Page 69 - 2024年第55卷第11期

图 ２ 试验布置示意

表 １ 试验参数设置
流量 平均水深 平均流速 水面坡度 切应力 Ｓｈｉｅｌｄｓ 数 输移阶段 悬浮指标
工况
－ ３
Ｑ?（Ｌ?ｓ） Ｈ?ｍｍ Ｕ?（ｍ?ｓ） Ｓ ｗ （ × １０ ） τ ?Ｐａ Θ Ｔ ｓ Ｚ
Ｔ１ ２５ １１０ ０．２２７ １．１３ １．１９５ ０．１７ ５．０７ ４．４８
Ｔ２ ２０ ８５ ０．２３５ １．７９ １．４７０ ０．２１ ６．２１ ４．０４
Ｔ３ ２２ ９０ ０．２４４ １．８７ １．６２７ ０．２３ ６．８８ ３．８４
Ｔ４ ４０ １３０ ０．３０８ ２．８３ ３．５２２ ０．５０ １５．００ ２．６１
Ｔ５ ３５ １１０ ０．３１８ ２．８７ ３．０３５ ０．４３ １２．８８ ２．８１
Ｔ６ ２５ ８０ ０．３１３ ２．３６ １．８２８ ０．２６ ７．７２ ３．６３
Ｔ７ ２０ １００ ０．２００ １．７５ １．６８９ ０．２４ ７．１５ ３．７７
Ｔ８ ２５ ９０ ０．２７８ ３．０５ ２．６５２ ０．３７ １１．２１ ３．０１
Ｔ９ ２７ １００ ０．２７０ ２．０３ １．９５２ ０．２７ ８．２７ ３．５１

τ
注：Θ＝ ，ρ ｓ 为泥沙密度；对于中值粒径为 ０．４５ｍｍ的床沙，Θ ｃ 取 ０．０３３。
－
（ ρ ｓ ρ ）ｇＤ ５０
试验前通过在水槽尾部缓慢倒灌的方式将水槽内水位蓄至设定高度，避免出现来自上游初始较快
水流对床面造成剧烈破坏。每组工况均持续 ８ｈ以上，确保在床面形态发展相对稳定后进行图像采集。
床形迁移速度具有和推移质输沙率类似的波动性质，涉及诸多非线性变化的过程，依赖于不同的时
间、空间尺度。已有成果表明 ［１０，１２，１９ － ２０］ ，在以推移质运动为主的水槽试验条件下，床面形态平均迁移
－ ４
－ ２
速度 ｃ多介于 １０ ～１０ ｍ?ｓ。本文试验中，图像识别有效区域长度 ０．８ｍ，床形通过有效观测区域的
ｂ
最长所需时间为 ２．２ｈ，可获得至少一个周期的迁移速度数据，包含了床面形态形成和发展的全过程，
确保床面几何形态图像完整，获取的相关参数信息可靠。
２．２ 床面提取的图像识别方法 床面高程通过自动识别视频图像中的水体－ 床沙分界线来实现。水沙
边界的图像识别涉及到图像分割技术，在以往的研究中常采用基于阈值、边缘识别等方法 ［２２］ ，这些方
法易受环境条件干扰，图像识别质量不能完全满足要求。近年来，可对图像进行观察、感知和逻辑推
理的通用 ＡＩ大模型快速发展，实现了高效准确的图像分割。本文尝试采用 ２０２３年 ＭｅｔａＡＩ的开源
ＳＡＭ（ＳｅｇｍｅｎｔＡｎｙｔｈｉｎｇＭｏｄｅｌ）模型 ［２３］ ，该模型利用超过 １１亿个分割掩码和 １１００万张图片的庞大数据
集进行训练，能在复杂广泛的场景里实现准确的图像分割，在水体与空气、水体与河床交界面提取方
面具有较好的应用潜力。本文通过 Ｐｙｔｈｏｎ平台 ＰｙＴｏｒｃｈ模块调用 ＳＡＭ模型对提取的视频帧进行图像分
割，实现自动、高效地提取水体和床面边界线，工作流程如图 ３所示。

３
— １ ３ ５ —