CN112101796A - 一种水环境污染风险综合感知识别系统 - Google Patents
一种水环境污染风险综合感知识别系统 Download PDFInfo
- Publication number
- CN112101796A CN112101796A CN202010984385.5A CN202010984385A CN112101796A CN 112101796 A CN112101796 A CN 112101796A CN 202010984385 A CN202010984385 A CN 202010984385A CN 112101796 A CN112101796 A CN 112101796A
- Authority
- CN
- China
- Prior art keywords
- model
- water
- water environment
- training
- video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 169
- 230000008447 perception Effects 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000003911 water pollution Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 72
- 230000006870 function Effects 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 42
- 238000013136 deep learning model Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 229910052751 metal Inorganic materials 0.000 claims description 4
- 239000002184 metal Substances 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 244000005700 microbiome Species 0.000 claims description 3
- 239000005416 organic matter Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 5
- 230000000704 physical effect Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- VQKWAUROYFTROF-UHFFFAOYSA-N arc-31 Chemical compound O=C1N(CCN(C)C)C2=C3C=C4OCOC4=CC3=NN=C2C2=C1C=C(OC)C(OC)=C2 VQKWAUROYFTROF-UHFFFAOYSA-N 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 125000006850 spacer group Chemical group 0.000 description 3
- 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
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000010865 sewage Substances 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
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-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
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 239000003945 anionic surfactant Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 150000004820 halides Chemical class 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000007788 liquid 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
- 230000000813 microbial effect 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
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000003903 river water pollution Methods 0.000 description 1
- 125000003003 spiro group Chemical group 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Images
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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种水环境污染风险综合感知识别系统，包括水质水量监测模块和水环境视频监控模块；所述水质水量监测模块的基于内置的水污染等级识别模型输出水质水量数据对应的水污染等级，所述水环境视频监控模型采集目标区域的视频画面，并通过内置的视频识别模型识别视频画面是否存在异常排放。本发明的优点在于：通过水环境视频监控模块实时监控水环境的画面，并基于画面识别与分析发现异常排污事件，能够实时监控，提高异常响应的时效性，防止排污事件的影响扩大，同时通过水质水量监测模块检测水环境的水质水量数据，能够在水体颜色、浊度等物理性质无明显变化时，及时发现水质的异常，提高识别精度，防止漏报。
Description
技术领域
本发明涉及水环境污染监测技术领域，尤其涉及一种基水环境污染风险综合感知识别系统。
背景技术
目前对水体污染物排放的管理逐渐加强，但是水环境如何排口依然存在违法排放的情况，且经常在视线受限的夜间进行排放，导致监管困难，影响河流治理的效果。随着水质、水量在线监测硬件设备的完善，智慧水环境系统平台近年逐步发展，对水环境入河排口、管网等节点的监测是河流治理的重要部分。公开号为CN109857046A的发明专利申请公开了一种河流水污染监测预警的智能化监控管理系统及方法，通过水雨情监测模块获取水文数据、通过水质检测模块监测水体水质数据，通过视频监测模块采集和处理视频数据，从而对水体情况进行全面的监控，及时发现异常情况；但是该现有技术并未针对不同的水环境提供针对性的水质监测和视频分析方法，容易出现错报误报，使用效果不佳。
发明内容
本发明所要解决的技术问题在于提供一种能够根据水环境的特点针对性的提供污染情况监控分析的风险综合感知识别系统。
本发明是通过以下技术方案解决上述技术问题的：一种水环境污染风险综合感知识别系统，包括水质水量监测模块和水环境视频监控模块；
所述水质水量监测模块基于内置的水污染等级识别模型输出水质水量数据对应的水污染等级，所述水环境视频监控模型采集目标区域的视频画面，并通过内置的视频识别模型识别视频画面是否存在异常排放。
本发明通过水环境视频监控模块实时监控水环境的画面，并基于画面识别与分析发现异常排污事件，能够实时监控，提高异常响应的时效性，防止排污事件的影响扩大，同时通过水质水量监测模块检测水环境的水质水量数据，能够在水体颜色、浊度等物理性质无明显变化时，及时发现水质的异常，提高识别精度，防止漏报。
优选的，所述水污染等级识别模型的训练方法包括以下步骤：
步骤A：获取水环境入口节点处水质水量的历史数据，对历史数据进行异常值剔除和缺失值填充操作；
步骤B：基于时间序列标记各节点影响因子对应的风险等级，结合历史数据得到风险标签数据，将风险标签数据按比例划分为训练集和测试集；
步骤C：搭建深度学习模型，配置模型参数，将训练集数据输入深度学习模型，通过参数优化，当训练模型的准确率满足输出标准时，输出训练后的模型；
步骤D：使用测试集对训练后的深度学习模型进行测试，如果测试结果不满足预设标准，则返回步骤C，如果满足预设标准，则作为水污染等级识别模型输出。
优选的，所述水质数据包括物理指标、常规水质指标、金属含量、无机物含量、有机物含量、微生物含量、辐射量；所述水量数据包括水位、流量、流速。
优选的，步骤A中基于箱线图或三倍标准偏差法检测异常值，对极端异常值进行剔除；基于缺失值前后多个数据的平均值对缺失值进行填充。
优选的，步骤C中基于决策树搭建深度学习模型，训练方法包括以下步骤：
步骤i：调用决策树模型，选择基尼系数或信息增益作为模型的特征指标计算方法；
步骤ii：设置决策树各参数的序列值列表，包括最大深度、叶子节点最少样本数、最大叶子节点数，将风险标签数据的训练集输入决策树模型，依据序列值列表逐个更新每个参数，并保持其他参数不变，以准确率和召回率最优值对应的数值作为当前参数的最优值，依次确定每个参数的最优值，基于迭代后的最高准确率和召回率评价指标确定决策树的最佳参数组合；
步骤iii：基于最佳模型参数组合，使用测试集数据对决策树模型进行测试，并将输出结果与步骤B中标定的风险等级进行比对；如果正确率≥90％，则将该最佳参数组合对应的决策树作为水污染等级识别模型输出，否则返回步骤ii；
所述准确率的计算公式为：
召回率计算公式为：
其中，TP表示真实结果为A，预测结果也是A的数量，FN表示真实结果为A，预测结果不是A的数量；TN表示真实结果不是A，预测结果也不是A的数量，FN表示真实结果不是A，预测结果是A的数量。
优选的，所述水环境视频监控模型包括用于获取水环境视频画面的视频监控装置，所述视频监控装置包括底座、沿竖直方向固定于底座上的第一支架、与第一支架配合的第二支架，所述第一支架的上端与第二支架的端部能够铰接配合改变轴向夹角，所述第二支架上固定有朝向监控区域的视频获取终端；
所述第一支架和第二支架均包括相互嵌套的固定杆和伸缩杆，所述伸缩杆沿轴向套设于固定杆内部，固定杆与伸缩杆配合的一端沿径向设置有至少一个锁紧螺栓，所述固定杆能够沿轴向与伸缩杆滑动配合；所述锁紧螺栓能够顶紧伸缩杆的杆体；所述伸缩杆能够在固定杆内自由转动；所述第二支架与第一支架铰接的一端固定有一弧形板，所述弧形板上具有弧形槽，所述第一支架上设置有与弧形槽自由配合的限位销，所述限位销上螺接有锁母。
优选的，所述底座包括底盘和设置于底盘朝向地面一侧的锚刺，所述锚刺能够插入地面，底盘上沿周向设置有螺纹孔，底盘的上表面固定有所述第一支架；所述第一支架上沿周向设置有多个锚固于地面上的锚索；所述第一支架的上端固定有太阳能板，所述太阳能板为视频获取终端供电；所述底盘上固定有电源，所述电源包括蓄电池，太阳能板与蓄电池连通，所述太阳能板能够为蓄电池充电，电源封装于电池存储箱内，电池存储箱固定于底盘上；所述第二支架上还设置有与视频获取终端的作用方向相同的补光灯。
优选的，所述视频识别模型的训练方法包括以下步骤：
步骤1：获取水环境现场监控画面的历史数据，人工对每张历史画面标定是否存在异常排放的标签，对标定后的数据按比例划分为训练集和测试集；
步骤2：搭建深度学习模型，将训练集输入深度学习模型进行训练，当模型识别的准确率满足预设阈值时，输出训练模型；
步骤3：将测试集数据输入训练模型，如果正确率不满足测试阈值，则返回步骤2，否则作为视频识别模型输出。
优选的，步骤2中使用卷积神经网络搭建深度学习模型，包括以下步骤：
步骤I：搭建模型，包括输入层、卷积池化层1、卷积池化层2、全连接层、输出层；
步骤II：定义初始权重、偏差参数、滤波器步伐、卷积层函数、池化层函数、激活函数、损失函数、优化函数和模型准确度；其中初始权重包括卷积池化层1的权重wc1、卷积池化层2的权重wc2、全连接层的权重wd1、输出层的权重wo，偏差参数包括卷积池化层1的偏差bc1、卷积池化层2的偏差bc2、全连接层的偏差bd1、输出层的偏差bo；
所述激活函数为relu激活函数，损失函数为交叉熵函数；
步骤III：将训练集输入卷积神经网络进行训练，每一轮训练输出损失及模型准确度；
步骤IV：如果模型损失趋于收敛，且模型准确度大于90％，结束训练，输出训练模型，否则更新学习率参数、损失函数参数、滤波器大小、dropout参数，返回步骤III进行训练。
优选的，所述视频识别模型还能够读取存在异常排放情况的画面的RGB值，基于颜色空间三维球距离算法计算与未发生污染事件的水环境背景颜色的距离，计算风险得分并输出对应的风险等级；
所述RGB值为画面中选定区域的平均RGB值，当前水环境污染风险得分D为：
其中，未发生污染事件的水环境颜色的RGB值为C0(R)、C0(B)、C0(G)；当前水环境画面的RGB颜色为C1(R)、C1(B)、C1(G)；
风险得分D与风险等级的关系为：
本发明提供的水环境污染风险综合感知识别系统的优点在于：通过水环境视频监控模块实时监控水环境的画面，并基于画面识别与分析发现异常排污事件，能够实时监控，提高异常响应的时效性，防止排污事件的影响扩大，同时通过水质水量监测模块检测水环境的水质水量数据，能够在水体颜色、浊度等物理性质无明显变化时，及时发现水质的异常，提高识别精度，防止漏报。
所述水质水量监测模块综合考虑水体的水质和水量数据，基于人工智能深度学习技术，发现水体污染与多种参数的深度关系，对污染等级进行准确的判断识别；另外对每个入口节点分别配置适用的模型，提高准确度，能够在发现异常时直接确定问题节点，提高响应速度，不需要根据主通道的异常反向排查各节点的情况，处理速度更快。
视频监控装置通过视频获取终端采集监控区域的视频画面，对水质和偷排水行为进行监控，在监控角度不佳，需要进行调整时，可以改变第二支架相对于第一支架的夹角，方便视频获取终端采集画面。通过第一支架和第二支架的配合，将视频获取终端固定于排口的上方，以获取排口水质情况，并对偷排事件进行监控，从源头确保水质安全。第一支架和第二支架能够改变长度，并且相对位置沿周向可调，方便调整视频监控终端的位置，通过对底盘进度锚固，并使用锚索拉紧第一支架，确保整个装置稳定，提高使用寿命；通过太阳能和电池两套电源进行供电，节能并且能在恶劣条件下正常使用；通过设置补光灯，能够在照明不佳的情况下获取清晰的监控画面，实现24小时的有效监控。
所述视频识别模型通过历史数据训练模型，获得根据画面识别是否存在异常排放的识别模型，摆脱了对工作人员个人经验的依赖，随着数据量的增大和人工修正，模型的识别结果会越来越准确，而且模型能够实时识别判断，克服了人工识别存在滞后性的问题，能够及时发现异常情况；对于异常画面还基于RGB颜色判断其风险得分和风险等级，从而直观的提醒工作人员污染的严重程度，能够为后续决策提供指导。
附图说明
图1为本发明的实施例提供的水污染等级识别模型的训练流程图；
图2为本发明的实施例提供的视频监控装置的示意图；
图3为图2中A部分的放大图；
图4为本发明的实施例提供的视频识别模型的训练流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本实施例提供了一种水环境污染风险综合感知识别系统，包括水质水量监测模块和水环境视频监控模块；所述水质水量监测模块的基于内置的水污染等级识别模型输出水质水量数据对应的水污染等级，所述水环境视频监控模型采集目标区域的视频画面，并通过内置的视频识别模型识别视频画面是否存在异常排放；在在使用中，当水质水量监测模型和水环境视频监控模型中的至少一个发出异常警报时，即可认为对应的水环境存在水污染风险，根据警报信息及时作出相应措施。
本实施例通过水环境视频监控模块实时监控水环境的画面，并基于画面识别与分析发现异常排污事件，能够实时监控，提高异常响应的时效性，防止排污事件的影响扩大，同时通过水质水量监测模块检测水环境的水质水量数据，能够在水体颜色、浊度等物理性质无明显变化时，及时发现水质的异常，提高识别精度，防止漏报。
参考图1，所述水污染等级识别模型的训练方法包括以下步骤：
步骤A：获取水环境入口节点处水质水量的历史数据，对历史数据进行异常值剔除和缺失值填充操作；
步骤B：基于时间序列标记各节点影响因子对应的风险等级，结合历史数据得到风险标签数据，将风险标签数据按比例划分为训练集和测试集；
步骤C：搭建深度学习模型，配置模型参数，将训练集数据输入深度学习模型，通过参数优化，当训练模型的准确率满足输出标准时，输出训练后的模型；
步骤D：使用测试集对训练后的深度学习模型进行测试，如果测试结果不满足预设标准，则返回步骤C，如果满足预设标准，则作为水污染等级识别模型输出。
训练完成后通过水质水量检测模块调用水污染等级识别模型对待识别数据进行处理分析即可。
步骤A中所述水质数据包括物理指标、常规水质指标、金属含量、无机物含量、有机物含量、微生物含量、辐射量；具体的，物理指标包括水温、PH、透过率、悬浮物、浊度；常规水质指标包括溶解氧含量、高锰酸盐指数、化学需氧量、五日生化需氧量、氨氮含量、总磷含量、总氮含量；金属含量包括铜、铁、锌、汞、铬、铅；无机物含量包括氟化物、卤化物、磷酸盐类、硫化物；有机物含量包括氰化物、挥发酚、石油类、阴离子表面活性剂；微生物含量包括粪大肠杆菌群；辐射量包括总α、总β、3H、14C、90Sr活度浓度；所述水量数据包括水位、流量、流速等。
对数据进行处理前，还需要对数据进行清洗整理，可使用多表关联、时间处理等方法对数据进行整理，数据整理内容包含：监测数据表与站点基础信息表、监测指标基础表匹配，将多张数据表整理成一张表，另外将分钟级流量、液位、水温等数据进行均值、加和值等统计方法整合成与水质统一频率的数据展示形式；然后基于箱线图或三倍标准偏差法检测异常值，对极端异常值判定为设备异常，将极端异常值剔除；基于缺失值前后多个数据的平均值对缺失值进行填充，优选使用前后4—8位数据的平均值进行填充。
步骤C中的深度学习模型可以使用现有技术中的学习模型进行搭建和训练，本实施例以部分算法为例进行说明。
决策树
步骤C.i：调用决策树模型，选择基尼系数或信息增益作为模型的特征指标计算方法；
步骤C.ii：设置决策树各参数的序列值列表，包括最大深度、叶子节点最少样本数、最大叶子节点数，将风险标签数据的训练集输入决策树模型，依据序列值列表逐个更新每个参数，并保持其他参数不变，以准确率和召回率最优值对应的数值作为当前参数的最优值，依次确定每个参数的最优值，基于迭代后的最高准确率和召回率评价指标确定决策树的最佳参数组合；
所述准确率的计算公式为：
召回率计算公式为：
其中，TP表示真实结果为A，预测结果也是A的数量，FN表示真实结果为A，预测结果不是A的数量；TN表示真实结果不是A，预测结果也不是A的数量，FN表示真实结果不是A，预测结果是A的数量。
步骤C.iii：基于最佳模型参数组合，使用测试集数据对决策树模型进行测试，并将输出结果与步骤B中标定的风险等级进行比对；如果正确率≥90％，则将该最佳参数组合对应的决策树作为水污染等级识别模型输出，否则返回步骤C.ii。
随机森林
步骤C.I：调用随机森林模型，配置参数n_estimators、max_features、max_depth、max_features、min_samples_leaf、min_samples_split、max_depth的序列值列表；
步骤C.II：将风险标签数据的训练集输入随机森林模型，基于序列值列表依次更新参数n_estimators、max_features、max_depth、max_features、min_samples_leaf、min_samples_split、max_depth；基于最高准确率和召回率评价指标确定随机森林的最佳参数组合；
例如预设max_depth的序列值列表为[3,4,5,...10,…20…]，依次改变max_depth数据，保持其他参数不变，通过循环依次带入训练模型，输出不同max_depth下的模型准确率、召回率，以最优结果对应的数值作为最佳max_depth值，然后以该最优值带入模型对其他参数进行迭代优化，最终获得所有参数的最优值的组合。
所述准确率的计算公式为：
召回率计算公式为：
其中，TP表示真实结果为A，预测结果也是A的数量，FN表示真实结果为A，预测结果不是A的数量；TN表示真实结果不是A，预测结果也不是A的数量，FN表示真实结果不是A，预测结果是A的数量。
步骤C.III：基于最佳模型参数组合，使用测试集数据对随机森林模型进行测试，并将输出结果与步骤B中标定的风险等级进行比对；如果正确率≥90％，则将该最佳参数组合对应的决策树作为水污染等级识别模型输出，否则返回步骤C.II。
SVM
步骤C.a：调用SVM模型，初始化模型参数gamma和惩罚系数C的序列值列表；
步骤C.b：将风险标签数据的训练集输入SVM模型进行训练，基于序列值列表依次更新参数，以准确率最优时对应的参数作为该参数的最优值，按照该方法依次确定各参数的最优值，最终基于最高准确率确定SVM模型的最佳参数组合；
所述准确率的计算公式为：
其中，TP表示真实结果为A，预测结果也是A的数量，FN表示真实结果为A，预测结果不是A的数量；TN表示真实结果不是A，预测结果也不是A的数量，FN表示真实结果不是A，预测结果是A的数量。
步骤C.c：基于最佳模型参数组合，使用测试集数据对SVM模型进行测试，并将输出结果与步骤B中标定的风险等级进行比对；如果正确率≥90％，则将该最佳参数组合对应的决策树作为水污染等级识别模型输出，否则返回步骤C.b。
神经网络
步骤C.1：构建包括输入层、隐藏层1、隐藏层2、输出层的神经网络，初始化隐藏层1、隐藏层2和输出层的权重参数w1、w2、w3，偏重参数b1、b2、b3，激活函数、学习率η、损失函数、优化器函数；
所述水污染等级识别神经网络的计算公式为：
h1＝(w1.Xinput)+b1
h2＝(w2.Xh1)+b2
Youtput＝σ((w3.Xh2)+b3)
其中，h1为该神经网络的隐藏层1输出，h2为该神经网络的隐藏层2输出，Youtput为输出层；Xinput表示输入层数据；σ表示激活函数，本实施例采用relu激活函数，Xh1和Xh2分别表示隐藏层1和隐藏层2的输入数据；
步骤C.2：将风险标签数据的训练集输入神经网络模型进行训练，计算每轮训练后的模型分类准确率和损失，对损失函数求梯度，根据梯度、初始设定学习率对权重参数w、偏重参数b进行更新，模型损失小于0.1，且模型准确率大于90％时，结束训练；
所述准确率的计算公式为：
其中，TP表示真实结果为A，预测结果也是A的数量，FN表示真实结果为A，预测结果不是A的数量；TN表示真实结果不是A，预测结果也不是A的数量，FN表示真实结果不是A，预测结果是A的数量；
随时函数E采用softmax_cross_entropy_with_logits多分类交叉熵函数计算预测值与标签值之间的误差；
步骤C.3：另外将学习率序列列表循环带入模型，基于模型准确率、模型损失收敛得到适用本模型最佳学习率；
步骤C.4：基于最佳模型参数组合，使用测试集数据对神经网络模型进行测试，并将输出结果与步骤B中标定的风险等级进行比对；如果正确率≥90％，则将该最佳参数组合对应的决策树作为水污染等级识别模型输出，否则返回步骤C.2。
权重和偏重的更新方法分别为：
其中，wold、bold为更新前的权重和偏重，wnew、bnew为更新后的权重和偏重。
本领域技术人员可以根据需要选择其中的一种算法搭建深度学习模型并通过训练得到所述的水污染等级识别模型，也可以同时使用多种算法进行训练，以其中最优的模型作为水污染等级识别模型。
所述水环境视频监控模型包括用于获取水环境视频画面的视频监控装置，参考图2，包括底座1、沿竖直方向固定于底座1上的第一支架2、以及与第一支架2配合的第二支架3，所述第一支架2的上端与第二支架3的端部能够铰接改变轴向夹角，第二支架3上固定有朝向监控区域的视频获取终端4；本实施例提供的监控装置，通过视频获取终端采集监控区域的视频画面，对水质和偷排水行为进行监控，在监控角度不佳，需要进行调整时，可以改变第二支架3相对于第一支架1的夹角，方便视频获取终端采集画面。通过第一支架2和第二支架3的配合，将视频获取终端4固定于排口7的上方，以获取排口水质情况，并对偷排事件进行监控，从源头确保水质安全。
进一步的，所述第一支架2和第二支架3均能够沿自身长度方向改变长度，从而能够进一步提高视频获取终端4的活动空间，方便进行调整，所述视频获取终端4选用高清摄像机，本领域技术人员可以根据需要选择其他仪器采集视频数据。
所述第一支架2和第二支架3均包括相互嵌套的固定杆21和伸缩杆22，所述伸缩杆22沿轴向套设于固定杆21内部，固定杆21与伸缩杆22配合的一端沿径向设置有至少一个锁紧螺栓23，需要调整长度时，松开锁紧螺栓23，滑动改变伸缩杆22的伸出长度，然后拧紧锁紧螺栓23，使锁紧螺栓23的端部穿过固定杆21抵接伸缩杆22的表面，从而将固定杆21与伸缩杆22锁紧；优选实施例中还可以令伸缩杆22在自由状态下能够在固定杆21内转动，从而改变第二支架3与第一支架2的相对位置。在以上实施例提供的第一支架2和第二支架3的结构的基础上，本领域技术人员可以根据需要选用现有技术中的其他伸缩结构作为第一支架2和第二支架3，如液压伸缩杆、气缸等。
结合图3，所述第二支架3与第一支架2铰接固定的一端固定有一弧形板31，所述弧形板31上具有一弧形槽32，所述第一支架31上设置有与弧形槽32自由配合的限位销33，所述限位销33上螺接有一锁母(图未示)，在调整第一支架2和第二支架3的相对角度时，拉动第二支架使弧形板31相对限位销33转动改变位置，然后调整到合适位置后通过锁母锁紧即可。
本领域技术人员还可以将限位销33设置为能够轴向按压的方式固定在第一支架2上，并在弧形槽32上设置锯齿状边缘，限位销33上适应性的设置于锯齿状边缘啮合的凸齿，在需要调整第二支架3的位置时，将限位销33按下，令凸齿与锯齿脱离配合；在固定时，松开限位销33，限位销33自动弹起令凸齿与锯齿啮合进行限位，确保第二支架3不会松脱滑下。
再参考图1，所述底座1包括底盘11和设置于底盘11朝向地面一侧的锚刺12，所述锚刺12能够插入地面，底盘11上沿轴向设置有螺纹孔(图未示)，螺纹孔内可使用膨胀螺丝、锚杆等固定件与地面固定配合，所述底盘11的上表面固定有神所述第一支架2，所述第一支架2可以通过螺丝固定或焊接固定的方式与底盘11固定连接，为了防止受力偏斜，底盘11应固定于水平面上，第一支架2与底盘11垂直；在地面情况难以满足底盘11的固定需求的情况下，可通过浇筑水泥或砖石砌筑等方式施工出一个平台用来固定底盘11；所述第一支架2上沿周向设置有多个锚固于地面上的锚索24，从而拉紧第一支架2，确保第一支架2的稳定的固定在底盘11上，降低底盘11承受的视频获取终端4的偏心力作用。
所述第一支架2的上端设置有太阳能板5，太阳能板5优选铰接固定在第一支架2上，从而方便根据现场情况调整太阳能板5的角度。所述太阳能板5将太阳能转换为电能然后供视频获取终端4以及其他用电设备使用；进一步的，所述底盘11上还固定有电源6，电源6内设置有蓄电池(图未示)，太阳能板5与电源6连通，可以为蓄电池充电，在无法使用太阳能供电时，蓄电池可以向用电设备供电，所述电源6封装于电池存储箱61内，电池存储箱6固定于底盘11上，从而对电源6进行保护。
所述第二支架3上还设置有与视频获取终端4的作用方向相同的补光灯41，本实施例中补光灯11的颜色要求为自然光、色温为5000～6000K；在光线不佳的情况下提供照明光源，确保能够获取到排口7的排水画面。
在以上实施例记载的技术方案的基础上，本领域技术人员应当知晓，为了实现本申请的目的还需要提供适当的电路元件和控制模块，以对补光灯11、视频获取终端4、太阳能板5和电源6的工作方式进行控制，在本实施例已经公开了相应结构以及发明目的的情况下，相应的电路和控制方式使用常规技术手段即可，本实施例不再赘述。
由于排口7的位置是确定的，因此一般情况下，只需要在架设设备时确定好视频获取终端4和补光灯11的位置即可，后期不需要再进行调整，因此第一支架2、第二支架3的固定位置和伸缩长度使用手动的方式进行控制调整即可，当然本领域技术人员也可以通过现有技术中的自动伸缩结构实现对视频获取终端4位置的自动控制。
所述视频识别模型基于视频监控装置获取的监控画面对是否存在异常排污进行监控，参考图4，所述视频识别模型的训练方法包括以下步骤：
步骤1：获取水环境现场监控画面的历史数据，人工对每张历史画面标定是否存在异常排放的标签，对标定后的数据按比例划分为训练集和测试集；
步骤2：搭建深度学习模型，将训练集输入深度学习模型进行训练，当模型识别的准确率满足预设阈值时，输出训练模型；
步骤3：将测试集数据输入训练模型，如果正确率不满足测试阈值，则返回步骤2，否则作为视频识别模型输出。
本实施例通过历史数据训练模型，获得根据画面识别是否存在异常排放的识别模型，摆脱了对工作人员个人经验的依赖，随着数据量的增大和人工修正，模型的识别结果会越来越准确，而且模型能够实时识别判断，克服了人工识别存在滞后性的问题，能够及时发现异常情况。其中的深度学习模型可以使用CNN卷积神经网络、LSTM神经网络、CNN与LSTM神经网络组合等模型构建得到，也可以使用多个模型构建学习模型，并选择最优的结果进行实时的识别；本实施例以CNN神经网络为例对构建深度学习模型的方法进行具体介绍。
步骤1：获取水环境现场监控画面的历史数据，人工对每张历史画面标定是否存在异常排放的标签，对标定后的数据按比例划分为训练集和测试集，训练集和测试集的比例为7:3，水环境可以是水库、地表水、地下水、排口、雨污水管网及其节点等位置。
步骤2：搭建深度学习模型，将训练集输入深度学习模型进行训练，当模型识别的准确率满足预设阈值时，输出训练模型；
本实施例使用CNN卷积神经网络搭建学习模型，包括以下步骤：
步骤I：搭建模型，包括输入层、卷积池化层1、卷积池化层2、全连接层、输出层；
步骤II：定义初始权重、偏差参数、滤波器步伐、卷积层函数、池化层函数、激活函数、损失函数、优化函数和模型准确度；其中初始权重包括卷积池化层1的权重wc1、卷积池化层2的权重wc2、全连接层的权重wd1、输出层的权重wo，偏差参数包括卷积池化层1的偏差bc1、卷积池化层2的偏差bc2、全连接层的偏差bd1、输出层的偏差bo；
步骤III：将训练集输入卷积神经网络进行训练，输出每一轮训练的损失及模型准确度；
步骤IV：如果模型损失趋于收敛，且模型准确度大于90％，结束训练，输出训练模型，否则更新学习率参数、损失函数参数、滤波器大小、dropout参数，返回步骤III进行训练。
所述模型准确度的计算方法为：
其中，TP表示真实结果为A，预测结果也是A的数量，FN表示真实结果为A，预测结果不是A的数量；TN表示真实结果不是A，预测结果也不是A的数量，FN表示真实结果不是A，预测结果是A的数量。
所述学习率参数、滤波器大小、dropout参数均预设有参数列表，更新时将列表中的每个参数依次与其他参数组合带入模型循环迭代执行，输出每种组合下模型的准确率、损失率，以最佳的准确率、损失率对应的参数作为最佳参数，得到最佳参数组合。
以学习率参数为例，通过设置模型初始学习率参数，然后对学习率参数设置序列值列表，如[0.001,0.002,...0.1,..0.2]通过模型循环迭代执行，输出每次模型的准确率、损失率，选择高准确率和召回率下的学习率为最佳学习率，然后以在该最佳学习率下，分别迭代更新滤波器大小和dropout参数，以同样的方法确定最佳参数，从而得到最佳参数组合。
本领域技术人员可以根据模型需要选择损失函数的类型，损失函数可以是softmax_cross_entropy_with_logits多分类交叉熵函数、log-likehood loss function对数似然损失函数、logarithmic loss function对数损失函数等类型；本实施例中所述损失函数为softmax_cross_entropy_with_logits多分类交叉熵函数，激活函数为relu激活函数。
步骤3：将测试集数据输入训练模型，根据训练模型识别的结果与人工标定的结果进行比对，如果正确率不满足测试阈值，则返回步骤B重新训练，如果满足测试阈值，则作为识别模型输出，本实施例中测试阈值为90％。
在使用时，可以将监控视频画面实时传输给上位机，由上位机运行识别模型对监控画面进行实时监控，并将判定为异常的画面存储上报；其中识别模型对待识别画面运行后输出异常排放的概率值，如果概率值大于临界阈值，则认为当前待识别画面存在异常排放，其中临界阈值的取值范围为[60％，80％]，本领域技术人员也可以根据需要适当的外延确定临界阈值。
所述视频识别模型还能够读取存在异常排放情况的画面的RGB值，基于颜色空间三维球距离算法计算与未发生污染事件的水环境背景颜色的距离，计算风险得分并输出对应的风险等级；
所述RGB值为画面中选定区域的平均RGB值，当前水环境污染风险得分D为：
其中，未发生污染事件的水环境颜色的RGB值为C0(R)、C0(B)、C0(G)；当前水环境画面的RGB颜色为C1(R)、C1(B)、C1(G)；
风险得分D与风险等级的关系为：
由于整个画面的像素点非常多，而且边缘部分的成像质量一般不能满足使用需求，所以需要先对画面进行处理，本实施例中在画面中心区域选取一个区域，通过opencv模块获取该区域像素点的平均RGB值作为整个画面的RGB值参与计算。
由于本实施例主要基于监控画面实现水环境污染情况的监测和分析，光线、季节、天气情况等变化都会对画面产生部分影响，但大部分情况下该影响并不会导致成像画面的明变化，考虑到光照情况可以使用外加光源在照度不佳的情况下对监控画面进行补光，或者针对照度不佳的情况单独训练识别模型，其他对成像画面影响较大的因素也可以分别单独训练模型进行识别。
Claims (10)
1.一种水环境污染风险综合感知识别系统，其特征在于：包括水质水量监测模块和水环境视频监控模块；
所述水质水量监测模块基于内置的水污染等级识别模型输出水质水量数据对应的水污染等级，所述水环境视频监控模型采集目标区域的视频画面，并通过内置的视频识别模型识别视频画面是否存在异常排放。
2.根据权利要求1所述的一种水环境污染风险综合感知识别系统，其特征在于：所述水污染等级识别模型的训练方法包括以下步骤：
步骤A：获取水环境入口节点处水质水量的历史数据，对历史数据进行异常值剔除和缺失值填充操作；
步骤B：基于时间序列标记各节点影响因子对应的风险等级，结合历史数据得到风险标签数据，将风险标签数据按比例划分为训练集和测试集；
步骤C：搭建深度学习模型，配置模型参数，将训练集数据输入深度学习模型，通过参数优化，当训练模型的准确率满足输出标准时，输出训练后的模型；
步骤D：使用测试集对训练后的深度学习模型进行测试，如果测试结果不满足预设标准，则返回步骤C，如果满足预设标准，则作为水污染等级识别模型输出。
3.根据权利要求2所述的一种水环境污染风险综合感知识别系统，其特征在于：所述水质数据包括物理指标、常规水质指标、金属含量、无机物含量、有机物含量、微生物含量、辐射量；所述水量数据包括水位、流量、流速。
4.根据权利要求2所述的一种水环境污染风险综合感知识别系统，其特征在于：步骤A中基于箱线图或三倍标准偏差法检测异常值，对极端异常值进行剔除；基于缺失值前后多个数据的平均值对缺失值进行填充。
5.根据权利要求2所述的一种水环境污染风险综合感知识别系统，其特征在于：步骤C中基于决策树搭建深度学习模型，训练方法包括以下步骤：
步骤i：调用决策树模型，选择基尼系数或信息增益作为模型的特征指标计算方法；
步骤ii：设置决策树各参数的序列值列表，包括最大深度、叶子节点最少样本数、最大叶子节点数，将风险标签数据的训练集输入决策树模型，依据序列值列表逐个更新每个参数，并保持其他参数不变，以准确率和召回率最优值对应的数值作为当前参数的最优值，依次确定每个参数的最优值，基于迭代后的最高准确率和召回率评价指标确定决策树的最佳参数组合；
步骤iii：基于最佳模型参数组合，使用测试集数据对决策树模型进行测试，并将输出结果与步骤B中标定的风险等级进行比对；如果正确率≥90％，则将该最佳参数组合对应的决策树作为水污染等级识别模型输出，否则返回步骤ii；
所述准确率的计算公式为：
召回率计算公式为：
其中，TP表示真实结果为A，预测结果也是A的数量，FN表示真实结果为A，预测结果不是A的数量；TN表示真实结果不是A，预测结果也不是A的数量，FN表示真实结果不是A，预测结果是A的数量。
6.根据权利要求1所述的一种水环境污染风险综合感知识别系统，其特征在于：所述水环境视频监控模型包括用于获取水环境视频画面的视频监控装置，所述视频监控装置包括底座、沿竖直方向固定于底座上的第一支架、与第一支架配合的第二支架，所述第一支架的上端与第二支架的端部能够铰接配合改变轴向夹角，所述第二支架上固定有朝向监控区域的视频获取终端；
所述第一支架和第二支架均包括相互嵌套的固定杆和伸缩杆，所述伸缩杆沿轴向套设于固定杆内部，固定杆与伸缩杆配合的一端沿径向设置有至少一个锁紧螺栓，所述固定杆能够沿轴向与伸缩杆滑动配合；所述锁紧螺栓能够顶紧伸缩杆的杆体；所述伸缩杆能够在固定杆内自由转动；所述第二支架与第一支架铰接的一端固定有一弧形板，所述弧形板上具有弧形槽，所述第一支架上设置有与弧形槽自由配合的限位销，所述限位销上螺接有锁母。
7.根据权利要求6所述的一种水环境污染风险综合感知识别系统，其特征在于：所述底座包括底盘和设置于底盘朝向地面一侧的锚刺，所述锚刺能够插入地面，底盘上沿周向设置有螺纹孔，底盘的上表面固定有所述第一支架；所述第一支架上沿周向设置有多个锚固于地面上的锚索；所述第一支架的上端固定有太阳能板，所述太阳能板为视频获取终端供电；所述底盘上固定有电源，所述电源包括蓄电池，太阳能板与蓄电池连通，所述太阳能板能够为蓄电池充电，电源封装于电池存储箱内，电池存储箱固定于底盘上；所述第二支架上还设置有与视频获取终端的作用方向相同的补光灯。
8.根据权利要求1所述的一种水环境污染风险综合感知识别系统，其特征在于：所述视频识别模型的训练方法包括以下步骤：
步骤1：获取水环境现场监控画面的历史数据，人工对每张历史画面标定是否存在异常排放的标签，对标定后的数据按比例划分为训练集和测试集；
步骤2：搭建深度学习模型，将训练集输入深度学习模型进行训练，当模型识别的准确率满足预设阈值时，输出训练模型；
步骤3：将测试集数据输入训练模型，如果正确率不满足测试阈值，则返回步骤2，否则作为视频识别模型输出。
9.根据权利要求8所述的一种水环境污染风险综合感知识别系统，其特征在于：步骤2中使用卷积神经网络搭建深度学习模型，包括以下步骤：
步骤I：搭建模型，包括输入层、卷积池化层1、卷积池化层2、全连接层、输出层；
步骤II：定义初始权重、偏差参数、滤波器步伐、卷积层函数、池化层函数、激活函数、损失函数、优化函数和模型准确度；其中初始权重包括卷积池化层1的权重wc1、卷积池化层2的权重wc2、全连接层的权重wd1、输出层的权重wo，偏差参数包括卷积池化层1的偏差bc1、卷积池化层2的偏差bc2、全连接层的偏差bd1、输出层的偏差bo；
所述激活函数为relu激活函数，损失函数为交叉熵函数；
步骤III：将训练集输入卷积神经网络进行训练，每一轮训练输出损失及模型准确度；
步骤IV：如果模型损失趋于收敛，且模型准确度大于90％，结束训练，输出训练模型，否则更新学习率参数、损失函数参数、滤波器大小、dropout参数，返回步骤III进行训练。
10.根据权利要求1所述的一种水环境污染风险综合感知识别系统，其特征在于：所述视频识别模型还能够读取存在异常排放情况的画面的RGB值，基于颜色空间三维球距离算法计算与未发生污染事件的水环境背景颜色的距离，计算风险得分并输出对应的风险等级；
所述RGB值为画面中选定区域的平均RGB值，当前水环境污染风险得分D为：
其中，未发生污染事件的水环境颜色的RGB值为C0(R)、C0(B)、C0(G)；当前水环境画面的RGB颜色为C1(R)、C1(B)、C1(G)；
风险得分D与风险等级的关系为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010984385.5A CN112101796B (zh) | 2020-09-16 | 2020-09-16 | 一种水环境污染风险综合感知识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010984385.5A CN112101796B (zh) | 2020-09-16 | 2020-09-16 | 一种水环境污染风险综合感知识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101796A true CN112101796A (zh) | 2020-12-18 |
| CN112101796B CN112101796B (zh) | 2024-03-15 |
Family
ID=73760335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010984385.5A Active CN112101796B (zh) | 2020-09-16 | 2020-09-16 | 一种水环境污染风险综合感知识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101796B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861770A (zh) * | 2021-03-02 | 2021-05-28 | 清华大学 | 一种水质污染预警方法及装置 |
| CN113138201A (zh) * | 2021-03-24 | 2021-07-20 | 北京大学 | 用于无线被动式环境状态检测的超材料物联网系统及方法 |
| CN113378473A (zh) * | 2021-06-23 | 2021-09-10 | 中国地质科学院水文地质环境地质研究所 | 一种基于机器学习模型的地下水砷风险预测方法 |
| CN113393352A (zh) * | 2021-05-19 | 2021-09-14 | 江苏星月测绘科技股份有限公司 | 一种基于数字孪生技术的智慧城市系统 |
| CN113624281A (zh) * | 2021-08-06 | 2021-11-09 | 无锡蚁点点智能科技有限公司 | 管网口入河监测装置及方法 |
| CN113851184A (zh) * | 2021-09-29 | 2021-12-28 | 湖南工商大学 | 一种基于人工智能的粪大肠杆菌群数的预测方法及装置 |
| CN114757601A (zh) * | 2022-06-16 | 2022-07-15 | 江苏瑞立环保工程股份有限公司 | 一种基于人工智能的水环境异常排放监测方法及系统 |
| CN114882130A (zh) * | 2022-06-16 | 2022-08-09 | 平安普惠企业管理有限公司 | 基于水色图像的水质评分方法、装置、设备及介质 |
| CN114935892A (zh) * | 2022-06-10 | 2022-08-23 | 杭州电子科技大学 | 一种空气制水机空气流速自适应控制建模方法 |
| CN117557166A (zh) * | 2024-01-02 | 2024-02-13 | 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 |
| CN117783470A (zh) * | 2024-02-23 | 2024-03-29 | 深圳市深水龙岗水务集团有限公司 | 一种活性炭过滤的供水质量监测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05332915A (ja) * | 1992-05-29 | 1993-12-17 | Hitachi Ltd | 水圏監視装置及び浄化装置 |
| US20090237645A1 (en) * | 2008-03-21 | 2009-09-24 | Xerox Corporation | System and method of optically monitoring contamination of a machine component |
| CN109195129A (zh) * | 2018-08-29 | 2019-01-11 | 安徽辰控智能科技有限公司 | 一种隐蔽安装的企业排污行为监管终端 |
| CN109270237A (zh) * | 2018-11-27 | 2019-01-25 | 广州市怡纯净水科技有限公司 | 一种基于大数据的水质监测分析系统 |
| CN109460886A (zh) * | 2018-09-11 | 2019-03-12 | 中国水利水电科学研究院 | 一种输水工程突发水污染事件风险分析方法 |
| CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
| CN110456013A (zh) * | 2019-06-05 | 2019-11-15 | 中山大学 | 一种河道水质监测系统及方法 |
| KR102101625B1 (ko) * | 2019-11-27 | 2020-04-17 | (주)케이엠에스 | 스마트 워터 시티 구축을 위한 ｉｃｔ 통합 모니터링 물 관리 시스템, 그리고 이를 위한 통합관제서버 |
| CN111414694A (zh) * | 2020-03-19 | 2020-07-14 | 天津中德应用技术大学 | 一种基于fcm和bp算法的污水监测系统及其建立方法 |
| CN111524030A (zh) * | 2020-04-22 | 2020-08-11 | 常州市环境科学研究院 | 一种平原河网区水环境监测预警与安全保障管理系统 |
-
2020
- 2020-09-16 CN CN202010984385.5A patent/CN112101796B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05332915A (ja) * | 1992-05-29 | 1993-12-17 | Hitachi Ltd | 水圏監視装置及び浄化装置 |
| US20090237645A1 (en) * | 2008-03-21 | 2009-09-24 | Xerox Corporation | System and method of optically monitoring contamination of a machine component |
| CN109195129A (zh) * | 2018-08-29 | 2019-01-11 | 安徽辰控智能科技有限公司 | 一种隐蔽安装的企业排污行为监管终端 |
| CN109460886A (zh) * | 2018-09-11 | 2019-03-12 | 中国水利水电科学研究院 | 一种输水工程突发水污染事件风险分析方法 |
| CN109270237A (zh) * | 2018-11-27 | 2019-01-25 | 广州市怡纯净水科技有限公司 | 一种基于大数据的水质监测分析系统 |
| CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
| CN110456013A (zh) * | 2019-06-05 | 2019-11-15 | 中山大学 | 一种河道水质监测系统及方法 |
| KR102101625B1 (ko) * | 2019-11-27 | 2020-04-17 | (주)케이엠에스 | 스마트 워터 시티 구축을 위한 ｉｃｔ 통합 모니터링 물 관리 시스템, 그리고 이를 위한 통합관제서버 |
| CN111414694A (zh) * | 2020-03-19 | 2020-07-14 | 天津中德应用技术大学 | 一种基于fcm和bp算法的污水监测系统及其建立方法 |
| CN111524030A (zh) * | 2020-04-22 | 2020-08-11 | 常州市环境科学研究院 | 一种平原河网区水环境监测预警与安全保障管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 包新月: "颜色空间特征研究及在水质检测中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 138 - 1263 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861770A (zh) * | 2021-03-02 | 2021-05-28 | 清华大学 | 一种水质污染预警方法及装置 |
| CN113138201B (zh) * | 2021-03-24 | 2022-05-20 | 北京大学 | 用于无线被动式环境状态检测的超材料物联网系统及方法 |
| CN113138201A (zh) * | 2021-03-24 | 2021-07-20 | 北京大学 | 用于无线被动式环境状态检测的超材料物联网系统及方法 |
| CN113393352A (zh) * | 2021-05-19 | 2021-09-14 | 江苏星月测绘科技股份有限公司 | 一种基于数字孪生技术的智慧城市系统 |
| CN113393352B (zh) * | 2021-05-19 | 2022-02-01 | 江苏星月测绘科技股份有限公司 | 一种基于数字孪生技术的智慧城市系统 |
| CN113378473A (zh) * | 2021-06-23 | 2021-09-10 | 中国地质科学院水文地质环境地质研究所 | 一种基于机器学习模型的地下水砷风险预测方法 |
| CN113378473B (zh) * | 2021-06-23 | 2024-01-12 | 中国地质科学院水文地质环境地质研究所 | 一种基于机器学习模型的地下水砷风险预测方法 |
| CN113624281A (zh) * | 2021-08-06 | 2021-11-09 | 无锡蚁点点智能科技有限公司 | 管网口入河监测装置及方法 |
| CN113851184A (zh) * | 2021-09-29 | 2021-12-28 | 湖南工商大学 | 一种基于人工智能的粪大肠杆菌群数的预测方法及装置 |
| CN114935892A (zh) * | 2022-06-10 | 2022-08-23 | 杭州电子科技大学 | 一种空气制水机空气流速自适应控制建模方法 |
| CN114935892B (zh) * | 2022-06-10 | 2023-10-03 | 杭州电子科技大学 | 一种空气制水机空气流速自适应控制建模方法 |
| CN114757601A (zh) * | 2022-06-16 | 2022-07-15 | 江苏瑞立环保工程股份有限公司 | 一种基于人工智能的水环境异常排放监测方法及系统 |
| CN114882130A (zh) * | 2022-06-16 | 2022-08-09 | 平安普惠企业管理有限公司 | 基于水色图像的水质评分方法、装置、设备及介质 |
| CN117557166A (zh) * | 2024-01-02 | 2024-02-13 | 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 |
| 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 |
| CN117783470A (zh) * | 2024-02-23 | 2024-03-29 | 深圳市深水龙岗水务集团有限公司 | 一种活性炭过滤的供水质量监测系统 |
| CN117783470B (zh) * | 2024-02-23 | 2024-05-07 | 深圳市深水龙岗水务集团有限公司 | 一种活性炭过滤的供水质量监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101796B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101796A (zh) | 一种水环境污染风险综合感知识别系统 | |
| CN111622252B (zh) | 大型沉井施工全过程智能控制系统及控制方法 | |
| CN109272721B (zh) | 基于kpca-foa-lssvm的滑坡灾害预报方法 | |
| CN115774953B (zh) | 一种基于数据处理的污染时空风险监管评估系统及方法 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| CN109299208B (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
| CN110929359A (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
| CN115035256B (zh) | 一种尾矿库事故隐患及风险演化方法及系统 | |
| CN112819107A (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
| CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
| CN114022307A (zh) | 分等级、分时级的孤寡老人用电量异常变化分析方法 | |
| CN117725792A (zh) | 基于时间序列和模型修正的建筑安全监测预警方法 | |
| CN117789064A (zh) | 一种基于多源数据的公路边坡无人机巡检预警系统 | |
| CN117010915A (zh) | 一种基于物联网技术的碳排放目标识别及监测系统 | |
| CN112163481A (zh) | 一种基于视频识别的水环境污染分析方法 | |
| CN110570628A (zh) | 一种输电线路杆塔地质灾害监测预警分析系统及使用方法 | |
| CN117423238A (zh) | 基于卷积交换网络的交通流量一体式预测装置及预测方法 | |
| CN117824588A (zh) | 一种建筑安全监测倾斜传感器采样优化与预警方法 | |
| CN110059423B (zh) | 基于多因子广义线性模型的热带气旋客观定强方法 | |
| CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
| CN115994692B (zh) | 基于5g和大数据的智慧河湖管理平台 | |
| CN117010690A (zh) | 基于人工智能的生产安全预警方法 | |
| CN115186230B (zh) | 一种判定台风对空气质量影响的方法及装置 | |
| CN114969068A (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
| CN115764926B (zh) | 一种针对新能源场站的功率检测方法和系统 |
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 |