Page 70 - 2024年第55卷第11期

提取视频帧的间隔 Δ ｔ过短则床形难以呈现明显迁移，过长则易低估迁移速度 ［１６］ ，经多次尝试，
设置 Δ ｔ ＝ １ｍｉｎ 有较好的效果。如图 ３所示，图中为工况 Ｔ４中约 ３０ｍｉｎ的床形迁移过程。

图 ３ 床面形态识别与迁移过程示意

提取床面的准确性是本文后续研究的基础，ＡＩ视
觉大模型实现了所见即所得的床面自动提取，能够实时
进行目视检查，基本保证了床面形状的正确性。其次，
本文随机抽取了 ３组剖面进行分界线的手动点取，并与
ＡＩ自动提取进行对比。如图 ４所示，两种方法提取的
床面形状和位置十分吻合，最大误差为 ４．９ｐｉｘｅｌ，平均
误差为 １．２ｐｉｘｅｌ。因此，ＡＩ视觉大模型自动提取能够保
证数据的精度且更具连续性。
２．３ 床面形态特征参数和迁移速度提取
２．３．１ 床面形态特征参数提取 本文首先对初始床面数
据进行 Ｌｏｅｓｓ滤波，然后采用 Ｖａｎ等 ［２４］ 的 ＢＴＴ（Ｂｅｄｆｏｒｍ 图 ４ 手动提取和 ＡＩ自动提取床面对比
ＴｒａｃｋｉｎｇＴｏｏｌ）方法提取床面形态特征参数。
Ｌｏｅｓｓ滤波是开展含噪声数据序列特征参数提取的常用技术手段 ［２４ － ２５］ ，实践证明，Ｌｏｅｓｓ滤波能有
效滤除数据中的噪声，形成较光滑的曲线以便于后续波峰、波谷位置的确定。传统 Ｌｏｅｓｓ滤波需要根
据实测数据进行调整，单一的光滑窗口长度易产生过度滤波或者欠滤波情况，通常需要多次手动输入
滤波参数，拟合优度的判断依赖于经验或试错法，且对所有的床面序列采用同一个光滑窗口长度，缺
乏动态、系统 性 的 拟 合 优 化 策 略。本 文 利 用 最 小 化 贝 叶 斯 信 息 准 则 （ ＢａｙｅｓｉａｎＩｎｆｏｒｍａｔｉｏｎＣｒｉｔｅｒｉｏｎ，
ＢＩＣ），综合考虑拟合优度和复杂度，动态确定最优的光滑窗口长度，确保滤波后的曲线既反映床面的
真实变化，又避免过度拟合，降低滤波效率。具体实现步骤如下：针对每一时刻的床面高程数据 ｚ，
在 ０．０５～０．５之间每间隔 ０．０５依次取光滑窗口长度 ｗ，则第 ｊ个窗口长度 ｗ对应的拟合曲线为 ｚ。引入
ｊ ｊ
ＢＩＣ判别值：
ＲＳＳ
( )
ｊ
ＢＩＣ（ｊ） ＝ｎｌｇ ｎ ＋ ｎｌｇ（ｎ）ｗ ｊ （１）
式中：ｎ为床面高程数据点个数；ＲＳＳ为 ｗ下拟合曲线和原数据的残差平方和。式（１）第一项通过将
ｊ
ｊ
ＲＳＳ除以数据点数量 ｎ并取其对数，评估了平均每个数据点的拟合误差，第二项将光滑窗口长度 ｗ乘
ｊ
ｊ
以 ｌｇ（ｎ）代表了拟合复杂度。通过选择最小化 ＢＩＣ（ｊ）对应的 ｗ，平衡了 Ｌｏｅｓｓ拟合的优度和复杂度，
ｊ
确定了最优拟合曲线，同时也实现了床面的自动化拟合。
利用 ＢＩＣ优化后的 Ｌｏｅｓｓ滤波方法拟合得到光滑床面，从中提取床面形态特征参数，如图 ５所示。
取光滑床面的全局移动平均值作为基准线，自下游至上游来看，床面曲线向上交叉和向下交叉基准线
— １ ３ ６ —
３