CN112101790B - 一种水体监测视频及数据联动预警方法及系统 - Google Patents
一种水体监测视频及数据联动预警方法及系统 Download PDFInfo
- Publication number
- CN112101790B CN112101790B CN202010973031.0A CN202010973031A CN112101790B CN 112101790 B CN112101790 B CN 112101790B CN 202010973031 A CN202010973031 A CN 202010973031A CN 112101790 B CN112101790 B CN 112101790B
- Authority
- CN
- China
- Prior art keywords
- early warning
- monitoring
- water quality
- video
- data
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 147
- 238000012544 monitoring process Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 11
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 11
- 239000011574 phosphorus Substances 0.000 claims description 11
- 229910052698 phosphorus Inorganic materials 0.000 claims description 11
- 229910002651 NO3 Inorganic materials 0.000 claims description 9
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims 1
- 230000005856 abnormality Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 description 1
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 239000003945 anionic surfactant Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 150000004820 halides Chemical class 0.000 description 1
- -1 high-koxide index Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种水体监测视频及数据联动预警方法,包括S01.根据历史水质监测数据,制作每个入河排口节点的风险评分表;S02.根据历史视频数据,训练获得目标神经网络模型;S03.水质监测预警,根据入河排口节点当前时间段的各项监测因子,代入该节点的风险评分表,获得预警等级;S04.视频监测预警,根据当前时间段获得的监测视频经过处理后输入目标神经网络模型,输出预警值,当预警值超过阈值时,发出预警信号;S05.根据水质监测预警等级和视频监测预警值,综合判断,输出报警信号。本发明利用人工智能图像识别及将水质监测与视频监测结合进行甄别诊断,降低因设备异常等其他因素导致的误报率,提高预警精度;实现基于视频及数据的水体联动监测报警体系。
Description
技术领域
本发明涉及水环境污染监测技术领域,具体来说是一种水体监测视频及数据联动预警方法及系统。
背景技术
我国主要水系的水体都遭到了不同程度的污染,对生态环境造成巨大危害,保护生态环境已成为政府工作的主要内容之一。目前对于水环境污染治理等各项监测平台,主要是通过对在线传输所产生的视频、图像、数据利用区间跳跃、图基分布、正态分布等计算方法对单个指标进行异常值识别,从而判断该项监测指标是否报警,并且这种报警方式无法识别错误报警;另外对于现有的水质等监控视频,主要是采用人工方式通过通夜的值班值守来发现异常现象。
采用以上方法对现有水环境在线监控进行报警预报存在报警预报及视频问题以单个指标进行报备,如水质指标COD、氨氮、总磷、水量等报警问题,究竟是设备异常还是异常排放,系统无法自动识别,那么就需要人工识别判断,另外目前对于水环境在线视频,所监测的地表水或排口水质、水量及水面周围的环境的变化主要是通过人眼识别,那么利用人工值守方式进行异常判断的缺点主要是:1、人为主观意识为主导,容易出现误判;2、夜间值班等容易产生疲劳,存在漏判、漏报的问题。
如申请号为201911424845.2公开的一种水源地水质监测评估系统及其评估方法,该系统其公开了通过在水源地布置水质、压力、水位、流量传感器实时监测水源地水质状况,另外,还通过视频监控模块实现现场监控视频的实时和历史视频查看。即该发明申请中,对于水源地采集的水质数据和视频数据并没有综合考虑,各自独立存在,依然存在上述问题。
发明内容
本发明所要解决的技术问题在于如何提高水体质量监测精度,降低因单因子监测的误报率。
本发明通过以下技术手段实现解决上述技术问题的:
一种水体监测视频及数据联动预警方法,包括以下步骤:
S01.根据历史水质监测数据,制作每个入河排口节点的风险评分表;
S02.根据历史视频数据,训练获得目标神经网络模型;
S03.水质监测预警,根据入河排口节点当前时间段的各项监测因子,代入该节点的风险评分表,获得预警等级;
S04.视频监测预警,根据当前时间段获得的监测视频经过处理后输入目标神经网络模型,输出预警值,当预警值超过阈值时,发出预警信号;
S05.根据水质监测预警等级和视频监测预警值,综合判断,输出报警信号。
本发明通过对每个入河排口节点制作风险评分表,根据风险评分表,对当前时间段该节点的水体质量进行综合计算得分,根据得分划分等级,再结合该节点当前视频图像信息通过人工智能图像识别后所输出的水体质量情况,综合得出该节点的水体质量预警信息,避免单因子预警出现的误报情况。
进一步的,还包括根据实际入河排口节点的污染程度,对风险评分表的各项监测因子的权重进行调整的步骤。
进一步的,所述步骤S01中,根据历史水质监测数据及实际业务,给出每个入河排口节点的至少COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子的初步权重,得出该节点的综合风险评分表,并对照风险得分划分风险等级。
进一步的,所述步骤S02具体为:
将历史视频数据分解有排放图像和无排放图像划分为训练集和交叉验证集,将有排放图像设为1,无排放图像设为0;然后将训练集输入VGG16+全连接网络的训练网络中进行训练,输出图像分类;然后根据交叉验证集验证分类结果是否准确,最后得到目标神经网络模型。
进一步的,所述步骤S03中,根据水环境在线监测设备获得入河排口节点当前时间段的原始水质数据,然后通过查询及多表关联对原始水质数据进行清洗和异常值检测,对因设备原因分析出的异常值进行删除;然后对原始水质数据常因为设备的运行异常存在缺失值,分别用水质中位数缺失值进行填充;最后通过计算,至少得到COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子。
进一步的,所述步骤S05中综合判断具体为:当水质检测预警与视频检测预警同时发出警报,则发出最终警报,当仅只有水质监测发出预警信息,若水质监测预警等级达到设定值,则发出最终警报;当仅只有视频监测发出预警时,则发出最终警报。
本发明还提供一种水体监测视频及数据联动预警系统,包括
风险评分表生成模块,根据历史水质监测数据,制作每个入河排口节点的风险评分表;
神经网络训练模块,根据历史视频数据,训练获得目标神经网络模型;
水质监测预警模块,根据入河排口节点当前时间段的各项监测因子,代入该节点的风险评分表,获得预警等级;
视频监测预警模块,根据当前时间段获得的监测视频经过处理后输入目标神经网络模型,输出预警信息;
综合判断模块,根据水质监测预警等级和视频监测预警信息,综合判断,输出报警信号。
进一步的,所述神经网络训练模块具体执行过程为:
将历史视频数据分解有排放图像和无排放图像划分为训练集和交叉验证集,将有排放图像设为1,无排放图像设为0;然后将训练集输入VGG16+全连接网络的训练网络中进行训练,输出图像分类;然后根据交叉验证集验证分类结果是否准确,最后得到目标神经网络模型。
进一步的,所述水质监测预警模块具体执行过程为:根据水环境在线监测设备获得入河排口节点当前时间段的原始水质数据,然后通过查询及多表关联对原始水质数据进行清洗和异常值检测,对因设备原因分析出的异常值进行删除;然后对原始水质数据常因为设备的运行异常存在缺失值,分别用水质中位数缺失值进行填充;最后通过计算,得到COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子。
进一步的,所述综合判断模块中综合判断具体为:当水质检测预警与视频检测预警同时发出警报,则发出最终警报,当仅只有水质监测发出预警信息,若水质监测预警等级达到设定值,则发出最终警报;当仅只有视频监测发出预警,若视频监测预警等级高于设定值,则发出最终警报。
本发明的优点在于:
本发明针对现有水环境治理等各项监测平台所产生的数据/图像/视频等在线监测数据所产生的异常排放信息,利用人工智能图像识别及将水质监测与视频监测结合进行甄别诊断,降低因设备异常等其他因素导致的误报率,提高预警精度;实现基于视频及数据的水体联动监测报警体系。大大减少值班值守所耗费的人力财力物力等,为环保部门水污染事件的污染源排查提供疑似企业名单,提高排查效率,同时对工业企业偷排、漏排做到有效监管。
本发明通过对每个入河排口节点制作风险评分表,根据风险评分表,对当前时间段该节点的水体质量进行综合计算得分,根据得分划分等级,再结合该节点当前视频图像信息通过人工智能图像识别后所输出的水体质量情况,综合得出该节点的水体质量预警信息,避免单因子预警出现的误报情况。
附图说明
图1为本发明实施例中监测方法中水质监测流程图;
图2为本发明实施例中监测方法中视频监测流程图;
图3为本发明实施例中监测方法的综合判断流程图。
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,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作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。
本实施例提供一种水体监测视频及数据联动预警方法,包括以下步骤:
步骤1.根据历史水质监测数据,制作每个入河排口节点的风险评分表;具体为:
根据历史水质监测数据及实际业务,给出每个入河排口节点的COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子的初步权重,得出该节点的综合风险评分表,如表1,并对照风险得分划分风险等级,如表2。常设置为四级,Ⅰ级、Ⅱ级、III级、Ⅳ级,分别用红、橙、黄、蓝四种颜色表示。
表1风险评分表
表2风险等级
报警等级 | 得分 |
Ⅰ级 | 60-100 |
Ⅱ级 | 40-60 |
Ⅲ级 | 20-40 |
Ⅳ级 | 5-20 |
步骤2.获取历史视频数据,将历史视频数据分解有排放图像和无排放图像划分为训练集和交叉验证集,将有排放图像设为1,无排放图像设为0;然后将训练集输入VGG16+全连接网络的训练网络中进行训练,输出图像分类;然后根据交叉验证集验证分类结果是否准确,最后得到目标神经网络模型。具体为:
1)采用分类函数,用于将收集到的有排放和无排放的图像分割为训练集(Training set)和交叉验证集(Validation set),其中训练集数量:交叉集数量约为7:3。
2)标签设定。将有排放图像(异常排放)设为1,将无排放图像(正常排放)设为0。将原始图像的大小为(1920*1080)压缩为(200,150),主要目的是减少内存,加快训练速度。同时对训练集图像做一些缩放、旋转、翻转等操作,主要用于增加训练样本的多样性,防止训练过拟合。
训练网络为VGG16+全连接网络。VGG卷积网络包括卷积层和池化层,用于提取图像特征。全连接网络用于分类,主要结构有四层,每层所含神经元个数为2048、1024、512、1。将VGG最后一层数据展平,作为全连接层的输入,最后一层作为图像分类的输出,该神经元的激活函数为“Sigmoid”,输出值大于0.5时,判断为1(异常排放),输出值小于0.5时,判断为0(正常排放)。
3)在训练阶段,损失函数采用二元交叉熵,考虑到该分类问题侧重于查全,应尽量地减少漏报的情况,设定权重比异常排放:正常排放=5:1,此目的是为了对漏报惩罚更高。设定优化函数为Adam函数,learning rate为0.0001。训练次数为100次,发现loss值没有明显下降,accuracy基本达到收敛。
步骤3.水质监测预警,如图1所示,根据入河排口节点当前时间段的各项监测因子,代入该节点的风险评分表,获得预警等级;具体为:
通过水环境在线监测设备所获取的监测数据从节点监测站通过服务器传回到数据库,从数据库读取数据,首先通过查询及多表关联对原始水质数据进行清洗,对水质异常值检测,对因设备原因分析出的异常值进行删除;其次原始水质数据常因为设备的运行异常,会存在缺失值,对存在的水质缺失值,根据数据集是否存在缺失值,分别用水质中位数缺失值进行填充;
对数据进行处理,包含流量数据的小时累计流量计算、温度的小时均值统计、液位的小时变化率计算,将不同频率的在线监测数据处理成同一时间段,一般为一小时。然后对照该节点的风险评分表,进行评分计算出得分,并根据风险等级表进行报警等级划分。
步骤4.视频监测预警,如图2所示,根据当前时间段获得的监测视频经过处理后输入目标神经网络模型,输出预警值,当预警值超过阈值时,发出预警信号;
步骤5.如图3所示,根据水质监测预警等级和视频监测预警信息,综合判断,输出报警信号,并短信、视频等形式通知用户。具体判断原则为:
当水质检测预警与视频检测预警同时发出警报,则发出最终警报,当仅只有水质监测发出预警信息,若水质监测预警等级达到设定值,则发出最终警报;当仅只有视频监测发出预警时,则发出最终警报。
选取经开区某一排口在线监测数据及监控视频为例,按照以上方法判断,获得报警信息如表3:
表3
本实施例还提供一种水体监测视频及数据联动预警系统,包括:
风险评分表生成模块,根据历史水质监测数据,制作每个入河排口节点的风险评分表;具体为:
根据历史水质监测数据及实际业务,给出每个入河排口节点的COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子的初步权重,得出该节点的综合风险评分表,如表1,并对照风险得分划分风险等级,如表2。常设置为四级,Ⅰ级、Ⅱ级、III级、Ⅳ级,分别用红、橙、黄、蓝四种颜色表示。
这里要注意的是,在监测过程中,本实施例根据实际节点监测数据反映出的污染程度,对风险评分表各监测指标的权重进行调整,提高每个节点的水环境综合风险评分表的准确性,特异性。
表1风险评分表
表2风险等级
报警等级 | 得分 |
Ⅰ级 | 60-100 |
Ⅱ级 | 40-60 |
Ⅲ级 | 20-40 |
Ⅳ级 | 5-20 |
神经网络训练模块,根据历史视频数据,将历史视频数据分解有排放图像和无排放图像划分为训练集和交叉验证集,将有排放图像设为1,无排放图像设为0;然后将训练集输入VGG16+全连接网络的训练网络中进行训练,输出图像分类;然后根据交叉验证集验证分类结果是否准确,最后得到目标神经网络模型。具体为:
3)利用分类函数将收集到的有排放和无排放的图像分割为训练集(Trainingset)和交叉验证集(Validation set),其中训练集数量:交叉集数量约为7:3。
4)标签设定。将有排放图像(异常排放)设为1,将无排放图像(正常排放)设为0。将原始图像的大小为(1920*1080)压缩为(200,150),主要目的是减少内存,加快训练速度。同时对训练集图像做一些缩放、旋转、翻转等操作,主要用于增加训练样本的多样性,防止训练过拟合。
训练网络为VGG16+全连接网络。VGG卷积网络包括卷积层和池化层,用于提取图像特征。全连接网络用于分类,主要结构有四层,每层所含神经元个数为2048、1024、512、1。将VGG最后一层数据展平,作为全连接层的输入,最后一层作为图像分类的输出,该神经元的激活函数为“Sigmoid”,输出值大于0.5时,判断为1(异常排放),输出值小于0.5时,判断为0(正常排放)。
3)在训练过程中,损失函数采用二元交叉熵,考虑到该分类问题侧重于查全,应尽量地减少漏报的情况,设定权重比异常排放:正常排放=5:1,此目的是为了对漏报惩罚更高。设定优化函数为Adam函数,learning rate为0.0001。训练次数为100次,发现loss值没有明显下降,accuracy基本达到收敛。
水质监测预警模块,根据入河排口节点当前时间段的各项监测因子,代入该节点的风险评分表,获得预警等级;具体为:
通过水环境在线监测设备所获取的监测数据从节点监测站通过服务器传回到数据库,从数据库读取数据,首先通过查询及多表关联对原始水质数据进行清洗,对水质异常值检测,对因设备原因分析出的异常值进行删除;其次原始水质数据常因为设备的运行异常,会存在缺失值,对存在的水质缺失值,根据数据集是否存在缺失值,分别用水质中位数缺失值进行填充;
对数据进行处理,包含流量数据的小时累计流量计算、温度的小时均值统计、液位的小时变化率计算,将不同频率的在线监测数据处理成同一时间段,一般为一小时。然后对照该节点的风险评分表,进行评分计算出得分,并根据风险等级表进行报警等级划分。
视频监测预警模块,根据当前时间段获得的监测视频经过处理后输入目标神经网络模型,输出预警值,当预警值超过阈值时,发出预警信号;
综合判断模块,根据水质监测预警等级和视频监测预警信息,综合判断,输出报警信号,并短信、视频等形式通知用户。具体判断原则为:
当水质检测预警与视频检测预警同时发出警报,则发出最终警报,当仅只有水质监测发出预警信息,若水质监测预警等级达到设定值,则发出最终警报;当仅只有视频监测发出预警时,则发出最终警报。
选取经开区某一排口在线监测数据及监控视频为例,按照以上方法判断,获得报警信息如表3:
表3
本实施例提供的方法和系统所使用的水环境:包含且不限于水库、地表水、地下水、排口、雨污水管网及其节点
水质:水环境相关水质,物理性质(包含且不限于水温、PH、透过率、悬浮物、浊度)、常规水质指标(包含且不限于溶解氧、高猛酸盐指数、化学需氧量、五日生化需氧量、氨氮、总磷、总氮)金属含量(包含且不限于铜、铁、锌、汞、铬、铅等)、无机类(包含且不限于氟化物、卤化物、磷酸盐类、硫化物等)、有机物(包含且不限于氰化物、挥发酚、石油类、阴离子表面活性剂)、微生物(包含且不限于粪大肠菌群等)、辐射量(包含且不限于总α、总β、3H、14C、90Sr活度浓度等)
水量:识别水环境水体水量的指标,包含且不限于水位、液位、流量、流速等。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种水体监测视频及数据联动预警方法,通过对每个入河排口节点制作风险评分表,根据风险评分表,对当前时间段该节点的水体质量进行综合计算得分,根据得分划分等级,再结合该节点当前视频图像信息通过人工智能图像识别后所输出的水体质量情况,综合得出该节点的水体质量预警信息,避免单因子预警出现的误报情况,其特征在于:包括以下步骤:
S01.根据历史水质监测数据,制作每个入河排口节点的风险评分表,具体为:根据历史水质监测数据及实际业务,给出每个入河排口节点的至少COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子的初步权重,得出该节点的综合风险评分表,并对照风险得分划分风险等级;根据实际入河排口节点的污染程度,对风险评分表的各项监测因子的权重进行调整;
S02.根据历史视频数据,训练获得目标神经网络模型,具体为:将历史视频数据分解有排放图像和无排放图像划分为训练集和交叉验证集,将有排放图像设为1,无排放图像设为0;然后将训练集输入VGG16+全连接网络的训练网络中进行训练,输出图像分类;然后根据交叉验证集验证分类结果是否准确,最后得到目标神经网络模型;
S03.水质监测预警,根据入河排口节点当前时间段的各项监测因子,获得预警等级,具体为:根据水环境在线监测设备获得入河排口节点当前时间段的原始水质数据,然后通过查询及多表关联对原始水质数据进行清洗和异常值检测,对因设备原因分析出的异常值进行删除;然后对原始水质数据常因为设备的运行异常存在缺失值,分别用水质中位数缺失值进行填充;最后通过计算,至少得到COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子,代入该节点的风险评分表,获得预警等级;
S04.视频监测预警,根据当前时间段获得的监测视频经过处理后输入目标神经网络模型,输出预警值,当预警值超过阈值时,发出预警信号;
S05.根据水质监测预警等级和视频监测预警值,综合判断,输出报警信号:当水质检测预警与视频检测预警同时发出警报,则发出最终警报;当仅只有水质监测发出预警信息,若水质监测预警等级达到设定值,则发出最终警报;当仅只有视频监测发出预警时,则发出最终警报。
2.一种水体监测视频及数据联动预警系统,其特征在于:包括
风险评分表生成模块,根据历史水质监测数据,制作每个入河排口节点的风险评分表,具体为:根据历史水质监测数据及实际业务,给出每个入河排口节点的至少COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子的初步权重,得出该节点的综合风险评分表,并对照风险得分划分风险等级;根据实际入河排口节点的污染程度,对风险评分表的各项监测因子的权重进行调整;
神经网络训练模块,根据历史视频数据,训练获得目标神经网络模型,具体为:将历史视频数据分解有排放图像和无排放图像划分为训练集和交叉验证集,将有排放图像设为1,无排放图像设为0;然后将训练集输入VGG16+全连接网络的训练网络中进行训练,输出图像分类;然后根据交叉验证集验证分类结果是否准确,最后得到目标神经网络模型;
水质监测预警模块,根据入河排口节点当前时间段的各项监测因子,获得预警等级,具体为:根据水环境在线监测设备获得入河排口节点当前时间段的原始水质数据,然后通过查询及多表关联对原始水质数据进行清洗和异常值检测,对因设备原因分析出的异常值进行删除;然后对原始水质数据常因为设备的运行异常存在缺失值,分别用水质中位数缺失值进行填充;最后通过计算,至少得到COD、氨氮、总磷、硝酸盐、TOC、pH、溶解氧、小时累计流量、小时平均液位、小时平均水温各项监测因子,代入该节点的风险评分表,获得预警等级;
视频监测预警模块,根据当前时间段获得的监测视频经过处理后输入目标神经网络模型,输出预警信息;
综合判断模块,根据水质监测预警等级和视频监测预警信息,综合判断,输出报警信号:当水质检测预警与视频检测预警同时发出警报,则发出最终警报;当仅只有水质监测发出预警信息,若水质监测预警等级达到设定值,则发出最终警报;当仅只有视频监测发出预警时,则发出最终警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973031.0A CN112101790B (zh) | 2020-09-16 | 2020-09-16 | 一种水体监测视频及数据联动预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973031.0A CN112101790B (zh) | 2020-09-16 | 2020-09-16 | 一种水体监测视频及数据联动预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101790A CN112101790A (zh) | 2020-12-18 |
CN112101790B true CN112101790B (zh) | 2024-03-15 |
Family
ID=73759184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010973031.0A Active CN112101790B (zh) | 2020-09-16 | 2020-09-16 | 一种水体监测视频及数据联动预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101790B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030223A (zh) * | 2021-03-04 | 2021-06-25 | 武汉巨正环保科技有限公司 | 一种cod电化学快速在线监测系统 |
CN113011673B (zh) * | 2021-03-31 | 2024-07-12 | 新奥数能科技有限公司 | 一种冷却塔水位的监测预警方法及装置 |
CN113673970B (zh) * | 2021-10-20 | 2022-02-22 | 长视科技股份有限公司 | 一种基于分布式节点的水质报告的生成方法及电子设备 |
CN114022305A (zh) * | 2021-10-29 | 2022-02-08 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 地下水动态监测方法及装置 |
CN114417981B (zh) * | 2021-12-28 | 2023-07-18 | 安徽新宇环保科技股份有限公司 | 一种智能河长巡测系统 |
CN114022052B (zh) * | 2022-01-04 | 2022-05-03 | 北京英视睿达科技股份有限公司 | 水质异常监测方法、装置、存储介质及计算机设备 |
CN115171362B (zh) * | 2022-09-07 | 2022-12-02 | 江西珉轩智能科技有限公司 | 一种面向重点区域防控的预警方法及系统 |
CN115508528A (zh) * | 2022-09-22 | 2022-12-23 | 北京工业大学 | 一种河湖水质-水动力学在线智能监测系统和方法 |
CN116597355B (zh) * | 2023-05-19 | 2024-02-13 | 长江生态环保集团有限公司 | 基于视觉系统的小微水体状态实时监控方法、系统及装置 |
CN117557166B (zh) * | 2024-01-02 | 2024-05-07 | 福建省政务门户网站运营管理有限公司 | 一种多模态和实时数据用户数据环境智能监控系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018418A (zh) * | 2012-12-16 | 2013-04-03 | 天津大学 | 景观水体水质在线预警系统 |
CN103678910A (zh) * | 2013-12-12 | 2014-03-26 | 河海大学 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
KR101733894B1 (ko) * | 2015-12-28 | 2017-05-08 | 순천대학교 산학협력단 | 대규모 재배 관리 센서 네트워크에서 영상 데이터를 전송하는 프로토콜 설정 방법 및 시스템 |
KR101838961B1 (ko) * | 2017-09-08 | 2018-04-27 | 주식회사 세일시스템 | 영상처리보드를 이용한 외부기기 제어와 아날로그/디지털 데이터 저장 및 트렌드 표출 영상감시장치 |
CN110751643A (zh) * | 2019-10-21 | 2020-02-04 | 睿视智觉(厦门)科技有限公司 | 一种水质异常检测方法、装置及设备 |
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 |
CN111121874A (zh) * | 2019-12-31 | 2020-05-08 | 浙江正元地理信息有限责任公司 | 一种水源地水质监测评估系统及其评估方法 |
CN111582235A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于实时监控站内异常事件的警报方法、系统及设备 |
CN111650872A (zh) * | 2020-03-29 | 2020-09-11 | 浙江源态环保科技服务有限公司 | 一种基于物联网的河湖水生态环境监控系统 |
-
2020
- 2020-09-16 CN CN202010973031.0A patent/CN112101790B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018418A (zh) * | 2012-12-16 | 2013-04-03 | 天津大学 | 景观水体水质在线预警系统 |
CN103678910A (zh) * | 2013-12-12 | 2014-03-26 | 河海大学 | 河道型水库支流库湾水华的云体系架构预警系统及方法 |
KR101733894B1 (ko) * | 2015-12-28 | 2017-05-08 | 순천대학교 산학협력단 | 대규모 재배 관리 센서 네트워크에서 영상 데이터를 전송하는 프로토콜 설정 방법 및 시스템 |
KR101838961B1 (ko) * | 2017-09-08 | 2018-04-27 | 주식회사 세일시스템 | 영상처리보드를 이용한 외부기기 제어와 아날로그/디지털 데이터 저장 및 트렌드 표출 영상감시장치 |
CN110751643A (zh) * | 2019-10-21 | 2020-02-04 | 睿视智觉(厦门)科技有限公司 | 一种水质异常检测方法、装置及设备 |
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 |
CN111121874A (zh) * | 2019-12-31 | 2020-05-08 | 浙江正元地理信息有限责任公司 | 一种水源地水质监测评估系统及其评估方法 |
CN111650872A (zh) * | 2020-03-29 | 2020-09-11 | 浙江源态环保科技服务有限公司 | 一种基于物联网的河湖水生态环境监控系统 |
CN111582235A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于实时监控站内异常事件的警报方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的城市内湖水华预警综合建模方法研究;郑剑锋;焦继东;孙力平;;中国环境科学;20170520(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101790A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101790B (zh) | 一种水体监测视频及数据联动预警方法及系统 | |
CN106779418A (zh) | 基于神经网络和证据理论的水污染事件智能决策方法 | |
CN103606031A (zh) | 一种餐厨废弃物饲料产品安全性的评价方法 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN104299169B (zh) | 一种污水处理系统信息安全在线风险分析方法及系统 | |
CN111489046A (zh) | 一种基于供应链和bp神经网络的区域性食品安全评价模型 | |
CN117370919B (zh) | 污水处理设备远程监控系统 | |
CN113494939A (zh) | 一种农村生活污水分散式监测方法 | |
CN109973331A (zh) | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 | |
CN114049134A (zh) | 一种污染源在线监测数据造假识别方法 | |
CN104240030A (zh) | 一种轨道交通路网动态安全风险评价方法 | |
CN115171362B (zh) | 一种面向重点区域防控的预警方法及系统 | |
CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN111914152B (zh) | 一种网络事件预警方法及系统 | |
CN117670051A (zh) | 一种无人值守城乡供水运维分析系统 | |
CN115358647A (zh) | 基于大数据的氢能产业链风险监测系统及监测方法 | |
CN117420283A (zh) | 一种一体化多通道水质监测方法及系统 | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
CN116989277A (zh) | 一种基于Adaboost与BP神经网络的动态供水管网漏损风险评估方法 | |
CN110807174B (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
CN117275220A (zh) | 基于非完备数据的山区高速公路实时事故风险预测方法 | |
CN111325286B (zh) | 一种基于随机森林的防洪系统显效工程智能辨识方法 | |
CN112100781A (zh) | 一种识别多水源供水管网水质隐患点的方法和系统 |
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 |