CN112067517A - 一种河湖水体智慧监测方法、设备、系统及可读存储介质 - Google Patents
一种河湖水体智慧监测方法、设备、系统及可读存储介质 Download PDFInfo
- Publication number
- CN112067517A CN112067517A CN202010955827.3A CN202010955827A CN112067517A CN 112067517 A CN112067517 A CN 112067517A CN 202010955827 A CN202010955827 A CN 202010955827A CN 112067517 A CN112067517 A CN 112067517A
- Authority
- CN
- China
- Prior art keywords
- training
- turbidity
- water
- river
- water body
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 241
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 107
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 24
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 20
- 229910052760 oxygen Inorganic materials 0.000 claims description 20
- 239000001301 oxygen Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- YUWBVKYVJWNVLE-UHFFFAOYSA-N [N].[P] Chemical compound [N].[P] YUWBVKYVJWNVLE-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 30
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 15
- 229910052757 nitrogen Inorganic materials 0.000 description 15
- 229910052698 phosphorus Inorganic materials 0.000 description 15
- 239000011574 phosphorus Substances 0.000 description 15
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 239000012286 potassium permanganate Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01N21/85—Investigating moving fluids or granular solids
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06V20/10—Terrestrial scenes
-
- G01N15/075—
-
- 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
- G01N2021/8411—Application to online plant, process monitoring
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Dispersion Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及环境监测的技术领域,尤其是涉及一种河湖水体智慧监测方法、设备、系统及可读存储介质。这其中,河湖水体智慧监测方法包括,定期采集河道的水下光源图像;对所述水下光源图像进行图像识别处理,获得所述河道内水体的浊度;根据所述河道内水体的浊度,判断所述河道内的水体是否被污染,若是,则生成水质测量请求;根据所述水质测量请求,获得水质信息;根据所述水质信息,生成污染警告。上述河湖水体智慧监测方法不仅能降低河湖水体智慧监测工作的人力成本,还能相应提升河湖水体智慧监测结果的时效性。
Description
技术领域
本申请涉及环境监测的技术领域,尤其是涉及一种河湖水体智慧监测方法、设备、系统及可读存储介质。
背景技术
在河道管控过程中,会经由河湖水体智慧监测的方式,来获知河道中污染物的种类、浓度及变化趋势。
在相关技术中,一般会通过人工监测的方式,来对河道内的水体进行监测;其具体过程为,监测人员在预定的时间节点去往河道附近进行水体采样,并通过实验设备对所采集水样进行成分分析,来测定水体内的高锰酸盐指数、溶氧量、氨氮、总磷以及总氮等参数。
由于人工监测的方式要求监测人员定期前往河道附近作水体采样,所以会给监测人员带来较大的工作负担,这使得河湖水体智慧监测工作开展的人力成本较高;
还因为监测人员的精力有限,所以使得在进行人工监测的过程中,相邻两次水体采样工作的时间间隔往往会相隔数天,这也造成河湖水体智慧监测结果的时效性较差。
发明内容
针对相关技术存在的不足,本申请提供一种河湖水体智慧监测方法、设备、系统及可读存储介质,其能降低河湖水体智慧监测工作的人力成本,并相应提升河湖水体智慧监测结果的时效性。
本申请的上述发明目的是通过以下技术方案得以实现的:
第一方面,本申请实施例提供了一种河湖水体智慧监测方法,该方法包括:
定期采集河道的水下光源图像;
对所述水下光源图像进行图像识别处理,获得所述河道内水体的浊度;
根据所述河道内水体的浊度,判断所述河道内的水体是否被污染,若是,则生成水质测量请求;
根据所述水质测量请求,获得水质信息,所述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量。
根据所述水质信息,生成污染警告。
相较于相关技术中,通过人工采样来对水体进行监测的方式,本申请所述方法通过预先设定的用于测量水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量的测量设备,来对水体进行自动监测的方式,不仅能降低监测人员的工作强度,使河湖水体智慧监测工作的人力成本相应降低,还能提高河湖水体智慧监测结果的时效性;
又因为河道内水体发生污染时,水体内的悬浮微粒浓度也会相应增加,所以可以通过定期采集并识别河道内水体的水下光源图像,来对河道内水体的浊度进行测定,这能间接判断河道内水体是否被污染;只有当河道内水体被判定为污染状态时,才会唤醒上述测量设备对河道内水体的成分作进一步监测,这使得上述测量设备在日常监测过程中,大部分时间都会处于待机状态,故而上述测量设备的维护频次会有所降低,这也相应减轻了监测人员的运维负担,因此河湖水体智慧监测工作的人力成本会得到进一步降低。
可选的,所述对所述水下光源图像进行图像识别处理,获得所述河道内水体的浊度包括:
对所述水下光源图像进行过滤处理,获得低频特征信息;
利用预先训练好的分析模型对所述低频特征信息进行识别,获得所述河道内水体的浊度。
可选的,所述分析模型的训练过程包括:
A1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
A2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
A3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
A4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
A5、对所述样本集中的每个训练图像不断重复步骤A1-A4,直到步骤A3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
第二方面,一种河湖水体智慧监测设备,该设备包括:
采样模块,用于定期采集河道的水下光源图像;
图像处理模块,用于对所述采样模块采集的水面进行图像识别处理,并获得所述河道内水体的浊度;
判断模块,用于根据所述图像处理模块获得的浊度,判断所述河道内水体是否被污染,若是,则生成水质测量请求;
测量模块,用于所述判断模块生成的水质测量请求,获得水质信息,所述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量;
警告模块,用于根据所述测量模块获得的水质信息,生成污染警告。
可选的,所述图像处理模块具体用于:
对所述采样模块获得的水下光源图像进行过滤处理,获得低频特征信息;
利用预先训练好的分析模型对所述低频特征信息进行识别,获得所述河道内水体的浊度。
可选的,所述设备还包括训练模块,所述训练模块具体用于:
B1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
B2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
B3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
B4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
B5、对所述样本集中的每个训练图像不断重复步骤B1-B4,直到步骤B3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
第三方面,一种河湖水体智慧监测系统,该系统包括:
采样装置,用于定期采集河道的水下光源图像;
图像处理装置,用于对所述采样装置采集的水面进行图像识别处理,并获得所述河道内水体的浊度;
判断装置,用于根据所述图像处理装置获得的浊度,判断所述河道内水体是否被污染,若是,则生成水质测量请求;
测量装置,用于所述判断装置生成的水质测量请求,获得水质信息,所述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量;
警告装置,用于根据所述测量装置获得的水质信息,生成污染警告。
可选的,所述图像处理装置具体用于:
对所述采样装置获得的水下光源图像进行过滤处理,获得低频特征信息;
利用预先训练好的分析模型对所述低频特征信息进行识别,获得所述河道内水体的浊度。
可选的,所述系统还包括训练装置,所述训练装置具体用于:
C1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
C2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
C3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
C4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
C5、对所述样本集中的每个训练图像不断重复步骤C1-C4,直到步骤C3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,该程序指令被处理器执行时实现如上述第一方面所述的河湖水体智慧监测方法。
综上所述,本申请包括以下有益技术效果:
1.降低开展河湖水体智慧监测的人力成本;
2.提高河湖水体智慧监测结果的时效性。
附图说明
图1是本申请实施例一中的一种河湖水体智慧监测方法的流程图;
图2是本申请实施例二中的一种河湖水体智慧监测设备的结构示意图;
图3是本申请实施例三中的一种河湖水体智慧监测系统的结构示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一:
参照图1,为本申请公开的一种河湖水体智慧监测方法,具体包括如下步骤:
101、根据预设的采集时间间隔,定期采集河道的水下光源图像。
其中,采集时间间隔的取值区间为[60,7200],单位为秒(s);
优选的,最佳的采集时间间隔是1200秒(s)。
需要说明的是,水下光源图像的采集工作依赖于提前设置的多个拍摄模组完成,每个拍摄模组包括一个摄像机和一个点光源;摄像机和点光源相向设置,且两者均位于河道水体中;
上述多个拍摄模组的设置过程可以为:
通过对河道的水文图像进行均分处理,获得与多个拍摄模组一一对应的多个均分点;
将所获得的多个均分点标记于河道的水文图像上,以使监测人员根据所述水文图像中显示的均分点,在河道水体内设置拍摄模组。
102、对水下光源图像进行过滤处理,获得低频特征信息。
具体的,步骤102的执行过程可以为:
T1、通过特征提取算法对水下光源图像进行灰度化处理,获得图像特征信息;
T2、对图像特征信息进行多次小波分解,获得低频信息;
T3、对低频信息进行还原处理,获得低频特征信息。
示例性地,假定步骤T2所进行的小波分解次数为3,且步骤T1获得的图像特征信息为X;
则步骤T2的执行过程具体为,对图像特征信息X进行小波分解,获得第一低频信息cA1和第一高频信息cD1;
对第一低频信息cA1进行小波分解,获得第二低频信息cA2和第二高频信息cD2;
对第一低频信息cA2进行小波分解,获得第三低频信息cA3和第三高频信息cD3;
将第三低频信息cA3设定为图像特征信息X的低频信息。
在光源不变的情况下,由于河道内水体的浊度变化,水下光源图像中的光源图像也会相应产生变化,所以可以通过识别光源图像的特征信息(即灰度值),来间接识别出河道内水体的浊度;
又因为光源的光强是水下光源图像的主要信息,所以无论水下光源图像的分辨率如何变化,水下光源图像的主要信息均不会产生改变;而对于水下光源图像中,部分因环境干扰而产生的噪点信息来说,随着水下光源图像分辨率的变化,上述噪点信息会出现一定程度的增减;基于此,便对水下光源图像进行了小波分解处理,以此来除去水下光源图像中的噪点信息,令低频信息的识别精度得到相应提升
需要说明的是,上述特征提取算法可以是LBP算法(Local Binary Patterns,局部二值模式),也可以是HOG特征提取算法(Histogram of Oriented Gradient,梯度方向直方图),还可以是其他具备特征提取功能的算法,本申请实施例对具体的特征提取算法并不加以限定。
103、利用预先训练好的分析模型对低频特征信息进行识别,获得河道内水体的浊度。
具体的,上述分析模型的训练过程可以为:
A1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
A2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
A3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
A4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
A5、对所述样本集中的每个训练图像不断重复步骤A1-A4,直到步骤A3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
所以随着水体浊度的变化,训练图像中的光源所在像素块的灰度值也会相应发生变化,因此可以通过识别训练图像中光源所在像素块的灰度值,来间接测算出当前训练图像拍摄时的水体浊度(即训练浊度);
需要说明的是,在实际应用中,上述梯度下降算法可以是全量梯度下降算法,也可以是随机梯度下降算法,还可以是批量梯度下降算法,本申请实施例对具体的梯度下降算法并不加以限定。
104、根据所获得河道内水体的浊度,判断河道内的水体是否被污染,若是,则生成水质测量请求。
具体的,判断所获得河道内水体的浊度是否大于或等于浊度阈值,若是,则判断河道内的水体被污染,并相应生成水质测量请求;否则,则判断河道内的水体未被污染,并将该判断结果存入数据库内;
上述浊度阈值的取值区间为[30,100],单位为度(NTU,nephelometric turbidityunit);
优选的,最佳的浊度阈值为50度(NTU)。
需要说明的是,在降雨过程中,河道内水体的浊度会适应性地增高,但河道内的水体并未被污染,如果仍旧按照上述采集时间间隔来采集水下光源图像,则会造成水体监测结果的误判;为避免此类情况的发生,便会通过在河道旁放置翻斗式雨量计的方式,来对河道周围环境的降雨情况进行监测,只有当翻斗式雨量计指示河道周围处于非雨天环境时,拍摄模组才会相应启动并按预设的采集时间间隔对水下光源图像进行采集。
105、根据所生成的水质测量请求,获得水质信息。
具体的,上述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、氨氮、总磷以及总氮;上述水质信息的获得依赖于多个测量设备的工作,在实际应用过程中,测量设备可以是高锰酸盐指数测定仪、溶氧量检测仪、氨氮检测仪、总磷检测仪以及总氮监测仪,也可以是其他具备监测水体内高锰酸盐指数、溶氧量、氨氮、总磷或总氮的测量设备,本申请实施例对具体测量设备并不加以限定。
可选的,为降低测量设备的维护难度,便利监测人员的维护工作;上述测量设备还会实时获取储量信息,所述储量信息用于指示测量设备内部所存储试剂的剩余储量;
这之后,上述测量设备还会判断所获得的储量信息是否大于储量阈值,若是,则发起包括维护请求,所述维护请求包括测量设备的位置、测量设备所存储的试剂类别以及测量设备所需要补偿试剂的容量;否则,则结束本次判断过程。
其中,每个测量设备的储量阈值均为其所对应的试剂存储总容量的十分之一。
106、根据所述水质信息,生成污染警告。
具体的,步骤106的执行过程可以为:
S1、根据所获得的水质信息,获得河道内水体的高锰酸盐指数、溶氧量、氨氮、总磷以及总氮;
S2、判断河道内水体的高锰酸盐指数、溶氧量、氨氮、总磷以及总氮是否满足II类水标准,若是,则将河道内水体的水质设定为II类水质,并接着执行步骤S6;否则,则执行步骤S3;
S3、判断河道内水体的高锰酸盐指数、溶氧量、氨氮、总磷以及总氮是否满足III类水标准,若是,则将河道内水体的水质设定为III类水质,并接着执行步骤S6;否则,则执行步骤S4;
S4、判断河道内水体的高锰酸盐指数、溶氧量、氨氮、总磷以及总氮是否满足IV类水标准,若是,则将河道内水体的水质设定为IV类水质,并接着执行步骤S6;否则,则执行步骤S5;
S5、将河道内水体的水质设定为V类水质,并执行步骤S6;
S6、根据河道内水体的水质,生成污染警告。
其中,II类水标准的要求为:
河道内水体的高锰酸钾指数小于或等于4毫克每升(mg/L);
河道内水体的氨氮小于或等于0.5毫克每升(mg/L);
河道内水体的总磷小于或等于0.1毫克每升(mg/L);
河道内水体的总氮小于或等于0.5毫克每升(mg/L);
当上述四个条件同时满足时,河道内水体的水质符合II类水标准;
而III类水标准的要求为:
河道内水体的高锰酸钾指数小于或等于6毫克每升(mg/L);
河道内水体的氨氮小于或等于1.0毫克每升(mg/L);
河道内水体的总磷小于或等于0.2毫克每升(mg/L);
河道内水体的总氮小于或等于1.0毫克每升(mg/L);
当上述四个条件同时满足时,河道内水体的水质符合III类水标准;
至于IV类水标准的要求为:
河道内水体的高锰酸钾指数小于或等于10毫克每升(mg/L);
河道内水体的氨氮小于或等于1.5毫克每升(mg/L);
河道内水体的总磷小于或等于0.3毫克每升(mg/L);
河道内水体的总氮小于或等于1.5毫克每升(mg/L);
当上述四个条件同时满足时,河道内水体的水质符合IV类水标准。
需要说明的是,步骤106所生成的污染警告可以通过短信推送的方式传输至监测人员的终端处,还可以通过消息通知的方式传输至监测人员的终端处,本申请实施例对污染警告的具体传输方式并不加以限定。
实施例二:
本申请实施例提供了一种河湖水体智慧监测设备2,参照图2所示,该设备2包括:
采样模块201,用于定期采集河道的水下光源图像;
图像处理模块202,用于对所述采样模块201采集的水面进行图像识别处理,并获得所述河道内水体的浊度;
判断模块203,用于根据所述图像处理模块202获得的浊度,判断所述河道内水体是否被污染,若是,则生成水质测量请求;
测量模块204,用于所述判断模块203生成的水质测量请求,获得水质信息,所述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量;
警告模块205,用于根据所述测量模块获得的水质信息,生成污染警告。
可选的,上述所述图像处理模块202具体用于:
对所述采样模块获得的水下光源图像进行过滤处理,获得低频特征信息;
利用预先训练好的分析模型对所述低频特征信息进行识别,获得所述河道内水体的浊度。
可选的,所述设备3还包括训练模块206,所述训练模块206具体用于:
B1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
B2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
B3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
B4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
B5、对所述样本集中的每个训练图像不断重复步骤B1-B4,直到步骤B3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
实施例三:
本申请实施例提供了一种河湖水体智慧监测系统,参照图3所示,该系统包括:
采样装置301,用于定期采集河道的水下光源图像;
图像处理装置302,用于对所述采样装置301采集的水面进行图像识别处理,并获得所述河道内水体的浊度;
判断装置303,用于根据所述图像处理装置302获得的浊度,判断所述河道内水体是否被污染,若是,则生成水质测量请求;
测量装置304,用于所述判断装置303生成的水质测量请求,获得水质信息,所述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量;
警告装置305,用于根据所述测量装置304获得的水质信息,生成污染警告。
可选的,所述图像处理装置302具体用于:
对所述采样装置获得的水下光源图像进行过滤处理,获得低频特征信息;
利用预先训练好的分析模型对所述低频特征信息进行识别,获得所述河道内水体的浊度。
可选的,所述系统还包括训练装置306,该训练装置306具体用于:
C1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
C2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
C3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
C4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
C5、对所述样本集中的每个训练图像不断重复步骤C1-C4,直到步骤C3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
实施例四:
本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个预设程序,预设程序被处理器执行时实现实施例一的河湖水体智慧监测方法的步骤。
本申请实施例提供了一种河湖水体智慧监测方法、系统、装置和可读存储介质,其中的河湖水体智慧监测方法包括:定期采集河道的水下光源图像;对所述水下光源图像进行图像识别处理,获得所述河道内水体的浊度;根据所述河道内水体的浊度,判断所述河道内的水体是否被污染,若是,则生成水质测量请求;根据所述水质测量请求,获得包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量水质信息;根据所述水质信息,生成污染警告。
在相关技术中,对河道内水体的监测工作,多是通过人工采样的方式开展;因为人工采样的方式会给监测人员带来较大的工作负担,所以导致河湖水体智慧监测工作开展的人力成本较高;并且因为监测人员只在预定的时间节点,才对河道内水体进行采样,所以使得河湖水体智慧监测结果的时效性较差;
而在本申请所述的河湖水体智慧监测方法中,通过预设的拍摄模组,可自动采集并识别河道的水下光源图像,从而实现对河道内水体浊度的测定;通过对河道内水体的浊度进行判断,来甄别河道内的水体是否内污染,若是,则指示测量设备对河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量作进一步测定,并根据所测定的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量,向监测人员发出污染警告。
通过预先设置好的拍摄模组和测算设备,本申请所述方法可以实现对河道内水体的自动监测,这有效减轻了监测人员的工作负担,并使得河湖水体智慧监测工作开展的人力成本相应降低;同时相较于人工采样的方式,自动监测的方式可通过设定较短时间的采集时间间隔,来实现对河道内水体的实时监测,这能提升河湖水体智慧监测结果的时效性;
并且由于测量设备仅在河道内水体被判断为污染状态时才会执行测量工作,所以在河湖水体智慧监测过程,上述测量设备大部分都将处于待机状态,这延长了测量设备的使用寿命,并相应降低了监测人员对测量设备的维护难度,故而河湖水体智慧监测工作开展的人力成本会得到进一步降低。
综上所述,通过采用本申请所述的河湖水体智慧监测方法,不仅降低了河湖水体智慧监测工作的人力成本,还相应提高了河湖水体智慧监测结果的时效性。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
需要说明的是:上述实施例提供用于河湖水体智慧监测设备和系统在执行河湖水体智慧监测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备和设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的河湖水体智慧监测方法、设备和系统的实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,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 (10)
1.一种河湖水体智慧监测方法,其中其特征在于,包括:
定期采集河道的水下光源图像;
对所述水下光源图像进行图像识别处理,获得所述河道内水体的浊度;
根据所述河道内水体的浊度,判断所述河道内的水体是否被污染,若是,则生成水质测量请求;
根据所述水质测量请求,获得水质信息,所述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量;
根据所述水质信息,生成污染警告。
2.根据权利要求1所述的方法,其特征在于,所述对所述水下光源图像进行图像识别处理,获得所述河道内水体的浊度包括:
对所述水下光源图像进行过滤处理,获得低频特征信息;
利用预先训练好的分析模型对所述低频特征信息进行识别,获得所述河道内水体的浊度。
3.根据权利要求2所述的方法,其特征在于,所述分析模型的训练过程包括:
A1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
A2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
A3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
A4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
A5、对所述样本集中的每个训练图像不断重复步骤A1-A4,直到步骤A3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
4.一种河湖水体智慧监测设备,其特征在于,所述设备包括:
采样模块,用于定期采集河道的水下光源图像;
图像处理模块,用于对所述采样模块采集的水面进行图像识别处理,并获得所述河道内水体的浊度;
判断模块,用于根据所述图像处理模块获得的浊度,判断所述河道内水体是否被污染,若是,则生成水质测量请求;
测量模块,用于所述判断模块生成的水质测量请求,获得水质信息,所述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量;
警告模块,用于根据所述测量模块获得的水质信息,生成污染警告。
5.根据权利要求4所述的设备,其特征在于,所述图像处理模块具体用于:
对所述采样模块获得的水下光源图像进行过滤处理,获得低频特征信息;
利用预先训练好的分析模型对所述低频特征信息进行识别,获得所述河道内水体的浊度。
6.根据权利要求5所述的设备,其特征在于,所述设备还包括训练模块,所述训练模块具体用于:
B1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
B2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
B3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
B4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
B5、对所述样本集中的每个训练图像不断重复步骤B1-B4,直到步骤B3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
7.一种河湖水体智慧监测系统,其特征在于,所述系统包括:
采样装置,用于定期采集河道的水下光源图像;
图像处理装置,用于对所述采样装置采集的水面进行图像识别处理,并获得所述河道内水体的浊度;
判断装置,用于根据所述图像处理装置获得的浊度,判断所述河道内水体是否被污染,若是,则生成水质测量请求;
测量装置,用于所述判断装置生成的水质测量请求,获得水质信息,所述水质信息包括所述河道内水体的高锰酸盐指数、溶氧量、酸碱度、浊度以及磷氮含量;
警告装置,用于根据所述测量装置获得的水质信息,生成污染警告。
8.根据权利要求7所述的系统,其特征在于,所述图像处理装置具体用于:
对所述采样装置获得的水下光源图像进行过滤处理,获得低频特征信息;
利用预先训练好的分析模型对所述低频特征信息进行识别,获得所述河道内水体的浊度。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括训练装置,所述训练装置具体用于:
C1、从预先设定的样本集中获取训练图像和实际浊度,所述训练图像与实际浊度一一对应;
C2、利用BP神经网络对所述训练图像进行识别,获得训练浊度;
C3、将所述训练浊度与所述实际浊度进行比较,获得训练误差;
C4、根据所述训练误差,通过梯度下降算法,对BP神经网络中所有神经元的权值进行调整;
C5、对所述样本集中的每个训练图像不断重复步骤C1-C4,直到步骤C3中的训练误差小于误差阈值时,结束对BP神经网络的训练,得到训练好的分析模型。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,其特征在于,该程序指令被处理器执行时实现如权利要求1-3中任一所述的河湖水体智慧监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010955827.3A CN112067517A (zh) | 2020-09-11 | 2020-09-11 | 一种河湖水体智慧监测方法、设备、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010955827.3A CN112067517A (zh) | 2020-09-11 | 2020-09-11 | 一种河湖水体智慧监测方法、设备、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112067517A true CN112067517A (zh) | 2020-12-11 |
Family
ID=73695444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010955827.3A Pending CN112067517A (zh) | 2020-09-11 | 2020-09-11 | 一种河湖水体智慧监测方法、设备、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112067517A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595826A (zh) * | 2020-12-31 | 2021-04-02 | 深圳国涚检测技术有限公司 | 一种便携移动式水质监测装置及相关控制方法 |
CN115063596A (zh) * | 2022-06-17 | 2022-09-16 | 上海蓝长自动化科技有限公司 | 一种基于深度回归网络的水质浊度检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100423115B1 (ko) * | 2002-09-19 | 2004-03-18 | (주) 이스텍 | 화상을 이용한 수질측정장치 및 수질측정방법 |
CN205403854U (zh) * | 2016-03-11 | 2016-07-27 | 淮阴工学院 | 湖泊水质多传感器在线监测终端 |
CN105954282A (zh) * | 2016-05-04 | 2016-09-21 | 浙江大学 | 一种基于水下观测网的水体浊度检测装置和方法 |
CN108061731A (zh) * | 2017-12-19 | 2018-05-22 | 淮北师范大学 | 一种基于摄像头检测水中亚硝酸盐、氨氮、硫、磷酸盐含量的系统 |
CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
CN109446902A (zh) * | 2018-09-22 | 2019-03-08 | 天津大学 | 一种基于无人平台的海洋环境与目标综合感知方法 |
CN109859183A (zh) * | 2019-01-29 | 2019-06-07 | 江河瑞通(北京)技术有限公司 | 基于边缘计算的多要素一体化水体智能识别方法及生态站 |
CN110160978A (zh) * | 2019-06-18 | 2019-08-23 | 深圳市水务(集团)有限公司 | 一种饮用水综合性感官指标的检测系统及检测方法 |
CN110390429A (zh) * | 2019-07-15 | 2019-10-29 | 重庆邮电大学 | 一种基于神经网络的水环境质量预测系统及方法 |
CN110533626A (zh) * | 2019-06-19 | 2019-12-03 | 浙江大学 | 一种全天候水质识别方法 |
CN111122816A (zh) * | 2019-12-30 | 2020-05-08 | 重庆商勤科技有限公司 | 基于在线监测与图像识别相结合的水华预警系统及方法 |
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 |
CN111523550A (zh) * | 2020-03-30 | 2020-08-11 | 南京赛沃夫海洋科技有限公司 | 一种图像识别方法、系统、介质及电子设备 |
JP2020125618A (ja) * | 2019-02-04 | 2020-08-20 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム、取水制御システム及び学習済みモデルの生成方法 |
-
2020
- 2020-09-11 CN CN202010955827.3A patent/CN112067517A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100423115B1 (ko) * | 2002-09-19 | 2004-03-18 | (주) 이스텍 | 화상을 이용한 수질측정장치 및 수질측정방법 |
CN205403854U (zh) * | 2016-03-11 | 2016-07-27 | 淮阴工学院 | 湖泊水质多传感器在线监测终端 |
CN105954282A (zh) * | 2016-05-04 | 2016-09-21 | 浙江大学 | 一种基于水下观测网的水体浊度检测装置和方法 |
CN108061731A (zh) * | 2017-12-19 | 2018-05-22 | 淮北师范大学 | 一种基于摄像头检测水中亚硝酸盐、氨氮、硫、磷酸盐含量的系统 |
CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
CN109446902A (zh) * | 2018-09-22 | 2019-03-08 | 天津大学 | 一种基于无人平台的海洋环境与目标综合感知方法 |
CN109859183A (zh) * | 2019-01-29 | 2019-06-07 | 江河瑞通(北京)技术有限公司 | 基于边缘计算的多要素一体化水体智能识别方法及生态站 |
JP2020125618A (ja) * | 2019-02-04 | 2020-08-20 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム、取水制御システム及び学習済みモデルの生成方法 |
CN110160978A (zh) * | 2019-06-18 | 2019-08-23 | 深圳市水务(集团)有限公司 | 一种饮用水综合性感官指标的检测系统及检测方法 |
CN110533626A (zh) * | 2019-06-19 | 2019-12-03 | 浙江大学 | 一种全天候水质识别方法 |
CN110390429A (zh) * | 2019-07-15 | 2019-10-29 | 重庆邮电大学 | 一种基于神经网络的水环境质量预测系统及方法 |
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 |
CN111122816A (zh) * | 2019-12-30 | 2020-05-08 | 重庆商勤科技有限公司 | 基于在线监测与图像识别相结合的水华预警系统及方法 |
CN111523550A (zh) * | 2020-03-30 | 2020-08-11 | 南京赛沃夫海洋科技有限公司 | 一种图像识别方法、系统、介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
付晓东等著: "多媒体技术理论及其应用", 30 June 2018, 九州出版社, pages: 53 - 55 * |
李昂: "基于图像识别的水质浊度检测系统的设计与实现", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, 31 May 2012 (2012-05-31), pages 027 - 412 * |
胡桂平;张海峰;李昂;叶平;: "基于图像识别的水质浊度测量技术研究", 水利水电施工, no. 06, 15 December 2016 (2016-12-15), pages 97 - 99 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595826A (zh) * | 2020-12-31 | 2021-04-02 | 深圳国涚检测技术有限公司 | 一种便携移动式水质监测装置及相关控制方法 |
CN115063596A (zh) * | 2022-06-17 | 2022-09-16 | 上海蓝长自动化科技有限公司 | 一种基于深度回归网络的水质浊度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112067517A (zh) | 一种河湖水体智慧监测方法、设备、系统及可读存储介质 | |
CN113887412B (zh) | 污染排放的检测方法、检测终端、监控系统及存储介质 | |
CN116233370B (zh) | 基于水质监测的智能化视频监控方法 | |
CN112684133B (zh) | 基于大数据平台的水质监测预警方法、系统及存储介质 | |
CN112906738B (zh) | 一种水质检测及处理方法 | |
CN113610788B (zh) | 图像采集装置的故障监测方法、装置、电子设备及存储介质 | |
CN115372571A (zh) | 一种水环境智能监测系统 | |
CN115166180A (zh) | 一种垃圾渗滤液水质分析系统及方法 | |
CN110186923B (zh) | 一种河道污染监测方法、装置和存储介质 | |
CN115792165B (zh) | 一种环境水质智能监测方法及系统 | |
CN112903946A (zh) | 一种新型零星工业废水收集水质检测预警方法 | |
CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测系统及方法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN116448988A (zh) | 一种工业园区土壤污染监测系统及方法 | |
CN113468823A (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
CN110658316A (zh) | 一种水质在线监测方法及系统 | |
CN113869782B (zh) | 基于时序分解企业用电数据以识别环保管控异常的方法 | |
CN114154562B (zh) | 一种检测智能监拍终端图像识别能力的装置及方法 | |
CN111611729B (zh) | 一种基于环境数据采集的资源管理系统 | |
CN113394706B (zh) | 一种输电线路巡检区域确定方法及装置 | |
CN115481904B (zh) | 一种基于智能人工湿地的废水处理效率管理系统 | |
CN115994692B (zh) | 基于5g和大数据的智慧河湖管理平台 | |
CN114590199B (zh) | 一种led车灯故障诊断反馈系统 | |
CN117370919B (zh) | 污水处理设备远程监控系统 | |
CN117233342A (zh) | 一种基于置信区间算法的入河排污口精准监测方法及系统 |
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 |