Page 31 - 水利学报2025年第56卷第4期
P. 31
Ｐ ＝ ｛ｐ，ｐ，…，ｐ｝ （５）
１ ２ Ｎ
Ｒ ＝ ｛ｒ，ｒ，…，ｒ｝ （６）
１ ２ Ｎ
式中 ｐ∈! Ｗ× Ｈ ，ｒ ∈! Ｗ× Ｈ 。
ｎ
ｎ
根据以上准则和基于视觉方法的坝面施工状态划分结果，能够将碾压混凝土坝坝面各层混凝土的
摊铺和碾压时间进行实时统计分析，见图 ４。
图 ３ 摊铺及碾压时间计算伪代码
图 ４ 摊铺及碾压时间计算方法
４ 案例分析
４．１ 实验准备 采用上述方法对中国西南某碾压混凝土坝某仓面热升层状态的实时监控进行分析。在
本实验中，采用布置于大坝枢纽区左岸坝肩的全景摄像机作为主要数据来源，数据获取过程中，将全
景摄像机聚焦于施工仓面上并固定视角。选取某仓面上午 ９点至下午 ５点光照充足的时段作为数据采
集时段，共采集 ４日（３２ｈ）的连续视频图像作为原始图像。该仓面长 ８０ｍ，宽 ３０ｍ，摊铺时每层铺层厚
度为 ３０ｃｍ，碾压时采用搭接法碾压，碾压错距宽度 ０．３ｍ，碾压机最高时速 ２ｋｍ?ｈ。为获取可靠的数据
分析结果，选取的原始视频图像分辨率为 １９２０像素（宽） × １０８０ 像素（高）。由于坝面施工历时较长，连续
视频帧之间的场景变化并不明显，因此实验中按照每 １５ｓ取一帧的方式将视频进行拆帧，使用随机方法
排序后形成图像数据集。部分图像如图 ５所示，拆帧后图像中场景变化较明显，且包含混凝土从入仓、
平仓到碾压全过程的场景，如图 ５所示。经过数据预处理，最终数据集为与时间序列无关的高清晰度图
像 ３５２４张，按照 ８０％∶１０％∶１０％的比例随机划分为 ２８１８张的训练集、３５３张的验证集和 ３５３张的测试集。
实验中所使用的深度学习模型 ＱｕｅｒｙＩｎｓｔ为监督学习模型，需对数据集中图像内各部分的施工状态
— ４ ４ ９ —
