在水利行业中,水库水位及其预警等级是水库安全运行管理的关键信息,也是水库水灾漫坝预防的关键信息。随着人力成本的增加,传统方法水位传感器维护困难;基于云端计算的水位预警识别,存在图像视频数据储存压力大、数据传输带宽费用成本高等问题。因此在嵌入式边缘计算终端使用计算机视觉进行语义分割水位预警识别,对降低水库安全管理成本和提高水利工程智能识别普及度有着非常重要的意义。图像语义分割是计算机视觉领域重要研究方向之一,其中基于深度学习的语义分割相较于传统分割算法更为高效可靠。但很多复杂的图像分割网络在嵌入式平台上部署比较困难,难以进行实际应用。因此针对水库水生态应用背景,本文提出一套基于语义分割的嵌入式终端水库水位预警系统。该水库水位预警系统通过采集多时段、多天气、多要素的多样化数据以及多种数据增强方式提高模型的鲁棒性。由于水库水域占整个水库图像的比例较大,因此水库水域相对其他分割目标更容易分割识别,考虑到在嵌入式终端部署使用的实用性、通用性,选取了简单有效的语义分割FCN算法来实现水库水域像素级分割。将FCN模型分别在两种不同的常见优化器上进行实验对比分析从而选择出适合深度学习训练的优化器。针对水库图像数据各类别的像素总数占比的不同,在FCN算法基础上提出了加权交叉熵损失函数来平衡数据集并训练得到效果更好的模型。针对输出特征图像素之间的上下文空间信息关联性不强、模型推理能力弱的问题,提出了多尺度池化特征融合改进了FCN模型。将FCN模型、加权交叉熵损失函数的FCN改进模型和加权交叉熵损失函数又同时使用多尺度池化特征融合的FCN改进模型这3种不同模型分别进行实验对比分析。本文在英伟公司生产的其中一个嵌入式终端产品Jetson TX2上对模型做了性能测试,通过对比测试结果,最终选用了准确率最高的FCN改进模型。最终将同时采用加权交叉熵损失函数与多尺度池化特征融合的FCN改进模型部署在嵌入式终端上,实现水库水位预警识别。通过本文提出的基于语义分割的嵌入式终端水库水位预警识别可以对水库水灾进行有效预防。