CN114112945A - 一种新型巢湖蓝藻水华监测系统 - Google Patents

一种新型巢湖蓝藻水华监测系统 Download PDF

Info

Publication number
CN114112945A
CN114112945A CN202111677113.1A CN202111677113A CN114112945A CN 114112945 A CN114112945 A CN 114112945A CN 202111677113 A CN202111677113 A CN 202111677113A CN 114112945 A CN114112945 A CN 114112945A
Authority
CN
China
Prior art keywords
image
multispectral
water body
schmidt
gram
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
CN202111677113.1A
Other languages
English (en)
Inventor
赵晋陵
王东阳
汪文昊
岳云飞
戴好
吴可
黄林生
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.)
Anhui University
Original Assignee
Anhui University
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 Anhui University filed Critical Anhui University
Priority to CN202111677113.1A priority Critical patent/CN114112945A/zh
Publication of CN114112945A publication Critical patent/CN114112945A/zh
Pending legal-status Critical Current

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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J1/00—Photometry, e.g. photographic exposure meter
    • G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
    • G01K13/026—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow of moving liquids
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • 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
    • G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J1/00—Photometry, e.g. photographic exposure meter
    • G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
    • G01J2001/4266—Photometry, e.g. photographic exposure meter using electric radiation detectors for measuring solar light
    • 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
    • G01N2021/1765—Method using an image detector and processing of image signal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Food Science & Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medicinal Chemistry (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Emergency Medicine (AREA)
  • Molecular Biology (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种新型巢湖蓝藻水华监测系统，包括云服务器；设置在远程遥控无人船上的远程遥控采集平台包括水体数据采集装置、图像采集分析装置、系统处理器、定位装置、数据传送装置。水体数据采集装置上设有的多种水质传感器采集水体水质数据并传送至系统处理器进行综合分析，利用图像采集分析装置采集水域图像信息并将图像信息传送至系统处理器。系统处理器将水体水质数据信息及水域的图像信息传送至数据传送装置，数据传送装置将接收到的信息传送至云服务器，云服务器对接收到的数据进行统计学分析，实现通过移动端软件实时监测蓝藻水华。本发明能够极大的提高水质监测的效率和一定程度上进行蓝藻水华的预测，提高蓝藻治理的反应速度。

Description

一种新型巢湖蓝藻水华监测系统
技术领域
本发明涉及水生生物防治监测领域，具体为一种新型巢湖蓝藻水华监测系统。
背景技术
如图1，巢湖位于安徽省中部，面积约780km2，是我国五大淡水湖泊之一，也是我国水污染防治的重点水体。自1970s起，由于流域内社会经济快速发展，入湖污染负荷增加，水体N、P负荷较重(表1)，造成水体富营养化。巢湖环境相对封闭，加之良好的营养条件、充足的光照以及适宜的水动力条件，其非常适合蓝藻繁殖。蓝藻缺乏天敌，可以大规模繁殖，在每年5-7月爆发。
表1：巢湖主要年份年均水质(mg/L)
Figure BDA0003452317090000011
Figure BDA0003452317090000012
注：1984—2010年水质的参考文献
自1990年起，巢湖年年爆发蓝藻，其中西半湖是爆发的主要区域。蓝藻带有藻毒素，蓝藻连续爆发容易引起供水危机，进而影响人体健康。同时，蓝藻爆发后占据湖面，会减少生物多样性，其气味会影响旅游环境和居住环境，因此对于蓝藻水华的监测就十分必要。目前国内外建立起了一系列的蓝藻爆发预测的机制和方法，目前主要的方法有：传统采样方法、卫星遥感监测法、光谱技术监测法、荧光探针监测法、流式细胞技术监测法。
传统采样方法是通过定期定时在湖泊、河流中具有代表性的区域布点、采样，然后在实验室中分析识别，并鉴别和计数样品中存在的类群。但由于蓝藻爆发时的复杂时空动态，因此传统采样方法的时效性很差。
卫星遥感监测法主要基于光谱特征的分析，根据蓝藻、水体、水草不同的光谱特征进行分析辨别。通过卫星遥感监测法可以对蓝藻爆发的面积以及分布进行分析并对水华进行预警预测；卫星遥感监测蓝藻具有监测速度快、监测范围广、监测实时性高、节省人力物力、成本低等优点。但是气溶胶、空气中的悬浮颗粒、太阳耀斑对其有干扰作用。
光谱技术监测法是快速鉴别浮游植物的技术，如吸光度和荧光。特别是由于蓝藻细胞中存在荧光色素，所以所有蓝藻的实时监测都可以基于自动荧光。使用自荧光法监测蓝藻通常基于可见光谱中的激发，而利用可见光谱激发成本较高。
荧光探针监测法利用水下荧光传感器实时监测水中藻类生物量。但在高度浑浊的环境中，或当物种组成在空间或时间上迅速变化时，水下荧光传感器的校准具有一定的难度，此外，蓝藻的光谱随着环境条件的变化而变化，荧光传感器在估算蓝藻总生物量时的可靠性会受到阻碍。
流式细胞技术监测法是一种多参数、高通量、快速的实时监测、分析技术，基于蓝藻的荧光反应监测蓝藻，但是流式细胞仪造价很高，操作技术要求较高。
综上所述，目前已有的蓝藻监测方法各有不足，难以大规模推广。因此需要一种新型巢湖蓝藻水华监测系统。
发明内容
本发明的目的在于提供一种新型巢湖蓝藻水华监测系统，可以实现实时采样，实时分析，且成本较低，可以较大范围内推广，以实现蓝藻的监测。
本发明提供了一种新型巢湖蓝藻水华监测系统，包括：
云服务器；
设置在远程遥控无人船上的远程遥控采集平台，所述程遥控采集平台包括：
水体数据采集装置，用于采集水体数据信息，并将采集到的水体数据信息传送至系统处理器；
图像采集分析装置，用于采集水域图像，对采集到的水域图像进行初步解析处理，并将解析后的水域图像传送至系统处理器；
系统处理器，用于对所述水体数据信息进行融合分析处理，并将融合分析处理后的水体数据信息发送至数据传送装置；还用于利用Faster R-CNN对所述水域图像进行蓝藻密度分析并将水域图像分析结果发送至数据传送装置；
定位装置，用于获取远程遥控无人船的位置信息，并将获取的位置信息发送至系统处理器及数据传送装置；
数据传送装置，用于将融合分析处理后的水体数据信息、水域图像分析结果及定位装置远程遥控无人船的位置信息发送至云服务器；
所述云服务器对融合分析处理后的水体数据信息进行综合分析，并结合水域图像分析结果实现蓝藻水华监测。
优选的，所述图像采集分析装置包括多光谱相机以及图像分析器；
所述多光谱相机用于采集水域的多光谱图像；
所述图像分析器用于对采集到的水域的多光谱图像进行初步解析处理，包括以下步骤：
对采集的多光谱图像进行筛选；
对筛选后的多光谱图像进行校正；
对校正后的多光谱图像利用PCA算法进行图像拼接处理；
对图像拼接处理后的多光谱图像利用3阶多项式模型进行影像校正；
对影像校正后的多光谱图像进行几何校正；
对几何校正后的多光谱图像进行辐射定标；
对辐射定标后的多光谱图像利用高光谱图像融合算法使其与RGB图像融合。
优选的，所述校正后的多光谱图像为：
Figure BDA0003452317090000041
其中，R为校正后的多光谱图像；IS为多光谱相机采集的原始多光谱图像；D为多光谱相机采集得到的全黑标定图像；w多光谱相机对标准白色校正板进行采集得到的全白标定图像。
优选的，所述对辐射定标后的多光谱图像利用高光谱图像融合算法使其与RGB图像融合，包括以下步骤：
将RGB图像进行三通道融合，得到全色图像；
采用Gram-Schmidt变换使全色图像与辐射定标后的多光谱图像融合；
对与全色图像融合后的多光谱图像利用最大熵阈值分割算法进行分割处理；
优选的，所述采用Gram-Schmidt变换使全色图像与辐射定标后的多光谱图像融合，包括以下步骤：
利用所述全色图像作为Gram-Schmidt变换的第一个分量GS1来对低空间分辨率影像进行Gram-Schmidt正变换；
对经Gram-Schmidt正变换后的数据集进行Gram-Schmidt逆变换，实现完成低空间分辨率影像与高空间分辨率影像融合；
所述Gram-Schmidt正变换的公式为：
Figure BDA0003452317090000051
Figure BDA0003452317090000052
Figure BDA0003452317090000053
其中，GST为经Gram-Schmidt正变换后的第T个正交分量；
BT为原始低空间分辨率影像第T波段；
μT为原始低空间分辨率影像第T波段像元灰度值的均值；
φ(BT，GSl)为原始低空间分辨率影像第K波段与GSl之间的协方差；
i和j分别为原始低空间分辨率影像的行数和列数；
M和N为整幅影像的行数和列数；
所述Gram-Schmidt逆变换的公式为：
Figure BDA0003452317090000054
Figure BDA0003452317090000061
通过(5)式对Gram-Schmidt正变换后的数据集进行Gram-Schmidt逆变换。
优选的，所述Faster R-CNN包括全卷积神经网络RPN及Fast R-CNN检测器；
所述全卷积神经网络RPN用来产生候选识别区域；
所述Fast R-CNN检测器采用全卷积神经网络RPN产生的候选识别区域进行分类与边框回归计算。
优选的，在对所述全卷积神经网络RPN进行训练的过程中，对所述多光谱图像中所有位置的锚点打标签进行监督训练；
若锚点与正确点的交并比大于0.7，则该锚点为正样本，若锚点与正确点的交并比小于0.3，则该锚点为负样本；
全卷积神经网络RPN的训练函数为：
Figure BDA0003452317090000062
Lcls(pi，pi *)＝-log[pipi *+(1-pi *)(1-pi)] (7)
Figure BDA0003452317090000063
Figure BDA0003452317090000064
Figure BDA0003452317090000071
其中，L为RPN为网络损失；Lcls为分类层损失；Lreg为回归层损失；i为锚点索引；ti为预测边界框坐标向量；ti *为真实边界框向量；Ncls为分类样本数；Nreg为回归样本数；pi为目标的预测概率；pi *为锚点判别值；λ为权重参数；smoothLi为平滑函数。
优选的，所述水体数据采集装置包括分别与系统处理器连接的温度传感器、光照强度传感器、pH传感器、溶解氧浓度传感器。
优选的，所述定位装置将所述水体数据采集装置采集水体数据的位置信息传送至系统处理器，所述系统处理器将该位置信息传送至数据传送装置。
优选的，还包括动力装置，所述动力装置包括船体动力供电源、数据采集供电源、电能补充件，所述电能补充件为设在远程遥控无人船上的太阳能电池板。
与现有技术相比，本发明的有益效果：
本发明公开了一种新型巢湖蓝藻水华监测装置，包括远程遥控无人船以及云服务器，远程遥控无人船上设有水体数据采集装置、图像采集分析装置、系统处理器、数据传送装置、定位装置、动力装置。利用水体数据采集装置上设有的多种水质传感器采集水体水质数据，并将水体水质数据传送至系统处理器进行综合分析，利用图像采集分析装置采集水域图像信息并将该图像信息传送至系统处理器，系统处理器对该图像信息进行进一步处理分析。
系统处理器将水体水质数据信息及水域的图像信息传送至数据传送装置，数据传送装置将接收到的信息传送至云服务器，云服务器对接收到的数据进行统计学分析，从而实现通过移动端软件实时监测蓝藻水华。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一种新型巢湖蓝藻水华监测系统的背景技术中的巢湖流域水系示意图；
图2为本发明一种新型巢湖蓝藻水华监测系统的结构示意图；
图3为本发明一种新型巢湖蓝藻水华监测系统的系统框图；
图4为本发明一种新型巢湖蓝藻水华监测系统的操作流程框图；
图5为本发明一种新型巢湖蓝藻水华监测系统的图像拼接PCA算法流程框图；
图6为本发明一种新型巢湖蓝藻水华监测系统的Faster R-CNN原理图。
附图标记说明：
1-远程遥控无人船，2-水体数据采集装置，3-图像采集分析装置，4-系统处理器，5-数据传送装置，6-定位装置，7-动力装置，8-云服务器，201-温度传感器，202-光照强度传感器，203-pH传感器，204-溶解氧浓度传感器，301-多光谱相机，302-图像分析器，701-船体动力供电源，702-数据采集供电源，703-电能补充件。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例
如图2-6所示，一种新型巢湖蓝藻水华监测系统，包括：
设置在远程遥控无人船1上的远程遥控采集平台，程遥控采集平台包括：
水体数据采集装置2，用于采集水体数据信息，并将采集到的水体数据信息传送至系统处理器4；
图像采集分析装置3，用于采集水域图像，对采集到的水域图像进行初步解析处理，并将解析后的水域图像传送至系统处理器4；
系统处理器4，用于对水体数据信息进行融合分析处理，并将融合分析处理后的水体数据信息发送至数据传送装置5；还用于利用Faster R-CNN对水域图像进行蓝藻密度分析并将水域图像分析结果发送至数据传送装置5；
定位装置6，用于获取远程遥控无人船1的位置信息，并将获取的位置信息发送至系统处理器4及数据传送装置5；
数据传送装置5，用于将融合分析处理后的水体数据信息、水域图像分析结果及定位装置6远程遥控无人船1的位置信息发送至云服务器8；
云服务器8对融合分析处理后的水体数据信息进行综合分析，并结合水域图像分析结果实现蓝藻水华监测。利用云服务器8实现通过移动端软件实时监测蓝藻水华。
本发明中的远程遥控无人船1可实现在较远范围内可以进行实时、远程控制，这样可以在短时间内采集到附近水域的蓝藻水华相关数据信息并进行分析。解决了传统采样方法中需要人工采样，进行蓝藻监测采样时费时费力的问题。远程遥控无人船1为一体化成型，内部除放置装置的空间外，均为密封空间，可以有效防止在大风浪天气下，船体进水沉没，可以在雨雾天气进行水体数据采样作业。
水体数据采集装置2包括分别与系统处理器4连接的温度传感器201、光照强度传感器202、pH传感器203、溶解氧浓度传感器204。
温度传感器201是DS18B20数字式温度传感器，该产品只需单线接口，电路简单不需要AD转换器件和其它外围电路，缩小了系统的体积，提高了系统的可靠性。DS18B20的封装有3脚、6脚和8脚三种方式。此处选用的是3引脚方式(TO-92封装)，其中DQ为信号输入/输出端，GND为电源地，VCC为外接供电电源输入端。系统把DQ端连接到STM32的P0.0口，通过对DS18B20的初始化，温度转换和读取等指令来测量水体温度。
光照强度传感器202此处采用的是GY-30，数字光强度检测模块GY-30采用ROHM原装BH1750FVI芯片，供电电源为3-5V；光照度范围为0-65535lx；传感器内置16bitAD转换器直接数字输出，省略复杂的计算，省略标定不区分环境光源接近于视觉灵敏度的分光特性可对广泛的亮度进行1勒克斯的高精度测定标准。其功能的实现也较为简单，GY-30与STM32单片机的连接，也就是将SCL、SDA引脚与单片机任何两个IO相连，并加上上拉电阻。
pH传感器203此处采用的是上海精密科学仪器有限公司生产的E-201-C型PH传感器，它的主要参数为，pH测量范围为0～14；在25℃的环境时，使用响应时间小于或等于2min；适用温度范围0～60℃。该pH传感器的参数完全能够满足水质监测及蓝藻水华监测的需求，且该pH电极的球泡部分有塑料栅保护，不易破碎。
溶解氧浓度传感器204采用REM智慧型电极，可以测量水体中0.00～20.00mg/L的溶解氧浓度，可以在15～30L的水体流速中工作，并且灵敏度较高，使用Ip68防水技术，可以安全在水体中采集水体的溶解氧浓度指标。采用多种传感器进行数据采集，可以在一定程度上增加蓝藻监测的指标范围，增加蓝藻监测的可靠性。
本发明中的图像采集分析装置3中的多光谱相机301为一部高光谱相机，图像分析器302内置图像分析芯片，高光谱相机将采集到的图片传送给图像分析芯片，经图像分析芯片的初步处理之后，将解析后的图片传送至系统处理器进行进一步分析，采用Faster R-CNN方法对图像进行蓝藻密度分析，以达到蓝藻水华监测的目的。
本发明中的系统处理器4主要包含一块STM32F103ZET6单片机，内核采用ARM32位Cortex-M3 CPU，最高工作频率72MHz，1.25DMIPS/MHz。支持单周期乘法和硬件除法，同时片上集成512KB的Flash存储器，64KB的SRAM存储器。时钟、复位和电源管理，2.0-3.6V的电源供电和I/O接口的驱动电压。POR、PDR和可编程的电压探测器(PVD)。4-16MHz的晶振。内嵌出厂前调校的8MHz RC振荡电路。内部40kHz的RC振荡电路。用于CPU时钟的PLL。带校准用于RTC的32kHz的晶振。同时该单片机有3种低功耗模式：休眠，停止，待机模式。通过利用超低功耗的稳压器和振荡器，微控制器可大幅度降低在低频下的工作功耗。稳压器不依赖电源电压即可满足电流要求。此外，STM32电路的设计目的是以低电压实现高性能，有效延长电池供电设备的充电间隔。高达144个的快速I/O端口：所有的端口都可以映射到16个外部中断向量。除了模拟输入，所有的都可以接受5V以内的输入。该系统处理器可以有效控制多个传感器的数据输入与输出，并将所采集到的数据进行初步处理，并具有较大的扩展空间。采取STM32可以在采集到数据后立即进行一定的数据、分析，避免了传统采样方法中需要回到实验室进行数据分析的情况，有效提高了数据采集、分析的效率。
本发明中的数据传送装置5包含一套数据传输模块HF2411，该模块支持5模全网通LTE-TDD,LTE-PDD,WCDMA,TD-SCDMA,GPRS，支持RS232/RS485转2G/3G/4G数据传输，串口速率最高460800bps，也支持多种工作模式，包括网络透传模式，HTTP模式。该装置可以将串口接收到的数据根据网络协议进行传输，在配置4G数据传输模块时，设置为自动发送型，当接收到串口的数据时，就会自动转发到云服务器上的服务器程序。数据传输装置与单片机之间通过串口通信，在转发数据时使用的是TCP协议，只要提前设置云服务器的IP地址和服务器程序的监听端口就可以实现数据传输。所有传感器采集到的监测数据，经初步处理转换后，传送到处理模块，再由处理模块转发，通过移动网络，传入云服务器平台，并完成特征级数据融合，将分析处理后的数据，传送至用户。无线远程云传输平台的功能是连接前端传感网络。将前端监控点采集到的温度、pH值、光照强度等信息，传输到云服务器。使用这套数据传输装置可以省去人工记录数据并录入数据的过程，可以极大地提高数据采集和处理的效率。
本发明中的定位装置6包含北斗双模定位系统ATK-1218-BD,定位芯片为S1218，定位精度为2.5CEP，冷却时间30秒左右，更新速率快达20Hz，通信波特率可达230400，串口波特率为4800～230400bps，采取的通信协议为NMEA-0183。在系统中搭载此套定位装置，可以在水域中较为精准地定位到采集水体数据的位置，将水质数据与位置信息进行匹配，可以详细查看具体水域的水质信息。
本发明中的监测系统还包括动力装置7，动力装置7包括船体动力供电源701、数据采集供电源702、电能补充件703。
船体动力供电源701包括两个无刷电机及标准电压为7.4V，容量为9600mAh的锂离子可充电电池，锂离子可充电电池主要为船体的动力装置进行供电，可以支持船体在水域中航行数个小时，满足在较大水域范围的内的水质采样要求，单个无刷电机最大功率为700W，最大转速7000转每分钟。可以快速在水域中进行航行，方便在较短时间内对某一片水域内进行采样，以便于提高采样效率。
数据采集供电源702，采用标准电压12V，容量为20000mAh的可充电锂离子电池，主要为整个系统除船体动力系统外的其他装置进行供电，可以保证整个系统连续工作数个小时，为水质数据分析提供足够多的样本数据。
电能补充件703为设在远程遥控无人船1上的太阳能电池板，电能补充件为一块高性能180×270mm氮化镓太阳能电池板和一套小型变压器。太阳能电池板在阳光充足的条件下可以稳定输出500mA的电流，通过小型变压器变压后，输入给船体的动力电源，为船体补充电力。
远程遥控无人船1上还设有天线，主要是用于船体的遥控信号接收及定位装置的定位，是遥控天线及定位天线的集成模块。
云服务器8为数据分析处理平台，主要是依据当前成熟且可靠的云服务器技术，将蓝藻监测装置采集的到各项数据传输到云服务器，由云服务器进行数据统计，分析，比对。在分析之前，将历年巢湖水质监测数据及蓝藻爆发数据导入云服务器的数据库，将当前数据与之对比分析，结合蓝藻爆发与各项环境因子的灰度关联分析，并结合高光谱图像的分析结果，判断当前环境蓝藻爆发几率或已爆发蓝藻的严重程度等级，最后将得出的数据可视化与风险评估呈现在移动终端，以达到监测蓝藻水华的目的。
图像采集分析装置3包括多光谱相机301以及图像分析器302；
多光谱相机301用于采集水域的多光谱图像；
图像分析器302用于对采集到的水域的多光谱图像进行初步解析处理，包括以下步骤：
步骤1、对采集的多光谱图像进行筛选，为了减少拼接工作量以及保证拼接后的影像质量，去除因无人船行进中受风浪等因素导致船体抖动，质量不佳的图像；
步骤2、对筛选后的多光谱图像进行校正，校正后的多光谱图像为：
Figure BDA0003452317090000141
其中，R为校正后的多光谱图像；IS为多光谱相机采集的原始多光谱图像；D为多光谱相机采集得到的全黑标定图像；w多光谱相机对标准白色校正板进行采集得到的全白标定图像；
步骤3、对校正后的多光谱图像利用PCA算法进行图像拼接处理，应用PCA算法将图像特征从高维空间降到低维特征空间，通过把多个分量进行线性变换降低到更少分量上，找到最优子空间，然后将特征投影到最优子空间，计算在各分量上的方差，并按方差大小排序。方差最大的为第一主分量，第二主分量次之，直到确定前面的n个分量。再通过PCA逆变换得到目标图像，具体流程如图5；
步骤4、对图像拼接处理后的多光谱图像利用3阶多项式模型进行影像校正，结果输出得到数字正射影像；
步骤5、对影像校正后的多光谱图像进行几何校正；
步骤6、对几何校正后的多光谱图像进行辐射定标；
步骤7、对辐射定标后的多光谱图像利用高光谱图像融合算法使其与RGB图像融合，包括以下步骤：
步骤7.1、将RGB图像进行三通道融合，得到全色图像；
步骤7.2、采用Gram-Schmidt变换使全色图像与辐射定标后的多光谱图像融合，包括以下步骤：
步骤7.2.1、采用Gram-Schmidt变换使全色图像与辐射定标后的多光谱图像融合利用全色图像作为Gram-Schmidt变换的第一个分量GS1来对低空间分辨率影像进行Gram-Schmidt正变换；
步骤7.2.2、对经Gram-Schmidt正变换后的数据集进行Gram-Schmidt逆变换，实现完成低空间分辨率影像与高空间分辨率影像融合；
其中，Gram-Schmidt正变换的公式为：
Figure BDA0003452317090000151
Figure BDA0003452317090000152
Figure BDA0003452317090000153
其中，GST为经Gram-Schmidt正变换后的第T个正交分量；
BT为原始低空间分辨率影像第T波段；
μT为原始低空间分辨率影像第T波段像元灰度值的均值；
φ(BT，GSl)为原始低空间分辨率影像第K波段与GSl之间的协方差；
i和j分别为原始低空间分辨率影像的行数和列数；
M和N为整幅影像的行数和列数；
其中，Gram-Schmidt逆变换的公式为：
Figure BDA0003452317090000161
通过(5)式对Gram-Schmidt正变换后的数据集进行Gram-Schmidt逆变换，完成低空间分辨率影像与高空间分辨率影像融合。
在Gram-Schmidt变换融合中，利用低空间分辨率的多光谱图像来模拟高分辨率图像，利用(2)、(3)、(4)式融合红、绿、蓝三个波段，得到相应的高分辨率全色图像的灰度为0.587倍的红色色域与0.114倍的绿色色域与0.299蓝色色域之和。通过上述应用Gram-Schmidt逆变换完成RGB图像与多光谱图像的融合，更容易辨别蓝藻的特征。
步骤7.3、对与全色图像融合后的多光谱图像利用最大熵阈值分割算法进行分割处理。其中最大熵阈值分割算法为周成全等人改进的基于混沌理论的萤火虫阈值选择的最大熵阈值分割算法，通过对融合后的图像进行分割处理，使得分割后的图像达到最优化。
相比于Fast R-CNN与R-CNN网络，Faster R-CNN最大的优点是其减少了提取候选区域的计算压力，因此本项目将利用Faster R-CNN进行训练学习与数据分析。本发明中的Faster R-CNN包括全卷积神经网络RPN及Fast R-CNN检测器，如图6所示。
第一部分是全卷积神经网络RPN(Region proposal network)，该网络用来产生候选区域；第二部分是Fast R-CNN检测器使用第一部分网络产生的候选区域进行分类与边框回归计算。整个系统共享卷积特征图，将这两部分连接起来，成为单一、统一的网络。
使用RPN网络提取候选框，让Faster R-CNN实现了端到端的物体检测。为了训练RPN网络，此方法设计了一个多任务的loss。
由于一幅Feature map中所有位置都有9个锚点Anchor，因此会产生很多的锚点Anchor，在训练过程中，需要给产生的锚点anchor打标签以进行监督训练。在训练过程中，此方法将产生的锚点Anchor与任意正确点ground truth的交并比IoU(Intersection-over-Union)＞0.7的看作锚点正样本，将与任意ground truth的交并比IoU都小于0.3的看作锚点负样本，交并比IoU处于0.3到0.7的样本不参与训练。全卷积神经网络RPN训练的多任务Loss函数如所示：
Figure BDA0003452317090000171
Lcls(pi，pi *)＝-log[pipi *+(1-pi *)(1-pi)] (7)
Figure BDA0003452317090000172
Figure BDA0003452317090000173
Figure BDA0003452317090000181
其中，L为RPN为网络损失；Lcls为分类层损失；Lreg为回归层损失；i为锚点索引；ti为预测边界框坐标向量；ti *为真实边界框向量；Ncls为分类样本数；Nreg为回归样本数；pi为目标的预测概率；pi *为锚点判别值；λ为权重参数；smoothLi为平滑函数。
Faster R-CNN通过共享卷积层的方法，将候选区域的提取和CNN分类结合在一起，使用端到端的网络进行训练和测试，提升了数据处理速度的同时并保证了高精度的分析能力。
最后说明的是：以上公开的仅为本发明的一个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种新型巢湖蓝藻水华监测系统，其特征在于，包括：
云服务器(8)；
设置在远程遥控无人船(1)上的远程遥控采集平台，所述程遥控采集平台包括：
水体数据采集装置(2)，用于采集水体数据信息，并将采集到的水体数据信息传送至系统处理器(4)；
图像采集分析装置(3)，用于采集水域图像，对采集到的水域图像进行初步解析处理，并将解析后的水域图像传送至系统处理器(4)；
系统处理器(4)，用于对所述水体数据信息进行融合分析处理，并将融合分析处理后的水体数据信息发送至数据传送装置(5)；还用于利用Faster R-CNN对所述水域图像进行蓝藻密度分析并将水域图像分析结果发送至数据传送装置(5)；
定位装置(6)，用于获取远程遥控无人船(1)的位置信息，并将获取的位置信息发送至系统处理器(4)及数据传送装置(5)；
数据传送装置(5)，用于将融合分析处理后的水体数据信息、水域图像分析结果及定位装置(6)远程遥控无人船(1)的位置信息发送至云服务器(8)；
所述云服务器(8)对融合分析处理后的水体数据信息进行综合分析，并结合水域图像分析结果实现蓝藻水华监测。
2.根据权利要求1所述的一种新型巢湖蓝藻水华监测系统，其特征在于：所述图像采集分析装置(3)包括多光谱相机(301)以及图像分析器(302)；
所述多光谱相机(301)用于采集水域的多光谱图像；
所述图像分析器(302)用于对采集到的水域的多光谱图像进行初步解析处理，包括以下步骤：
对采集的多光谱图像进行筛选；
对筛选后的多光谱图像进行校正；
对校正后的多光谱图像利用PCA算法进行图像拼接处理；
对图像拼接处理后的多光谱图像利用3阶多项式模型进行影像校正；
对影像校正后的多光谱图像进行几何校正；
对几何校正后的多光谱图像进行辐射定标；
对辐射定标后的多光谱图像利用高光谱图像融合算法使其与RGB图像融合。
3.根据权利要求2所述的一种新型巢湖蓝藻水华监测系统，其特征在于：所述校正后的多光谱图像为：
Figure FDA0003452317080000021
其中，R为校正后的多光谱图像；IS为多光谱相机采集的原始多光谱图像；D为多光谱相机采集得到的全黑标定图像；w多光谱相机对标准白色校正板进行采集得到的全白标定图像。
4.根据权利要求2所述的一种新型巢湖蓝藻水华监测系统，其特征在于：所述对辐射定标后的多光谱图像利用高光谱图像融合算法使其与RGB图像融合，包括以下步骤：
将RGB图像进行三通道融合，得到全色图像；
采用Gram-Schmidt变换使全色图像与辐射定标后的多光谱图像融合；
对与全色图像融合后的多光谱图像利用最大熵阈值分割算法进行分割处理。
5.根据权利要求4所述的一种新型巢湖蓝藻水华监测系统，其特征在于：所述采用Gram-Schmidt变换使全色图像与辐射定标后的多光谱图像融合，包括以下步骤：
利用所述全色图像作为Gram-Schmidt变换的第一个分量GS1来对低空间分辨率影像进行Gram-Schmidt正变换；
对经Gram-Schmidt正变换后的数据集进行Gram-Schmidt逆变换，实现完成低空间分辨率影像与高空间分辨率影像融合；
所述Gram-Schmidt正变换的公式为：
Figure FDA0003452317080000031
Figure FDA0003452317080000032
Figure FDA0003452317080000033
其中，GST为经Gram-Schmidt正变换后的第T个正交分量；
BT为原始低空间分辨率影像第T波段；
μT为原始低空间分辨率影像第T波段像元灰度值的均值；
φ(BT,GSl)为原始低空间分辨率影像第K波段与GSl之间的协方差；
i和j分别为原始低空间分辨率影像的行数和列数；
M和N为整幅影像的行数和列数；
所述Gram-Schmidt逆变换的公式为：
Figure FDA0003452317080000041
通过(5)式对Gram-Schmidt正变换后的数据集进行Gram-Schmidt逆变换。
6.根据权利要求1所述的一种新型巢湖蓝藻水华监测系统，其特征在于：所述FasterR-CNN包括全卷积神经网络RPN及Fast R-CNN检测器；
所述全卷积神经网络RPN用来产生候选识别区域；
所述Fast R-CNN检测器采用全卷积神经网络RPN产生的候选识别区域进行分类与边框回归计算。
7.根据权利要求6所述的一种新型巢湖蓝藻水华监测系统，其特征在于：在对所述全卷积神经网络RPN进行训练的过程中，对所述多光谱图像中所有位置的锚点打标签进行监督训练；
若锚点与正确点的交并比大于0.7，则该锚点为正样本，若锚点与正确点的交并比小于0.3，则该锚点为负样本；
全卷积神经网络RPN的训练函数为：
Figure FDA0003452317080000042
Lcls(pi，pi *)＝-log[pipi *+(1-pi *)(1-pi)] (7)
Figure FDA0003452317080000051
Figure FDA0003452317080000052
其中，L为RPN为网络损失；Lcls为分类层损失；Lreg为回归层损失；i为锚点索引；ti为预测边界框坐标向量；ti *为真实边界框向量；Ncls为分类样本数；Nreg为回归样本数；pi为目标的预测概率；pi *为锚点判别值；λ为权重参数；smoothLi为平滑函数。
8.根据权利要求1所述的一种新型巢湖蓝藻水华监测系统，其特征在于：所述水体数据采集装置(2)包括分别与系统处理器(4)连接的温度传感器(201)、光照强度传感器(202)、pH传感器(203)、溶解氧浓度传感器(204)。
9.根据权利要求1所述的一种新型巢湖蓝藻水华监测系统，其特征在于：所述定位装置(6)将所述水体数据采集装置(2)采集水体数据的位置信息传送至系统处理器(4)，所述系统处理器(4)将该位置信息传送至数据传送装置(5)。
10.根据权利要求1所述的一种新型巢湖蓝藻水华监测系统，其特征在于：还包括动力装置(7)，所述动力装置(7)包括船体动力供电源(701)、数据采集供电源(702)、电能补充件(703)，所述电能补充件(703)为设在远程遥控无人船(1)上的太阳能电池板。
CN202111677113.1A 2021-12-31 2021-12-31 一种新型巢湖蓝藻水华监测系统 Pending CN114112945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111677113.1A CN114112945A (zh) 2021-12-31 2021-12-31 一种新型巢湖蓝藻水华监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111677113.1A CN114112945A (zh) 2021-12-31 2021-12-31 一种新型巢湖蓝藻水华监测系统

Publications (1)

Publication Number Publication Date
CN114112945A true CN114112945A (zh) 2022-03-01

Family

ID=80363154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111677113.1A Pending CN114112945A (zh) 2021-12-31 2021-12-31 一种新型巢湖蓝藻水华监测系统

Country Status (1)

Country Link
CN (1) CN114112945A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116879192A (zh) * 2023-09-07 2023-10-13 航天宏图信息技术股份有限公司 基于卫星遥感数据的水华预测方法、装置、设备及介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6011875A (en) * 1998-04-29 2000-01-04 Eastman Kodak Company Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening
US20050094887A1 (en) * 2003-11-05 2005-05-05 Cakir Halil I. Methods, systems and computer program products for fusion of high spatial resolution imagery with lower spatial resolution imagery using correspondence analysis
CN106384332A (zh) * 2016-09-09 2017-02-08 中山大学 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法
KR101863123B1 (ko) * 2017-02-15 2018-06-01 한국건설기술연구원 자율주행 무인비행체 및 이동형 무인부체를 이용한 하천 녹조지도 작성 시스템
CN108765359A (zh) * 2018-05-31 2018-11-06 安徽大学 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法
CN110414488A (zh) * 2019-08-20 2019-11-05 河海大学 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法
CN110780047A (zh) * 2018-07-29 2020-02-11 南京癸酸科技有限公司 一种基于无人船的水污染监测系统
CN111126256A (zh) * 2019-12-23 2020-05-08 武汉大学 一种基于自适应空谱多尺度网络的高光谱图像分类方法
CN111680626A (zh) * 2020-06-09 2020-09-18 重庆大学 一种基于多层卷积神经网络的水环境遥感数据建模方法
US20200302249A1 (en) * 2019-03-19 2020-09-24 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods for Multi-Spectral Image Fusion Using Unrolled Projected Gradient Descent and Convolutinoal Neural Network
WO2020237693A1 (zh) * 2019-05-31 2020-12-03 华南理工大学 一种水面无人装备多源感知方法及系统
CN112710798A (zh) * 2020-12-03 2021-04-27 苏州工业园区测绘地理信息有限公司 一种水体蓝藻识别系统和方法
CN112766202A (zh) * 2021-01-27 2021-05-07 河海大学 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备
CN113063911A (zh) * 2021-03-19 2021-07-02 中国船舶科学研究中心 一种用于湖泊及流域水质监测的无人船系统
CN113591732A (zh) * 2021-08-03 2021-11-02 台州市污染防治工程技术中心 一种基于多光谱遥感的城市水体识别方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6011875A (en) * 1998-04-29 2000-01-04 Eastman Kodak Company Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening
US20050094887A1 (en) * 2003-11-05 2005-05-05 Cakir Halil I. Methods, systems and computer program products for fusion of high spatial resolution imagery with lower spatial resolution imagery using correspondence analysis
CN106384332A (zh) * 2016-09-09 2017-02-08 中山大学 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法
KR101863123B1 (ko) * 2017-02-15 2018-06-01 한국건설기술연구원 자율주행 무인비행체 및 이동형 무인부체를 이용한 하천 녹조지도 작성 시스템
CN108765359A (zh) * 2018-05-31 2018-11-06 安徽大学 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法
CN110780047A (zh) * 2018-07-29 2020-02-11 南京癸酸科技有限公司 一种基于无人船的水污染监测系统
US20200302249A1 (en) * 2019-03-19 2020-09-24 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods for Multi-Spectral Image Fusion Using Unrolled Projected Gradient Descent and Convolutinoal Neural Network
WO2020237693A1 (zh) * 2019-05-31 2020-12-03 华南理工大学 一种水面无人装备多源感知方法及系统
CN110414488A (zh) * 2019-08-20 2019-11-05 河海大学 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法
CN111126256A (zh) * 2019-12-23 2020-05-08 武汉大学 一种基于自适应空谱多尺度网络的高光谱图像分类方法
CN111680626A (zh) * 2020-06-09 2020-09-18 重庆大学 一种基于多层卷积神经网络的水环境遥感数据建模方法
CN112710798A (zh) * 2020-12-03 2021-04-27 苏州工业园区测绘地理信息有限公司 一种水体蓝藻识别系统和方法
CN112766202A (zh) * 2021-01-27 2021-05-07 河海大学 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备
CN113063911A (zh) * 2021-03-19 2021-07-02 中国船舶科学研究中心 一种用于湖泊及流域水质监测的无人船系统
CN113591732A (zh) * 2021-08-03 2021-11-02 台州市污染防治工程技术中心 一种基于多光谱遥感的城市水体识别方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JONGCHEOL PYO ET AL.: "A convolutional neural network regression for quantifying cyanobacteria using hyperspectral imagery", 《REMOTE SENSING OF ENVIRONMENT》 *
史国川等: "基于Faster R-CNN的无人机侦察目标检测方法", 《舰船电子工程》 *
汪金花等: "《遥感技术与应用实验和实习教程》", 31 July 2019 *
罗阳等: "基于全色多光谱蓝藻水华检测技术研究", 《中国环境科学学会学术年会论文集（2017）》 *
苗荣慧等: "基于空谱一体化的农田高光谱图像分类", 《江苏农业学报》 *
黄伟等: "基于Faster R-CNN模型的低空平台偏振高光谱目标检测", 《红外技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116879192A (zh) * 2023-09-07 2023-10-13 航天宏图信息技术股份有限公司 基于卫星遥感数据的水华预测方法、装置、设备及介质
CN116879192B (zh) * 2023-09-07 2023-12-12 航天宏图信息技术股份有限公司 基于卫星遥感数据的水华预测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109269475A (zh) 一种空地一体植物自动检测系统及方法
CN203745367U (zh) 猪肉新鲜度智能检测仪
US20210407282A1 (en) Handheld monitoring and early warning device for fusarium head blight of in-field wheat and early warning method thereof
CN101655462A (zh) 水质信息获取装置、水体富营养化程度识别方法及系统
CN104777108B (zh) 一种叶绿素含量的检测装置及方法
CN107782724A (zh) 一种营养盐原位分析仪及营养盐含量分析方法
CN108830741A (zh) 一种农田环境智能监测系统
CN109406361B (zh) 一种基于遥感技术的干旱区灰霾污染预警方法
CN114112945A (zh) 一种新型巢湖蓝藻水华监测系统
CN115457396B (zh) 一种基于遥感影像的地表目标地物检测方法
CN113420497B (zh) 浑浊湖泊总磷浓度遥感估算方法
CN104089590A (zh) 一种获取植被冠层结构参数的自动测量装置
CN103731440A (zh) 近红外农作物生长信息实时监测及其灾害预测无线系统
CN115524294A (zh) 一种离水式实时智能遥感水质监测方法
CN207832679U (zh) 一种土壤重金属污染快速检测装置
CN109341542A (zh) 基于数字信号序列长度识别裂缝宽度的方法及其监测装置
CN206540901U (zh) 一种远程土壤智能监测系统
Bi et al. Temporal characteristics of plankton indicators in coastal waters: High-frequency data from PlanktonScope
CN114898405A (zh) 基于边缘计算的便携式肉鸡异常监测系统
CN112381942B (zh) 基于无人机红外图像的建筑三维温度模型的建立方法
CN102608349A (zh) 基于嵌入式双相机平台的智能温室油桃果实生长速率无线监测系统
Yao et al. Halcon-based solar panel crack detection
CN208636203U (zh) 便携式牛奶蛋白质含量检测装置
CN105717048A (zh) 一种基于养殖水体光学特性的水质采集处理系统
CN207457079U (zh) 一种营养盐原位分析仪

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: 20220301