視頻AI識別預警在水環境管控中的應用探討

李翠萍 王利平 管運濤

（1.清華大學深圳國際研究生院，廣東 深圳 518055；2.萬科企業股份有限公司，廣東 深圳 518000；3.深圳市萬物云城空間運營管理有限公司，廣東 深圳 518049）

視頻監控被廣泛應用于道路、建筑、公園綠地、工業廠房等眾多場所，為交通安全、社會治安、物業服務、生產管理等各領域提供保障。隨著通信技術、人工智能（AI）的發展，視頻監控向著高清化、網絡化、智能化不斷發展，被拓展應用到更多場景。在水環境（如河流、湖泊等）的管控中，視頻監控的重要性也得到顯著提高，逐漸從輔助手段轉變為水利安全、水質污染等方面的主要管控技術之一，以彌補傳統人工監控的不足，從而提高管控效率。

1 視頻監控和AI識別預警技術發展

1.1 視頻AI識別預警的發展歷程

視頻監控作為一種感知手段，具有直觀準確、信息豐富、實時可視等特點，大致經歷了3個發展階段，即模擬監控、數字監控和網絡監控[1]。

模擬監控主要指傳統模擬閉路視頻監控系統（CCTV），由前端設備和監控中心兩部分組成，依賴攝像機、線纜、錄像機以及監視器等專用設備，監控和傳輸范圍有限。數字監控主要指以數字硬盤錄像機（DVR）為核心的“半模擬-半數字”監控系統，利用DVR對視頻進行數字處理和存儲，方便瀏覽查詢，但是穩定性較差，監控和傳輸范圍依然有限。網絡監控主要指完全IP網絡視頻監控系統，由前端設備、服務器、客戶端三部分組成，以網絡（有線和無線IP網絡等）為依托，以數字視頻的壓縮、傳輸、存儲和播放為核心，視頻連接、傳輸快速簡便，布控區域廣闊，遠程監控能力強。

在視頻監控數字化、網絡化的基礎上，隨著計算機視覺、人工智能、大數據、云計算等新技術的快速發展，視頻AI識別預警功能也得到深入發展，實現了視頻監控的智能升級，標志著視頻監控正在進入第4個發展階段，即智能監控階段，視頻監控也在智慧城市建設中發揮越來越重要的作用。視頻AI識別預警是利用計算機圖像視覺分析技術對視頻監控獲取的影音資料進行采集、識別、分類、分析，生成圖像內容和行為的描述信息，并根據預定的分析規則，指出可能存在的違反規則的風險目標或行為[2]，同時發出預警信息，協助相關人員進行日常管理。

1.2 視頻AI識別預警的優勢

在保證前端攝像頭和存儲設備正常工作的前提下，可以獲得24 h不間斷視頻監控影像，但依靠人力24 h實時查看監控較為困難，特別是接入視頻點位較多的情況下。AI算法則可以根據設定好的程序快速處理大量影像數據，實現全天候實時監控。

1.2.2 全面快速識別異常情況

傳統的視頻人工排查方式容易造成信息遺漏、報警不及時等問題，視頻AI識別預警則可以在精確設置特殊事件的定義和算法的情況下，全面快速識別異常情況，并向管理員實時發出預警信息。

1.2.3 被動響應升級為主動預警

傳統視頻監控的信息多用于事后查閱和取證，屬于被動監控，視頻AI識別預警可將被動響應升級為主動分析、實時預警，實現高效智能監控[3]。

1.2.4 助力智慧城市建設發展

具有AI識別預警功能的視頻監控可以為城市安防、交通管理、市政運營等提供智能、高效、可視化的解決方案，同時海量的音視頻數據可在公安、城管、消防、水務、環保、民政等各部門之間實現聯網共享，屬于智慧城市的核心環節。

1.3 視頻AI識別預警的分類

視頻AI識別預警方案可以分為前端智能和后端智能。前端智能是將AI算法嵌入前端攝像頭自身芯片中，對采集的影像進行實時分析預警，如車牌識別、人臉識別等時效性強、算法成熟的高頻場景一般應用前端智能攝像頭，是攝像頭設備廠商的研發重點，也是未來技術發展方向。后端智能是將攝像頭采集的影像通過網絡上傳至后臺智能分析服務器進行深入分析。后臺服務器計算能力強、可以應用更復雜的算法，AI識別預警軟件開發周期短、可快速優化迭代、在各類項目中應用靈活，因此多數場景的后端智能效果要優于前端智能，也是目前視頻AI識別預警的主要方式。另外前端和后端智能也可以相結合，攝像頭設備負責預處理，后端服務器進行深度處理。

回顧文獻結合病例資料顯示，MS可發生于任何部位，既可作為白血病的首發表現，也可作為APL復發的臨床表現[14]。部分患者血常規和骨髓涂片并未發現異常，但可以檢測到PML/RARα融合基因或是APL的特征性染色體易位。因此，對于MS患者的診斷，應結合形態學、細胞免疫學、細胞遺傳學和分子生物學等，包括外周血，骨髓涂片、流式、基因、染色體、腫塊病理、免疫組織化學和FISH等檢測，以期避免漏診和誤診。通常MS被認為是一種預后較差的腫瘤[15-16]，未經治療的孤立性MS大多在6個月左右轉化為急性白血病。對于MS的治療主要采取手術切除、放療、全身性化療和造血干細胞移植等方法[17]。

2 視頻AI識別預警在水環境管控中的應用

2.1 AI識別預警系統視頻傳輸鏈路

隨著各地智慧水務、智慧環保系統陸續建設，河流、湖泊等水環境區域內視頻監控點位建設越來越多，水環境監管擁有了“千里眼”，視頻AI識別預警的應用則將其進一步升級為“智慧眼”。

水環境管控視頻的AI識別預警一般使用后端智能的方式，在河道、湖泊岸邊的前端網絡攝像頭通過4G/5G無線網卡或有線網絡實時傳輸視頻至攝像頭設備廠商平臺，再通過有線網絡傳輸至政務云平臺服務器及智慧環保視頻平臺，最終在PC用戶端和App用戶端展示[4]。

視頻AI識別預警系統的視頻源可有多種取流路徑，若AI識別預警系統包含在智慧環保平臺中，則由智慧環保平臺直接取流分析；如AI識別預警系統為單獨開發，則可采用前端攝像頭IPC取流或設備廠商平臺SDK取流方式。PC用戶端可對AI識別預警系統分析的結果進行展示、統計分析、問題甄別、派發報警工單，一線人員的App用戶端則進行預警工單接收、問題處理、工單關閉。

視頻AI識別預警系統視頻傳輸鏈路如圖1所示。

2.2 視頻AI識別預警場景分類

視頻AI識別預警系統的開發包括場景需求分析、模型算法設計、數據采集標注、模型測試、模型訓練及迭代、模型驗證與發布、模型優化升級等多個階段。針對水環境管控場景的AI識別預警技術發展較晚，不同場景下識別的對象類型、屬性、關系和行為差異較大，數據和算法一般不能通用，因此水環境管控中AI識別預警系統目前成熟應用的產品并不多。但隨著智慧水務和智慧環保建設需求的增加，水環境管控視頻AI識別預警系統也成為各個科技公司的研發熱點之一。

水環境管控中需要進行視頻AI識別預警的場景一般包括水質異常、漂浮物、排水口溢流、水位測量、流速/流量測量、人員入侵、人員落水、違規垂釣、岸堤塌陷、岸邊垃圾等3個類別10個場景。其中水質異常、漂浮物、排水口溢流與水體水質的變化直接相關，人員落水識別預警可協助涉水治安管理，岸堤塌陷與水務安全密切相關。水環境視頻AI識別預警場景如表1所示。

表1 水環境視頻AI識別預警場景

其中漂浮物、排污口溢流、人員入侵、人員落水、違規垂釣等場景的模型算法比較成熟，而水質異常模型的算法準確率通常不高，其主要基于水體顏色種類及顏色變化識別水質是否異常，而光與水有豐富的交互作用，因此模型容易受到空中和岸邊各種物體（如白云、樹叢、建筑物等）的倒影、水體中生長的水草以及河道底部的影響。水位測量場景通過定時抓拍識別水尺影像，并自動上傳水位數據，可以實現惡劣天氣下的遠程精準識別和水位預警。流速/流量測定則是應用影像測流技術進行，即通過影像識別計算水體的表面流場，進行水體表面和垂向流速計算；進一步可結合影像識別得到的水位數據、斷面提前實測的形態參數計算流量。

AI識別預警全天24 h不間斷，對于精準度較低的場景，需要對系統發出的AI預警信息適當增加人工篩查核對流程，從而避免錯誤或不必要的警報。

2.3 提升和發展方向

2.3.1 模型精準度提升

AI模型算法的精準度是影響視頻AI識別預警系統應用效果的一個主要因素，算法精準度提升需要通過海量數據的采集、標注、訓練迭代。但某些需要識別預警的水環境管控場景較為復雜且為小概率事件，同時相關部門的環保數據具有敏感性、保密性，能夠提供的數據有限，在一定程度上限制了視頻AI識別預警模型的開發和優化。因此，在已經成熟應用水環境視頻監控的城市，需要相關部門和科技企業合力持續進行AI識別預警系統的開發、應用和優化，不斷積累高質量數據作為訓練數據集，才能夠提高算法精準度，降低誤報率和漏報率，減少無效識別，提高管控效率。

2.3.2 應用場景拓展

對于水庫、景觀湖等水體，可在周邊合適的位置部署全景高點視頻監控[5]，俯瞰整個湖庫范圍，實現大場景覆蓋，對湖庫的藻類暴發、漂浮物、污水溢流等情況進行可視化監控和AI識別預警，在一定程度上可代替無人機巡檢等方式。監控設備可采用能夠360°旋轉的高清云臺攝像機，也可以進一步結合多光譜或高光譜成像設備，利用AI識別預警系統對影像和光譜信息進行智能分析，深度解析葉綠素、高錳酸鹽指數、透明度等相關水質指標。

3 結語

隨著各地智慧環保建設的開展，視頻監控在水環境管控方面的應用越來越廣泛，市場對于視頻智能分析識別的需求也進一步加速。視頻AI識別預警系統未來將作為必不可少的產品，將得到更深入的開發和更充分的應用，助力實現生態環境治理體系和治理能力的現代化。