(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210250881.7 (22)申请日 2022.03.15 (71)申请人 国能大渡河猴子岩发电有限公司 地址 626005 四川省甘孜藏族自治州康定 县孔玉乡阿斗沟村四清坝营地 申请人 成都大汇智联科技有限公司 (72)发明人 宋柯　邱华　李天智　王鲁川　 (74)专利代理 机构 成都极刻智慧知识产权代理 事务所(普通 合伙) 51310 专利代理师 唐维虎 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06K 9/62(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 水电站廊道积水监测方法及系统 (57)摘要 本申请实施例提供的水电站廊道积水监测 方法及系统， 涉及人工智能技术领域。 首先， 通过 摄像头获取水电站内的视频图像； 然后， 通过检 测从视频图像中获得廊道图像， 并从廊道图像中 检测廊道积水检测装置中的水布是否被侵染； 最 后， 在廊道积水检测装置中的水布被侵染时， 对 廊道图像进行处理， 得到水电站廊道的积水深 度。 上述方案采用计算机设备通过图像处理的方 式获取水电站廊道的积水深度， 相对于采用水位 传感器或超声波水位监测的方式会更加稳定且 测量精度更高。 权利要求书3页 说明书8页 附图4页 CN 114612862 A 2022.06.10 CN 114612862 A 1.一种水电站廊道积水监测方法， 其特征在于， 应用于水电站廊道积水监测系统， 所述 水电站廊道积水监测系统包括廊道积水检测装置、 摄像头及计算机 设备， 其中， 所述廊道积 水检测装置包括标尺及遇水可被侵染变色的水布， 所述标尺与所述水布一端平齐设置， 所 述方法包括： 所述摄像头获取视频图像； 所述计算机设备对所述视频图像进行检测， 并在检测到所述视频图像中包括所述廊道 积水检测装置的廊道图像时， 通过所述廊道图像检测所述廊道积水检测装置中的水布是否 被侵染； 在所述廊道积水检测装置 中的水布被侵染时， 从所述廊道图像中提取出所述廊道积水 检测装置所在的目标图像区域， 并对所述目标图像区域进 行处理得到所述水电站廊道的积 水深度。 2.如权利要求1所述的水电站廊道积水监测方法， 其特征在于， 所述计算机设备对所述 视频图像进行检测， 并在检测到所述视频图像中包括所述廊道积水检测装置的廊道图像 时， 通过所述廊道图像 检测所述廊道积水检测装置中的水布是否被侵染的步骤， 包括： 将所述视频图像输入到训练好的深度 学习网络模型中， 通过所述训练好的深度 学习网 络模型检测所述视频图像中是否包括所述廊道积水检测装置的廊道图像， 并通过所述廊道 图像检测所述廊道积水检测装置中的水布是否被侵染。 3.如权利要求2所述的水电站廊道积水监测方法， 其特征在于， 所述深度 学习网络模型 包括特征提取子网络、 特征融合子网络及预测子网络， 所述将所述视频图像输入到训练好 的深度学习网络模型中， 通过所述训练好的深度学习网络模型检测所述视频图像中是否包 括所述廊道积水检测装置的廊道图像， 并通过所述廊道图像检测所述廊道积水检测装置中 的水布是否被侵染的步骤， 包括： 将所述视频图像输入所述特征提取子网络， 提取所述视频图像中的多维深度特征， 得 到特征向量图； 将所述特 征向量图输入所述特 征融合子网络， 对所述特 征向量图中的特 征进行融合； 将融合后的特征输入到所述预测子网络， 通过融合后的特征检测所述视频图像中是否 存在包括所述廊道积水检测装置的廊道图像， 并预测所述廊道积水检测装置中的水布是否 被侵染。 4.如权利要求3所述的水电站廊道积水监测方法， 其特征在于， 所述特征提取子网络包 括切片层、 拼接层、 卷积层、 批归一化层及激活函数层， 所述将所述视频图像输入所述特征 提取子网络， 提取 所述视频图像中的多维深度特 征， 得到特 征向量图的步骤， 包括： 将所述视频图像输入所述切片层中进行切片操作， 得到多个切片特征， 其中， 所述视频 图像包括3维特 征数据； 将所述多个切片特 征输入所述 拼接层中进行拼接处 理， 得到拼接后的拼接特 征； 将所述拼接特征输入所述卷积层中进行处 理， 得到多维深度特 征集； 将所述多维深度 特征集输入所述批归一化层进行归一化处理， 得到处理后的多维深度 特征集； 将所述多维深度 特征集输入所述激活函数层进行激活， 得到所述特征向量图， 其中， 所 述特征向量图包括128维、 25 6维或512维特 征数据。权　利　要　求　书 1/3 页 2 CN 114612862 A 25.如权利要求4所述的水电站廊道积水监测方法， 其特征在于， 所述特征融合子网络包 括自顶向下特征融合层和自底向上特征融合层， 所述将所述特征向量图输入所述特征融合 子网络， 对所述特 征向量图中的特 征进行融合的步骤， 包括： 将所述特征向量图进行下采样后得到的采样特征输入所述自顶向下特征融合层， 由所 述自顶向下 特征融合层对所述采样特 征进行自顶向下的特 征融合； 将进行自顶向下融合后的特征输入所述自底向上特征融合层， 由所述自底向上特征融 合层对所述自顶向下融合后的特 征进行再次融合， 输出 再次融合后的特 征。 6.如权利要求5所述的水电站廊道积水监测方法， 其特征在于， 所述将融合后的特征输 入到所述预测子网络， 通过融合后的特征检测所述视频图像中是否存在包括所述廊道积水 检测装置的廊道图像， 并预测所述廊道积水检测装置中的水布是否被侵染的步骤， 包括： 根据所述再次融合后的特征在所述视频图像中生成用于识别所述廊道积水检测装置 的边界框； 对位于所述边界框 中的所述廊道积水检测装置 中的水布的类别进行预测， 所述水布的 类别包括被侵染和未被侵染两种。 7.如权利要求3 ‑6中任意一项所述的水电站廊道积水监测方法， 其特征在于， 在所述将 所述视频图像输入到训练好的深度学习网络模 型中， 通过所述训练好的深度学习网络模型 输出所述视频图像中是否存在 包括所述廊道积水检测装置的廊道图像的步骤之前， 所述方 法还包括训练深度学习网络模型的步骤， 该步骤 包括： 获取训练图像样本集， 所述训练图像样本集包括携带有标注信 息的图像样本， 其中， 所 述标注信息包括标注有水布是否被侵染的标签信息； 依次将所述图像样本输入深度 学习网络模型中进行处理， 输出所述图像样本中水布是 否被侵染的预测信息； 基于所述标签信 息以及所述预测信 息计算所述深度 学习网络模型的损失函数值， 根据 所述损失函数值对所述深度学习网络模型的模 型参数进行迭代优化， 直到所述深度学习网 络模型的损失函数值小于预设的损失函数阈值， 得到训练好的深度学习网络模型。 8.如权利要求7所述的水电站廊道积水监测方法， 其特征在于， 所述从所述廊道图像中 提取出所述廊道积水检测装置所在的目标图像区域， 并对所述目标图像区域进行 处理得到 所述水电站廊道的积水深度的步骤， 包括： 对所述廊道图像进行 预处理； 对预处理后的所述廊道图像进行轮廓提取 得到所述目标图像区域； 获取所述目标图像区域中所述水布的侵染位置与所述标尺的相对位置关系； 根据所述水布的侵染位置与所述标尺的相对位置关系确定所述水电站廊道的积水深 度。 9.如权利要求8所述的水电站廊道积水监测方法， 其特征在于， 所述对所述廊道图像进 行预处理的步骤， 包括： 将所述廊道图像进行 灰度处理， 得到廊道灰度图像； 对所述廊道灰度图进行降噪处 理， 得到降噪后的廊道灰度图； 对降噪后的廊道灰度图进行二值化处理， 得到廊道二值图像， 并对所述廊道二值图像 进行腐蚀膨胀处 理。权　利　要　求　书 2/3 页 3 CN 114612862 A 3