CN113390803A - 一种基于普适型高光谱相机的水质监测方法、装置及终端 - Google Patents

一种基于普适型高光谱相机的水质监测方法、装置及终端 Download PDF

Info

Publication number
CN113390803A
CN113390803A CN202110515673.0A CN202110515673A CN113390803A CN 113390803 A CN113390803 A CN 113390803A CN 202110515673 A CN202110515673 A CN 202110515673A CN 113390803 A CN113390803 A CN 113390803A
Authority
CN
China
Prior art keywords
pollution
zone
hyperspectral
water quality
old
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
Application number
CN202110515673.0A
Other languages
English (en)
Other versions
CN113390803B (zh
Inventor
刘起霞
李慧生
张颢
李柯含
邹昕
郑之凯
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.)
Shenzhen Hyperspectral New Technology Co ltd
Shenzhen Beidouyun Information Technology Co ltd
Original Assignee
Shenzhen Hyperspectral New Technology Co ltd
Shenzhen Beidouyun Information Technology Co ltd
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 Shenzhen Hyperspectral New Technology Co ltd, Shenzhen Beidouyun Information Technology Co ltd filed Critical Shenzhen Hyperspectral New Technology Co ltd
Priority to CN202110515673.0A priority Critical patent/CN113390803B/zh
Publication of CN113390803A publication Critical patent/CN113390803A/zh
Application granted granted Critical
Publication of CN113390803B publication Critical patent/CN113390803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种基于普适型高光谱相机的水质监测方法、系统及计算机可读存储介质，属于图像处理技术的领域，水质监测方法包括每间隔拍摄周期T，获取待测水域的高光谱图像，并记录拍摄时间；得到污染带和污染带的数量；结合多张高光谱图像，对每条污染带进行分析，得到旧污染带，并得到每条旧污染带的迁移方向和迁移速度；根据迁移速度和迁移方向，预测每条旧污，新区域两岸的居民发送警示信息。与相关技术相比，本申请具有改善水质监测效率较低的问题的效果。

Description

一种基于普适型高光谱相机的水质监测方法、装置及终端
技术领域
本申请涉及图像处理技术的领域，尤其是涉及一种基于普适型高光谱相机的水质监测方法、装置及终端。
背景技术
水质监测，是监视和测定水体中污染物的种类、各类污染物的浓度及变化趋势，评价水质状况的过程。反映水质状况的综合指标，水中的有毒物质，以及流量和流速的测定都是水质监测的项目。水质监测，能够对水污染的判断提供依据，同时也能够给水质治理方向提供数据等。目前，通过水域岸线管理、水污染防治、水资源保护以及水生态功能的治理，水质保护已经取得了成效。
水质保护，是一个持续且长期的过程，需要长时间、持续性地对水质进行保护。因此，也需要长期且持续地对水质进行监测，才能有针对性地获知水质情况。
但是，传统的水质监测，需要研究人员到待测水域的不同位置处提取样本，并将样本带回实验室进行分析和研究，且大部分水域面积较大，待得到水质检测结果后，再提醒水域岸线居民和相关管理人员，但从采集样本到出检测结果的时间较长，有时间延迟性，从而导致水质监测效率较低。
发明内容
为了改善水质监测效率较低的问题，本申请提供一种基于普适型高光谱相机的水质监测方法、装置及终端。
第一方面，本申请提供一种基于普适型高光谱相机的水质监测方法，采用如下的技术方案：
一种基于普适型高光谱相机的水质监测方法，包括，
高光谱图像获取，每间隔拍摄周期T，获取待测水域的高光谱图像，并记录拍摄时间；
污染带获取，对每张所述高光谱图像进行分析和识别，得到污染带，确定每张所述高光谱图像的污染带的数量；
旧污染带获取，结合多张所述高光谱图像，对每条所述污染带进行分析，得到旧污染带，并得到每条所述旧污染带的迁移方向和迁移速度；以及，
预测警示，根据迁移速度和迁移方向，预测每条旧污染带即将到达的新区域和到达时间，并给新区域两岸的居民发送警示信息。
通过采用上述技术方案，根据不同拍摄时间获取的高光谱图像得到污染带、污染带的数量，再对每条污染带进行分析，得到旧污染带以及旧污染带的迁移方向和迁移速度，再根据迁移速度和迁移方向，预测旧污染带即将到达的新区域和到达时间，以能够给新区域两岸居民发出警示信息，无需提取样本进行水质分析，且处理速度较快，从而在一定程度上有助于改善水质监测效率较低的问题。
可选的，所述水质监测方法还包括，
高光谱数据获取，每张所述高光谱图像进行处理得到高光谱数据；以及，
污染物因子确定，根据高光谱数据进行反演，得到污染物类型；
污染物浓度获取，根据高光谱数据进行反演，得到污染物浓度。
通过采用上述技术方案，对得到的每张高光谱图像进行处理，得到高光谱数据，再对高光谱数据进行反演得到污染物类型和污染物浓度，从而能够得到待测水域的污染情况，便于确定待测水域的水质级别，以有助于对污染水域进行治理。
可选的，所述旧污染带获取的方法包括，
对每张所述高光谱图像进行分析，得到每张所述高光谱图像中每条所述污染带的宽度和长度，并得到每张所述高光谱图像中所有污染带之间的相对位置关系；
对每张所述高光谱图像的每条污染带进行识别和分析，得到每条所述污染带的颜色带顺序；
将所有高光谱图像的每条污染带进行对比，结合所述相对位置关系、拍摄时间和颜色带顺序，确定旧污染带、新污染带和消失的污染带；
结合拍摄时间，根据所有高光谱图像中每条所述旧污染带的宽度以及长度，得到每条所述旧污染带的迁移速度和迁移方向；以及，
对所述新污染带进行分析和识别，得到并存储所述新污染带的颜色带顺序。
通过采用上述技术方案，得到每张高光谱图像包含的污染带的宽度和长度，并得到污染带的相对位置关系，通过对污染带进行分析，得到每条污染带的颜色带顺序，通过相对位置关系，拍摄时间和颜色带顺序，能够确定污染带的种类，即旧污染带、新污染带和消失的污染带，再根据拍摄时间以及每张高光谱图像的每条旧污染带的宽度和长度，以便于得到旧污染带的迁移速度和方向；且记录新污染带的颜色带顺序，便于在之后的监测中使用。
可选的，所述确定旧污染带、新污染带和消失的污染带的方法包括，
将最晚拍摄的高光谱图像与前一拍摄时间的高光谱图像的每条所述污染带进行对比，结合所述相对位置关系，若相对位置相同，则为相似污染带，否则为独立污染带；
将所述相似污染带的颜色带顺序进行对比，若从中部往两侧延伸的颜色带顺序一致，则为旧污染带，否则为独立污染带；以及，
若所述独立污染带只在最晚拍摄的高光谱图像中存在，则为新污染带，否则为消失的污染带。
通过采用上述技术方案，根据最晚拍摄时间和迁移拍摄时间的高光谱图像，结合相对位置关系，判断相似污染带和独立污染带，再将相似污染带的颜色带顺序进行对比，得到旧污染带和独立污染带，最后根据独立污染带是否在高光谱图像中存在，得到新污染带和消失的污染带，从而便于判断污染带的种类。
可选的，所述得到迁移速度和迁移方向的方法包括，
将所述旧污染带依次与剩余高光谱图像的污染带进行对比，结合所述拍摄时间和颜色带顺序，得到每条所述旧污染带最早出现的高光谱图像；
结合每条所述旧污染带最早出现的高光谱图像和最晚拍摄高光谱图像，得到每条旧污染带的迁移方向、迁移距离以及间隔时间N；以及，
根据所述每条旧污染带的迁移距离和间隔时间N，得到每条旧污染带的迁移速度。
通过采用上述技术方案，结合拍摄时间和颜色带顺序能够判断哪些高光谱图像中存在同一条旧污染带，以得到最早出现旧污染带的高光谱图像，结合最早的高光谱图像和最晚的高光谱图像，能够得到就污染带的迁移方向、迁移距离和间隔时间N，进而便于得到迁移速度。
可选的，所述水质监测方法还包括，
污染解除警示，根据所述每条旧污染带的迁移速度和迁移方向，预测已污染区域的解除污染时间，并将污染解除信息发送给相应的已污染带两岸的居民，所述污染解除信息包括污染解除时间。
通过采用上述技术方案，根据旧污染带的迁移速度和迁移方向，能够预测已污染区域的解除污染时间，从而便于警示已污染带域的居民。
可选的，所述得到污染带的方法包括，
对所述每张高光谱图像进行识别和分析，划分出不同颜色带的区域；以及，
结合水质污染对应的污染颜色，得到污染带。
通过采用上述技术方案，根据高光谱图像的颜色带分布便于得到污染带。
可选的，所述拍摄周期为变频周期。
第二方面，本申请提供一种基于普适型高光谱相机的水质监测装置，采用如下的技术方案：
一种基于普适型高光谱相机的水质监测装置，包括：
存储器，用于存储高光谱图像、高光谱图像的拍摄时间和水质监测程序；
处理器，在运行所述水质监测程序时执行如权利要求1至7中任一项水质监测方法的步骤。
通过采用上述技术方案，将上述的水质监测方法以计算机可读代码的形式呈现并存储于存储器内，在处理器运行存储器内的计算机可读代码时，执行上述水质监测方法的步骤获得提高水质监测效率的效果。
第三方面，本申请提供一种基于普适型高光谱相机的水质监测终端，采用如下的技术方案：
一种基于普适型高光谱相机的水质监测终端，包括：
高光谱相机，用于获取待测水域的高光谱图像；
计时器，用于获取所述高光谱图像的拍摄时间；
上述的水质监测装置，分别与高光谱相机、计时器以及预警器通信连接。
通过采用上述技术方案，水质监测终端借助高光谱相机采集高光谱图像以及通过计时器获取拍摄时间，结合上述得到的高光谱图像和拍摄时间通过其内部的程序进行水质监测，相对于相关技术具有提高水质监测效率的效果。
综上所述，本申请包括以下至少一种有益技术效果：
1.本申请提供一种基于普适型高光谱相机的水质监测方法，能够给新区域两岸居民发出警示信息，无需提取样本进行水质分析，且处理速度较快，从而在一定程度上有助于改善水质监测效率较低的问题。
2.本申请提供一种基于普适型高光谱相机的水质监测装置，将水质监测方法以计算机可读代码的形式呈现并存储于存储器内，在处理器运行存储器内的计算机可读代码时，执行水质监测方法的步骤获得提高水质监测效率的效果。
附图说明
图1是本申请实施例的一种基于普适型高光谱相机的水质监测终端的第一结构示意图。
图2是本申请实施例的一种基于普适型高光谱相机的水质监测终端的第二结构示意图。
图3是本申请实施例的一种基于普适型高光谱相机的水质监测方法的第一流程图。
图4是本申请实施例的一种基于普适型高光谱相机的水质监测方法的第二流程图。
图5是本申请实施例的一种基于普适型高光谱相机的水质监测方法的第三流程图。
图6是本申请实施例的一种基于普适型高光谱相机的水质监测方法的第四流程图。
图7是本申请实施例的一种基于普适型高光谱相机的水质监测方法的第五流程图。
附图说明：10、箱体；11、高光谱相机；12、计时器；20、主板；21、存储器；22、处理器。
具体实施方式
以下结合附图1-图7对本申请作进一步详细说明。
本申请实施例提供一种基于普适型高光谱相机的水质监测终端，参照图，所述终端包括箱体10、安装于箱体10上的高光谱相机11以及安装于箱体10内部的主板20和计时器12。主板20上集成有存储器21和处理器22。高光谱相机11用于对待测水域进行拍摄，获取高光谱图像，计时器12获取高光谱相机11的拍摄时间，高光谱图像和拍摄时间以供处理器22进行处理，存储器21用于存储高光谱图像、高光谱图像的拍摄时间和水质监测程序。处理器22在运行水质监测程序时执行以下水质监测方法的步骤。
参照图1和图2，需要说明的是，存储器21和处理器22可以与高光谱相机11一起设置于待测水域的附近，也可以将高光谱相机11设置于待测水域附近，存储器21和处理器22设置于远程监测中心。
本申请实施例结合基于普适型高光谱相机的水质监测终端，公开一种基于普适型高光谱相机的水质监测方法。参照图3，基于普适型高光谱相机的水质监测方法包括如下步骤：高光谱图像获取101、污染带获取102、旧污染带获取103和预测警示104。
高光谱图像获取101，每间隔拍摄周期T，获取待测水域的高光谱图像，并记录拍摄时间。
其中，拍摄周期T为变频周期，可以是12小时、24小时、36小时、48小时等任意时间长度。待测水域包括湖泊、江河等。
污染带获取102，对每张高光谱图像进行分析和识别，得到污染带，确定每张高光谱图像的污染带的数量。
一个待测水域的污染区域可能为零个，也可能为一个及一个以上，因此高光谱图像里的污染带也可能为零条或一条及一条以上。
旧污染带获取103，结合多张高光谱图像，对每条污染带进行分析，得到旧污染带，并得到每条旧污染带的迁移方向和迁移速度。
需要说明的是，旧污染带是指在监测时段内最晚拍摄的高光谱图像中未消失，在最晚拍摄时间之前拍摄的部分高光谱图像中也存在的污染带，且一张高光谱图像里可能有多条旧污染带，也可能没有旧污染带。监测时段可以为1天、一周和一个月等。
预测警示104，根据迁移速度和迁移方向，预测每条旧污染带即将到达的新区域和到达时间，并给新区域两岸的居民发送警示信息。
警示信息包括但不限于旧污染带的到达时间和文字提示。
得到迁移速度和迁移方向后，根据迁移速度能够预测旧污染带接下来的迁移区域，即新区域，从而便于给居民发送警示信息，以警醒居民水质污染的情况。
参照图3，作为水质监测方法的进一步实施方式，还包括如下步骤：高光谱数据获取105、污染物因子确定106和污染物浓度获取107。
高光谱数据获取105，对每个拍摄时间获取的高光谱图像进行处理得到高光谱数据。
将高光谱图像输入ENVI等遥感图像处理软件进行处理，能够得到高光谱数据。获取一组高光谱图纸，可以将高光谱图像拼接后输入遥感图像处理软件，以得到高光谱数据。
污染物因子确定106，根据高光谱数据进行反演，得到污染物类型。
污染物浓度获取107，根据高光谱数据进行反演，得到污染物浓度。
其中，污染物包括但不限于总磷和悬浮物。将高光谱数据输入反演模型，就能得到污染物类型和污染物浓度，且反演模型可以是任意的高光谱反演模型。
需要说明的是，步骤105在步骤101之后执行，步骤102和105可以同时执行，也可以调换顺序。
参照图1，作为水质监测方法的进一步实施方式，还包括污染解除警示108。
污染解除警示108，根据每条旧污染带的迁移速度和迁移方向，预测已污染区域的解除污染时间，并将污染解除信息发送给相应的已污染带两岸的居民。
其中，污染解除信息包括污染解除时间，以便于居民预知污染解除时间。需要说明的是，先执行步骤101至步骤103，之后才能执行步骤108，且步骤108和步骤104可以调换顺序，也可以同时执行。
参照图4，作为得到污染带的一种实施方式，包括步骤1021和步骤1022。
1021、对每张高光谱图像进行识别和分析，划分出不同颜色带的区域。
需要说明的是，高光谱图像是由高光谱图像拼接得到，而高光谱图像是高光谱遥感而获得，因此高光谱图像上会有不同的光谱颜色，从而根据光谱颜色的不同能够划分出不同颜色带的区域。
1022、结合水质污染对应的污染颜色，得到污染带。
水质污染对应的颜色带是经由大量的历史数据和经验获得的，因此将高光谱图像根据污染颜色与水质污染对应的颜色带进行对比，易于得到污染带。
参照图5，作为旧污染带获取103的一种实施方式，包括步骤201和步骤202
201、对每张高光谱图像进行分析，得到每张高光谱图像中每条污染带的宽度和长度，并得到每张高光谱图像中所有污染带之间的相对位置关系。
相对位置关系可以以圆心角来进行衡量，将每张高光谱图像调整为相同大小，以高光谱图像的中心为圆心，得到各条污染带的圆心角，再根据圆心角来得到相对位置关系。除此之外，相对位置关系也可以以二维坐标等方式来进行衡量。
需要说明的是，以任意一条污染带或任一个区域或物体为参考系均可。
202、对每张高光谱图像的每条污染带进行识别和分析，得到每条污染带的颜色带顺序。
通过识别和分析，得到污染带所包含的光谱颜色带，再得到光谱颜色带的顺序。
203、将所有高光谱图像的每条污染带进行对比，结合相对位置关系、拍摄时间和颜色带顺序，确定旧污染带、新污染带和消失的污染带。
确定旧污染带、新污染带和消失的污染带的过程，即为找相似点的过程，以相对位置关系、拍摄时间和颜色带顺序为判断依据，便于确定旧污染带、新污染带和消失的污染带。
204、结合拍摄时间，根据所有高光谱图像中每条旧污染带的宽度以及长度，得到每条旧污染带的迁移速度和迁移方向。
在相同大小的且图像对象相同的高光谱图像中，能够得到同一条污染带的位置变化信息，再结合污染带的宽度和长度，能够得到迁移距离，再结合拍摄时间能够得到迁移速度和迁移方向。
205、对新污染带进行分析和识别，得到并存储新污染带的颜色带顺序。
需要说明的是，步骤201和步骤202可以同时进行，也可以调换顺序。同理，步骤204和步骤205可以同时进行，也可以调换执行顺序。
参照图6，进一步的，步骤203包括步骤2031、步骤2032和步骤2033。
2031、将最晚拍摄的高光谱图像与前一拍摄时间的高光谱图像的每条污染带进行对比，结合相对位置关系，若相对位置相同，则为相似污染带，否则为独立污染带。
若所有高光谱图像的拍摄时间为t时刻、t-T时刻、t-2T时刻和t-3T时刻，则最晚拍摄时间为t时刻，此时判断是否有旧污染带以t时刻的高光谱图像为其中的一个判断对象。结合t时刻的高光谱图像和t-T时刻的高光谱图像，寻找相对位置关系相似的污染带。若在另一组高光谱图像中找不到相对位置相似的污染带，则为独立污染带，否则为相似污染带。
需要说明的是，若非t时刻拍摄的高光谱图像中，在t时刻的高光谱图像中找不到相似的污染带，则均为独立污染带。
2032、将相似污染带的颜色带顺序进行对比，若从中部往两侧延伸的颜色带顺序一致，则为旧污染带，否则为独立污染带。
结合颜色带顺序，进一步对相似污染带进行判断，以得到旧污染带。需要说明的是，污染带在迁移和发展的过程中，污染带会变宽、变长、变窄、变短，但中间区域的变化顺序最慢，因此以中部到两侧的颜色带顺序为判断依据。需要说明的是，在判断颜色带顺序是否一致时，可以设定相同的颜色带的条数，若从中间到两侧延伸三条颜色带的顺序一致，则可判断为旧污染带，具体颜色带条数可作适应性的改变。
2033、若独立污染带只在最晚拍摄的高光谱图像中存在，则为新污染带，否则为消失的污染带。
独立污染带若存在于t时刻的高光谱图像，则为新污染带，否则为消失的污染带。
参照图7，进一步的，步骤204包括步骤2041、步骤2042和步骤2043。
2041、将旧污染带依次与剩余高光谱图像的污染带进行对比，结合拍摄时间和颜色带顺序，得到每条旧污染带最早出现的高光谱图像。
对于T时刻拍摄的高光谱图像中的旧污染带而言，非t时刻拍摄的高光谱图像即为剩余高光谱图像。
先得到旧污染带在t-T时刻的高光谱图像的相对位置关系，再结合旧污染带的颜色带顺序，按照拍摄时间的顺序，即从t-2T到t-3T的顺序，先判断t-2T的高光谱图像中是否存在该条旧污染带。判断时，先结合相对位置关系，判断相似污染带，再判断相似污染带从中间延伸到两侧的颜色带顺序与旧污染带的颜色带顺序是否一致，若是，则存在该条污染带，否则不存在。若存在，则按照上述方案，根据t-2T时刻的高光谱图像中的旧污染带的相对位置关系，结合颜色带顺序，判断t-3T时刻的高光谱图像中是否存在，若是，则t-3T的高光谱图像为该条旧污染带最早出现的高光谱图像。
需要说明的是，若t-2T的高光谱图像中不存在该条旧污染带，则无需判断t-3T的高光谱图像中是否还存在，此时，t-T的高光谱图像为该条旧污染带最早出现的高光谱图像。
2042、结合每条旧污染带最早出现的高光谱图像和最晚拍摄高光谱图像，得到每条旧污染带的迁移方向、迁移距离以及间隔时间N。
根据相对位置关系即可得到，旧污染带的迁移距离，需要说明的是，迁移距离为迁移方向上的变化距离。
2043、根据每条旧污染带的迁移距离和间隔时间N，得到每条旧污染带的迁移速度。
将迁移距离和间隔时间N做除法，即可得到迁移速度。
本申请实施例还公开一种计算机可读存储介质，存储有能够被处理器22加载并执行如一种基于普适型高光谱相机的水质监测方法中任一种方法的计算机程序。
计算机可读存储介质包括U盘、移动硬盘、只读存储器（ROM）、随机存取存储器（RAM）、磁碟和光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置、系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统和模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种基于普适型高光谱相机的水质监测方法，其特征在于：包括，
高光谱图像获取(101)，每间隔拍摄周期T，获取待测水域的高光谱图像，并记录拍摄时间；
污染带获取(102)，对每张所述高光谱图像进行分析和识别，得到污染带，确定每张所述高光谱图像的污染带的数量；
旧污染带获取(103)，结合多张所述高光谱图像，对每条所述污染带进行分析，得到旧污染带，并得到每条所述旧污染带的迁移方向和迁移速度；以及，
预测警示(104)，根据迁移速度和迁移方向，预测每条旧污染带即将到达的新区域和到达时间，并给新区域两岸的居民发送警示信息。
2.根据权利要求1所述的一种基于普适型高光谱相机的水质监测方法，其特征在于：所述水质监测方法还包括，
高光谱数据获取(105)，对每张所述高光谱图像进行处理得到高光谱数据；以及，
污染物因子确定(106)，根据高光谱数据进行反演，得到污染物类型；
污染物浓度获取(107)，根据高光谱数据进行反演，得到污染物浓度。
3.根据权利要求1所述的一种基于普适型高光谱相机的水质监测方法，其特征在于：所述旧污染带获取(103)的方法包括，
对每张所述高光谱图像进行分析，得到每张所述高光谱图像中每条所述污染带的宽度和长度，并得到每张所述高光谱图像中所有污染带之间的相对位置关系；
对每张所述高光谱图像的每条污染带进行识别和分析，得到每条所述污染带的颜色带顺序；
将所有高光谱图像的每条污染带进行对比，结合所述相对位置关系、拍摄时间和颜色带顺序，确定旧污染带、新污染带和消失的污染带；
结合拍摄时间，根据所有高光谱图像中每条所述旧污染带的宽度以及长度，得到每条所述旧污染带的迁移速度和迁移方向；以及，
对所述新污染带进行分析和识别，得到并存储所述新污染带的颜色带顺序。
4.根据权利要求3所述的一种基于普适型高光谱相机的水质监测方法，其特征在于：所述确定旧污染带、新污染带和消失的污染带的方法包括，
将最晚拍摄的高光谱图像与前一拍摄时间的高光谱图像的每条所述污染带进行对比，结合所述相对位置关系，若相对位置相同，则为相似污染带，否则为独立污染带；
将所述相似污染带的颜色带顺序进行对比，若从中部往两侧延伸的颜色带顺序一致，则为旧污染带，否则为独立污染带；以及，
若所述独立污染带只在最晚拍摄的高光谱图像中存在，则为新污染带，否则为消失的污染带。
5.根据权利要求1或3所述的一种基于普适型高光谱相机的水质监测方法，其特征在于：所述得到迁移速度和迁移方向的方法包括，
将所述旧污染带依次与剩余高光谱图像的污染带进行对比，结合所述拍摄时间和颜色带顺序，得到每条所述旧污染带最早出现的高光谱图像；
结合每条所述旧污染带最早出现的高光谱图像和最晚拍摄高光谱图像，得到每条旧污染带的迁移方向、迁移距离以及间隔时间N；以及，
根据所述每条旧污染带的迁移距离和间隔时间N，得到每条旧污染带的迁移速度。
6.根据权利要求4所述的一种基于普适型高光谱相机的水质监测方法，其特征在于：所述水质监测方法还包括，
污染解除警示(108)，根据所述每条旧污染带的迁移速度和迁移方向，预测已污染区域的解除污染时间，并将污染解除信息发送给相应的已污染带两岸的居民，所述污染解除信息包括污染解除时间。
7.根据权利要求1所述的一种基于普适型高光谱相机的水质监测方法，其特征在于：所述得到污染带的方法包括，
对所述每张高光谱图像进行识别和分析，划分出不同颜色带的区域；以及，
结合水质污染对应的污染颜色，得到污染带。
8.根据权利要求1所述的一种基于普适型高光谱相机的水质监测方法，其特征在于：所述拍摄周期为变频周期。
9.一种基于普适型高光谱相机的水质监测装置，包括：
存储器(21)，用于存储高光谱图像、高光谱图像的拍摄时间和水质监测程序；
处理器(22)，在运行所述水质监测程序时执行如权利要求1至8中任一项水质监测方法的步骤。
10.一种基于普适型高光谱相机的水质监测终端，包括：
高光谱相机(11)，用于获取待测水域的高光谱图像；
计时器(12)，用于获取所述高光谱图像的拍摄时间；
上述的水质监测装置，分别与高光谱相机(11)、计时器(12)以及预警器通信连接。
CN202110515673.0A 2021-05-12 2021-05-12 一种基于普适型高光谱相机的水质监测方法、装置及终端 Active CN113390803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110515673.0A CN113390803B (zh) 2021-05-12 2021-05-12 一种基于普适型高光谱相机的水质监测方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110515673.0A CN113390803B (zh) 2021-05-12 2021-05-12 一种基于普适型高光谱相机的水质监测方法、装置及终端

Publications (2)

Publication Number Publication Date
CN113390803A true CN113390803A (zh) 2021-09-14
CN113390803B CN113390803B (zh) 2022-09-20

Family

ID=77616932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110515673.0A Active CN113390803B (zh) 2021-05-12 2021-05-12 一种基于普适型高光谱相机的水质监测方法、装置及终端

Country Status (1)

Country Link
CN (1) CN113390803B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403034A (zh) * 2017-06-28 2017-11-28 西交利物浦大学 水质污染扩散预警可视化方法
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法
CN111982831A (zh) * 2020-07-01 2020-11-24 深圳市迈珂斯环保科技有限公司 一种基于高光谱技术的水质在线监测方法、装置和系统
CN112734694A (zh) * 2020-12-19 2021-04-30 闫耀伟 一种基于大数据的水质监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403034A (zh) * 2017-06-28 2017-11-28 西交利物浦大学 水质污染扩散预警可视化方法
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法
CN111982831A (zh) * 2020-07-01 2020-11-24 深圳市迈珂斯环保科技有限公司 一种基于高光谱技术的水质在线监测方法、装置和系统
CN112734694A (zh) * 2020-12-19 2021-04-30 闫耀伟 一种基于大数据的水质监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
雷晓霞等: "GIS与水质模型集成的邕江突发性水污染事故模拟", 《重庆理工大学学报(自然科学)》 *
黄宇等: "基于无人机高光谱成像技术的河湖水质参数反演", 《人民长江》 *

Also Published As

Publication number Publication date
CN113390803B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Irisson et al. Machine learning for the study of plankton and marine snow from images
CN105824280A (zh) 一种物联网环保监控系统
RU2005137247A (ru) Автоматическое асимметричное обнаружение угрозы с использованием отслеживания в обратном направлении и поведенческого анализа
CN113658174B (zh) 基于深度学习和图像处理算法的微核组学图像检测方法
CN115308101A (zh) 水质监测管理方法及系统
CN109848070B (zh) 一种产品分拣系统及方法
CN113780342A (zh) 一种基于自监督预训练的智能检测方法、装置及机器人
EP2593771A2 (en) Methods, storage mediums, and systems for analyzing particle quantity and distribution within an imaging region of an assay analysis system and for evaluating the performance of a focusing routing performed on an assay analysis system
CN115205066A (zh) 一种基于控制单元水环境质量目标管理的水质模拟系统
CN113034013A (zh) 污染溯源方法、装置、电子设备及存储介质
Le et al. Benchmarking and automating the image recognition capability of an In situ plankton imaging system
CN113390803B (zh) 一种基于普适型高光谱相机的水质监测方法、装置及终端
Høye et al. Accurate image-based identification of macroinvertebrate specimens using deep learning—How much training data is needed?
CN118247785A (zh) 土壤修复用土壤污染快速检测装置及方法
Patro et al. Fish detection in underwater environments using deep learning
CN111814764B (zh) 一种遗撒物确定系统
CN116416208A (zh) 管道缺陷检测方法、装置、电子设备及存储介质
Iwamoto et al. REFLICS: Real-time flow imaging and classification system
Sylva et al. Geostatistical Insights into Trace Metal Dynamics: Techniques for Spatial Mapping, Variability Analysis, and Source Characterization in the Environment
CN114648718A (zh) 道路占道检测方法、系统、电子设备及可读存储介质
CN112561307A (zh) 流域水环境大数据画像系统及方法
Scott et al. Resolution changes relationships: Optimizing sampling design using small scale zooplankton data
Yadav et al. AquaVision: Real-Time Identification of Microbes in Freshwater Using YOLOv3
CN117237647B (zh) 一种大气污染监测系统及方法
CN116612069B (zh) 基于光谱和热红外图像的水污染监测方法、系统及设备

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