CN109633113A - 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 - Google Patents
基于青鳉鱼逐级行为模型的水质监测预警方法及系统 Download PDFInfo
- Publication number
- CN109633113A CN109633113A CN201811479985.5A CN201811479985A CN109633113A CN 109633113 A CN109633113 A CN 109633113A CN 201811479985 A CN201811479985 A CN 201811479985A CN 109633113 A CN109633113 A CN 109633113A
- Authority
- CN
- China
- Prior art keywords
- medaka
- behavior
- concentration
- motion
- aromatic hydrocarbon
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/186—Water using one or more living organisms, e.g. a fish
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开公开了基于青鳉鱼逐级行为模型的水质监测预警方法及系统,包括:步骤(1):根据设定时间间隔在流水系统中加入指定浓度的多环芳烃;采集利用电极施加电场情况下青鳉鱼的行为数据;根据所述行为数据与时间和多环芳烃浓度的正相关关系构建逐级响应模型;步骤(2):同时,利用两个摄像头采集青鳉鱼的视频图像;从视频图像中提取青鳉鱼的运动过程中的轨迹、运动速率、运动形态和运动方向;步骤(3):对比步骤(1)的逐级响应模型和步骤(2)提取的数据;记录每个阶段的行为规律,根据行为规律给出水质监测结果。
Description
技术领域
本公开涉及水质监测领域,特别是涉及基于青鳉鱼逐级行为模型的水质监测预警方法及系统。
背景技术
本部分的陈述仅仅是提高了与本公开相关的背景技术,并不必然构成现有技术。
目前,基于生物行为的水质监测具有检测未知有害物、反映污染的积累效应、维护成本低等特点,已经成为一种新型的水质监测手段,并被广泛应用。生物水质监测可以利用生物体对生态环境中污染物的种种反应,来直观表征当前生态环境质量的好坏及受污染程度。
据发明人了解,现有表征当前水体质量的生物监测方法,存在由于环境因素、个体差异、实验方法等带来的假阳性预警。
发明内容
为了解决现有技术的不足,本公开提供了基于青鳉鱼逐级行为模型的水质监测预警方法及系统;
第一方面,本公开提供了基于青鳉鱼逐级行为模型的水质监测预警方法;
基于青鳉鱼逐级行为模型的水质监测预警方法,包括:
步骤(1):根据设定时间间隔在流水系统中加入指定浓度的多环芳烃;采集利用电极施加电场情况下青鳉鱼的行为数据;根据所述行为数据与时间和多环芳烃浓度的正相关关系构建逐级响应模型;
步骤(2):同时,利用两个摄像头采集青鳉鱼的视频图像;从视频图像中提取青鳉鱼的运动过程中的轨迹、运动速率、运动形态和运动方向;
步骤(3):对比步骤(1)的逐级响应模型和步骤(2)提取的数据;记录每个阶段的行为规律,根据行为规律给出水质监测结果。
作为一种可能的实现方式,在所述步骤(1)之前,还包括步骤(10):
在流水系统中对青鳉鱼进行养殖,所述流水系统,包括:青鳉鱼行为监测区域,青鳉鱼行为监测区域为一个透明圆柱管,透明圆柱管的两端分别设有底盖和顶盖,在底盖上设有进水口,所述进水口与进水管连接;在顶盖上设有敞开口,敞开口的侧面设有溢流口,在青鳉鱼行为监测区域与底盖之间、青鳉鱼行为监测区域与顶盖之间设有带孔硅胶垫;
在流水系统的顶部设置一个摄像头,在流水系统的侧面设置另外一个摄像头,两个摄像头分别对青鳉鱼进行视频采集,两个摄像头将采集到的青鳉鱼活动视频传输给控制器;
在青鳉鱼行为监测区域中设有两组电极,两组电极均安装在透明圆柱管内壁上,每组电极由相对设置的两对电极组成,其中一对为发射信号电极,另外一对为接收信号电极;电极上设有电极点,电极点通过信号线连接控制器。
作为一种可能的实现方式,根据设定时间间隔在流水系统中加入指定浓度的多环芳烃的具体步骤为:
指定浓度一般为0-20TU的多环芳烃分批次测量(此处TU意指毒性单位,1TU的浓度代表相对鱼的半数致死量LC50,相对应的,0.1TU就是半数致死剂量的10%)。每批次预定采集时间间隔分短期、中期与长期,短期为7天以下,中期为7至14天,长期多至一个月。
作为一种可能的实现方式,采集利用电极施加电场情况下青鳉鱼的行为数据的具体步骤为:
发射信号电极连续发射低压正弦高频信号,在青鳉鱼行为监测区域内形成一个低压正弦高频信号电场,当青鳉鱼在检测区域内运动导致电场发生变化以后,接收信号电极感应电场的变化,接收信号电极将变化的电信号传输给控制器,控制器依据变化的电信号对青鳉鱼的行为进行解析,进而实现青鳉鱼行为信号的采集。
控制器依据变化的电信号对青鳉鱼的行为进行解析:信号接收电极在接收到改变的电信号以后,通过傅里叶快速转换,对行为信号进行在线处理,通过A/D转换器,实现行为强度的采集。
作为一种可能的实现方式,所述根据所述行为数据与时间和多环芳烃浓度浓度的正相关关系构建逐级响应模型的具体步骤为:
根据行为数据在时间t和浓度C两个维度上都是正相关关系,将时间和浓度统一整合为环境压力变量E,即E=et*C随着时间增加,浓度增加,环境压力也相应增加,e为常数。根据环境压力E与行为强度的关系构建逐级响应模型。
逐级响应模型中,环境压力E为x轴,行为强度为y轴;环境压力分为五个阶段,分别是:无效应阶段、刺激阶段、适应阶段、调整阶段和毒性效应阶段;随着阶段的递增,行为强度也逐渐增强。
作为一种可能的实现方式,对比步骤(1)的逐级响应模型和步骤(2)提取的数据;记录每个阶段的行为规律,根据行为规律给出水质监测结果的具体步骤为:
统计青鳉鱼随着环境压力增大时的运动形态变化,如果发现多环芳烃在浓度为N时,步骤(2)提取青鳉鱼的运动形态为C形态,且步骤(1)的逐级响应模型为刺激阶段或适应阶段,则输出轻度污染的结果;
如果发现多环芳烃在浓度为M时,步骤(2)提取青鳉鱼的运动形态为S形态,且步骤(1)的逐级响应模型为调整阶段,则输出中度污染的结果;
如果发现多环芳烃在浓度为P时,步骤(2)提取青鳉鱼的运动方向调整次数在设定时间内超过设定阈值,且步骤(1)的逐级响应模型为毒性效应阶段,则输出重度污染的结果。
第二方面,本公开还提供了基于青鳉鱼逐级行为模型的水质监测预警系统;
基于青鳉鱼逐级行为模型的水质监测预警系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
与现有技术相比,本公开的有益效果是:
本发明利用计算机视觉技术实现了多目标行为跟踪及姿态测量。弥补了逐级行为响应模型单纯利用行为强度一种参数的不足,可以自动检测鱼类个体并自动识别鱼类个体的头尾,测量每条鱼的运动姿态和运动方向,记录鱼群中每条鱼的行为轨迹,存储鱼的行为及姿态数据,支持离线视频行为监测,支持在线实时行为监测,也可调整软件系统参数优化识别及多目标跟踪的准确性,对水质监测及预警技术的创新开发有重要意义。
本发明实现可视化生物行为监测,可用于鱼类行为学研究,如鱼群及个体行为的分析。而可视化的个体行为监测对水质监测及预警具有重大意义,本发明是构建以鱼类为指示生物的生物监测系统的补充,是基于行为响应的水质监测系统的重要组成部分,具有极大的实用意义并在环境监测及管理领域中有广泛的应用前景。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的机械连接示意图;
图2为本发明的整体流程示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明旨在实现多目标鱼类行为的自动跟踪并记录鱼的个体运动轨迹。采用计算机视觉算法自动检测鱼类个体,同时,利用跟踪算法获得多条鱼的个体运动轨迹。本发明支持从摄像机中进行实时监测或对采集的视频数据进行离线行为监测。并实现长期的多目标行为观测功能。
针对当前基于青鳉鱼的逐级行为响应模型检测方法单一,判断标准不足的问题,我们构建了该视频分析技术,结合基于青鳉鱼逐级行为模型,通过输出青鳉鱼在水体环境下运动速度、位置分布、动作形态等参数,综合分析行为响应的规律,避免了假阳性预警的问题,提高了结果的准确性。
本发明从数字摄像机或者视频文件中读取视频图像,进行鱼的检测和跟踪处理。首先,利用目标检测算法提取图像中的鱼,根据图像特征识别识别鱼的头尾。然后,将每条鱼的头尾及中心坐标传递给多目标跟踪算法,由跟踪算法按照时间序列生成鱼的运动轨迹。跟踪结果将可视化的方式显示输出给用户,同时,将鱼的运动轨迹存储到数据文件中。
行为强度数据利用基于四极阻抗技术的水质监测系统采集各种多环芳烃浓度下的鱼类行为强度数据,同时增加一套三维示踪指纹印迹识别系统,一般为0-20TU分批次测量(此处TU意指毒性单位,1TU的浓度代表相对鱼的半数致死量LC50,相对应的,0.1TU就是半数致死剂量的10%)。每批次预定采集时间分短期、中期与长期,短期为7天以下,中期为7至14天,长期多至一个月。
将传感器所得行为数据根据与时间及浓度的正相关关系构建逐级响应模型,并采集相对应的视频数据,视频分析总共包括运动轨迹、运动速率、运动形态、运动方向等参数,对比行为逐级响应模型,记录每个阶段的行为规律,如统计青鳉鱼随着环境压力增大时的运动形态变化,可以发现C形态多出现于刺激阶段、适应阶段,S形态多出现于调整阶段,随着环境压力的增大,运动方向发生改变的次数会增加等等。
本发明的处理流程如图1所示。首先,由用户选择行为观测的视频源。根据观测鱼的大小和视频的特征设置参数后启动多目标跟踪系统。软件从视频源中逐帧读取视频图像,从每帧图像中监测鱼的个体图像。得到鱼的个体信息后,由跟踪算法将鱼的个体信息生成鱼的运动轨迹。然后,将跟踪到的鱼用不同颜色的标记显示在视频图像中,实时反馈给用户并以文本文件的方式存储到用户的计算机硬盘。行为跟踪安装每秒30帧的速度执行,直到视频读取完毕或者用户终止程序。
如图2所示,基于青鳉鱼逐级行为模型的水质监测预警方法,包括:
步骤(1):根据设定时间间隔在流水系统中加入指定浓度的多环芳烃;采集利用电极施加电场情况下青鳉鱼的行为数据;根据所述行为数据与时间和多环芳烃浓度的正相关关系构建逐级响应模型;
步骤(2):同时,利用两个摄像头采集青鳉鱼的视频图像;从视频图像中提取青鳉鱼的运动过程中的轨迹、运动速率、运动形态和运动方向;
步骤(3):对比步骤(1)的逐级响应模型和步骤(2)提取的数据;记录每个阶段的行为规律,根据行为规律给出水质监测结果。
作为一种可能的实现方式,在所述步骤(1)之前,还包括步骤(10):
在流水系统中对青鳉鱼进行养殖,所述流水系统,包括:青鳉鱼行为监测区域,青鳉鱼行为监测区域为一个透明圆柱管,透明圆柱管的两端分别设有底盖和顶盖,在底盖上设有进水口,所述进水口与进水管连接;在顶盖上设有敞开口,敞开口的侧面设有溢流口,在青鳉鱼行为监测区域与底盖之间、青鳉鱼行为监测区域与顶盖之间设有带孔硅胶垫;
在流水系统的顶部设置一个摄像头,在流水系统的侧面设置另外一个摄像头,两个摄像头分别对青鳉鱼进行视频采集,两个摄像头将采集到的青鳉鱼活动视频传输给控制器;
在青鳉鱼行为监测区域中设有两组电极,两组电极均安装在透明圆柱管内壁上,每组电极由相对设置的两对电极组成,其中一对为发射信号电极,另外一对为接收信号电极;电极上设有电极点,电极点通过信号线连接控制器。
作为一种可能的实现方式,根据设定时间间隔在流水系统中加入指定浓度的多环芳烃的具体步骤为:
指定浓度一般为0-20TU的多环芳烃分批次测量(此处TU意指毒性单位,1TU的浓度代表相对鱼的半数致死量LC50,相对应的,0.1TU就是半数致死剂量的10%)。每批次预定采集时间间隔分短期、中期与长期,短期为7天以下,中期为7至14天,长期多至一个月。
作为一种可能的实现方式,采集利用电极施加电场情况下青鳉鱼的行为数据的具体步骤为:
发射信号电极连续发射低压正弦高频信号,在青鳉鱼行为监测区域内形成一个低压正弦高频信号电场,当青鳉鱼在检测区域内运动导致电场发生变化以后,接收信号电极感应电场的变化,接收信号电极将变化的电信号传输给控制器,控制器依据变化的电信号对青鳉鱼的行为进行解析,进而实现青鳉鱼行为信号的采集。
控制器依据变化的电信号对青鳉鱼的行为进行解析:信号接收电极在接收到改变的电信号以后,通过傅里叶快速转换,对行为信号进行在线处理,通过A/D转换器,实现行为强度的采集。
作为一种可能的实现方式,所述根据所述行为数据与时间和多环芳烃浓度浓度的正相关关系构建逐级响应模型的具体步骤为:
根据行为数据在时间t和浓度C两个维度上都是正相关关系,将时间和浓度统一整合为环境压力变量E,即E=et*C随着时间增加,浓度增加,环境压力也相应增加,e为常数。根据环境压力E与行为强度的关系构建逐级响应模型。
逐级响应模型中,环境压力E为x轴,行为强度为y轴;环境压力分为五个阶段,分别是:无效应阶段、刺激阶段、适应阶段、调整阶段和毒性效应阶段;随着阶段的递增,行为强度也逐渐增强。
作为一种可能的实现方式,利用两个摄像头采集青鳉鱼的视频图像;从视频图像中提取青鳉鱼的运动过程中的轨迹、运动速率、运动形态和运动方向的具体步骤为:
步骤(200):以青鳉鱼行为监测区域所在的透明圆柱管的中心为原点,建立XYZ三维坐标系;XY轴坐标平面与透明圆柱管的横切面重合;YZ轴坐标平面与透明圆管的纵切面重合;一个摄像头用于从青鳉鱼行为监测区域的顶部采集青鳉鱼的XY轴坐标平面的视频图像,另外一个摄像头用于从青鳉鱼行为监测区域的侧面采集青鳉鱼的YZ轴坐标平面的视频图像;所述采集青鳉鱼的YZ轴坐标平面的视频图像用于定位青鳉鱼的深度;
步骤(201):从XY轴坐标平面的视频图像中提取青鳉鱼的不同姿态的参考图像;将参考图像中青鳉鱼各自独立的图像称为标准图像,将参考图像中青鳉鱼有重叠的图像称为问题图像;
步骤(202):对标准图像进行去除背景处理,将青鳉鱼从图像中分割出来,将分割出来的图像进行灰度化处理,对灰度化处理后的图像的每个像素点提取灰度值;提取每个青鳉鱼的不同姿态下的指纹特征;
所述步骤(202)中提取每个青鳉鱼的指纹特征的步骤为:
任意选取两个像素点i和j,计算所述两个像素点i和j之间的直线距离dij,计算所述两个像素点的灰度值之和hi+hj,计算所述两个像素点的灰度值之差hi-hj;hi表示像素点i的灰度值;hj表示像素点j的灰度值;
将所述两个像素点之间的直线距离dij与所述两个像素点的灰度值之和hi+hj组成像素集强度矩阵的点[dij,hi+hj],进而得到当前青鳉鱼的所有像素点对应的标准像素集强度矩阵;
将所述两个像素点之间的直线距离dij与所述两个像素点的灰度值之差的绝对值|hi-hj|组成像素集强度矩阵的点[dij,|hi-hj|],进而得到当前青鳉鱼的所有像素点对应的标准像素集对比度矩阵;
所述标准像素集强度矩阵和标准像素集对比度矩阵,共同构成每个青鳉鱼的一种姿态下的指纹特征;进而得到每个青鳉鱼不同姿态下的多个指纹特征;
步骤(203):对问题图像行去除背景处理,将待匹配青鳉鱼从图像中分割出来,将分割出来的图像进行灰度化处理,对灰度化处理后的图像的每个像素点提取灰度值;
采用与步骤(202)同样的方法,得到待匹配青鳉鱼的像素集强度矩阵;
采用与步骤(202)同样的方法,得到待匹配青鳉鱼的像素集对比度矩阵;
然后将待匹配青鳉鱼的像素集强度矩阵的每个元素与标准像素集强度矩阵的对应元素作差,将得到的差值取绝对值,然后加和,取平均值,得到第一差异值;
然后将待匹配青鳉鱼的像素集对比度矩阵的每个元素与标准像素集对比度矩阵的对应元素作差,将得到的差值取绝对值,然后加和,取平均值,得到第二差异值;
将第一差异值与第二差异值进行求和,得到总差异值;
计算待匹配青鳉鱼图像与标准图像中每一条青鳉鱼不同姿态图像的总差异值,挑选出总差异值超过设定阈值的待匹配青鳉鱼的图像;所挑选的图像视为含青鳉鱼交叉的图像;对挑选出的待匹配青鳉鱼图像,根据青鳉鱼交叉运动前的轨迹和交叉运动后的轨迹,评估被测青鳉鱼的交叉运动过程中的运动轨迹;
对总差异值未超过设定阈值的待匹配青鳉鱼的图像,视为青鳉鱼为独立的个体,将待匹配青鳉鱼的图像与标准图像中所有青鳉鱼的不同姿态图像的总差异值进行从小到大排序,选择最小的总差异值,最小的总差异值对应的标准图像中的青鳉鱼与当前待匹配青鳉鱼是同一个体;
步骤(204):将所有属于同一个个体的图像整合到一起,以图像中心按照时间顺序连线,记录被测青鳉鱼在运动过程中的轨迹;运动速率即每秒内轨迹的长度,运动形态是每秒取一次样,与已有的运动形态进行匹配,运动方向即轨迹的切线。
作为一种可能的实现方式,对比步骤(1)的逐级响应模型和步骤(2)提取的数据;记录每个阶段的行为规律,根据行为规律给出水质监测结果的具体步骤为:
统计青鳉鱼随着环境压力增大时的运动形态变化,如果发现多环芳烃在浓度为N时,步骤(2)提取青鳉鱼的运动形态为C形态,且步骤(1)的逐级响应模型为刺激阶段或适应阶段,则输出轻度污染的结果;
如果发现多环芳烃在浓度为M时,步骤(2)提取青鳉鱼的运动形态为S形态,且步骤(1)的逐级响应模型为调整阶段,则输出中度污染的结果;
如果发现多环芳烃在浓度为P时,步骤(2)提取青鳉鱼的运动方向调整次数在设定时间内超过设定阈值,且步骤(1)的逐级响应模型为毒性效应阶段,则输出重度污染的结果。
第二方面,本公开还提供了基于青鳉鱼逐级行为模型的水质监测预警系统;
基于青鳉鱼逐级行为模型的水质监测预警系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.基于青鳉鱼逐级行为模型的水质监测预警方法,其特征是,包括:
步骤(1):根据设定时间间隔在流水系统中加入指定浓度的多环芳烃;采集利用电极施加电场情况下青鳉鱼的行为数据;根据所述行为数据与时间和多环芳烃浓度的正相关关系构建逐级响应模型;
步骤(2):同时,利用两个摄像头采集青鳉鱼的视频图像;从视频图像中提取青鳉鱼的运动过程中的轨迹、运动速率、运动形态和运动方向;
步骤(3):对比步骤(1)的逐级响应模型和步骤(2)提取的数据;记录每个阶段的行为规律,根据行为规律给出水质监测结果。
2.如权利要求1所述的方法,其特征是,在所述步骤(1)之前,还包括步骤(10):
在流水系统中对青鳉鱼进行养殖,所述流水系统,包括:青鳉鱼行为监测区域,青鳉鱼行为监测区域为一个透明圆柱管,透明圆柱管的两端分别设有底盖和顶盖,在底盖上设有进水口,所述进水口与进水管连接;在顶盖上设有敞开口,敞开口的侧面设有溢流口,在青鳉鱼行为监测区域与底盖之间、青鳉鱼行为监测区域与顶盖之间设有带孔硅胶垫;
在流水系统的顶部设置一个摄像头,在流水系统的侧面设置另外一个摄像头,两个摄像头分别对青鳉鱼进行视频采集,两个摄像头将采集到的青鳉鱼活动视频传输给控制器;
在青鳉鱼行为监测区域中设有两组电极,两组电极均安装在透明圆柱管内壁上,每组电极由相对设置的两对电极组成,其中一对为发射信号电极,另外一对为接收信号电极;电极上设有电极点,电极点通过信号线连接控制器。
3.如权利要求1所述的方法,其特征是,
根据设定时间间隔在流水系统中加入指定浓度的多环芳烃的具体步骤为:
指定浓度为0-20TU的多环芳烃分批次,每批次预定采集时间间隔分短期、中期与长期,短期为7天以下,中期为7至14天,长期多至一个月。
4.如权利要求1所述的方法,其特征是,
采集利用电极施加电场情况下青鳉鱼的行为数据的具体步骤为:
发射信号电极连续发射低压正弦高频信号,在青鳉鱼行为监测区域内形成一个低压正弦高频信号电场,当青鳉鱼在检测区域内运动导致电场发生变化以后,接收信号电极感应电场的变化,接收信号电极将变化的电信号传输给控制器,控制器依据变化的电信号对青鳉鱼的行为进行解析,进而实现青鳉鱼行为信号的采集;控制器依据变化的电信号对青鳉鱼的行为进行解析:信号接收电极在接收到改变的电信号以后,通过傅里叶快速转换,对行为信号进行在线处理,通过A/D转换器,实现行为强度的采集。
5.如权利要求1所述的方法,其特征是,根据所述行为数据与时间和多环芳烃浓度浓度的正相关关系构建逐级响应模型的具体步骤为:
根据行为数据在时间t和浓度C两个维度上都是正相关关系,将时间和浓度统一整合为环境压力变量E,即E=et*C随着时间增加,浓度增加,环境压力也相应增加,e为常数;根据环境压力E与行为强度的关系构建逐级响应模型;
逐级响应模型中,环境压力E为x轴,行为强度为y轴;环境压力分为五个阶段,分别是:无效应阶段、刺激阶段、适应阶段、调整阶段和毒性效应阶段;随着阶段的递增,行为强度也逐渐增强。
6.如权利要求1所述的方法,其特征是,
对比步骤(1)的逐级响应模型和步骤(2)提取的数据;记录每个阶段的行为规律,根据行为规律给出水质监测结果的具体步骤为:
统计青鳉鱼随着环境压力增大时的运动形态变化,如果发现多环芳烃在浓度为N时,步骤(2)提取青鳉鱼的运动形态为C形态,且步骤(1)的逐级响应模型为刺激阶段或适应阶段,则输出轻度污染的结果;
如果发现多环芳烃在浓度为M时,步骤(2)提取青鳉鱼的运动形态为S形态,且步骤(1)的逐级响应模型为调整阶段,则输出中度污染的结果;
如果发现多环芳烃在浓度为P时,步骤(2)提取青鳉鱼的运动方向调整次数在设定时间内超过设定阈值,且步骤(1)的逐级响应模型为毒性效应阶段,则输出重度污染的结果。
7.基于青鳉鱼逐级行为模型的水质监测预警系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-6任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811479985.5A CN109633113B (zh) | 2018-12-05 | 2018-12-05 | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811479985.5A CN109633113B (zh) | 2018-12-05 | 2018-12-05 | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633113A true CN109633113A (zh) | 2019-04-16 |
CN109633113B CN109633113B (zh) | 2021-06-29 |
Family
ID=66071318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811479985.5A Active CN109633113B (zh) | 2018-12-05 | 2018-12-05 | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633113B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507869A (zh) * | 2020-12-07 | 2021-03-16 | 广州博进信息技术有限公司 | 基于机器视觉的水下目标物行为观测和水体环境监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201060188Y (zh) * | 2007-04-13 | 2008-05-14 | 中国科学院生态环境研究中心 | 一种水质安全在线预警系统中的生物行为传感器 |
CN102749100A (zh) * | 2012-06-27 | 2012-10-24 | 烟台凯思环境技术有限公司 | 基于四极阻抗及三维示踪的生物行为传感器及监测方法 |
CN106932551A (zh) * | 2017-02-20 | 2017-07-07 | 山东师范大学 | 环境压力下的鱼类响应模型生成方法及水体质量评估方法 |
CN107361007A (zh) * | 2017-07-12 | 2017-11-21 | 深圳市科芙海洋科技有限公司 | 一种便携式小型鱼类生物行为学监视装置 |
CN107549036A (zh) * | 2016-08-02 | 2018-01-09 | 山东师范大学 | 基于电、视频信号的水生生物行为在线监测系统及方法 |
CN108376238A (zh) * | 2018-01-19 | 2018-08-07 | 山东师范大学 | 一种多目标无标记的水生生物识别追踪方法及系统 |
CN108872515A (zh) * | 2018-07-11 | 2018-11-23 | 山东师范大学 | 一种基于鱼类心电指标的水质中有机物的评价方法及系统 |
-
2018
- 2018-12-05 CN CN201811479985.5A patent/CN109633113B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201060188Y (zh) * | 2007-04-13 | 2008-05-14 | 中国科学院生态环境研究中心 | 一种水质安全在线预警系统中的生物行为传感器 |
CN102749100A (zh) * | 2012-06-27 | 2012-10-24 | 烟台凯思环境技术有限公司 | 基于四极阻抗及三维示踪的生物行为传感器及监测方法 |
CN107549036A (zh) * | 2016-08-02 | 2018-01-09 | 山东师范大学 | 基于电、视频信号的水生生物行为在线监测系统及方法 |
CN106932551A (zh) * | 2017-02-20 | 2017-07-07 | 山东师范大学 | 环境压力下的鱼类响应模型生成方法及水体质量评估方法 |
CN107361007A (zh) * | 2017-07-12 | 2017-11-21 | 深圳市科芙海洋科技有限公司 | 一种便携式小型鱼类生物行为学监视装置 |
CN108376238A (zh) * | 2018-01-19 | 2018-08-07 | 山东师范大学 | 一种多目标无标记的水生生物识别追踪方法及系统 |
CN108872515A (zh) * | 2018-07-11 | 2018-11-23 | 山东师范大学 | 一种基于鱼类心电指标的水质中有机物的评价方法及系统 |
Non-Patent Citations (1)
Title |
---|
张胜茂等: "计算机视觉技术在监测鱼类游泳行为中的研究进展", 《大连海洋大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507869A (zh) * | 2020-12-07 | 2021-03-16 | 广州博进信息技术有限公司 | 基于机器视觉的水下目标物行为观测和水体环境监测方法 |
CN112507869B (zh) * | 2020-12-07 | 2024-04-09 | 广州博进信息技术有限公司 | 基于机器视觉的水下目标物行为观测和水体环境监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109633113B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526112B (zh) | 一种基于鱼类活性分析的水质毒性检测方法 | |
CN103335955B (zh) | 一种水质在线监测方法与装置 | |
CN109977813A (zh) | 一种基于深度学习框架的巡检机器人目标定位方法 | |
CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
CN103324937A (zh) | 标注目标的方法和装置 | |
CN108519465B (zh) | 一种基于大数据的空气污染智能监测系统 | |
CN208283385U (zh) | 用于水产养殖业的水下检测机器人 | |
CN109241941A (zh) | 一种基于深度学习分析的养殖场监控家禽数量的方法 | |
CN103018196A (zh) | 一种油菜需水信息的快速探测方法 | |
CN108549875A (zh) | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 | |
CN103344583A (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 | |
CN102819765A (zh) | 一种基于计算机视觉的牛奶体细胞计数方法 | |
CN110378232A (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN102721793A (zh) | 一种食醋品质数字化检测方法及装置 | |
CN109740654A (zh) | 一种基于深度学习的舌体自动检测方法 | |
CN115372571A (zh) | 一种水环境智能监测系统 | |
CN108593005A (zh) | 一种基于水下机器人的海洋环境监测系统 | |
CN110672524A (zh) | 一种适用于智慧水环境的水体浊度检测方法 | |
CN109633113A (zh) | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 | |
CN107977531A (zh) | 一种基于图像处理和领域数学模型进行接地电阻软测量的方法 | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN106841560A (zh) | 一种水质监测系统 | |
CN103729642A (zh) | 一种基于超声信号的肉类品质检测系统及方法 | |
CN109060016A (zh) | 鱼、虾水产品生态养殖用智能检测管理设备 | |
KR102172968B1 (ko) | 선로 이상상태 판단 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |