基于5G的AI的河湖监控管理能力研究

2022-10-20黄贤焱

现代信息科技 2022年13期

黄贤焱

（广东省电信规划设计院有限公司，广东阳江 529500）

0 引言

经过几年的发展，已初步建成了全国河湖长制管理体系，全国各省、市、县三级成立了河长制办公室，承担河长制日常工作。但由于各地河道管理手段不足，管理人员不够，再加上地处偏远，日常数据采集和管理难度依旧很大。在水质监测领域，现在还比较依赖人员去巡查监管，对于水质颜色、水面漂浮物堆积等事件无法及时发现处理，缺乏常态化监管手段。基于AI 的河湖监控管理能力能实现人工巡检与智能巡检相结合、快速预警并处置。

1 能力目标

基于5G 的AI 的河湖监控管理能力，旨在以“提升系统智能化水平、提升资源有效复用度、实现业务应用系统化”为总体思路，围绕河流长制、水域岸线管理、河流采砂监管等重点需求，依托5G、物联网、人工智能、大数据等先进技术，构建基于5G 的AI 的河湖监控管理能力，支撑江河流泊的管理业务，提升江河流泊长效保护与动态管控能力。其主要目标有：

1.1 智能升级提高系统智能化水平

以AI 开放平台为基础，针对河流管理事件的各类应用场景，丰富智能化应用种类，提升智能化效果，并同时进行多维感知核对确认，真正起到智能化、自动化的效果，减少大量人工投入，提升相关工作开展效率。

1.2 集约共享提升资源有效复用度

充分考虑和研究同一场景下不同时间、对象、精确度等方面的应用需求，在保证效果的同时，合理匹配和优化设备，提供同时、分时的一机多用和多机联用，并统筹建设后端中心平台，达到集约共享的目的。

建立统一数据管理平台，打通数据交换壁垒，形成数据共享交换体系，实现对各部门业务的有效支撑。

1.3 总体设计实现业务应用系统化

以总体设计为起点，结合“纵向到底、横向到边”的管控体系，由“目标驱动监管”向“数据驱动监管”转变，破解业务交叉、建设分散的情况，推动河流管理业务全流程数据和管理，有关数据也可共享至其他业务部门，实现河长制管理效益最大化。

2 能力架构

2.1 总体架构

基于5G 的AI 的河湖监控管理能力充分依托电子政务外网、运营商5G 网络资源，构建安全可靠的网络，满足河流管理感知、业务应用、移动应用等连接接入。总体网络架构如图1所示。

图1 基于5G 的AI 的河湖监控管理能力总体架构

总体网络架构为中心—现地站二级管控体系以实现指挥控制扁平化。前端固定视频通过视频专网（光缆）接入，将视频流以及视频异常事件信息上传至管理中心，视频图像流及异常事件在管理中心进行存储；管理中心可依托视频专网调用实时视频流，同时可以调用存储在现地的历史视频；管理中心通过视频管理软件依托政务外网以及视频专网调用实时视频流，依托政务外网调用存储在管控分中心的视频流。

通过运营商无线网络（4G/5G，在具备运营商5G 信号覆盖的场景下，优先利用5G 网络）接入的视频监控设备视频流信息存储在本地；现地AI 分析出的异常事件、定时抓拍的图像信息、及其他信息通过运营商无线网络（5G）传输到中心。移动终端可通过运营商5G无线网络，实现高带宽、低延时的移动应用。

2.2 应用架构

基于5G 的AI 的河湖监控管理能力的应用架构包括：智能感知、基础设施、数据服务和智能应用共4 个层次，以及信息安全、标准规范和运维管理三大体系组成。河流管理智能可视化系统应用架构如图2所示。

图2 基于5G 的AI的河湖监控管理能力应用架构

3 能力组成

3.1 AI 计算中心

结合大数据、云计算和人工智能技术，建设AI 计算中心，提供河流管理AI 能力，提供API 方式调用，河湖监控管理平台及其他第三方业务系统可直接调用。

3.1.1 AI 计算中心架构

AI 计算中心整体系统包括AI 训练平台、智能分析设备、河流管理智能可视化平台等模块。

AI训练平台负责进行智能算法模型的训练。少量训练可采用公有云AI训练平台，大量素材训练可采用私有化部署的AI训练平台。

智能分析设备可以是智能分析前端（智能摄像机）、智能分析NVR 或智能分析服务器，AI 训练平台训练完成的算法模型可以方便地部署在智能分析设备上运行。

基于AI 的河湖监控管理能力一般部署在局域网中，可接入智能分析前端（摄像机）、智能分析NVR 及智能分析服务器，并通过多网域配置等技术手段对接部署于互联网中的AI 训练平台。AI 计算中心部署架构如图3所示。

图3 AI 计算中心部署架构

3.1.2 智能分析算法训练

（1）水面漂浮物识别算法说明：1）智能分析功能说明：对于摄像机视野覆盖内的情况，视频智能分析系统能够对漂浮物聚集处达到一定面积的漂浮物进行自动分析识别。2）目标要求：现场摄像机安装条件满足要求，目标清晰可见，且像素大小不低于48×48 像素（1 920×1 080 分辨率下）。3）水域漂浮物的分类：根据现场管理的需要，将水域漂浮物分类成水葫芦、生活垃圾其他类别。4）水面漂浮物识别算法技术实现原理。水面漂浮物识别智能分析功能在后端布设的智能视频分析服务器中集中实现，前端视频监控设备负责采集视频数据，相关网络链路及信息化基础设施负责视频资源的传输、存储、读取和展示。其实现过程如图4所示。

图4 水面漂浮物识别算法实现过程

水面漂浮物检测算法采用深度学习技术。深度学习是模仿人脑对信息的分析处理方式，通过建立由线性或者非线性变换的处理单元组成的具有层次结构的多层神经网络结构，借助反向传播算法，来自动学习出数据的特征和表达。深度学习算法，能够通过底层特征的不断组合将抽象特征形成具有语义的更加高级的特征，来更好的表达数据。

基于深度学习的识别技术，通过视频分析判断场景中是否有所需识别目标，然后提供报警信息。算法处理流程主要包含以下几个模块：1）输入原始的图像数据至目标检测模块，产生目标检测链表。2）对结果进行统计及过滤。3）输出报警信号，包括报警标志位和目标位置。

（2）垃圾堆识别：1）垃圾堆AI 识别算法说明：对于摄像机视野覆盖内的情况，AI 能力能够发现河岸两边一定面积的垃圾堆进行识别。2）垃圾堆识别算法技术实现原理：垃圾堆智能分析功能在后端布设的智能视频分析服务器中集中实现，前端视频监控设备负责采集视频数据，相关网络链路及信息化基础设施负责视频资源的传输、存储、读取和展示。其实现过程如图5所示。

图5 水面垃圾堆识别算法实现过程

需要注意的是，现有的水面垃圾堆监测方案，只能定点采集图像，因此也只能实现对固定区域的监测，对于河道等水流速较快、路径较长的待监测目标，很难实现对整条河道的完整监测，更无法实现为监测到的漂浮物的跟踪定位，较为可行的做法是，增加河湖区域的视频采集密度，并对算法加以完善，增强垃圾堆数量预测分析。

（3）其他AI 识别能力。根据业务管理需求，结合主管部门业务痛点，至少还应包括采砂船AI识别、入河排污口（明排）排水识别、水体颜色识别和水面泡沫识别。其实现方式主要利用图像进行智能识别。其原理为：

采砂船智能分析功能、排污识别和水体颜色识别在前端布设的智能摄像机中实现，其中排污识别包括排污口水体颜色、泡沫识别、定性判断，以判定是否排污水；而水体颜色识别是指能够在白天对水体颜色包括红色、黑色和黄色进行识别（具体颜色判定指标需结合光照时间和距离情况等多种因素，由用户方指定相关标准）。需要注意的是，水体颜色识别和水面泡沫识别智能分析功能在后端布设的智能视频分析服务器中集中实现。

3.2 视频联网能力

随着可视化系统规模的不断扩大，应用的不断深入，系统的整合需求日益强烈；各级河流管理部门对视频图像资源共享的需求不断提升；横向跨区域视频图像共享需求日益增多，视频监控“大联网”已成为发展趋势。

从河流日常管理的角度来看：首先，河流管理对视频监控的需求已经不仅仅满足于局部区域的有限范围，而是在覆盖本地区的基础上，要求进行全省乃至全国范围内跨区域的大联网监控，市级联网监控成为整个体系中资源汇聚整合的重要环节；其次，利用智能分析、大数据、云计算等新兴技术对视频信息进行深度挖掘，以平台大规模联网、监控资源整合、视频信息汇聚为前提条件。

3.2.1 前端设备联网接入

平台支持市场上符合标准协议的前端设备直接接入，同时考虑到了其他厂家及非标设备的兼容接入方案。实现了中心平台部署与前端设备建设的技术分隔，使得前端设备的部署和选型具有更大灵活性。

站点布设。需要科学优化布局视频监控网络，应对支流汇入口、大中型水闸汇入口，进行布设视频站点。

标准设备。平台支持符合GB/T 28181、ONVIF 等协议的设备直接接入，实现视频预览、云台控制、录像回放等操作。

非标准设备。非标准前端通过视频联网网关（NCG）进行SDK 开发，实现高性能兼容接入，支持各种操作包括预览、控制、回放等，以主要解决已有设备的利旧问题。

3.2.2 下级平台联网接入

标准平台。采用视频联网网关（NCG）实现多厂商满足GB/T 28059、GB/T 28181、DB33 等国标或地标要求的视频监控平台级联或互联。NCG 具备信令网关、媒体网关、网关运维、日志管理、安全认证和权限管理等功能。实现跨平台的目录推送、视频预览、视频回放、设备重启、校时。

非标准平台。视频联网网关（NCG）通过平台厂商提供的SDK 进行定制开发，可将中心平台标准信令转换成下级平台非标准信令，将下级平台非标准码流转换成标准码流，再上传到中心平台流媒体服务器进行转发调用。