CN111896540A - 一种基于区块链的水质在线监测系统 - Google Patents
一种基于区块链的水质在线监测系统 Download PDFInfo
- Publication number
- CN111896540A CN111896540A CN202010674030.6A CN202010674030A CN111896540A CN 111896540 A CN111896540 A CN 111896540A CN 202010674030 A CN202010674030 A CN 202010674030A CN 111896540 A CN111896540 A CN 111896540A
- Authority
- CN
- China
- Prior art keywords
- water body
- water quality
- water
- map
- quality map
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8405—Application to two-phase or mixed materials, e.g. gas dissolved in liquids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于水体检测技术领域,具体涉及一种基于区块链的水质在线监测系统。本发明的一种基于区块链的水质在线监测系统,包括水质图谱增强模块、水体运动目标检测跟踪模块、水体水质检测模块,水质图谱增强模块、水体运动目标检测跟踪模块得到水质图谱信息,水体水质检测模块调用水体水质检测模型,与存储装置中模型的标准参数进行比较,判断水体是否符合标准。该系统满足实时性要求,可以移植到嵌入式系统中进行区块链数据传输。采用多信息多特征融合技术,将水体区域内的水体特征、水体不规则特征进行融合,能够有效提高水体水质检测的准确率。
Description
技术领域
本发明属于水体检测技术领域,具体涉及一种基于区块链的水质在线监测系统。
背景技术
随着科技的快速发展,社会生产力水平的不断提高,人们的物质生活质量得到了极大的改善,伴随而来的水污染问题也日益严重。对于资源的需求愈发增大,而水资源作为人类生产生存的最重要资源之一,面临着日益短缺的困境,在这样的大环境下就不仅需要考虑水资源的利用率,还应该从水资源的监测方面进行加强管理。我国人口众多,对水资源的需求更大,保障水资源的源头质量刻不容缓,为了治理和改善生态环境,国家也加大生态系统保护力度,将水环境保护提升到战略高度。为了保证水资源利用的安全与有效,水质监测技术在我国已经迅速发展,经过国家长期的基础建设与推进发展,我国已将水质监测应用在我国的江河湖海,对水资源质量进行实时、实地、高质量的监督与管理。水质监测是评估水质的基本手段——以水环境为对象,采用各种方法、技术对水体中污染物的种类、各类污染物的浓度进行采集和监测,并利用定性、定量的分析方法,分析出水体中的污染物的变化幅度和方向,作为水质监测系统中的理论依据。因此,做好水质监测是治理和改善水环境的有效途径。
区块链作为新一代信息技术,已遍及智能家居、智慧城市、绿色农业、仓储物流等多个领域。将区块链技术应用于水质监测领域,利用电子传感器实时监测各类元素的含量,可以降低工作人员的监督难度,减少污染检测的随机性,增加监测的科学性和准确性,大幅度提高监测效率和监测范围。然而,限于设备条件、功耗以及无线通信覆盖等因素的制约,目前,对于水质监测很难做到全天候、大范围的实时监测,只能覆盖到部分水环境、固定源污水排放,对一些突发的水污染事件也不能及时地反应。从水质监测的覆盖范围和成本控制的角度来考虑,低功耗广域网技术拥有功耗低、距离远等优点,可以解决蜂窝网络应用中功耗高、距离短等问题,因此,低功耗广域网技术是弥补物联网网络层短板的最佳选择。我国现行的水质监测主要以各大监测实验为主,但由于此种监测方式的人力消耗量大,响应时间长、自动化程度低,不能实现对水质进行实时监测和预测,随着区块链的发展和在各领域中的卓越表现,基于区块链技术的水质监测系统应运而生,利用传感器网络,实时监测水环境,自动监测水面污染源并发出警报,还可以对突发性的污染事件进行预警。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种将区块链水质图谱增强与水体检测结合在一起、同时减小光照和遮挡等干扰的影响的基于区块链的水质在线监测系统。
为解决上述技术问题,本发明的一种基于区块链的水质在线监测系统,包括水质图谱增强模块、水体运动目标检测跟踪模块、水体水质检测模块,水质图谱增强模块、水体运动目标检测跟踪模块得到水质图谱信息,水体水质检测模块调用水体水质检测模型,与存储装置中模型的标准参数进行比较,判断水体是否符合标准,具体包括:
(1)水质图谱增强模块:
步骤1、利用光学传感设备获取水体区域监测水质图谱;
步骤2、使用水质图谱增强算法处理水体区域监测水质图谱信息,得到增强水质图谱;
(2)水体运动目标检测跟踪模块:
步骤3、采用Vi Be算法检测水体区域内运动颗粒目标,得到水体区域中的疑似污染区域,水体疑似超标位置;
步骤4、通过检测步骤3水体疑似超标位置的水质图谱特征获得超标水体的粗略位置信息;
步骤5、将步骤4得到的超标水体的粗略位置作为目标的初始窗口,使用Cam Shift目标跟踪算法实时跟踪超标水体运动信息;
(3)水体运动目标检测跟踪模块:
步骤6、根据先验知识,通过超标水体的粗略位置信息和超标水体运动信息获取超标水体集中区域信息;
步骤7、提取水体区域中疑似污染的纹理特征、颜色特征、水体不规则特征以及超标水体集中区域的HOG特征;
步骤8、利用步骤7提取的信息,采用特征融合算法和机器学习算法对水体进行检测,识别超标水体。
步骤2中使用水质图谱增强算法处理水体区域监测水质图谱信息,得到增强水质图谱具体为:
步骤2.1、将水质图谱颜色空间将RGB水质图谱转换为HSV水质图谱,以后的步骤均通过HSV水质图谱处理;
步骤2.2、在HSV水质图谱的水体V通道进行光照分量估计,使用非局部均匀滤波算法对光照分量进行计算,选取滤波模块与原图谱卷积,将卷积结果作为估计的水体光照分量,并将其作为水体V通道数据;
步骤2.3、对水体V通道进行线性变化拉伸;
步骤2.4、水体HSV颜色空间转换为水体RGB颜色空间,输出增强后的水体图谱。
步骤3中采用Vi Be算法检测水体区域内运动颗粒目标,得到水体区域中的疑似污染区域,水体疑似超标位置具体为:
步骤3.1、水体背景初始化:根据水质图谱第一帧进行模型初始化,在任一像素点的邻域随机选取Ni个像素点作为该像素的样本值,将样本值组成样本集,背景模型初始化完毕;
步骤3.2、水体前景点判断:用当前监测帧中的像素值在背景模型中进行比较,计算像素值之间的距离;判断像素值之间的距离是否小于设定的最小值min,如果像素值之间的距离小于设定的最小值min则计数器N进行加1操作,否则不进行操作;判断计数器N是否大于预先制定的阈值,如果计数器N大于预先制定的阈值,则判断该像素点为水体背景像素点,否则为水体前景像素点,将检测水体的结果标记出来;
步骤3.3、更新水体背景模型:在步骤3.2中若检测出水体前景点,采用背景更新机制更新背景,否则水体背景模型不变,监测帧加1,执行步骤3.2。
步骤5中将步骤4得到的超标水体的粗略位置作为目标的初始窗口,使用CamShift目标跟踪算法实时跟踪超标水体运动信息;具体为:
步骤5.1、将步骤4确定的超标水体的粗略位置,作为跟踪算法的初始框;
步骤5.2、计算反向投影图:对步骤2中H通道进行处理,求取初始框的直方图,通过直方图求取概率分布图,进而得到反向投影图,将反向投影图作为跟踪目标;
步骤5.3、采用Mean Shift算法求取目标运动之后新的水质图谱中心与边框;
步骤5.4、将Mean Shift算法获得的目标的中心与边框作为初始框,显示跟踪结果;
步骤5.5、通过人工停止监测或最后一帧水质图谱处理完毕信息,判断跟踪是否结束,如果结束执行步骤6,如果不结束返回步骤5.2。
步骤7中提取水体区域中疑似污染的纹理特征、颜色特征、水体不规则特征以及超标水体集中区域的HOG特征具体为:
步骤7.1、LBP特征提取,具体为:
步骤7.1.1、读入预处理疑似污染区域,设置检测窗口区域;
步骤7.1.2、将上一步检测窗口区域中的像素,分别与4×4邻域内随机8个像素灰度值进行对比,若大于该像素,则记为1;若小于,则记为0,从而得到该像素的LBP特征向量;
步骤7.1.3、对每个区域的直方图进行统计并进行去噪处理;
步骤7.1.4、将所有区域的直方图进行汇总,串联得到水质图谱的LBP特征向量f={xa,xb,L,xs},其中s为LBP特征的向量维数,L表示区域轮廓的周长,xa,xb为水质图谱横向维度的两个不同的坐标值;
步骤7.2、水体的颜色特征提取,具体为:
在水体颜色特征中提取颜色直方图,对水体区域中像素点的R、G、B的值进行统计,并画出其对应的直方图分布,将R、G、B三通道分开绘制;
步骤7.3、水体的轮廓不规则特征提取,具体为:
水体的不规则度定义为:
式中,S表示区域的面积,R值越大,表示轮廓越不规则;
水体的不规则度计算具体为:
步骤7.3.1、采用水体运动目标检测算法提取水体区域的二值图像;
步骤7.3.2、计算运动区域的轮廓周长以及面积;
步骤7.3.3、使用不规则度定义公式计算待检水体的不规则度;
步骤7.4、提超标水体集中区域的梯度方向直方图HOG特征,具体为:
步骤7.4.1、水质图谱标准化,调节水质图谱对比度;
步骤7.4.2、计算边缘方向,求解每个像素点的梯度;
步骤7.4.3、直方图计算,算出每个像素点单元的梯度直方图,将Np个像素点单元组成一个空间块,其中Np为设定值,进而得到HOG特征;
步骤7.4.4、对空间块归一化,将归一化后的空间块组成新的空间块,然后针对每个块进行对比度归一化,最终的描述子是检测窗口内所有块内的像素点单元的直方图构成的向量。
将水质图谱颜色空间将RGB水质图谱转换为HSV水质图谱包括
步骤2.1.1、RGB颜色空间转换到HSV颜色空间
RGB图像转换到HSV颜色空间如下式所示:
max=max(R,G,B)
min=min(R,G,B)
V1=max-min
V=max
步骤2.1.2、对H分量进行处理操作,采用改进的MSR算法,用非局部均值滤波算法去估计光照分量;
步骤2.1.3、HSV颜色空间转换到RGB颜色空间,输出图像。
所述使用水质图谱增强算法处理水体区域监测水质图谱信息,得到增强水质图谱,还包括以下具体步骤:
步骤A1,将所述获取的检测水质图谱信息转变为一个个的N*P的像素点的图谱图像矩阵M,其中N*P表示所述图谱图像拥有N*P个像素点,所述图谱图像矩阵M含有N行P列,所述是图谱图像矩阵M的每个位置的值均代表该位置对应像素点的值,且所述像素点的值为含有R、G、B三个通道值的集合;
步骤A2,利用以下公式得到所述R、G、B三个通道的优化系数:
L={LR=αG,B,LG=αR,B,LB=αG,R}
其中,αi,j代表图谱图像矩阵M的第i个通道和第j个通道之间的可替换度,Mi,s代表为图谱图像矩阵M的第s个位置的第i个通道的值,s∈M代表s的取值为图谱图像矩阵M的所有位置,代表图谱图像矩阵M的第i个通道的均值,Mj,s代表图谱图像矩阵M的第s个位置的第j个通道的值,代表图谱图像矩阵M的第j个通道的均值,L代表形成的替换集合,αG,B、αR,B、αG,R分别代表αi,j中i取值依次为G、R、G,j取值依次为B、B、R时的值,Li代表LR、LG、LB,而LR、LG、LB分别代表图谱图像矩阵M中R、G、B三个通道的信息重要度,λi代表地图谱图像矩阵M中第i个通道的优化系数,sun()代表求和,min()代表求最小值,max()代表求最大值,i,j均可取R、G、B三个通道;
步骤A3,利用以下公式将图谱图像矩阵M中每个位置的R、G、B三通道的值转变为一个综合值:
其中,Ns代表由图谱图像矩阵M的第s个位置的R、G、B三通道的值综合后的值,s∈M,综合图谱图像矩阵N就是由M个Ns组成的;
步骤A4,将所述综合图谱图像矩阵N切分为K个大小相等的方形矩阵,且每个方形矩阵的行数和列数均为n,当切分时某个方形矩阵的行数或者列数不足n时用0补齐;
步骤A5,利用以下公式对综合图谱图像矩阵N中的像素综合值进行信息差异增强:
其中,Ts代表进行差异增强后图谱图像的第s个位置的值,Nm代表图谱图像矩阵N的第m个位置的值,m∈Ns代表m的取图谱图像矩阵N切分后第s个位置所属的方形矩阵所包含的所有位置,η代表预设调整系数,一般取值为1附近,所述矩阵T对应的图像则为增强后的水质图谱图像信息,也就是用于提取图像信息的特征信息时所对应水质图谱图像信息。
本发明的一种采用上述基于区块链的水体在线监测系统,采用Open cv和MFC进行系统开发,系统主要包括水质图谱增强、水体运动目标监测跟踪、水体质检三部分,水质图谱增强与水体运动目标跟踪部分实现步骤2到步骤5,得到水质图谱信息;水体质检实现步骤6到步骤8;检测系统调用水体质检方法,实时得到水体的特征参数,并与区块链中模型的标准参数进行比较,判断水体是否超标。
本发明的有益效果在于:
本发明水质图谱增强能够提高水体水质检测区域内水质图谱的对比度,水质图谱的纹理信息更加详细,能够获得更多的有用信息,更加符合实际应用。使用Vibe算法检测水体运动区域,能够有效利用摄像头资源,避免过多传感器,能够节省时间,并确定超标水体集中区域信息。使用Cam Shift目标跟踪算法能够实时的跟踪超标水体运动信息,更能够节省每次进行水体识别所需的时间,该方法满足实时性要求,可以移植到嵌入式系统中进行区块链数据传输。采用多信息多特征融合技术,将水体区域内的水体特征、水体不规则特征进行融合,能够有效提高水体水质检测的准确率。
附图说明
图1是本发明基于区块链的水体在线监测流程图。
图2是本发明低照度图像增强算法示意图。
图3是本发明Vi Be算法流程图。
图4是本发明Cam Shift算法流程图。
图5是本发明多特征融合示意图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
本发明公开了一种采用水质图谱识别算法的基于区块链的水体在线监测系统,该方法主要检测水体中有害物质不符合相关标准的情况。该方法包括以下步骤:采用Retinex图像增强算法对水体区域内的视频水质图谱进行水质图谱增强;利用Vibe背景目标检测算法快速得到水体目标区域,检测目标区域内的水体含量,获得疑似水体区域,得到疑似水体区域轮廓;利用颜色和轮廓确定不达标的水体位置将其作为目标跟踪初始帧,采用CamShift目标跟踪算法对疑似水体区域进行实时跟踪,获取水体的运动信息;在获取水体相关信息之后,提取水体的LBP特征、颜色特征、水体轮廓不规则特征、超标水体集中区域信息,将多特征进行融合,采用PCA降维,降低特征维数,利用SVM分类器对水体成分进行检测分类,最后判断水体是否超标。本发明的技术方案能够在不同的水体环境中稳定的对水体超标情况进行判断,对水体污染进行及时预警,可以有效的减少生产事故的发生,保障生产者及附近生态的安全。
本发明包含了图像采集、图像预处理、区域跟踪、水体水质检测、根据水体环境变化时特征参数的不同情况,判断出水体标准是否符合检测要求,从而采用不同的预警级别,减少由于水体污染导致的人身和生产安全事故。
一种基于区块链的水体在线监测系统,结合Open cv和MFC进行系统开发,系统包括水质图谱增强、水体运动目标检测跟踪、水体水质检测三个模块。水质图谱增强与水体运动目标跟踪部分实现步骤2到步骤5,得到有用的水质图谱信息。水体水质检测实现步骤6到步骤8。检测系统调用水体水质检测模型,其模型用来实现上述水体质量检测算法,实时得到水体运动特征参数,并与存储装置中模型的标准参数进行比较,判断水体是否符合标准。
如图1所示是依照本发明一实施例给出的基于区块链的水体在线监测系统的流程图,其包括以下步骤:
步骤1、通过摄像头采集水体水质图谱。具体地,摄像头为标准水体监控摄像头,摄像头被设置在水体通道的侧面,用于水体水质图谱。
步骤2、采用Retinex进行水质图谱增强预处理。
在水质图谱增强使用改进的Retinex水质图谱增强算法,具体地如图2所示。算法的执行步骤如下所示:
步骤2.1、RGB颜色空间转换到HSV颜色空间
RGB图像转换到HSV颜色空间如下式所示:
max=max(R,G,B)
min=min(R,G,B)
V1=max-min
V=max
步骤2.2、对H分量进行处理操作,采用改进的MSR算法,用非局部均值滤波算法去估计光照分量。
步骤2.3、HSV颜色空间转换到RGB颜色空间,输出图像。
8.所述使用水质图谱增强算法处理水体区域监测水质图谱信息,得到增强水质图谱,还包括以下具体步骤:
步骤A1,将所述获取的检测水质图谱信息转变为一个个的N*P的像素点的图谱图像矩阵M,其中N*P表示所述图谱图像拥有N*P个像素点,所述图谱图像矩阵M含有N行P列,所述是图谱图像矩阵M的每个位置的值均代表该位置对应像素点的值,且所述像素点的值为含有R、G、B三个通道值的集合;
步骤A2,利用以下公式得到所述R、G、B三个通道的优化系数:
L={LR=αG,B,LG=αR,B,LB=αG,R}
其中,αi,j代表图谱图像矩阵M的第i个通道和第j个通道之间的可替换度,Mi,s代表为图谱图像矩阵M的第s个位置的第i个通道的值,s∈M代表s的取值为图谱图像矩阵M的所有位置,代表图谱图像矩阵M的第i个通道的均值,Mj,s代表图谱图像矩阵M的第s个位置的第j个通道的值,代表图谱图像矩阵M的第j个通道的均值,L代表形成的替换集合,αG,B、αR,B、αG,R分别代表αi,j中i取值依次为G、R、G,j取值依次为B、B、R时的值,Li代表LR、LG、LB,而LR、LG、LB分别代表图谱图像矩阵M中R、G、B三个通道的信息重要度,λi代表地图谱图像矩阵M中第i个通道的优化系数,sun()代表求和,min()代表求最小值,max()代表求最大值,i,j均可取R、G、B三个通道;
步骤A3,利用以下公式将图谱图像矩阵M中每个位置的R、G、B三通道的值转变为一个综合值:
其中,Ns代表由图谱图像矩阵M的第s个位置的R、G、B三通道的值综合后的值,s∈M,综合图谱图像矩阵N就是由M个Ns组成的;
步骤A4,将所述综合图谱图像矩阵N切分为K个大小相等的方形矩阵,且每个方形矩阵的行数和列数均为n,当切分时某个方形矩阵的行数或者列数不足n时用0补齐;
步骤A5,利用以下公式对综合图谱图像矩阵N中的像素综合值进行信息差异增强:
其中,Ts代表进行差异增强后图谱图像的第s个位置的值,Nm代表图谱图像矩阵N的第m个位置的值,m∈Ns代表m的取图谱图像矩阵N切分后第s个位置所属的方形矩阵所包含的所有位置,η代表预设调整系数,一般取值为1附近,所述矩阵T对应的图像则为增强后的水质图谱图像信息,也就是用于提取图像信息的特征信息时所对应水质图谱图像信息。
有益效果:利用上述技术可以对获取到的水质图谱图像进行特征信息的增强,特别是对边界信息进行差异增强,从而更好的提取特征信息,将水质图谱图像的三通道转变成一个综合通道从而降低计算量,在综合通道的过程中,将通道中信息含有量更多的通道给予更高的权重,将信息保存更完整,从而提高了检测系统的准确率,降低错检,漏检等几率。
步骤3、采用Vi Be算法检测水体区域内运动颗粒目标,得到水体区域中的疑似污染区域,水体疑似超标位置。具体地,如图3所示,系统运行之后,根据第一帧水质图谱,建立背景模型,在建立背景模型时,挑选像素点邻域的像素值作为样本集中的样本值。模型建立之后,提取水质图谱的下一帧,并且判断水质图谱检测是否结束,如果结束直接退出,否则接着检测当前帧是否存在前景点,存在前景点则去更新背景模型,不是前景点,不更新背景模型,无论是否更新背景模型,均需要将水质图谱帧加1,接着进行检查。
针对前景点的判别方法,包括:
步骤3.1、用当前水质图谱帧中的像素值和背景模型中进行比较,计算像素值之间的距离;
步骤3.2、判断像素值之间的距离是否小于制定的最小值min,如果小于则计数器N进行加1操作。
步骤3.3、判断N是否大于预先制定的阈值,如果大于预先制定的阈值,则判断该点位背景点,否则为前景点,将检测的结果标记出来。
针对水体识别,水体达标无污染物时,建立背景模型,当水体不达标,有污染物时,水体运动,依据算法步骤便可得到监测结果。
步骤4、使用区块链Cam Shift目标跟踪算法实时跟踪超标水体的粗略位置信息。具体地,如图4所示,对于待检测水体水质图谱来说,首先通过水质图谱检测技术可以确定疑似污染的大致位置,在确定污染水体位置之后采用目标跟踪技术实时跟踪污染水体的运动。详细的方法步骤如下:
步骤4.1、读取视频,初始化跟踪窗口,跟踪窗口由步骤3确定,污染水体运动时,步骤3水体运动目标检测可以获得污染水体运动的疑似位置,通过检测颜色特征进行判断,如果颜色特征满足判断标准,则说明已经检测到污染水体,此时的将该污染水体水质图谱作为初始化跟踪窗口。
步骤4.2、使用图像增强的处理结果H通道,在H通道计算跟踪窗口的色度直方图,进而求出图像的反向投影图。
步骤4.3、计算跟踪窗口的中心位置和区域大小,该窗口为初始化跟踪窗口的周围相近邻域。将跟踪窗口移动到新的计算的窗口位置。
步骤4.4、进行收敛判断,比较新建的跟踪窗口和新建之前窗口的反向投影图的欧式距离,如果欧式距离小于阈值则确定新的跟踪窗口的中心位置和区域大小,否则扩大跟踪窗口区域,重新执行步骤4.2。
步骤4.5、判断是否继续跟踪,如果跟踪则将新的到的窗口作为初始窗口。
步骤5、根据水体所在区域的信息提取水体特征、超标水体集中区域特征,将它们用作水体水质检测的参数特征。具体地,如图5所示,本发明在获得疑似污染图像之后,提取水体的LBP特征、颜色特征、轮廓不规则特征,超标水体集中区域的梯度方向直方图。下面对特征提取与计算步骤详细给出:
1、LBP特征提取步骤如下:
(1)读入预处理疑似污染区域,设置检测窗口区域;
(2)将上一步检测窗口区域中的像素,分别与4×4邻域内随机8个像素灰度值进行对比,若大于该像素,则记为1;若小于,则记为0,从而得到该像素的LBP特征向量;
(3)对每个区域的直方图进行统计并进行去噪处理;
(4)将所有区域的直方图进行汇总,串联得到水质图谱的LBP特征向量f={xa,xb,L,xs},其中s为LBP特征的向量维数,L表示区域轮廓的周长,xa,xb为水质图谱横向维度的两个不同的坐标值。
2、在提取水体的纹理特征之后,水体的颜色特征也需要提取,在水体颜色特征中主要提取颜色直方图。对这一小块水体区域中像素点的R、G、B的值进行统计,并画出其对应的直方图分布,将R、G、B三通道分开绘制。
3、水体的轮廓不规则特征用常用的衡量物体不规则性的方法获得。本发明采用如下定义去计算物体的不规则性:
式中,S表示区域的面积,L表示区域轮廓的周长。通过数学知识推导,最终得到R的最小值为1,这时候轮廓是圆形,R值越大,表示轮廓越不规则。
水体的不规则度计算步骤如下:
(1)采用水体运动目标检测算法提取目标的二值图像
(2)计算运动区域的轮廓周长以及面积
(3)使用不规则度定义公式计算待检物体的不规则度
4、水体在运动过程中,污染区域会出现特殊的颜色以及形状边界,通过对污染区域特征的提取能够提高系统对水体达标情况的检测率。本发明将提取超标水体集中区域的梯度方向直方图。
梯度方向直方图特征提取步骤如下:
(1)图像标准化,调节图像对比度;
(2)计算边缘方向,求解每个像素点的梯度;
(3)直方图计算,算出每个细胞单元的梯度直方图,将几个细胞单元的组成一个block,进而得到block的HOG特征。
(4)对block归一化,将细胞单元组成更大的空间块(block),然后针对每个块进行对比度归一化。最终的描述子是检测窗口内所有块内的细胞单元的直方图构成的向量。
在提取完之后进行特征融合得到新的特征,搭建SVM分类器,用采集到的特征去训练水体污染检测模型,模型训练成功之后,便可以按照图1操作进行水体监测识别。
本发明步骤8采用融合算法和机器学习对水体质量进行准确检测。在融合算法时采用特征级别的信息融合,对采集到的特征信息按照串联形式,将融合之后的信息进行PCA降维,减少数据冗余;搭建SVM分类器,训练水体监测模型,通过模型去判断水体是否达标。
以上所述只是本发明的优选实施例,而没有具体限制本发明的专利范围。虽然上述优选例的描述很详细,但是该领域研究人员应该明白,在本发明的发明构思下,可以在细节上或者结构上对本发明进行各种改变,而没有偏离本发明权利要求书中所限制的范围。
Claims (7)
1.一种基于区块链的水质在线监测系统,包括水质图谱增强模块、水体运动目标检测跟踪模块、水体水质检测模块,水质图谱增强模块、水体运动目标检测跟踪模块得到水质图谱信息,水体水质检测模块调用水体水质检测模型,与存储装置中模型的标准参数进行比较,判断水体是否符合标准,其特征在于,包括:
(1)水质图谱增强模块:
步骤1、利用光学传感设备获取水体区域监测水质图谱;
步骤2、使用水质图谱增强算法处理水体区域监测水质图谱信息,得到增强水质图谱;
(2)水体运动目标检测跟踪模块:
步骤3、采用Vi Be算法检测水体区域内运动颗粒目标,得到水体区域中的疑似污染区域,水体疑似超标位置;
步骤4、通过检测步骤3水体疑似超标位置的水质图谱特征获得超标水体的粗略位置信息;
步骤5、将步骤4得到的超标水体的粗略位置作为目标的初始窗口,使用Cam Shift目标跟踪算法实时跟踪超标水体运动信息;
(3)水体运动目标检测跟踪模块:
步骤6、根据先验知识,通过超标水体的粗略位置信息和超标水体运动信息获取超标水体集中区域信息;
步骤7、提取水体区域中疑似污染的纹理特征、颜色特征、水体不规则特征以及超标水体集中区域的HOG特征;
步骤8、利用步骤7提取的信息,采用特征融合算法和机器学习算法对水体进行检测,识别超标水体。
2.根据权利要求1所述的一种基于区块链的水质在线监测系统,其特征在于,步骤2中使用水质图谱增强算法处理水体区域监测水质图谱信息,得到增强水质图谱具体为:
步骤2.1、将水质图谱颜色空间将RGB水质图谱转换为HSV水质图谱,以后的步骤均通过HSV水质图谱处理;
步骤2.2、在HSV水质图谱的水体V通道进行光照分量估计,使用非局部均匀滤波算法对光照分量进行计算,选取滤波模块与原图谱卷积,将卷积结果作为估计的水体光照分量,并将其作为水体V通道数据;
步骤2.3、对水体V通道进行线性变化拉伸;
步骤2.4、水体HSV颜色空间转换为水体RGB颜色空间,输出增强后的水体图谱。
3.根据权利要求1所述的一种基于区块链的水质在线监测系统,其特征在于,步骤3中采用Vi Be算法检测水体区域内运动颗粒目标,得到水体区域中的疑似污染区域,水体疑似超标位置具体为:
步骤3.1、水体背景初始化:根据水质图谱第一帧进行模型初始化,在任一像素点的邻域随机选取Ni个像素点作为该像素的样本值,将样本值组成样本集,背景模型初始化完毕;
步骤3.2、水体前景点判断:用当前监测帧中的像素值在背景模型中进行比较,计算像素值之间的距离;判断像素值之间的距离是否小于设定的最小值min,如果像素值之间的距离小于设定的最小值min则计数器N进行加1操作,否则不进行操作;判断计数器N是否大于预先制定的阈值,如果计数器N大于预先制定的阈值,则判断该像素点为水体背景像素点,否则为水体前景像素点,将检测水体的结果标记出来;
步骤3.3、更新水体背景模型:在步骤3.2中若检测出水体前景点,采用背景更新机制更新背景,否则水体背景模型不变,监测帧加1,执行步骤3.2。
4.根据权利要求1所述的一种基于区块链的水质在线监测系统,其特征在于,步骤5中将步骤4得到的超标水体的粗略位置作为目标的初始窗口,使用Cam Shift目标跟踪算法实时跟踪超标水体运动信息;具体为:
步骤5.1、将步骤4确定的超标水体的粗略位置,作为跟踪算法的初始框;
步骤5.2、计算反向投影图:对步骤2中H通道进行处理,求取初始框的直方图,通过直方图求取概率分布图,进而得到反向投影图,将反向投影图作为跟踪目标;
步骤5.3、采用Mean Shift算法求取目标运动之后新的水质图谱中心与边框;
步骤5.4、将Mean Shift算法获得的目标的中心与边框作为初始框,显示跟踪结果;
步骤5.5、通过人工停止监测或最后一帧水质图谱处理完毕信息,判断跟踪是否结束,如果结束执行步骤6,如果不结束返回步骤5.2。
5.根据权利要求1所述的一种基于区块链的水质在线监测系统,其特征在于,步骤7中提取水体区域中疑似污染的纹理特征、颜色特征、水体不规则特征以及超标水体集中区域的HOG特征具体为:
步骤7.1、LBP特征提取,具体为:
步骤7.1.1、读入预处理疑似污染区域,设置检测窗口区域;
步骤7.1.2、将上一步检测窗口区域中的像素,分别与4×4邻域内随机8个像素灰度值进行对比,若大于该像素,则记为1;若小于,则记为0,从而得到该像素的LBP特征向量;
步骤7.1.3、对每个区域的直方图进行统计并进行去噪处理;
步骤7.1.4、将所有区域的直方图进行汇总,串联得到水质图谱的LBP特征向量f={xa,xb,L,xs},其中s为LBP特征的向量维数,L表示区域轮廓的周长,xa,xb为水质图谱横向维度的两个不同的坐标值;
步骤7.2、水体的颜色特征提取,具体为:
在水体颜色特征中提取颜色直方图,对水体区域中像素点的R、G、B的值进行统计,并画出其对应的直方图分布,将R、G、B三通道分开绘制;
步骤7.3、水体的轮廓不规则特征提取,具体为:
水体的不规则度定义为:
式中,S表示区域的面积,R值越大,表示轮廓越不规则;
水体的不规则度计算具体为:
步骤7.3.1、采用水体运动目标检测算法提取水体区域的二值图像;
步骤7.3.2、计算运动区域的轮廓周长以及面积;
步骤7.3.3、使用不规则度定义公式计算待检水体的不规则度;
步骤7.4、提超标水体集中区域的梯度方向直方图HOG特征,具体为:
步骤7.4.1、水质图谱标准化,调节水质图谱对比度;
步骤7.4.2、计算边缘方向,求解每个像素点的梯度;
步骤7.4.3、直方图计算,算出每个像素点单元的梯度直方图,将Np个像素点单元组成一个空间块,其中Np为设定值,进而得到HOG特征;
步骤7.4.4、对空间块归一化,将归一化后的空间块组成新的空间块,然后针对每个块进行对比度归一化,最终的描述子是检测窗口内所有块内的像素点单元的直方图构成的向量。
7.根据权利要求1所述的一种基于区块链的烟气在线监测系统,其特征在于,所述使用水质图谱增强算法处理水体区域监测水质图谱信息,得到增强水质图谱,还包括以下具体步骤:
步骤A1,将所述获取的检测水质图谱信息转变为一个个的N*P的像素点的图谱图像矩阵M,其中N*P表示所述图谱图像拥有N*P个像素点,所述图谱图像矩阵M含有N行P列,所述是图谱图像矩阵M的每个位置的值均代表该位置对应像素点的值,且所述像素点的值为含有R、G、B三个通道值的集合;
步骤A2,利用以下公式得到所述R、G、B三个通道的优化系数:
L={LR=αG,B,LG=αR,B,LB=αG,R}
其中,αi,j代表图谱图像矩阵M的第i个通道和第j个通道之间的可替换度,Mi,s代表为图谱图像矩阵M的第s个位置的第i个通道的值,s∈M代表s的取值为图谱图像矩阵M的所有位置,代表图谱图像矩阵M的第i个通道的均值,Mj,s代表图谱图像矩阵M的第s个位置的第j个通道的值,代表图谱图像矩阵M的第j个通道的均值,L代表形成的替换集合,αG,B、αR,B、θG,R分别代表αi,j中i取值依次为G、R、G,j取值依次为B、B、R时的值,Li代表LR、LG、LB,而LR、LG、LB分别代表图谱图像矩阵M中R、G、B三个通道的信息重要度,λi代表地图谱图像矩阵M中第i个通道的优化系数,sun()代表求和,min()代表求最小值,max()代表求最大值,i,j均可取R、G、B三个通道;
步骤A3,利用以下公式将图谱图像矩阵M中每个位置的R、G、B三通道的值转变为一个综合值:
其中,Ns代表由图谱图像矩阵M的第s个位置的R、G、B三通道的值综合后的值,s∈M,综合图谱图像矩阵N就是由M个Ns组成的;
步骤A4,将所述综合图谱图像矩阵N切分为K个大小相等的方形矩阵,且每个方形矩阵的行数和列数均为n,当切分时某个方形矩阵的行数或者列数不足n时用0补齐;
步骤A5,利用以下公式对综合图谱图像矩阵N中的像素综合值进行信息差异增强:
其中,Ts代表进行差异增强后图谱图像的第s个位置的值,Nm代表图谱图像矩阵N的第m个位置的值,m∈Ns代表m的取图谱图像矩阵N切分后第s个位置所属的方形矩阵所包含的所有位置,η代表预设调整系数,一般取值为1附近,所述矩阵T对应的图像则为增强后的水质图谱图像信息,也就是用于提取图像信息的特征信息时所对应水质图谱图像信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674030.6A CN111896540B (zh) | 2020-07-14 | 2020-07-14 | 一种基于区块链的水质在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674030.6A CN111896540B (zh) | 2020-07-14 | 2020-07-14 | 一种基于区块链的水质在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111896540A true CN111896540A (zh) | 2020-11-06 |
CN111896540B CN111896540B (zh) | 2021-05-11 |
Family
ID=73192625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010674030.6A Active CN111896540B (zh) | 2020-07-14 | 2020-07-14 | 一种基于区块链的水质在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111896540B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858278A (zh) * | 2021-02-03 | 2021-05-28 | 杭州环析检测科技有限公司 | 一种全自动水质POPs检测系统、方法及其装置 |
CN112884039A (zh) * | 2021-02-05 | 2021-06-01 | 慧目(重庆)科技有限公司 | 一种基于计算机视觉的水体污染识别方法 |
CN113359579A (zh) * | 2021-07-08 | 2021-09-07 | 河南省科学院 | 一种用于分散式污染源监控的边缘计算控制装置 |
CN113591617A (zh) * | 2021-07-14 | 2021-11-02 | 武汉理工大学 | 基于深度学习的水面小目标检测与分类方法 |
CN117849907A (zh) * | 2024-03-07 | 2024-04-09 | 江苏省气象台 | 基于多源数据的气象灾害靶向预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134222A (zh) * | 2014-07-09 | 2014-11-05 | 郑州大学 | 基于多特征融合的车流监控图像检测和跟踪系统及方法 |
CN106204643A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于多特征联合与Mean Shift算法的多目标跟踪方法 |
CN108198205A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和Camshift算法的目标跟踪方法 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109145648A (zh) * | 2018-08-01 | 2019-01-04 | 冼汉生 | 一种基于区块链的水质监测数据存储系统及存储方法 |
CN109325403A (zh) * | 2018-08-07 | 2019-02-12 | 广州粤建三和软件股份有限公司 | 一种基于图像识别的水域污染识别治理方法和系统 |
CN110347891A (zh) * | 2019-07-11 | 2019-10-18 | 华艺生态园林股份有限公司 | 基于区块链的水体污染监测方法 |
-
2020
- 2020-07-14 CN CN202010674030.6A patent/CN111896540B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134222A (zh) * | 2014-07-09 | 2014-11-05 | 郑州大学 | 基于多特征融合的车流监控图像检测和跟踪系统及方法 |
CN106204643A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于多特征联合与Mean Shift算法的多目标跟踪方法 |
CN108198205A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和Camshift算法的目标跟踪方法 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109145648A (zh) * | 2018-08-01 | 2019-01-04 | 冼汉生 | 一种基于区块链的水质监测数据存储系统及存储方法 |
CN109325403A (zh) * | 2018-08-07 | 2019-02-12 | 广州粤建三和软件股份有限公司 | 一种基于图像识别的水域污染识别治理方法和系统 |
CN110347891A (zh) * | 2019-07-11 | 2019-10-18 | 华艺生态园林股份有限公司 | 基于区块链的水体污染监测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858278A (zh) * | 2021-02-03 | 2021-05-28 | 杭州环析检测科技有限公司 | 一种全自动水质POPs检测系统、方法及其装置 |
CN112884039A (zh) * | 2021-02-05 | 2021-06-01 | 慧目(重庆)科技有限公司 | 一种基于计算机视觉的水体污染识别方法 |
CN112884039B (zh) * | 2021-02-05 | 2022-10-21 | 慧目(重庆)科技有限公司 | 一种基于计算机视觉的水体污染识别方法 |
CN113359579A (zh) * | 2021-07-08 | 2021-09-07 | 河南省科学院 | 一种用于分散式污染源监控的边缘计算控制装置 |
CN113591617A (zh) * | 2021-07-14 | 2021-11-02 | 武汉理工大学 | 基于深度学习的水面小目标检测与分类方法 |
CN113591617B (zh) * | 2021-07-14 | 2023-11-28 | 武汉理工大学 | 基于深度学习的水面小目标检测与分类方法 |
CN117849907A (zh) * | 2024-03-07 | 2024-04-09 | 江苏省气象台 | 基于多源数据的气象灾害靶向预警方法及系统 |
CN117849907B (zh) * | 2024-03-07 | 2024-05-24 | 江苏省气象台 | 基于多源数据的气象灾害靶向预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111896540B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111896540B (zh) | 一种基于区块链的水质在线监测系统 | |
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN107833221A (zh) | 一种基于多通道特征融合和机器学习的漏水监测方法 | |
CN111896541B (zh) | 一种基于区块链的烟气在线监测系统 | |
CN111681240A (zh) | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 | |
CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN103488993A (zh) | 一种基于fast的人群异常行为识别方法 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN116665011A (zh) | 一种基于机器视觉的煤矿带式输送机煤流异物识别方法 | |
CN113642486A (zh) | 一种具有机载前端识别模型的无人机配网巡检方法 | |
CN116386120A (zh) | 一种无感监控管理系统 | |
CN114677362A (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN116030056A (zh) | 一种钢表面裂缝的检测方法及系统 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN113344005B (zh) | 一种基于优化小尺度特征的图像边缘检测方法 | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN114648738A (zh) | 一种基于物联网与边缘计算的图像识别系统与方法 | |
CN112633327B (zh) | 分阶段金属表面缺陷检测方法、系统、介质、设备及应用 |
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 |