Page 29 - 水利学报2025年第56卷第4期

坝面摊铺和碾压状态实时监控和自动分析方法；（２）提出一种基于 ＱｕｅｒｙＩｎｓｔ算法的碾压混凝土坝坝面
施工状态视觉化识别方法，能够准确、实时识别摊铺或碾压施工工序；（ ３）提出一种基于前后帧时间
关系的碾压混凝土坝坝面摊铺和碾压施工阶段的划分方法，能够自动地、迅速地统计热升层各施工阶
段的施工时长。

３ 方法

３．１ 研究框架 基于计算机视觉的碾压混凝土坝仓面热升层状态监控分析方法研究框架如图 １所示。

图 １ 研究框架

首先，通过布设在施工现场制高点的视频监控系统获取碾压混凝土坝仓面施工实时、动态视频资
料数据；其次，使用基于计算机视觉和深度学习的方法对获取到的图像资料进行特征提取和分析处
理，划分坝面施工状态（摊铺或碾压）；然后，采用基于所提出的前后帧时间关系的施工阶段划分方法
对获取的坝面施工状态进行统计分析，导出碾压混凝土坝摊铺和碾压阶段所用时间；最后，将本文提
出的方法应用于我国西南某碾压混凝土坝施工现场某仓面的施工状态监控。
３．２ 基于 ＱｕｅｒｙＩｎｓｔ的施工状态识别方法 为获取碾压混凝土坝仓面各处的施工状态，本文使用计算
机视觉及深度学习的方式进行感知和处理。首先，通过布设在制高点的视频监控系统实时获取现场施
工状态的图像信息；其次，使用基于计算机视觉的方法对采集到的图像信息进行特征提取；最后，采
用深度学习方法对图像特征进行自动化分析，获取图像中施工状态信息。
本文使用基于集合预测的 ＱｕｅｒｙＩｎｓｔ方法对图像信息进行智能化处理，模型结构如图 ２所示。由视
频监控系统采集的视频首先按照每 １５ｓ取 １帧的方式进行帧拆解。每个视频帧彼此独立，可以按独立
的图像分别送入 ＱｕｅｒｙＩｎｓｔ深度学习模型进行分析。ＱｕｅｒｙＩｎｓｔ由特征提取骨架、特征金字塔颈部以及循
［３２］
环动态检测头组成。其中，特征提取骨架采用经典的深度残差卷积神经网络 ＲｅｓＮｅｔ － １０１ 。每个视
频帧图像按照 ＲＧＢ格式输入模型，通过若干残差卷积块提取有效信息。按照卷积神经网络的特性，
处于骨架网络不同阶段、不同空间尺寸的特征包含了图像不同层次的信息。处于较浅层的特征尺寸更
大，拥有较多的具象的、细节的信息，如施工状态不同部位的分界线；与此相对，处于较深层的特征
尺寸更小，拥有更多的抽象的、语义的信息，如不同施工状态的代表特征。为了更好的融合多尺度、
多层次图像信息，在特征提取骨架末尾的特征金字塔颈部结构提取了 ４个不同位置的残差卷积块的特
征并相互融合。最后，针对特征金字塔的每一层，分别使用循环动态检测头进行不同施工状态区域的
像素级别精细划分及类别判定。循环动态检测头是由在若干个阶段中循环更新迭代的建议框、建议特

— ４ ４ ７ —