Page 28 - 水利学报2025年第56卷第4期

２ 相关研究

近年来，对大坝坝面施工机械状态的监控手段发展迅速 ［２ － ５］ 。其中，基于 ＧＮＳＳ（ＧｌｏｂａｌＮａｖｉｇａｔｉｏｎ
ＳａｔｅｌｌｉｔｅＳｙｓｔｅｍ ）定位技术和传感器技术的自动化方法因其适用性好、技术成熟而被广泛采用。对于土
石坝，吴晓铭等 ［６］ 和张文等 ［７］ 基于 ＧＰＳ定位系统对堆石坝坝面施工机械运动状态和轨迹进行监控和追
踪，在施工机械状态的实时定位监控方面进行了有益的尝试。王乾坤等 ［８ － ９］ 融合 ＧＰＳ定位系统和 ＧＩＳ
系统，对堆石坝碾压过程质量参数进行监控的同时对其结果进行了可视化展示。针对碾压混凝土坝，
吴斌平等 ［１０］ 基于 ＧＰＳ系统和 ＲＴＫ（Ｒｅａｌ － ＴｉｍｅＫｉｎｅｍａｔｉｃ）系统完成碾压混凝土坝平仓厚度、碾压遍数
等质量参数的实时监控，并成功应用于龙开口碾压混凝土坝工程建设。刘玉玺等 ［１１］ 考虑多种施工气候
参数影响下的 ＶＣ值变化情况，对碾压混凝土坝施工质量进行实时馈控。邢岳等 ［１２］ 使用 ＧＮＳＳ定位系
统、ＲＦＩＤ（ＲａｄｉｏＦｒｅｑｕｅｎｃｙＩｄｅｎｔｉｆｉｃａｔｉｏｎ）和其他传感器等采集碾压混凝土坝仓面碾压质量信息，形成
仓面 “三维位置＋ 时间和质量参数” 的 ５Ｄ可视化监控系统。上述基于定位技术和传感器技术的方法
已普遍应用于土石坝和碾压混凝土坝施工监控中，但由于定位设备和传感器设备需事先安装于施工机
械或现场其他部位，在监控过程中也需进行常态化维护，增加了施工现场管理难度。
随着施工现场视频监控系统的普及和深化使用，使用计算机视觉技术实时采集现场施工信息，通
过人工智能的分析方法对采集到的信息进行提取和分析成为了可能 ［１３ － １４］ 。大部分大型水利工程施工现
场已经在关键枢纽、制高点等位置安装可以覆盖整个施工现场的视频监控系统。依靠在施工现场制高
点架设覆盖整个坝面施工现场的固定图像采集设备，能够全天候、全覆盖地对坝面施工状态进行实时
［２０］
监控 ［１５ － １７］ 。如曾拓程等 ［１８］ 基于视觉数据，使用 ＢｙｔｅＴｒａｃｋ ［１９］ 和 ＨＲＮｅｔ 深度学习算法对大坝施工过
程中运输车的卸料行为进行自动化识别和分析，大幅度提升了水利施工现场的安全和进度管理水平；段
鸿杰等 ［２１］ 基于油井场景的视频监控系统，使用灰度梯度共生矩阵和 ＨＯＧ（ＨｉｓｔｏｇｒａｍｏｆＯｒｉｅｎｔｅｄＧｒａｄｉｅｎｔ）
进行特征提取，采用 ＳＶＭ进行特征分类，能够以 ９２％的准确率识别异常场景；刘相池 ［２２］ 基于计算机
视觉方法对工人不安全行为、施工现场危险区域完成识别和报警，提升了施工现场人员安全管理水
平。廖小锋等 ［２３］ 通过点云扫描重建施工现场三维场景，并使用计算机视觉方法进行施工构件的分析，
通过与计划方案进行对比，分析现场施工进度情况。与此同时，深度学习领域的迅速发展，提供了众
多对图像进行自动化特征提取、实时分析的算法。借助先进的深度学习算法，将采集到的图像信息进
行特征提取和融合，能够实时、自动、全面地分析当前坝面施工状态，为现场施工管理提供数据支撑
和决策建议。卷积神经网络作为深度学习的重要组成部分，近年来发展迅速。由于卷积神经网络在图
像特征提取和处理领域拥有的巨大优势，基于卷积神经网络的计算机视觉算法层出不穷。将这类算法
应用于施工场景也早有先例。如冯凯伦等 ［２４］ 使用 ＹＯＬＯｖ５ｓ算法对塔吊起重场景下的危险状态进行识
别和报警。朱密 ［２５］ 基于 ＳＳＤ算法进行施工现场场景信息的图像语义分析，并与所建立的施工风险规
则库比对分析场景风险情况。高星蓉 ［２６］ 利用无人机采集数据，使用 ＹＯＬＯｖ３ ［２７］ 算法识别施工机械和人
员，通过建立的碰撞风险指标体系对施工现场危险行为进行预警。Ｚｅｎｇ等 ［２８］ 使用改进的 ＹＯＬＯｖ３和
灰狼优化算法对大场景下施工机械进行准确识别，为施工现场安全和进度监控提供新的手段。Ｚｈａｎｇ
等 ［２９］ 使用 ＹＯＬＯｖ７和 ＤｅｅｐＳｏｒｔ算法对施工现场机械的进行识别和跟踪，并在此基础上对施工机械的碰
撞风险进行预测。Ｗａｎｇ等 ［３０］ 基于改进的 ＤｅｅｐＬａｂｖ３ ＋ 算法完成施工现场的视觉语义分割，为施工自动
化和视觉监控系统提供了数据支持。Ｊｉｎ等 ［３１］ 采用 ＧＡＮ（ＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌＮｅｔｗｏｒｋ）网络生成不同
天气下的图像数据，提出一种复杂天气条件下稳定的施工现场实例分割算法。
综上所述，基于 ＧＮＳＳ定位技术的施工机械监控手段在堆石坝和混凝土坝坝面施工中已较为成熟，
但对于施工布置复杂的碾压混凝土坝施工存在需要进行设备频繁安装和维护等问题。基于计算机视觉
技术和深度学习的方法在施工现场自动化信息采集和数据处理中已有较多应用，但针对碾压混凝土坝
坝面热升层复杂施工条件下的相关研究较少。此外，现有方法大多仅对施工机械或施工状态进行感知
识别，统计分析功能欠缺。因此，本文（ １）提出一种基于计算机视觉技术和深度学习的碾压混凝土坝

— ４ ４ —
６