《Water》：Water Level Measurement Approach Using Monocular Vision with Piecewise Linear Fitting Algorithm
编辑推荐：
水位监测与河岸生产及日常活动安全密切相关，其实时高精度测量是迫切的技术需求。本文改进了Unet模型的骨干特征提取网络，采用轻量化MobileNet V2网络，所构建网络比标准卷积计算效率显著提高，有效克服了传统水位测量方法实时性受限的问题。此外，研究人员将坐标
水位监测与河岸生产及日常活动安全密切相关，其实时高精度测量是迫切的技术需求。本文改进了Unet模型的骨干特征提取网络，采用轻量化MobileNet V2网络，所构建网络比标准卷积计算效率显著提高，有效克服了传统水位测量方法实时性受限的问题。此外，研究人员将坐标注意力(Coordinate Attention, CA)机制嵌入Unet跳跃连接(Skip Connections)中以增强网络提取水位分割关键特征的能力，从而进一步提高水位检测精度。本文提出一种基于单目视觉的新型分段线性拟合(Piecewise Linear Fitting)水位线测量方法，并采用现场实测水位数据验证计算结果。改进模型的主要成果包括：(1) 相比基线模型，改进模型MCUnet(MobileNet V2 + CA + Unet)在水面识别实验数据集上准确率提升5.77%，推理速度提升25.71%；(2) 以现场观测水位为基准，所提基于图像的水位监测方法平均绝对误差(Mean Absolute Error, MAE)约为1.69 cm；(3) 与DeepLab、U2net及Unet相比，MCUnet模型准确率分别提高4.47%、2.81%和5.77%，检测帧率(Frames Per Second, FPS)相应提升12 FPS、15 FPS和11 FPS。本研究可为克服传统水位测量装置安装要求严格、测量精度有限、部署维护成本高及数据处理繁琐等局限性提供理论支持与技术参考。
《Water》刊载论文解读：基于改进Unet语义分割与分段线性拟合的单目视觉水位测量研究
研究背景与意义
水位数据是洪水灾害预警防控的关键基础，准确的水位测量能为防灾减灾争取宝贵时间，并对湿地生态保护及海平面上升监测具有重要意义。传统水位测量技术分为接触式（浮子式、电容式、静压式）与非接触式（超声波、雷达）。接触式传感器存在安装约束严格、易受水流杂物干扰、机械磨损需定期维护及长期校准困难等问题；非接触式方法虽无接触损耗，但易受水面湍流、背景噪声干扰且硬件成本较高。近年基于机器视觉的水位测量方法具有非接触、成本低、适应性强的优势，但传统图像处理对光照敏感，而基于深度学习的方法常存在模型参数量大、推理速度慢难以满足实时监测需求，且单目视觉中透视投影导致像素坐标与物理高度呈非线性关系，直接使用全局线性回归会引入较大系统误差。为此，研究人员开展本研究，旨在构建轻量化高精度语义分割网络实现水位线提取，并结合分段线性拟合消除透视畸变，实现实时高精度水位监测。论文发表于MDPI期刊《Water》。
主要关键技术方法
研究人员在河南范县(Fan County)河道现场布设海康威视(Hikvision)监控相机（距水面垂直高8 m、水平距河岸5 m、俯仰倾角30°），采集1280×960分辨率、25 FPS视频流，抽取7500帧按8:1:1划分为训练/验证/测试集，使用Labelme标注水位线及水域闭合轮廓。技术方法分两模块：(1) 语义分割模块——以Unet为基线，编码器主干替换为轻量化MobileNet V2（采用倒残差瓶颈模块与深度可分离卷积Depthwise Separable Convolution），并在跳跃连接中嵌入坐标注意力(Coordinate Attention, CA)机制（沿水平与垂直方向进行方向感知池化生成注意力权重），构成MCUnet模型；(2) 水位标定模块——针对透视投影非线性，将全量程[Hmin, Hmax]等分为N个子区间，各区间内假设像素纵坐标v与真实水位H呈局部线性关系H=akv+bk，利用已知标定点最小二乘法拟合各段斜率ak与截距bk，经区间判别代入分割所得水位线平均像素坐标求解实时水位。模型训练基于PyTorch 2.0 + CUDA 12.0，评价指标含精确率(Precision, P)、召回率(Recall, R)、F1值(F1-score)及受试者工作特征曲线下面积(Area Under Curve, AUC)，水位误差评估含平均绝对误差(Mean Absolute Error, MAE)、最大绝对误差(Max AE)及均方根误差(Root Mean Square Error, RMSE)。
研究结果
3.1 分割结果对比可视化(Comparative Visualization of Segmentation Results)
研究人员选取同一帧图像对比MCUnet、DeepLab、U2net及Unet输出，结果表明MCUnet能完整分割水体与非水体区域并准确提取水位线；DeepLab预测水位线明显偏离实际位置，U2net高估水位区域，Unet存在分割不完整现象，证明MCUnet整体分割性能最优，CA机制对水位轮廓提取有显著增益。
3.2 消融实验结果分析(Analysis of Ablation Experiment Results)
通过四组消融实验（基线Unet；Unet+MobileNet V2即M-Unet；Unet+CA即C-Unet；MCUnet），研究人员发现：M-Unet使帧率FPS由35升至42，精度与F1值提升；C-Unet帧率略降至34但P、R、F1及AUC均有提高；MCUnet综合效果最佳，FPS达45，P=88.12%、R=78.09%、F1-score=82.80%、AUC=91.42%。说明MobileNet V2实现加速与特征表达，CA机制强化关键特征捕获，二者具有协同增效作用。
3.3 不同模型性能对比(Comparative Analysis of Different Models)
在相同训练设置下对比Unet、DeepLabv3+(ResNet101)、U2net、M-ECA-Unet及MCUnet，MCUnet取得最高P(88.12%)、R(78.09%)、F1-score(82.80%)及AUC(91.42%)，相较M-ECA-Unet在精确率上高出2.19%，F1值与AUC进一步提升，表明坐标注意力(CA)机制优于ECA(Efficient Channel Attention)机制在水位分割任务中的表现。
3.4 水位测量结果对比分析(Comparative Analysis of Water Level Measurement Results)
以人工实测水位为真值，对比四种模型预测偏差。MCUnet的MAE=1.69 cm，较Unet(5.11 cm)、U2net(3.78 cm)、DeepLab(4.53 cm)分别降低约66.9%、55.3%、62.7%；Max AE=2.20 cm，RMSE=1.73 cm，均为最低。证明MCUnet预测最接近真值且波动最小，误差分布集中且无严重异常值。
3.5 不同水位条件下模型表现(Model Performance Under Varying Water Levels)
分别在低水位、常水位、高水位三种工况下测试，MCUnet的F1-score保持在85.1%~89.5%间微幅波动，MAE均低于2.1 cm，仅在低水位（水体面积小、背景干扰强）或高水位时性能轻微下降，显示出良好的泛化能力与工程适用性。
3.6 模型轻量化与推理效率对比实验(Experimental Results of Comparison on Model Lightweight and Inference Efficiency)
对比各模型参数量(Params)、计算量(GFLOPs)、模型大小、内存占用、推理延迟及FPS。MCUnet参数量仅4.2 M、GFLOPs=8.2、模型大小16.8 MB、内存占用1024 MB、延迟22 ms、FPS=45，均为最优；原始Unet参数量17.3 M、FPS=34；U2net参数量达44.5 M、FPS仅30；DeepLab与U2net资源消耗大。MCUnet在保障精度前提下实现了最佳轻量化与高效推理平衡。
讨论与结论总结
讨论部分指出：(1) MCUnet凭借轻量编码器与精简跳跃连接，在抑制不规则水面噪声与保留水位边缘细节间取得更优权衡，优于基于空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)的DeepLab及嵌套U型结构的U2net；(2) 作为可见光视觉方案，该方法受恶劣天气及无补光夜间环境影响较大，相机严重偏移会使测量基准失效，未来可结合红外成像或多模态融合(视觉+雷达)提升全天候适应性；(3) 所提分段线性拟合法将非线性透视映射近似为分段局部线性，该思路可迁移至其他存在透视畸变的单目测距任务（如智能交通车辆距离测量）。
论文结论部分翻译总结如下：
本研究针对实时高精度水位测量需求，通过现场布设相机采集多时段水位数据，提出了一种结合分段线性拟合的单目视觉水位测量新方法。该方法除在极端恶劣天气或无辅助照明夜间环境外，可克服传统水位测量设备安装限制严、部署维护成本高及数据处理繁琐等不足。(1) 通过优化传统Unet特征提取网络构建适用于水位测量的轻量化MobileNet V2网络，实验表明该网络在精确率、召回率、F1值、AUC及FPS五项关键指标上表现最优，可准确实时分割水位线，计算效率显著高于标准卷积，有效解决传统方法实时性差的问题。(2) 基于实测水位数据对比各模型预测性能，所提MCUnet模型在预测表现与误差控制上均优于DeepLab与U2net的无标尺方法及Unet方法，验证了其优良的测量精度与适用性。(3) 在低、常、高水位测试场景下MCUnet综合表现最优，F1-score维持在85%以上(85.1%~89.5%)，MAE严格控制在2.1 cm以内，显著低于对比模型。
