劉玉敏 呂朋 王岳飛 獻(xiàn)宏 邵鵬

摘要：引江濟(jì)淮工程中原有的低點(diǎn)監(jiān)控視野范圍窄、抗干擾能力差、缺乏智能化功能，已無(wú)法滿足智慧水利建設(shè)的要求。利用通信高塔作為掛載點(diǎn)，在引江濟(jì)淮工程的關(guān)鍵標(biāo)段植入高點(diǎn)智能化監(jiān)控設(shè)備，從而構(gòu)建出高低聯(lián)動(dòng)智能視頻感知體系。其中利用人工智能技術(shù)，建立AI模型訓(xùn)練平臺(tái)，實(shí)現(xiàn)了包含區(qū)域入侵偵測(cè)、水面漂浮物檢測(cè)在內(nèi)的多項(xiàng)視頻偵測(cè)、檢測(cè)功能。應(yīng)用實(shí)踐表明，在多種智能算法的賦能加持下，高低聯(lián)動(dòng)智能視頻感知體系顯著提高了報(bào)警準(zhǔn)確率和智能識(shí)別距離，為數(shù)字引江濟(jì)淮的建設(shè)提供了有效助力。

關(guān)鍵詞：智慧水利； 視頻監(jiān)控； 高低聯(lián)動(dòng)； 模型算法； 引江濟(jì)淮

中圖法分類號(hào)： F426.91

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.04.034

0引 言

為落實(shí)國(guó)家“十四五”規(guī)劃綱要，加快推進(jìn)智慧水利的建設(shè)，水利部在2021年印發(fā)的《關(guān)于大力推進(jìn)智慧水利建設(shè)的指導(dǎo)意見(jiàn)》中提出以構(gòu)建數(shù)字孿生流域?yàn)楹诵模嫱七M(jìn)算據(jù)、算法、算力建設(shè)，加快構(gòu)建具有“四預(yù)”功能的智慧水利體系［1-4］。其中，為了提升水利工程的智能化安防水平，實(shí)現(xiàn)對(duì)水利工程的全方位實(shí)時(shí)巡查，視頻監(jiān)控在智慧水利的建設(shè)中得到了廣泛應(yīng)用［5-7］。

引江濟(jì)淮各建管處和相關(guān)部門開展建設(shè)視頻監(jiān)控系統(tǒng)，已有上百個(gè)點(diǎn)位的視頻監(jiān)控投入使用，但是目前監(jiān)控桿的高度較低，視野覆蓋范圍面積較小，抗干擾能力差，容易被人為遮擋或破壞［8-9］。同時(shí)，當(dāng)前的監(jiān)控點(diǎn)受限于前端設(shè)備的圖像采集能力，無(wú)法對(duì)事件進(jìn)行全面辨識(shí)；缺乏智能化分析功能，無(wú)法第一時(shí)間對(duì)發(fā)生的事件進(jìn)行預(yù)警，基本只能在事后處理的時(shí)候進(jìn)行錄像調(diào)取，不能做到事前預(yù)防，從而弱化了監(jiān)管的意義，無(wú)法滿足現(xiàn)階段的智能化監(jiān)管需求。

為了解決上述問(wèn)題，智能化高點(diǎn)視頻的建設(shè)成為優(yōu)化監(jiān)控手段中最可靠的方法之一［10-11］。然而，水利工程大多分布在野外，受地形、植被、電力和網(wǎng)絡(luò)接入影響，缺乏高點(diǎn)視頻的建設(shè)指導(dǎo)經(jīng)驗(yàn)。本次研究在引江濟(jì)淮工程引入高點(diǎn)監(jiān)控，與現(xiàn)有的低點(diǎn)監(jiān)控形成高低聯(lián)動(dòng)智能視頻感知體系。高低點(diǎn)監(jiān)控在重要區(qū)域監(jiān)管中各具優(yōu)勢(shì)、互相補(bǔ)充，采用以低點(diǎn)為主、高點(diǎn)為輔的高低點(diǎn)結(jié)合部署方式，實(shí)現(xiàn)高點(diǎn)看全局、低點(diǎn)盯細(xì)節(jié)，達(dá)到有效減少重要區(qū)域監(jiān)控盲區(qū)的目的。同時(shí)搭建視頻智能分析系統(tǒng)，為視頻監(jiān)控系統(tǒng)賦能，實(shí)現(xiàn)智能化的監(jiān)控預(yù)警巡查。本次研究主要對(duì)高點(diǎn)監(jiān)控的選址、配置、監(jiān)控效率和成本控制進(jìn)行探索性研究；此外，從報(bào)警準(zhǔn)確率和識(shí)別距離兩方面對(duì)高低點(diǎn)視頻的聯(lián)動(dòng)效應(yīng)進(jìn)行分析。

1高低聯(lián)動(dòng)智能視頻感知體系建立

在引江濟(jì)淮沿線水庫(kù)大壩等大范圍場(chǎng)景監(jiān)控下，普通低點(diǎn)設(shè)備的監(jiān)控畫面范圍較小，無(wú)法覆蓋全景。高點(diǎn)視頻監(jiān)控是指在幾十米高度的掛載點(diǎn)處布設(shè)可以覆蓋1 km以上視野范圍的高點(diǎn)視頻監(jiān)控，結(jié)合圖像智能分析功能，實(shí)現(xiàn)大范圍的精確監(jiān)控和目標(biāo)捕捉感知體系。同時(shí)充分利用原有的低點(diǎn)視頻監(jiān)控覆蓋高點(diǎn)視野盲區(qū)，形成高高聯(lián)動(dòng)、高低聯(lián)動(dòng)的監(jiān)控策略，再搭配基于GIS的視頻監(jiān)控平臺(tái)提升展現(xiàn)效果，實(shí)現(xiàn)視頻監(jiān)控直觀、可視化的呈現(xiàn)，從而有效提升水庫(kù)大壩監(jiān)控的管理和使用效率，幫助用戶快速、實(shí)時(shí)了解現(xiàn)場(chǎng)運(yùn)行情況。

1.1低點(diǎn)監(jiān)控選擇

選擇將引水閘、泵站和船閘等重要水利樞紐處已建設(shè)的70個(gè)低點(diǎn)監(jiān)控接入視頻智能分析系統(tǒng)，實(shí)現(xiàn)互聯(lián)互通，并在地圖上進(jìn)行集中展示，如圖1所示。

1.2高點(diǎn)監(jiān)控建設(shè)

引江濟(jì)淮工程高點(diǎn)監(jiān)控均為新建，視頻監(jiān)控點(diǎn)的布局和選址成為首先要考慮的問(wèn)題。以低點(diǎn)監(jiān)控的選址原則為參考，結(jié)合水利部門的管理需求，確立新建高點(diǎn)監(jiān)控系統(tǒng)選址原則如下：

（1） 選擇建設(shè)體量大，關(guān)注度高的重大樞紐工程作為監(jiān)控點(diǎn)；

（2） 依據(jù)引江濟(jì)淮集團(tuán)公司度汛方案中的劃分標(biāo)準(zhǔn)，選擇涉及大江大河及嚴(yán)重影響周邊社會(huì)防汛級(jí)別為A級(jí)的標(biāo)段作為監(jiān)控點(diǎn)；

（3） 選擇在原低點(diǎn)監(jiān)控管理運(yùn)行中頻發(fā)故障的重要標(biāo)段作為監(jiān)控點(diǎn)；

（4） 從《數(shù)字引江濟(jì)淮頂層規(guī)劃設(shè)計(jì)報(bào)告》中一期高點(diǎn)監(jiān)控方案設(shè)計(jì)中規(guī)劃的90個(gè)鐵塔高點(diǎn)掛載中選取，確保后期可實(shí)現(xiàn)平臺(tái)融合，統(tǒng)一化管理、統(tǒng)一調(diào)度、統(tǒng)一運(yùn)營(yíng)，保證資源復(fù)用，確保永臨結(jié)合，避免重復(fù)建設(shè)。

綜合上述原則，結(jié)合引江濟(jì)淮工程特點(diǎn)，選擇樅陽(yáng)引江樞紐、西淝河北站、柯坦河 C004 標(biāo)段、繁華大道橋、蜀山泵站樞紐、淠河渡槽工程等10個(gè)監(jiān)控區(qū)域。參照DEM算法公式［12-13］，選取以引江濟(jì)淮重點(diǎn)監(jiān)控的目標(biāo)樞紐3.5 km視頻監(jiān)控范圍為半徑的區(qū)域，其中距離目標(biāo)樞紐和河道較近，塔身高度超過(guò)30 m，且沒(méi)有遮擋的塔址資源作為優(yōu)質(zhì)監(jiān)控點(diǎn)位站址。高點(diǎn)監(jiān)控最終確定站點(diǎn)位置如圖2和表1所示。

2視頻智能分析系統(tǒng)設(shè)計(jì)

2.1系統(tǒng)架構(gòu)搭建

在保證智能化預(yù)警準(zhǔn)確性和監(jiān)控清晰度的前提下，結(jié)合引江濟(jì)淮工程的網(wǎng)絡(luò)傳輸與存儲(chǔ)成本，選擇200萬(wàn)像素重載激光云臺(tái)作為新建的高點(diǎn)監(jiān)控設(shè)施。云臺(tái)攝像機(jī)白天有效可視覆蓋半徑在5 km以上，夜間補(bǔ)光距離在2.8 km以上，滿足監(jiān)控場(chǎng)景的配置需求。視頻智能分析系統(tǒng)的架構(gòu)如圖3所示。云臺(tái)與現(xiàn)有低點(diǎn)監(jiān)控聯(lián)動(dòng)負(fù)責(zé)前端的視頻采集，視頻數(shù)據(jù)通過(guò)專線接入云端網(wǎng)絡(luò)，移動(dòng)端和視頻平臺(tái)可從云端中任意調(diào)取視頻數(shù)據(jù)，算法的配置和訓(xùn)練在后端AI服務(wù)器上實(shí)現(xiàn)，視頻平臺(tái)通過(guò)與AI服務(wù)器的交互實(shí)現(xiàn)對(duì)算法的展示與編排。

2.2系統(tǒng)功能設(shè)計(jì)

高低聯(lián)動(dòng)的視頻智能分析系統(tǒng)支持將前端設(shè)備或業(yè)務(wù)系統(tǒng)采集的多維信息（如工情、墑情、溫濕度、雨量、風(fēng)速、蒸發(fā)量等）進(jìn)行匯聚和標(biāo)簽化展示，支持高低點(diǎn)視頻調(diào)取、視頻聯(lián)動(dòng)分析、數(shù)據(jù)可視化展示、電子地圖等功能。核心功能包括：

（1） 高高聯(lián)動(dòng)。支持在監(jiān)控場(chǎng)景中內(nèi)置邊界信息，調(diào)取某點(diǎn)監(jiān)控時(shí)可自動(dòng)提取相鄰的監(jiān)控點(diǎn)信息?？赏ㄟ^(guò)標(biāo)簽上的按鈕功能一鍵切換到另一個(gè)高點(diǎn)場(chǎng)景；可以通過(guò)高點(diǎn)監(jiān)控列表點(diǎn)擊進(jìn)行切換，從一個(gè)高點(diǎn)監(jiān)控點(diǎn)切換到另外一個(gè)高點(diǎn)監(jiān)控點(diǎn)；可以通過(guò)二維地圖點(diǎn)擊高點(diǎn)監(jiān)控圖標(biāo)進(jìn)行全景畫面切換。

（2） 高低聯(lián)動(dòng)。基于高低結(jié)合的監(jiān)控部署方式，需手動(dòng)打開重要區(qū)域附近所有高低點(diǎn)實(shí)時(shí)視頻，可有效減少重點(diǎn)區(qū)域覆蓋盲區(qū)。采用低點(diǎn)為主、高點(diǎn)為輔的高低點(diǎn)聯(lián)動(dòng)部署方式，系統(tǒng)通過(guò)陰影的方式展示所有高點(diǎn)點(diǎn)位的可視域及當(dāng)前視場(chǎng)范圍，并動(dòng)態(tài)計(jì)算高點(diǎn)視場(chǎng)范圍內(nèi)的低點(diǎn)點(diǎn)位，實(shí)現(xiàn)高點(diǎn)點(diǎn)位的視場(chǎng)角自動(dòng)聯(lián)動(dòng)低點(diǎn)視頻。系統(tǒng)接收到布控報(bào)警信息后，用戶可點(diǎn)擊查看報(bào)警信息并聯(lián)動(dòng)高空的激光重載云臺(tái)相機(jī)進(jìn)行目標(biāo)區(qū)域?qū)?，快速鎖定并展示報(bào)警區(qū)域的圖像，方便用戶進(jìn)行研判分析。此外，根據(jù)用戶的監(jiān)控需求，若系統(tǒng)中的高低點(diǎn)監(jiān)控場(chǎng)景的算法配置一致，同一視場(chǎng)中高低點(diǎn)監(jiān)控的識(shí)別結(jié)果可相互反饋，將各自對(duì)應(yīng)的圖像傳輸?shù)剿惴ㄓ?xùn)練集中，通過(guò)智能分析實(shí)現(xiàn)識(shí)別結(jié)果的融合，提升報(bào)警準(zhǔn)確率。

如圖4所示，東津渡大橋開啟高點(diǎn)聯(lián)動(dòng)模塊后，可通過(guò)高點(diǎn)監(jiān)控展示東津渡大橋可視域，手動(dòng)控制云臺(tái)視場(chǎng)角時(shí)自動(dòng)聯(lián)動(dòng)低點(diǎn)監(jiān)控點(diǎn)位拌合站、大灘涂排灌站實(shí)時(shí)視頻。

3智能分析配置和應(yīng)用研究

3.1模型算法配置

利用最新的人工智能、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)等技術(shù)［14-15］，結(jié)合引江濟(jì)淮工程的實(shí)際情況，建立AI模型訓(xùn)練平臺(tái)，配置算法可實(shí)現(xiàn)區(qū)域入侵偵測(cè)、垃圾堆檢測(cè)、工程車檢測(cè)、水面漂浮物檢測(cè)、船只識(shí)別、安全帽佩戴檢測(cè)、非法采砂檢測(cè)、釣魚識(shí)別、飼養(yǎng)家禽家畜檢測(cè)、亂堆物料堆檢測(cè)、管線桿線架設(shè)檢測(cè)、越界偵測(cè)、停車偵測(cè)。

3.2AI模型訓(xùn)練平臺(tái)

AI模型訓(xùn)練平臺(tái)基于高性能并行訓(xùn)練推理集群與自研深度學(xué)習(xí)框架，由數(shù)據(jù)管理、模型訓(xùn)練、模型部署三大服務(wù)模塊組成，通過(guò)B/S與C/S兩個(gè)客戶端向用戶提供可視化操作功能，訓(xùn)練平臺(tái)總體架構(gòu)如圖5所示。AI服務(wù)器配置i7-10875HCPU@2.30GHz處理器，16G內(nèi)存，NVIDA Geforce RTX 3080 Ti顯卡。在Windows 10系統(tǒng)上進(jìn)行模型的開發(fā)，開發(fā)環(huán)境為Python 3.7，深度學(xué)習(xí)框架為mmdetection，模型采用docker形式部署。

算法訓(xùn)練平臺(tái)已經(jīng)固化了算法框架及算法網(wǎng)絡(luò)，用戶采用算法訓(xùn)練平臺(tái)可訓(xùn)練生成檢測(cè)+分類（混合）模型、視頻行為分析模型、語(yǔ)義分割模型等算法，在1024×1024分辨率下的預(yù)測(cè)幀率為60fps。訓(xùn)練流程基本一致，如圖6所示。

（1） 加載預(yù)訓(xùn)練模型：將PASCAL VOC、MS COCO、ImageNet等數(shù)據(jù)集導(dǎo)入平臺(tái)進(jìn)行預(yù)訓(xùn)練，采用fine-turning遷移學(xué)習(xí)算法增強(qiáng)模型的特征提取能力，包含圖中的過(guò)程①。

（2） 上傳訓(xùn)練數(shù)據(jù)：用戶整理所需要的訓(xùn)練數(shù)據(jù)上傳到平臺(tái)，包含圖中的②過(guò)程。數(shù)據(jù)集來(lái)源于選取的10座水利樞紐，不同天氣條件（晴天、陰天、雨天），在水利樞紐不同位置高低點(diǎn)使用高清攝像頭拍攝獲得，每隔3 h拍攝一次，針對(duì)應(yīng)用場(chǎng)景采集10 000～30 000的數(shù)據(jù)集量。

（3） 生成樣本集：用戶將需要訓(xùn)練的圖片進(jìn)行篩選，并對(duì)要訓(xùn)練的圖片部位進(jìn)行分類，采用Labelme進(jìn)行訓(xùn)練數(shù)據(jù)的標(biāo)注，轉(zhuǎn)化成VOC數(shù)據(jù)集格式，包含圖中的過(guò)程③。

（4） 算法訓(xùn)練：采用AI模型訓(xùn)練平臺(tái)內(nèi)置的算法網(wǎng)絡(luò)，進(jìn)行算法訓(xùn)練；包含圖中的過(guò)程④和⑤。模型算法配置和應(yīng)用場(chǎng)景間的對(duì)應(yīng)關(guān)系如表2所列。

（5） 算法校驗(yàn)：系統(tǒng)支持本地上傳數(shù)據(jù)和創(chuàng)建校驗(yàn)集兩種方式對(duì)訓(xùn)練后的模型進(jìn)行校驗(yàn)，以幫助用戶模擬實(shí)際生產(chǎn)環(huán)境，對(duì)模型效果進(jìn)行進(jìn)一步評(píng)估，包含圖中的過(guò)程⑥和⑦。

（6） 算法發(fā)布與加載：經(jīng)過(guò)校驗(yàn)的算法版本在AI模型訓(xùn)練平臺(tái)進(jìn)行發(fā)布。將算法包導(dǎo)出到本地，再上傳給GPU服務(wù)器，包含圖中的過(guò)程⑧和⑨。

3.3應(yīng)用效果分析

3.3.1報(bào)警準(zhǔn)確率分析

如圖7所示，派河口泵站和兆河節(jié)制樞紐的高低點(diǎn)視頻分別成功識(shí)別了停泊車輛和工程車并進(jìn)行了準(zhǔn)確的報(bào)警反饋，而柯坦河處針對(duì)管線桿線架設(shè)檢測(cè)卻出現(xiàn)了誤報(bào)，因此需對(duì)具體場(chǎng)景的報(bào)警準(zhǔn)確率進(jìn)行統(tǒng)計(jì)分析，檢驗(yàn)系統(tǒng)應(yīng)用的整體效果并進(jìn)行針對(duì)性優(yōu)化。

圖7高低聯(lián)動(dòng)監(jiān)測(cè)實(shí)例

Fig.7High-low linkage monitoring cases

如表3所列，從算法部署完畢至2022年2月18日，預(yù)警模型整體正報(bào)率約68.0%。截至2022年4月26日，匯總、統(tǒng)計(jì)平臺(tái)數(shù)據(jù)，預(yù)警模型整體報(bào)警準(zhǔn)確率約75.9%，期間進(jìn)行的算法訓(xùn)練，提升了7.9%，這說(shuō)明算法訓(xùn)練對(duì)報(bào)警準(zhǔn)確率的提升有顯著效果。從2022年5月18日起關(guān)閉所有低點(diǎn)監(jiān)控，截至2022年7月18日，報(bào)警準(zhǔn)確率從73.3%下降至61.5%，可知低點(diǎn)監(jiān)控對(duì)高點(diǎn)監(jiān)控盲區(qū)補(bǔ)充的重要性。從2022年8月1日起關(guān)閉所有高點(diǎn)監(jiān)控，截至2022年10月15日，報(bào)警準(zhǔn)確率比高低聯(lián)動(dòng)的情況下降低了12.3%，與高點(diǎn)單獨(dú)監(jiān)控的正報(bào)率相差不大，說(shuō)明兩者通過(guò)互補(bǔ)聯(lián)動(dòng)提升了整體的正報(bào)率。

3.3.2識(shí)別距離分析

高點(diǎn)監(jiān)控測(cè)試驗(yàn)證白天可視距離6 km，夜間可視距離2.8 km。由于預(yù)警觸發(fā)有最低像素要求，在相機(jī)表4還列出了相關(guān)模型所有正報(bào)樣本的平均識(shí)別距離，高低聯(lián)動(dòng)識(shí)別距離比理論覆蓋距離減少7.1%～31.3%，平均識(shí)別折損率為17.5%，其中船只識(shí)別、工程車/非法采砂檢測(cè)折損率偏小，這可能是檢測(cè)目標(biāo)體積偏大導(dǎo)致的。而像安全帽佩戴、釣魚識(shí)別、飼養(yǎng)家禽家畜等小體積目標(biāo)監(jiān)控識(shí)別距離折損明顯。切斷低點(diǎn)監(jiān)控關(guān)聯(lián)后，單獨(dú)采用高點(diǎn)監(jiān)控的識(shí)別距離較理論覆蓋距離減少了14.5%～61.8%，平均折損率達(dá)到了37.7%，這說(shuō)明高低聯(lián)動(dòng)效應(yīng)對(duì)識(shí)別距離有著顯著的提升效果。綜上，算法識(shí)別距離雖然受檢測(cè)目標(biāo)大小控制，但相對(duì)理論覆蓋距離折損率不大，高低聯(lián)動(dòng)效應(yīng)顯著降低了識(shí)別距離折損率，這為后期新建監(jiān)控點(diǎn)的有效配置提供了指導(dǎo)。

3.3.3問(wèn)題總結(jié)

通過(guò)統(tǒng)計(jì)數(shù)據(jù)發(fā)現(xiàn)，目前釣魚識(shí)別、安全帽佩戴檢測(cè)、水面漂浮物檢測(cè)、越界偵測(cè)和徘徊偵測(cè)等預(yù)警模型識(shí)別準(zhǔn)確率較低，可能是因?yàn)楸O(jiān)控目標(biāo)較小、移動(dòng)速率較快導(dǎo)致。另一方面，采集的數(shù)據(jù)樣本量、迭代次數(shù)、訓(xùn)練時(shí)間可能仍不能滿足模型訓(xùn)練的需求，導(dǎo)致報(bào)警準(zhǔn)確率較低、識(shí)別折損率偏高。因此，后期針對(duì)小型移動(dòng)目標(biāo)需要加強(qiáng)樣本采集和模擬訓(xùn)練量，對(duì)數(shù)據(jù)集中的圖片進(jìn)行增強(qiáng)處理的研究，模擬更加惡劣條件下的監(jiān)測(cè)情況。此外，不同場(chǎng)景下的模型仍具有局限性，針對(duì)某一相同的算法配置，不同監(jiān)控點(diǎn)間的識(shí)別能力也有明顯的差異，后期應(yīng)繼續(xù)加強(qiáng)對(duì)模型算法的研究與優(yōu)化，根據(jù)各監(jiān)控點(diǎn)位的運(yùn)營(yíng)管理需要、現(xiàn)場(chǎng)取景位置、遮擋情況、河道彎曲情況等配置適應(yīng)性更強(qiáng)的預(yù)警算法。

4結(jié) 語(yǔ)

為彌補(bǔ)傳統(tǒng)低點(diǎn)監(jiān)控智能化水平低、視野不足、抗干擾弱、易被遮擋等缺陷，本次研究在接入現(xiàn)有低點(diǎn)監(jiān)控的基礎(chǔ)上，通過(guò)在通信鐵塔上掛載高點(diǎn)視頻監(jiān)控，形成引江濟(jì)淮工程沿線高低聯(lián)動(dòng)智能視頻感知體系。結(jié)合工程特點(diǎn)，確立了重大樞紐、事故頻發(fā)、高防汛標(biāo)段為重點(diǎn)的高點(diǎn)監(jiān)控選址原則。利用物聯(lián)網(wǎng)技術(shù)設(shè)計(jì)了高低聯(lián)動(dòng)、高高聯(lián)動(dòng)的視頻智能分析系統(tǒng)。在對(duì)高低聯(lián)動(dòng)視頻感知的智能化考察中，算法訓(xùn)練平臺(tái)在短時(shí)間內(nèi)有效提升了報(bào)警準(zhǔn)確率。同時(shí)，高低聯(lián)動(dòng)模式也展現(xiàn)出比單一的高高聯(lián)動(dòng)更高的報(bào)警準(zhǔn)確率和更遠(yuǎn)的智能識(shí)別距離，證明了高低點(diǎn)監(jiān)控互為補(bǔ)充的優(yōu)越性。引江濟(jì)淮高低聯(lián)動(dòng)智能視頻感知體系的建設(shè)，不僅顯著提升了調(diào)水工程的信息化、智能化水平，也為水利工程中高低點(diǎn)結(jié)合的視頻監(jiān)控設(shè)置提供了范本。

參考文獻(xiàn)：

［1］水利部信息中心.水利部印發(fā)關(guān)于推進(jìn)智慧水利建設(shè)的指導(dǎo)意見(jiàn)和實(shí)施方案［J］.水利建設(shè)與管理，2022，42（1）：5.

［2］徐健，李國(guó)忠，徐堅(jiān)，等.智慧水利信息平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)：以福建省沙縣智慧水利信息平臺(tái)為例［J］.人民長(zhǎng)江，2021，52（1）：230-234.

［3］劉志雨.提升數(shù)字孿生流域建設(shè)“四預(yù)”能力［J］.中國(guó)水利，2022（20）：11-13.

［4］喻杉，黃艷，王學(xué)敏，等.長(zhǎng)江流域水工程智能調(diào)度平臺(tái)建設(shè)探討［J］.人民長(zhǎng)江，2022，53（2）：189-197.

［5］閆超，張苗.水利工程中視頻監(jiān)控系統(tǒng)的應(yīng)用［J］.計(jì)算機(jī)產(chǎn)品與流通，2019（2）：125.

［6］姜小俊，黃康，余魁.浙江水利視頻監(jiān)控云平臺(tái)研究［J］.水利信息化，2018（1）：67-72.

［7］朱先任.網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)在水利工程搶險(xiǎn)中的應(yīng)用［J］.人民黃河，2021，43（增1）：38-39.

［8］張建云，劉九夫，金君良.關(guān)于智慧水利的認(rèn)識(shí)與思考［J］.水利水運(yùn)工程學(xué)報(bào)，2019（6）：1-7.

［9］程誠(chéng)，董晨龍，李宏，等.智慧視頻識(shí)別在水利信息化中的應(yīng)用［J］.四川水利，2019，40（3）：124-128.

［10］浮瑤瑤，劉新，劉微，等.基于高點(diǎn)視頻的交通事件檢測(cè)技術(shù)［J］.公路交通科技，2014，31（2）：128-134.

［11］陳春霜.基于GIS高點(diǎn)視頻定位的研究及應(yīng)用［J］.江西通信科技，2022（2）：27-30.

［12］于琛，胡德勇，張亞妮，等.DＥＭ空間分塊的洪水動(dòng)態(tài)演進(jìn)算法研究與應(yīng)用［J］.測(cè)繪科學(xué)，2020，45（10）：181-189.

［13］YAO C，LI Z，ZHANG K，et al.Evaluating performance dependency of a geomorphologic instantaneous unit hydrograph-based hydrological model on DEM resolution［J］.Water Science and Engineering，2022，15（3）：179-188.

［14］陳琦睿.水利物聯(lián)感知應(yīng)用分析［J］.中國(guó)新通信，2022，24（8）：75-77.

［15］蔣云鐘，冶運(yùn)濤，趙紅莉，等.智慧水利解析［J］.水利學(xué)報(bào)，2021，52（11）：1355-1368.

（編輯：黃文晉）