水深检测方法及系统与流程

1.本技术涉及水深检测技术领域，尤其涉及一种水深检测方法及系统。


背景技术：

2.矿洞作业复杂，在实际的矿洞作业中具有多种需要水深检测的场景。在矿洞进行爆破作业时，矿洞内容易出现沟壑。在后续矿洞作业的开凿过程中，如果出现水流，水流流入至沟壑，将不能直观看出沟壑水流深浅。即使对积水区域进行抽水，也需要时间。而工作人员在经过未知深浅的沟壑时，极易产生安全事故。
3.在实现现有技术的过程中，发明人发现：现有技术中的矿洞水深检测通常由安检人员巡查，在浪费人力资源的同时，也不能及时发出警告，预警性能较差。
4.因此，需要提供一种水深检测方案，用于解决现有技术中矿洞水深检测预警性能差的技术问题。


技术实现要素：

5.本技术实施例提供一种水深检测方案，用于解决现有技术中矿洞水深检测预警性能差的技术问题。
6.具体的，一种水深检测方法，包括以下步骤：对目标区域水面提供扰动力并进行照明；获取所述目标区域的水面视频；逐帧对所述水面视频的图像进行去噪，生成预处理文件；输入所述预处理文件至颜色空间模型，识别所述预处理文件的颜色空间数据；根据所述预处理文件的颜色空间数据，自适应构建二值图；使用卷积神经网络算法识别二值图中水面的水波光学特征；根据所述二值图中水面的水波光学特征，识别水波波峰、水波波谷；根据所述水波波峰、水波波谷，建立静态水波状态；根据若干静态水波状态，生成动态水波状态；根据所述动态水波状态，至少确定水波波长、水波波速、水波波数；根据所述水波波长、水波波速、水波波数，计算水深；其中，所述水面的水波光学特征包括水波反射照明纹理或水波折射照明纹理。
7.进一步的，所述水深检测方法还包括：间隔预设时长对目标区域水面提供扰动力并进行照明；计算预设间隔时长的水深；计算水深变化速率；当所述水深变化速率超过预设阈值，发出报警信号。
8.进一步的，所述水深检测方法还包括：
当所述水深变化速率超过预设阈值且维持预设涨幅时长，发出报警信号。
9.进一步的，所述水深检测方法还包括：在目标区域水面放置浮漂；使用卷积神经网络算法识别二值图中的浮漂位置；根据所述二值图中的浮漂位置，识别水波波峰、水波波谷。
10.进一步的，所述浮漂外表面发光或反光，便于根据亮度识别浮漂位置。
11.本技术实施例还提供一种水深检测系统。
12.具体的，一种水深检测系统，包括：扰动装置，用于对目标区域水面提供扰动力；照明装置，用于对目标区域水面进行照明；摄像装置，用于拍摄目标区域的水面视频；获取模块，用于获取所述目标区域的水面视频；预处理模块，用于逐帧对所述水面视频的图像进行去噪，生成预处理文件；数据转换模块，用于输入所述预处理文件至颜色空间模型，识别所述预处理文件的颜色空间数据；输出模块，用于根据所述预处理文件的颜色空间数据，自适应构建二值图；识别模块，用于使用卷积神经网络算法识别二值图中水面的水波光学特征；还用于根据所述二值图中水面的水波光学特征，识别水波波峰、水波波谷；建模模块，用于根据所述水波波峰、水波波谷，建立静态水波状态；还用于根据若干静态水波状态，生成动态水波状态；计算模块，用于根据所述动态水波状态，至少确定水波波长、水波波速、水波波数；还用于根据所述水波波长、水波波速、水波波数，计算水深；其中，所述水面的水波光学特征包括水波反射照明纹理或水波折射照明纹理。
13.进一步的，所述扰动装置还用于，间隔预设时长对目标区域水面提供扰动力；所述照明装置还用于，间隔预设时长对目标区域水面进行照明；所述计算模块还用于，计算预设间隔时长的水深；还用于计算水深变化速率；所述水深检测系统还包括警报模块，用于当所述水深变化速率超过预设阈值，发出报警信号。
14.进一步的，所述警报模块还用于，当所述水深变化速率超过预设阈值且维持预设涨幅时长，发出报警信号。
15.进一步的，所述水深检测系统还包括：放置于目标区域水面的浮漂；所述识别模块还用于，使用卷积神经网络算法识别二值图中的浮漂位置；还用于所述根据所述二值图中的浮漂位置，识别水波波峰、水波波谷。
16.进一步的，所述浮漂外表面发光或反光，便于根据亮度识别浮漂位置。
17.本技术实施例提供的技术方案，至少具有如下有益效果：通过对目标区域水面提供扰动力并进行照明，识别目标区域水面水波。根据目标区域水面水波信息，可以计算出当前水深，从而实现实时监控，预警性能高。
附图说明
18.此处所说明的附图仅用于提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本技术实施例提供的一种水深检测方法的流程框图。
19.图2为本技术实施例提供的一种水深检测系统的结构示意图。
20.100
ꢀꢀꢀꢀꢀꢀꢀ
水深检测系统11
ꢀꢀꢀꢀꢀꢀꢀꢀ
扰动装置12
ꢀꢀꢀꢀꢀꢀꢀꢀ
照明装置13
ꢀꢀꢀꢀꢀꢀꢀꢀ
摄像装置14
ꢀꢀꢀꢀꢀꢀꢀꢀ
获取模块15
ꢀꢀꢀꢀꢀꢀꢀꢀ
预处理模块16
ꢀꢀꢀꢀꢀꢀꢀꢀ
数据转换模块17
ꢀꢀꢀꢀꢀꢀꢀꢀ
输出模块18
ꢀꢀꢀꢀꢀꢀꢀꢀ
识别模块19
ꢀꢀꢀꢀꢀꢀꢀꢀ
建模模块20
ꢀꢀꢀꢀꢀꢀꢀꢀ
计算模块21
ꢀꢀꢀꢀꢀꢀꢀꢀ
警报模块22
ꢀꢀꢀꢀꢀꢀꢀꢀ
浮漂。
具体实施方式
21.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
22.请参照图1，本技术公开一种水深检测方法，包括以下步骤：s110：对目标区域水面提供扰动力并进行照明。
23.可以理解的是，所述目标区域指的是水深观测区域，例如矿洞内部的积水区域。矿洞作业复杂，在实际的矿洞作业中具有多种需要水深检测的场景。根据矿洞作业的具体实践，下面本技术提供一种需要对水深进行检测的场景：在矿洞进行爆破作业时，矿洞内容易出现沟壑。在后续矿洞作业的开凿过程中，如果出现水流，水流流入至沟壑，将不能直观看出沟壑水流深浅。即使对积水区域进行抽水，也需要时间。而工作人员在经过未知深浅的沟壑时，极易产生安全事故，因此需要对目标区域的水深进行检测，以便发出安全预警。
24.目标区域的水面在没有扰动源的情况下，处于静止状态，此时水面水平。而当目标区域的水面受到某种扰动而处于非静止状态时，水的重力作为恢复力将使流体质点回到原来的平衡位置。但由于惯性，流体质点在回到平衡位置时，不会停下而是继续运动。这样重力又将发挥恢复力的作用，如此流体质点反复振荡，最终使得水面出现水波。考虑到目标区域的水面没有稳定的扰动源，因此需要对目标区域水面提供扰动力。具体的，发明人考虑到矿洞作业常备有通风管道，因此将风能作为扰动源，对目标区域水面提供扰动力。同时考虑到矿洞作业通常在矿井中进行，而由于矿井内部没有自然光照，因此还需要对目标区域水
面进行照明。
25.s120：获取所述目标区域的水面视频。
26.可以理解的是，所述视频文件可以是包含了实时的音频、视频信息的多媒体文件。所述视频文件的文件格式可以是mpeg、avi、asf、mov、3gp、wmv、rm、rmvb、flv/f4v。在具体的应用场景中，所述目标区域的水面视频可以是从记录仪或摄像头获取的包含所述目标区域水面内容的视频文件。考虑到后续对所述目标区域水面的分析，本技术优选采用固定的位置拍摄目标区域的水面视频。
27.s130：逐帧对所述水面视频的图像进行去噪，生成预处理文件。
28.可以理解的是，连续的图像变化每秒超过24帧画面以上时，根据视觉暂留原理，人眼无法辨别单幅的静态画面；看上去是平滑连续的视觉效果，这样连续的画面叫做视频。
29.考虑到本技术的应用场景通常为矿洞内部，这样的环境不具备自然光束，并且在施工时存在机械震动。因此获取到的目标区域的水面画面通常具有噪声，即图像模糊、图像特征不明显，容易给后续分析带来困难。为此，需要逐帧对所述水面视频的图像进行去噪。具体的，本技术采用去噪算法，对水面视频的图像进行去噪。所述去噪算法具体可以表现为均值滤波、中值滤波、高斯滤波或双边滤波等。其中，所述均值滤波使用相邻像素的平均值来代替原来的像素值。所述中值滤波使用卷积模板的中值来代替像素值。所述高斯滤波使用卷积模板的系数值来代替像素值，所述系数随着与模板中心的距离增大而减小。所述双边滤波结合图像的空间邻近度和像素值相似度来代替像素值。
30.经过去噪后的水面图像模糊程度小且图像平滑，更有利于后续分析。将经过去噪后的水面图像记作预处理文件。
31.s140：输入所述预处理文件至颜色空间模型，识别所述预处理文件的颜色空间数据。
32.可以理解的是，所述颜色空间模型是通过数值描述颜色的数学模型。具体的，所述颜色空间模型可以识别预处理文件单个像素点红、绿、蓝三种基色的合成比例。所述颜色空间模型也可以识别预处理文件单个像素点的饱和度或色度。所述颜色空间模型还可以用一个分量表示非色彩，用两个独立的分量表示色彩，从而识别预处理文件中的黑白像素点和彩色像素点。
33.s150：根据所述预处理文件的颜色空间数据，自适应构建二值图。
34.可以理解的是，所述二值图可以理解为图像上的每一个像素只有两种可能的取值或灰度等级状态。换句话说，所述二值图图像中的任何像素点的灰度值只为0或者255，分别代表黑色或白色。所述二值图的颜色信息简化为黑或白的二项值后，导致二值图的数据量较小，同时处理速度快。
35.考虑到本技术的分析对象具体表现为水面信息，而二值图的黑白二值刚好适用于展示边缘信息，因此本发明优选将预处理文件转化为二值图进行分析。
36.具体的，所述根据所述预处理文件的颜色空间数据，自适应构建二值图可以表现为，设置像素颜色判断阈值，当像素颜色空间数据大于或等于所述像素颜色判断阈值，则将该像素点的灰度值设为255，即白色。当像素颜色空间数据小于所述像素颜色判断阈值，则将该像素点的灰度值设为0，即黑色。
37.s160：使用卷积神经网络算法识别二值图中水面的水波光学特征。
38.可以理解的是，所述水面的水波光学特征包括水波反射照明纹理或水波折射照明纹理。具体的，水波反射照明纹理或水波折射照明纹理可以表现为水波在照明的情况下所呈现的光斑。所述水波光学特征在二值图中可以表现为白色的区域。
39.人工智能的深度学习方法在相关的文献中有详细阐释。这里只就与人工智能的深度学习的卷积神经网络算法在本技术实施例中的应用做原理性说明。
40.某一区域的各像素点灰度值系数可以视为构成一个数组。某一区域的各像素点灰度值的不同系数，则对应不同的数组。一个合理的或优选的数组，可以使得识别二值图中水面的水波光学特征相对合理或相对准确。卷积神经网络算法就是通过历史样本不断训练获得一个合理的或优选的数组，即各像素点灰度值系数的合理设定的一个过程。卷积神经网络算法可以包括输入层、卷积层、池化层、以及一个或多个再卷积层、再池化层、全连接层和输出层。其中，输入层用于输入二值图的训练样本；输出层用于输出水波光学特征区域。卷积神经网络算法中可以设定特征探测器的数量。特征探测器可以探测像素点灰度值系数的训练样本及待分类样本中所具有的特征。卷积神经网络算法可以通过多次训练将识别出的初级特征逐步组合形成高级特征。其中，卷积层用于识别训练样本及待分类样本与特征探测器的契合度，输出特征或特征组合。池化层用于去细节或背景去噪，以强化识别出的特征。全连接层和输出层用于实现单项任务工作量的计算结果的输出。全连接层可以设置若干层神经元，并且第一层神经元与识别出的特征或特征组合相连接、每层神经元与相邻的层之间的神经元相连接，最后一层神经元与输出层相连接。通过反向传播机制对特征或特征组合的权重，或者说出现的概率进行优化。也就是对像素点灰度值系数进行优化，从而获得合理的或者说相对准确的水波光学特征区域。
41.s170：根据所述二值图中水面的水波光学特征，识别水波波峰、水波波谷。
42.可以理解的是，水波具有波峰和波谷。通常在照明的情况下，水波的波峰或波谷作为分界线，边界线两边的灰度值差别较大。二值图中只存在黑色或白色的像素点，其中黑色像素所构成的区域与白色像素所构成的区域之间的分界线可以是波峰线或波谷线。同时，在扰动力稳定的情况下，水波的波峰或波谷呈弧度扩散趋势。
43.因此当识别出二值图中水面的水波光学特征后，可以根据所述二值图中水面的水波光学特征，首先识别图像中的水波区域。之后识别水波区域中光斑附近的边界线。再根据边界线附近的像素区域灰度值以及像素区域的形状，可以识别水波波峰、水波波谷。
44.s180：根据所述水波波峰、水波波谷，建立静态水波状态。
45.可以根据当前时刻二值图中的水波波峰、水波波谷，建立静态水波状态。所述静态水波状态作为当前时刻水波形态的映射，可以根据所述静态水波状态，获得当前时刻水波的波高、波长。当然，此时水波状态可能不是水波波峰的最高形态，也可能不是水波波谷的最低形态。
46.s190：根据若干静态水波状态，生成动态水波状态。
47.s200：根据所述动态水波状态，至少确定水波波长、水波波速、水波波数。
48.可以理解的是，所述静态水波状态依据的是单帧的水面图像转化为二值图后识别得到。而单个静态水波状态并不能反应水波扩散的动态过程。因此多帧的水面图像在转化为二值图后，识别若干二值图中的水波，建立若干静态水波状态。若干静态水波状态根据水面图像的时间戳排列后，可以视为动态水波状态。所述动态水波状态作为水波扩散的映射，
可以根据所述动态水波状态，模拟波纹由产生到传播的各个阶段。再根据视频拍摄角度、积水区域实际的范围参数、视频中积水区域的映射关系、动态水波状态与视频中积水区域的比例关系，从而可以计算出水波传播距离、水波波长、水波波速、水波波数等参数。
49.s210：根据所述水波波长、水波波速、水波波数，计算水深。
50.可以理解的是，本技术应用场景为矿洞内部时，矿洞内积水为有限水深，积水的水波为浅水波。则计算浅水波波速的公式表现为：其中，c代表波速，λ代表波长，k代表波数，h代表水深。
51.或者，考虑到矿洞积水的水质不同，也可以采用线性水波理论计算水深。线性水波理论的公式表现为：其中，c代表波速，σ代表表面张力系数，ρ代表流体密度，k代表波数，h代表水深。
52.下面介绍本技术提供的水深检测方法的具体实现过程：当矿洞内部存在积水时，将积水区域作为目标区域。首先对目标区域水面提供风能作为扰动力，持续扰动目标区域水面形成水波。同时，对目标区域的水面进行照明，以方便拍摄目标区域的水面视频。
53.之后获取所述目标区域的水面视频，逐帧对所述水面视频的图像进行去噪，生成预处理文件。输入所述预处理文件至颜色空间模型，识别所述预处理文件的颜色空间数据。再根据所述预处理文件的颜色空间数据，自适应构建二值图。
54.然后使用卷积神经网络算法识别二值图中水面的水波光学特征。根据所述二值图中水面的水波光学特征，识别图像中的水波区域。之后识别水波区域中光斑附近的边界线。再根据边界线附近的像素区域灰度值以及像素区域的形状，识别水波波峰、水波波谷。
55.根据所述水波波峰、水波波谷，建立静态水波状态。再根据若干静态水波状态，生成动态水波状态。根据所述动态水波状态，至少确定水波波长、水波波速、水波波数。
56.将所述水波波长、水波波速、水波波数，带入下列公式可以计算出当前水域水深。
57.公式中，c代表波速，λ代表波长，k代表波数，h代表水深。
58.需要指出的是，考虑到积水上涨是实时的动态过程，如果当水深超过安全水深时，可能以及造成了安全事故。为此发明人设计，根据水深变化速率，判断是否发出警报信号。
59.具体的，在本技术提供的一种具体实施方式中，所述水深检测方法还包括：间隔预设时长对目标区域水面提供扰动力并进行照明；计算预设间隔时长的水深；计算水深变化速率；当所述水深变化速率超过预设阈值，发出报警信号。
60.还需要指出的是，矿洞作业复杂，仅考虑到积水上涨速率可能会造成误判，因此还需要考虑积水上涨持续时间的因素。具体的，在本技术提供的又一种具体实施方式中，所述水深检测方法还包括：当所述水深变化速率超过预设阈值且维持预设涨幅时长，发出报警信号。
61.还需要指出的是，发明人考虑到根据所述二值图中水面的水波光学特征，识别水波波峰、水波波谷可能出现误判。为此发明人通过在目标区域水面放置浮漂，从而识别水波波峰、水波波谷。
62.具体的，在本技术提供的又一种具体实施方式中，所述水深检测方法还包括：在目标区域水面放置浮漂；使用卷积神经网络算法识别二值图中的浮漂位置；根据所述二值图中的浮漂位置，识别水波波峰、水波波谷。
63.可以理解的是，所述浮漂用于作为参照物。由于浮漂在水面便于识别，因此通过在目标区域水面放置浮漂可以极大提高识别水波波峰、水波波谷的准确度。所述浮漂的表现形式多样，例如球体、平板、柱体等。本技术并不对浮漂的表现形式进行限制，只要可以漂浮于水面，并便于识别的参照物，均可以认为是本技术所述浮漂。
64.进一步的，所述浮漂外表面发光或反光，便于根据亮度识别浮漂位置。
65.下面介绍本技术提供的水深检测方法的具体实现过程：当矿洞内部存在积水时，将积水区域作为目标区域。在目标区域水面放置外表面发光或反光的浮漂。
66.之后对目标区域水面提供风能作为扰动力，持续扰动目标区域水面形成水波。同时，对目标区域的水面进行照明，以方便拍摄目标区域的水面视频。
67.之后获取所述目标区域的水面视频，逐帧对所述水面视频的图像进行去噪，生成预处理文件。输入所述预处理文件至颜色空间模型，识别所述预处理文件的颜色空间数据。再根据所述预处理文件的颜色空间数据，自适应构建二值图。
68.然后使用卷积神经网络算法识别二值图中的浮漂位置。并根据所述二值图中的浮漂位置，识别水波波峰、水波波谷。之后识别水波区域中光斑附近的边界线。再根据边界线附近的像素区域灰度值以及像素区域的形状，识别水波波峰、水波波谷。
69.根据所述水波波峰、水波波谷，建立静态水波状态。再根据若干静态水波状态，生成动态水波状态。根据所述动态水波状态，至少确定水波波长、水波波速、水波波数。
70.将所述水波波长、水波波速、水波波数，带入下列公式可以计算出当前水域水深。
71.公式中，c代表波速，σ代表表面张力系数，ρ代表流体密度，k代表波数，h代表水深。
72.本技术实施例所提供的水深检测方法，通过对目标区域水面提供扰动力并进行照明，识别目标区域水面水波。根据目标区域水面水波信息，可以计算出当前水深，从而实现实时监控，预警性能高。并且通过识别浮漂位置，模拟目标区域水面水波状态，提高了获取水波信息的准确性。
73.请参照图2，为支持水深检测方法，本技术还提供一种水深检测系统100，包括：扰动装置11，用于对目标区域水面提供扰动力；照明装置12，用于对目标区域水面进行照明；摄像装置13，用于拍摄目标区域的水面视频；获取模块14，用于获取所述目标区域的水面视频；预处理模块15，用于逐帧对所述水面视频的图像进行去噪，生成预处理文件；数据转换模块16，用于输入所述预处理文件至颜色空间模型，识别所述预处理文
件的颜色空间数据；输出模块17，用于根据所述预处理文件的颜色空间数据，自适应构建二值图；识别模块18，用于使用卷积神经网络算法识别二值图中水面的水波光学特征；还用于根据所述二值图中水面的水波光学特征，识别水波波峰、水波波谷；建模模块19，用于根据所述水波波峰、水波波谷，建立静态水波状态；还用于根据若干静态水波状态，生成动态水波状态；计算模块20，用于根据所述动态水波状态，至少确定水波波长、水波波速、水波波数；还用于根据所述水波波长、水波波速、水波波数，计算水深。
74.可以理解的是，所述目标区域指的是水深观测区域，例如矿洞内部的积水区域。矿洞作业复杂，在实际的矿洞作业中具有多种需要水深检测的场景。根据矿洞作业的具体实践，下面本技术提供一种需要对水深进行检测的场景：在矿洞进行爆破作业时，矿洞内容易出现沟壑。在后续矿洞作业的开凿过程中，如果出现水流，水流流入至沟壑，将不能直观看出沟壑水流深浅。即使对积水区域进行抽水，也需要时间。而工作人员在经过未知深浅的沟壑时，极易产生安全事故，因此需要水深检测系统100实时对目标区域的水深进行检测，以便发出安全预警。
75.目标区域的水面在没有扰动源的情况下，处于静止状态，此时水面水平。而当目标区域的水面受到某种扰动而处于非静止状态时，水的重力作为恢复力将使流体质点回到原来的平衡位置。但由于惯性，流体质点在回到平衡位置时，不会停下而是继续运动。这样重力又将发挥恢复力的作用，如此流体质点反复振荡，最终使得水面出现水波。考虑到目标区域的水面没有稳定的扰动源，因此需要扰动装置11对目标区域水面提供扰动力。具体的，发明人考虑到矿洞作业常备有通风管道，因此将扰动装置11连接通风管道，使得扰动装置11能够提供风能作为扰动源，对目标区域水面提供扰动力。同时考虑到矿洞作业通常在矿井中进行，而由于矿井内部没有自然光照，因此还需要设置照明装置12对目标区域水面进行照明。
76.所述摄像装置13用于拍摄目标区域的水面视频。具体的，考虑到后续水深检测系统100对所述目标区域水面的分析，本技术优选将摄像装置13设置与固定位置拍摄目标区域的水面视频。
77.获取模块14用于获取所述目标区域的水面视频。可以理解的是，所述视频文件可以是包含了实时的音频、视频信息的多媒体文件。所述视频文件的文件格式可以是mpeg、avi、asf、mov、3gp、wmv、rm、rmvb、flv/f4v。在具体的应用场景中，所述目标区域的水面视频是从摄像装置13获取的包含所述目标区域水面内容的视频文件。
78.预处理模块15用于逐帧对所述水面视频的图像进行去噪，生成预处理文件。考虑到本技术的应用场景通常为矿洞内部，这样的环境不具备自然光束，并且在施工时存在机械震动。因此摄像装置13拍摄到的目标区域的水面画面通常具有噪声，即图像模糊、图像特征不明显，容易给后续分析带来困难。为此，需要预处理模块15逐帧对所述水面视频的图像进行去噪。具体的，预处理模块15采用去噪算法，对水面视频的图像进行去噪。所述去噪算法具体可以表现为均值滤波、中值滤波、高斯滤波或双边滤波等。其中，所述均值滤波使用相邻像素的平均值来代替原来的像素值。所述中值滤波使用卷积模板的中值来代替像素值。所述高斯滤波使用卷积模板的系数值来代替像素值，所述系数随着与模板中心的距离
增大而减小。所述双边滤波结合图像的空间邻近度和像素值相似度来代替像素值。
79.经过去噪后的水面图像模糊程度小且图像平滑，更有利于后续分析。预处理模块15将经过去噪后的水面图像记作预处理文件。
80.数据转换模块16用于输入所述预处理文件至颜色空间模型，识别所述预处理文件的颜色空间数据。
81.可以理解的是，所述颜色空间模型是通过数值描述颜色的数学模型。具体的，所述颜色空间模型可以识别预处理文件单个像素点红、绿、蓝三种基色的合成比例。所述颜色空间模型也可以识别预处理文件单个像素点的饱和度或色度。所述颜色空间模型还可以用一个分量表示非色彩，用两个独立的分量表示色彩，从而识别预处理文件中的黑白像素点和彩色像素点。
82.输出模块17用于根据所述预处理文件的颜色空间数据，自适应构建二值图。
83.可以理解的是，所述二值图可以理解为图像上的每一个像素只有两种可能的取值或灰度等级状态。换句话说，所述二值图图像中的任何像素点的灰度值只为0或者255，分别代表黑色或白色。所述二值图的颜色信息简化为黑或白的二项值后，导致二值图的数据量较小，同时处理速度快。
84.考虑到本技术的分析对象具体表现为水面信息，而二值图的黑白二值刚好适用于展示边缘信息，因此本发明优选将预处理文件转化为二值图进行分析。
85.具体的，所述输出模块17根据所述预处理文件的颜色空间数据，自适应构建二值图可以表现为，设置像素颜色判断阈值，当像素颜色空间数据大于或等于所述像素颜色判断阈值，则输出模块17将该像素点的灰度值设为255，即白色。当像素颜色空间数据小于所述像素颜色判断阈值，则输出模块17将该像素点的灰度值设为0，即黑色。
86.识别模块18用于使用卷积神经网络算法识别二值图中水面的水波光学特征；还用于根据所述二值图中水面的水波光学特征，识别水波波峰、水波波谷。
87.可以理解的是，所述水面的水波光学特征包括水波反射照明纹理或水波折射照明纹理。具体的，水波反射照明纹理或水波折射照明纹理可以表现为水波在照明的情况下所呈现的光斑。所述水波光学特征在二值图中可以表现为白色的区域。
88.人工智能的深度学习方法在相关的文献中有详细阐释。这里只就与人工智能的深度学习的卷积神经网络算法在本技术实施例中的应用做原理性说明。
89.某一区域的各像素点灰度值系数可以视为构成一个数组。某一区域的各像素点灰度值的不同系数，则对应不同的数组。一个合理的或优选的数组，可以使得识别二值图中水面的水波光学特征相对合理或相对准确。卷积神经网络算法就是通过历史样本不断训练获得一个合理的或优选的数组，即各像素点灰度值系数的合理设定的一个过程。卷积神经网络算法可以包括输入层、卷积层、池化层、以及一个或多个再卷积层、再池化层、全连接层和输出层。其中，输入层用于输入二值图的训练样本；输出层用于输出水波光学特征区域。卷积神经网络算法中可以设定特征探测器的数量。特征探测器可以探测像素点灰度值系数的训练样本及待分类样本中所具有的特征。卷积神经网络算法可以通过多次训练将识别出的初级特征逐步组合形成高级特征。其中，卷积层用于识别训练样本及待分类样本与特征探测器的契合度，输出特征或特征组合。池化层用于去细节或背景去噪，以强化识别出的特征。全连接层和输出层用于实现单项任务工作量的计算结果的输出。全连接层可以设置若
干层神经元，并且第一层神经元与识别出的特征或特征组合相连接、每层神经元与相邻的层之间的神经元相连接，最后一层神经元与输出层相连接。通过反向传播机制对特征或特征组合的权重，或者说出现的概率进行优化。也就是对像素点灰度值系数进行优化，从而获得合理的或者说相对准确的水波光学特征区域。
90.水波具有波峰和波谷。通常在照明的情况下，水波的波峰或波谷作为边界线，边界线两边的灰度值差别较大。二值图中只存在黑色或白色的像素点，其中黑色像素所构成的区域与白色像素所构成的区域之间的分界线可以是波峰线或波谷线。同时，在扰动力稳定的情况下，水波的波峰或波谷呈弧度扩散趋势。因此当识别模块18识别出二值图中水面的水波光学特征后，可以根据所述二值图中水面的水波光学特征，首先识别图像中的水波区域。之后识别模块18识别水波区域中光斑附近的边界线。识别模块18再根据边界线附近的像素区域灰度值以及像素区域的形状，可以识别水波波峰、水波波谷。
91.建模模块19用于根据所述水波波峰、水波波谷，建立静态水波状态；还用于根据若干静态水波状态，生成动态水波状态。
92.建模模块19可以根据当前二值图中的水波波峰、水波波谷，建立静态水波状态。所述静态水波状态作为当前时刻水波形态的映射，可以根据所述静态水波状态，获得当前时刻水波的波高、波长。当然，此时水波状态可能不是水波波峰的最高形态，也可能不是水波波谷的最低形态。
93.所述静态水波状态依据的是单帧的水面图像转化为二值图后识别得到。而单个静态水波状态并不能反应水波扩散的动态过程。因此建模模块19在多帧的水面图像转化为二值图后，识别若干二值图中的水波，建立若干静态水波状态。若干静态水波状态根据水面图像的时间戳排列后，可以视为动态水波状态。所述动态水波状态作为水波扩散的映射，可以根据所述动态水波状态，模拟波纹由产生到传播的各个阶段。再根据视频拍摄角度、积水区域实际的范围参数、视频中积水区域的映射关系、动态水波状态与视频中积水区域的比例关系，从而可以计算出水波传播距离、水波波长、水波波速、水波波数等参数。
94.计算模块20用于根据所述动态水波状态，至少确定水波波长、水波波速、水波波数；还用于根据所述水波波长、水波波速、水波波数，计算水深。
95.计算模块20可以根据所述动态水波状态，获得波纹传播时间、传播距离、水波波长、水波波速、水波波数等参数。
96.考虑到本技术应用场景为矿洞内部时，矿洞内积水为有限水深，积水的水波为浅水波。则计算浅水波波速的公式表现为：其中，c代表波速，λ代表波长，k代表波数，h代表水深。
97.或者，考虑到矿洞积水的水质不同，也可以采用线性水波理论计算水深。线性水波理论的公式表现为：其中，c代表波速，σ代表表面张力系数，ρ代表流体密度，k代表波数，h代表水深。
98.下面介绍本技术提供的水深检测系统100的具体实现过程：当矿洞内部存在积水时，将积水区域作为目标区域。首先扰动装置11对目标区域
水面提供风能作为扰动力，持续扰动目标区域水面形成水波。同时，照明装置12对目标区域的水面进行照明，以方便摄像装置13拍摄目标区域的水面视频。
99.之后获取模块14获取所述目标区域的水面视频。预处理模块15逐帧对所述水面视频的图像进行去噪，生成预处理文件。数据转换模块16输入所述预处理文件至颜色空间模型，识别所述预处理文件的颜色空间数据。输出模块17再根据所述预处理文件的颜色空间数据，自适应构建二值图。
100.然后识别模块18使用卷积神经网络算法识别二值图中水面的水波光学特征。识别模块18根据所述二值图中水面的水波光学特征，识别图像中的水波区域。之后识别模块18识别水波区域中光斑附近的边界线。识别模块18再根据边界线附近的像素区域灰度值以及像素区域的形状，识别水波波峰、水波波谷。
101.建模模块19根据所述水波波峰、水波波谷，建立静态水波状态。建模模块19再根据若干静态水波状态，生成动态水波状态。计算模块20根据所述动态水波状态，至少确定水波波长、水波波速、水波波数。
102.计算模块20将所述水波波长、水波波速、水波波数，带入下列公式可以计算出当前水域水深。
103.公式中，c代表波速，λ代表波长，k代表波数，h代表水深。
104.需要指出的是，考虑到积水上涨是实时的动态过程，如果当水深超过安全水深时，可能以及造成了安全事故。为此发明人设计警报模块21，所述警报模块21根据水深变化速率，判断是否发出警报信号。
105.具体的，在本技术提供的一种具体实施方式中，所述扰动装置11还用于，间隔预设时长对目标区域水面提供扰动力；所述照明装置12还用于，间隔预设时长对目标区域水面进行照明；所述计算模块20还用于，计算预设间隔时长的水深；还用于计算水深变化速率；所述水深检测系统100还包括警报模块21，用于当所述水深变化速率超过预设阈值，发出报警信号。
106.还需要指出的是，矿洞作业复杂，仅考虑到积水上涨速率可能会造成误判，因此还需要考虑积水上涨持续时间的因素。具体的，在本技术提供的又一种具体实施方式中，所述警报模块21还用于，当所述水深变化速率超过预设阈值且维持预设涨幅时长，发出报警信号。
107.还需要指出的是，发明人考虑到识别模块18根据所述二值图中水面的水波光学特征，识别水波波峰、水波波谷可能出现误判。为此发明人通过在目标区域水面放置浮漂22，从而识别水波波峰、水波波谷。
108.具体的，在本技术提供的又一种具体实施方式中，所述水深检测系统100还包括：放置于目标区域水面的浮漂22；所述识别模块18还用于，使用卷积神经网络算法识别二值图中的浮漂位置；还用于所述根据所述二值图中的浮漂位置，识别水波波峰、水波波谷。
109.可以理解的是，所述浮漂22用于作为参照物。由于浮漂22在水面便于识别，因此通过在目标区域水面放置浮漂22可以极大提高识别模块18识别水波波峰、水波波谷的准确
度。所述浮漂22的表现形式多样，例如球体、平板、柱体等。本技术并不对浮漂22的表现形式进行限制，只要可以漂浮于水面，并便于识别的参照物，均可以认为是本技术所述浮漂22。
110.进一步的，所述浮漂22外表面发光或反光，便于根据亮度识别浮漂位置。
111.下面介绍本技术提供的水深检测系统100的具体实现过程：当矿洞内部存在积水时，水深检测系统100将积水区域作为目标区域。在目标区域水面放置外表面发光或反光的浮漂22。
112.之后扰动装置11对目标区域水面提供风能作为扰动力，持续扰动目标区域水面形成水波。同时，照明装置12对目标区域的水面进行照明，以方便摄像装置13拍摄目标区域的水面视频。
113.之后获取模块14获取所述目标区域的水面视频。预处理模块15逐帧对所述水面视频的图像进行去噪，生成预处理文件。数据转换模块16输入所述预处理文件至颜色空间模型，识别所述预处理文件的颜色空间数据。输出模块17再根据所述预处理文件的颜色空间数据，自适应构建二值图。
114.然后识别模块18使用卷积神经网络算法识别二值图中的浮漂位置。识别模块18根据所述二值图中的浮漂位置，识别水波波峰、水波波谷。之后识别模块18识别水波区域中光斑附近的边界线。识别模块18再根据边界线附近的像素区域灰度值以及像素区域的形状，识别水波波峰、水波波谷。
115.建模模块19根据所述水波波峰、水波波谷，建立静态水波状态。建模模块19再根据若干静态水波状态，生成动态水波状态。计算模块20根据所述动态水波状态，至少确定水波波长、水波波速、水波波数。
116.计算模块20将所述水波波长、水波波速、水波波数，带入下列公式可以计算出当前水域水深。
117.公式中，c代表波速，σ代表表面张力系数，ρ代表流体密度，k代表波数，h代表水深。
118.本技术实施例所提供的水深检测系统100，通过对目标区域水面提供扰动力并进行照明，识别目标区域水面水波。根据目标区域水面水波信息，可以计算出当前水深，从而实现实时监控，预警性能高。并且通过识别浮漂位置，模拟目标区域水面水波状态，提高了获取水波信息的准确性。
119.需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
120.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。