基于U-Net与河马优化的机器视觉驱动的大坝粗差识别方法

赵鹏; 耿峻; 刘顶明; 刘勇军; 张海龙; 汪昌港; 童广勤; 王一鸣; 卢太奇; 邵晨飞; 顾昊; 许焱鑫

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于U-Net与河马优化的机器视觉驱动的大坝粗差识别方法

安全监测与评价 | 更新时间：2026-07-10

- 基于U-Net与河马优化的机器视觉驱动的大坝粗差识别方法
- 基于U-Net与河马优化的机器视觉驱动的大坝粗差识别方法
- 水力发电 2026年52卷第7期页码：86-93
- 作者机构：
  
  1. 中国长江三峡集团有限公司
  2. 高坝大库运行安全湖北省重点实验室
  3. 河海大学水利水电学院
  4. 河海大学水科学研究院
- 作者简介：
- 基金信息：
  
  国家重点研发计划(2024YFC3210700)
- DOI：
  中图分类号： TV698.1;TP391.41
- 纸质出版：2026
- 稿件说明：
移动端阅览
赵鹏, 耿峻, 刘顶明, 等. 基于U-Net与河马优化的机器视觉驱动的大坝粗差识别方法[J]. 水力发电, 2026,52(7):86-93.

赵鹏, 耿峻, 刘顶明, et al. 基于U-Net与河马优化的机器视觉驱动的大坝粗差识别方法[J]. 2026, 52(7): 86-93.
赵鹏, 耿峻, 刘顶明, 等. 基于U-Net与河马优化的机器视觉驱动的大坝粗差识别方法[J]. 水力发电, 2026,52(7):86-93. DOI：

赵鹏, 耿峻, 刘顶明, et al. 基于U-Net与河马优化的机器视觉驱动的大坝粗差识别方法[J]. 2026, 52(7): 86-93. DOI：

摘要

针对传统监测方法易受噪声影响，导致粗差识别率低、鲁棒性不足，难以满足高精度安全监测要求等问题，提出了一种基于机器视觉的误差识别方法。该方法通过解析U-Net系统架构与技术逻辑，模拟人眼的数据特征感知机制，将一维时序监测数据转化为更具判别性的高层语义特征，为降低U-Net中超参数组合和后处理策略人为选取的不确定性，加入河马优化算法，通过全局寻优，提升模型对隐蔽粗差识别的鲁棒性。实际工程验证表明，该方法较传统机器学习算法，粗差识别率显著提升，尤其在多源噪声干扰与非线性数据场景中优势突出，为大坝安全检测数据粗差识别提供了新思路。

Abstract

关键词

Keywords

references

周元春,甘孝清,李端有.大坝安全监测数据粗差识别技术研究[J].长江科学院院报,2011(02).

李兴,李艳玲,张鹏,杨哲.基于M估计的改进Pauta准则在监测数据粗差识别中的研究及应用[J].中国农村水利水电,2019(08).

郑森,顾冲时,邵晨飞.基于图像处理技术的大坝监测数据粗差识别[J].南水北调与水利科技(中英文),2020(05).

齐智勇,孙辅庭,毛延翩,周建波,张春辉,李秋炎.基于全卷积神经网络的大坝变形监测数据粗差识别方法研究[J].水电能源科学,2023(03).

王岩博,顾冲时,石立,顾昊,张建中,陆希,吴艳,朱明远.基于改进IGGⅢ-ELM法的混凝土坝变形监测数据粗差识别方法[J].水利水电科技进展,2023(06).

陈立秋,顾冲时,邵晨飞,顾昊,高睿颖.基于相似测点对比的大坝变形监测数据粗差识别方法[J].水利水电科技进展,2024(04).

杨兴富,刘得潭,杨进,刘少文,高睿颖,顾昊,王岩博.基于APSO-Robust-ELM的大坝变形原始监测数据粗差识别方法[J].水力发电,2024(06).

汪昌港,耿峻,赵鹏,童广勤,付思韬,顾昊,沈雷,孙啸.基于模糊聚类和孤立森林算法的大坝监测数据粗差识别方法[J].水力发电,2025(12).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进聚类方法的大坝安全监测算法

大坝安全监测数字孪生系统应用研究

我国绿色电力证书政策机制及应用简析

基于Sentinel-1 SAR数据的青狮潭水库水体提取与蓄水量反演

新形势下能源国际合作规划思考——以柬埔寨为例