基于全方位视觉的泥石流预警预报装置

摘要

一种基于全方位视觉的泥石流预警预报装置，主要由雨量检测单元、泥石流发生检测单元、雨量雨强计算单元、泥石流相关水文气象历史记录记忆单元、泥石流预警预报单元、统计预警预报模型、泥石流预警预报信息发布单元等构成；根据所计算得到的10分钟雨强、一小时雨强、实效雨量作为状态输入，通过统计预警预报模型判断在该状态条件下发生泥石流的概率以及不发生泥石流的概率以及泥石流灾害的严重性和紧急程度；将判断结果用网络及其他各种手段及时发布给下游的灾害危险区的居民，使居民可以及时得到预警信息，从而可以提前采取预防措施回避损失，减轻泥石流的灾害。

权利要求

1.一种基于全方位视觉的泥石流预警预报装置，其特征在于：所述的泥石流预警预报装置包括用于监视待测山体和雨量收集装置水位的全方位视觉传感器、雨量收集装置和用于根据视频信号进行灾害检测的微处理器，所述的全方位视觉传感器安装在待测山体的沟床的上方，

所述的全方位视觉传感器输出连接微处理器，所述的全方位视觉传感器包括用以反射监控领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央；所述的雨量收集装置包括盛水器、翻斗，所述的盛水器上设有用于显示盛水器水位的浮标；所述的微处理器包括：视觉传感器标定模块，用于设定视频图像位置与实际空间坐标上的位置的对应关系；

浮标位置采集模块，用于采集视频传感器的视频图像，并确定盛水器浮标的位置；雨量智能计算模块，用于设定浮标的位置与翻斗的水量的对应关系；采集视觉传感器的信号，检测翻斗自动发生翻倒动作前瞬间浮标的位置，并依据对应关系计算翻斗中的实际雨量，检测翻斗前一次自动恢复动作后的翻斗中的浮标位置，计量翻斗中的初始雨量，实际雨量与初始雨量相减后得到本次倾倒雨量；

激发泥石流雨强计算模块，用于统计计算降雨过程中最大10分钟雨强或最大1小时雨强，以每分钟为单位进行统计；雨强则指单位时间内暴雨的降雨量，在Δt(i)暴雨历时内降雨量为ΔY(i)时，每分钟平均雨强用以下公式(15)计算：

$y\left(i\right)=\frac{\mathrm{\Delta Y}\left(i\right)}{\mathrm{\Delta t}\left(i\right)}---\left(15\right)$要得到最大10分钟雨强或最大1小时雨强，遍历统计时间间隔前后10分钟的情况，并求其最大值，计算公式如(16)所示：

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\Sigma }}y\left(i\right),···,\underset{i=j}{\overset{j+59}{\Sigma }}y\left(i\right))$$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\Sigma }}y\left(i\right),···,\underset{i=j+50}{\overset{j+59}{\Sigma }}y\left(i\right))---\left(16\right)$式中，i为目前统计时刻点，j为前60分的统计时刻点，y1h为最大一小时雨强，y10min为最大10分钟雨强y10min；

当日激发雨量计算模块，用于统计计算从泥石流发生时刻起往前推至凌晨8时的降雨量；

前期有效雨量计算模块，用于根据监控地所在的纬度和汛期的日照、蒸发、植被状况和相对湿度以及土坡特性，采用公式(2)计算前期15天的有效雨量，

式甲，k为系数，根据监控地所在的纬度、汛期的日照、径流、蒸发、土壤渗透能力等因素确定，K为小于1的衰减系数；

泥石流的概率分布计算模块，用于设定R当日+R有效固定在一个比较小的范围，计算得到在所述R当日+R有效以及最大一小时雨强y1h、最大10分钟雨强y10min范围内发生泥石流的概率分布和不发生泥石流的概率分布；

所述的求最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流的概率分布，首先是在某个R当日+R有效范围内发生泥石流灾害时求最大一小时雨强y1h、最大10分钟雨强y10min的个数n1、n2样本含量即得均数其公式为：

$\overline{Y_{1h}}=(Y_{1h\left(1\right)}+Y_{1h\left(2\right)}+······+Y_{1h\left(n\right)})/n1=\underset{1}{\overset{n1}{\Sigma }}{Y}_{1h}/n1---\left(3\right)$$\overline{Y_{10\min }}=(Y_{10\min \left(1\right)}+Y_{10\min \left(2\right)}+······+Y_{10\min \left(n\right)})/n2=\underset{1}{\overset{n2}{\Sigma }}{Y}_{10\min }/n2$然后根据均数来求得其各自的标准差s1h、s10min，其公式为：

$s_{1h}=\sqrt{\underset{1}{\overset{n1}{\Sigma }}{(Y_{1h}-\overline{Y_{1h}})}^2/(n1-1)}---\left(4\right)$$s_{10\min }=\sqrt{\underset{1}{\overset{n2}{\Sigma }}{(Y_{10\min }-\overline{Y_{10\min }})}^2/(n2-1)}$当雨强与泥石流发生样本含量n1、n2足够大时，常用样本均数和样本标准差s1h、s10min分别代替μ1h、μ10min和σ1h、σ10min，按其变化参数，推导出正态分布密度函数f1(Y1h)、f2(Y10min)，其公式为：

$f_1\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mu }_{1h})}^2\left({{2\sigma }_{1h}}^2\right)}/{\sigma }_{1h}\sqrt{2\pi },0<Y_{10\min }<Y_{1h}<K$$f_2\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mu }_{10\min })}^2\left({{2\sigma }_{10\min }}^2\right)}/{\sigma }_{10\min }\sqrt{2\pi }---\left(5\right)$式中μ1h、μ10min为均数；σ1h、σ10min为标准差；π为圆周率；e为自然对数的底，Y1h为实际的最大一小时雨强y1h、，Y10min为实际的最大10分钟雨强y10min；

所述的求最大一小时雨强y1h、最大10分钟雨强y10min不发生泥石流的概率分布，与上述方法一样，首先是在某个R当日+R有效范围内不发生泥石流灾害时求最大一小时雨强y^1h、最大10分钟雨强y^10min的个数n3、n4样本含量即得均数其公式为：

$\overline{{Y^}_{1h}}=({Y^}_{1h\left(1\right)}+{Y^}_{1h\left(2\right)}+······+{Y^}_{1h\left(n3\right)})/n3=\underset{1}{\overset{n3}{\Sigma }}{Y^}_{1h}/n3---\left(6\right)$$\overline{{Y^}_{10\min }}=({Y^}_{10\min \left(1\right)}+{Y^}_{10\min \left(2\right)}+······+{Y^}_{10\min \left(n4\right)})/n4=\underset{1}{\overset{n4}{\Sigma }}{Y^}_{10\min }/n4$然后根据均数来求得其各自的标准差s^1h、s^10min。其公式为：

${s^}_{1h}=\sqrt{\underset{1}{\overset{n3}{\Sigma }}{({Y^}_{1h}-\overline{{Y^}_{1h}})}^2/(n3-1)}---\left(7\right)$${s^}_{10\min }=\sqrt{\underset{1}{\overset{n4}{\Sigma }}{({Y^}_{10\min }-\overline{{Y^}_{10\min }})}^2/(n4-1)}$当雨强与泥石流不发生样本含量n3、n4足够大时，常用样本均数和样本标准差s^1h、s^10min分别代替μ^1h、μ^10min和σ^1h、σ^10min，按其变化参数，推导出正态分布密度函数f3(Y1h)、f4(Y10min)，其公式为：

$f_3\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mu ^}_{1h})}^2\left({{2\sigma ^}_{1h}}^2\right)}/{\sigma ^}_{1h}\sqrt{2\pi },0<Y_{10\min }<Y_{1h}<K2$$f_4\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mu ^}_{10\min })}^2\left({{2\sigma ^}_{10\min }}^2\right)}/{\sigma ^}_{10\min }\sqrt{2\pi }---\left(8\right)$式中μ^1h、μ^10min为均数；σ^1h、σ^10min为标准差；π为圆周率；e为自然对数的底，Y1h为实际的最大一小时雨强y1h、，Y10min为实际的最大10分钟雨强y10min；

所述的最大一小时雨强y1h与最大10分钟雨强y10min的统计是以每分钟为单位进行统计的；雨强则指单位时间内暴雨的降雨量；在Δt(i)暴雨历时内降雨量为Δy(i)时，平均雨强可用以下公式计算：

$y\left(i\right)=\frac{\mathrm{\Delta y}\left(i\right)}{\mathrm{\Delta t}\left(i\right)}---\left(9\right)$$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\Sigma }}y\left(i\right),···,\underset{i=j}{\overset{j+59}{\Sigma }}y\left(i\right))$$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\Sigma }}y\left(i\right),···,\underset{i=j+50}{\overset{j+59}{\Sigma }}y\left(i\right))---\left(10\right)$式中，i为目前统计时刻点，j为前60分的统计时刻点；

根据公式(5)、(8)对于每一个最大一小时雨强y1h求得发生与不发生泥石流的概率，同样对于每一个最大10分钟雨强y10min求得发生与不发生泥石流的概率；

泥石流灾害量化模块，用于根据公式(5)所求得的最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流的概率，取最大的概率max(f1(Y1h)，f2(Y10min)作为严重性预测预报指标，划分严重性等级；以f1(Y1h)发生的概率来作为紧急程度判断基准，用f2(Y10min)、f3(Y1h)以及f4(Y10min)来进行偏差调整，如果最大10分钟雨强y10min发生泥石流灾害的概率大于最大一小时雨强y1h发生泥石流灾害的概率的话，提高一个紧急程度；如果当不发生泥石流的概率远大于发生泥石流的概率时，(f3(Y1h)，f4(Y10min))＞＞(f1(Y1h)，f2(Y10min))，降低两个紧急程度；如果当不发生泥石流的概率大于发生泥石流的概率时，(f3(Y1h)，f4(Y10min))＞(f1(Y1h)，f2(Y10min))降低一个紧急程度；如果当不发生泥石流的概率小于设定概率k1时max(f3(Y1h)，f4(Y10min))≤k1，提高一个紧急程度；如果当不发生泥石流的概率小于另一设定概率k2时max(f3(Y1h)，f4(Y10min))≤k2，k1＞k2，提高两个紧急程度；泥石流灾害预警预报模块，用于当本次测量的严重性等级、紧急程度超过预设的阈值时，发布避难信号。

2.如权利要求1所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的微处理器还包括沟谷上游检测模块，用于检测沟谷上游是否发生崩塌和滑坡；所述的沟谷上游检测模块包括：

图像变化计算单元，用于采用快速分割算法检测地貌发生的变化，设定一个比较稳定的基准参考图像，将所获得的当前帧现场视频图像与基准参考图像进行差值运算，图像相减的计算公式如式(24)表示：

fd(X，t0，ti)＝f(X，ti)-f(X，t0)    (24)

上式中，fd(X，t0，ti)是实时拍摄到检测范围内图像与基准参考图像间进行图像相减的结果；f(X，ti)是实时拍摄到检测范围内图像；f(X，t0)是基准参考图像；

连通区域计算单元，用于对当前图像进行标记，像素灰度为0的背景，像素灰度为1为目标，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；

崩塌和滑坡判断单元，用于依据上述得到的连通区域，对上述标记过的每个连通区域求出其面积Si，当前景活动对象面积Si超过一个阈值时作为崩塌和滑坡可疑；每帧之间活动对象的移动判断其移动方向，如运动方向是从高处下低处移动，判定属于崩塌和滑坡；将每一帧中求的连通区域用按先后顺序以轨迹方式表达其轨迹形状，其轨迹形状接近于一个矩型，发生崩塌和滑坡位置越高，矩型的高度尺寸就越大，崩塌和滑坡发生面积越大，矩型的宽度尺寸就越大。

3.如权利要求1所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的微处理器还包括沟谷中游检测模块，用于检测泥石流的运动特征、流量特征以及流量沿程特征；所述的沟谷上游检测模块包括：

灰度直方图单元，用于将全方位视觉传感器采集的视频图像采用灰度直方图表示，描述图像中具有灰度级的像素的个数，横坐标是灰度级，纵坐标是该灰度出现的频率；

泥石流划分单元，用于利用检测区域内灰度直方图的分布来区分水流、泥石流的龙头、龙身、龙尾，设定龙头、龙身、龙尾经过检测区域相应的直方图；

流速测量单元，用于将在全方位视觉传感器所获得的图像中从上游到下游对检测区域进行按序编号，在视频测量中在某一个时刻中发现初始检测区域所检测到的直方图有明显的变化，将该时刻与直方图保存在存储单元内，经过一段时间后发现另一检测区域所检测到的直方图也有明显的变化，并与保存在存储单元内的初始检测区域所检测到的直方图进行比对，如果两个直方图有非常大的相似性，认为泥石流的龙头从刚才的初始检测区域向前发展到另一检测区域，两个检测区域之间的距离是在该时间内泥石流的龙头或龙身或龙尾运动的距离，通过计算下式得到泥石流的流速；

流速＝所经过的距离/所经历的时间。

4.如权利要求1所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的微处理器还包括沟谷下游检测模块，用于通过用户界面输入泥石流可能经过的沟谷图像信息，并将该信息存储在存储单元中，在检测泥石流发生时根据所存储沟谷图像信息，并判断在该沟谷上是否发现有黑色流动体，如果有，判定有泥石流发生可疑。

5.如权利要求1-4之一所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的盛水器下端设有引流管，该引流管的下方为翻斗，所述的翻斗安装在铰支座上，所述铰支座位于当翻斗盛积的水量达到设定数量值时正好能使翻斗翻倒、将翻斗中盛积的水量倾倒完毕后翻斗由于重心恢复力的作用恢复到原来位置的平衡支点，所述的翻斗上安装在翻斗翻倒时堵住引流管、翻斗恢复后放开引流管的止流装置，所述的止流装置的堵塞件与引流管的下端配合；在所述的翻斗内设有观测水槽，所述的观测水槽与翻斗底部连通，所述的观测水槽内设有具有颜色特征的浮标。

6.如权利要求5所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的翻斗呈扁型梯形状，翻斗的宽度为一个恒定量W，梯形边的下部底边长度为l，梯形边的上部底边长度为L，梯形的总高度为H，浮标的位置即水位的高度y，在雨量智能计算模块中，翻斗梯形边的长度x是水位的高度y的线形函数，建立水位的高度与翻斗中雨水的容积的对应关系，公式如(12)所示：$V\left(y\right)=\frac{W*y*[l+y*\left(\frac{L-l}{H}\right)]}{2}---\left(12\right)$上式中，V为翻斗中雨水的容积；

将本次翻斗自动发生翻倒动作瞬时翻斗中的浮标位置y(i)action-before以及前一次自动恢复动作后的翻斗中的浮标位置y(i-1)action-after存储在记忆单元内，通过公式(13)计算出实际本次翻斗自动发生翻倒过程中所倾倒掉的水量；

$V\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*[l+{y\left(i\right)}_{\mathrm{action}-\mathrm{before}}*\left(\frac{L-l}{H}\right)]$$-{y\left(i\right)}_{\mathrm{action}-\mathrm{after}}*[l+y{\left(i\right)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)]\}---\left(13\right);$设定盛水器的面积为S，根据公式(11)就能得到本次所检测到的雨量，

$\mathrm{Rain}\left(i\right)=\frac{V\left(i\right)}{S}---\left(16\right)$上式中，ΔY(i)为雨量；

在所述的智能雨量计算单元中，记录该次翻斗自动发生翻倒动作的时刻，并将各个翻倒时刻记录在数据库记录表中，并记录各个翻到时刻的雨量，运用统计方式计算得到设定时间段的雨量。

7.如权利要求1-4之一所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的泥石流灾害检测装置还包括照明灯，所述的照明灯安装在视觉传感器上，所述的微处理器还包括亮度判断及节能灯开关模块，用于提取图像RGB色彩空间到YUV空间的转化的结果得到Y的亮度分量，如果当Y的值小于域值Ymin时，自动接通照明灯，照明灯的亮度为域值Ymin的10％，当Y的值超过域值Ymin的20％时，自动断开对照明灯的供电。

8.如权利要求2所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的微处理器还包括背景维护模块，所述的背景维护模块包括：

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(22)所示：

${\bar{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\Sigma }}\underset{y=0}{\overset{H-1}{\Sigma }}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\Sigma }}\underset{y=0}{\overset{H-1}{\Sigma }}(1-M_n(x,y))}---\left(22\right)$式(22)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化：

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为检测到检测对象时

第一帧的背景亮度，两帧平均亮度的变化为：

ΔY＝Yb1-Yb0    (23)

如果ΔY大于上限值，则认为发生了开灯事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化；

背景自适应单元，用于当光线自然变化时，按照下式(20)进行自适应学习：

Xmix，bn+1(i)＝(1-λ)Xmix，bn(i)+λXmix，cn(i)    (20)

式中：Xmix，cn(i)为当前帧RGB向量，Xmix，bn(i)为当前帧背景RGB向量，Xmix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成；

当光线由突变引起的，背景像素按照当前帧重置，参见式(21)：

Xmix，bn+1(i)＝Xmix，cn(i)    (21)。

上式中的Xmix，bn+1(i)(i＝1，2，3)分别表示R，G，B 3个分量。

9.如权利要求8所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的微处理器还包括剔除噪声模块，用于剔除由噪声所产生的图像边缘点，用滤波掩膜确定的邻域内像素的平均灰度值去替代图像每个像素点的值，即每一个像素值用其局部邻域内所有值的均值置换，如公式(25)所示：h[i，j]＝(1/M)∑f[k，1]    (25)

式中，M是邻域内的像素点总数。

说明书

(一)技术领域

本发明属于全方位视觉传感技术、计算机图像处理技术、多媒体技术、网络通信技术、泥石流地声检测技术、地质灾害发生时的地表活动观察技术和雨量可视化技术在地质灾害预测、预警方面的应用，主要适用于在泥石流等地质灾害发生频繁的山区、河流监视，减少当地人民的生命财产的损失。尤其是一种泥石流预警预报装置。 

(二)背景技术

泥石流是一种饱含大量泥沙、石块和巨砾的固、液两相流体。它呈粘性层流或稀性紊流等运动状态，是各种自然因素(地质、地貌、水文、气象、土壤、植被等)和人为因素综合作用的结果。泥石流因其形成过程复杂，暴发突然，来势凶猛，历时短暂，破坏力大等，常给山区人民生命财产和经济建设造成重大灾害。 

我国泥石流分布广泛，类型齐全，危害严重，地区差异明显。主要发育地带从横断山区向北至秦巴山区、黄土高原，然后向东西分为两支，东支沿太行山、燕山到辽东山地，西支经祁连山到天山山地，总体展布形式受控于在构造体系的展布格局，略呈“Y”字形。近年来，泥石流灾害造成的损失呈持续增长的趋势，与国家经济建设规模的增长同步相随。这说明几十年来的防灾减灾工作尚不能与国民经济发展对此项工作的客观要求相适应。特别是近年以来，泥石流灾情已经达到了相当惊人的程度，并还有继续增长的趋势，目前我国每年平均仅在泥石流灾害所造成的死亡人员已经达到4位数。 

泥石流的视觉特征是：从远处望去，犹如一条巨蟒在山谷中蜿蜒前行，吼声如雷，黑色“龙头”巨浪翻滚：走到近处，飞来的泥浆夹杂着石块会使你望而却步。它所到之处，桥梁坍塌，道路毁坏，河道堵塞，房屋早已灰飞烟灭。 

由于泥石流危害的严重性，加上泥石流灾害的成因及影向因子又比较复杂，目前尚难以完全治理，无法抑制泥石流灾害的发生。泥石流灾害的预测预警技术，就是通过对泥石流的危险性预测判别，研究山区沟道泥石流灾害威胁程度，结合先进的科学技术，预测泥石流危害区范围、判断泥石流发生的时间和危害程度，从而作出泥石流的准确预测预报，使灾害危险区的居民可以及时得到预警信息，从而可以提前采取预防措施回避损失，减轻泥石流的灾害，保障山区人民的生命财产安全，它是目前最有效可行的办法。自然灾害总是要发生的，这也是一种客观存在的自然规律。人类如何与自然灾害协调相处，将自然灾害造成的损失减少到最低限度。 

泥石流灾害预报预警技术一直是各国山区防灾减灾的研究重点，各国都意识到减轻自然灾害的危害最有效的、最经济的措施就是防重于治，加强预防措施的 研究，将灾害的发生机理与预警原理结合起来，提高对灾害的预防预警能力，避免灾害发生造成严重损失。从目前国内外关于山洪泥石流灾害预警技术研究情况分析，其研究趋势具有如下特点： 

1)在空间预报技术上，从以判断泥石流沟与非泥石流沟为依据，运用综合指数法判断泥石流沟的危险程度确定整个泥石流沟的危险等级，发展到通过对泥石流沟危险程度评价与分布密度确定不同区域的危险性即灾害易发生区范围；最后通过对灾害易发区内每条沟道进行类型划分，采用不同类型沟道危险区制图模型确定沟道中危险区具体部位和范围。 

2)在实时预报技术上目前国内外研究主要集中在通过建立泥石流发生雨量、雨强回归模型上，并在雨强参数、有效雨量日数选取上进行了研究，从建立直线方程、指数方程等线性模型发展到非线性模型的建立。泥石流实时预报由传统的推理公式、单位线等经验公式进行粗略估算，向基于GIS技术的小流域分布式水文汇流模拟模型进行降雨过程的汇产流过程的实时模拟进行准确预报，准确的中小尺度天气预报仍是目前最有效的防灾措施。 

3)在预报模型构建方法上，由传统的统计回归、自回归模型，逐步向采用灰色预测模型、神经网络预测、智能预测模型以及计算机技术方向发展。由单纯预报临界降雨量或可能性预报，逐步变为能预报临界降雨、警戒避难雨量以及危害范围和危害程度等能进行具体减灾避难决策的多功能模型。由过去只采用历史统计资料和实测资料，向与高精度定点实时的气象预报数据相结合的方向发展。 

4)在监测预报手段上，由过去的人员观测和仪器监测相结合的方式，逐步发展为监测仪器和计算机结合进行自动监测预报。监测仪器和传感器由过去通过别的仪器移用改进，逐渐向专用、高精度方向发展。 

5)在研究手段上，由传统的对典型沟道的实地勘察，对某一范围区预报，逐步变为采用3S技术和计算机建档信息系统相结合的手段，对具体的每条沟道任一地方进行定点定时预测预报。 

6)在预警系统上，结合各国国情和山区实际资源情况，采用先进的数据传递方式和手段，形成集气象预报、雷达技术、预测模型、仪器监测、网络和卫星数据传输等高新技术结合，建立高效定位的预报预警系统方向发展。 

现有的泥石流预警系统存在的缺陷为：1、精确性差、灵敏度低、不能长期可靠工作；2、维护率较高。 

(三)发明内容

为了克服已有的泥石流报警系统精确性差、灵敏度低、不能长期可靠工作的不足，本发明提供一种精确性好、灵敏度高、能够长期可靠工作的基于全方位视觉的泥石流预警预报装置。 

本发明解决其技术问题所采用的技术方案是： 

一种基于全方位视觉的泥石流预警预报装置，包括用于监视待测山体和雨量收集装置水位的全方位视觉传感器、雨量收集装置和用于根据视频信号进行灾害 检测的微处理器，所述的全方位视觉传感器安装在待测山体的沟床的上方，所述的全方位视觉传感器输出连接微处理器，所述的全方位视觉传感器包括用以反射监控领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央；所述的雨量收集装置包括盛水器、翻斗，所述的翻斗上设有用于显示盛水器水位的浮标；所述的微处理器包括： 

视觉传感器标定模块，用于设定视频图像位置与实际空间坐标上的位置的对应关系； 

浮标位置采集模块，用于采集视频传感器的视频图像，并确定盛水器浮标的位置； 

雨量智能计算模块，用于设定浮标的位置与翻斗的水量的对应关系；采集视觉传感器的信号，检测翻斗自动发生翻倒动作前瞬间浮标的位置，并依据对应关系计算翻斗中的实际雨量，检测翻斗前一次自动恢复动作后的翻斗中的浮标位置，计量翻斗中的初始雨量，实际雨量与初始雨量相减后得到本次倾倒雨量；激发泥石流雨强计算模块，用于统计计算降雨过程中最大10分钟雨强或最大1小时雨强，以每分钟为单位进行统计；雨强则指单位时间内暴雨的降雨量，在Δt(i)暴雨历时内降雨量为ΔY(i)时，每分钟平均雨强用以下公式(15)计算： 

$y\left(i\right)=\frac{\mathrm{\Delta Y}\left(i\right)}{\mathrm{\Delta t}\left(i\right)}---\left(15\right)$

要得到最大10分钟雨强或最大1小时雨强，遍历统计时间间隔前后10分钟的情况，并求其最大值，计算公式如(16)所示： 

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j}{\overset{j+59}{\Sigma }}y\left(i\right))---\left(16\right)$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j+50}{\overset{j+59}{\Sigma }}y\left(i\right))$

式中，i为目前统计时刻点，j为前60分的统计时刻点，y1h为最大一小时雨强，y10min为最大10分钟雨强y10min； 

当日激发雨量计算模块，用于统计计算从泥石流发生时刻起往前推至凌晨8时的降雨量； 

前期有效雨量计算模块，用于根据监控地所在的纬度和汛期的日照、蒸发、植被状况和相对湿度以及土坡特性，采用公式(2)计算前期15天的有效雨量， 

式中，K为系数，根据监控地所在的纬度、汛期的日照、径流、蒸发、土壤渗透能力等因素确定，K为小于1的衰减系数； 

泥石流的概率分布计算模块，用于设定R当日+R有效固定在一个比较小的范围，计算得到在所述R当日+R有效以及最大一小时雨强y1h、最大10分钟雨强y10min范围内发生泥石流的概率分布和不发生泥石流的概率分布； 

所述的求最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流的概率分布，首先是在某个R当日+R有效范围内发生泥石流灾害时求最大小时雨强y1h、最大10分钟雨强y10min的个数n1、n2样本含量即得均数 其公式为： 

$\overline{Y_{1h}}=(Y_{1h\left(1\right)}+Y_{1h\left(2\right)}+······+Y_{1h\left(n\right)})/n1=\underset{1}{\overset{n1}{\Sigma }}{Y}_{1h}/n1---\left(3\right)$

$\overline{Y_{10\min }}=(Y_{10\min \left(1\right)}+Y_{10\min \left(2\right)}+······+Y_{10\min \left(n\right)})/n2=\underset{1}{\overset{n2}{\Sigma }}{Y}_{10\min }/n2$

然后根据均数 来求得其各自的标准差S1h、S10min，其公式为： 

$s_{1h}=\sqrt{\underset{1}{\overset{n1}{\Sigma }}{(Y_{1h}-\overline{Y_{1h}})}^2/(n1-1)}---\left(4\right)$

$s_{10\min }=\sqrt{\underset{1}{\overset{n2}{\Sigma }}{(Y_{10\min }-\overline{Y_{10\min }})}^2/(n2-1)}$

当雨强与泥石流发生样本含量n1、n2足够大时，常用样本均数 和样本标准差S1h、S10min分别代替μ1h、μ10min和σ1h、σ10min，按其变化参数，推导出正态分布密度函数f1(Y1h)、f2(Y10min)，其公式为： 

$f_1\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mu }_{1h})}^2\left(2{{\sigma }_{1h}}^2\right)}/{\sigma }_{1h}\sqrt{2\pi }$0＜Y10min＜Y1h＜K 

$f_2\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mu }_{10\min })}^2\left(2{{\sigma }_{10\min }}^2\right)}/{\sigma }_{10\min }\sqrt{2\pi }---\left(5\right)$

式中μ1h、μ10min为均数；σ1h、σ10min为标准差；π为圆周率；e为自然对数的底，Y1h为实际的最大一小时雨强y1h、，Y10min为实际的最大10分钟雨强y10min； 

所述的求最大一小时雨强y1h、最大10分钟雨强y10min不发生泥石流的概率分布，与上述方法一样，首先是在某个R当日+R有效范围内不发生泥石流灾害时求最大一小时雨强y^1h、最大10分钟雨强y^10min的个数n3、n4样本含量即得均数 其公式为： 

$\overline{{Y^}_{1h}}=({Y^}_{1h\left(1\right)}+{Y^}_{1h\left(2\right)}+······+{Y^}_{1h\left(n3\right)})/n3=\underset{1}{\overset{n3}{\Sigma }}{Y^}_{1h}/n3---\left(6\right)$

$\overline{{Y^}_{10\min }}=({Y^}_{10\min \left(1\right)}+{Y^}_{10\min \left(2\right)}+······+{Y^}_{10\min \left(n4\right)})/n4=\underset{1}{\overset{n4}{\Sigma }}{Y^}_{10\min }/n4$

然后根据均数 来求得其各自的标准差S^1h、S^10min。其公式为： 

${s^}_{1h}=\sqrt{\underset{1}{\overset{n3}{\Sigma }}{({Y^}_{1h}-\overline{{Y^}_{1h}})}^2/(n3-1)}---\left(7\right)$

${s^}_{10\min }=\sqrt{\underset{1}{\overset{n4}{\Sigma }}{({Y^}_{10\min }-\overline{{Y^}_{10\min }})}^2/(n4-1)}$

当雨强与泥石流不发生样本含量n3、n4足够大时，常用样本均数 和 样本标准差S^1h、S^10min分别代替μ^1h、μ^10min和σ^1h、σ^10min，按其变化参数，推导出正态分布密度函数f3(Y1h)、f4(Y10min)，其公式为： 

$f_3\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mu ^}_{1h})}^2\left(2{{\sigma ^}_{1h}}^2\right)}/{\sigma ^}_{1h}\sqrt{2\pi }$0＜Y10min＜Y1h＜K2 

$f_4\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mu ^}_{10\min })}^2\left(2{{\sigma ^}_{10\min }}^2\right)}/{\sigma ^}_{10\min }\sqrt{2}\pi ---\left(8\right)$

式中μ^1h、μ^10min为均数；σ^1h、σ^10min为标准差；π为圆周率；e为自然对数的底，Y1h为实际的最大一小时雨强y1h、，Y10min为实际的最大10分钟雨强y10min； 

所述的最大一小时雨强y1h与最大10分钟雨强y10min的统计是以每分钟为单位进行统计的；雨强则指单位时间内暴雨的降雨量；在Δt(i)暴雨历时内降雨量为Δy(i)时，平均雨强可用以下公式计算： 

$y\left(i\right)=\frac{\mathrm{\Delta y}\left(i\right)}{\mathrm{\Delta t}\left(i\right)}---\left(9\right)$

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j}{\overset{j+59}{\Sigma }}y\left(i\right))$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j+50}{\overset{j+59}{\Sigma }}y\left(i\right))---\left(10\right)$

式中，i为目前统计时刻点，j为前60分的统计时刻点； 

根据公式(5)、(8)对于每一个最大一小时雨强y1h求得发生与不发生泥石流的概率，同样对于每一个最大10分钟雨强y10min求得发生与不发生泥石流的概率； 

泥石流灾害量化模块，用于根据公式(5)所求得的最大一小时雨强y1h最大10分钟雨强y10min发生泥石流的概率，取最大的概率max(f1(Y1h)，f2(Y10min)作为严重性预测预报指标，划分严重性等级；以f1(Y1h)发生的概率来作为紧急程度判断基准，用f2(Y10min)、f3(Y1h)以及f4(Y10min)来进行偏差调整，如果最大10分钟雨强y10min发生泥石流灾害的概率大于最大一小时雨强y1h发生泥石流灾害的概率的话，提高一个紧急程度；如果当不发生泥石流的概率远大于发生泥石流的概率时，(f3(Y1h)，f4(Y10min))＞＞(f1(Y1h)，f2(Y10min))，降低两个紧急程度；如果当不发生泥石流的概率大于发生泥石流的概率时，(f3(Y1h)，f4(Y10min))＞(f1(Y1h)，f2(Y10min))降低一个紧急程度；如果当不发生泥石流的概率小于设定概率k1时max(f3(Y1h)，f4(Y10min))≤k1，提高一个紧急程度；如果当不发生泥石流的概率小于另一设定概率k2时max(f3(Y1h)，f4(Y10min))≤k2，k1＞k2，提高两个紧急程度； 

泥石流灾害预警预报模块，用于当本次测量的严重性等级、紧急程度超过预设的阈值时，发布避难信号。 

进一步，在所述的泥石流灾害量化模块中，严重性等级包括一般、有些严重、较重、严重、特别严重，其分布分别为2.5％(μ1h-1.96σ1h)、15.9％(μ1h-1σ1h)、50％(μ1h)、84.1％(μ1h+1σ1h)、97.5％(μ1h+1.96σ1h)和2.5％(μ10min-1.96σ10min)、15.9％(μ10min-1σ10min)、50％(μ10min)、84.1％(μ10min+1σ10min)、97.5％(μ10min +1.96σ10min)；紧急程度包括一般、有些紧急、较紧急、紧急、特别紧急；在泥石流灾害预警预报模块中，当泥石流灾害的严重性和紧急程度判断值均为较重、较紧急情况时发布劝说避难信号；当泥石流灾害的严重性和紧急程度判断值均为严重、紧急情况时发布避难信号；当泥石流灾害的严重性判断值为严重或者特别严重，紧急程度判断值为特别紧急情况时发布紧急避难信号。 

再进一步，所述的微处理器还包括沟谷上游检测模块，用于检测沟谷上游是否发生崩塌和滑坡；所述的沟谷上游检测模块包括： 

图像变化计算单元，用于采用快速分割算法检测地貌发生的变化，设定一个比较稳定的基准参考图像，将所获得的当前帧现场视频图像与基准参考图像进行差值运算，图像相减的计算公式如式(24)表示： 

fd(X，t0，ti)＝f(X，ti)-f(X，t0)    (24) 

上式中，fd(X，t0，ti)是实时拍摄到检测范围内图像与基准参考图像间进行图像相减的结果；f(X，ti)是实时拍摄到检测范围内图像；f(X，t0)是基准参考图像； 

连通区域计算单元，用于对当前图像进行标记，像素灰度为0的背景，像素灰度为1为目标，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域； 

崩塌和滑坡判断单元，用于依据上述得到的连通区域，对上述标记过的每个连通区域求出其面积Si，当前景活动对象面积Si超过一个阈值时作为崩塌和滑坡可疑；每帧之间活动对象的移动判断其移动方向，如运动方向是从高处下低处移动，判定属于崩塌和滑坡；将每一帧中求的连通区域用按先后顺序以轨迹方式表达其轨迹形状，其轨迹形状接近于一个矩型，发生崩塌和滑坡位置越高，矩型的高度尺寸就越大，崩塌和滑坡发生面积越大，矩型的宽度尺寸就越大。 

所述的微处理器还包括沟谷中游检测模块，用于检测泥石流的运动特征、流量特征以及流量沿程特征；所述的沟谷上游检测模块包括： 

灰度直方图单元，用于将全方位视觉传感器采集的视频图像采用灰度直方图表示，描述图像中具有灰度级的像素的个数，横坐标是灰度级，纵坐标是该灰度出现的频率； 

泥石流划分单元，用于利用检测区域内灰度直方图的分布来区分水流、泥石流的龙头、龙身、龙尾，设定龙头、龙身、龙尾经过检测区域相应的直方图； 

流速测量单元，用于将在全方位视觉传感器所获得的图像中从上游到下游对检测区域进行按序编号，在视频测量中在某一个时刻中发现初始检测区域所检测到的直方图有明显的变化，将该时刻与直方图保存在存储单元内，经过一段时间后发现另一检测区域所检测到的直方图也有明显的变化，并与保存在存储单元内的初始检测区域所检测到的直方图进行比对，如果两个直方图有非常大的相似性，认 为泥石流的龙头从刚才的初始检测区域向前发展到另一检测区域，两个检测区域之间的距离是在该时间内泥石流的龙头或龙身或龙尾运动的距离，通过计算下式得到泥石流的流速； 

流速＝所经过的距离/所经历的时间。 

所述的微处理器还包括沟谷下游检测模块，用于通过用户界面输入泥石流可能经过的沟谷图像信息，并将该信息存储在存储单元中，在检测泥石流发生时根据所存储沟谷图像信息，并判断在该沟谷上是否发现有黑色流动体，如果有，判定有泥石流发生可疑。 

所述的盛水器下端设有引流管，该引流管的下方为翻斗，所述的翻斗安装在铰支座上，所述铰支座位于当翻斗盛积的水量达到设定数量值时正好能使翻斗翻倒、将翻斗中盛积的水量倾倒完毕后翻斗由于重心恢复力的作用恢复到原来位置的平衡支点，所述的翻斗上安装在翻斗翻倒时堵住引流管、翻斗恢复后放开引流管的止流装置，所述的止流装置的堵塞件与引流管的下端配合；在所述的翻斗内设有观测水槽，所述的观测水槽与翻斗底部连通，所述的观测水槽内设有具有颜色特征的浮标。 

所述的翻斗呈扁型梯形状，翻斗的宽度为一个恒定量W，梯形边的下部底边长度为l，梯形边的上部底边长度为L，梯形的总高度为H，浮标的位置即水位的高度y，在雨量智能计算模块中，翻斗梯形边的长度x是水位的高度y的线形函数，建立水位的高度与翻斗中雨水的容积的对应关系，公式如(12)所示： 

$V\left(y\right)=\frac{W*y*[l+y*\left(\frac{L-l}{H}\right)]}{2}---\left(12\right)$

上式中，V为翻斗中雨水的容积； 

将本次翻斗自动发生翻倒动作瞬时翻斗中的浮标位置y(i)action-before以及前一次自动恢复动作后的翻斗中的浮标位置y(i-1)action-after存储在记忆单元内，通过公式(13)计算出实际本次翻斗自动发生翻倒过程中所倾倒掉的水量； 

$V\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*[l+y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*\left(\frac{L-l}{H}\right)]$

$-y{(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)]\}---\left(13\right);$

设定盛水器的面积为S，根据公式(11)就能得到本次所检测到的雨量， 

$\mathrm{Rain}\left(i\right)=\frac{V\left(i\right)}{S}---\left(16\right)$

上式中，ΔY(i)为雨量； 

在所述的智能雨量计算单元中，记录该次翻斗自动发生翻倒动作的时刻，并将各个翻倒时刻记录在数据库记录表中，并记录各个翻到时刻的雨量，运用统计方式计算得到设定时间段的雨量。 

所述的泥石流灾害检测装置还包括照明灯，所述的照明灯安装在视觉传感器上，所述的微处理器还包括亮度判断及节能灯开关模块，用于提取图像RGB色彩空间到YUV空间的转化的结果得到Y的亮度分量，如果当Y的值小于域值Ymin时，自动接通照明灯，照明灯的亮度为域值Ymin的10％，当Y的值超过域值Ymin的20％时，自动断开对照明灯的供电。 

所述的微处理器还包括背景维护模块，所述的背景维护模块包括： 

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(22)所示： 

${\bar{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\Sigma }}\underset{y=0}{\overset{H-1}{\Sigma }}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\Sigma }}\underset{y=0}{\overset{H-1}{\Sigma }}(1-M_n(x,y))}---\left(22\right)$

式(22)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化： 

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为检测到检测对象时 

第一帧的背景亮度，两帧平均亮度的变化为： 

ΔY＝Yb1-Yb0    (23) 

如果ΔY大于上限值，则认为发生了开灯事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化； 

背景自适应单元，用于当光线自然变化时，按照下式(20)进行自适应学习： 

Xmix，bn+1(i)＝(1-λ)Xmix，bn(i)+λXmix，cn(i)    (20) 

式中：Xmix，cn(i)为当前帧RGB向量，Xmix，bn(i)为当前帧背景RGB向量，Xmix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成； 

当光线由突变引起的，背景像素按照当前帧重置，参见式(21)： 

Xmix，bn+1(i)＝Xmix，cn(i)    (21) 

上式中的Xmix，bn+1(i)(i＝1，2，3)分别表示R，G，B3个分量。 

所述的微处理器还包括剔除噪声模块，用于剔除由噪声所产生的图像边缘点，用滤波掩膜确定的邻域内像素的平均灰度值去替代图像每个像素点的值，即每一 个像素值用其局部邻域内所有值的均值置换，如公式(25)所示： 

h[i，j]＝(1/M)∑f[k，1]    (25) 

式中，M是邻域内的像素点总数。 

本发明的技术构思为：从泥石流的发生机理来说，都经历了土体的渗透、饱和、液化、起动的过程，这表明渗流的径流量与起动的固体碎屑物质量有一定的正相关的关系，从现有的研究表明泥石流源区的土体饱和液化的一层，就是集中起动一层，即在降雨的作用下是一阵一阵的不连续起动。在降雨强度能满足泥石流产生的情况下，土体饱和层达到一定的临界厚度就可形成土力类泥石流。 

根据研究，其起动临界坡度变幅较大，在一定的降雨条件下坡度大于14.4°就可形成泥石流。此外根据实时降雨资料对泥石流流域内的斜坡面上固体碎屑物质堆积体进行稳定性分析和判别，并根据判别结果预测预警泥石流灾害的发生，或者假定在某一降雨情况下对其稳定性判别，做好提前清除或加固危险斜坡面上堆积体的准备，达到预防泥石流灾害的目的。归纳起来，有丰富的松散固体物质，坡度大于14.4°的地形，足够的水源(降雨)是形成泥石流的三个基本条件，其中降雨是泥石流形成条件中最活跃的部分。 

降雨对边坡、沟岸边、坡积物失稳的影响归根到底是由于降雨一部分形成地表径流，一部分下渗到土体中增加土体的含水量和产生地下渗流。随着含水量的增加，一方面改变土体的土壤特性(内粘聚力和内摩擦角降低)，另一方面增加土体碎屑固体物质的自重；上体在动水压力、冲刷力、浮托力、渗流力等水作用以及其他作用等综合作用下稳定性降低，产生重力失稳起动形成土力类泥石流。 

综上所述，暴雨泥石流发生是地质因素、地形因素、土壤因素、植被因素、降雨因子等共同作用的结果，但是各因素之间的关系以及对泥石流发生的影响程度是十分模糊复杂的关系，而且泥石流发生的事件就是各因素共同作用的结果，各因素的模糊关系体现在泥石流发生的事件中。要按照上述的方法来进行预测预报是十分困难的。因此，通过对发生泥石流事件的历史资料的收集，把降雨因子作为激发的主导因子可以作为泥石流预报的要素，把泥石流灾害事件发生作为其他地学环境因子的综合结果，作为已知条件，建立一种预报模型，通过对降雨资料的实时监测，来达到预警预报的目的。 

本发明的有益效果主要表现在：1、精确性好、灵敏度高、能够长期可靠工作；2、维护率低；3、实现了雨量的自动数据采集处理，提供各种网络通信手段以及各种控制功能，能在非常恶劣的环境条件下可靠工作；4、支持各种网络通信，能方便地形成地质灾害检测网络。 

(四)附图说明

图1为全方位视觉传感器的结构图。 

图2为全方位视觉传感器的折反射原理图。 

图3为基于全方位视觉的泥石流灾害检测装置中硬件与软件结构框图。 

图4为基于全方位视觉的泥石流灾害检测装置中硬件与网络通信框图。 

图5为雨量检测的翻斗设计图。 

图6为浮标的结构图。 

图7为翻斗翻倒过程的示意图。 

图8为计算机视觉在测量翻斗中浮标的示意图。 

图9为最大一小时雨强-实效雨量平面上的发生泥石流概率曲线图。 

图10为泥石流发生的正态母体的均值μ与方差σ2的联合置信区域示意图。 

图11为基于全方位视觉的泥石流预警预报方法与装置的原理图。 

(五)具体实施方式

下面结合附图对本发明作进一步描述。 

参照图1～图11，一种基于全方位视觉的泥石流预警预报装置，包括用于监视待测山体和雨量收集装置水位的全方位视觉传感器、雨量收集装置和用于根据视频信号进行灾害检测的微处理器，所述的全方位视觉传感器安装在待测山体的沟床的上方，所述的全方位视觉传感器输出连接微处理器，所述的全方位视觉传感器包括用以反射监控领域中物体的外凸折反射镜面1、用以防止光折射和光饱和的黑色圆锥体2、透明圆柱体3和摄像头5，所述的外凸折反射镜面1位于透明圆柱体3的上方，外凸折反射镜面1朝下，黑色圆锥体2固定在外凸折反射镜面的底部中央；所述的雨量收集装置包括盛水器6、翻斗11，所述的翻斗11上设有用于显示盛水器水位的浮标7；所述的微处理器包括：视觉传感器标定模块，用于设定视频图像位置与实际空间坐标上的位置的对应关系；浮标位置采集模块，用于采集视频传感器的视频图像，并确定盛水器浮标的位置；雨量智能计算模块，用于设定浮标的位置与翻斗的水量的对应关系；采集视觉传感器的信号，检测翻斗自动发生翻倒动作前瞬间浮标的位置，并依据对应关系计算翻斗中的实际雨量，检测翻斗前一次自动恢复动作后的翻斗中的浮标位置，计量翻斗中的初始雨量，实际雨量与初始雨量相减后得到本次倾倒雨量；激发泥石流雨强计算模块，用于统计计算降雨过程中最大10分钟雨强或最大1小时雨强，以每分钟为单位进行统计；雨强则指单位时间内暴雨的降雨量，在Δt(i)暴雨历时内降雨量为ΔY(i)时，每分钟平均雨强用以下公式(15)计算： 

$y\left(i\right)=\frac{\mathrm{\Delta Y}\left(i\right)}{\mathrm{\Delta t}\left(i\right)}---\left(15\right)$

要得到最大10分钟雨强或最大1小时雨强，遍历统计时间间隔前后10分钟的情况，并求其最大值，计算公式如(16)所示： 

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j}{\overset{j+59}{\Sigma }}y\left(i\right))---\left(16\right)$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j+50}{\overset{j+59}{\Sigma }}y\left(i\right))$式中，i为目前 统计时刻点，j为前60分的统计时刻点，y1h为最大一小时雨强，y10min为最大10分钟雨强y10min； 

当日激发雨量计算模块，用于统计计算从泥石流发生时刻起往前推至凌晨8时的降雨量； 

前期有效雨量计算模块，用于根据监控地所在的纬度和汛期的日照、蒸发、植被状况和相对湿度以及土坡特性，采用公式(2)计算前期15天的有效雨量， 

式中，K为系数，根据监控地所在的纬度、汛期的日照、径流、蒸发、土壤渗透能力等因素确定，K为小于1的衰减系数； 

泥石流的概率分布计算模块，用于设定R当日+R有效固定在一个比较小的范围，计算得到在所述R当日+R有效以及最大一小时雨强y1h、最大10分钟雨强y10min范围内发生泥石流的概率分布和不发生泥石流的概率分布； 

所述的求最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流的概率分布，首先是在某个R当日+R有效范围内发生泥石流灾害时求最大一小时雨强y1h、最大10分钟雨强y10min的个数n1、n2样本含量即得均数 其公式为： 

$\overline{Y_{1h}}=(Y_{1h\left(1\right)}+Y_{1h\left(2\right)}+······+Y_{1h\left(n\right)})/n1=\underset{1}{\overset{n1}{\Sigma }}{Y}_{1h}/n1---\left(3\right)$

$\overline{Y_{10\min }}=(Y_{10\min \left(1\right)}+Y_{10\min \left(2\right)}+······+Y_{10\min \left(n\right)})/n2=\underset{1}{\overset{n2}{\Sigma }}{Y}_{10\min }/n2$

然后根据均数 来求得其各自的标准差S1h、S10min，其公式为： 

$s_{1h}=\sqrt{\underset{1}{\overset{n1}{\Sigma }}{(Y_{1h}-\overline{Y_{1h}})}^2/(n1-1)}---\left(4\right)$

$s_{10\min }=\sqrt{\underset{1}{\overset{n2}{\Sigma }}{(Y_{10\min }-\overline{Y_{10\min }})}^2/(n2-1)}$

当雨强与泥石流发生样本含量n1、n2足够大时，常用样本均数 和样本标准差S1h、S10min分别代替μ1h、μ10min和σ1h、σ10min，按其变化参数，推导出正态分布密度函数f1(Y1h)、f2(Y10min)，其公式为： 

$f_1\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mu }_{1h})}^2\left(2{{\sigma }_{1h}}^2\right)}/{\sigma }_{1h}\sqrt{2\pi }$0＜Y10min＜Y1h＜K 

$f_2\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mu }_{10\min })}^2\left(2{{\sigma }_{10\min }}^2\right)}/{\sigma }_{10\min }\sqrt{2\pi }---\left(5\right)$

式中μ1h、μ10min为均数；σ1h、σ10min为标准差；π为圆周率；e为自然对数的底，Y1h为实际的最大一小时雨强y1h、，Y10min为实际的最大10分钟雨强y10min； 

所述的求最大一小时雨强y1h、最大10分钟雨强y10min不发生泥石流的概率分布，与上述方法一样，首先是在某个R当日+R有效范围内不发生泥石流灾害时求最大一小时雨强y^1h、最大10分钟雨强y^10min的个数n3、n4样本含量即得均数 其公式为： 

$\overline{{Y^}_{1h}}=({Y^}_{1h\left(1\right)}+{Y^}_{1h\left(2\right)}+······+{Y^}_{1h\left(n3\right)})/n3=\underset{1}{\overset{n3}{\Sigma }}{Y^}_{1h}/n3---\left(6\right)$

$\overline{{Y^}_{10\min }}=({Y^}_{10\min \left(1\right)}+{Y^}_{10\min \left(2\right)}+······+{Y^}_{10\min \left(n4\right)})/n4=\underset{1}{\overset{n4}{\Sigma }}{Y^}_{10\min }/n4$

然后根据均数 来求得其各自的标准差S^1h、S^10min。其公式为： 

${s^}_{1h}=\sqrt{\underset{1}{\overset{n3}{\Sigma }}{({Y^}_{1h}-\overline{{Y^}_{1h}})}^2/(n3-1)}---\left(7\right)$

${s^}_{10\min }=\sqrt{\underset{1}{\overset{n4}{\Sigma }}{({Y^}_{10\min }-\overline{{Y^}_{10\min }})}^2/(n4-1)}$

当雨强与泥石流不发生样本含量n3、n4足够大时，常用样本均数 和样本标准差S^1h、S^10min分别代替μ^1h、μ^10min和σ^1h、σ^10min，按其变化参数，推导出正态分布密度函数f3(Y1h)、f4(Y10min)，其公式为： 

$f_3\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mu ^}_{1h})}^2\left(2{{\sigma ^}_{1h}}^2\right)}/{\sigma ^}_{1h}\sqrt{2\pi }$0＜Y10min＜Y1h＜K2 

$f_4\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mu ^}_{10\min })}^2\left(2{{\sigma ^}_{10\min }}^2\right)}/{\sigma ^}_{10\min }\sqrt{2}\pi ---\left(8\right)$

式中μ^1h、μ^10min为均数；σ^1h、σ^10min为标准差；π为圆周率；e为自然对数的底，Y1h为实际的最大一小时雨强y1h、，Y10min为实际的最大10分钟雨强y10min； 

所述的最大一小时雨强y1h与最大10分钟雨强y10min的统计是以每分钟为单位进行统计的；雨强则指单位时间内暴雨的降雨量；在Δt(i)暴雨历时内降雨量为Δy(i)时，平均雨强可用以下公式计算： 

$y\left(i\right)=\frac{\mathrm{\Delta y}\left(i\right)}{\mathrm{\Delta t}\left(i\right)}---\left(9\right)$

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j}{\overset{j+59}{\Sigma }}y\left(i\right))$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j+50}{\overset{j+59}{\Sigma }}y\left(i\right))---\left(10\right)$

式中，i为目前统计时刻点，j为前60分的统计时刻点； 

根据公式(5)、(8)对于每一个最大一小时雨强y1h求得发生与不发生泥石流的概率，同样对于每一个最大10分钟雨强y10min求得发生与不发生泥石流的概率； 

泥石流灾害量化模块，用于根据公式(5)所求得的最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流的概率，取最大的概率max(max(f1(Y1h)，f2(Y10min)作为严重性预测预报指标，划分严重性等级；以f1(Y1h)发生的概率来作为紧急程度判断基准，用f2(Y10min)、f3(Y1h)以及f4(Y10min)来进行偏差调整，如果最大10分钟雨强y10min发生泥石流灾害的概率大于最大一小时雨强y1h发生泥石流灾害的概率的话，提高一个紧急程度；如果当不发生泥石流的概率远大于发生泥石流的概率时，(f3(Y1h)，f4(Y10min))＞＞(f1(Y1h)，f2(Y10min))，降低两个紧急程度；如果当不发生泥石流 的概率大于发生泥石流的概率时，(f3(Y1h)，f4(Y10min))＞(f1(Y1h)，f2(Y10min))降低一个紧急程度；如果当不发生泥石流的概率小于设定概率k1时max(f3(Y1h)，f4(Y10min))≤ k1，提高一个紧急程度；如果当不发生泥石流的概率小于另一设定概率k2时max(f3(Y1h)，f4(Y10min))≤k2，k1＞k2，提高两个紧急程度； 

泥石流灾害预警预报模块，用于当本次测量的严重性等级、紧急程度超过预设的阈值时，发布避难信号。 

由雨量检测单元、泥石流发生检测模块、雨量雨强计算模块、泥石流相关水文气象历史记录记忆单元、泥石流预警预报单元、统计预警预报模型、泥石流预警预报信息发布单元等构成；雨量检测单元用于检测降雨的水量；泥石流发生检测单元用于检测在某个降雨条件下是否发生了泥石流，并将该结果存储到泥石流相关水文气象历史记录记忆单元；雨量雨强计算单元用于计算在所测量到的雨量情况下的10分钟雨强、一小时雨强、实效雨量，为泥石流预警预报提供数据，并所计算得到的结果存储到泥石流相关水文气象历史记录记忆单元；泥石流相关水文气象历史记录记忆单元中记录了当地每次降雨条件下的10分钟雨强、一小时雨强、实效雨量以及是否发生泥石流的信息；统计预警预报模型用于作为在某个所计算得到的10分钟雨强、一小时雨强、实效雨量数据条件下判断泥石流发生概率的参考标准，同时每当一个新记录产生后(降雨过程结束后)，要根据泥石流相关水文气象历史记录记忆单元中的数据重新进行统计回归计算修正统计预警预报模型；泥石流预警预报单元用于在降雨发生后的泥石流发生的预测预报，根据所计算得到的10分钟雨强、一小时雨强、实效雨量作为状态输入，通过统计预警预报模型判断在该状态条件下发生泥石流的概率以及不发生泥石流的概率，并根据所求的概率作出泥石流灾害的严重性和紧急程度的判断；泥石流预警预报信息发布单元用于将在泥石流预警预报单元中所得到的判断结果用网络及其他各种手段及时发布给下游的灾害危险区的居民，使居民可以及时得到预警信息，从而可以提前采取预防措施回避损失，减轻泥石流的灾害。 

所述的雨量检测单元用于观察瞬时雨量和累计雨量，所设计的雨量检测单元的上部是一个圆锥形桶型体6，雨水由圆锥形桶型体盛水器汇集，通过装有小圆护网的小漏斗及其下端的引流管8，雨水进入翻斗11；翻斗11上有一个支点12，支点12的位置设计在当翻斗11盛积的水量达到一定的数量值时正好能使得翻斗翻倒，自动将翻斗11中盛积的水量倾倒，在翻斗11翻倒的过程中引流管8通过止流装置10，将水量暂时停留在小漏斗及其下端的引流管8中，当翻斗11翻倒将翻斗中盛积的水量倾倒完毕后，如附图3所示，翻斗11由于重心恢复力的作用恢复到原来位置，自动打开止流装置10使得雨水又进入翻斗11；翻斗11中设计一个有颜色特征的小浮标7，如附图2所示，小浮标7上部是一个红色小球，通过视频来观察该小浮标(红色小球)的位置，小浮标7被安置在雨量收集装置中的一个可上下方向移动的槽13内，小浮标7不会由于倾倒翻斗中的水时脱离槽，计算机视觉范围能检测到小浮标7的整个活动范围；槽13与翻斗11下部是相通 的，形成水路；当翻斗11中盛积的水量发生变化时，槽13的水位也相应发生变化，由于浮力的作用小浮标7就会向上移动，能反映翻斗11中所盛积的雨量多少，视觉的方式检测雨量的原理图如附图3所示。根据上述的陈述，所述的翻斗设计要满足几个条件，1)容积条件：翻斗的雨量收集最大量为100ml；2)雨量的计算条件：小浮标位置与翻斗中的雨水容积必须是可以通过简单公式进行计算的，也就是说能通过视频观测小浮标位置迅速得到翻斗所收集的雨量；3)无泄漏条件：在翻斗翻倒将翻斗中盛积的水量倾倒过程中，止流装置动作使引流管处在滞流状态；4)翻斗的动作条件：当翻斗收集的雨量达到最大量100ml时，翻斗能准确动作，当翻斗翻倒动作完成后又能迅速复位，同时停止引流管的滞流状态，使雨水能流入翻斗中；5)防腐蚀条件：由于雨水中包含有对一些材料的腐蚀成分，所选择的翻斗材料要耐腐蚀。 

所述的容积条件，在本发明中将翻斗的设计成扁型梯形状，如附图5所示，本发明中将翻斗的宽度设计为一个恒定量W，梯形边的下部底边长度为1，梯形边的上部底边长度为L，梯形的总高度为H，当翻斗所收集的雨量到达最大高度时，翻斗中雨水的容积可以用公式(11)进行计算： 

$V=\frac{W*H*(l+L)}{2}---\left(11\right)$

所述的雨量的计算条件，梯形边的长度x是随着水位的高度y变化而变化的，因此长度x是高度y的线形函数，所以我们可以通过这个关系式求得在某个高度时翻斗中雨水的容积，公式如(12)所示： 

$V\left(y\right)=\frac{W*y*[l+y*\left(\frac{L-l}{H}\right)]}{2}---\left(12\right)$

从上述公式可以知道，我们只要测量出小浮标位置，也就是得到高度y，就能计算出在某个高度时翻斗中雨水的容积，当然也可以事先设计好一张表格，通过某一个高度y进行查表得到相对应的雨水的容积。从公式(12)知道雨量的测量准确度取决于翻斗的制造精度。 

所述的无泄漏条件，当翻斗翻倒动作开始时，由于在翻斗上的滑轨14的作用，使得止流装置10动作使引流管处在滞流状态，推动止流装置10的小锥体向上运动起到一个锥阀的作用，从而阻塞引流管的流体通道，使得雨水在翻斗翻倒期间仍保留在引流管或者小漏斗中；而当翻斗恢复原来位置时，小锥体依靠弹簧力的作用使得引流管的雨水畅通进入翻斗，保证了泄水过程中产生漏记损失。 

所述的防腐蚀条件，在本专利中采用铝合金材料进行制造翻斗以及其他零部件，翻斗中内部要光滑，以便能将翻斗中的一些渣滓在翻斗翻倒过程中清理出去。 

所述的翻斗的动作条件，是通过雨水的容积变化时翻斗的重心变化原理实现的，图7中当翻斗中的雨水容积达到最大容积时，相对与支点的雨水的重心与翻 斗本身的重心的平衡被破坏，翻斗自动发生翻倒动作，由于制造上的误差，在本发明中设计了一个调节平衡块，通过调节平衡块调节相对与支点的翻斗本身的重心来达到准确的翻斗的动作。 

为了弥补翻斗式传感器测量雨量上的一些固有的缺陷和不足，本发明中将浮标式雨量计的优点来弥补翻斗式雨量计的缺陷和不足，特别是由于翻斗室水体残留、翻斗室残留泥沙和油污的影响、翻斗轴承付游隙变化及沙尘阻滞使摩擦力变化的影响等等所造成的随机误差，这种随机误差造成了每次测量的实际雨量与测量雨量不同，比如实际雨量为101ml、99ml、100ml、…，但是翻斗式传感器测量雨量都认为是100ml；在本专利中采用翻斗中有浮标的设计方法，在测量原理是通过测量翻斗中的浮标位置来计量翻斗中的水量，通过视频检测手段来检测翻斗自动发生翻倒动作前瞬间翻斗中的水量，这样实际雨量与测量雨量能达到一致；同时在翻斗自动恢复动作后的翻斗中的浮标位置来计量翻斗中的初始雨量，也能排除翻斗室水体残留、翻斗室残留泥沙等对计量雨量的随机误差，从这个意义上来讲翻斗只是作为雨量收集装置，而真正的计量雨量是通过浮标位置来计量的(不论是大量程以及小量程都是取决于翻斗中的浮标位置)，并将本次翻斗自动发生翻倒动作瞬时翻斗中的浮标位置y(i)action-before以及前一次自动恢复动作后的翻斗中的浮标位置y(i-1)action-after存储在记忆单元内，通过公式(13)计算出实际本次翻斗自动发生翻倒过程中所倾倒掉的水量； 

$V\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*[l+y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*\left(\frac{L-l}{H}\right)]$

$-y{(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)]\}---\left(13\right)$

通过公式(13)求得的是本次所倾倒掉的水量，并同时将该次翻斗自动发生翻倒动作的时刻(年月日小时分秒)一起存储在数据库的雨量记录表中。 

世界气象组织和中国气象局对于雨量测定有严格的规定，目前，众所周知的雨、雪量计量单位是“毫米”。规定200毫米为雨量测定仪器的盛雨口标准口径，进入该筒内的积水深度即为雨量的毫米值。按公式(14)、(15)推算可得： 

口径：D＝200mm+0.6mm(0.6mm为盛雨口边宽)    (14) 

面积：S＝3.1416*(10.03)2cm2＝316cm2    (15) 

通过公式(13)和公式(15)所计算得到的值，然后根据公式(16)就能得到本次所检测到的雨量， 

$\mathrm{Rain}\left(i\right)=\frac{V\left(i\right)}{S}---\left(16\right)$

通过雨量记录表中所记录的雨量以及翻斗自动发生翻倒动作的时刻等信息可以求每小时降水量、每日降水量以及00-06，06-12，12-18，18-24时段的累计降水量，由计算公式(17)进行计算： 

${\mathrm{Rain}}_{\mathrm{total}}=\underset{i=\mathrm{starttime}}{\overset{\mathrm{endtime}}{\Sigma }}\mathrm{Rain}\left(i\right)---\left(17\right)$

在计算每小时降水量时，就是将某一个小时时间内的雨量记录进行累加；同样的方法计算每日降水量时，就是将零时时间到晚间12点以前时间内的雨量记录进行累加；对于微量降水以及每分钟降水量由于检测量小、检测时间短而造成了浮标移动量小，因此必须以每秒为单位检测在翻斗的浮标位置y(i)now与前一次自动恢复动作后的翻斗中的浮标位置y(i-1)action-after的相对位移，由计算公式(18)进行计算： 

$V\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{now}}*[l+y{\left(i\right)}_{\mathrm{now}}*\left(\frac{L-l}{H}\right)]-y{(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)\left]\right\}---\left(18\right)$

通过公式(16)、(17)，累计在某一分钟内的雨量可以求得每分钟降水量，同样对微量降水可以通过比较长时间内的累加来得到微量降水值。 

所述的翻斗的浮标位置y检测是通过所获取视频图像进行处理得到浮标位置，为了简化图像运算，在本专利中将浮标的颜色设计成红色，那么上面的检测就可以简化为红色部分在空间的位置问题；从摄像装置读取的视频图像是RGB色彩空间，RGB色彩空间对亮度比较敏感，特别是在野外使用的雨量计不应该由亮度变化而造成误测量，这里通过色彩空间转化模块将图像RGB色彩空间到YUV空间的转化，为获得浮标空间位置做准备工作； 

YUV颜色模型是一种常用的颜色模型，其基本特征是将亮度信号与颜色信号分离，Y代表亮度，U、V是两个彩色分量，表示色差，一般是蓝，红色的相对值，由于人眼对亮度的变化比对颜色的变化敏感，因此，YUV模型中Y分量的值所占带宽大于等于彩色分量所占带宽YUV与RGB模型之间的线形关系如公式(19)给出， 

Y＝0.301*R+0.586*G+0.113*B 

U＝-0.301*R-0.586*G+0.887*B    (19) 

V＝0.699*R-0.586*G-0.113*B 

由于我们在雨量计中只关心浮标的空间位置，因此上述公式计算时只要计算红色分量的值，然后得到相对应的二值化图像，我们将浮标的几何中心位置作为浮标在空间上的点的位置。由于计算机中的图像是以像素为单位表示的，另外由于摄像机模型在整个视频范围内并非都是线形的，因此需要建立实际空间的尺寸大小与图像中的尺寸的映射关系，即视觉雨量传感器的标定。 

所述的视觉雨量传感器的标定，是将一个尺寸大于浮标活动量程的标尺放在浮标活动轨迹线上，通过计算机读取标尺上的刻度，然后将各刻度对应在图像中的像素，并对应结果存储在一张映射表中，这样通过视频图像中浮标的位置就能得到实际浮标在空间上的位置。 

为了最大限度降低雨量计的功耗，在本发明中利用翻斗翻倒动作来自动产生一个触发信号，如果雨量传感器没有在测量状态就立即激活基于全方位视觉的泥石流检测装置中的供电电源，对翻斗中的浮标进行测量，同时也检测周围的视频信息；若一段时间内无通、断信号发出，即表示降雨过程结束，装置经过一定时间后(比如一天)自动进入休眠状态。附图8中的触发信号单元15当翻斗11发生翻倒动作时，会发出一个脉冲信号，同时该触发信号单元15也起到了翻斗11恢复状态的定位作用。 

在晚间下雨往往比较多，因此泥石流在晚间发生可能性又比较大，而晚间由于亮度不够会影响视频的检测，在激活装置的前提下，本发明中在亮度不足以测量时自动启动亮度判断及节能灯开关模块，以便能全天候进行雨量测量；所述的亮度判断及节能灯开关模块，是根据图像RGB色彩空间到YUV空间的转化的结果得到Y的亮度分量，如果当Y的值小于域值Ymin时，系统自动接通在摄像头上面的节能灯，节能灯的亮度只要能超过域值Ymin的10％左右即可，当Y的值超过域值Ymin的2％时，系统自动断开对节能灯的供电。 

为了防止在翻斗发生翻倒动作过程中泄水而造成的计量误差，本发明中通过止流装置动作使引流管处在滞流状态，翻斗翻倒过程中由于滑轨的作用，推动小锥体向上运动起到一个锥阀的作用，从而阻塞引流管的流体通道，使得雨水在翻斗翻倒期间仍保留在引流管或者小漏斗中；而当翻斗恢复原来位置时，小锥体依靠弹簧力的作用使得引流管的雨水畅通进入翻斗，同时也产生一个触发信号来激活雨量计量装置，因此翻斗的设计要满足两个要求：1)翻斗上的滑轨必须在翻斗翻倒以前使锥阀的作用阻塞引流管的流体通道，防止在翻斗发生翻倒动作过程中泄水而造成的计量误差；2)而当翻斗恢复原来位置时，小锥体依靠弹簧力的作用使得引流管的雨水畅通进入翻斗，同时能作为一个触发信号来激活雨量计量装置，使得雨量计能在极低功耗情况下运行。 

所述的全方位视频图像采集与处理装置，本发明中采用了全方位视觉传感器，其目的是能在读取小浮标的视频信息同时又能检测周围的视频信息，这样雨量传感器也能检测泥石流等自然灾害的视频信息；全方位视觉传感器如图1所示，聚光透镜4以及摄像单元5固定在圆筒体的下部；圆筒体的上部固定着一个向下的大曲率的折反射镜1，其光学原理是全景图像的光点经透明外罩3，在折反射镜1上形成折反射，然后在CMOS摄像单元5上成像。这样能将一个半球(折反射镜)中的信息压缩成一幅图像，使得一幅图像中的信息量更大。 

所述的折反射镜为双曲面镜，摄像头包括聚光透镜和摄像单元位于双曲面镜的虚焦点位置；双曲面镜构成的光学系统由下面5个等式表示。折反射镜面设计图如图2所示。 

((X2+Y2)/a2)-(Z2/b2)＝-1    (Z＞0)          (26) 

$c=\sqrt{a^2+b^2}---\left(27\right)$

β＝tan-1(Y/X)                              (28) 

α＝tan-1[(b2+c2)sinγ-2bc]/(b2+c2)cosγ    (29) 

$\gamma ={\tan }^{-1}[f/\sqrt{(X^2+Y^2)}]---\left(30\right)$

上式中，X，Y，Z表示空间坐标，c表示双曲面镜的焦点，2c表示两个焦点之间 的距离，a，b分别是双曲面镜的实轴和虚轴的长度，β表示入射光线在XY平面上的夹角-方位角，α表示入射光线在XZ平面上的夹角-俯角，f表示成像平面到双曲面镜的虚焦点的距离。 

所述的全方位视频图像采集与处理单元、网络通信单元和声音采集与处理单元，在硬件与软件实现方面，本发明中选择嵌入式Linux系统，主要达到集传感、通信、移动为一体的目的，嵌入式Linux系统中包括了软件与硬件技术，其中嵌入式Linux软件是核心技术，它能实现全方位视觉的视频服务器的功能。 

嵌入式Linux全方位视觉传感器系统结构如附图3所示。在嵌入式系统硬件方面，选用Samsung公司的S3c2410开发板为嵌入式arm9硬件平台，处理器内部集成了ARM公司ARM920T处理器核的32位微控制器，此外，配置16MB 16位的Flash和64MB 32位的SDRAM。通过以太网控制器芯片DM9000E扩展一个网口并引出一个HOST USB接口。通过在USB接口上外接一个带USB口的摄像头，将采集到的视频图像数据传输到输入缓冲区中进行处理。 

所述的视频服务器，其目的是不断读取全方位视觉传感器所拍摄到的场景图像信息，并提供对有线及无线网络的支持，使各种网络与远程主机进行Socket通讯，实现在远程主机上进行视频分析与处理，也可以通过无线网络传输场景信息到手机上，方便用户随时随地查看泥石流发生的现场视频信息。全方位视觉传感器视频服务器的架构如图4所示，在S3c2410中建立视频服务器。 

所述的泥石流预警预报单元用于在降雨发生后的泥石流发生的预测预报，根据所计算得到的最大10分钟雨强、最大一小时雨强、实效雨量作为状态输入，通过统计预警预报模型判断在该状态条件下发生泥石流的概率以及不发生泥石流的概率，并根据所求的概率作出泥石流灾害的严重性和紧急程度的判断；图9为最大一小时雨强-实效雨量平面上的发生泥石流概率曲线图，图9是通过发生泥石流情况下取得的最大一小时雨强-实效雨量的历史数据用数理统计回归方式得到的，用同样的方法也可以得到最大10分钟雨强-实效雨量平面上的发生泥石流概率曲线图(没有附图)、最大一小时雨强-实效雨量平面上的不发生泥石流概率曲线图(没有附图)以及最大10分钟雨强-实效雨量平面上的不发生泥石流概率曲线图(没有附图)。 

根据数理统计学的观点，由于发生事件都可以看作事物内部状态的过去变化与外部所有因素共同作用的结果，该发生事件的状态量反映了事物本事的过去所有信息和外部影响信息，因此一旦当采集足够多发生事件，即样本长度足够长时，状态变量就能包含该事物发展的全部信息。每一次降雨过程都会产生相应的雨强、实效雨量以及泥石流灾害是否发生的数据，将这些数据保存在系统的存储单元内，随着时间的推移，降雨过程记录量的增多，最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流与不发生泥石流的样本空间就会增大，统计预测模型的可信度就会提高，同时可以将监控地所在的纬度和汛期的日照、蒸发、植被状况和相对湿度以及土坡特性等因数消化在自学习的统计过程中，使得泥石流灾害预测预 报模型能包含当地的地质因素、地形因素、土壤因素、植被因素、降雨等因子的全部信息。 

要进行泥石流发生预警预报模型的建立是十分必要的，用该模型作为在某个所计算得到的最大10分钟雨强、最大一小时雨强、实效雨量数据条件下判断泥石流发生概率的参考标准，同样模型的准确性也决定了泥石流发生预警预报精度，因此每当一个新记录产生后(降雨过程结束后)，要根据泥石流相关水文气象历史记录记忆单元中的数据重新进行统计回归计算修正统计预警预报模型，由于每次降雨过程都会产生最大10分钟雨强、最大一小时雨强、实效雨量以及是否发生了泥石流等数据，随着时间的推移，统计预警预报模型的样本空间就会增大，泥石流发生预警预报精度就会提高，本发明中将之称为预警预报模型自学习自修正。本发明中将雨强-实效雨量用状态关系图表示。 

所述的最大一小时雨强-实效雨量状态关系图以及最大10分钟雨强-实效雨量状态关系图是将触发泥石流发生的两个重要因素用一个平面坐标系来表达泥石流发生的分布概率，具体做法是首先根据在泥石流相关水文气象历史记录记忆单元中的历史数据，绘制一张雨强-实效雨量的关系图，即在平面直角坐标图上，将横坐标代表实效雨量(发生泥石流时的当日激发雨量十前15天的实效雨量)，纵坐标代表最大1小时雨强或最大10分钟雨强，利用泥石流发生事件雨量资料可以绘制出一张当量雨强-实效雨量的关系图，也可以得到如下关系式： 

y1h＝f1(R当日+R有效) 

y10min＝f2(R当日+R有效)    (1) 

上式中的R当日为发生泥石流时的当日激发雨量，计算是从泥石流发生时刻起往前推至凌晨8时的降雨量。据有关研究成果表明，暴发前的雨量才对泥石流的激发起主要作用，暴发后的降雨只对该场泥石流暴发的连续时间和规模有影响，因此预报泥石流灾害暴发模型的建立只需暴发前的雨量，即发生泥石流的当日激发降雨量； 

上式中的R有效为前期有效雨量，由于泥石流的发生，不仅仅是当时降雨的作用，前期降雨也会直接影响到前期的土壤含水量，从而影响到发生泥石流的临界雨量的大小。因此，在分析发生泥石流的临界雨量，首先应将前期土壤含水量和发生泥石流的当日激发雨量作为整体因素来考虑。由于前期土壤含水量大面积测定实际比较困难，往往利用前期降雨量进行折算，来间接反映前期土壤含水量的多少。根据监控地所在的纬度和汛期的日照、蒸发、植被状况和相对湿度以及土坡特性，采用公式(2)计算前期(15天)的有效雨量， 

式中，K为系数(根据监控地所在的纬度、汛期的日照、径流、蒸发、土壤渗 透能力等因素确定)，K为小于1的系数，因此(k)t的计算结果随着日数的前移对前期有效雨量的影响越来越小，它实际上为衰减系数。这是因为降到土壤里的雨量，通过径流蒸发、渗漏、植物吸收等、残留在土壤里的雨量，随着时间的推移就土壤中的含水量就会越来越少。 

当R当日+R有效固定在一个比较小的范围内时，当量最大一小时雨强y1h、最大10分钟雨强y10min认为分布比较集中，然后我们通过收集当地气象数据以及泥石流发生的情况，可以得到在某个R当日+R有效以及最大一小时雨强y1h、最大10分钟雨强y10min范围内发生泥石流的概率分布和不发生泥石流的概率分布，如果历史数据足够充分的话，可以认为发生泥石流的概率分布和不发生泥石流的概率分布服从正态分布，为了简化计算我们将上述的二维概率问题通过R当日+R有效的区间划分，简化成求最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流的概率分布和不发生泥石流的一维概率问题。 

所述的求最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流的概率分布，首先是在某个R当日+R有效范围内发生泥石流灾害时求最大一小时雨强y1h、最大10分钟雨强y10min的个数n1、n2(样本含量)即得均数 其公式为： 

$\overline{Y_{1h}}=(Y_{1h\left(1\right)}+Y_{1h\left(2\right)}+······+Y_{1h\left(n\right)})/n1=\underset{1}{\overset{n1}{\Sigma }}{Y}_{1h}/n1---\left(3\right)$

$\overline{Y_{10\min }}=(Y_{10\min \left(1\right)}+Y_{10\min \left(2\right)}+······+Y_{10\min \left(n\right)})/n2=\underset{1}{\overset{n2}{\Sigma }}{Y}_{10\min }/n2$

然后根据均数 来求得其各自的标准差S1h、S10min。其公式为： 

$s_{1h}=\sqrt{\underset{1}{\overset{n1}{\Sigma }}{(Y_{1h}-\overline{Y_{1h}})}^2/(n1-1)}---\left(4\right)$

$s_{10\min }=\sqrt{\underset{1}{\overset{n2}{\Sigma }}{(Y_{10\min }-\overline{Y_{10\min }})}^2/(n2-1)}$

当雨强与泥石流发生样本含量n1、n2足够大时，常用样本均数 和样本标准差S1h、S10min分别代替μ1h、μ10min和σ1h、σ10min，按其变化参数，推导出正态分布密度函数f1(Y1h)、f2(Y10min)。其公式为： 

$f_1\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mu }_{1h})}^2\left(2{{\sigma }_{1h}}^2\right)}/{\sigma }_{1h}\sqrt{2\pi }$0＜Y10min＜Y1h＜K 

$f_2\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mu }_{10\min })}^2\left(2{{\sigma }_{10\min }}^2\right)}/{\sigma }_{10\min }\sqrt{2\pi }---\left(5\right)$

式中μ1h、μ10min为均数；σ1h、σ10min为标准差；π为圆周率；e为自然对数的底，即2.71828。以上均为常数，仅Y1h、Y10min为变量(实际的最大一小时雨强y1h、最大10分钟雨强y10min)。 

所述的求最大一小时雨强y1h、最大10分钟雨强y10min不发生泥石流的概率分布，与上述方法一样，首先是在某个R当日+R有效范围内不发生泥石流灾害时求最大一小时雨强y^1h、最大10分钟雨强y^10min的个数n3、n4(样本含量)即得均数 其公式为： 

$\overline{{Y^}_{1h}}=({Y^}_{1h\left(1\right)}+{Y^}_{1h\left(2\right)}+······+{Y^}_{1h\left(n3\right)})/n3=\underset{1}{\overset{n3}{\Sigma }}{Y^}_{1h}/n3---\left(6\right)$

$\overline{{Y^}_{10\min }}=({Y^}_{10\min \left(1\right)}+{Y^}_{10\min \left(2\right)}+······+{Y^}_{10\min \left(n4\right)})/n4=\underset{1}{\overset{n4}{\Sigma }}{Y^}_{10\min }/n4$

然后根据均数 来求得其各自的标准差S^1h、S^10min。其公式为： 

${s^}_{1h}=\sqrt{\underset{1}{\overset{n3}{\Sigma }}{({Y^}_{1h}-\overline{{Y^}_{1h}})}^2/(n3-1)}---\left(7\right)$

${s^}_{10\min }=\sqrt{\underset{1}{\overset{n4}{\Sigma }}{({Y^}_{10\min }-\overline{{Y^}_{10\min }})}^2/(n4-1)}$

当雨强与泥石流不发生样本含量n3、n4足够大时，常用样本均数 和样本标准差S^1h、S^10min分别代替μ^1h、μ^10min和σ^1h、σ^10min，按其变化参数，推导出正态分布密度函数f3(Y1h)、f4(Y10min)。其公式为： 

$f_3\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mu ^}_{1h})}^2\left(2{{\sigma ^}_{1h}}^2\right)}/{\sigma ^}_{1h}\sqrt{2\pi }$0＜Y10min＜Y1h＜K2 

$f_4\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mu ^}_{10\min })}^2\left(2{{\sigma ^}_{10\min }}^2\right)}/{\sigma ^}_{10\min }\sqrt{2}\pi ---\left(8\right)$

式中μ^1h、μ^10min为均数；σ^1h、σ^10min为标准差；π为圆周率；e为自然对数的底，即2.71828。以上均为常数，仅Y1h、Y10min为变量(实际的最大一小时雨强y1h、最大10分钟雨强y10min)。 

所述的最大一小时雨强y1h与最大10分钟雨强y10min的统计是以每分钟为单位进行统计的；雨强则指单位时间内暴雨的降雨量。在Δt(i)暴雨历时内降雨量为Δy(i)时，平均雨强可用以下公式计算： 

$y\left(i\right)=\frac{\mathrm{\Delta y}\left(i\right)}{\mathrm{\Delta t}\left(i\right)}---\left(9\right)$

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j}{\overset{j+59}{\Sigma }}y\left(i\right))---\left(10\right)$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\Sigma }}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\Sigma }}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\Sigma }}y\left(i\right),...,\underset{i=j+50}{\overset{j+59}{\Sigma }}y\left(i\right))$

式中，i为目前统计时刻点，j为前60分的统计时刻点。 

根据公式(5)、(8)对于每一个最大一小时雨强y1h都可以求得发生与不发生泥石流的概率，同样对于每一个最大10分钟雨强y10min都可以求得发生与不发生泥石流的概率，根据所求得的概率值就能进行泥石流发生的预测预报。 

所述的泥石流预警预报单元根据所计算得到的最大10分钟雨强、最大一小时雨强、实效雨量作为状态输入，通过统计预警预报模型判断在该状态条件下发生泥石流的概率以及不发生泥石流的概率，并根据所求的概率作出泥石流灾害的严重性和紧急程度的判断，本发明中按照泥石流灾害的严重性和紧急程度，颜色依次为蓝色、黄色、橙色、橙红色、红色等五种颜色；在严重性方面依次代表一般、有些严重、较重、严重、特别严重，其分布分别为2.5％(μ1h-1.96σ1h)、15.9％(μ1h -1σ1h)、50％(μ1h)、84.1％(μ1h+1σ1h)、97.5％(μ1h+1.96σ1h)和2.5％(μ10min -1.96σ10min)、15.9％(μ10min-1σ10min)、50％(μ10min)、84.1％(μ10min+1σ10min)、97.5％(μ10min+1.96σ10min)；泥石流灾害的严重性判断，是根据公式(5)所求得的最大一小时雨强Y1h、最大10分钟雨强Y10min发生泥石流的概率来划分的，这两个概率值会有些差异，我们选其中一个最大的概率max(f1(Y1h)，f2(Y10min)作为严重性预测预报指标。 

在紧急程度方面依次代表一般、有些紧急、较紧急、紧急、特别紧急；首先我们以f1(Y1h)发生的概率来作为紧急程度判断基准，然后用f2(Y10min)、f3(Y1h)以及f4(Y10min)来进行偏差调整，偏差调整的理由如下：1)从泥石流灾害的严重性来讲，最大一小时雨强Y1h与最大10分钟雨强Y10min发生泥石流灾害的概率越高严重性越大；从泥石流灾害的紧急程度来讲，如果最大10分钟雨强y10min发生泥石流灾害的概率大于最大一小时雨强Y1h发生泥石流灾害的概率的话，发出避难警告的紧急程度越高，具体做法是当出现上述情况时提高一个紧急程度；2)在某一个最大一小时雨强Y1h与最大10分钟雨强Y10min发生泥石流灾害与不发生泥石流灾害的概率会同时存在，也就是说在这种情况下泥石流发生存在着不确定性，从概率的角度来讲，发生泥石流与不发生泥石流的概率区间会出现重叠，如果当不发生泥石流的概率远大于发生泥石流的概率时，(f3(Y1h)，f4(Y10min))＞＞(f1(Y1h)，f2(Y10min))降低两个紧急程度；如果当不发生泥石流的概率大于发生泥石流的概率时，(f3(Y1h)，f4(Y10min))＞(f1(Y1h)，f2(Y10min))降低一个紧急程度；如果当不发生泥石流的概率小于某个概率时max(f3(Y1h)，f4(Y10min))≤k1，提高一个紧急程度；如果当不发生泥石流的概率小于某个概率时max(f3(Y1h)，f4(Y10min))≤k2(k1＞k2)，提高两个紧急程度； 

不发生泥石流的概率区间分布分别为97.5％(μ^1h-1.96σ^1h)、84.1％(μ^1h -1σ^1h)、50％(μ^1h)、15.9％(μ^1h+1σ^1h)、2.5％(μ^1h+1.96σ^1h)和97.5％(μ^10min -1.96σ^10min)、84.1％(μ^10min-1σ^10min)、50％(μ^10min)、15.9％(μ^10min+1σ^10min)、2.5％(μ^10min+1.96σ^10min)；从上述分布来看，雨强越小不发生泥石流的概率越大，相反雨强越大不发生泥石流的概率越小，随着雨强的增大不发生泥石流的概率变小。 

应用泥石流灾害预测预报模型提供灾害反应对策，一般指警戒和避难两种形式的决策，前者就是在泥石流未发生之前，向人们发布这一事件可能出现的一种危险警告信号，使人们在思想上有所重视，在行动上有所准备，必要时还得采取某些防范措施；后者是在泥石流事件即将发生，或事件处于极限危险状态，向人们发布避免灾害的行动信号。从安全角度从发，发布的避难信号希望越早越好，晚了起不到应有的避难效果。但发布的避难事件，如果它未发生，又可能造成不必要的损失和混乱。本发明中，泥石流灾害的严重性和紧急程度判断值均为较重、较紧急情况时发布劝说避难信号；当泥石流灾害的严重性和紧急程度判断值均为严重、紧急情况时发布避难信号；当泥石流灾害的严重性判断值为严重或者特别 严重，紧急程度判断值为特别紧急情况时发布紧急避难信号。 

所述的预警预报模型自学习自修正，由于每一次降雨过程都会产生相应的雨强、实效雨量以及泥石流灾害是否发生的数据，将这些数据保存在泥石流相关水文气象历史记录记忆单元内，然后再利用公式(2)、(3)、(6)、(7)与原先的历史数据一起重新求最大一小时雨强y1h、最大10分钟雨强y10min的均数 样本标准差S1h、S10min、均数 样本标准差S^1h、S^10min，随着时间的推移，降雨过程记录量的增多，最大一小时雨强y1h、最大10分钟雨强y10min发生泥石流与不发生泥石流的样本空间就会增大，统计的可信度就会提高，同时可以将监控地所在的纬度和汛期的日照、蒸发、植被状况和相对湿度以及土坡特性等因数消化在自学习的统计过程中，使得泥石流灾害预测预报模型能包容当地的地质因素、地形因素、土壤因素、植被因素、降雨等因子的影响。 

所述的泥石流预警预报信息发布单元，将在泥石流预警预报单元中所得到的判断结果用网络及其他各种手段及时发布给下游的灾害危险区的居民，网络传输可以有两种方案可选择：1)有线网络传输：在视频服务器端建立一个多线程Socket服务器，不断监听远程客户端请求，以支持多个客户端同时连接，但是在山区采用该方案会受到条件限制；2)无线网络传输：在视频服务器端建立一个GPRS服务器，使用户通过无线网络访问全方位视频信息。在检测到泥石流预警预报或用户请求发送现场信息时，能够自动把现场信息以彩信形式发送到用户手机上，等等。发布的信息内容主要是警戒或者是避难，然后通报泥石流灾害的严重性和紧急程度信息。 

上述的实施例所产生的发明效果是，按照上述原理制造的基于全方位视觉的泥石流灾害预警预报装置，能提供一种专用的雨量、雨强检测仪器和计算机智能计算技术结合进行自动泥石流预警预报，能精确、灵敏、长期可靠、高质量地完成泥石流发生的检测和避难警报输出的新手段，并保持低维护率、支持远程网络通信、智能化计算等设计指标，采用全方位视觉传感器获取降雨气象的可视化信息，根据所获得的降雨信息求得15日的前期降雨的实效雨量、当日激发雨量、最大一小时雨强、最大10分钟雨强等数据，通过统计回归等数学手段建立组合预警预报模型，并通过对降雨与泥石流发生的资料收集不断自动修正预报模型，来达到精确预警预报的目的。通过准确的泥石流灾害预警预报模型提高泥石流灾害的预警预报精度，能使灾害危险区的居民可以及时得到泥石流灾害的将要发生信息，迅速采取预防措施回避损失，减轻泥石流的灾害，保障山区人民的生命财产安全。 

本发明将光、机、电、通信、图像处理和多媒体等技术集成在一起，实现了地质灾害的智能化计算与泥石流的预警预报，提高了检测泥石流的准确度，装置能在极低的功耗下运行，实现了雨量的自动数据采集处理，提供各种网络通信手段以及各种控制功能，能在非常恶劣的环境条件下可靠工作，同时支持各种网络通信，能方便地形成地质灾害检测网络，对同时把握区域的泥石流发生、灾害分布和受灾程度情况提供了一种新的手段。