CN111928888B - 一种水域污染智能监控分析方法及系统 - Google Patents

一种水域污染智能监控分析方法及系统 Download PDF

Info

Publication number
CN111928888B
CN111928888B CN202010537765.4A CN202010537765A CN111928888B CN 111928888 B CN111928888 B CN 111928888B CN 202010537765 A CN202010537765 A CN 202010537765A CN 111928888 B CN111928888 B CN 111928888B
Authority
CN
China
Prior art keywords
water
water quality
data
module
state diagram
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.)
Active
Application number
CN202010537765.4A
Other languages
English (en)
Other versions
CN111928888A (zh
Inventor
张列宇
汤仁昊
魏潇淑
李晓光
李国文
赵琛
黎佳茜
李伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Research Academy of Environmental Sciences
Original Assignee
Chinese Research Academy of Environmental Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Research Academy of Environmental Sciences filed Critical Chinese Research Academy of Environmental Sciences
Priority to CN202010537765.4A priority Critical patent/CN111928888B/zh
Publication of CN111928888A publication Critical patent/CN111928888A/zh
Priority to US17/240,236 priority patent/US20210389293A1/en
Application granted granted Critical
Publication of CN111928888B publication Critical patent/CN111928888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N33/1886—Water using probes, e.g. submersible probes, buoys
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明实施例涉及一种水域污染智能监控分析方法及系统。其中，该方法包括：通过水域污染监控分析装置的接收模块获取监控水域的水质数据；通过水域污染监控分析装置中处理模块将水质数据输入处理模块中的水质特征提取模型，以得到监控水域的水质特征，其中，水质特征提取模型是预先训练完成的；通过水域污染监控分析装置中的编码模块根据水质特征确定监控水域的状态图；将状态图通过水域污染监控分析装置中的路由模块发送至预设服务器。本发明解决了由于水域污染监控分析系统中数据的采集端与处理端分离，而导致数据的传输速度与处理速度慢、安全性差的技术问题。

Description

一种水域污染智能监控分析方法及系统
技术领域
本发明涉及环境保护领域，具体涉及一种水域污染智能监控分析方法及系统。
背景技术
目前的水域污染监控方法大多采用传感器收集数据后直接经统计学方法，分析水域的特点和一段时间内的平均变化情况。
如图1所示，数据从监测水域收集上来打包成数据包，通过网络传输到数据中心进行处理，最后将分析后的精简的结果回传给当地的环境部门的终端上，提供决策参考。
现有的方法考虑到采集端的数据处理能力弱，往往无法承担复杂的分析计算任务，导致数据需要上传到远程的计算中心。这样的方法虽然提高了数据分析的能力，但是存在以下几方面的缺点：
首先，数据中心一般不设在当地，数据经过打包和网络传输耗费了大量的时间，传输成本高，数据的分析结果失去了实效性，影响当地环境部门的响应速度；
其次，数据的采集端和处理端分离，可传输的数据维度有限，导致数据采集端的情况不能完全的被处理端获取到，由于有信息丢失，所以现有的方法影响了数据分析的效果；
最后，通过网络传输存在安全性问题，可能被不法分子截取和篡改，同时对网络的强依赖性导致部署困难加大。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种水域污染智能监控分析方法及系统，以至少解决由于水域污染监控分析系统中数据的采集端与处理端分离，而导致数据的传输速度与处理速度慢、安全性差的技术问题。
根据本发明实施例的一个方面，提供了一种水域污染智能监控分析方法，应用于水域污染监控分析装置系统中，所述方法包括：按照预设时间间隔通过所述水域污染监控分析系统装置的接收模块获取监控水域的组水质数据；通过所述水域污染监控分析系统装置中处理模块将所述多组水质数据分别输入所述处理模块中的水质特征提取模型，以得到所述监控水域的多组水质特征，其中，所述水质特征提取模型是预先训练完成的；通过所述水域污染监控分析系统装置中的编码模块根据所述多组水质特征确定所述监控水域的状态图；将所述状态图通过所述水域污染监控分析系统装置中的路由模块发送至预设服务器。
进一步地，按照预设时间通过所述水域污染监控分析系统装置的接收模块获取监控水域的多组水质数据包括：通过所述接收模块按照所述预设时间间隔接收获取所述监控水域的水质图像以及所述监控水域的传感器采集的传感器数据；通过所述处理单元将所述水质图像以及所述传感器数据转化为预设格式，以得到所述水质数据。
进一步地，所述传感器数据包括以下至少之一：水温情况、水质、流速、水中动植物数据、水中污染标识物质含量。
进一步地，所述水质特征提取模型为卷积神经网络构成。
进一步地，通过所述水域污染监控分析装置中处理模块将所述水质数据输入所述处理模块中的水质特征提取模型包括：通过所述处理单元将所述水质图像转化为预设格式，以得到水质图像数据；将所述水质图像数据输入至所述卷积神经网络，以得到所述水质特征。
进一步地，通过所述水域污染监控分析系统装置中的编码模块根据所述多组水质特征确定所述监控水域的状态图包括：通过所述编码模块对所述水质特征以及所述监控水域的地理系统装置信息进行叠加并编码，以得到所述监控水域的第一状态图。
进一步地，将所述状态图通过所述水域污染监控分析系统装置中的路由模块发送至预设服务器包括：通过所述路由模块将所述第一状态图发送至云端服务器。
进一步地，通过所述水域污染监控分析系统装置中的编码模块根据所述多组水质特征确定所述监控水域的状态图包括：通过所述水域污染监控分析系统装置中的聚类分析模块对所述水质特征与所述传感器数据进行分类；通过所述编码模块将分类后的水质特征与所述地理系统装置信息进行叠加，以得到所述监控水域的第二状态图，其中，所述第二状态图中包括所述水质特征的分类信息。
进一步地，将所述状态图通过所述水域污染监控分析系统装置中的路由模块发送至预设服务器包括：通过所述路由模块将所述第二状态图以及对应的传感器数据发送至本地服务器以及云端服务器。
进一步地，在将状态图通过水域污染监控分析系统中的路由模块发送至预设服务器之后，还包括：通过路由模块维护路由模块至预设服务器之间的路由表。
根据本发明实施例的另一方面，还提供了一种水域污染智能监控分析系统，所述系统包括：接收模块、处理模块、编码模块以及路由模块，其中：所述接收模块，用于接收模块获取监控水域的多组水质数据；所述处理模块，用于将所述多组水质数据分别输入至所述处理模块中的水质特征提取模型，以得到所述监控水域的多组水质特征，其中，所述水质特征提取模型是预先训练完成的；所述编码模块，用于根据所述多组水质特征确定所述监控水域的状态图；所述路由模块，用于将所述状态图发送至预设服务器。
在本发明实施例中，通过水域污染智能监控分析系统的接收模块获取监控水域的组水质数据；通过水域污染监控分析系统装置中处理模块将多组水质数据分别输入处理模块中的水质特征提取模型，以得到监控水域的多组水质特征，其中，水质特征提取模型是预先训练完成的；通过水域污染监控分析系统装置中的编码模块根据多组水质特征确定监控水域的状态图；将状态图通过水域污染监控分析系统装置中的路由模块发送至预设服务器，达到了在数据采集端进行数据处理的目的，从而实现了提高数据传输速度与处理速度的技术效果，能够提升数据传输过程中的安全性，进而解决了由于水域污染监控分析系统中数据的采集端与处理端分离，而导致数据的传输速度与处理速度慢、安全性差的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据现有技术的一种水域污染智能监控分析流程的示意图；
图2是根据本发明实施例的一种可选的水域污染智能监控分析装置的示意图；
图3是根据本发明实施例的一种可选的水域污染智能监控分析方法的示意图；
图4是根据本发明实施例的一种可选的水域污染智能监控分析系统的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
实施例1
在介绍本实施例的一种水域污染智能监控分析方法之前，首先对水域污染智能监控分析系统进行介绍，如图2所示，该系统包括：系统包括：接收模块20、处理模块22、编码模块24以及路由模块 26，其中：
1)接收模块20，用于装置取监控水域的水质数据；
2)处理模块22，用于将水质数据输入至处理模块22中的水质特征提取模型，以得到监控水域的水质特征，其中，水质特征提取模型是预先训练完成的；
3)编码模块24，用于根据水质特征确定监控水域的状态图；
4)路由模块26，用于将状态图发送至预设服务器。
在具体的应用场景中，接收模块20用于接收监控水域中的传感器采集的传感器数据以及监控水域中图像采集装置采集的图像等音视频媒体数据。
在接收模块20接收传感器以及图像采集装置发送传感器数据以及音频媒体数据的过程中，所采用的通信方式包括但不限于蓝牙、红外、紫蜂、无线网WI F I、近场通信NFC以及有线传输等，而路由模块26与预设服务器的通信网络包括但不限于广域网、城域网或局域网等。
在处理模块22中具备一定的存储资源以及计算资源，用于存储数据以及执行运算任务，以便对处理模块22接收到的水质数据进行处理。
根据本发明实施例，提供了一种水域污染监控分析方法，如图3 所示，应用于水域污染监控分析装置中，所述方法包括：
S300,通过水域污染监控分析装置的接收模块获取监控水域的水质数据；
在具体的应用场景中，在监控水域中，图像采集装置以及监控水域水中的传感器会按照预设的时间间隔进行数据的采集，例如，图像采集装置每隔1小时进行一次水面图像的拍摄；又例如传感器每隔30分钟进行水质数据的采集。在采集到水质数据后可以实时地进行水质数据的传输，也可以设定其他时间间隔进行水质数据的传输，在此不做任何限定。
可选地，在本实施例中，通过水域污染监控分析装置的接收模块获取监控水域的水质数据包括但不限于：通过接收模块按照预设时间间隔接收获取监控水域的水质图像以及监控水域的传感器采集的传感器数据。
具体的，接收模块按照预设时间间隔查收数据采集端发送的水质数据，例如，每30分钟获取一次传感器以及摄像头发送的水质数据，该水质数据中包括监控水域的水质图像以及传感器采集的传感器数据。
可选地，在本实施例中，传感器数据包括以下至少之一：水温情况、水质、流速、水中动植物数据、水中污染标识物质含量。
在具体的应用场景中，传感器数据包括水体颜色、水温状况、气象数据、水质、地理位置G I S信息、流速、水中动植物数据或水中污染标识物质含量等。具体的，传感器数据中还可以包括传感器的编码以及传感器的设备状态信息等。图像采集装置采集的水质图像包括监控水域周边的环境图像、水下图像以及水样的显微图像等，例如某工厂的排污口、居民生活污水排泄管道或者监控水域的卫星图像等。
S302,通过水域污染监控分析装置中处理模块将水质数据分别输入处理模块中的水质特征提取模型，以得到监控水域的水质特征，其中，水质特征提取模型是预先训练完成的；
可选地，在本实施例中，水质特征提取模型为卷积神经网络构成。
可选地，在本实施例中，通过水域污染监控分析装置中处理模块将水质数据输入处理模块中的水质特征提取模型包括但不限于：通过处理单元将水质图像转化为预设格式，以得到水质图像数据；将水质图像数据输入至卷积神经网络，以得到水质特征。
在具体的应用场景中，接收模块接收到的水质数据一般为二进制数据，或者是预先与数据传感器与图像采集装置协商的数据格式，在水域污染监控分析装置的处理模块中进行统一数据格式转换，转换为处理模块能够识别并处理的格式。由于采集到的水质数据具有时域特性，通过卷积神经网络对图像数据进行特征提取，
S304,通过水域污染监控分析装置中的编码模块根据多组水质特征确定监控水域的状态图；
可选地，在本实施例中，通过水域污染监控分析装置中的编码模块根据水质特征确定监控水域的状态图包括但不限于一下两种方式：
1)通过编码模块对水质特征以及监控水域的地理位置信息进行叠加并编码，以得到监控水域的第一状态图。
具体的，在从卷积神经网络得到水质图像的水质特征以后，将水质特征与G I S信息叠加，并进行编码得到监控水域的状态图，即在状态图上标识了监控水域各个位置的水质状态。
2)通过水域污染监控分析装置中的聚类分析模块对水质特征进行分类；通过编码模块将分类后的水质特征与地理位置信息进行叠加，以得到监控水域的第二状态图，其中，第二状态图中包括水质特征的分类信息。
具体的，在从卷积神经网络得到水质图像的水质特征以后，将水质特征与G I S信息叠加，然后与得到传感器数据进行比对，判断传感器数据的预测结果与水质特征的预测结果是否一致，若一致则认为传感器数据可信，监控水域的该传感器未受到人为干扰，不存在数据造假；否则，则认为该传感器数据不可信，该传感器受到人为干扰，存在数据造假。基于判断结果对状态图以及传感器数据进行分类，不存在数据造假的第二状态图以及对应的传感器数据为一组，存在数据造假的第二状态图以及对应的传感器数据为另一组。
S306,将状态图通过水域污染监控分析装置中的路由模块发送至预设服务器。
可选地，在本实施例中，将状态图通过水域污染监控分析装置中的路由模块发送至预设服务器包括但不限于：
通过路由模块将状态图与对应的传感器数据发送至云端服务器。
具体的，将状态图以及对应的传感器数据发送至云端服务器进行数据存储，并且以便当地人员进行及时的处理。
可选地，在本实施例中，在将状态图通过水域污染监控分析装置中的路由模块发送至预设服务器之后，还包括但不限于：通过路由模块维护路由模块至预设服务器之间的路由表。
在具体的应用场景中，云端服务器中还存储了路由模块上报的历史数据，即监控区域状态图的历史记录，与实时地卫星遥感数据结合，将路由模块状态图中的G I S数据作为参考因素，通过预设的神经网络算法，识别状态图中水质的判断结果是否正确，是否存在数据造假。若存在数据造假，则通过预设方式进行告警，以提示该状态图对应的监控水域存在数据造假。
需要说明的是，通过本实施例中提出的水域污染监控分析方法，通过水域污染监控分析装置的接收模块获取监控水域的多组水质数据；通过水域污染监控分析装置中处理模块将多组水质数据分别输入处理模块中的水质特征提取模型，以得到监控水域的多组水质特征，其中，水质特征提取模型是预先训练完成的；通过水域污染监控分析装置中的编码模块根据多组水质特征确定监控水域的状态图；将状态图通过水域污染监控分析装置中的路由模块发送至预设服务器，达到了在数据采集端进行数据处理的目的，从而实现了提高数据传输速度与处理速度的技术效果，能够提升数据传输过程中的安全性，进而解决了由于水域污染监控分析装置中数据的采集端与处理端分离，而导致数据的传输速度与处理速度慢、安全性差的技术问题。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例，还提供了一种水域污染智能监控分析系统，如图4所示，该系统包括：水域污染监控分析装置40、采集装置42 以及预设服务器44，其中：
1)所述采集装置40，用于采集监控区域的水质数据；
2)所述水域污染监控分析装置42包括：接收模块420、处理模块422、编码模块424以及路由模块426，其中：
A)所述接收模块420，用于获取监控水域的多组水质数据；
B)所述处理模块422，用于将所述多组水质数据分别输入至所述处理模块422中的水质特征提取模型，以得到所述监控水域的多组水质特征，其中，所述水质特征提取模型是预先训练完成的；
C)所述编码模块424，用于根据所述多组水质特征确定所述监控水域的状态图；
D)所述路由模块426，用于将所述状态图发送至预设服务器44。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种水域污染智能监控分析方法，其特征在于，应用于水域污染监控分析装置中，所述方法包括：
通过所述水域污染监控分析装置的接收模块获取监控水域的水质数据；
通过所述水域污染监控分析装置中处理模块将所述水质数据输入所述处理模块中的水质特征提取模型，以得到所述监控水域的水质特征，其中，所述水质特征提取模型是预先训练完成的，由卷积神经网络构成；
通过所述水域污染监控分析装置中的编码模块根据所述水质特征确定所述监控水域的状态图；
将所述状态图通过所述水域污染监控分析装置中的路由模块发送至预设服务器，预设服务器根据存储的水域的状态图与实时的卫星遥感数据结合，通过预设的神经网络算法，识别状态图中水质的判断结果是否正确，是否存在数据造假，其中，所述预设服务器包括云端服务器。
2.根据权利要求1所述的方法，其特征在于，通过所述水域污染监控分析装置的接收模块获取监控水域的水质数据包括：
通过所述接收模块获取所述监控水域的水质图像以及所述监控水域的传感器采集的传感器数据。
3.根据权利要求2所述的方法，其特征在于，所述传感器数据包括以下至少之一：
水温情况、水质、流速、水中动植物数据、水中污染标识物质含量。
4.根据权利要求2所述的方法，其特征在于，通过所述水域污染监控分析装置中处理模块将所述水质数据输入所述处理模块中的水质特征提取模型包括：
通过所述处理模块将所述水质图像转化为预设格式，以得到水质图像数据；
将水质图像数据输入至所述卷积神经网络，以得到所述水质特征。
5.根据权利要求2所述的方法，其特征在于，通过所述水域污染监控分析装置中的编码模块根据所述水质特征确定所述监控水域的状态图包括：
通过所述编码模块对所述水质特征以及所述监控水域的地理位置信息进行叠加并编码，以得到所述监控水域的第一状态图。
6.根据权利要求5所述的方法，其特征在于，通过所述水域污染监控分析装置中的编码模块根据所述水质特征确定所述监控水域的状态图包括：
通过所述水域污染监控分析装置中的聚类分析模块对所述水质特征与所述传感器数据进行分类；
通过所述编码模块将分类后的水质特征与所述地理位置信息进行叠加，以得到所述监控水域的第二状态图，
其中，所述第二状态图中包括所述水质特征的分类信息。
7.根据权利要求2所述的方法，其特征在于，将所述状态图通过所述水域污染监控分析装置中的路由模块发送至预设服务器包括：
通过所述路由模块将所述状态图以及对应的传感器数据发送至本地服务器以及云端服务器。
8.根据权利要求7所述的方法，其特征在于，在将状态图通过水域污染监控分析系统中的路由模块发送至预设服务器之后，还包括：
通过路由模块维护路由模块至预设服务器之间的路由表。
9.一种水域污染智能监控分析系统，其特征在于，所述系统包括：水域污染监控分析装置、采集装置以及预设服务器，其中：
所述采集装置，用于采集监控区域的水质数据；
所述水域污染监控分析装置包括：接收模块、处理模块、编码模块以及路由模块，其中：
所述接收模块，用于获取监控水域的水质数据；
所述处理模块，用于将所述水质数据输入至所述处理模块中的水质特征提取模型，以得到所述监控水域的水质特征，其中，所述水质特征提取模型是预先训练完成的，由卷积神经网络构成；
所述编码模块，用于根据所述水质特征确定所述监控水域的状态图；
所述路由模块，用于将所述状态图发送至预设服务器，预设服务器根据存储的水域的状态图与实时的卫星遥感数据结合，通过预设的神经网络算法，识别状态图中水质的判断结果是否正确，是否存在数据造假，其中，所述预设服务器包括云端服务器。
CN202010537765.4A 2020-06-12 2020-06-12 一种水域污染智能监控分析方法及系统 Active CN111928888B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010537765.4A CN111928888B (zh) 2020-06-12 2020-06-12 一种水域污染智能监控分析方法及系统
US17/240,236 US20210389293A1 (en) 2020-06-12 2021-04-26 Methods and Systems for Water Area Pollution Intelligent Monitoring and Analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010537765.4A CN111928888B (zh) 2020-06-12 2020-06-12 一种水域污染智能监控分析方法及系统

Publications (2)

Publication Number Publication Date
CN111928888A CN111928888A (zh) 2020-11-13
CN111928888B true CN111928888B (zh) 2022-10-28

Family

ID=73317845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010537765.4A Active CN111928888B (zh) 2020-06-12 2020-06-12 一种水域污染智能监控分析方法及系统

Country Status (2)

Country Link
US (1) US20210389293A1 (zh)
CN (1) CN111928888B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062316A (zh) * 2019-12-16 2020-04-24 成都之维安科技股份有限公司 一种基于深度学习技术的污染源废水排放实时视频分析系统
CN112159062B (zh) * 2020-09-07 2022-06-24 中国环境科学研究院 一种河湖水环境多界面治理与修复的方法
CN114373129A (zh) * 2021-12-30 2022-04-19 山东锋士信息技术有限公司 基于域自适应和变化检测的河湖四乱遥感监测方法及系统
CN114399103A (zh) * 2022-01-06 2022-04-26 北京师范大学 一种基于cnn的陆水一体化河流水质时空连续预测方法
CN114384221A (zh) * 2022-01-07 2022-04-22 广东中拓华盛信息科技有限公司 一种智能监测控制云平台
CN114441727A (zh) * 2022-01-28 2022-05-06 武汉工程大学 一种水质监测方法及存储介质
CN114187531B (zh) * 2022-02-14 2022-05-24 广东河海工程咨询有限公司 一种遥感的水环境保护及用水管理信息化系统
CN114579686A (zh) * 2022-03-11 2022-06-03 澜途集思生态科技集团有限公司 一种流域水质水量机理模型动力学系统与方法
CN114997660A (zh) * 2022-06-09 2022-09-02 湖南大学 一种多参数综合的地表水评分与监测方法、装置及设备
CN114860816A (zh) * 2022-07-11 2022-08-05 广东盈峰科技有限公司 一种水质污染智能预警体系集成方法、装置及相关设备
CN115219682B (zh) * 2022-07-14 2024-02-20 武汉鸿榛园林绿化工程有限公司 一种基于人工智能的河道水环境治理监测分析系统
CN115144095B (zh) 2022-09-06 2022-11-11 自然资源部第一海洋研究所 基于遥感的已运营核电厂温排水本底水温确定方法及系统
CN116112519A (zh) * 2022-12-23 2023-05-12 九江数字产业发展有限公司 一种水环境立体监测应用服务系统
CN115661695B (zh) * 2022-12-26 2023-03-21 深圳联和智慧科技有限公司 基于无人机的河道排污口监控预警方法及系统
CN115825368B (zh) * 2022-12-26 2024-06-21 南京市水产科学研究所 基于物联网的水产养殖业的水质监测方法及系统
CN116008495A (zh) * 2022-12-28 2023-04-25 廊坊卓筑建筑工程有限公司 一种用于地表水的水体数据采集与分析系统及方法
CN116433041B (zh) * 2023-02-17 2024-04-05 广州珠科院工程勘察设计有限公司 一种小流域水生态的集成治理方法及系统
CN116182949B (zh) * 2023-02-23 2024-03-19 中国人民解放军91977部队 一种海洋环境水质监测系统及方法
CN116340980B (zh) * 2023-04-04 2023-09-05 临沂市生态环境局费县分局 一种基于大数据的水环境污染分析管理系统及方法
CN116151049B (zh) * 2023-04-23 2023-07-18 合肥众安睿博智能科技有限公司 一种基于超声预标定数据的智能惯导测距管理系统
CN117035514B (zh) * 2023-08-08 2024-04-12 上海东振环保工程技术有限公司 一种基于云平台的污水处理综合管控系统
CN117130314A (zh) * 2023-09-20 2023-11-28 江苏禹润水务研究院有限公司 一种基于物联网的水务智能监控系统
CN118169348A (zh) * 2024-03-13 2024-06-11 河南省地质局生态环境地质服务中心 一种基于ai的地下水污染智能评估方法及系统
CN118225995B (zh) * 2024-05-22 2024-08-02 宁波瀚陆海洋科技有限公司 一种海湾氮磷污染物监测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106230951A (zh) * 2016-08-05 2016-12-14 桂林驰讯科技有限公司 一种基于北斗导航通信的水位智能巡查系统
CN108120992A (zh) * 2017-12-18 2018-06-05 中国科学院深圳先进技术研究院 一种卫星欺骗检测方法、系统及电子设备
CN109307872A (zh) * 2018-02-28 2019-02-05 南京大学 一种低成本多点安全高精度定位监测的方法及系统
CN110429969A (zh) * 2019-07-17 2019-11-08 中国科学院海洋研究所 实时天通卫星信号采集分析系统
CN111157682A (zh) * 2020-01-06 2020-05-15 上海应用技术大学 空气质量监测及预测系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942941B (zh) * 2014-04-11 2017-07-28 中国人民解放军61139部队 基于gis的移动监测融合平台
CN105651336A (zh) * 2016-01-25 2016-06-08 无锡点创科技有限公司 一种污染源动态数据监控系统及方法
CN109325403B (zh) * 2018-08-07 2020-12-11 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
CN109445391A (zh) * 2018-11-08 2019-03-08 江苏大学 一种基于物联网的水产养殖多参数智能监控系统及其方法
CN111239131A (zh) * 2019-12-10 2020-06-05 山东星云环境科技有限公司 一种ai智能水环保实时监测平台

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106230951A (zh) * 2016-08-05 2016-12-14 桂林驰讯科技有限公司 一种基于北斗导航通信的水位智能巡查系统
CN108120992A (zh) * 2017-12-18 2018-06-05 中国科学院深圳先进技术研究院 一种卫星欺骗检测方法、系统及电子设备
CN109307872A (zh) * 2018-02-28 2019-02-05 南京大学 一种低成本多点安全高精度定位监测的方法及系统
CN110429969A (zh) * 2019-07-17 2019-11-08 中国科学院海洋研究所 实时天通卫星信号采集分析系统
CN111157682A (zh) * 2020-01-06 2020-05-15 上海应用技术大学 空气质量监测及预测系统及方法

Also Published As

Publication number Publication date
US20210389293A1 (en) 2021-12-16
CN111928888A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111928888B (zh) 一种水域污染智能监控分析方法及系统
CN114362367B (zh) 面向云边协同的输电线路监测系统和方法、识别系统和方法
CN110658807A (zh) 一种车辆故障诊断方法、装置及系统
CN112688822B (zh) 基于多点协同的边缘计算故障或安全威胁监测系统与方法
JPWO2020146036A5 (zh)
CN112130999A (zh) 一种基于边缘计算的电力异构数据处理方法
CN116055690B (zh) 一种机房监控视频的处理方法及设备
CN113112038B (zh) 智能监测与诊断分析系统、装置、电子设备及存储介质
CN113810489A (zh) 一种工业互联网控制系统及方法
CN113792578A (zh) 用于变电站异常的检测方法、设备及系统
CN115103157A (zh) 基于边云协同的视频分析方法、装置、电子设备及介质
CN118194142B (zh) 一种智慧管网的震后修复工程分析方法及系统
CN113723184A (zh) 基于智能网关的场景识别系统、方法、装置和智能网关
CN117710832A (zh) 一种电网卫星、无人机、视频监控图像智能识别方法
CN118075427A (zh) 一种智能化监控管理方法及系统
CN112016380A (zh) 野生动物监测方法及系统
CN113589729A (zh) 一种智慧楼宇自控方法及装置
CN117729540A (zh) 一种基于统一边缘计算框架的感知设备云边安全管控方法
CN117168536A (zh) 一种基于Python的保护区生态环境监控系统
CN112529466A (zh) 一种基于大数据的智慧城管方法及系统
CN115567563B (zh) 基于端边云的综合交通枢纽监测预警系统及其控制方法
CN108073854A (zh) 一种现场巡检的检测方法及装置
CN108600046B (zh) 基于感知哈希的设备状态监测终端、系统及方法
CN113779125A (zh) 一种施工安全信息管理方法及系统
CN107295087B (zh) 一种实现网系间数据聚合的系统及方法

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