CN112087528B - 一种基于深度学习的水环境智能监测系统及方法 - Google Patents

一种基于深度学习的水环境智能监测系统及方法 Download PDF

Info

Publication number
CN112087528B
CN112087528B CN202011046080.6A CN202011046080A CN112087528B CN 112087528 B CN112087528 B CN 112087528B CN 202011046080 A CN202011046080 A CN 202011046080A CN 112087528 B CN112087528 B CN 112087528B
Authority
CN
China
Prior art keywords
water environment
module
pollution
water
processing device
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
CN202011046080.6A
Other languages
English (en)
Other versions
CN112087528A (zh
Inventor
包学才
康忠祥
姚家伟
叶辰
邓承志
聂菊根
占礼彬
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.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
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 Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202011046080.6A priority Critical patent/CN112087528B/zh
Publication of CN112087528A publication Critical patent/CN112087528A/zh
Application granted granted Critical
Publication of CN112087528B publication Critical patent/CN112087528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Abstract

本发明公开了一种基于深度学习的水环境智能监测系统及方法，包括水环境监测终端、边缘处理装置和云端管理平台；水环境监测终端包括微型中心处理器一以及与微型中心处理器一电性连接的水面监测摄像头、位置定位模块、无线射频Lora模块、无线多模通信模块一、太阳能电池组模块和数据存储模块一；边缘处理装置包括微型中心处理器二以及与微型中心处理器二电性连接的以太网模块、GPU处理器、无线多模通信模块二和数据存储模块二；云端管理平台包括水污染识别服务器以及与水污染识别服务器电性连接的Web服务器和数据库服务器；本发明能够实现水环境长期监测及污染图像取证，并对监测到的图像数据进行存储和预警。

Description

一种基于深度学习的水环境智能监测系统及方法
技术领域
本发明涉及水环境监测的技术领域，特别是涉及一种基于深度学习的水环境智能监测系统及方法。
背景技术
生态文明建设中需要系统推进水污染防治工作，而水环境监测是水污染防治的重要手段。水环境监测作为探测水污染程度、分析水污染成因的一种必要手段，是环境保护的重要环节，在环境保护日益成为热点话题的今天，具有更为重要的意义。现有水环境监测设备多采用水质分析的方法，往往存在着水面漂浮物以及水面污染状况不能通过图像的方式直观展示的问题，并且不能适应野外信号质量差、能量供应不足的场所，也不能兼顾视频监控以及智能识别水污染环境进行预警的功能，基于以上问题，为解决水环境的智能识别以及实现长期有效监测的问题，迫切需要开发一种智能污染识别、自适应图像和视频取证、自动污染预警的水环境污染监测系统。
发明内容
本发明的目的是提供一种基于深度学习的水环境智能监测系统及方法，通过水环境监测终端、边缘处理装置和云端管理平台之间的通信实现水环境长期监测及污染图像取证，并对监测到的图像数据进行存储和预警，从而提高水环境系统智能监测的能力。
为实现上述目的，本发明提供了如下方案：
一种基于深度学习的水环境智能监测系统，该系统包括多个水环境监测终端、边缘处理装置和云端管理平台；所述水环境监测终端包括微型中心处理器一以及与所述微型中心处理器一电性连接的水面监测摄像头、位置定位模块、无线射频Lora模块、无线多模通信模块一、太阳能电池组模块和数据存储模块一；所述边缘处理装置包括微型中心处理器二以及与所述微型中心处理器二电性连接的以太网模块、GPU处理器、无线多模通信模块二和数据存储模块二；所述云端管理平台包括水污染识别服务器以及与所述水污染识别服务器电性连接的Web服务器和数据库服务器；多个所述水环境监测终端之间通过所述无线射频Lora模块通信连接；所述水环境监测终端与所述边缘处理装置之间通过所述无线多模通信模块一进行通信，所述边缘处理装置与所述云端管理平台之间通过所述无线多模通信模块二或所述以太网模块进行通信。
可选的，所述水面监测摄像头为自动变焦的广角摄像头，所述自动变焦的广角摄像头还包括光照度感应模块和光源模块。
可选的，所述位置定位模块包括北斗定位模块和GPS定位模块。
可选的，所述无线多模通信模块一和所述无线多模通信模块二为GPRS/3G/4G无线通信模块。
可选的，所述太阳能电池组模块为锂电池组以及与所述锂电池组电性连接的太阳能板。
可选的，所述数据存储模块一为SD卡，所述数据存储模块二为磁盘。
本发明还提供了一种基于深度学习的水环境智能监测方法，应用于上述基于深度学习的水环境智能监测系统，所述方法包括以下步骤：
S1，所述水环境监测终端将所述水面监测摄像头拍摄的水面图像发送至所述边缘处理装置；
S2，所述边缘处理装置中的所述GPU处理器通过深度学习算法进行图像识别，并判断识别出的污染类型的概率是否低于设定阈值；
S3，如果否,则由所述边缘处理装置判断师是否发生污染；
如果是，则由所述边缘处理装置进行污染识别，判断污染程度，并将污染程度传输至所述水环境监测终端，并转至步骤S4；
如果否，转至步骤S1；
S4，所述水环境监测终端根据污染程度拍摄不同时长的水面图像进行取证，并将图像数据通过所述边缘处理装置发送至所述云端管理平台，所述云端管理平台中的所述web服务器显示水环境监测终端所在的当前监测源的地理信息以及水环境所处的污染类别；
S5，如果是，所述边缘处理装置将图像数据发送到所述云端管理平台进行进一步识别，判断是否发生污染；
S6，如果发生污染，由云端管理平台确认污染程度，通过边缘处理装置反馈至所述水环境监测终端，并转至步骤S4；
S7,如果没有发生污染，转至步骤S1。
可选的，所述阈值为60％。
可选的，所述水环境监测终端根据污染程度拍摄不同时长的水面图像进行取证，具体包括：在轻度污染下拍摄5-10分钟的水面图像数据，在中度污染下拍摄10-15分钟的水面图像数据，在重度污染下拍摄15-20分钟的水面图像数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于深度学习的水环境智能监测系统及方法，通过水环境监测终端实现对水面图像的采集和精准定位并通过无线网络将图像传输给边缘处理装置，边缘处理装置对水面图像进行识别，将水污染等级分类，通过与云端管理平台之间的网络通信，将水污染情况在Web服务器显示；通过设置无线射频Lora模块和太阳能电池组模块能够克服野外信号质量差、能量供应不足的问题；通过监测识别到的水污染等级进行拍摄视频或调整监测频率，实现水环境长期监测及污染图像取证，并对监测到的图像数据进行存储和预警，从而提高水环境系统智能监测的能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，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为本发明基于深度学习的水环境智能监测系统的模块示意图；
图2为本发明基于深度学习的水环境智能监测系统自组网多路传输的简易示意图；
图3为本发明基于深度学习的水环境智能监测方法的工作流程图；
附图标记说明：1、水面监测摄像头；2、位置定位模块；3、微型中心处理器一；4、无线射频Lora模块；5、无线多模通信模块一；6、太阳能电池组模块；7、数据存储模块一；8、微型中心处理器二；9、GPU处理器；10、以太网模块；11、无线多模通信模块二；12、数据存储模块二；13、水污染识别服务器；14、Web服务器；15、数据库服务器；16、水环境监测终端；17、边缘处理装置；18、云端管理平台。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
本发明的目的是提供一种基于深度学习的水环境智能监测系统及方法，通过水环境监测终端、边缘处理装置和云端管理平台之间的通信实现水环境长期监测及污染图像取证，并对监测到的图像数据进行存储和预警，从而提高水环境系统智能监测的能力。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于深度学习的水环境智能监测系统的模块示意图，图2为本发明基于深度学习的水环境智能监测系统自组网多路传输的简易示意图，如图1至图2所示，本发明实施例提供的基于深度学习的水环境智能监测系统，包括水环境监测终端16、边缘处理装置17、云端管理平台18；所述多个水环境监测终端16采集水面图像，并通过无线多模通信的方式将所述水面图像数据传输给边缘处理装置17，所述边缘处理装置17将接收到的图像数据通过深度学习算法的数据识别并在所述云端管理平台18显示当前监测源的地理信息以及水环境所处的污染类别，在出现污染的情况下自动预警，通知相应河道管理人员到污染源位置查看水污染状况；
所述水环境监测终端16包括微型中心处理器一3以及与所述微型中心处理器一3电性连接的水面监测摄像头1、位置定位模块2、无线射频Lora模块4、无线多模通信模块一5、太阳能电池组模块6和数据存储模块一7；所述水面监测摄像头1为自动变焦的广角摄像头，且具有光照度感应模块和光源模块，能够在光照度不足时自动开启光源进行补光；所述位置定位模块2能够兼顾北斗定位和GPS定位两种定位功能，根据所在的地理位置自动切换到搜星信号较好的定位模式，能够获取所述水环境监测终端16所在的地理经度和纬度信息，并将经纬度信息加载至图像信息中，由所述边缘处理装置17根据图像信息解析水污染图像所在监测区域；所述无线多模通信模块一5为GPRS/3G/4G无线通信模块，能够在所述水环境监测终端16和所述边缘处理装置17之间实现无线通信；所述无线射频Lora模块4具有远距离传输的功能，通过多个所述水环境监测终端16建立多跳传输的无线传感网络，在水域无信号覆盖的区域采用Lora组网方式，将图像数据发送至有信号的所述水环境监测终端16，所述水环境监测终端16通过所述无线多模通信模块一5选择信号较好的频段将数据发送至所述边缘处理装置17，所述边缘处理装置17对图像数据进行识别，得到当前水环境的污染程度信息；所述太阳能电池组模块6为锂电池组以及与所述锂电池组电性连接的太阳能板，具有电量存储与管理为一体的功能，所述水环境监测终端16能够将能量状态信息通过所述边缘处理装置17发送给所述云端管理平台18，便于实时监测电量状态；所述数据存储模块一7为能够存储图像/视频数据的SD卡，所述水环境监测终端16在遇到电量较低或信号较差的情况下，将获取的图像/视频数据存储至SD卡内，当能量较好且有信号的情况下将图像/视频信息传输至所述边缘处理装置17；
所述边缘处理装置17包括微型中心处理器二8以及与所述微型中心处理器二8电性连接的以太网模块10、GPU处理器9、无线多模通信模块二11和数据存储模块二12；所述无线多模通信模块二11为GPRS/3G/4G无线通信模块，所述无线多模通信模块二11或所述以太网模块10能够与所述云端管理平台18之间进行通信；所述数据存储模块二12为能够存储数据的磁盘，能够将接收到的所述水环境监测终端16的图像数据进行存储；所述GPU处理器9为能够运行深度算法且能够进行图像数据识别的单元模块,所述边缘处理装置17通过所述无线多模通信模块二11接收所述水环境监测终端16发送的图像数据，进行水环境图像识别，并将水污染等级进行分类；
所述云端管理平台18包括水污染识别服务器13以及与所述水污染识别服务器13电性连接的Web服务器14和数据库服务器15；所述水污染识别服务器13具有强大算力、且具有海量数据样本，对水污染图像识别准确率高；所述Web服务器14能够显示水环境图像数据和所述太阳能电池组模块6的电量信息并进行及时预警；所述数据库服务器15能够对图像数据进行存储；
如图3所示，本发明提供的基于深度学习的水环境智能监测方法具体工作过程如下：所述水环境监测终端16通过无线多模通信模块一5将水面监测摄像头1拍摄的水面图像发送至所述边缘处理装置17，由所述边缘处理装置17中的所述微型中心处理器二8将图像数据发送到所述GPU处理器9进行图像识别、存储到所述数据存储模块二12中保存；
所述边缘处理装置17中的所述GPU处理器9通过深度学习算法进行图像识别，当识别到的污染概率大于60％时，则由所述边缘处理装置17判断是否发生污染，如果是，则由所述边缘处理装置17判断污染程度，并将污染程度数据传输至所述水环境监测终端16；所述水环境监测终端16根据污染程度拍摄不同时长的水面图像进行取证，在轻度污染下拍摄5-10分钟的水面图像数据，在中度污染下拍摄10-15分钟的水面图像数据，在重度污染下拍摄15-20分钟的水面图像数据，并将图像数据通过所述边缘处理装置17发送至所述云端管理平台18；如果否，则转至水环境监测终端采集图像数据；在遇到通信障碍情况下，所述水环境监测终端16先将图像数据保存至SD卡内进行存储，然后再通过节点路由的方法找到信号较强的水环境监测终端16传输图像数据，所述水环境监测终端16通过无线多模通信模块一5选择信号较好的频段将图像数据转发至所述边缘处理装置17，所述边缘处理装置17通过无线多模通信模块二11发送至所述云端管理平台18，在所述云端管理平台18中的所述Web服务器14显示当前监测源的地理信息以及水环境所处的污染类别，在出现污染的情况下自动预警，通知相应河道管理人员到污染源位置查看水污染状况，并将图像信息存储到数据库服务器15；
当识别到的污染概率小于60％时，所述边缘处理装置17将图像数据发送到所述云端管理平台18的所述水污染识别服务器13进行进一步识别确认，判断是否发生污染，如果发生污染，由所述云端管理平台18判断污染的类别，并通过所述边缘处理装置17传输给所述水环境监测终端16上的微型中心处理器一3，由所述微型中心处理器一3触发所述水面监测摄像头1进行录制不同污染程度的视频存储至SD卡内或增加图像上传频率，并发送至所述云端管理平台18；所述云端管理平台18识别的数据监测结果为未污染时，则转至水环境监测终端采集图像数据。
本发明提供的基于深度学习的水环境智能监测系统及方法，通过水环境监测终端实现对水面图像的采集和精准定位并通过无线网络将图像传输给边缘处理装置，边缘处理装置对水面图像进行识别，将水污染等级分类，通过与云端管理平台之间的网络通信，将水污染情况在Web服务器显示；通过设置无线射频Lora模块和太阳能电池组模块能够克服野外信号质量差、能量供应不足的问题；通过监测识别到的水污染等级进行拍摄视频或调整监测频率，实现水环境长期监测及污染图像取证，并对监测到的图像数据进行存储和预警，从而提高水环境系统智能监测的能力。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于深度学习的水环境智能监测方法，其特征在于，采用基于深度学习的水环境智能监测系统，所述基于深度学习的水环境智能监测系统包括多个水环境监测终端(16)、边缘处理装置(17)和云端管理平台(18)；所述水环境监测终端(16)包括微型中心处理器一(3)以及与所述微型中心处理器一(3)电性连接的水面监测摄像头(1)、位置定位模块(2)、无线射频Lora模块(4)、无线多模通信模块一(5)、太阳能电池组模块(6)和数据存储模块一(7)；所述边缘处理装置(17)包括微型中心处理器二(8)以及与所述微型中心处理器二(8)电性连接的以太网模块(10)、GPU处理器(9)、无线多模通信模块二(11)和数据存储模块二(12)；所述云端管理平台(18)包括水污染识别服务器(13)以及与所述水污染识别服务器(13)电性连接的Web服务器(14)和数据库服务器(15)；多个所述水环境监测终端(16)之间通过所述无线射频Lora模块(4)通信连接；所述水环境监测终端(16)与所述边缘处理装置(17)之间通过所述无线多模通信模块一(5)进行通信，所述边缘处理装置(17)与所述云端管理平台(18)之间通过所述无线多模通信模块二(11)或所述以太网模块(10)进行通信；
所述方法包括以下步骤：
S1，所述水环境监测终端(16)将所述水面监测摄像头(1)拍摄的水面图像发送至所述边缘处理装置(17)；
S2，所述边缘处理装置(17)中的所述GPU处理器(9)通过深度学习算法进行图像识别，并判断识别出的污染类型的概率是否低于设定阈值；
S3，如果识别出的污染类型的概率不低于设定阈值,则由所述边缘处理装置(17)判断是否发生污染；
如果发生污染，则由所述边缘处理装置(17)进行污染识别，判断污染程度，将污染程度传输至所述水环境监测终端(16)，并转至步骤S4；
如果没有发生污染，转至步骤S1；
S4，所述水环境监测终端(16)根据污染程度拍摄不同时长的水面图像进行取证，并将图像数据通过所述边缘处理装置(17)发送至所述云端管理平台(18)，所述云端管理平台(18)中的所述Web服务器(14)显示水环境监测终端(16)所在的当前监测源的地理信息以及水环境所处的污染类别；
S5，如果识别出的污染类型的概率低于设定阈值，所述边缘处理装置(17)将图像数据发送到所述云端管理平台(18)进行进一步识别，判断是否发生污染；
S6，如果发生污染，由云端管理平台(18)确认污染程度，通过边缘处理装置(17)反馈至所述水环境监测终端(16)，并转至步骤S4；
S7,如果没有发生污染，转至步骤S1。
2.根据权利要求1所述的基于深度学习的水环境智能监测方法，其特征在于，所述水面监测摄像头(1)为自动变焦的广角摄像头，所述自动变焦的广角摄像头还包括光照度感应模块和光源模块。
3.根据权利要求1所述的基于深度学习的水环境智能监测方法，其特征在于，所述位置定位模块(2)包括北斗定位模块和GPS定位模块。
4.根据权利要求1所述的基于深度学习的水环境智能监测方法，其特征在于，所述无线多模通信模块一(5)和无线多模通信模块二(11)为GPRS/3G/4G无线通信模块。
5.根据权利要求1所述的基于深度学习的水环境智能监测方法，其特征在于，所述太阳能电池组模块(6)为锂电池组以及与所述锂电池组电性连接的太阳能板。
6.根据权利要求1所述的基于深度学习的水环境智能监测方法，其特征在于，所述数据存储模块一(7)为SD卡，所述数据存储模块二(12)为磁盘。
7.根据权利要求1所述的基于深度学习的水环境智能监测方法，其特征在于，所述阈值为60％。
8.根据权利要求1所述的基于深度学习的水环境智能监测方法，其特征在于，所述步骤S4中，所述水环境监测终端(16)根据污染程度拍摄不同时长的水面图像进行取证，具体包括：
在轻度污染下拍摄5-10分钟的水面图像数据，在中度污染下拍摄10-15分钟的水面图像数据，在重度污染下拍摄15-20分钟的水面图像数据。
CN202011046080.6A 2020-09-29 2020-09-29 一种基于深度学习的水环境智能监测系统及方法 Active CN112087528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011046080.6A CN112087528B (zh) 2020-09-29 2020-09-29 一种基于深度学习的水环境智能监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011046080.6A CN112087528B (zh) 2020-09-29 2020-09-29 一种基于深度学习的水环境智能监测系统及方法

Publications (2)

Publication Number Publication Date
CN112087528A CN112087528A (zh) 2020-12-15
CN112087528B true CN112087528B (zh) 2023-09-19

Family

ID=73738832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011046080.6A Active CN112087528B (zh) 2020-09-29 2020-09-29 一种基于深度学习的水环境智能监测系统及方法

Country Status (1)

Country Link
CN (1) CN112087528B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113203439A (zh) * 2021-05-07 2021-08-03 南京邮电大学 一种用于水信息检测的主从动边缘传感器自组网系统
CN113588650B (zh) * 2021-09-30 2021-12-10 武汉市中卫寰宇医疗系统工程有限公司 医用污水净化监测系统
CN115297305A (zh) * 2022-10-09 2022-11-04 南昌工程学院 一种基于边缘计算的多视频流安全风险预警系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017099263A1 (ko) * 2015-12-08 2017-06-15 파워테크주식회사 시설물의 원격 수질관리 방법
CN107449780A (zh) * 2017-06-30 2017-12-08 南京理工大学 基于无人机的水面污染物监测预警方法及系统
CN207150632U (zh) * 2017-04-20 2018-03-27 中国计量大学 一种基于gsm网络的远程水质监测系统
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
KR102135690B1 (ko) * 2020-02-20 2020-07-20 상림이엔지 주식회사 미세플라스틱 검출 기능을 갖는 수처리 rtu를 포함하는 방류구 수질 모니터링 시스템
CN111510500A (zh) * 2020-04-21 2020-08-07 江苏卓易信息科技股份有限公司 一种基于边缘计算的水质监测数据校准方法
CN212231502U (zh) * 2020-09-29 2020-12-25 南昌工程学院 一种基于深度学习的水环境智能监测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017099263A1 (ko) * 2015-12-08 2017-06-15 파워테크주식회사 시설물의 원격 수질관리 방법
CN207150632U (zh) * 2017-04-20 2018-03-27 中国计量大学 一种基于gsm网络的远程水质监测系统
CN107449780A (zh) * 2017-06-30 2017-12-08 南京理工大学 基于无人机的水面污染物监测预警方法及系统
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
KR102135690B1 (ko) * 2020-02-20 2020-07-20 상림이엔지 주식회사 미세플라스틱 검출 기능을 갖는 수처리 rtu를 포함하는 방류구 수질 모니터링 시스템
CN111510500A (zh) * 2020-04-21 2020-08-07 江苏卓易信息科技股份有限公司 一种基于边缘计算的水质监测数据校准方法
CN212231502U (zh) * 2020-09-29 2020-12-25 南昌工程学院 一种基于深度学习的水环境智能监测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Unified Management and Control of Heterogeneous Water Quality Measuring Devices via Edge Computing Nodes;Fangling Pu，Zhaozhuo Xu等;《IEEE》;全文 *
基于无线传感器网络的水环境监测系统设计与实现;许龙飞，聂菊根等;《数字技术与应用》;全文 *
面向服务的云-端动态协作方法;曹云梦;周胜军;刘晨;韩燕波;;计算机工程与科学(04);全文 *

Also Published As

Publication number Publication date
CN112087528A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112087528B (zh) 一种基于深度学习的水环境智能监测系统及方法
CN109242118A (zh) 一种智能运维可视一体化的管理系统
CN202975781U (zh) 一种基于北斗卫星的物联网系统
CN102721373A (zh) 一种电气化铁路接触网覆冰在线监测系统
CN103402217A (zh) 基站天线参数处理系统
CN210578653U (zh) 一种河道监测系统
CN110807460B (zh) 一种基于图像识别的变电站智能巡视系统及其应用方法
CN104765307A (zh) 一种无人机航拍系统
CN112258800A (zh) 一种基于北斗卫星技术的输电线路外力破坏监测系统及方法
CN112379383B (zh) 基于北斗卫星技术的输电线路通道林木监测系统及方法
CN105139471A (zh) 一种电力设备的巡检方法
CN110341541A (zh) 一种新能源汽车用电池管理系统及使用方法
CN106358212A (zh) 室内分布系统的检测方法和装置
CN108107168A (zh) 一种河道水质监测系统
CN106197672A (zh) 一种基于红外热成像的变压器实时监测方法
CN206291946U (zh) 水道智能预警系统
CN111323537A (zh) 一种基于NB-IoT技术的节点式空气质量监测设备
CN110426983A (zh) 一种基于无线网的智慧城市物联网系统
CN212231502U (zh) 一种基于深度学习的水环境智能监测系统
CN109195126B (zh) 管道信息采集系统
CN213423494U (zh) 一种基于云服务器的家用气象预警观测系统
CN115175124A (zh) 基于低功耗LoRaWAN的集中与传感装置及应用
CN108446780A (zh) 一种智能化的海上航标受灾预警与影响分析系统
CN210570717U (zh) 基于光能采集的NB-IoT智慧学生卡及其系统
CN112738456A (zh) 基于多站融合的一体化智能监控系统

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
GR01 Patent grant
GR01 Patent grant