CN113203439A - 一种用于水信息检测的主从动边缘传感器自组网系统 - Google Patents
一种用于水信息检测的主从动边缘传感器自组网系统 Download PDFInfo
- Publication number
- CN113203439A CN113203439A CN202110495621.1A CN202110495621A CN113203439A CN 113203439 A CN113203439 A CN 113203439A CN 202110495621 A CN202110495621 A CN 202110495621A CN 113203439 A CN113203439 A CN 113203439A
- Authority
- CN
- China
- Prior art keywords
- sensor
- module
- water
- area
- monitoring
- 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 81
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000825 ultraviolet detection Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 229910002651 NO3 Inorganic materials 0.000 claims description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 3
- 229930002868 chlorophyll a Natural products 0.000 claims description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 description 4
- 229910052805 deuterium Inorganic materials 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种用于水信息检测的主从动边缘传感器自组网系统，该系统包括多传感器模块、电源管理模块、边缘计算平台及中心计算机；其中，多传感器模块，用于实时对水信息进行检测、储存与传输；电源管理模块，用于对多传感器模块进行供电；边缘计算平台，用于对多传感器模块进行监测，并对水源区域进行实时监控；中心计算机，用于对多传感器模块传输的水信息进行分析与反馈。有益效果：本发明不同于常规的“边缘传感器‑中心计算机”的组网方式，提出了一种主从动边缘传感器自组网，通过设置具有独立处理数据能力的主动传感器，可以减少中心计算机的计算压力，并且可以通过过滤掉许多冗余信息及错误信息，进一步节省传输成本。
Description
技术领域
本发明涉及水文监测领域，具体来说，涉及一种用于水信息检测的主从动边缘传感器自组网系统。
背景技术
近几十年来，我国经济迅速发展，综合国力显著提高。在发展经济的同时，我国的生态环境受到了严峻的挑战，生活环境也出现污染所导致的问题，例如频繁的雾霾、大面积的酸雨等。尤其是人们的生活用水以及饮用水紧张，我国的淡水资源总量为2.8万亿立方米，居世界第六位，但人均水量只相当世界人均占有量的四分之一，因此，淡水资源对我国来说尤为重要，水质监测更是重中之重。
我国早期采用的水质监测方法是检测人员到现场取样，带回实验室采取定性定量的电极法、化学法来监测。这种方法现在甚至还有些地区在使用，这种方法不仅费时费力，而且还存在效率低、实时性差等问题，根本无法达到水质监测数据的实时统计，且采用串行总线、现场总线的水文信息通讯需要铺设大量的电缆线，存在布线困难、施工难度大，且线路易受破坏和腐蚀、维护成本高、监测范围有限的问题；另外，现有的水质监测还存在技术和设备相对落后、自动化覆盖面不广、检测效率低下且中心计算机工作负载较大等问题。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种用于水信息检测的主从动边缘传感器自组网系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种用于水信息检测的主从动边缘传感器自组网系统，该系统包括多传感器模块、电源管理模块、边缘计算平台及中心计算机；
其中，所述多传感器模块，用于实时对水信息进行检测、储存与传输；
所述电源管理模块，用于对多传感器模块进行供电，并检测多传感器模块的运行状态；
所述边缘计算平台，用于对多传感器模块进行监测，并对水源区域进行实时监控；
所述中心计算机，用于对多传感器模块传输的水信息进行分析与反馈。
进一步的，所述多传感器模块包括若干组主动传感器及与所述主动传感器无线连接的若干组从动传感器，所述从动传感器用于对水信息进行实时检测并发送数据至与其靠近的所述主动传感器。
进一步的，所述从动传感器覆盖整个监测范围，并设置一定冗余，且所述从动传感器包括水质仪传感器、叶绿素a传感器、流速传感器及硝酸盐传感器。
进一步的，所述主动传感器的内部设置有MCU单元、紫外线检测模块及通信模块；
其中，所述MCU单元，用于对从动传感器发送的水信息数据进行分析与处理；
所述紫外线检测模块，用于对水源的浑浊度进行检测；
所述通信模块，用于将处理后的水信息数据传输至中心计算机。
进一步的，所述通信模块将水信息数据组成一个数据包后，先经过加密算法，然后利用GPRS通信网络将数据包传输至所述中心计算机进行分析与反馈。
进一步的，所述电源管理模块分别利用太阳能板及电池对所述主动传感器及所述从动传感器进行供电。
进一步的，所述边缘计算平台包括区域监测模块、传感器监测模块及传输模块；
其中，所述区域监测模块，用于采用无人机对水源区域面积进行实时监控；
所述传感器监测模块，用于对主动传感器及从动传感器的电压进行监测；
所述传输模块，用于将水源区域面积及主动传感器和从动传感器的运行状态发送至中心计算机。
进一步的，所述区域监测模块采用无人机对水源区域面积进行实时监控包括以下步骤：
S1、无人机采用卡尔曼滤波器对水域进行建模；
S2、采用运动模型与水域的面积阈值进行设定；
S3、判断水域的面积是否低于阈值，若是，则执行S4，否则执行S5；
S4、利用无人机的位置检测模块判断传感器是否脱离水域，若是，则向中心计算机发出警报，否则执行S5；
S5、继续监控任务。
进一步的，所述区域监测模块采用全卷积孪生神经网络深度学习模型的跟踪算法，所述全卷积孪生神经网络的计算公式为：
其中，x表示当前图片数据样本，z表示下一张图片数据，函数
为特征提取器嵌入，函数g用于相似性度量，b1表示偏置量，算法中为互相关运算。
进一步的，所述中心计算机电连接显示屏及控制面板，所述显示屏上设置有LED指示灯，所述LED指示灯用于指示当前的检测状态，所述控制面板用于对所述中心计算机及所述显示屏进行控制。
本发明的有益效果为：
(1)、本发明不同于常规的“边缘传感器-中心计算机”的组网方式，提出了一种主从动边缘传感器自组网，通过设置具有独立处理数据能力的主动传感器，可以有效的减少中心计算机的计算压力，并且可以通过筛选过滤掉许多冗余信息及错误信息，进一步节省传输成本。
(2)、通过利用太阳能板对主动传感器进行供电，可以保证主动传感器的长时间不间断运行，从而保证数据传输的稳定性，通过利用传感器监测模块对主动传感器及从动传感器的电压进行监测，可以保证对损坏的传感器进行及时更换，且因从动传感器本身具有冗余分布设计，从而保证整个监测系统的正常运行。
(3)、通过利用密钥对数据包进行加密操作，可以保证数据在GPRS通信网络传输中的安全性与可靠性，通过中心计算机可以方便对整个监测系统进行控制，且显示屏可以更直观的对检测状态进行显示，从而方便及时调控。
(4)、通过设置区域监测模块，可以对水源区域面积进行实时监控，并判断传感器是否脱离水域，从而保证传感器的正常工作，并保证传感器传输数据的准确性。
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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种用于水信息检测的主从动边缘传感器自组网系统的原理框图；
图2是根据本发明实施例的一种用于水信息检测的主从动边缘传感器自组网系统中多级组网连接示意图；
图3是根据本发明实施例的一种用于水信息检测的主从动边缘传感器自组网系统中区域监测模块工作原理流程图。
图中：
1、多传感器模块；101、主动传感器；10101、MCU单元；10102、紫外线检测模块；10103、通信模块；102、从动传感器；2、电源管理模块；3、边缘计算平台；301、区域监测模块；302、传感器监测模块；303、传输模块；4、中心计算机；5、显示屏；6、控制面板。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种用于水信息检测的主从动边缘传感器自组网系统。
现结合附图和具体实施方式对本发明进一步说明，如图1-3所示，根据本发明实施例的用于水信息检测的主从动边缘传感器自组网系统，该系统包括多传感器模块1、电源管理模块2、边缘计算平台3及中心计算机4；其中，所述多传感器模块1，用于实时对水信息进行检测、储存与传输；所述电源管理模块2，用于对多传感器模块1进行供电，并检测多传感器模块1的运行状态；所述边缘计算平台3，用于对多传感器模块1进行监测，并对水源区域进行实时监控；所述中心计算机4，用于对多传感器模块1传输的水信息进行分析与反馈。
借助于上述方案，本发明不同于常规的“边缘传感器-中心计算机”的组网方式，提出了一种主从动边缘传感器自组网，通过设置具有独立处理数据能力的主动传感器101，可以有效的减少中心计算机4的计算压力，并且可以通过筛选过滤掉许多冗余信息及错误信息，进一步节省传输成本。
在一个实施例中，所述多传感器模块1包括若干组主动传感器101及与所述主动传感器101无线连接的若干组从动传感器102，所述从动传感器102用于对水信息进行实时检测并发送数据至与其靠近的所述主动传感器102，从而实现中心计算机4的多级组网连接方式。
在一个实施例中，所述从动传感器102覆盖整个监测范围，并设置一定冗余，且所述从动传感器102包括水质仪传感器、叶绿素a传感器、流速传感器及硝酸盐传感器。
在一个实施例中，所述主动传感器101的内部设置有MCU单元、紫外线检测模块及通信模块；所述主动传感器101的内部设置有MCU单元10101、紫外线检测模块10102及通信模块10103，其中，所述MCU单元10101，用于对从动传感器102发送的水信息数据进行分析与处理，所述紫外线检测模块10102，用于对从动传感器102发送的水信息数据进行储存，所述通信模块10103，用于将处理后的水信息数据传输至中心计算机4，且所述主动传感器101配备主动式全向传输天线，如有必要可以配备功率放大器，尽可能的增强主动传感器的信息传输能力，提高传输距离。
具体的，针对固定的水信息监测范围，可以将整体监测范围分为N个子监测范围，即配备N个主动传感器101。这N个主动传感器101是具有数据分析能力以及单独发射天线的，主动传感器101可以从其下级的从动传感器102接收实时的水信息，并进行适当的预处理，筛选除去无用信息以及冗余信息后，将有限的有效信息发送给中心计算机4。在一个子监测范围中，再根据实际情况分布M个从动传感器102，从动传感器102仅保留数据采集以及最简易的数据传输功能，其主要作用是实时采集所在区域的水信息，并将其发送给最近的主动传感器101进行分析。
此外，设计具体的紫外光电检测系统时，选择合适的光源至关重要，既要要求光源的光谱特性位于紫外光区、光源的稳定性要高。还要考虑到设计最终将在环境较为恶劣的现场进行应用，因此要求该光源的体积小、机械强度高。此外，考虑系统节点较多及成本，所以应该选择性价比较高的光源。目前流行的作为紫外光光源的有汞灯(单波长式光源)，氘灯(多波长式光源)。考虑系统的精度要求，设计中采用氘灯(185～400nm)，但其有寿命限制，设计时要考虑方便更换。滤光片常用的是分剪切式滤光片和光通带滤光片，设计中采用200～400nm剪切式滤光片。探测源的选择较为复杂，光电管和光电倍增管在紫外光区域频率响应与时间响应光电特性方面、灵敏度、稳定性、光谱响应等方面具有优越的表现，其中光电倍增管在光电特性、使用寿命等方面又优于光电管，因此选择光电倍增管作为探测源。
在一个实施例中，所述通信模块10103将水信息数据组成一个数据包后，先经过加密算法，然后利用GPRS通信网络将数据包传输至所述中心计算机4进行分析与反馈，所述GPRS通信网络的两端采用一致的密钥，所述通信模块10103利用密钥对数据包进行加密形成密文，然后以密文的形式通过所述GPRS通信网络传输至所述中心计算机4，所述中心计算机4利用相同的密钥对密文进行解密，从而得到从动传感器102检测的水信息数据，这样可以保证数据在GPRS通信网络传输中的安全性与可靠性。
在一个实施例中，所述电源管理模块2分别利用太阳能板及电池对所述主动传感器101及所述从动传感器102进行供电，由于只有主动传感器101向中心计算机3传输数据，势必会增加主动传感器101的传输压力，甚至是24小时不间断传输信息，所以主动传感器101会配备大容量电池以及先进的充电技术。
在一个实施例中，所述边缘计算平台3包括区域监测模块301、传感器监测模块302及传输模块303；其中，所述区域监测模块301，用于采用无人机对水源区域面积进行实时监控；所述传感器监测模块302，用于对主动传感器101及从动传感器102的电压进行监测；所述传输模块303，用于将水源区域面积及主动传感器101和从动传感器102的运行状态发送至中心计算机4，这样可以保证主动传感器101的长时间不间断运行，从而保证数据传输的稳定性，且通过利用传感器监测模块302对从动传感器102的电池电压进行监测，可以实现在从动传感器102电池耗尽时进行及时更换。
在一个实施例中，所述区域监测模块采用无人机对水源区域面积进行实时监控包括以下步骤：
S1、无人机采用卡尔曼滤波器对水域进行建模；
S2、采用运动模型与水域的面积阈值进行设定；
S3、判断水域的面积是否低于阈值，若是，则执行S4，否则执行S5；
S4、利用无人机的位置检测模块判断传感器是否脱离水域，若是，则向中心计算机发出警报，否则执行S5；
S5、继续监控任务。
在一个实施例中，所述区域监测模块采用全卷积孪生神经网络深度学习模型的跟踪算法，所述全卷积孪生神经网络的计算公式为：
其中，x表示当前图片数据样本，z表示下一张图片数据，函数
为特征提取器嵌入，函数g用于相似性度量，b1表示偏置量，算法中为互相关运算。
在一个实施例中，所述中心计算机4电连接显示屏5及控制面板6，所述显示屏5上设置有LED指示灯，所述LED指示灯用于指示当前的检测状态，所述控制面板6用于对所述中心计算机4及所述显示屏5进行控制。
具体的，LED检测状态包括检测成功、设备故障、检测中及检测失败，这样可以方便对整个监测系统进行控制，且显示屏5可以更直观的对检测状态进行显示，从而方便及时调控。
综上所述，借助于本发明的上述技术方案，本发明不同于常规的“边缘传感器-中心计算机”的组网方式，提出了一种主从动边缘传感器自组网，通过设置具有独立处理数据能力的主动传感器101，可以有效的减少中心计算机4的计算压力，并且可以通过筛选过滤掉许多冗余信息及错误信息，进一步节省传输成本。
此外，通过利用太阳能板对主动传感器101进行供电，可以保证主动传感器101的长时间不间断运行，从而保证数据传输的稳定性，通过利用传感器监测模块302对主动传感器101及从动传感器102电压进行监测，可以保证对损坏的传感器进行及时更换，且因从动传感器102本身具有冗余分布设计，从而保证整个监测系统的正常运行。
此外，通过利用密钥对数据包进行加密操作，可以保证数据在GPRS通信网络传输中的安全性与可靠性，通过中心计算机4可以方便对整个监测系统进行控制，且显示屏5可以更直观的对检测状态进行显示，从而方便及时调控。
此外，通过设置区域监测模块301，可以对水源区域面积进行实时监控，并判断传感器是否脱离水域，从而保证传感器的正常工作，并保证传感器传输数据的准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，该系统包括多传感器模块、电源管理模块、边缘计算平台及中心计算机；
其中，所述多传感器模块，用于实时对水信息进行检测、储存与传输；
所述电源管理模块，用于对多传感器模块进行供电，并检测多传感器模块的运行状态；
所述边缘计算平台，用于对多传感器模块进行监测，并对水源区域进行实时监控；
所述中心计算机，用于对多传感器模块传输的水信息进行分析与反馈。
2.根据权利要求1所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述多传感器模块包括若干组主动传感器及与所述主动传感器无线连接的若干组从动传感器，所述从动传感器用于对水信息进行实时检测并发送数据至与其靠近的所述主动传感器。
3.根据权利要求2所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述从动传感器覆盖整个监测范围，并设置一定冗余，且所述从动传感器包括水质仪传感器、叶绿素a传感器、流速传感器及硝酸盐传感器。
4.根据权利要求1所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述主动传感器的内部设置有MCU单元、紫外线检测模块及通信模块；
其中，所述MCU单元，用于对从动传感器发送的水信息数据进行分析与处理；
所述紫外线检测模块，用于对水源的浑浊度进行检测；
所述通信模块，用于将处理后的水信息数据传输至中心计算机。
5.根据权利要求4所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述通信模块将水信息数据组成一个数据包后，先经过加密算法，然后利用GPRS通信网络将数据包传输至所述中心计算机进行分析与反馈。
6.根据权利要求1所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述电源管理模块分别利用太阳能板及电池对所述主动传感器及所述从动传感器进行供电。
7.根据权利要求2或4所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述边缘计算平台包括区域监测模块、传感器监测模块及传输模块；
其中，所述区域监测模块，用于采用无人机对水源区域面积进行实时监控；
所述传感器监测模块，用于对主动传感器及从动传感器的电压进行监测；
所述传输模块，用于将水源区域面积及主动传感器和从动传感器的运行状态发送至中心计算机。
8.根据权利要求7所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述区域监测模块采用无人机对水源区域面积进行实时监控包括以下步骤：
S1、无人机采用卡尔曼滤波器对水域进行建模；
S2、采用运动模型与水域的面积阈值进行设定；
S3、判断水域的面积是否低于阈值，若是，则执行S4，否则执行S5；
S4、利用无人机的位置检测模块判断传感器是否脱离水域，若是，则向中心计算机发出警报，否则执行S5；
S5、继续监控任务。
9.根据权利要求8所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述区域监测模块采用全卷积孪生神经网络深度学习模型的跟踪算法，所述全卷积孪生神经网络的计算公式为：
其中，x表示当前图片数据样本，z表示下一张图片数据，函数
为特征提取器嵌入，函数g用于相似性度量，b1表示偏置量，算法中为互相关运算。
10.根据权利要求1所述的一种用于水信息检测的主从动边缘传感器自组网系统，其特征在于，所述中心计算机电连接显示屏及控制面板，所述显示屏上设置有LED指示灯，所述LED指示灯用于指示当前的检测状态，所述控制面板用于对所述中心计算机及所述显示屏进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110495621.1A CN113203439A (zh) | 2021-05-07 | 2021-05-07 | 一种用于水信息检测的主从动边缘传感器自组网系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110495621.1A CN113203439A (zh) | 2021-05-07 | 2021-05-07 | 一种用于水信息检测的主从动边缘传感器自组网系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113203439A true CN113203439A (zh) | 2021-08-03 |
Family
ID=77029657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110495621.1A Pending CN113203439A (zh) | 2021-05-07 | 2021-05-07 | 一种用于水信息检测的主从动边缘传感器自组网系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113203439A (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102098805A (zh) * | 2009-12-11 | 2011-06-15 | 中国计量学院 | 多参数模块化分布式养殖水环境无线监测系统及方法 |
| CN102890142A (zh) * | 2012-09-20 | 2013-01-23 | 华东理工大学 | 基于物联网的在线湖泊水质监测系统 |
| CN103063428A (zh) * | 2013-01-25 | 2013-04-24 | 国电联合动力技术有限公司 | 一种风机叶片模态参数的无线监测系统以及方法 |
| CN103792330A (zh) * | 2014-01-25 | 2014-05-14 | 安徽理工大学 | 无线传感水质监测预警系统 |
| CN105761465A (zh) * | 2014-12-18 | 2016-07-13 | 镇江坤泉电子科技有限公司 | 基于无线传感器的水质环境监测系统 |
| CN205561901U (zh) * | 2016-03-22 | 2016-09-07 | 淮安市淮工深蓝软件有限公司 | 一种基于云架构的重大危险源数据监测预警处理系统 |
| CN107844802A (zh) * | 2017-10-19 | 2018-03-27 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机低空遥感和面向对象分类的水土保持监测方法 |
| CN108171259A (zh) * | 2017-12-13 | 2018-06-15 | 南京理工大学 | 一种基于NB-IoT的智慧末梢水质监测系统及方法 |
| CN108650634A (zh) * | 2018-05-18 | 2018-10-12 | 南京邮电大学 | 一种基于轨迹预测的无线传感器网络目标跟踪方法 |
| CN108828409A (zh) * | 2018-08-03 | 2018-11-16 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的故障检测系统 |
| CN208224742U (zh) * | 2018-05-25 | 2018-12-11 | 广州市合信方园工业设备有限公司 | 一种循环水除垢洁净装置 |
| CN109462654A (zh) * | 2018-11-30 | 2019-03-12 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧应急控制系统 |
| CN110087041A (zh) * | 2019-04-30 | 2019-08-02 | 中国科学院计算技术研究所 | 基于5g基站的视频数据处理及传输方法和系统 |
| CN211702073U (zh) * | 2020-04-02 | 2020-10-16 | 中冶南方城市建设工程技术有限公司 | 城市水环境综合治理云平台系统 |
| CN111982031A (zh) * | 2020-08-24 | 2020-11-24 | 江苏科技大学 | 基于无人机视觉的水面面积测量方法 |
| CN112053591A (zh) * | 2020-08-24 | 2020-12-08 | 大连海事大学 | 无人机群协同智能航标的近海立体联动组网及航道监管系统 |
| CN112087528A (zh) * | 2020-09-29 | 2020-12-15 | 南昌工程学院 | 一种基于深度学习的水环境智能监测系统及方法 |
| CN112217876A (zh) * | 2020-09-22 | 2021-01-12 | 远光软件股份有限公司 | 物联网系统、物联网通信方法及电子设备 |
| CN112672298A (zh) * | 2020-12-03 | 2021-04-16 | 赛特斯信息科技股份有限公司 | 一种基于分布式边缘网络结构的农业数据采集系统及其方法 |
-
2021
- 2021-05-07 CN CN202110495621.1A patent/CN113203439A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102098805A (zh) * | 2009-12-11 | 2011-06-15 | 中国计量学院 | 多参数模块化分布式养殖水环境无线监测系统及方法 |
| CN102890142A (zh) * | 2012-09-20 | 2013-01-23 | 华东理工大学 | 基于物联网的在线湖泊水质监测系统 |
| CN103063428A (zh) * | 2013-01-25 | 2013-04-24 | 国电联合动力技术有限公司 | 一种风机叶片模态参数的无线监测系统以及方法 |
| CN103792330A (zh) * | 2014-01-25 | 2014-05-14 | 安徽理工大学 | 无线传感水质监测预警系统 |
| CN105761465A (zh) * | 2014-12-18 | 2016-07-13 | 镇江坤泉电子科技有限公司 | 基于无线传感器的水质环境监测系统 |
| CN205561901U (zh) * | 2016-03-22 | 2016-09-07 | 淮安市淮工深蓝软件有限公司 | 一种基于云架构的重大危险源数据监测预警处理系统 |
| CN107844802A (zh) * | 2017-10-19 | 2018-03-27 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机低空遥感和面向对象分类的水土保持监测方法 |
| CN108171259A (zh) * | 2017-12-13 | 2018-06-15 | 南京理工大学 | 一种基于NB-IoT的智慧末梢水质监测系统及方法 |
| CN108650634A (zh) * | 2018-05-18 | 2018-10-12 | 南京邮电大学 | 一种基于轨迹预测的无线传感器网络目标跟踪方法 |
| CN208224742U (zh) * | 2018-05-25 | 2018-12-11 | 广州市合信方园工业设备有限公司 | 一种循环水除垢洁净装置 |
| CN108828409A (zh) * | 2018-08-03 | 2018-11-16 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的故障检测系统 |
| CN109462654A (zh) * | 2018-11-30 | 2019-03-12 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧应急控制系统 |
| CN110087041A (zh) * | 2019-04-30 | 2019-08-02 | 中国科学院计算技术研究所 | 基于5g基站的视频数据处理及传输方法和系统 |
| CN211702073U (zh) * | 2020-04-02 | 2020-10-16 | 中冶南方城市建设工程技术有限公司 | 城市水环境综合治理云平台系统 |
| CN111982031A (zh) * | 2020-08-24 | 2020-11-24 | 江苏科技大学 | 基于无人机视觉的水面面积测量方法 |
| CN112053591A (zh) * | 2020-08-24 | 2020-12-08 | 大连海事大学 | 无人机群协同智能航标的近海立体联动组网及航道监管系统 |
| CN112217876A (zh) * | 2020-09-22 | 2021-01-12 | 远光软件股份有限公司 | 物联网系统、物联网通信方法及电子设备 |
| CN112087528A (zh) * | 2020-09-29 | 2020-12-15 | 南昌工程学院 | 一种基于深度学习的水环境智能监测系统及方法 |
| CN112672298A (zh) * | 2020-12-03 | 2021-04-16 | 赛特斯信息科技股份有限公司 | 一种基于分布式边缘网络结构的农业数据采集系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| LU102524B1 (en) | Fault monitoring system and method for mine shaft | |
| CN102665249B (zh) | 一种基于无线传感器网络的大气污染监测系统 | |
| CN102228319A (zh) | 多传感器融合的智能头盔 | |
| CN103034213A (zh) | 一种远程监控系统 | |
| CN103235098A (zh) | 地下水在线水质监测系统 | |
| CN102098805A (zh) | 多参数模块化分布式养殖水环境无线监测系统及方法 | |
| CN101545897A (zh) | 基于ZigBee技术的气体监控系统 | |
| CN205540227U (zh) | 基于物联网技术的智慧环保环境质量监测监督管理信息平台系统 | |
| CN104391098B (zh) | 一种基于dcs的水质监测设备 | |
| CN203204793U (zh) | 河水质量监测与报警系统 | |
| CN103702444A (zh) | 一种应用于森林防火中的无线传感器系统 | |
| CN110830948B (zh) | 一种矿用井下融合系统及传感器 | |
| CN103037598A (zh) | 具有车辆监控功能的led路灯电力载波远程控制系统 | |
| CN202133421U (zh) | 一种化工园区有毒有害气体监测系统 | |
| CN201853309U (zh) | 一种基于无线传感网络的煤仓火灾早期预警监测装置 | |
| CN202583853U (zh) | 高速公路收费站机房电源及环境监控系统 | |
| CN108732477A (zh) | 一种基于电力无线通信的配电网主设备带电检测的系统和方法 | |
| CN201780647U (zh) | 一种森林防火远程监测报警系统 | |
| CN204854800U (zh) | 一种水文水质在线监测及预警系统 | |
| CN104535736A (zh) | 水库水质在线监测系统 | |
| CN112218277A (zh) | 在线巡检系统及基于蓝牙传输的在线巡检方法 | |
| CN113203439A (zh) | 一种用于水信息检测的主从动边缘传感器自组网系统 | |
| CN102200456B (zh) | 化工园区有毒有害气体监测系统 | |
| CN209656656U (zh) | 一种无线气体检测仪 | |
| CN102573118A (zh) | 一种具有自触发功能的多参数监测用无线传感器节点 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |