CN113727214A - 大气污染的巡查方法、装置、设备及存储介质 - Google Patents

大气污染的巡查方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113727214A
CN113727214A CN202111007728.3A CN202111007728A CN113727214A CN 113727214 A CN113727214 A CN 113727214A CN 202111007728 A CN202111007728 A CN 202111007728A CN 113727214 A CN113727214 A CN 113727214A
Authority
CN
China
Prior art keywords
air quality
data
point
unmanned aerial
aerial vehicle
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
Application number
CN202111007728.3A
Other languages
English (en)
Inventor
黄志能
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202111007728.3A priority Critical patent/CN113727214A/zh
Publication of CN113727214A publication Critical patent/CN113727214A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • 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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
    • H04N23/661—Transmitting camera control signals through networks, e.g. control via the Internet
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请适用于人工智能技术领域，提供大气污染的巡查方法，包括：接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据；根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息；根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。本申请巡查速度快范围广、管理部门能实时得到数据并快速作出反应。

Description

大气污染的巡查方法、装置、设备及存储介质
技术领域
本申请属于人工智能技术领域，尤其涉及一种大气污染的巡查方法、装置、设备及存储介质。
背景技术
随着社会经济的发展，人们的工作、生活环境也逐渐得到提高，但与此同时，为人们提供便利的生产生活资料也带来了各种空气污染，例如，工地扬尘、未达到废气排放标准的工厂、公路上行驶的排放严重不达标的机动车、还有做餐饮店铺产生的油烟等等。对于这些大气污染源，政府部门也做了很多防治工作，采取了不少有力处理措施。但这些措施普遍投入成本大，效率不高；有的处理过后还死灰复燃；有的污染源还挺隐蔽很难第一时间查到，直到有群众拍照取证投诉、执法人员主动上门调查才被发现。
目前，现有对不同空气监控需要特殊检测设备以及人员进行人为操作，但是，对于交通不便的区域，或者固定设备无法覆盖的区域，需要浪费大量的人力物力来采集空气数据，并且根据人为经验结合对空气质量的解析往往存在大量误差，影响空气质量的监控准确性。
发明内容
鉴于以上内容，本发明提供一种大气污染的巡查方法、装置、设备及存储介质，其目的在于解决现有技术中根据人为经验结合对空气质量的解析往往存在大量误差的技术问题。
为实现上述目的，本发明提供一种大气污染的巡查方法，该方法包括：
接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据；
根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息；
根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。
优选的，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据，包括：
所述无人机上安装有处理器、5G模块、GPS模块、空气质量检测仪以及摄像头，所述处理器中存储有所述航线以及所述巡查点。
优选的，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据，还包括：
所述无人机实时将定位信息和/或空气质量数据发送给当前服务器中，所述服务器对所述空气质量数据进行输出，以便监测人员触发图像数据采集指令；
所述无人机中处理器接收到所述图像数据采集指令后，启动摄像头进行拍照，并将采集到的所述空气质量采集点图像数据发送至所述服务器中。
优选的，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据之前，包括：
接收录入待监测点信息，获取与监测点信息匹配的定位范围，根据所述定位范围的周长、面积以全覆盖方式规划所述航线。
优选的，所述空气质量分析模型为基于至少两个机器学习模型组合构建得到的模型。
优选的，所述根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息之前，包括：
获取不同所述巡查点采集的历史空气质量数据以及历史图像数据；
根据所述历史空气质量数据对BP神经网络预测模型进行训练，当达到预设预测精度时完成训练；
结合空气质量正常的标准图像和历史上表现正常的图像数据对支持向量机模型进行训练，当达到稳定标准模型时完成训练；
配置与所述BP神经网络预测模型、所述支持向量机模型的运行结果对应的权值，组合权值与所述BP神经网络预测模型、所述支持向量机模型的对应关系，得到所述空气质量分析模型。
优选的，所述根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警之后，包括：
根据所述空气质量状态信息，调整所述无人机的所述航线以及所述巡查点。
为实现上述目的，本发明还提供一种大气污染的巡查装置，所述装置包括：
接收模块，用于接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据；
处理模块，用于根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息；
监控模块，用于根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。
为实现上述目的，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述大气污染的巡查方法。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有大气污染的巡查程序，所述大气污染的巡查程序被处理器执行时，实现所述大气污染的巡查方法的步骤。
本发明提出的大气污染的巡查方法、装置、设备及存储介质，该方法维护的设备少，只有无人机、巡查速度快范围广、管理部门能实时得到数据并快速作出反应。移动空气监测巡查方法，能更多的对固定检测设备无法覆盖地区、交通不便人员难以抵达之地，进行有效覆盖巡查；检查工地和餐饮店铺时，可以用更少的人手检查更多的污染源点，减少人工巡查人员的疲劳；管理部门在线上很快就得到结果，并迅速作出反应，提高了管理效率。
附图说明
为了更清楚地说明本申请的实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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为本发明电子设备较佳实施例的示意图；
图2为图1中大气污染的巡查装置较佳实施例的模块示意图；
图3为本发明大气污染的巡查方法较佳实施例的流程图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System ofMobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子设备1的内部存储单元，例如该电子设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子设备1的外部存储设备，例如该电子设备1配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述电子设备1的操作系统和各类应用软件，例如大气污染的巡查程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行大气污染的巡查程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图1仅示出了具有组件11-14以及大气污染的巡查程序10的电子设备1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，所述电子设备1还可以包括目标用户接口，目标用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的目标用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的目标用户界面。
该电子设备1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
在上述实施例中，处理器12执行存储器11中存储的大气污染的巡查程序10时可以实现如下步骤：
接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据；
根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息；
根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。
关于上述步骤的详细介绍，请参照下述图2关于大气污染的巡查装置100实施例的功能模块图以及图3关于大气污染的巡查方法实施例的流程图的说明。
参照图2所示，为本发明大气污染的巡查装置100的功能模块图。
本发明所述大气污染的巡查装置100可以安装于电子设备中。根据实现的功能，所述大气污染的巡查装置100可以包括接收模块110、处理模块120及监控模块130。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
接收模块110，接收模块，用于接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据。
本实施例中，无人机上安装有处理器、5G模块、GPS模块、空气质量检测仪以及摄像头，处理器中存储有服务器中规划的航线以及巡查点，本申请中巡查点为按照空气质量需求预先配置的巡查位置点，当无人机按照航线进行飞行时，基于GPS模块实时进行定位，以便根据定位信息确定是否处于巡查点。
需要说明的是，本申请中对巡查点进行拍摄得到空气质量采集图像数据，以及启动空气质量检测仪获取空气质量数据，可以在预先规划航线时，对航线中需要进行监测的位置进行标记，作为航线中的巡查点。当基于GPS模块采集的定位信息与此标记位置匹配时，无人机上的处理器启动空气质量检测仪进行空气质量数据采集，以及启动摄像头进行拍照，得到空气质量采集点图像数据。其中，空气质量采集图像数据可以为基于巡查点连续拍摄的多张图片，以便在进行分析处理时，进行数值化处理得到多维向量矩阵，进行运算。
在其他实施方式中，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据，还包括：
所述无人机实时将定位信息和/或空气质量数据发送给当前服务器中，所述服务器对所述空气质量数据进行输出，以便监测人员触发图像数据采集指令；
所述无人机中处理器接收到所述图像数据采集指令后，启动摄像头进行拍照，并将采集到的所述空气质量采集点图像数据发送至所述服务器中。
在此实施例中，监控人员可以基于控制平台或者终端设备对服务器接收到的定位信息和/或空气质量数据进行输出，输出的方式可以按照定位的航线轨迹进行制图输出，也可以按照空气质量数据的曲线图进行展示，以便监控人员实时监控。当监控人员通过控制平台或者终端设备触发图像数据采集指令时，服务器将指令转发至无人机处理器，以使无人机启动摄像头拍照，提高空气质量采集点图像数据的获取准确性。
在其他实施方式中，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据之前，包括：
接收录入待监测点信息，获取与监测点信息匹配的定位范围，根据所述定位范围的周长、面积以全覆盖方式规划所述航线。
例如，当用户输入能某化工厂名称时，获取化工厂的定位坐标(x1，y1)、坐标(x2，y2)、坐标(x3，y3)、坐标(x4，y4)组成的定位范围，按照此定位范围组成的图形的周长作为无人机航线的最大航行区间，然后根据无人机摄像头拍摄图像的截面结合定位范围组成的图行的面积，以全覆盖的方式，即按照无人机航线完成面积内全部实景的拍摄，从而规划航线。具体的，对于规划航线的方法，按照与定位范围中最大直线长度平行的方向作为无人机规划航线飞行的方向，从而使得无人机基于航线完成整个巡查点的监测。若定位作为形成的定位范围为一个点，则规划航线只要路过此定位点即可。
处理模块120，用于根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息。
本实施例中，由于不同的巡查点为不同的空气质量数据、图像数据的采集对象，结合空气环境多变特征，预先根据不同的巡查点训练匹配的空气质量分析模型，因此，在确定巡查点后，匹配对应的空气质量分析模型。具体的，由于需要根据空气质量数据以及空气质量采集点图像数据进行分析处理，一种是检测数据，一种是图像数据，因此，空气质量分析模型为基于至少两个机器学习模型组合构建得到的。对应的，在分析处理时，基于匹配的空气质量分析模型将空气质量数据以及空气质量采集图像数据分别作为输入数据进行运算处理，根据组合得到的运算结果得到空气质量状态信息。其中，空气质量状态信息用于表征空气质量的好坏程度，例如包括质量优、良、差等。另外，空气质量分析模型中对应于空气质量数据的分析模型为具有预测回归的机器学习模型；对应于图像数据的识别方式采用归纳统计的方法，将一批空气质量正常的图像信息训练成一个稳定模型转成一个标准数值组，再把实际图像与标准模型进行比较。
在其他实施方式中，所述根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息之前，包括：
获取不同所述巡查点采集的历史空气质量数据以及历史图像数据；
根据所述历史空气质量数据对BP神经网络预测模型进行训练，当达到预设预测精度时完成训练；
结合空气质量正常的标准图像和历史上表现正常的图像数据对支持向量机模型进行训练，当达到稳定标准模型时完成训练；
配置与所述BP神经网络预测模型、所述支持向量机模型的运行结果对应的权值，组合权值与所述BP神经网络预测模型、所述支持向量机模型的对应关系，得到所述空气质量分析模型。
其中，对于根据历史空气质量数据对BP神经网络预测模型的训练过程中，将标准空气质量正常的图像信息与历史上表现正常的图像作为模型输入进行训练，得到的稳定模型并转成标准数值组作为第一空气质量的数值，两种都加入是为了增加其标准性。再将空气质量中、差的历史图像进行训练转换成第二、第三空气质量的数值组，支持向量机模型的训练过程与现有技术相同。
BP神经网络预测模型的训练过程包括：1、连接权值及阈值初始化并将学习模式对提供给网络机构；2、计算中间层、输出层各单元的输入输出，以及计算输出层各单元的一般化误差、中间层各单元的一般化误差；调整中间层、输入层之间的连接权值，以及中间层输出层各单元的阈值；3更新学习输入模式；4、全部模式训练完成后更新学习次数，若未训练完，则继续训练；5、当误差小于指定误差或者学习次数大于指定学习次数时，完成模型训练。
当完成训练后，根据配置不同模型的权值，组合第一空气质量状态、第二空气质量状态得到空气质量状态信息，例如a1*第一空气质量状态+a2*第二空气质量状态＝空气质量状态信息。
需要说明的是的，对于上述的第一空气质量状态、第二空气质量状态在模型处理过程中均为数值化后的数据，直至得到空气质量状态信息时，与不同的状态信息进行匹配对应。
具体的，对于进行模型训练之前，对于拍摄的图像数据按不同空气质量级别分组进行向量矩阵，将画面中的颜色、纹理、模糊特征等属性数值化得到各种级别的数值组，以便在进行训练过程中作为模型输入进行运输。在巡查时，把实际巡查得到的图像信息也进行数值化，把得到的图像数值组计算与各类标准图像数值组的差，越接近哪组数值则空气质量属于哪一级别，并将判断的结果输出。
监控模块130，用于根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。
本实施例中，由于不同空气质量数据对应不同的图片数据，进而分析得到的空气质量状态信息不同，因此，可以根据基于空气质量状态信息生成空气质量分布信息。具体的，预先按照不同的空气质量状态信息配置匹配的分布颜色、线条、标识等，基于航线地图将不同的空气质量状态信息对应的分布颜色、线条或标识进行渲染，生成空气质量分布信息。按照不同的空气质量分布信息生成报警信息，以便监控人员进行监察处理。
在一个实施例中，所述根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警之后，包括：
根据所述空气质量状态信息，调整所述无人机的所述航线以及所述巡查点。
本实施例中，其中，解析空气质量状态信息是否为差、或者较差、严重等状态，若是，则提取匹配此空气质量状态信息的巡查点以及航线。由于无人机在首次以及上一次规划巡查点以及航线中的飞行时间、飞行速度是配置好的，因此，为了提高对质量严重范围内监控，对无人机规划的航线、巡查点进行调整即为调整航线的往返状态、飞行速度、巡查点拍摄的图像次数等，从而调整出新的无人机飞行航线、巡查点，以便再次进行监控时，对空气质量状态差的区域进行重点监控。
本发明提出的大气污染的巡查装置维护的设备少，只有无人机、巡查速度快范围广、管理部门能实时得到数据并快速作出反应。移动空气监测巡查方法，能更多的对固定检测设备无法覆盖地区、交通不便人员难以抵达之地，进行有效覆盖巡查；检查工地和餐饮店铺时，可以用更少的人手检查更多的污染源点，减少人工巡查人员的疲劳；管理部门在线上很快就得到结果，并迅速作出反应，提高了管理效率。
此外，本发明还提供一种大气污染的巡查方法。参照图3所示，为本发明大气污染的巡查方法的实施例的方法流程示意图。电子设备1的处理器12执行存储器11中存储的大气污染的巡查程序10时，实现大气污染的巡查方法，包括步骤S101-S103。以下对各个步骤进行具体说明。
步骤S101：接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据。
本实施例中，无人机上安装有处理器、5G模块、GPS模块、空气质量检测仪以及摄像头，处理器中存储有服务器中规划的航线以及巡查点，本申请中巡查点为按照空气质量需求预先配置的巡查位置点，当无人机按照航线进行飞行时，基于GPS模块实时进行定位，以便根据定位信息确定是否处于巡查点。
需要说明的是，本申请中对巡查点进行拍摄得到空气质量采集图像数据，以及启动空气质量检测仪获取空气质量数据，可以在预先规划航线时，对航线中需要进行监测的位置进行标记，作为航线中的巡查点。当基于GPS模块采集的定位信息与此标记位置匹配时，无人机上的处理器启动空气质量检测仪进行空气质量数据采集，以及启动摄像头进行拍照，得到空气质量采集点图像数据。其中，空气质量采集图像数据可以为基于巡查点连续拍摄的多张图片，以便在进行分析处理时，进行数值化处理得到多维向量矩阵，进行运算。
在其他实施方式中，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据，还包括：
所述无人机实时将定位信息和/或空气质量数据发送给当前服务器中，所述服务器对所述空气质量数据进行输出，以便监测人员触发图像数据采集指令；
所述无人机中处理器接收到所述图像数据采集指令后，启动摄像头进行拍照，并将采集到的所述空气质量采集点图像数据发送至所述服务器中。
在此实施例中，监控人员可以基于控制平台或者终端设备对服务器接收到的定位信息和/或空气质量数据进行输出，输出的方式可以按照定位的航线轨迹进行制图输出，也可以按照空气质量数据的曲线图进行展示，以便监控人员实时监控。当监控人员通过控制平台或者终端设备触发图像数据采集指令时，服务器将指令转发至无人机处理器，以使无人机启动摄像头拍照，提高空气质量采集点图像数据的获取准确性。
在其他实施方式中，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据之前，包括：
接收录入待监测点信息，获取与监测点信息匹配的定位范围，根据所述定位范围的周长、面积以全覆盖方式规划所述航线。
例如，当用户输入能某化工厂名称时，获取化工厂的定位坐标(x1，y1)、坐标(x2，y2)、坐标(x3，y3)、坐标(x4，y4)组成的定位范围，按照此定位范围组成的图形的周长作为无人机航线的最大航行区间，然后根据无人机摄像头拍摄图像的截面结合定位范围组成的图行的面积，以全覆盖的方式，即按照无人机航线完成面积内全部实景的拍摄，从而规划航线。具体的，对于规划航线的方法，按照与定位范围中最大直线长度平行的方向作为无人机规划航线飞行的方向，从而使得无人机基于航线完成整个巡查点的监测。若定位作为形成的定位范围为一个点，则规划航线只要路过此定位点即可。
步骤S102：根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息。
本实施例中，由于不同的巡查点为不同的空气质量数据、图像数据的采集对象，结合空气环境多变特征，预先根据不同的巡查点训练匹配的空气质量分析模型，因此，在确定巡查点后，匹配对应的空气质量分析模型。具体的，由于需要根据空气质量数据以及空气质量采集点图像数据进行分析处理，一种是检测数据，一种是图像数据，因此，空气质量分析模型为基于至少两个机器学习模型组合构建得到的。对应的，在分析处理时，基于匹配的空气质量分析模型将空气质量数据以及空气质量采集图像数据分别作为输入数据进行运算处理，根据组合得到的运算结果得到空气质量状态信息。其中，空气质量状态信息用于表征空气质量的好坏程度，例如包括质量优、良、差等。另外，空气质量分析模型中对应于空气质量数据的分析模型为具有预测回归的机器学习模型；对应于图像数据的识别方式采用归纳统计的方法，将一批空气质量正常的图像信息训练成一个稳定模型转成一个标准数值组，再把实际图像与标准模型进行比较。
在其他实施方式中，所述根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息之前，包括：
获取不同所述巡查点采集的历史空气质量数据以及历史图像数据；
根据所述历史空气质量数据对BP神经网络预测模型进行训练，当达到预设预测精度时完成训练；
结合空气质量正常的标准图像和历史上表现正常的图像数据对支持向量机模型进行训练，当达到稳定标准模型时完成训练；
配置与所述BP神经网络预测模型、所述支持向量机模型的运行结果对应的权值，组合权值与所述BP神经网络预测模型、所述支持向量机模型的对应关系，得到所述空气质量分析模型。
其中，对于根据历史空气质量数据对BP神经网络预测模型的训练过程中，将标准空气质量正常的图像信息与历史上表现正常的图像作为模型输入进行训练，得到的稳定模型并转成标准数值组作为第一空气质量的数值，两种都加入是为了增加其标准性。再将空气质量中、差的历史图像进行训练转换成第二、第三空气质量的数值组，支持向量机模型的训练过程与现有技术相同。
BP神经网络预测模型的训练过程包括：1、连接权值及阈值初始化并将学习模式对提供给网络机构；2、计算中间层、输出层各单元的输入输出，以及计算输出层各单元的一般化误差、中间层各单元的一般化误差；调整中间层、输入层之间的连接权值，以及中间层输出层各单元的阈值；3更新学习输入模式；4、全部模式训练完成后更新学习次数，若未训练完，则继续训练；5、当误差小于指定误差或者学习次数大于指定学习次数时，完成模型训练。
当完成训练后，根据配置不同模型的权值，组合第一空气质量状态、第二空气质量状态得到空气质量状态信息，例如a1*第一空气质量状态+a2*第二空气质量状态＝空气质量状态信息。
需要说明的是的，对于上述的第一空气质量状态、第二空气质量状态在模型处理过程中均为数值化后的数据，直至得到空气质量状态信息时，与不同的状态信息进行匹配对应。
具体的，对于进行模型训练之前，对于拍摄的图像数据按不同空气质量级别分组进行向量矩阵，将画面中的颜色、纹理、模糊特征等属性数值化得到各种级别的数值组，以便在进行训练过程中作为模型输入进行运输。在巡查时，把实际巡查得到的图像信息也进行数值化，把得到的图像数值组计算与各类标准图像数值组的差，越接近哪组数值则空气质量属于哪一级别，并将判断的结果输出。
步骤S103：根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。
本实施例中，由于不同空气质量数据对应不同的图片数据，进而分析得到的空气质量状态信息不同，因此，可以根据基于空气质量状态信息生成空气质量分布信息。具体的，预先按照不同的空气质量状态信息配置匹配的分布颜色、线条、标识等，基于航线地图将不同的空气质量状态信息对应的分布颜色、线条或标识进行渲染，生成空气质量分布信息。按照不同的空气质量分布信息生成报警信息，以便监控人员进行监察处理。
在一个实施例中，所述根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警之后，包括：
根据所述空气质量状态信息，调整所述无人机的所述航线以及所述巡查点。
本实施例中，其中，解析空气质量状态信息是否为差、或者较差、严重等状态，若是，则提取匹配此空气质量状态信息的巡查点以及航线。由于无人机在首次以及上一次规划巡查点以及航线中的飞行时间、飞行速度是配置好的，因此，为了提高对质量严重范围内监控，对无人机规划的航线、巡查点进行调整即为调整航线的往返状态、飞行速度、巡查点拍摄的图像次数等，从而调整出新的无人机飞行航线、巡查点，以便再次进行监控时，对空气质量状态差的区域进行重点监控。
本发明提出的大气污染的巡查方法维护的设备少，只有无人机、巡查速度快范围广、管理部门能实时得到数据并快速作出反应。移动空气监测巡查方法，能更多的对固定检测设备无法覆盖地区、交通不便人员难以抵达之地，进行有效覆盖巡查；检查工地和餐饮店铺时，可以用更少的人手检查更多的污染源点，减少人工巡查人员的疲劳；管理部门在线上很快就得到结果，并迅速作出反应，提高了管理效率。
此外，本发明实施例还提出一种计算机可读存储介质，该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有大气污染的巡查程序10，所述大气污染的巡查程序10被处理器执行时，应用于第二终端，实现如下操作：
接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据；
根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息；
根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。
本发明提出的大气污染的巡查方法、装置、设备及存储介质，该方法维护的设备少，只有无人机、巡查速度快范围广、管理部门能实时得到数据并快速作出反应。移动空气监测巡查方法，能更多的对固定检测设备无法覆盖地区、交通不便人员难以抵达之地，进行有效覆盖巡查；检查工地和餐饮店铺时，可以用更少的人手检查更多的污染源点，减少人工巡查人员的疲劳；管理部门在线上很快就得到结果，并迅速作出反应，提高了管理效率。
在另一个实施例中，本发明所提供的大气污染的巡查方法，为进一步保证上述所有出现的数据的私密和安全性，上述所有数据还可以存储于一区块链的节点中。例如二维码、识别码等等，这些数据均可存储在区块链节点中。
需要说明的是，本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明之计算机可读存储介质的具体实施方式与上述大气污染的巡查方法的具体实施方式大致相同，在此不再赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语"包括"、"包含"或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
需要说明的是，上述本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用于使得一台电子设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种大气污染的巡查方法，其特征在于，所述方法包括：
接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据；
根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息；
根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。
2.如权利要求1所述的大气污染的巡查方法，其特征在于，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据，包括：
所述无人机上安装有处理器、5G模块、GPS模块、空气质量检测仪以及摄像头，所述处理器中存储有所述航线以及所述巡查点。
3.如权利要求1所述的大气污染的巡查方法，其特征在于，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据，还包括：
所述无人机实时将定位信息和/或空气质量数据发送给当前服务器中，所述服务器对所述空气质量数据进行输出，以便监测人员触发图像数据采集指令；
所述无人机中处理器接收到所述图像数据采集指令后，启动摄像头进行拍照，并将采集到的所述空气质量采集点图像数据发送至所述服务器中。
4.如权利要求1所述的大气污染的巡查方法，其特征在于，所述接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据之前，包括：
接收录入待监测点信息，获取与监测点信息匹配的定位范围，根据所述定位范围的周长、面积以全覆盖方式规划所述航线。
5.如权利要求1所述的大气污染的巡查方法，其特征在于，所述空气质量分析模型为基于至少两个机器学习模型组合构建得到的模型。
6.如权利要求5所述的大气污染的巡查方法，其特征在于，所述根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息之前，包括：
获取不同所述巡查点采集的历史空气质量数据以及历史图像数据；
根据所述历史空气质量数据对BP神经网络预测模型进行训练，当达到预设预测精度时完成训练；
结合空气质量正常的标准图像和历史上表现正常的图像数据对支持向量机模型进行训练，当达到稳定标准模型时完成训练；
配置与所述BP神经网络预测模型、所述支持向量机模型的运行结果对应的权值，组合权值与所述BP神经网络预测模型、所述支持向量机模型的对应关系，得到所述空气质量分析模型。
7.如权利要求1所述的大气污染的巡查方法，其特征在于，所述根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警之后，包括：
根据所述空气质量状态信息，调整所述无人机的所述航线以及所述巡查点。
8.一种大气污染的巡查装置，其特征在于，所述装置包括：
接收模块，用于接收无人机反馈的空气质量数据、空气质量采集点图像数据以及采集定位信息，其中，所述无人机按照预先规划的航线以及巡查点进行采集数据；
处理模块，用于根据所述巡查点匹配预先构建的空气质量分析模型，并基于所述空气质量分析模型对所述空气质量数据、所述空气质量采集点图像数据进行分析处理，得到空气质量状态信息；
监控模块，用于根据所述空气质量状态信息生成空气质量分布信息，以根据所述空气质量分布信息进行监控报警。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述大气污染的巡查方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有大气污染的巡查程序，所述大气污染的巡查程序被处理器执行时，实现如权利要求1至7中任一项所述大气污染的巡查方法的步骤。
CN202111007728.3A 2021-08-30 2021-08-30 大气污染的巡查方法、装置、设备及存储介质 Pending CN113727214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111007728.3A CN113727214A (zh) 2021-08-30 2021-08-30 大气污染的巡查方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111007728.3A CN113727214A (zh) 2021-08-30 2021-08-30 大气污染的巡查方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113727214A true CN113727214A (zh) 2021-11-30

Family

ID=78679358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111007728.3A Pending CN113727214A (zh) 2021-08-30 2021-08-30 大气污染的巡查方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113727214A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354872A (zh) * 2021-12-28 2022-04-15 安徽新宇环保科技股份有限公司 一种无人化河长智能巡河系统
CN114509539A (zh) * 2022-02-23 2022-05-17 广州市灏瀚环保科技有限公司 一种生活环境内空气污染因子检测方法及系统
CN114524097A (zh) * 2022-03-28 2022-05-24 黄河水利职业技术学院 一种测绘地理信息用无人机勘测装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181898A (zh) * 2015-09-07 2015-12-23 李岩 基于大密度部署传感器的大气污染监控及管理方法及系统
US20170092138A1 (en) * 2015-09-30 2017-03-30 Alarm.Com Incorporated Drone detection systems
CN106651036A (zh) * 2016-12-26 2017-05-10 东莞理工学院 空气质量预报系统
CN107121162A (zh) * 2017-04-28 2017-09-01 广东容祺智能科技有限公司 一种智能化空气质量监测无人机系统
CN108535418A (zh) * 2018-04-12 2018-09-14 盐城工学院 一种污染物溯源方法、装置、监控终端及存储介质
CN109270951A (zh) * 2018-08-02 2019-01-25 佛山世寰智能科技有限公司 一种无人机环境监测巡航方法及系统
CN109444062A (zh) * 2018-11-29 2019-03-08 西安交通大学 一种无人机载高排典型污染物差分吸收光谱检测方法
CN110673643A (zh) * 2019-10-28 2020-01-10 北京天龙智控科技有限公司 一种无人机智能环保监测系统及方法
CN111121862A (zh) * 2019-09-29 2020-05-08 广西中遥空间信息技术有限公司 一种空天地一体化的大气环境监测系统及方法
CN111914468A (zh) * 2020-06-12 2020-11-10 中国环境科学研究院 一种空气污染智能监控分析方法及装置
CN113204245A (zh) * 2021-05-19 2021-08-03 广州海事科技有限公司 基于无人机的航标巡查方法、系统、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181898A (zh) * 2015-09-07 2015-12-23 李岩 基于大密度部署传感器的大气污染监控及管理方法及系统
US20170092138A1 (en) * 2015-09-30 2017-03-30 Alarm.Com Incorporated Drone detection systems
CN106651036A (zh) * 2016-12-26 2017-05-10 东莞理工学院 空气质量预报系统
CN107121162A (zh) * 2017-04-28 2017-09-01 广东容祺智能科技有限公司 一种智能化空气质量监测无人机系统
CN108535418A (zh) * 2018-04-12 2018-09-14 盐城工学院 一种污染物溯源方法、装置、监控终端及存储介质
CN109270951A (zh) * 2018-08-02 2019-01-25 佛山世寰智能科技有限公司 一种无人机环境监测巡航方法及系统
CN109444062A (zh) * 2018-11-29 2019-03-08 西安交通大学 一种无人机载高排典型污染物差分吸收光谱检测方法
CN111121862A (zh) * 2019-09-29 2020-05-08 广西中遥空间信息技术有限公司 一种空天地一体化的大气环境监测系统及方法
CN110673643A (zh) * 2019-10-28 2020-01-10 北京天龙智控科技有限公司 一种无人机智能环保监测系统及方法
CN111914468A (zh) * 2020-06-12 2020-11-10 中国环境科学研究院 一种空气污染智能监控分析方法及装置
CN113204245A (zh) * 2021-05-19 2021-08-03 广州海事科技有限公司 基于无人机的航标巡查方法、系统、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱晏民;徐爱兰;孙强;: "基于深度学习的空气质量预报方法新进展", 中国环境监测, no. 03, 15 June 2020 (2020-06-15), pages 10 - 18 *
李琪;: "无人机在大气环境监测中的应用", 中国环保产业, no. 02, 20 February 2018 (2018-02-20), pages 54 - 57 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354872A (zh) * 2021-12-28 2022-04-15 安徽新宇环保科技股份有限公司 一种无人化河长智能巡河系统
CN114354872B (zh) * 2021-12-28 2023-10-17 安徽新宇环保科技股份有限公司 一种无人化河长智能巡河系统
CN114509539A (zh) * 2022-02-23 2022-05-17 广州市灏瀚环保科技有限公司 一种生活环境内空气污染因子检测方法及系统
CN114524097A (zh) * 2022-03-28 2022-05-24 黄河水利职业技术学院 一种测绘地理信息用无人机勘测装置
CN114524097B (zh) * 2022-03-28 2022-11-15 黄河水利职业技术学院 一种测绘地理信息用无人机勘测装置

Similar Documents

Publication Publication Date Title
CN113727214A (zh) 大气污染的巡查方法、装置、设备及存储介质
US10761526B2 (en) Systems and method for robotic industrial inspection system
CN111835582A (zh) 物联网巡检设备的配置方法、装置、计算机设备
CN112861972A (zh) 一种展业区域的选址方法、装置、计算机设备和介质
CN114155129A (zh) 一种基于工业园区的大气环境溯评方法和系统
EP3738006A1 (en) System for power plant management and device for building 3d virtual model of power plant
CN111797918A (zh) 大气污染源识别方法、装置、计算机设备及存储介质
CN116738552B (zh) 一种基于物联网的环境检测设备管理方法及系统
CN109376689B (zh) 人群分析方法及装置
CN112528825A (zh) 一种基于图像识别的车站乘客招援服务方法
CN112367397A (zh) 外勤作业的监控预警方法、系统、计算机设备及存储介质
CN117424886A (zh) 一种智慧水务业务管控平台及管控方法
CN116087421A (zh) 大气污染物监测溯源方法、装置、计算机设备和存储介质
Chang et al. Safety risk assessment of electric power operation site based on variable precision rough set
CN116843303B (zh) 一种智慧梁场的生产管控方法及系统
CN112561276A (zh) 作业操作风险演示方法及装置、存储介质、电子装置
CN114113487B (zh) 一种挥发性有机物在线监测系统及方法
CN115760486A (zh) 临建规模评估方法、装置、设备和可读存储介质
DE102019211871B4 (de) Verfahren und Anordnung zur Darstellung von technischen Objekten
CN115240101A (zh) 一种基于场景分析的医疗样本转送监督系统
CN112434648A (zh) 一种墙体形状变化检测方法及系统
CN111859370A (zh) 识别服务的方法、装置、电子设备和计算机可读存储介质
CN110910042A (zh) 基于gps技术的电力野外高空作业行为评估方法及系统
CN110633702A (zh) 基于无人机的线路检修费计算方法、服务器及存储介质
Serhani et al. Drone-assisted inspection for automated accident damage estimation: A deep learning approach

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