从而获取地区降雨量估计数据;根据断面横向分布流速数据、目标河段断面和流量数据、河段断面水深分布数据以及地区降雨量估计数据按照预设的报告模板生成河流水文分析报告。
本发明通过基线标识数据提供了一个参考线,用于后续测量和分析。它可以确定测量位置和距离,从而提高测量结果的准确性和可重复性。基线标识还可以用于校准相机的视场范围和角度,确保获取到的实时状态视频数据与实际河段相对应,还可以用于后续步骤进行虚拟计算断面标注。实时视频拍摄可以提供目标河段的真实情况,包括水流速度、水面形态等信息。通过视频数据,可以实时观察河流的变化,及时监测水位的升降、洪水的形成等。视频数据可以提供直观的视觉信息,帮助水文测验人员更好地了解河流的情况。实时状态视频数据为水文测验人员提供了一种非接触式监测手段,减少了他们接近危险水域的风险,并且可以实时获取水流状态,有助于及时应对突发水事件。虚拟横断面标尺线的标注使得河段实时状态视频数据中的目标河段与实际横断面相对应。通过标注线,水文测验人员可以准确地测量和计算河流中的各个位置的参数,例如流速和流量。标注河段实时状态视频数据和断面横向分布流速数据为水文测验人员提供了详细的水流信息,有助于了解水流的分布情况和特征,为应急处置、科学应对和抢险救灾提供支撑。断面横向流速分布的计算提供了河流不同位置的流速数据。通过了解流速的分布情况,可以揭示河流横向流速变化的趋势和特点,例如河道中心流速较快、河岸流速较慢等。横向流速分布数据可以帮助确定河流中的水流速度差异,提供重要的水动力学参数,对水文预测和防洪减灾具有重要意义。断面和流量的计算可以确定在特定横断面上的水流量。通过结合流速数据和横截面面积,可以准确计算河流的流量,提供了河流水量的重要指标。目标河段断面和流量数据提供了河流水量的具体数值,对水资源管理和水文预测具有重要意义。断面和流量数据还可以用于洪水预警和防洪减灾工作。通过监测河流断面的水流量变化,可以及时发现和预测洪水的发生和演变趋势,提前采取相应的措施,减少洪灾的危害。大断面面积的计算提供了目标河段在横向上的断面面积信息,为后续水深计算提供了基础。大断面面积是指河流在横向方向上的断面截面积,通过计算大断面面积可以了解河流横向的水体容积。大断面面积的计算结果可以用于水文模型的建立和参数校准,以及水资源管理中的水量平衡计算和水质模拟等方面。河段断面水深分布数据指的是河流在横向方向上的不同位置上的水深情况。通过河段断面水深分布数据,可以了解河流在横向上的水深变化规律,包括深水区、浅水区和水深梯度等信息。河段断面水深分布数据的获取可以帮助水文测验人员全面了解河流的水深情况,包括水深分布的空间变化和水深的最大值、最小值等信息。河段断面水深分布数据对于洪水预警、水资源管理和水环境保护等方面具有重要意义。通过对目标河段所在区域进行局部降雨量估计,可以获取该区域的降雨量信息。这些降雨量数据对于水文分析非常重要,可以用于分析洪水形成机制、评估洪水量、推断径流过程等。通过按照预设的报告模板生成水文分析报告,可以确保报告的格式和内容的一致性和规范性。统一的报告格式和内容便于水文测验人员之间的沟通和交流,也方便决策者理解和使用报告中的分析结果。相比传统的水文测验方法,该方法采用非接触式的视频监测技术,避免了测验人员冒着生命危险接近咆哮洪水进行测速的情况。同时,使用手持式拍摄设备或遥控类拍摄设备进行实时拍摄,无需复杂的设备安装和投资,提高了测验的便捷性。本发明相较于传统的视频流量监测系统,该方法的设备投资相对较低,适用条件更广泛,且成熟产品较少,从而提供了一种更经济高效的方案,可在更多的中小河流应急测验和超标准洪水测验中应用。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的中小河流视频流量测验方法的步骤流程示意图。
图2示出了一实施例的步骤S158的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图2,本发明提供了一种中小河流视频流量测验方法,包括以下步骤:
步骤S1:对目标河段视场范围进行基线标识,从而获取基线标识数据;对目标河段进行河流水体运动实时拍摄,从而获取河段实时状态视频数据;
具体地,例如,可以针对目标河段,选择视场范围内的合适位置,确定基线标识的位置。基线标识可以是人工设置的参考标志物或地物,例如固定的浮标、标杆或桥梁等。在基线标识位置上安装传感器设备或使用全球定位系统(GPS)等定位技术,记录基线标识的准确位置信息。可以使用激光测距仪、测绳等工具辅助测量。进行河流水体的实时拍摄,可以使用摄像机、摄像头或者便携式无人机等设备。确保拍摄的视频可以清晰地捕捉到目标河段的水体运动情况。将实时拍摄的视频数据保存为视频文件或流媒体数据,以备后续处理和分析。
步骤S2:根据基线标识数据对河段实时状态视频数据中目标河段进行虚拟横断面标尺线标注,从而获取标注河段实时状态视频数据;根据标注河段实时状态视频数据对目标河段进行断面横向流速分布计算,从而获取断面横向分布流速数据;
具体地,例如,可以使用计算机视觉技术或图像处理软件,根据基线标识数据在实时状态视频数据中标注出目标河段的虚拟横断面标尺线。这些标尺线可以是垂直于河流方向的线段,用于测量河流中的物理量。对标注的实时状态视频数据进行处理,提取出与虚拟横断面标尺线对应的河流横截面图像。对横截面图像进行图像处理和分析,提取出河段横向流速分布的特征。可以使用计算机视觉技术或图像分析算法,如光流法、特征点跟踪或密度分析等方法。根据流速特征,计算出目标河段的断面横向流速分布数据。可以使用流速计算公式,结合测得的流速特征和标尺线的空间位置信息,进行流速计算。
步骤S3:根据标注河流实时状态视频数据以及断面横向分布流速数据对目标河段进行断面和流量计算,从而获取目标河段断面和流量数据;
具体地,例如,可以利用标注的实时状态视频数据,确定目标河段的断面几何形状,例如宽度和深度分布。可以通过计算机视觉技术或手动测量的方法获取断面形状数据。将断面横向分布流速数据与断面几何形状数据结合,计算目标横截面上的局部流量。可以使用流量计算公式,如流速乘以横截面面积,来计算各个位置上的局部流量。将目标横截面上的局部流量累加求和,得到目标河段的断面和流量。可以根据需要选择离散求和或积分求和的方法,以获得更准确的结果。
步骤S4:基于基线标识数据对目标河段进行大断面面积计算,从而获取大断面面积数据;基于大断面面积数据以及标注河段实时状态视频数据对目标河段进行断面横向分布式水深计算,从而获取河段断面水深分布数据;
具体地,例如,可以使用基线标识数据确定目标河段的断面几何形状。根据断面几何形状,计算目标断面的横截面面积。可以使用几何计算方法,如梯形面积计算公式或边界点连接方法,从而得到整个目标河段的大断面面积。根据标注的河段实时状态视频数据,确定目标断面的横截面形状和水面高程。可以使用计算机视觉技术或手动测量的方法获取断面形状和水面高程数据。结合大断面面积数据和目标断面的横截面形状,计算出目标断面的平均水深。水深可以通过将横截面面积除以横截面宽度来计算。
步骤S5:对目标河段所在区域进行局部降雨量估计,从而获取地区降雨量估计数据;根据断面横向分布流速数据、目标河段断面和流量数据、河段断面水深分布数据以及地区降雨量估计数据按照预设的报告模板生成河流水文分析报告。
具体地,例如,可以收集目标河段所在区域的气象数据,包括降雨量观测站点的数据、气象雷达数据或卫星遥感数据等。根据收集的气象数据,利用降雨插值方法对目标河段所在区域进行局部降雨量估计。常用的方法包括克里金插值、反距离加权插值等。或利用降雨起始时间数据、河流视频拍摄截止时间数据和断面水深增量数据,可以确定降雨事件发生的时段和区域。根据降雨时段内的断面横向分布流速数据和目标河段断面和流量数据,结合地理信息系统(GIS)技术和数值模型,进行局部降雨量的估计。可以使用降雨径流模型、水文模型或机器学习算法来实现估计过程。。利用断面横向分布流速数据、目标河段断面和流量数据、河段断面水深分布数据以及地区降雨量估计数据,进行水文分析。可以使用水文模型或数值计算方法,如一维水动力模型、水文模拟软件等。根据水文分析结果,按照预设的报告模板,生成河流水文分析报告。报告可以包括目标河段的水位变化曲线、流量变化曲线、水深分布图、降雨-径流过程图等。
本发明通过基线标识数据提供了一个参考线,用于后续测量和分析。它可以确定测量位置和距离,从而提高测量结果的准确性和可重复性。基线标识还可以用于校准相机的视场范围和角度,确保获取到的实时状态视频数据与实际河段相对应。实时视频拍摄可以提供目标河段的真实情况,包括水流速度、水面形态等信息。通过视频数据,可以实时观察河流的变化,及时监测水位的升降、洪水的形成等。视频数据可以提供直观的视觉信息,帮助水文测验人员更好地了解河流的情况。实时状态视频数据为水文测验人员提供了一种非接触式监测手段,减少了他们接近危险水域的风险,并且可以实时获取水流状态,有助于及时应对突发水事件。虚拟横断面标尺线的标注使得河段实时状态视频数据中的目标河段与实际横断面相对应。通过标注线,水文测验人员可以准确地测量和计算河流中的各个位置的参数,例如流速和流量。标注河段实时状态视频数据和断面横向分布流速数据为水文测验人员提供了详细的水流信息,有助于了解水流的分布情况和特征,为应急处置、科学应对和抢险救灾提供支撑。断面横向流速分布的计算提供了河流不同位置的流速数据。通过了解流速的分布情况,可以揭示河流横向流速变化的趋势和特点,例如河道中心流速较快、河岸流速较慢等。横向流速分布数据可以帮助确定河流中的水流速度差异,提供重要的水动力学参数,对水文预测和防洪减灾具有重要意义。断面和流量的计算可以确定在特定横断面上的水流量。通过结合流速数据和横截面面积,可以准确计算河流的流量,提供了河流水量的重要指标。目标河段断面和流量数据提供了河流水量的具体数值,对水资源管理和水文预测具有重要意义。断面和流量数据还可以用于洪水预警和防洪减灾工作。通过监测河流断面的水流量变化,可以及时发现和预测洪水的发生和演变趋势,提前采取相应的措施,减少洪灾的危害。大断面面积的计算提供了目标河段在横向上的断面面积信息,为后续水深计算提供了基础。大断面面积是指河流在横向方向上的断面截面积,通过计算大断面面积可以了解河流横向的水体容积。大断面面积的计算结果可以用于水文模型的建立和参数校准,以及水资源管理中的水量平衡计算和水质模拟等方面。河段断面水深分布数据指的是河流在横向方向上的不同位置上的水深情况。通过河段断面水深分布数据,可以了解河流在横向上的水深变化规律,包括深水区、浅水区和水深梯度等信息。河段断面水深分布数据的获取可以帮助水文测验人员全面了解河流的水深情况,包括水深分布的空间变化和水深的最大值、最小值等信息。河段断面水深分布数据对于洪水预警、水资源管理和水环境保护等方面具有重要意义。通过对目标河段所在区域进行局部降雨量估计,可以获取该区域的降雨量信息。这些降雨量数据对于水文分析非常重要,可以用于分析洪水形成机制、评估洪水量、推断径流过程等。通过按照预设的报告模板生成水文分析报告,可以确保报告的格式和内容的一致性和规范性。统一的报告格式和内容便于水文测验人员之间的沟通和交流,也方便决策者理解和使用报告中的分析结果。相比传统的水文测验方法,该方法采用非接触式的视频监测技术,避免了测验人员冒着生命危险接近咆哮洪水进行测速的情况。同时,使用手持式拍摄设备或遥控类拍摄设备进行实时拍摄,无需复杂的设备安装和投资,提高了测验的便捷性。本发明相较于传统的视频流量监测系统,该方法的设备投资相对较低,适用条件更广泛,且成熟产品较少,从而提供了一种更经济高效的方案,可在更多的中小河流应急测验和超标准洪水测验中应用。
优选地,步骤S1包括以下步骤:
步骤S11:对目标河段视场范围进行基线标识,从而获取基线标识数据;
具体地,例如,可以在目标河段上游选择两个明显可识别的地标物,例如两个建筑物、桥梁柱子或突出的地物。确保这两个地标物在视场范围内,并且距离目标河段较近。使用测量工具,例如测量带、测距仪或测量轮,测量这两个地标物之间的水平距离。确保测量结果的准确性和精度。在地标物上标记测量的起点和终点位置。可以使用临时标记物、涂漆或其他可视化标记方法进行标记。使用测量工具测量地标物到目标河段的垂直距离,即高程差。可以使用水平仪、水准仪或高程仪等工具进行测量。记录测量的水平距离和垂直距离数据。这些数据将作为基线标识数据,在后续的测量和分析中使用。
步骤S12:对目标河段进行俯视航拍图像采集,从而获取河段全貌图像;分别对目标河段的左岸以及右岸进行深度成像拍摄,从而获取河流左岸深度图像以及河流右岸深度图像;
具体地,例如,可以使用航拍无人机装备高分辨率相机,对目标河段进行俯视航拍图像采集。通过设定航线和飞行高度,全景拍摄目标河段的照片,以获取河段全貌图像。此外,使用多波束测深仪或声纳设备,沿着目标河段的左岸和右岸分别进行船载深度成像拍摄。通过测量水面到河床的距离,获取河流左岸深度图像和河流右岸深度图像。这些图像提供了目标河段的全貌视图以及河岸地形的细节信息。
步骤S13:根据河段全貌图像、河流左岸深度图像以及河流右岸深度图像对目标河段进行河岸地形识别,从而获取河段河岸地形数据;
具体地,例如,可以使用计算机视觉技术对河段全貌图像进行分析和识别。可以使用图像分割算法,如基于像素颜色或纹理的分割方法,将图像分割成河流和河岸两个部分。对河流左岸深度图像和河流右岸深度图像进行处理。可以使用图像处理算法,如边缘检测算法或深度图像分析算法,从中提取出河岸的轮廓和地形信息。将河段全貌图像和河岸地形信息进行融合。可以使用图像配准算法将两者对齐,然后结合河岸的地形信息,得到完整的河段地形数据。
步骤S14:根据河段河岸地形数据对目标河段进行拍摄设备选择,从而获取拍摄设备类型数据;
具体地,例如,可以对河岸地形数据进行分析。根据河岸的高度、倾斜度、曲率等信息,评估需要进行进一步拍摄的区域和角度。根据需要进行地面拍摄或者空中拍摄的情况,选择合适的拍摄设备类型。如果需要对地面进行拍摄,可以选择相机、摄像机或激光扫描仪等设备。如果需要进行空中拍摄,可以选择无人机,并根据需要搭载相应的传感器或摄像设备。根据拍摄设备的技术要求和参数,确定所需的设备型号和规格。考虑到拍摄设备的分辨率、焦距、视场角等因素,并结合目标河段的特点,选择最适合的设备类型。获取拍摄设备类型数据。记录所选择的拍摄设备类型、型号和规格等相关信息,以便后续的拍摄任务和设备配置。
步骤S15:根据拍摄设备类型数据利用相应拍摄设备对目标河段进行河流水体运动实时拍摄,从而获取河流实时状态视频数据。
具体地,例如,可以根据拍摄设备类型数据,选择合适的设备进行实时视频拍摄。例如,可以选择装备有高分辨率摄像头和稳定器的无人机,以实时记录目标河段的水体运动情况。针对所选设备的特点和要求,设置合适的参数。根据需要调整拍摄设备的位置、角度、高度和帧率等参数,以获得清晰且稳定的实时视频数据。进行河流水体运动实时视频拍摄。通过控制设备的飞行或移动,实时拍摄目标河段的水体运动情况。确保设备的位置和角度能够涵盖感兴趣的区域,并保持视频的连续性和稳定性。将实时视频数据存储为河流实时状态视频数据。将拍摄到的视频数据保存到适当的存储介质中,如硬盘或云存储,以便后续处理和分析。
本发明通过对目标河段视场范围进行基线标识,基线标识是对目标河段视场范围进行标识和定义,通常通过地理坐标或其他参考标志物来确定。基线标识数据的获取可以提供目标河段视场范围的准确描述,为后续处理步骤的数据选择和分析提供基础。河段全貌图像可以提供目标河段的整体情况,包括河道宽度、河岸形态等信息,为后续的水文分析提供基础数据。河流左岸深度图像和河流右岸深度图像可以提供河岸地形的详细信息,包括岸线的起伏和河床的凹凸等特征,为河流水动力学模拟和水深计算提供依据。河段河岸地形数据对于中小河流的水文分析和水力学模拟具有重要意义,可以帮助了解河流的水动力特性和水资源分布情况。河段河岸地形数据还能够为水利工程规划、河道治理和防洪工作提供参考依据,有助于优化水资源利用和洪水防治措施。拍摄设备类型数据的选择可以根据河岸地形的不同特点,确定适合的拍摄设备类型,提高视频拍摄效果和数据准确性。合理选择拍摄设备类型能够确保视频数据的清晰度、稳定性和覆盖面积以及适应拍摄场景,降低拍摄人员拍摄时的遇险概率,为后续的水文测验和分析提供可靠的数据基础。通过实时视频拍摄,可以获取目标河段的实时状态信息,包括水流速度、水位变化等,为水文测验和洪水预警提供重要数据支持。河流实时状态视频数据能够提供直观的视觉信息,帮助水文测验人员更好地了解河流的动态变化和水动力特性。本发明能够提供准确、直观的数据支持,帮助了解河流的水动力特性、洪水风险评估和水资源分布情况,从而为相关决策和工程规划提供科学依据。本发明通过非接触式水文监测技术,如视频流速监测和雷达波表面流速监测,可以实时获取事发地水情信息,避免了传统测验的时间成本和人力资源消耗。采用非接触式监测技术,避免了人员直接接触危险水体,提高了测验的安全性,减少了人员伤亡风险。相对于传统测验方法,非接触式监测技术的应用可以降低测验的成本,减少设备投资和人力资源的消耗。
优选地,步骤S14包括以下步骤:
步骤S141:根据河流左岸深度图像以及河流右岸深度图像对目标河段进行拍摄河岸优选,从而获取拍摄河岸数据;
具体地,例如,可以使用深度传感器或激光扫描仪等设备对河流左岸和右岸进行扫描,以获取左岸深度图像和右岸深度图像。这些图像将提供河流岸线的高度和形状信息。对左岸深度图像和右岸深度图像进行处理,如去噪和平滑化等操作,以提高图像质量和准确性。根据深度图像的信息,利用计算机视觉技术或图像处理算法,对目标河段进行河岸优选。例如,可以提取河岸线的轮廓或边界,计算河岸线的几何特征,如曲率、斜率等,并根据预设的标准进行筛选和评估,选取合适的拍摄河岸。在河岸优选完成后,获取拍摄河岸数据。这些数据可以包括河岸线的坐标、几何形状、地貌特征等。
步骤S142:当河段河岸地形数据为原始泥土质河岸数据时,获取拍摄河岸数据相应的河岸泥土物理参数;根据拍摄河岸数据相应的河岸泥土物理参数以及拍摄河岸数据相应的河流岸深度图像对拍摄河岸进行智能坍塌风险计算,从而获取河岸泥土坡体安全系数;
具体地,例如,可以从目标河段的河岸区域采集一定数量的泥土样品。采集时可以使用钻孔工具或者手动挖掘的方式,确保样品代表性。将采集的泥土样品送往实验室进行物理性质测试。常见的测试包括颗粒分析、密度测定、含水率测试等。这些测试可以通过标准试验方法进行,以获取泥土的物理参数,如颗粒大小分布、孔隙比、黏性等。根据实验室测试结果,建立河岸泥土的物理参数模型。可以使用适当的数学模型或者统计方法,将实测数据转化为可用于坍塌风险计算的参数,如摩擦角、内摩擦角等。根据实验室测试结果,建立河岸泥土的物理参数模型。可以使用适当的数学模型或者统计方法,将实测数据转化为可用于坍塌风险计算的参数,如摩擦角、内摩擦角等。结合河岸泥土的物理参数和河流岸深度图像,应用坍塌风险计算方法。这可以包括基于数值模拟的方法,如有限元分析或者质量平衡法,对河岸泥土坡体进行力学建模和分析。在分析过程中,考虑河岸泥土的物理参数、岸深度图像以及其他相关参数,如水位、土壤湿度等,以评估河岸泥土坡体的稳定性。根据坍塌风险计算的结果,计算河岸泥土坡体的安全系数。安全系数表示河岸泥土坡体抗滑稳定性的程度,通过与预设的安全系数区间进行比较,判断河岸泥土坡体的稳定性状况。
步骤S143:当河岸泥土坡体安全系数低于预设的泥土坡体安全系数区间时,将可远程遥控拍类摄设备作为拍摄设备,从而获取拍摄设备类型数据;
具体地,例如,可以在进行河岸泥土坡体安全系数计算后,比较计算得到的安全系数与预设的安全系数区间。如果河岸泥土坡体的安全系数低于预设值,则触发远程遥控拍摄设备的使用。在远程遥控拍摄设备的选择方面,可以使用无人机作为拍摄设备。通过远程遥控,可以操控无人机的飞行路径和角度,以获取目标河段的拍摄数据。使用遥控设备操控无人机进行拍摄。通过遥控器或地面控制站,远程操作无人机飞行至目标河段,并进行拍摄。可以通过调整无人机的高度、角度和飞行速度等参数,以获得清晰且全面的拍摄数据。将远程遥控拍摄设备拍摄到的数据保存为拍摄设备类型数据。将无人机拍摄到的图像或视频数据保存到适当的存储介质中,以备后续处理和分析使用。
步骤S144:当河岸泥土坡体安全系数处于或高于预设的泥土坡体安全系数区间时,将便携式拍摄设备类作为拍摄设备,从而获取拍摄设备类型数据;
具体地,例如,可以根据坍塌风险计算结果,得到河岸泥土坡体的安全系数。假设预设的泥土坡体安全系数区间为0.6到1.0。将计算得到的安全系数与预设的安全系数区间进行比较。如果安全系数处于或高于预设的安全系数区间(即大于等于0.6),则执行下一步骤。根据需要进行拍摄的河岸地形和现场条件,选择合适的便携式拍摄设备。这可以包括便携式相机、智能手机等。根据拍摄要求,设置拍摄设备的参数,如分辨率、白平衡、曝光等。
步骤S145:当河段河岸地形数据为水泥板护岸斜坡数据时,将便携式拍摄设备类作为拍摄设备,从而获取拍摄设备类型数据。
具体地,例如,可以识别目标河段中存在的水泥板护岸斜坡区域。根据需要进行拍摄的水泥板护岸斜坡形态和现场条件,选择适合的便携式拍摄设备。可以考虑使用便携式相机、智能手机等设备。
本发明通过拍摄河岸数据可以提供目标河段河岸的详细信息,包括岸线形态、土壤类型等。这些数据对于水文测验和水力学模拟具有重要意义,可以帮助识别河岸的稳定性、溃岸风险等。通过对河岸进行优选拍摄,可以选择最具代表性和关键性的河岸部位,提高数据的代表性和可靠性。通过获取拍摄河岸数据相应的河岸泥土物理参数可以提供河岸土壤的基本特性,如密实度、含水量等。这些参数对于评估河岸的稳定性和抗冲蚀能力具有重要意义。通过智能坍塌风险计算,结合拍摄河岸数据和河流岸深度图像,可以评估河岸泥土坡体的安全系数。这有助于识别潜在的坡体坍塌风险,为拍摄场景的安全性和河岸治理提供科学依据。当河岸泥土坡体安全系数较低时,采用可远程遥控拍摄设备可以避免人员进入危险区域,确保拍摄作业的安全性。可远程遥控拍摄设备可以提供更高的拍摄视角和灵活性,能够覆盖更大范围的河岸区域,获取全面的拍摄数据。当河岸泥土坡体安全系数较高时,使用便携式拍摄设备可以更加方便快捷地进行拍摄作业。便携式拍摄设备具有灵活性和便携性,可以在不同位置和角度进行拍摄,获取更详细的河岸数据。当河岸地形为水泥板护岸斜坡时,使用便携式拍摄设备可以更好地适应斜坡表面的特殊情况,确保拍摄作业的顺利进行。便携式拍摄设备可以灵活操控,更容易在水泥板护岸斜坡上进行拍摄,获取准确的拍摄数据。通过获取拍摄设备类型数据,可以了解在不同类型的河岸地形下使用何种设备最为适宜,为未来的河岸勘测和监测提供经验和指导。本发明根据不同的河岸地形和安全系数,选择合适的拍摄设备类型,可以提高拍摄作业的效率和安全性,并为未来的勘测工作积累经验和数据。
优选地,步骤S15包括以下步骤:
步骤S151:获取实时网络时间数据;根据实时网络时间数据对目标河段所处区域进行环境光照条件推断,从而获取光照环境判别结果数据;
具体地,例如,可以通过与时间服务器进行通信或使用网络时间协议(NTP)等方式,获取当前的实时网络时间数据。根据实时网络时间数据,结合预先收集的环境光照数据和统计分析模型,推断目标河段所处区域的光照条件。这可以包括考虑地理位置、季节、天气等因素的影响。根据推断得到的光照条件,生成光照环境判别结果数据。例如,可以将光照环境分为明亮、阴影或暗淡等不同档位,用数字或标签表示。
步骤S152:当光照环境判别结果数据为高照度模式数据时,并当拍摄设备类型数据为可远程遥控拍摄设备类型数据时,根据河段全貌图像、河流左岸深度图像以及河流右岸深度图像对可远程遥控拍摄设备进行拍摄高度计算,从而获取第一拍摄高度数据;
具体地,例如,可以根据光照环境判别结果数据,判断是否为高照度模式数据。如果是高照度模式数据,则执行下一步骤。确认拍摄设备类型为可远程遥控拍摄设备。这种设备可以通过遥控器或者与计算机连接的控制软件进行远程操控和调整。利用河段全貌图像、河流左岸深度图像以及河流右岸深度图像,结合计算机视觉技术和图像处理算法,计算出适合的第一拍摄高度。这可以涉及高度估计、目标检测和场景分析等方法。将计算得到的第一拍摄高度数据记录下来,作为后续拍摄操作的参考值。
步骤S153:根据第一拍摄高度数据利用可远程遥控拍摄设备类型数据相应的拍摄设备对目标河段进行河流水体运动实时拍摄,从而获取河流实时状态视频数据;
具体地,例如,可以根据第一拍摄高度数据,通过遥控器或者与计算机连接的控制软件,将可远程遥控拍摄设备调整到适当的拍摄高度。使用可远程遥控拍摄设备对目标河段进行实时视频拍摄。通过遥控器或者控制软件,控制拍摄设备的运动、焦距、帧率等参数,以便获取清晰、稳定的视频数据。通过拍摄设备捕捉目标河段的水体运动情况,并实时记录为视频数据。这可以包括河流的流速、水位、波浪等变化。将实时拍摄得到的视频数据保存为河流实时状态视频数据。
步骤S154:对河流实时状态视频数据进行智能漂浮物检测,从而获取漂浮物检测结果数据;
具体地,例如,可以利用计算机视觉的目标检测算法,例如基于深度学习的目标检测方法(如YOLO、Faster R-CNN),对预处理后的视频帧进行漂浮物检测。这些算法可以自动识别和定位视频中的漂浮物目标。从视频帧中提取与漂浮物相关的特征,如颜色、纹理、形状等。可以使用传统的图像处理和计算机视觉技术,如颜色分割、纹理分析、边缘检测等方法。根据漂浮物检测算法的输出,获取漂浮物检测结果数据。这些数据可以包括漂浮物的位置、边界框、类别标签等信息。
步骤S155:当漂浮物检测结果数据为存在漂浮物数据时,对河流实时状态视频数据进行漂浮物分割识别与尺寸测量,从而获取漂浮物大小参数;
具体地,例如,可以利用图像分割算法,如基于阈值、基于区域生长、基于边缘的分割方法,将漂浮物目标从背景中分离出来。这可以帮助获取漂浮物的准确轮廓。对分割后的漂浮物目标进行识别和分类,根据漂浮物的特征和上下文信息,判断漂浮物的类型或类别。根据漂浮物的分割结果,计算漂浮物目标的面积、周长等尺寸参数。这可以通过计算目标轮廓的像素数量或使用物理测量单位进行实现。根据已知的摄像头参数、距离估计方法以及漂浮物在图像中的尺寸,可以估计出漂浮物的实际尺寸。
步骤S156:将漂浮物大小参数与预设的漂浮物尺寸区间进行比较;当漂浮物大小参数处于或大于预设的漂浮物尺寸区间时,保留河流实时状态视频数据;
具体地,例如,可以根据具体需求和应用场景,事先设定一个漂浮物尺寸的区间范围。这个区间可以根据漂浮物的种类、大小、形状等因素进行设定。将漂浮物的大小参数与预设的漂浮物尺寸区间进行比较,判断漂浮物是否处于或大于预设的尺寸区间。如果漂浮物的大小参数符合或大于预设的尺寸区间,即漂浮物的尺寸超出了预期的范围,保留河流实时状态视频数据,将河流实时状态视频数据作为水文数据计算的基础。
步骤S157:当漂浮物检测结果数据为不存在漂浮物数据或漂浮物大小参数小于预设的漂浮物尺寸区间时,对目标河段进行浮标投放,并对目标河段进行河流水体运动重新拍摄作业,从而获取河流实时状态视频数据;
具体地,例如,可以在目标河段中投放浮标,浮标可以通过选择具有高可见性的材料和颜色,以便在视频中容易检测和识别。投放浮标的位置应该覆盖目标河段的关键区域。然后对目标河段进行重新拍摄作业。
步骤S158:当拍摄设备类型数据为便携式拍摄设备类型数据时,利用便携式拍摄设备类型数据相应的拍摄设备对目标河段进行河流水体运动实时拍摄,从而获取河流实时状态视频数据;
具体地,例如,可以选择适合于便携式拍摄的设备,例如便携式摄像机、智能手机等。这些设备应具备高清晰度、稳定性和易于携带的特点。使用所选的便携式拍摄设备对目标河段进行实时视频拍摄。可以通过手持拍摄或固定在合适位置进行拍摄。或条件允许的情况下,将拍摄的实时视频数据传输到中央处理单元或数据存储设备,以获取河流实时状态视频数据。
步骤S159:当光照环境判别结果数据为低照度模式数据时,将步骤S143和步骤S148的拍摄设备都切换为红外夜视摄像模式进行拍摄作业。
具体地,例如,可以根据光照环境判别的结果,在低照度环境下,使用具备红外夜视功能的摄像设备进行拍摄。红外夜视摄像设备可以通过红外光源发射红外光并捕捉反射的红外光来实现对低照度环境下的拍摄。将使用红外夜视模式拍摄的实时视频数据传输到中央处理单元或数据存储设备,以获取河流实时状态视频数据。
本发明通过实时网络时间数据可以提供准确的时间信息,确保后续处理步骤与实际环境同步。通过对实时网络时间数据进行分析,可以推断目标河段所处区域的光照条件,如白天、黄昏或夜晚等。这有助于确定拍摄设备所需的适当设置和参数,确保获取清晰准确的河流视频数据。在高照度光照环境下,使用可远程遥控拍摄设备可以更好地适应光照强度较高的情况,确保拍摄作业的质量。通过根据河段全貌图像和河流两岸深度图像计算拍摄高度,可以确定合适的角度和视野范围,确保拍摄到全面、清晰的河流水体运动实时视频数据。通过利用可远程遥控拍摄设备进行河流水体运动实时视频拍摄可以获取高质量的河流实时状态视频数据。实时视频数据能够反映河流的动态变化,提供直观的信息,有助于对河流水体运动特征和漂浮物等进行分析和监测。通过智能漂浮物检测可以自动识别和提取河流实时视频中的漂浮物信息,减少人工干预和分析的工作量。漂浮物检测结果数据提供了漂浮物的位置、数量和运动轨迹等信息,为后续的漂浮物分析和处理提供基础。漂浮物分割识别与尺寸测量能够进一步提取和量化漂浮物的形状、大小和数量等关键信息。漂浮物大小参数提供了漂浮物的尺寸特征,这对于评估漂浮物的类型、来源和潜在影响具有重要意义。通过将漂浮物大小参数与预设的漂浮物尺寸区间进行比较,可以及时判断目标河段中是否存在过大的漂浮物。当漂浮物大小参数处于或大于预设的漂浮物尺寸区间时,保留河流实时状态视频数据。当漂浮物检测结果数据为不存在漂浮物数据或漂浮物大小参数较小时,说明目标河段没有明显的漂浮物或漂浮物较小,可以继续进行拍摄作业。浮标投放可以提供参考点或标记,有助于定位和追踪河流水体运动,确保拍摄到更全面、准确的河流实时状态视频数据。通过使用便携式拍摄设备可以灵活地适应各种环境和场景,方便实时视频拍摄作业的进行。便携式拍摄设备通常具有小巧轻便的特点,易于携带和操作,能够提供高质量的河流实时状态视频数据。在低照度环境下,通过将拍摄设备切换为红外夜视摄像模式,可以提供更好的图像清晰度和可视范围。红外夜视摄像模式可以有效地捕捉和显示低光条件下的细节,提供适合分析和监测的河流实时状态视频数据。
优选地,步骤S158包括以下步骤:
步骤S1581:当拍摄设备类型数据为便携式拍摄设备类型数据时,根据拍摄河岸数据对相应的河岸进行立体视角数字图像采集,从而获取拍摄河岸三维视图图像;
具体地,例如,可以当拍摄设备类型数据为便携式拍摄设备类型数据时,选择适合于便携式拍摄的设备,例如便携式摄像机、智能手机等。这些设备应具备高清晰度、稳定性和易于携带的特点。选择合适的位置站在河岸附近,以获取河岸的立体视角。可以选择多个拍摄点以覆盖整个河岸区域。调整拍摄设备的参数和设置,例如焦距、曝光等,以获得清晰、准确的图像。使用所选的便携式拍摄设备对河岸进行连续拍摄,以获取河岸的多个角度和视角。可以通过手持拍摄或使用三脚架等辅助设备来稳定拍摄。使用所选的便携式拍摄设备对河岸进行连续拍摄,以获取河岸的多个角度和视角。可以通过手持拍摄或使用三脚架等辅助设备来稳定拍摄。
步骤S1582:根据拍摄河岸三维视图图像对拍摄河岸进行河岸坡度计算,从而获取拍摄河岸坡度数据;
具体地,例如,可以使用计算机视觉技术和图像处理算法,从拍摄的河岸三维视图图像中提取河岸的特征点或特征线,如岸线边缘、地面点等。根据提取的特征点或特征线,使用几何计算方法或拟合算法,计算河岸的坡度。可以通过计算特征点的高度差、特征线的斜率等来估计河岸的坡度。
步骤S1583:根据河段全貌图像对目标河段进行断面河宽像素统计,从而获取断面河宽像素参数;
具体地,例如,可以使用图像处理算法和计算机视觉技术,对河段全貌图像进行分析和处理。一种常见的方法是通过边缘检测算法(如Canny算子)提取河岸的边缘信息,并根据边缘的像素数目估计断面河宽。根据断面河宽像素计算的结果,得到断面河宽的像素参数。
步骤S1584:按照预设的实地距离与图像像素转换比例对断面河宽像素参数进行河宽真实比例还原,从而获取断面实际横向宽度数据;
具体地,例如,可以在实施前,根据拍摄设备、镜头规格和实地测量等因素,预设一个实地距离与图像像素之间的转换比例。这可以通过进行实地测量和图像分析来确定,例如在已知距离下测量图像中的像素距离,然后计算转换比例。根据预设的实地距离与图像像素转换比例,将断面河宽像素参数转换为实际横向宽度数据。通过乘以转换比例,可以将像素值映射到实际距离。
步骤S1585:基于河岸坡度数据以及断面实际横向宽度数据进行便携式拍摄设备拍摄高度计算,从而获取第二拍摄高度数据;
具体地,例如,可以根据河岸坡度和断面实际横向宽度数据,使用几何计算方法或拟合算法计算拍摄的高度。这可以基于所需的视角、河流几何形状和安全性考虑等因素进行计算。将计算得的拍摄高度作为第二拍摄高度数据。
步骤S1586:根据第二拍摄高度数据利用便携式拍摄设备类型数据相应的拍摄设备对目标河段进行河流水体运动实时拍摄,从而获取河流实时状态视频数据。
具体地,例如,可以将第二拍摄高度数据输入到便携式拍摄设备或控制系统中,以用于控制拍摄设备的高度。选择适合的便携式拍摄设备,如摄像机或智能手机,并设置其参数和配置,如帧率、分辨率、焦距等。根据第二拍摄高度数据和预设的拍摄设置,使用便携式拍摄设备对目标河段进行实时视频拍摄。可以通过手持拍摄或使用支架或无人机等辅助设备来稳定拍摄。
本发明通过采集拍摄河岸的立体视角数字图像,可以获取河岸的三维视图图像,提供河岸的详细形态和地貌信息。拍摄河岸三维视图图像可以用于后续的河岸坡度计算,为拍摄设备高度的确定提供基础数据。通过计算拍摄河岸的坡度,可以了解河岸的倾斜程度,提供河岸的地势信息。河岸坡度数据对于拍摄设备的高度计算具有重要意义,有助于确定合适的拍摄角度和视野范围,确保拍摄到完整、准确的河流水体运动实时视频数据。通过对河段全貌图像进行断面河宽像素统计,可以获得河流断面在图像中的宽度信息。断面河宽像素参数为后续的河宽真实比例还原和拍摄设备高度计算提供关键数据,有助于确定拍摄设备的位置和角度,确保拍摄到具有准确比例的河流实时状态视频数据。通过断面河宽像素参数的真实比例还原,可以将图像中的断面河宽转换为实际断面横向宽度数据。断面实际横向宽度数据提供了河流的实际尺寸信息,为后续拍摄设备高度计算和拍摄作业的安排提供了重要依据,确保拍摄到具有准确比例的河流实时状态视频数据。结合河岸坡度数据和断面实际横向宽度数据,可以计算出适合的拍摄设备高度,确保拍摄到具有良好视野和角度的河流实时状态视频数据。第二拍摄高度数据提供了拍摄设备的高度参考值,有助于调整拍摄设备的位置和角度。通过利用第二拍摄高度数据确定的拍摄设备高度,可以进行针对目标河段的实时视频拍摄。河流实时状态视频数据提供了河流水体运动的真实记录,包括水流的速度、流向、波动等信息。这些数据对于河流的监测、分析和研究具有重要意义,可以用于水资源管理、水环境保护、洪水预警等领域,为相关决策和研究提供有力支持。
优选地,步骤S2包括以下步骤:
步骤S21:根据基线标识数据对河段实时状态视频数据中目标河段进行虚拟横断面标尺线标注,从而获取标注河段实时状态视频数据;
具体地,例如,可以使用视频编辑软件或计算机视觉工具,加载实时状态视频数据。根据基线标识数据,确定目标河段在视频中的位置和范围。在视频中的目标河段位置上添加虚拟横断面标尺线。这可以通过视频编辑软件中的标注工具或计算机视觉算法实现。标注横断面标尺线时,需要根据基线标识数据中的水平距离和垂直距离进行比例缩放和定位,以确保标尺线在视频中的位置和尺度准确。
步骤S22:对标注河段实时状态视频数据进行光流追踪多帧分解,从而获取河段水体运动序列帧图像集;
具体地,例如,可以选择适合的光流计算方法,如基于区域的光流、基于特征点的光流(如Lucas-Kanade方法)或基于深度学习的光流方法(如FlowNet)等。这些方法可以通过计算相邻帧之间的像素位移来估计水体的运动。将河流实时状态视频数据分解为多个连续的帧图像,通常选择相邻帧之间的时间间隔适度,以便有效估计水体的运动。对每一对相邻帧应用选择的光流计算方法,计算像素位移并将其可视化为水体运动序列帧图像。这些图像将显示水体在连续帧之间的位移和运动方向。
步骤S23:按照预设的清晰度过滤阈值对河段水体运动序列帧图像集进行筛选过滤,从而获取清晰水体运动特征图像集;
具体地,例如,可以在实施前,根据应用需求和图像质量要求,预设一个清晰度过滤阈值。该阈值可以基于图像清晰度评估方法(如图像锐度、对比度、模糊度等)确定。使用适当的图像清晰度评估算法对水体运动序列帧图像进行清晰度计算,例如基于梯度的锐度算法或频域方法(如傅里叶变换)。根据预设的清晰度过滤阈值,对水体运动序列帧图像进行筛选过滤,将满足清晰度要求的图像保留下来。
步骤S24:对清晰水体运动特征图像集中每一帧图像进行漂浮物或浮标质心识别并标注,从而获取含质心标注的运动追踪图像序列;
具体地,例如,可以选择适合的物体检测方法,如基于特征的方法(如Haar特征级联分类器、HOG+SVM等)或基于深度学习的方法(如YOLO、Faster R-CNN等)。这些方法可以用于检测图像中的漂浮物或浮标。对检测到的漂浮物或浮标进行质心定位,可以使用图像处理技术(如连通区域分析)或计算机视觉算法(如轮廓分析、形态学运算等)。将识别和定位得到的漂浮物或浮标质心在每一帧图像中进行标注,可以使用图形绘制工具或在图像上叠加标记来表示质心的位置。
步骤S25:将含质心标注的运动追踪图像序列中漂浮物或浮标质心处于虚拟断面标尺线上的帧图像作为有效断面样本图像序列;
具体地,例如,可以从含质心标注的运动追踪图像序列中提取虚拟断面方向线的位置和方向信息。根据质心的位置和虚拟断面方向线的信息,判断质心是否位于断面方向线上,可以使用几何计算或距离度量等方法。对那些质心位于断面方向线上的图像帧进行提取,可以选择一定数量的特征帧作为有效断面样本图像序列。
步骤S26:根据有效断面样本图像序列对目标河段进行水面流速计算,从而获取河段水面流速数据;
具体地,例如,可以选择适合的水面流速计算方法,常见的方法包括基于质心位移的光流计算、基于特征匹配的方法(如特征点跟踪)或基于深度学习的方法(如FlowNet、Mask-RCNN等)。对有效断面样本图像序列中的每一帧图像应用选择的计算方法,计算漂浮物或浮标质心之间的位移,或者通过特征点匹配计算水面的位移。根据位移和时间间隔,计算每一帧图像中水面的流速。流速可以通过位移除以时间来估算。
步骤S27:基于标注河段实时状态视频数据中的虚拟横断面标尺线对河段水面流速数据进行横向分布拟合,从而获取断面横向分布流速数据。
具体地,例如,可以加载标注河段实时状态视频数据和对应的水面流速数据。根据虚拟横断面标尺线的位置和尺度,将水面流速数据映射到每个横断面的位置。对每个横断面位置的水面流速数据进行横向分布拟合。可以使用统计分析方法,如高斯过程回归、多项式拟合或样条插值等。在每个横断面上,生成拟合后的流速数据曲线或分布图。这些数据显示了河段水面流速在横向位置上的变化趋势。可选地,可以对拟合后的流速数据进行进一步的分析和处理,如计算平均流速、最大流速或流速梯度等。
本发明通过根据基线标识数据,在河段实时状态视频数据中为目标河段进行虚拟断面标尺线标注,可以在视频中标注出虚拟断面的标尺线。这样的标注过程有助于确定后续计算中所涉及的河段断面。标注后的实时状态视频数据有助于研究人员更准确地观察和分析河段中水体的运动情况,并为后续的水动力学参数计算和流速分布分析提供可靠的基础数据。通过对标注河段实时状态视频数据进行光流追踪多帧分解,可以得到河段水体运动序列帧图像集。光流追踪可以捕捉到水体在连续帧之间的运动信息,从而帮助了解水体的流动情况。获取到水体运动序列帧图像集后,可以用于后续的分析和处理,例如检测漂浮物、计算水面流速等。通过按照预设的清晰度过滤阈值对水体运动序列帧图像集进行筛选过滤,可以得到清晰水体运动特征图像集。清晰度过滤可以排除掉模糊或噪声较多的图像,提高后续处理的准确性和可靠性。清晰水体运动特征图像集中的图像更能够准确地反映水体运动特征,为后续的漂浮物识别和质心标注提供更好的数据基础。通过对清晰水体运动特征图像集中每一帧图像进行漂浮物或浮标质心识别并标注,可以得到含质心标注的运动追踪图像序列。漂浮物或浮标质心的识别和标注可以提供关于水体中悬浮物的位置和运动信息,为后续的分析和计算提供准确的数据基础。通过运动追踪图像序列,可以观察和分析漂浮物或浮标的运动轨迹,了解水体中悬浮物的行为特征。通过将含质心标注的运动追踪图像序列中漂浮物或浮标质心处于虚拟断面标尺线上的帧图像作为有效断面样本图像序列,可以筛选出与虚拟断面标尺线交叉的图像。有效断面样本图像序列提供了与虚拟断面标尺线相交的特定位置的图像数据。这些图像可以用于后续的水面流速计算和断面横向分布流速数据分析,从而实现对河段水流特性的详细研究。通过基于有效断面样本图像序列进行水面流速计算,可以获取河段水面流速数据。水面流速是评估河流水动力学特性的重要指标之一,可以帮助了解水体的流动速度和方向。获取到河段水面流速数据后,可以进一步分析河段的水动力学特征,为水资源管理、生态环境保护等方面提供科学依据。通过基于虚拟横断面标尺线对河段水面流速数据进行横向分布拟合,可以得到断面横向分布流速数据。断面横向分布流速数据能够展示河段不同位置的流速情况,帮助了解河段的水流分布特性。这对于水工建设、河道管理等领域具有重要意义。
优选地,步骤S3包括以下步骤:
步骤S31:获取目标河段的非洪水期河流图像;
具体地,例如,可以在河段非洪水期间,使用合适的摄影设备(如相机或无人机)对目标河段进行拍摄,获取河流图像。
步骤S32:对河流实时状态视频数据进行典型清晰帧抽取,从而获取洪水时期河流帧图像;
具体地,例如,可以从河流实时状态视频数据中,根据一定的时间间隔或帧间差分等方法,选择典型的清晰帧作为洪水时期河流帧图像。可以使用视频处理软件或编程技术(如图像处理库或深度学习模型)来实现帧的抽取,在本实施例中,只需要抽取一张清晰的帧图像即可。
步骤S33:对目标河段的非洪水期河流图像与洪水时期河流帧图像进行智能图像校准重合,并利用不同的颜色对目标河段的非洪水期河流图像与洪水时期河流帧图像中的水体颜色进行渲染,从而获取洪水水深增量分析图像;
具体地,例如,可以对拍摄河段的洪水期河流图像与洪水时期河流帧图像进行校准和重合,以实现它们之间的对应关系。可以使用图像拼接、图像配准或特征点匹配等方法,将两个图像对齐。通过选择合适的颜色映射方案,将拍摄河段的洪水期河流图像和洪水时期河流帧图像中的水体颜色进行渲染,以突出水体的区域并区分不同水深的区域。可以根据颜色映射表将不同的水深值映射到不同的颜色上。
步骤S34:根据洪水水深增量分析图像对目标河段进行像素级水深增量计算,从而获取断面水深增量数据;
具体地,例如,可以利用洪水水深增量分析图像,对图像中的每个像素进行水深计算。可以使用颜色值与水深的关系建立一个转换函数或查找表,通过像素颜色值反推对应的水深值。根据目标河段的断面方向线,在洪水水深增量分析图像中提取沿断面方向的像素线条或区域,然后计算该线条或区域上像素的水深增量,可以通过求和、平均或其他统计方法来得到断面方向的水深增量数据。
步骤S35:获取目标河段的非洪水期河底河床地形数据;根据目标河段的非洪水期河底河床地形数据对目标河段进行智能轮廓切割填平,从而获取非洪水期平均水深数据;
具体地,例如,可以使用测量仪器(如全站仪或激光测距仪)对拍摄河段的非洪水期河底河床进行高程测量,获取河床地形高程数据。利用河床地形高程数据,可以采用数字地形模型(Digital Terrain Model,DTM)或数字高程模型(Digital Elevation Model,DEM)等方法,通过智能算法对河段的轮廓进行切割和填平,以获得非洪水期平均水深数据。常用的方法包括基于栅格的地形分析和基于矢量的地形分析等。
步骤S36:根据非洪水期平均水深数据以及断面水深增量数据对目标河段进行实际洪水期河流水深计算,从而获取洪水期水深数据;
具体地,例如,可以利用非洪水期平均水深数据和断面方向水深增量数据,可以在每个断面上进行水深增量的叠加计算,以得到实际洪水期的河流水深数据。根据水流力学原理和水深分布模型,可以采用流速-水深关系模型、水深-横向宽度模型或经验公式等方法来计算洪水期水深。
步骤S37:根据断面横向分布流速数据、断面实际横向宽度数据以及洪水期水深数据对目标河段进行断面和流量计算,从而获取目标河段断面和流量数据。
具体地,例如,可以根据断面横向分布流速数据、断面实际横向宽度数据以及洪水期水深数据,可以使用流量计算公式(如曼宁公式)或水流动力学模型,计算目标河段的洪水期河流量数据。具体计算方法可能涉及断面面积计算、流速-面积积分法或计算流体力学模型等。
本发明通过获取非洪水期河流图像可以作为基准图像,用于与洪水期图像进行比较和分析。非洪水期河流图像提供了河流在正常状态下的水体分布和形态特征,为后续洪水分析提供重要的参考基准。通过典型清晰帧的抽取可以从实时状态视频数据中选择具有代表性和清晰度较高的图像帧。获取洪水时期河流帧图像有助于捕捉洪水期间河流的水体分布和形态变化,为洪水水深分析提供数据基础。通过图像校准重合和水体颜色渲染能够将洪水期河流图像与洪水时期帧图像进行对比,准确分析洪水期间水体的水深变化。洪水水深增量分析图像提供了洪水期间水深的空间分布信息,用于了解洪水的深度、范围和变化情况,对洪水风险评估和防灾减灾具有重要意义。像素级水深增量计算可以精确测量洪水期间水深的变化,提供断面方向上的水深增量数据。断面方向水深增量数据有助于了解河流断面上水深变化的梯度和分布,为洪水灾害评估和防护措施的制定提供依据。获取非洪水期河底河床地形高程数据可以了解河流在正常状态下的地形特征和水深分布。非洪水期平均水深数据提供了河段的基准水深,用于洪水水深增量的计算和对比分析。根据非洪水期平均水深数据和断面方向水深增量数据,可以计算得出目标河段在实际洪水期间的水深情况。洪水期水深数据提供了洪水期间河流的实际水深分布信息,对于洪水模拟、洪水预测和洪水风险评估等方面具有重要意义。通过利用河流水面流速数据、断面实际横向宽度数据以及洪水期水深数据进行河流量计算,可以得到洪水期河流的实际流量。河流量数据是评估洪水灾害的重要参数之一,可以用于洪水预警、水资源管理和水文学研究等方面。
优选地,步骤S4包括以下步骤:
步骤S41:基于基线标识数据对目标河段进行大断面面积计算,从而获取大断面面积数据;
具体地,例如,可以根据基线标识数据得出目标河段的最大的横断面,使用数学几何方法,如梯形法则或Simpson法则,计算横断面的面积。这些方法基于横断面的几何形状和尺寸来估算面积。
步骤S42:根据非洪水期平均水深数据、河流左岸深度图像以及河流右岸深度图像对洪水时期河流帧图像中的虚拟断面进行截取分割,从而获取虚拟断面横截面图像;
具体地,例如,可以加载非洪水期平均水深数据和河流岸线深度图像到计算机软件或工具中。根据非洪水期平均水深数据,确定虚拟断面的位置和尺寸。可以使用插值或插值方法来估算洪水时期的水深分布。根据河流左岸深度图像和河流右岸深度图像,对洪水时期河流帧图像进行截取分割,提取出虚拟断面的横截面图像。
步骤S43:根据目标河段的非洪水期河底河床地形数据对虚拟断面横截面图像进行河底河床地形映射,从而获取断面河底地形重现图像;
具体地,例如,可以根据虚拟断面横截面图像的尺寸和位置,在非洪水期河底河床地形数据中选择与之对应的断面区域。将选定的河底河床地形数据映射到虚拟断面横截面图像上,形成断面河底地形重现图像。
步骤S44:利用断面水深增量数据对断面河底地形重现图像进行智能水位线标定校准,从而获取校准断面横截面图像;
具体地,例如,可以加载断面河底地形重现图像和断面水深增量数据到计算机软件或工具中。在断面河底地形重现图像中,选择代表洪水水位的水位线位置。根据断面水深增量数据,智能地校准水位线位置。可以使用插值方法或拟合曲线的方式,根据水深增量数据调整水位线位置。对校准后的水位线以上的区域,将对应的断面河底地形重现图像进行调整,以反映校准后的水位线位置。
步骤S45:根据校准断面横截面图像对目标河段进行断面横向分布式水深计算,从而获取河段断面水深分布数据。
具体地,例如,可以在校准断面横截面图像中,选择感兴趣的断面位置。这些位置可以根据河段特征、水资源管理需求或模型分析目的进行选择。对选定的断面位置,在校准断面横截面图像上测量水深。可以使用图像处理软件的测量工具或计算机视觉技术进行水深测量。对每个断面位置,记录测得的水深数据。根据测得的水深数据和对应的断面位置,进行断面横向分布式水深计算。这可以通过数学插值方法(如线性插值、样条插值等)或水动力模型计算来实现。
本发明通过对目标河段进行大断面面积计算,可以获得河段在特定位置的横截面面积数据。大断面面积数据是水文学和水资源管理中的重要参数之一,它可以提供河段水体的容积信息,对于水流量计算、水质评估和水资源规划具有重要意义。通过对洪水时期河流帧图像中的虚拟断面进行截取分割,可以获取虚拟断面的横截面图像。虚拟断面横截面图像提供了洪水时期河段横截面的几何形状信息,对于洪水水位计算和洪水风险评估具有重要作用。通过对虚拟断面横截面图像进行河底河床地形映射,可以获取断面河底地形的重现图像。断面河底地形重现图像提供了河段横截面的地形特征,对于水动力学分析、河床演变研究和水沙输移计算具有重要意义。通过利用断面水深增量数据对断面河底地形重现图像进行智能水位线标定校准,可以获得校准后的断面横截面图像。校准断面横截面图像提供了准确的水位线信息,对于水位计算、水文模拟和水资源管理具有重要作用。通过根据校准断面横截面图像对目标河段进行断面横向分布式水深计算,可以获得河段断面水深的分布数据。河段断面水深分布数据提供了河段各个位置的水深信息,对于水动力学分析、水资源管理和洪水预警具有重要作用。这些数据还可以用于水质模拟、水生态评估和生态修复规划等方面的研究。
优选地,步骤S5包括以下步骤:
步骤S51:获取降雨起始时间数据以及河流视频拍摄截止时间数据;
具体地,例如,可以通过气象观测站、气象卫星数据或气象模型等方式,获取降雨起始时间数据。这些数据可以是实时获取的观测数据、历史记录的气象数据或模拟计算的结果。通过拍摄人员来获取河流视频拍摄截止的时间。
步骤S52:根据降雨起始时间数据、河流视频拍摄截止时间数据、断面水深增量数据、断面横向分布流速数据以及目标河段断面和流量数据对目标河段所在区域进行局部降雨量估计,从而获取降雨量估计数据;
具体地,例如,可以利用降雨起始时间数据、河流视频拍摄截止时间数据和断面水深增量数据,可以确定降雨事件发生的时段和区域。根据降雨时段内的断面横向分布流速数据和目标河段断面和流量数据,结合地理信息系统(GIS)技术和数值模型,进行局部降雨量的估计。可以使用降雨径流模型、水文模型或机器学习算法来实现估计过程。
步骤S53:根据断面横向分布流速数据、目标河段断面和流量数据、河段断面水深分布数据以及地区降雨量估计数据按照预设的报告模板生成河流水文分析报告。
具体地,例如,可以根据需求制定河流水文分析报告的预设模板,包括报告结构、内容和格式等。该模板应包括断面横向分布流速数据、目标河段断面和流量数据、河段断面水深分布数据以及地区降雨量估计数据的展示方式。根据需求制定河流水文分析报告的预设模板,包括报告结构、内容和格式等。该模板应包括河流水面流速数据、河流量数据、河流断面水深分布数据和降雨量估计数据的展示方式。据整合和分析后的数据,按照预设的报告模板生成河流水文分析报告。可以使用办公软件(如Microsoft Word、LaTeX)或专业的报告生成工具来创建报告。报告中应包含数据的图表、统计分析结果和相关的水文指标。
本发明通过获取降雨起始时间数据和河流视频拍摄截止时间数据,可以确定进行水文分析的时间范围。确保水文分析的数据和结果与特定的降雨事件和观测时段相对应。准确的时间数据可以提供后续步骤所需的时间参考,确保分析的时空一致性。通过对降雨起始时间、河流视频拍摄截止时间、断面水深增量、断面横向分布流速和断面和流量等数据进行综合分析和计算,可以估计目标河段所在区域的局部降雨量。降雨量估计数据是水文学和洪水预警的重要参数之一。它可以用于分析洪水过程、评估洪水风险以及制定相应的防洪措施和应急预案。通过利用断面横向分布流速数据、目标河段断面和流量数据、河段断面水深分布数据以及地区降雨量估计数据,按照预设的报告模板生成河流水文分析报告。水文分析报告提供了对目标河段水文特征的全面评估和解释。报告中包含的数据、图表和分析结果可以用于决策制定、工程规划和水资源管理。水文分析报告还可以提供对洪水风险和水资源可持续利用的评估,为相关部门和决策者提供决策依据和参考。
优选地,步骤S52中根据降雨起始时间数据、河流视频拍摄截止时间数据、断面方向水深增量数据、河流水面流速数据以及河流量数据通过区域降雨量计算公式对目标河段所在区域进行局部降雨量估计,其中区域降雨量计算公式如下所示:
;
;
式中,为区域降雨量,/>为区域面积,/>为降雨起始时间,/>为降雨结束时间,/>为区域的西方向的边界,/>为区域的东方向的边界,/>为区域的北方向的边界,/>为区域的南方向的边界,/>为区域内某一点的降雨强度,/>为区域内某一点的横向空间坐标,/>为区域内某一点的纵向空间坐标,/>为区域内某一时刻的时间,/>为区域内最大降雨强度,/>为圆周率,/>为区域内降雨强度的空间标准差,/>为区域内最大降雨强度所在的横向空间坐标,/>为区域内最大降雨强度所在的横向空间坐标,/>为区域内降雨强度的时间周期,/>为区域内最大降雨强度所在的时间,/>为自然常数/>为底的指数函数。
本发明构建了一个区域降雨量计算公式,该公式中,通过表示区域降雨量的单位换算。它可以使得区域降雨量的单位与降雨强度的单位保持一致,都是毫米(mm)。这样可以方便地比较不同区域的降雨情况,也可以避免单位换算的误差。通过/>表示对区域内的降雨强度在时间和空间上进行累加。它的有益效果是能够准确地计算出区域内的总降雨量,也就是所有位置和所有时刻的降雨强度的总和。这样可以反映出区域内的降雨的总体情况,也可以作为河流水文分析的重要依据。通过/>表示区域内某一点的降雨强度,它是一个关于空间坐标/>和/>以及时间/>的函数,可以根据实际情况选择不同的形式,例如:/>;/>能够描述区域内降雨强度的变化规律,也就是说,它可以反映出不同位置和不同时刻的降雨情况。这样可以分析出区域内降雨的分布特征,也可以预测出未来的降雨趋势。通过/>表示区域内最大降雨强度的大小。它的有益效果是能够反映出区域内降雨的强度水平,也就是说,它可以表示出区域内降雨的最大值。这样可以分析出区域内降雨的极端情况,也可以评估出区域内降雨的影响程度。通过/>表示区域内降雨强度的空间分布。它的有益效果是能够反映出区域内降雨的集中程度,也就是说,它可以表示出区域内降雨的中心位置和分散范围。这样可以分析出区域内降雨的空间特征,也可以确定出区域内降雨的影响范围。通过/>表示区域内降雨强度的时间变化。它的有益效果是能够反映出区域内降雨的周期性,也就是说,它可以表示出区域内降雨的起伏规律和峰值时刻。这样可以分析出区域内降雨的时间特征,也可以预测出区域内降雨的变化趋势。该公式能够根据区域内的降雨强度的空间和时间分布,计算出区域内的总降雨量,从而反映出区域内的降雨的总体情况和特征。该公式能够准确地计算出区域内的总降雨量,而不是简单地用平均降雨强度乘以区域面积和降雨时间。这样可以避免忽略区域内降雨强度的变化和差异,也可以提高计算的精度和可信度。该公式能够根据实际情况选择不同的参数和函数,以适应不同的区域和降雨情况。这样可以增加公式的适用范围和适应能力,也可以满足不同的需求和目的。该公式能够预测出区域内降雨的变化趋势和未来情况,例如增加、减少、持续、停止等。这样可以及时地做出相应的措施和应对,也可以为河流水文管理提供有用的参考和建议。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种中小河流视频流量测验方法,其特征在于,包括以下步骤:
步骤S1:对目标河段视场范围进行基线标识,从而获取基线标识数据;对目标河段进行河流水体运动实时拍摄,从而获取河段实时状态视频数据;
步骤S2:根据基线标识数据对河段实时状态视频数据中目标河段进行虚拟横断面标尺线标注,从而获取标注河段实时状态视频数据;根据标注河段实时状态视频数据对目标河段进行断面横向流速分布计算,从而获取断面横向分布流速数据;
步骤S3:根据标注河流实时状态视频数据以及断面横向分布流速数据对目标河段进行断面和流量计算,从而获取目标河段断面和流量数据;
步骤S4:基于基线标识数据对目标河段进行大断面面积计算,从而获取大断面面积数据;基于大断面面积数据以及标注河段实时状态视频数据对目标河段进行断面横向分布式水深计算,从而获取河段断面水深分布数据;
步骤S5:对目标河段所在区域进行局部降雨量估计,从而获取地区降雨量估计数据;根据断面横向分布流速数据、目标河段断面和流量数据、河段断面水深分布数据以及地区降雨量估计数据按照预设的报告模板生成河流水文分析报告。
2.根据权利要求1所述的中小河流视频流量测验方法,其特征在于,步骤S1包括以下步骤:
步骤S11:对目标河段视场范围进行基线标识,从而获取基线标识数据;
步骤S12:对目标河段进行俯视航拍图像采集,从而获取河段全貌图像;分别对目标河段的左岸以及右岸进行深度成像拍摄,从而获取河流左岸深度图像以及河流右岸深度图像;
步骤S13:根据河段全貌图像、河流左岸深度图像以及河流右岸深度图像对目标河段进行河岸地形识别,从而获取河段河岸地形数据;
步骤S14:根据河段河岸地形数据对目标河段进行拍摄设备选择,从而获取拍摄设备类型数据;
步骤S15:根据拍摄设备类型数据利用相应拍摄设备对目标河段进行河流水体运动实时拍摄,从而获取河流实时状态视频数据。
3.根据权利要求2所述的中小河流视频流量测验方法,其特征在于,步骤S14包括以下步骤:
步骤S141:根据河流左岸深度图像以及河流右岸深度图像对目标河段进行拍摄河岸优选,从而获取拍摄河岸数据;
步骤S142:当河段河岸地形数据为原始泥土质河岸数据时,获取拍摄河岸数据相应的河岸泥土物理参数;根据拍摄河岸数据相应的河岸泥土物理参数以及拍摄河岸数据相应的河流岸深度图像对拍摄河岸进行智能坍塌风险计算,从而获取河岸泥土坡体安全系数;
步骤S143:当河岸泥土坡体安全系数低于预设的泥土坡体安全系数区间时,将可远程遥控拍类摄设备作为拍摄设备,从而获取拍摄设备类型数据;
步骤S144:当河岸泥土坡体安全系数处于或高于预设的泥土坡体安全系数区间时,将便携式拍摄设备类作为拍摄设备,从而获取拍摄设备类型数据;
步骤S145:当河段河岸地形数据为水泥板护岸斜坡数据时,将便携式拍摄设备类作为拍摄设备,从而获取拍摄设备类型数据。
4.根据权利要求2所述的中小河流视频流量测验方法,其特征在于,步骤S15包括以下步骤:
步骤S151:获取实时网络时间数据;根据实时网络时间数据对目标河段所处区域进行环境光照条件推断,从而获取光照环境判别结果数据;
步骤S152:当光照环境判别结果数据为高照度模式数据时,并当拍摄设备类型数据为可远程遥控拍摄设备类型数据时,根据河段全貌图像、河流左岸深度图像以及河流右岸深度图像对可远程遥控拍摄设备进行拍摄高度计算,从而获取第一拍摄高度数据;
步骤S153:根据第一拍摄高度数据利用可远程遥控拍摄设备类型数据相应的拍摄设备对目标河段进行河流水体运动实时拍摄,从而获取河流实时状态视频数据;
步骤S154:对河流实时状态视频数据进行智能漂浮物检测,从而获取漂浮物检测结果数据;
步骤S155:当漂浮物检测结果数据为存在漂浮物数据时,对河流实时状态视频数据进行漂浮物分割识别与尺寸测量,从而获取漂浮物大小参数;
步骤S156:将漂浮物大小参数与预设的漂浮物尺寸区间进行比较;当漂浮物大小参数处于或大于预设的漂浮物尺寸区间时,保留河流实时状态视频数据;
步骤S157:当漂浮物检测结果数据为不存在漂浮物数据或漂浮物大小参数小于预设的漂浮物尺寸区间时,对目标河段进行浮标投放,并对目标河段进行河流水体运动重新拍摄作业,从而获取河流实时状态视频数据;
步骤S158:当拍摄设备类型数据为便携式拍摄设备类型数据时,利用便携式拍摄设备类型数据相应的拍摄设备对目标河段进行河流水体运动实时拍摄,从而获取河流实时状态视频数据;
步骤S159:当光照环境判别结果数据为低照度模式数据时,将步骤S143和步骤S148的拍摄设备都切换为红外夜视摄像模式进行拍摄作业。
5.根据权利要求4所述的中小河流视频流量测验方法,其特征在于,步骤S158包括以下步骤:
步骤S1581:当拍摄设备类型数据为便携式拍摄设备类型数据时,根据拍摄河岸数据对相应的河岸进行立体视角数字图像采集,从而获取拍摄河岸三维视图图像;
步骤S1582:根据拍摄河岸三维视图图像对拍摄河岸进行河岸坡度计算,从而获取拍摄河岸坡度数据;
步骤S1583:根据河段全貌图像对目标河段进行断面河宽像素统计,从而获取断面河宽像素参数;
步骤S1584:按照预设的实地距离与图像像素转换比例对断面河宽像素参数进行河宽真实比例还原,从而获取断面实际横向宽度数据;
步骤S1585:基于河岸坡度数据以及断面实际横向宽度数据进行便携式拍摄设备拍摄高度计算,从而获取第二拍摄高度数据;
步骤S1586:根据第二拍摄高度数据利用便携式拍摄设备类型数据相应的拍摄设备对目标河段进行河流水体运动实时拍摄,从而获取河流实时状态视频数据。
6.根据权利要求1所述的中小河流视频流量测验方法,其特征在于,步骤S2包括以下步骤:
步骤S21:根据基线标识数据对河段实时状态视频数据中目标河段进行虚拟横断面标尺线标注,从而获取标注河段实时状态视频数据;
步骤S22:对标注河段实时状态视频数据进行光流追踪多帧分解,从而获取河段水体运动序列帧图像集;
步骤S23:按照预设的清晰度过滤阈值对河段水体运动序列帧图像集进行筛选过滤,从而获取清晰水体运动特征图像集;
步骤S24:对清晰水体运动特征图像集中每一帧图像进行漂浮物或浮标质心识别并标注,从而获取含质心标注的运动追踪图像序列;
步骤S25:将含质心标注的运动追踪图像序列中漂浮物或浮标质心处于虚拟断面标尺线上的帧图像作为有效断面样本图像序列;
步骤S26:根据有效断面样本图像序列对目标河段进行水面流速计算,从而获取河段水面流速数据;
步骤S27:基于标注河段实时状态视频数据中的虚拟横断面标尺线对河段水面流速数据进行横向分布拟合,从而获取断面横向分布流速数据。
7.根据权利要求1所述的中小河流视频流量测验方法,其特征在于,步骤S3包括以下步骤:
步骤S31:获取目标河段的非洪水期河流图像;
步骤S32:对河流实时状态视频数据进行典型清晰帧抽取,从而获取洪水时期河流帧图像;
步骤S33:对目标河段的非洪水期河流图像与洪水时期河流帧图像进行智能图像校准重合,并利用不同的颜色对目标河段的非洪水期河流图像与洪水时期河流帧图像中的水体颜色进行渲染,从而获取洪水水深增量分析图像;
步骤S34:根据洪水水深增量分析图像对目标河段进行像素级水深增量计算,从而获取断面水深增量数据;
步骤S35:获取目标河段的非洪水期河底河床地形数据;根据目标河段的非洪水期河底河床地形数据对目标河段进行智能轮廓切割填平,从而获取非洪水期平均水深数据;
步骤S36:根据非洪水期平均水深数据以及断面水深增量数据对目标河段进行实际洪水期河流水深计算,从而获取洪水期水深数据;
步骤S37:根据断面横向分布流速数据、断面实际横向宽度数据以及洪水期水深数据对目标河段进行断面和流量计算,从而获取目标河段断面和流量数据。
8.根据权利要求1所述的中小河流视频流量测验方法,其特征在于,步骤S4包括以下步骤:
步骤S41:基于基线标识数据对目标河段进行大断面面积计算,从而获取大断面面积数据;
步骤S42:根据非洪水期平均水深数据、河流左岸深度图像以及河流右岸深度图像对洪水时期河流帧图像中的虚拟断面进行截取分割,从而获取虚拟断面横截面图像;
步骤S43:根据目标河段的非洪水期河底河床地形数据对虚拟断面横截面图像进行河底河床地形映射,从而获取断面河底地形重现图像;
步骤S44:利用断面水深增量数据对断面河底地形重现图像进行智能水位线标定校准,从而获取校准断面横截面图像;
步骤S45:根据校准断面横截面图像对目标河段进行断面横向分布式水深计算,从而获取河段断面水深分布数据。
9.根据权利要求1所述的中小河流视频流量测验方法,其特征在于,步骤S5包括以下步骤:
步骤S51:获取降雨起始时间数据以及河流视频拍摄截止时间数据;
步骤S52:根据降雨起始时间数据、河流视频拍摄截止时间数据、断面水深增量数据、断面横向分布流速数据以及目标河段断面和流量数据对目标河段所在区域进行局部降雨量估计,从而获取降雨量估计数据;
步骤S53:根据断面横向分布流速数据、目标河段断面和流量数据、河段断面水深分布数据以及地区降雨量估计数据按照预设的报告模板生成河流水文分析报告。
10.根据权利要求9所述的中小河流视频流量测验方法,其特征在于,步骤S52中根据降雨起始时间数据、河流视频拍摄截止时间数据、断面方向水深增量数据、河流水面流速数据以及河流量数据通过区域降雨量计算公式对目标河段所在区域进行局部降雨量估计,其中区域降雨量计算公式如下所示:
;
;
式中,为区域降雨量,/>为区域面积,/>为降雨起始时间,/>为降雨结束时间,/>为区域的西方向的边界,/>为区域的东方向的边界,/>为区域的北方向的边界,/>为区域的南方向的边界,/>为区域内某一点的降雨强度,/>为区域内某一点的横向空间坐标,/>为区域内某一点的纵向空间坐标,/>为区域内某一时刻的时间,/>为区域内最大降雨强度,/>为圆周率,/>为区域内降雨强度的空间标准差,/>为区域内最大降雨强度所在的横向空间坐标,/>为区域内最大降雨强度所在的横向空间坐标,/>为区域内降雨强度的时间周期,/>为区域内最大降雨强度所在的时间,/>为自然常数/>为底的指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410015793.8A CN117516487B (zh) | 2024-01-05 | 2024-01-05 | 一种中小河流视频流量测验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410015793.8A CN117516487B (zh) | 2024-01-05 | 2024-01-05 | 一种中小河流视频流量测验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117516487A true CN117516487A (zh) | 2024-02-06 |
CN117516487B CN117516487B (zh) | 2024-03-22 |
Family
ID=89753528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410015793.8A Active CN117516487B (zh) | 2024-01-05 | 2024-01-05 | 一种中小河流视频流量测验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117516487B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001033297A (ja) * | 1999-07-16 | 2001-02-09 | Hitachi Ltd | 河川監視システムおよび河川監視方法 |
JP2002269656A (ja) * | 2001-03-12 | 2002-09-20 | Foundation Of River & Basin Integrated Communications Japan | 河川情報提供システム |
CN106979803A (zh) * | 2017-03-31 | 2017-07-25 | 邢杰炜 | 一种基于航拍无人机的测量河道流量的方法 |
CN109754573A (zh) * | 2019-01-21 | 2019-05-14 | 北京理工大学 | 一种中小河流洪水预报预警设施及其运行方法 |
KR101978351B1 (ko) * | 2018-11-13 | 2019-05-15 | 주식회사 하이드로셈 | Cctv 영상 기반의 실시간 자동 유량계측 시스템 및 방법 |
CN110779498A (zh) * | 2019-09-19 | 2020-02-11 | 中国科学院测量与地球物理研究所 | 基于无人机多视点摄影的浅水河流水深测绘方法及系统 |
CN112648977A (zh) * | 2020-09-07 | 2021-04-13 | 南京宁水软件科技有限公司 | 一种基于视频的河流流量在线测流方法 |
KR20220053070A (ko) * | 2020-10-21 | 2022-04-29 | 주식회사 자연과기술 | 3차원 가상공간을 활용한 하천정보제공시스템 |
CN116737989A (zh) * | 2023-06-13 | 2023-09-12 | 长江水利委员会水文局 | 一种基于视频图像的城市地表水文监测网构建方法 |
-
2024
- 2024-01-05 CN CN202410015793.8A patent/CN117516487B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001033297A (ja) * | 1999-07-16 | 2001-02-09 | Hitachi Ltd | 河川監視システムおよび河川監視方法 |
JP2002269656A (ja) * | 2001-03-12 | 2002-09-20 | Foundation Of River & Basin Integrated Communications Japan | 河川情報提供システム |
CN106979803A (zh) * | 2017-03-31 | 2017-07-25 | 邢杰炜 | 一种基于航拍无人机的测量河道流量的方法 |
KR101978351B1 (ko) * | 2018-11-13 | 2019-05-15 | 주식회사 하이드로셈 | Cctv 영상 기반의 실시간 자동 유량계측 시스템 및 방법 |
CN109754573A (zh) * | 2019-01-21 | 2019-05-14 | 北京理工大学 | 一种中小河流洪水预报预警设施及其运行方法 |
CN110779498A (zh) * | 2019-09-19 | 2020-02-11 | 中国科学院测量与地球物理研究所 | 基于无人机多视点摄影的浅水河流水深测绘方法及系统 |
CN112648977A (zh) * | 2020-09-07 | 2021-04-13 | 南京宁水软件科技有限公司 | 一种基于视频的河流流量在线测流方法 |
KR20220053070A (ko) * | 2020-10-21 | 2022-04-29 | 주식회사 자연과기술 | 3차원 가상공간을 활용한 하천정보제공시스템 |
CN116737989A (zh) * | 2023-06-13 | 2023-09-12 | 长江水利委员会水文局 | 一种基于视频图像的城市地表水文监测网构建方法 |
Non-Patent Citations (3)
Title |
---|
HEZHEN LOU 等: "A New Method for Long-Term River Discharge Estimation of Small- and Medium-Scale Rivers by Using Multisource Remote Sensing and RSHS: Application and Validation", REMOTE SENSING, 8 April 2022 (2022-04-08), pages 1 - 19 * |
孟健 等: "基于图像智能识别的中小河流流量监测系统应用研究", 浙江水利科技, no. 6, 30 November 2023 (2023-11-30), pages 88 - 94 * |
黄河 等: "视觉测流技术在中小河流洪水流量监测中的应用研究", 长江技术经济, vol. 7, no. 4, 31 August 2023 (2023-08-31), pages 112 - 117 * |
Also Published As
Publication number | Publication date |
---|---|
CN117516487B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Structural health monitoring and inspection of dams based on UAV photogrammetry with image 3D reconstruction | |
Ružić et al. | Coastal cliff geometry derived from structure-from-motion photogrammetry at Stara Baška, Krk Island, Croatia | |
KR101924278B1 (ko) | 드론을 활용한 갯벌 지역에서의 갯골 정보 추출 장치 및 방법 | |
JP2021531449A (ja) | Cctv映像基盤のリアルタイム自動流量計側システムおよび方法 | |
Smith et al. | Monitoring beach face volume with a combination of intermittent profiling and video imagery | |
Valentini et al. | A new video monitoring system in support of Coastal Zone Management at Apulia Region, Italy | |
Vandaele et al. | Deep learning for automated river-level monitoring through river-camera images: an approach based on water segmentation and transfer learning | |
CN113223087B (zh) | 一种基于视频监控的目标物体地理坐标定位方法和装置 | |
JP2007018347A (ja) | 画像処理装置及び環境情報観測装置 | |
CN111473776A (zh) | 一种基于单像近景摄影测量的滑坡裂缝监测方法 | |
Manfreda et al. | New insights offered by UAS for river monitoring | |
CN115060343B (zh) | 一种基于点云的河流水位检测系统、检测方法 | |
Kaamin et al. | Mapping shoreline position using unmanned aerial vehicle | |
Del Río et al. | A comparative approach of monitoring techniques to assess erosion processes on soft cliffs | |
Griesbaum et al. | Direct local building inundation depth determination in 3-D point clouds generated from user-generated flood images | |
Kröhnert et al. | Versatile mobile and stationary low-cost approaches for hydrological measurements | |
CN117516487B (zh) | 一种中小河流视频流量测验方法 | |
CN113744393B (zh) | 一种多层级边坡滑坡变化监测方法 | |
Borra et al. | Identifying rip channels along RK Beach, Visakhapatnam using video and satellite imagery analysis | |
Ortigossa et al. | Using digital image processing to estimate the depth of urban streams | |
Jyoti et al. | River velocity measurements using optical flow algorithm and unoccupied aerial vehicles: A case study | |
TWI597405B (zh) | System and method for monitoring slope with tree displacement | |
Paar et al. | Vision-based terrestrial surface monitoring | |
Vaahtera | River ice analyses and roughness calculations using underwater drones and photogrammetric approach | |
Rio et al. | The Innovation Development of Early Flash Flood Warning System Based on Digital Image Processing Through Android Smartphone. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |