1. 先搞清楚一个关键问题为什么白蚁能让水库大坝出事做水利工程监测这行的人最怕听到的词里绝对有白蚁两个字。很多人不理解一座几万立方米土方量的大坝怎么就怕那些几毫米长的白蚁这还真不是小题大做。土坝的防渗体系靠的是坝体填土的密实度和粘土心墙的完整性而白蚁恰恰是专门破坏这个体系的。白蚁在坝体内修筑蚁道可以沿着坝体填土的薄弱带、沉降缝、坝体与岸坡结合部一路向上穿透。蚁道的直径虽然只有几厘米但长度可以绵延几十米就像一个在坝体内部悄悄扩张的暗渠系统。一旦水库蓄水水位升高水压会把这些蚁道变成渗水通道。渗流量小的时候坝体下游坡面会出现点状渗水、湿斑渗流量大了就会发展成管涌、流土直接掏空坝体结构。历史上因为白蚁危害导致的土坝渗漏、跌窝甚至溃坝事故在各地水库年检记录里并不少见。所以水库大坝的日常监测里白蚁排查一直是固定项目。只是传统的人工排查方式效率太低漏检率也高尤其是在坝面植被茂密的段落肉眼根本无法发现坝体内部已经成型的蚁道。我这两年一直在做的一个项目就是把AI图像识别、物联网传感和可视化监测平台结合起来做了一套专门用于水库大坝白蚁防治的监测装置。这套装置的核心思路很简单不再靠人漫山遍野地去找白蚁而是让设备替人盯让算法替人看让可视化大屏把坝体内部的风险直接呈现出来。这个项目从立项到落地实际部署踩了不少坑也沉淀了不少经验这篇内容就把它拆开详细讲一讲给同样在做水利设施智能化监测的朋友一个可参考的完整方案。2. 装置的整体架构感知层、传输层、平台层怎么配合先给这套装置做个定位它不是单一设备而是一套软硬件结合的监测系统。整个架构分三层感知层负责采集传输层负责送达平台层负责判断与呈现。感知层是这套装置最核心的部分主要由两类设备构成。第一类是白蚁活动传感器。这类传感器的原理并不神秘利用的是白蚁活动时会产生特定频率的振动信号这个特性。白蚁啃食木材、搬运泥土、行走时蚁道内的振动频谱有一定的规律性尤其是白蚁啃食木质材料时产生的振动信号和风吹草动、雨水滴落、小动物爬行的信号有明显差异。传感器采用高灵敏度压电式振动探头埋设在坝体内部或表面实时采集这些振动信号。我选用的是量程为0.1Hz到3kHz的宽频振动传感器采样率设置为1kHz这个配置在白蚁信号捕捉和功耗控制之间取得了较好的平衡。第二类是图像采集设备也就是在坝体表面重点区域布置的高清摄像头。这些摄像头主要承担白蚁分飞期的有翅成虫监测任务。每年4月到6月是白蚁的分飞期成千上万的有翅成虫会从巢穴飞出这是发现白蚁巢穴位置最直观的窗口期。摄像头配合红外补光可以在夜间清晰捕捉白蚁分飞画面图像数据定期回传给平台进行AI识别。传输层我采用的是有线无线混合方案。传感器和摄像头距离监测站较近的采用RS485总线有线连接供电和数据传输一并解决稳定性最好。距离较远、布线困难的点位则采用LoRa无线模块传输。LoRa的优势是低功耗、远距离在野外坝区这种没有公共网络覆盖的环境下一组电池可以支撑传感器工作一年以上。摄像头由于数据量大走的是4G物联网卡回传。平台层是整个系统的大脑。我搭建了一个基于轻量化后端框架的监测平台接收传感器回传的数据完成三件事数据清洗与存储、AI识别分析、可视化展示。可视化展示这块我最终选用了ECharts作为图表渲染方案配合自研的地图组件将坝体轮廓、监测点位置、实时数据状态叠加在同一个大屏上。这套大屏系统就是整个装置面向用户的脸面也是实际使用中用户反馈最好的部分。3. 白蚁识别算法从振动信号里分辨出白蚁比想象中麻烦这套装置里最核心的算法就是振动信号的分类识别。传感器部署在野外坝区采集到的信号是非常脏的里面包含各种环境噪声。我归纳了一下干扰信号主要分几类降雨噪声、风振噪声、人为活动噪声如巡查人员脚步、维护施工、动物活动噪声如鼠类、鸟类、虫类活动。初期我犯过一个错误一上来就想着直接用深度学习模型进行分类。后来发现在野外环境下采集的样本数量太少正样本白蚁活动信号更是少得可怜深度学习模型完全训不动。后来我调整了策略采用特征工程传统机器学习分类器的方案实际效果反而更稳定。具体的处理流程是这样的第一步信号预处理。传感器采集到的原始振动信号先经过带通滤波器滤除50Hz工频干扰和3000Hz以上的高频噪声。滤波后的信号再做小波变换去噪保留有效频段内的振动特征。第二步特征提取。对去噪后的信号提取三组特征时域特征峰值、有效值、峭度、波形因子、频域特征频谱质心、主频带能量占比、频谱峰值频率、小波包能量特征。这三组特征组合起来构成了一个16维的特征向量。第三步分类判别。我选用了梯度提升树XGBoost作为分类器对特征向量进行分类输出结果为白蚁活动或非白蚁活动。模型训练数据来自实验室环境下的白蚁啃食模拟实验和野外部署后的实际采集数据我通过数据增强如添加不同信噪比的噪声、时间错位扩充了样本集让模型具备更强的泛化能力。这里有一个容易被忽略的细节白蚁活动的振动信号不是连续的而是间断性爆发式的。白蚁啃食木材时是一阵一阵的每次啃食持续约0.5到2秒间隔几秒到几十秒不等。因此算法还需要引入一个时间窗口的判定逻辑。我设置的是在10秒的时间窗口内如果识别出3次以上独立的白蚁活动片段才判定为一次有效的白蚁活动事件。这个逻辑有效避免了单次误触发导致的频繁报警。实际运行下来这套识别方案的准确率能达到85%左右误报率控制在每站点每周不超过5次。对于一个防汛监测场景来说这个指标是可接受的——宁可多报几次让巡查人员去确认也不能漏报一次让隐患变成事故。4. 识别模型训练的数据准备从实验室到野外的三阶段迭代模型的效果七分靠数据三分靠算法这句话在野外场景里体现得淋漓尽致。我整个数据准备过程分成了三个阶段每个阶段解决不同的问题。第一阶段实验室采集。在可控环境里用养在白蚁巢穴箱内的白蚁工蚁作为信号源将振动传感器探头贴近白蚁啃食的木材表面采集白蚁活动信号。这个阶段的数据信噪比非常高特征鲜明适合用于建立初始分类模型。我在这个阶段采集了约300组有效信号样本同时采集了空白对照组的振动信号。第二阶段野外环境补充采集。第一批传感器部署到实际坝区后我持续采集了三个月的环境数据。这些数据里有降雨、有风、有动物活动、有周边施工振动把它们和实验室数据混合在一起重新训练模型。这一步最有价值的地方是让我发现了大量之前没预料到的干扰模式。比如坝区附近曾有施工车辆经过振动信号持续好几分钟和白蚁活动信号在频谱上有部分重叠这就需要调整特征提取策略把信号持续时间也作为一维特征纳入判定。第三阶段边测边调优化。模型上线后并没有一劳永逸。我保持每个月人工审查一次识别日志把算法判定为白蚁活动但人工确认不是的样本也就是假阳性和算法漏掉但实际存在白蚁活动的样本也就是假阴性找出来重新标注后加入训练集再增量训练模型。这个循环持续了半年模型的实用性才真正稳定下来。最后补充一个经验不要期望模型一次训练就达到理想效果野外的干扰源是无穷无尽的把模型迭代的机制建好比追求初始精度更重要。5. 可视化大屏到底该显示什么从一张数据堆砌图到一张风险态势图这套装置里可视化大屏是用户每天都要看的界面它的设计好坏直接决定了这套系统能不能被用户真正用起来。我第一版大屏是典型的数据堆砌方式每个监测点的实时振动波形、温湿度数据、摄像头画面、报警列表全往屏幕上挤。结果用户反馈是信息太多看不出重点。后来我和用户反复沟通重新梳理了大屏的呈现逻辑大屏的核心任务是回答三个问题——哪里有风险风险有多大要不要派人去查围绕这三个问题我把大屏重新划分成了四个功能区。5.1 坝体风险态势图这是大屏的主视图以坝体平面图为底图把每个监测点的位置用不同颜色的圆点标注出来。绿色表示正常黄色表示预警短时间内检测到2次以上白蚁活动事件红色表示告警白蚁活动事件持续触发或同一区域内多个监测点同时报警。整个坝体的风险态势一目了然。5.2 趋势与周期分析区这个区域展示的是过去30天各监测点白蚁活动频次的时序变化曲线。白蚁活动有明显的季节性4到6月是高发期趋势图可以直接反映当前是否处于白蚁活动的高峰阶段。同时系统自动标注出活动频次异常的日期方便用户回溯当天的气象条件、水位变化寻找关联性。5.3 证据链列表每次触发报警后系统自动生成一条记录关联该监测点的振动信号片段、算法判定的置信度、抓拍到的图像如果有以及当时的环境参数。这条记录就是完整的证据链巡查人员到大坝现场核查之前可以先在系统里看一遍证据链判断是否值得跑一趟。这个功能极大地提升了巡查的工作效率。5.4 传感器健康状态区野外设备最怕的就是设备离线了自己还不知道。大屏右下角固定展示所有监测点的在线状态、电池电量、信号强度、最近一次数据上传时间。任何一台设备失联系统都会在5分钟内发出离线告警。这套大屏上线后用户的使用频率明显提升。用户的原话是以前看数据报表不知道自己在看什么现在看大屏点开红色点位就知道该干什么。这就对了可视化不是为了好看是为了让人能快速理解状态、快速做决策。6. 部署选址与传感器布设白蚁防治监测点位怎么定才科学设备的硬件选型和算法调优固然重要但真正决定这套系统能不能有效预警的是传感器布设的位置。点位选得不对再好的算法也白搭。我的经验总结下来布设点位需要综合考虑四个维度。第一白蚁活动的高发区域。白蚁筑巢有几个偏好坝体背水坡的坡脚、坝体与山体岸坡的交界处、坝面排水沟附近、坝体表土干燥疏松的地带。这些地方湿度适中、食物来源丰富是白蚁巢穴的优先选址。我在每个这样的高风险区域都至少布置1个振动监测点位。第二坝体结构的薄弱环节。坝体填筑的分层结合面、新旧坝体搭接段、坝下涵管周边、溢洪道边墙与坝体接触带这些位置的防渗性能天然弱于主体坝段一旦白蚁蚁道穿透到这些位置渗流破坏的风险会成倍放大。这些位置不但要布设白蚁监测点位最好同步布设渗压监测点形成联动判断。第三监测的冗余覆盖。我采用的策略是重点区域双点位覆盖——同一个高风险区域在相距约20米的两个不同位置各布设一个传感器。这样做的好处是一个点位触发的告警可能是个体偶然活动但如果两个点位在相近时间段内同时触发告警基本可以确认这片区域存在白蚁蚁巢或蚁道系统需要优先核查。第四摄像头的覆盖与振动传感器互补。摄像头优先布置在白蚁分飞期有翅成虫聚集的坝面开阔地段以及坝顶、坝脚等视野良好的位置。摄像头识别到的白蚁分飞画面可以和振动传感器识别到的白蚁活动信号形成交叉印证大幅提升预警的置信度。在实际布设施工中还有两个细节值得注意。传感器的埋设深度方面我建议不能太浅浅了容易受地表环境干扰冬天还容易冻坏但也不能太深深了白蚁活动的微弱振动信号衰减过多灵敏度不足。我最终采用的是地表下30至50厘米的回填埋设方式既保证了信号的有效接收又兼顾了设备检修的便利性。另外传感器探头与坝体土壤之间一定要压实紧贴如果存在空隙振动信号会明显衰减现场测试时同一位置因为回填密实度不同信号幅值差了将近一倍这个细节很容易被忽略。7. 设备供电与通信野外部署最容易翻车的环节野外部署的物联网设备有三重考验供电、通信、防护。这三个环节任何一个出问题设备就等于白装。这一节专门讲讲我在实际部署中踩过最深的坑。7.1 供电方案怎么选我最初天真地以为太阳能供电锂电池是野外设备供电的最优解。后来发现这个方案在白蚁监测场景里并不那么理想。问题出在功耗和效率的匹配上。振动传感器单次的峰值电流约为80mA24小时连续采集再加上无线传输日平均功耗在25mAh左右。如果再把摄像头算进来一台摄像头的日平均功耗高达350mAh以上。以这个功耗水平太阳能板加锂电池的方案需要配置较大容量的电池组而在持续阴雨天超过5天的情况下电池组就很难支撑摄像头稳定运行。摄像头一旦掉线可视化的可视化就少了半条腿。最终我采用的方案是分级供电振动传感器和LoRa传输模块采用低功耗锂电池供电以单节18650电池3400mAh计算一组电池可以支撑8个月以上配合小型太阳能板浮充基本做到两年免维护。摄像头则通过小功率太阳能板20Ah磷酸铁锂电池组供电在晴天日照下可以保证全天候运行阴雨季节如果连续一周无有效日照系统会自动降低摄像头帧率从每2秒抓拍一帧降为每5分钟抓拍一帧以保证核心的传感器监测不中断。7.2 通信链路设计通信层面的一个关键经验是远近结合。距离监测站1公里以内的点位用LoRa直连基站超过1公里的点位通过LoRa中继节点接力回传。如果是坝区面积特别大的工程建议在坝区制高点设置中继或者直接采用4G物联网卡回传成本略高但部署灵活。我在这里踩过的一个重要教训是通信链路调试一定要在选择信号覆盖最差的时间段进行。我第一次部署时是晴天正午测试的LoRa信号非常稳定觉得万无一失。结果到了雨季连续阴雨天气下由于雨衰效应和空气湿度增大好几条链路的信号强度下降严重丢包率飙升差点导致关键点位的数据中断。建议做通信测试时选择雨天或夜间进行以最差场景作为设计基准。7.3 防护等级要往高处做野外坝区的环境比工业现场恶劣得多。传感器外壳我要求IP67防护等级以上接线端子全部做环氧树脂灌封防止雨水渗入。摄像头防护等级选IP66云台接缝处加装防水胶条。此外所有设备在入网前都要做48小时的雨中模拟老化测试这个流程可以筛掉相当一部分防水不到位的隐患。8. 这套系统的实际效果从漫山遍野找人到大屏一开就知道去哪查这套装置在试点水库部署运行了12个月我整理了这段时间的实际运行数据可以给各位做一个参考。试点区域选择了水库主坝背水坡和左岸坝肩两个区域共布设振动传感器12台、白蚁活动监测摄像头4台。12个月的运行中系统总共触发白蚁活动告警63次其中经人工核查确认与白蚁活动相关或高度相关的有41次确认率约65%。这41次告警对应的坝体区域里通过人工开挖和诱杀处理实际找到白蚁巢穴或蚁道的共有17处其中蚁巢深度最浅的距坝面仅0.4米最深的2.2米。和系统部署前的数据做一个对比过去该水库的白蚁排查每年集中开展两次每次动用4名巡查人员、耗时5至7天完成全部坝面的徒步排查。12个月里人工排查实际发现蚁巢蚁道8处其中有两处蚁道已经明显延伸到坝体核心防渗区域再晚发现半年就会形成严重渗漏隐患。部署监测系统后人工排查频次可以适当降低到每年一次剩下的日常监测交给系统发现告警后再针对性派单核查。从人力投入来说白蚁防治的人日均消耗下降了六成以上。让我印象最深的是一次预警救险的实际案例。去年7月本地连续暴雨水库水位快速升高。系统在坝体背水坡中段的两个相邻点位先后触发了白蚁活动告警。我打开大屏看了一眼证据链两个点位的振动信号片段都呈现典型的白蚁啃食频谱特征置信度分别为88%和79%时间间隔不到6小时。我立刻通知水库管理人员赶赴现场核查巡查人员在告警点位附近发现了一块明显的塌坑跌窝面积约0.5平方米深度约0.3米。经开挖确认这个塌坑下方就是一个规模较大的白蚁主巢蚁道已延伸到坝体核心防渗区域。如果不是系统在降雨期间持续工作并及时告警这个隐患在暴雨持续的情况下极大概率会在汛期演变成管涌甚至更严重的事故。必须强调的是这套系统并不能完全替代人工防治。它的真实价值在于把人工巡查的平均用力变成精准用力。系统告警后人工去核查、去开挖、去诱杀效率极高系统不告警的区域可以放心减少巡查人力。人机协同才是水利工程白蚁防治效率最优的模式。9. 部署这套装置前建议先过一遍这份清单如果你也准备在自己的项目里做类似的AI可视化白蚁防治监测装置我这里有一份从实际项目中总结的检查清单按优先级排列第一确认坝区基础网络情况。现场有没有4G信号、信号强度如何、有没有条件布线。这套系统的通信方案高度依赖现场条件先摸清底数再做设计。第二确认已有的坝体监测设施。很多水库已经建了渗压监测、位移监测系统白蚁监测能不能和这些系统共用通信链路、共用供电资源、共用可视化平台是降低建设成本的关键。我在项目里就复用了原有的渗压监测站点的供电和通信节省了大约三分之一的基础设施成本。第三提前规划好点位布设方案。不要到施工现场了才决定点位位置。按照上一节说的高发区域、薄弱环节、冗余覆盖、传感器摄像头互补这四个维度结合坝体图纸和现场踏勘结果提前把每个监测点的具体位置、埋设深度、走线路径画出来并在现场用定位标记逐一确认。这一步做扎实了施工阶段会顺畅很多。第四做好与水库管理方的联动机制。系统告警后谁来核实、谁来处理、处理结果如何反馈到系统里这些流程要和水库管理方提前约定好。技术系统再完善如果人工响应流程跟不上预警也只能停留在纸面上。第五留好算法迭代的接口和空间。随着部署时间拉长积累的现场数据越来越多白蚁活动模式的识别能力还有很大的提升空间。我在这套系统里预留了远程模型更新的通道平台端可以定期推送优化后的模型参数到现场设备不需要人工到现场一台台操作。第六重视数据的安全合规。大坝监测数据属于重要基础设施的运营数据数据存储、访问权限、传输加密都要按相关规定严格执行。系统部署前做一次安全评估部署后定期检查访问日志这是底线要求不能省。10. 一些更深入的思考AI可视化白蚁防治装置还能往哪个方向走这套系统目前的形态解决的是白蚁在哪、有没有、活跃不活跃这几个问题。但往深了想大坝白蚁监测的终局目标应该远不止于此。我设想的一个方向是预测性防治。现在的系统是白蚁活动了才告警属于事后发现虽然比人工巡查及时得多但白蚁巢穴一旦形成规模防治成本和难度都成倍增加。理想的模式是系统通过长期积累的气象数据、水位数据、植被情况、白蚁活动周期性规律在适合白蚁分飞繁殖的天气窗口来临之前就提示管理方提前布置诱杀装置、喷洒防治药物把风险扼杀在萌芽阶段。这需要系统加入气象预测模块和更长时间尺度的数据分析当前的数据积累还不够支撑但方向是清晰的。另一个方向是多源数据融合判断。白蚁危害的最终后果是坝体渗漏如果能把白蚁监测数据和渗压监测数据放在同一个分析模型里让系统不只判断有没有白蚁而是综合判断白蚁活动对坝体安全的影响程度就能给水库管理方更精准的决策依据。比如说一个监测点白蚁活动频繁但渗压数据稳定可能蚁道还没有贯穿防渗体系风险等级可以定为中等如果白蚁告警和渗压异常在同一时段、同一区域同时出现那风险等级就应该直接拉到最高启动应急预案。这需要打破单系统数据孤岛在更高层面做数据汇聚和联合分析。我目前的进展是已经将本系统的数据接口和试点水库的渗压监测系统做了对接正在积累联合分析的数据样本。等样本量足够我会把多源数据融合的算法模型整合进现有平台。最后如果让我用一个词总结这套装置的核心价值我会选确定性三个字。白蚁防治最怕的就是不知道哪里有、不知道有没有用、不知道什么时候复发整套AI可视化装置的使命就是把这些不知道一个个变成知道。知道得越清楚决策就越坚决防治就越有效。