CN114387235A - 一种水环境监测方法及系统 - Google Patents
一种水环境监测方法及系统 Download PDFInfo
- Publication number
- CN114387235A CN114387235A CN202111651391.XA CN202111651391A CN114387235A CN 114387235 A CN114387235 A CN 114387235A CN 202111651391 A CN202111651391 A CN 202111651391A CN 114387235 A CN114387235 A CN 114387235A
- Authority
- CN
- China
- Prior art keywords
- water
- water level
- image
- level value
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 633
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000001629 suppression Effects 0.000 claims description 8
- 230000001678 irradiating effect Effects 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 44
- 238000003911 water pollution Methods 0.000 description 25
- 238000004891 communication Methods 0.000 description 23
- 239000003344 environmental pollutant Substances 0.000 description 16
- 231100000719 pollutant Toxicity 0.000 description 16
- 241000169203 Eichhornia Species 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 208000033749 Small cell carcinoma of the bladder Diseases 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 201000007710 urinary bladder small cell neuroendocrine carcinoma Diseases 0.000 description 6
- 244000207740 Lemna minor Species 0.000 description 4
- 235000006439 Lemna minor Nutrition 0.000 description 4
- 235000001855 Portulaca oleracea Nutrition 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 241000209499 Lemna Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000010842 industrial wastewater Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000008239 natural water Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种水环境监测方法及系统,获取目标水域图像,对目标水域图像进行预处理,作为待识别图像,获取待识别图像的感兴趣区域,利用预设滑动窗从感兴趣区域内提取出测试样本;对提取出的测试样本进行分类,将待识别图像的感兴趣区域分为水尺类或水流类;根据分类结果确定出水尺类与水流类的分界面,并作为待识别图像的像素水位值;根据像素水位值获取实际水位值,判断实际水位值是否大于等于预设水位值;若大于等于,则发出告警信息;若小于,则对目标水域进行水质监测。本发明可以通过图像识别的方式来实现对目标水域的水位高度监测,并且在水位值超过预设水位值时,能够发出告警信息,从而可以避免目标水域出现溃坝或漫堤等情况。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种水环境监测方法及系统。
背景技术
随着我国经济的快速发展和城市化进程加快,大量工业废水、生活污水和其他废弃物会通过排放管道进入江河湖海等水域,如果这些排放物超过了自然水域的自身净化能力,则会造成水域污染,导致自然水域的物理、化学、生物等方面特征的改变,从而影响这些水域的利用价值,危害人体健康或破坏生态环境,造成水质恶化的现象。因此,需要对这些水域进行污染环境监测,确定这些水域的污染情况。
此外,由于大量工业废水、生活污水和其他废弃物通过排放管道进入江河湖海等水域,可能会在某个时间段内超过水域的承载能力,从而出现溃坝或者漫堤等现象,导致对位于水域下游的居民、农作物和稻田等造成一定程度的危险或破坏。而目前对水域进行水位监测的方式多数还是采用人工监测,而利用人工方式对水位进行实时监测,存在一定的局限性。首先,人工监测不仅费时费力,而且也需要投入较多的经济成本。其次,在恶劣天气的情况下,某些水域的水位能够在短时间内就超出警戒水位,若此时水位观测者进行水位监测时,其自身的生命安全将会受到威胁。另外,由于是通过人工进行水位监测,可能存在巡检员误报真实水位的情况,从而无法记录水域的真实水位数据,干扰后面的研究分析。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种水环境监测方法及系统,用于解决现有技术中在进行水位监测与水质监测时存在的问题。
为实现上述目的及其他相关目的,本发明提供一种水环境监测方法,所述方法包括以下步骤:
获取预先拍摄形成的包含有水位尺的目标水域图像;
对所述目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;所述预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像;
获取所述待识别图像的感兴趣区域,所述感兴趣区域至少包括:水位尺区域和水流区域;
利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本;
利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将所述待识别图像的感兴趣区域分为水尺类或水流类;
根据分类结果确定出所述待识别图像中水尺类与水流类的分界面,并将所述分界面作为所述待识别图像的像素水位值;
根据所述像素水位值获取实际水位值,并判断所述实际水位值是否大于等于预设水位值;若所述实际水位值大于等于预设水位值,则发出告警信息;若所述实际水位值小于预设水位值,则对所述目标水域进行水质监测。
可选地,将所述像素水位值转换为实际水位值的过程包括:
获取所述待识别图像的像素水位值,记为lr;
获取参考位置所对应的水尺在所述待识别图像上的h个像素;
获取位于所述参考位置上方w米处所对应的水尺在所述待识别图像上的像素水位值,记为lw;
根据所述像素水位值获取实际水位值,有:
式中,R表示与所述像素水位值lr对应的实际水位值。
可选地,对所述目标水域进行水质监测的过程包括:
获取一入射光;
利用所述入射光照射预先从所述目标水域随机获取的一定容量的目标水样,生成对应的投射光;
获取所述入射光在所述目标水样中的光程以及所述投射光的光源强度,并结合所述入射光的光源强度计算所述目标水样的浊度,有:
式中,d为所述目标水样的浊度;
I0为所述入射光的光源强度;
I为所述投射光的光源强度;
l为所述入射光在所述目标水样中的光程;
K为常数。
可选地,利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本的过程包括:
获取m×n像素的滑动窗作为所述预设滑动窗;
利用m×n像素的滑动窗沿着所述感兴趣区域的上方,从上往下滑动,且单次滑动步长为 s个像素,从所述感兴趣区域内提取一个m行n列的测试样本;其中,m、n和s为正整数;
将提取出的m行n列的测试样本拉直为一个m×n行1列的列向量形式的测试样本。
可选地,利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将所述待识别图像的感兴趣区域分为水尺类或水流类的过程包括:
获取全局编码分类器作为所述预设分类器;
获取从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本,并利用所述全局编码分类器计算每个测试样本的不带交叉抑制的表示系数;
根据每个测试样本的不带交叉抑制的表示系数计算对应测试样本的标签,将所述待识别图像的感兴趣区域分为水尺类或水流类。
可选地,在对彩色目标水域图像进行灰度化处理后,还包括:对灰度图像进行去噪,完成对所述目标水域图像的预处理;
其中,所述去噪方式包括以下至少之一:空间域滤波去噪、线性滤波去噪、非线性滤波去噪、均值滤波去噪、中值滤波去噪。
可选地,所述告警信息包括预先存储的文本信息和/或音频信息。
本发明还提供一种水环境监测系统,所述系统包括有:
图像采集模块,用于获取预先拍摄形成的包含有水位尺的目标水域图像;
预处理模块,用于对所述目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;所述预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像;
感兴趣区域模块,用于获取所述待识别图像的感兴趣区域,所述感兴趣区域至少包括:水位尺区域和水流区域;
样本提取模块,用于利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本;
样本分类模块,用于利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将所述待识别图像的感兴趣区域分为水尺类或水流类;
像素水位值模块,用于根据分类结果确定出所述待识别图像中水尺类与水流类的分界面,并将所述分界面作为所述待识别图像的像素水位值;
水位判断模块,用于根据所述像素水位值获取实际水位值,并判断所述实际水位值是否大于等于预设水位值;
水位告警模块,用于在所述实际水位值大于等于预设水位值时,发出告警信息;
水质监测模块,用于在所述实际水位值小于预设水位值时,对所述目标水域进行水质监测。
可选地,所述水位判断模块将所述像素水位值转换为实际水位值的过程包括:
获取所述待识别图像的像素水位值,记为lr;
获取参考位置所对应的水尺在所述待识别图像上的h个像素;
获取位于所述参考位置上方w米处所对应的水尺在所述待识别图像上的像素水位值,记为lw;
根据所述像素水位值获取实际水位值,有:
式中,R表示与所述像素水位值lr对应的实际水位值。
可选地,所述水质监测模块对所述目标水域进行水质监测的过程包括:
获取一入射光;
利用所述入射光照射预先从所述目标水域随机获取的一定容量的目标水样,生成对应的投射光;
获取所述入射光在所述目标水样中的光程以及所述投射光的光源强度,并结合所述入射光的光源强度计算所述目标水样的浊度,有:
式中,d为所述目标水样的浊度;
I0为所述入射光的光源强度;
I为所述投射光的光源强度;
l为所述入射光在所述目标水样中的光程;
K为常数。
如上所述,本发明提供一种水环境监测方法及系统,具有以下有益效果:本发明首先获取预先拍摄形成的包含有水位尺的目标水域图像;然后对目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像;再获取待识别图像的感兴趣区域,其中,感兴趣区域至少包括:水位尺区域和水流区域;利用预设滑动窗从待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本;以及利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将待识别图像的感兴趣区域分为水尺类或水流类;再根据分类结果确定出待识别图像中水尺类与水流类的分界面,并将分界面作为待识别图像的像素水位值;最后根据像素水位值获取实际水位值,并判断实际水位值是否大于等于预设水位值;若实际水位值大于等于预设水位值,则发出告警信息;若实际水位值小于预设水位值,则对目标水域进行水质监测。由此可知,本发明可以通过图像识别的方式来实现对目标水域的水位高度监测,并且在水位值超过预设水位值时,能够发出告警信息,从而可以避免目标水域出现溃坝或漫堤等情况。所以,本发明通过图像识别的方式来对目标水域进行水位高度监测,与人工监测相比,本发明无论恶劣天气还是正常天气,都可以进行正常监测;而且本发明在进行水位监测时,不仅能够保持全天监测,而且监测得到的数据也是真实数据,从而能够避免巡检员误报数据的情况。同时,本发明在恶劣天气下,可以直接通过监控查看实时水位,从而降低巡检人员的安全程度。此外,本发明在实际水位值低于预设值后,还可以对目标水域进行水质监测,从而可以精确地判断出目标水域是否存在水污染,方便后期合理利用目标水域中的水资源。
附图说明
图1为一实施例提供的水环境监测方法的流程示意图;
图2为一实施例提供的拍摄水域的摄像头电路连接示意图;
图3为一实施例提供的传输目标水域图像的通信电路连接示意图;
图4为一实施例提供的将感兴趣区域分为水尺类和水流类的示意图;
图5为一实施例提供的入射光照射某水域的示意图;
图6为一实施例提供的获取目标水域中实际水位值的示意图;
图7为一实施例提供的水环境监测系统的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1所示,本实施例提供一种水环境监测方法,所述方法包括以下步骤:
S100,获取预先拍摄形成的包含有水位尺的目标水域图像。作为示例,本实施例中的目标水域可以是需要进行水污染检测的湖泊、池塘等。在本实施例中,目标水域预先设置有水位自动监测仪,其中水位自动检测仪中设置有用于拍摄水位尺和目标水域的摄像头模块,和传输摄像头模块拍摄的图像的通信模块。具体地,本实施例中的水位自动监测仪设置有 OV5640摄像头模块,OV5640是OV(OmniVision)公司生产的一块1/4寸的CMOS图像传感器,该摄像头模块可以实现自动对焦,性价比极高,符合器件的选择标准。OV5640摄像头模块体积小,工作电压低,可以提供单片QSXGA摄像头和图像处理器的全部功能。摄像头模块通过SCCB总线进行控制,可以输出整帧、子采样、缩放和取窗口等方式的各种分辨率 8位或10位的影像数据。该摄像头最大支持500万像素图像的输出。其中,水位自动监测仪采用基于以Cortex-M4为内核的STM32F407高性能单片机为核心处理器。例如可以是处理器型号为STM32F407ZGT6的单片机。其中,STM32F407单片机自带了一个数字摄像头接口 (DCMI),该接口为同步并行接口,用于接受CMOS摄像头发出的高速数据流。单片机通过DCMI接口与OV5640摄像头模块相连。OV5640摄像头模块通过18个引脚与单片机相连,有8位数据输出,SCCB通讯时钟信号,SCCB通讯数据信号,像素时钟输出,行同步信号,帧同步信号,掉电使能信号,复位信号。OV5640模块外部还需连接3.3V电源与地线,对模块进行供电。本实施例中的OV5640摄像头模块电路连接如图2所示。为了实现水位自动监测仪与上位机之间的远距离通信及对其运行状况的监控,本方法中的水位监测仪采用了GPRS 通信方式,其通信距离一般不受限制,且抗干扰能力强。在GPRS通信电路的设计中,本实施例选择了SIM800C通信模块,该模块是一款四频GSM/GPRS模块,其性能稳定,外观小巧,性价比较高,可以低功耗地实现数据信息的传输。而且还能发出文本信息等告警信息。 SIM800C通信模块需要接5个线,分别为5V电源线、地线、TXD、RXD、PWK(开机、关机), TXD、RXD与TM32F407单片机引脚相连。本实施例中的GPRS通信模块电路连接如图3 所示。
S200,对所述目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;所述预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像。作为示例,本实施例对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像的方式是将彩色图像转换为灰度图像,即:获取每个像素点分别在红通道、绿通道和蓝通道下的灰度值;对每个像素点的红通道、绿通道和蓝通道的灰度值进行加权计算,获取每个像素点的灰度值,有:Gray(x,y)=0.30*R(x,y)+0.59*G(x,y)+0.11* B(x,y);式中,Gray(x,y)表示图像坐标为(x,y)的像素点的灰度值;R(x,y)表示图像坐标为(x,y)的像素点在红通道下的灰度值;G(x,y)表示图像坐标为(x,y)的像素点在绿通道下的灰度值;B(x,y)表示图像坐标为(x,y)的像素点在蓝通道下的灰度值。再根据每个像素点的灰度值即可以得到对应的灰度图像。作为示例,在对彩色目标水域图像进行灰度化处理后,本实施例还可以对灰度图像进行去噪,然后将去噪后的图像作为完成预处理后的图像;其中,本实施例中的去噪方式包括但不限于:空间域滤波去噪、线性滤波去噪、非线性滤波去噪、均值滤波去噪、中值滤波去噪。
S300,获取所述待识别图像的感兴趣区域,所述感兴趣区域至少包括:位于水位分界面上方的水位尺区域、与所述水位尺区域关联且位于水位分界面下方的水流区域。其中,待识别图像的感兴趣区域以及水位分界面如图4所示。
S400,利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本。具体地,利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本的过程包括:获取m×n像素的滑动窗作为所述预设滑动窗;利用m×n像素的滑动窗沿着所述感兴趣区域的上方,从上往下滑动,且单次滑动步长为s个像素,从所述感兴趣区域内提取一个m行n列的测试样本;其中,m、n和s为正整数;将提取出的m行n列的测试样本拉直为一个m×n行1列的列向量形式的测试样本。
S500,利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将所述待识别图像的感兴趣区域分为水尺类或水流类。具体地,获取全局编码分类器GCC作为所述预设分类器;获取从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本,并利用所述全局编码分类器和学习完成的字典学习模型计算每个测试样本的不带交叉抑制的表示系数;根据每个测试样本的不带交叉抑制的表示系数计算对应测试样本的标签,将所述待识别图像的感兴趣区域分为水尺类或水流类。本实施例中的字典学习模型采用现有的字典学习模型,本实施例不再进行赘述。其中,将某待识别图像的感兴趣区域分为水尺类和水流类的示意图如图4所示。在图4中,本实施例将水尺类划分为C1个子类,将水流类划分为C2个子类。因此,整个感兴趣区域总共被划分为C=C1+C2个类别。
S600,根据分类结果确定出所述待识别图像中水尺类与水流类的分界面,并将所述分界面作为所述待识别图像的像素水位值;
S700,根据所述像素水位值获取实际水位值,并判断所述实际水位值是否大于等于预设水位值;若所述实际水位值大于等于预设水位值,则发出告警信息;若所述实际水位值小于预设水位值,则对所述目标水域进行水质监测。其中,本实施例中的告警信息包括文本信息和/或音频信息。具体地,将所述像素水位值转换为实际水位值的过程包括:获取所述待识别图像的像素水位值,记为lr;获取参考位置所对应的水尺在所述待识别图像上的h个像素;获取位于所述参考位置上方w米处所对应的水尺在所述待识别图像上的像素水位值,记为lw;根据所述像素水位值获取实际水位值,有:式中,R表示与所述像素水位值lr对应的实际水位值。在获取实际水位值后,本方法还继续判断实际水位值是否大于等于预设水位值;若实际水位值大于等于预设水位值,则发出告警信息;若实际水位值小于预设水位值,则对目标水域进行水质监测。其中,本实施例中预设水位值可以根据实际情况进行设定,本实施例不做具体数值限定,例如可以设置为50米。此外,本实施例中的告警信息为文本信息,且该文本信息预先存储在STM32F407单片机中,在实际水位值大于预设水位值时,通过 SIM800C通信模块向巡检人员和/或管理人员手机发送短信,提示当前水域的实际水位值超过预设水位值。
由此可知,所以本实施例通过图像识别的方式来对目标水域进行水位高度监测,与人工监测相比,本实施例无论恶劣天气还是正常天气,都可以进行正常监测;而且本实施例在进行水位监测时,不仅能够保持全天监测,而且监测得到的数据也是真实数据,从而能够避免巡检员误报数据的情况。同时,本实施例在恶劣天气下,可以直接通过监控查看实时水位,从而降低巡检人员的安全程度。
根据上述记载,在一示例性实施例中,对所述目标水域进行水质监测的过程包括:获取一入射光;利用所述入射光照射预先从所述目标水域随机获取的一定容量的目标水样,生成对应的投射光;获取所述入射光在所述目标水样中的光程以及所述投射光的光源强度,并结合所述入射光的光源强度计算所述目标水样的浊度,有:式中,d为所述目标水样的浊度;I0为所述入射光的光源强度;I为所述投射光的光源强度;l为所述入射光在所述目标水样中的光程;K为常数。在目标水域的实际水位值低于预设水位值后,本实施例通过从目标水域获取一定容量的水样作为目标水样,然后通过透射方法检测目标水样中的浊度,再根据浊度检测结果判断当前目标水域是否存在污染,以及污染程度,从而方便管理人员在后期根据目标水域的污染程度来降解对应的杂质污染浓度。其中,通过透射方法检测目标水样中的浊度的示意图如图5所示。本方法在实际水位值低于预设值后,通过对目标水域进行水质监测,可以精确地判断出目标水域是否存在水污染,从而方便后期合理利用目标水域中的水资源。
在一示例性实施例中,由于摄像机获得的图像可以明显分为水尺和水流,本实施例利用字典学习的方法将每幅图像分为两类:水尺和水流。通过搜索这两个类别的边界,可以很容易地计算出水位值。所以,本实施例可以分为以下几个步骤。首先,将所有训练图像转换为训练矩阵Y,其中训练矩阵Y的每一列表示一个训练样本并对应于一个特定的类别标签;然后,将训练矩阵Y输入到字典学习模型中,经过不断地迭代训练得到训练完成的字典D;最后,通过具有紧凑而具有区分性的字典D,将从摄像机中实时捕获的图像分类为水尺和水流以计算获得实际水位值。本实施例获取实际水位值的过程如图6所示,本实施例首先对将水位图像作为训练图像进行灰度处理,将其转换为灰度图像;从水位图像中提取出感兴趣的区域,剔除不感兴趣的区域;对感兴趣的区域进行样本分类;将水尺类划分为C1个子类,将水流类划分为C2个子类。因此,整个感兴趣区域总共被划分为C=C1+C2个类别。分别在每一个子类中提取训练样本;将若干训练样本合成为一个训练样本矩阵Y并得到与之对应的类别标签向量L;将训练矩阵Y输入至交叉抑制字典学习模型中,并进行不断地迭代训练,得到训练完成的具有区分性的结构化的字典D。从待测试图像中提取测试样本,并利用字典D 为每个测试样本打上类别标签,因此,每幅水域图像的感兴趣区域的由上向下的若干个m×n 像素大小的区域都可以被简单地划分为水尺类或水流类。寻找水尺类与水流类的分界面,即像素水位值;然后将像素水位值转换为实际水位值。
在另一示例性实施例中,本方法还可以直接根据待识别图像来判断当前水域是否存在水污染。具体地,利用图像识别模型对待识别图像进行污染物类别分类,获取待识别图像被分类至每个预设污染物类别上的分类概率;对所有分类概率进行归一化处理,将归一化概率值与预设概率值进行比较,判断是否存在大于等于预设概率值的归一化概率值;若存在,则将归一化概率值中最大值所对应的污染物类别作为待识别图像的污染物类别,并判定目标水域存在水污染;若不存在,则判定待识别图像以及目标水域不存在水污染。作为示例,预设的污染物类别可以是:水葫芦污染、浮萍污染等,具体的污染物类别可以根据实际情况进行设定,本实施例不作具体限制。具体地,若利用图像识别模型对某待识别图像A进行分类识别后,待识别图像A被分类至水葫芦污染的概率值为0.86,被分类至浮萍污染的概率值为0.24,则对所有分类概率进行归一化处理后;待识别图像A被分类至水葫芦污染的归一化概率值为 0.86÷(0.86+0.24)=0.782;待识别图像A被分类至浮萍污染的归一化概率值为0.24÷ (0.86+0.24)=0.218。获取预先设定的概率值0.7,由此可知,待识别图像A被分类至水葫芦污染的归一化概率值大于等于预先设定的概率值0.7,则表示待识别图像A存在水葫芦污染。由于待识别图像A是从原始图像中裁剪得到,而原始图像是从拍摄目标水域的视频流中分帧得到,则相当于目标水域中存在的水葫芦超过了预先设定的面积,表明对应的目标水域可能磷含量过高。其中,本实施例中的图像识别模型可以基于ResNext网络结构训练生成。具体地,图像识别模型的训练过程包括:获取多张包含水污染的图像以及多张不包含水污染的图像作为训练图像;按照预设污染物类别对每张水污染训练图像进行污染物类别标注,以及对每张非水污染训练图像进行非污染物类别标注,并在完成标注后,将标注后的所有训练图像同时输入至ResNet网络结构中进行分类训练;计算当前时刻ResNet网络结构中的真正例率和假正例率,并在真正例率大于第一目标值,以及假正例率小于第二目标值时,将当前时刻的ResNext网络结构和对应的网络参数进行结合输出,生成用于识别待识别图像中是否存在水污染的图像识别模型。作为示例,本实施例中的第一目标值为0.9467,第二目标值为0.00932。
本发明提供一种水环境监测方法,首先获取预先拍摄形成的包含有水位尺的目标水域图像;然后对目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像;再获取待识别图像的感兴趣区域,其中,感兴趣区域至少包括:水位尺区域和水流区域;利用预设滑动窗从待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本;以及利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将待识别图像的感兴趣区域分为水尺类或水流类;再根据分类结果确定出待识别图像中水尺类与水流类的分界面,并将分界面作为待识别图像的像素水位值;最后根据像素水位值获取实际水位值,并判断实际水位值是否大于等于预设水位值;若实际水位值大于等于预设水位值,则发出告警信息;若实际水位值小于预设水位值,则对目标水域进行水质监测。由此可知,本方法可以通过图像识别的方式来实现对目标水域的水位高度监测,并且在水位值超过预设水位值时,能够发出告警信息,从而可以避免目标水域出现溃坝或漫堤等情况。所以,本方法通过图像识别的方式来对目标水域进行水位高度监测,与人工监测相比,本方法无论恶劣天气还是正常天气,都可以进行正常监测;而且本方法在进行水位监测时,不仅能够保持全天监测,而且监测得到的数据也是真实数据,从而能够避免巡检员误报数据的情况。同时,本方法在恶劣天气下,可以直接通过监控查看实时水位,从而降低巡检人员的安全程度。此外,本方法在实际水位值低于预设值后,还可以对目标水域进行水质监测,从而可以精确地判断出目标水域是否存在水污染,方便后期合理利用目标水域中的水资源。
如图7所示,本发明还提供一种水环境监测系统,所述系统包括有:
图像采集模块M10,用于获取预先拍摄形成的包含有水位尺的目标水域图像。作为示例,本实施例中的目标水域可以是需要进行水污染检测的湖泊、池塘等。在本实施例中,目标水域预先设置有水位自动监测仪,其中水位自动检测仪中设置有用于拍摄水位尺和目标水域的摄像头模块,和传输摄像头模块拍摄的图像的通信模块。具体地,本实施例中的水位自动监测仪设置有OV5640摄像头模块,OV5640是OV(OmniVision)公司生产的一块1/4寸的 CMOS图像传感器,该摄像头模块可以实现自动对焦,性价比极高,符合器件的选择标准。OV5640摄像头模块体积小,工作电压低,可以提供单片QSXGA摄像头和图像处理器的全部功能。摄像头模块通过SCCB总线进行控制,可以输出整帧、子采样、缩放和取窗口等方式的各种分辨率8位或10位的影像数据。该摄像头最大支持500万像素图像的输出。其中,水位自动监测仪采用基于以Cortex-M4为内核的STM32F407高性能单片机为核心处理器。例如可以是处理器型号为STM32F407ZGT6的单片机。其中,STM32F407单片机自带了一个数字摄像头接口(DCMI),该接口为同步并行接口,用于接受CMOS摄像头发出的高速数据流。单片机通过DCMI接口与OV5640摄像头模块相连。OV5640摄像头模块通过18个引脚与单片机相连,有8位数据输出,SCCB通讯时钟信号,SCCB通讯数据信号,像素时钟输出,行同步信号,帧同步信号,掉电使能信号,复位信号。OV5640模块外部还需连接3.3V电源与地线,对模块进行供电。本实施例中的OV5640摄像头模块电路连接如图2所示。为了实现水位自动监测仪与上位机之间的远距离通信及对其运行状况的监控,本系统中的水位监测仪采用了GPRS通信方式,其通信距离一般不受限制,且抗干扰能力强。在GPRS通信电路的设计中,本实施例选择了SIM800C通信模块,该模块是一款四频GSM/GPRS模块,其性能稳定,外观小巧,性价比较高,可以低功耗地实现数据信息的传输。而且还能发出文本信息等告警信息。SIM800C通信模块需要接5个线,分别为5V电源线、地线、TXD、RXD、PWK(开机、关机),TXD、RXD与TM32F407单片机引脚相连。本实施例中的GPRS通信模块电路连接如图3所示。
预处理模块M20,用于对所述目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;所述预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像。作为示例,本实施例对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像的方式是将彩色图像转换为灰度图像,即:获取每个像素点分别在红通道、绿通道和蓝通道下的灰度值;对每个像素点的红通道、绿通道和蓝通道的灰度值进行加权计算,获取每个像素点的灰度值,有:Gray(x,y)=0.30*R(x,y)+0.59* G(x,y)+0.11*B(x,y);式中,Gray(x,y)表示图像坐标为(x,y)的像素点的灰度值; R(x,y)表示图像坐标为(x,y)的像素点在红通道下的灰度值;G(x,y)表示图像坐标为 (x,y)的像素点在绿通道下的灰度值;B(x,y)表示图像坐标为(x,y)的像素点在蓝通道下的灰度值。再根据每个像素点的灰度值即可以得到对应的灰度图像。作为示例,在对彩色目标水域图像进行灰度化处理后,本实施例还可以对灰度图像进行去噪,然后将去噪后的图像作为完成预处理后的图像;其中,本实施例中的去噪方式包括但不限于:空间域滤波去噪、线性滤波去噪、非线性滤波去噪、均值滤波去噪、中值滤波去噪。
感兴趣区域模块M30,用于获取所述待识别图像的感兴趣区域,所述感兴趣区域至少包括:位于水位分界面上方的水位尺区域、与所述水位尺区域关联且位于水位分界面下方的水流区域;其中,待识别图像的感兴趣区域以及水位分界面如图4所示。
样本提取模块M40,用于利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本。具体地,利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本的过程包括:获取m×n像素的滑动窗作为所述预设滑动窗;利用m×n像素的滑动窗沿着所述感兴趣区域的上方,从上往下滑动,且单次滑动步长为s个像素,从所述感兴趣区域内提取一个m行n列的测试样本;其中,m、n和s为正整数;将提取出的m行n列的测试样本拉直为一个m×n行1列的列向量形式的测试样本。
样本分类模块M50,用于利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将所述待识别图像的感兴趣区域分为水尺类或水流类。具体地,获取全局编码分类器GCC 作为所述预设分类器;获取从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本,并利用所述全局编码分类器和学习完成的字典学习模型计算每个测试样本的不带交叉抑制的表示系数;根据每个测试样本的不带交叉抑制的表示系数计算对应测试样本的标签,将所述待识别图像的感兴趣区域分为水尺类或水流类。本实施例中的字典学习模型采用现有的字典学习模型,本实施例不再进行赘述。其中,将某待识别图像的感兴趣区域分为水尺类和水流类的示意图如图4所示。在图4中,本实施例将水尺类划分为C1个子类,将水流类划分为C2个子类。因此,整个感兴趣区域总共被划分为C=C1+C2个类别。
像素水位值模块M60,用于根据分类结果确定出所述待识别图像中水尺类与水流类的分界面,并将所述分界面作为所述待识别图像的像素水位值;
水位判断模块M70,用于根据所述像素水位值获取实际水位值,并判断所述实际水位值是否大于等于预设水位值;具体地,将所述像素水位值转换为实际水位值的过程包括:获取所述待识别图像的像素水位值,记为lr;获取参考位置所对应的水尺在所述待识别图像上的h 个像素;获取位于所述参考位置上方w米处所对应的水尺在所述待识别图像上的像素水位值,记为lw;根据所述像素水位值获取实际水位值,有:式中,R表示与所述像素水位值lr对应的实际水位值。
水位告警模块M80,用于在所述实际水位值大于等于预设水位值时,发出告警信息。其中,本实施例中预设水位值可以根据实际情况进行设定,本实施例不做具体数值限定,例如可以设置为50米。此外,本系统中的告警信息包括文本信息和/或音频信息,例如本实施例中的告警信息为文本信息,且该文本信息预先存储在STM32F407单片机中,在实际水位值大于预设水位值时,通过SIM800C通信模块向巡检人员和/或管理人员手机发送短信,提示当前水域的实际水位值超过预设水位值。
水质监测模块M90,用于在所述实际水位值小于预设水位值时,对所述目标水域进行水质监测。
由此可知,所以本实施例通过图像识别的方式来对目标水域进行水位高度监测,与人工监测相比,本实施例无论恶劣天气还是正常天气,都可以进行正常监测;而且本实施例在进行水位监测时,不仅能够保持全天监测,而且监测得到的数据也是真实数据,从而能够避免巡检员误报数据的情况。同时,本实施例在恶劣天气下,可以直接通过监控查看实时水位,从而降低巡检人员的安全程度。
根据上述记载,在一示例性实施例中,所述水质监测模块对所述目标水域进行水质监测的过程包括:获取一入射光;利用所述入射光照射预先从所述目标水域随机获取的一定容量的目标水样,生成对应的投射光;获取所述入射光在所述目标水样中的光程以及所述投射光的光源强度,并结合所述入射光的光源强度计算所述目标水样的浊度,有:式中, d为所述目标水样的浊度;I0为所述入射光的光源强度;I为所述投射光的光源强度;l为所述入射光在所述目标水样中的光程;K为常数。在目标水域的实际水位值低于预设水位值后,本实施例通过从目标水域获取一定容量的水样作为目标水样,然后通过透射方法检测目标水样中的浊度,再根据浊度检测结果判断当前目标水域是否存在污染,以及污染程度,从而方便管理人员在后期根据目标水域的污染程度来降解对应的杂质污染浓度。其中,通过透射方法检测目标水样中的浊度的示意图如图5所示。本系统在实际水位值低于预设值后,通过对目标水域进行水质监测,可以精确地判断出目标水域是否存在水污染,从而方便后期合理利用目标水域中的水资源。
在一示例性实施例中,由于摄像机获得的图像可以明显分为水尺和水流,本实施例利用字典学习的方法将每幅图像分为两类:水尺和水流。通过搜索这两个类别的边界,可以很容易地计算出水位值。所以,本实施例可以分为以下几个步骤。首先,将所有训练图像转换为训练矩阵Y,其中训练矩阵Y的每一列表示一个训练样本并对应于一个特定的类别标签;然后,将训练矩阵Y输入到字典学习模型中,经过不断地迭代训练得到训练完成的字典D;最后,通过具有紧凑而具有区分性的字典D,将从摄像机中实时捕获的图像分类为水尺和水流以计算获得实际水位值。本实施例获取实际水位值的过程如图6所示,本实施例首先对将水位图像作为训练图像进行灰度处理,将其转换为灰度图像;从水位图像中提取出感兴趣的区域,剔除不感兴趣的区域;对感兴趣的区域进行样本分类;将水尺类划分为C1个子类,将水流类划分为C2个子类。因此,整个感兴趣区域总共被划分为C=C1+C2个类别。分别在每一个子类中提取训练样本;将若干训练样本合成为一个训练样本矩阵Y并得到与之对应的类别标签向量L;将训练矩阵Y输入至交叉抑制字典学习模型中,并进行不断地迭代训练,得到训练完成的具有区分性的结构化的字典D。从待测试图像中提取测试样本,并利用字典D 为每个测试样本打上类别标签,因此,每幅水域图像的感兴趣区域的由上向下的若干个m×n 像素大小的区域都可以被简单地划分为水尺类或水流类。寻找水尺类与水流类的分界面,即像素水位值;然后将像素水位值转换为实际水位值。
在另一示例性实施例中,本系统还可以直接根据待识别图像来判断当前水域是否存在水污染。具体地,利用图像识别模型对待识别图像进行污染物类别分类,获取待识别图像被分类至每个预设污染物类别上的分类概率;对所有分类概率进行归一化处理,将归一化概率值与预设概率值进行比较,判断是否存在大于等于预设概率值的归一化概率值;若存在,则将归一化概率值中最大值所对应的污染物类别作为待识别图像的污染物类别,并判定目标水域存在水污染;若不存在,则判定待识别图像以及目标水域不存在水污染。作为示例,预设的污染物类别可以是:水葫芦污染、浮萍污染等,具体的污染物类别可以根据实际情况进行设定,本实施例不作具体限制。具体地,若利用图像识别模型对某待识别图像A进行分类识别后,待识别图像A被分类至水葫芦污染的概率值为0.86,被分类至浮萍污染的概率值为0.24,则对所有分类概率进行归一化处理后;待识别图像A被分类至水葫芦污染的归一化概率值为 0.86÷(0.86+0.24)=0.782;待识别图像A被分类至浮萍污染的归一化概率值为0.24÷ (0.86+0.24)=0.218。获取预先设定的概率值0.7,由此可知,待识别图像A被分类至水葫芦污染的归一化概率值大于等于预先设定的概率值0.7,则表示待识别图像A存在水葫芦污染。由于待识别图像A是从原始图像中裁剪得到,而原始图像是从拍摄目标水域的视频流中分帧得到,则相当于目标水域中存在的水葫芦超过了预先设定的面积,表明对应的目标水域可能磷含量过高。其中,本实施例中的图像识别模型可以基于ResNext网络结构训练生成。具体地,图像识别模型的训练过程包括:获取多张包含水污染的图像以及多张不包含水污染的图像作为训练图像;按照预设污染物类别对每张水污染训练图像进行污染物类别标注,以及对每张非水污染训练图像进行非污染物类别标注,并在完成标注后,将标注后的所有训练图像同时输入至ResNet网络结构中进行分类训练;计算当前时刻ResNet网络结构中的真正例率和假正例率,并在真正例率大于第一目标值,以及假正例率小于第二目标值时,将当前时刻的ResNext网络结构和对应的网络参数进行结合输出,生成用于识别待识别图像中是否存在水污染的图像识别模型。作为示例,本实施例中的第一目标值为0.9467,第二目标值为0.00932。
本发明提供一种水环境监测系统,首先获取预先拍摄形成的包含有水位尺的目标水域图像;然后对目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像;再获取待识别图像的感兴趣区域,其中,感兴趣区域至少包括:水位尺区域和水流区域;利用预设滑动窗从待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本;以及利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将待识别图像的感兴趣区域分为水尺类或水流类;再根据分类结果确定出待识别图像中水尺类与水流类的分界面,并将分界面作为待识别图像的像素水位值;最后根据像素水位值获取实际水位值,并判断实际水位值是否大于等于预设水位值;若实际水位值大于等于预设水位值,则发出告警信息;若实际水位值小于预设水位值,则对目标水域进行水质监测。由此可知,本系统可以通过图像识别的方式来实现对目标水域的水位高度监测,并且在水位值超过预设水位值时,能够发出告警信息,从而可以避免目标水域出现溃坝或漫堤等情况。所以,本系统通过图像识别的方式来对目标水域进行水位高度监测,与人工监测相比,本系统无论恶劣天气还是正常天气,都可以进行正常监测;而且本系统在进行水位监测时,不仅能够保持全天监测,而且监测得到的数据也是真实数据,从而能够避免巡检员误报数据的情况。同时,本系统在恶劣天气下,可以直接通过监控查看实时水位,从而降低巡检人员的安全程度。此外,本系统在实际水位值低于预设值后,还可以对目标水域进行水质监测,从而可以精确地判断出目标水域是否存在水污染,方便后期合理利用目标水域中的水资源。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
本说明书中附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。应当理解的是,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
Claims (10)
1.一种水环境监测方法,其特征在于,所述方法包括以下步骤:
获取预先拍摄形成的包含有水位尺的目标水域图像;
对所述目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;所述预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像;
获取所述待识别图像的感兴趣区域,所述感兴趣区域至少包括:水位尺区域和水流区域;
利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本;
利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将所述待识别图像的感兴趣区域分为水尺类或水流类;
根据分类结果确定出所述待识别图像中水尺类与水流类的分界面,并将所述分界面作为所述待识别图像的像素水位值;
根据所述像素水位值获取实际水位值,并判断所述实际水位值是否大于等于预设水位值;若所述实际水位值大于等于预设水位值,则发出告警信息;若所述实际水位值小于预设水位值,则对所述目标水域进行水质监测。
4.根据权利要求1所述的水环境监测方法,其特征在于,利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本的过程包括:
获取m×n像素的滑动窗作为所述预设滑动窗;
利用m×n像素的滑动窗沿着所述感兴趣区域的上方,从上往下滑动,且单次滑动步长为s个像素,从所述感兴趣区域内提取一个m行n列的测试样本;其中,m、n和s为正整数;
将提取出的m行n列的测试样本拉直为一个m×n行1列的列向量形式的测试样本。
5.根据权利要求1或4所述的水环境监测方法,其特征在于,利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将所述待识别图像的感兴趣区域分为水尺类或水流类的过程包括:
获取全局编码分类器作为所述预设分类器;
获取从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本,并利用所述全局编码分类器计算每个测试样本的不带交叉抑制的表示系数;
根据每个测试样本的不带交叉抑制的表示系数计算对应测试样本的标签,将所述待识别图像的感兴趣区域分为水尺类或水流类。
6.根据权利要求1所述的水环境监测方法,其特征在于,在对彩色目标水域图像进行灰度化处理后,还包括:对灰度图像进行去噪,完成对所述目标水域图像的预处理;
其中,所述去噪方式包括以下至少之一:空间域滤波去噪、线性滤波去噪、非线性滤波去噪、均值滤波去噪、中值滤波去噪。
7.根据权利要求1所述的水环境监测方法,其特征在于,所述告警信息包括预先存储的文本信息和/或音频信息。
8.一种水环境监测系统,其特征在于,所述系统包括有:
图像采集模块,用于获取预先拍摄形成的包含有水位尺的目标水域图像;
预处理模块,用于对所述目标水域图像进行预处理,并将预处理后的目标水域图像作为待识别图像;所述预处理至少包括:对彩色目标水域图像进行灰度化处理,将彩色图像转换为对应的灰度图像;
感兴趣区域模块,用于获取所述待识别图像的感兴趣区域,所述感兴趣区域至少包括:水位尺区域和水流区域;
样本提取模块,用于利用预设滑动窗从所述待识别图像中的感兴趣区域内提取出多个列向量形式的测试样本;
样本分类模块,用于利用预设分类器对提取出的多个列向量形式的测试样本进行分类,将所述待识别图像的感兴趣区域分为水尺类或水流类;
像素水位值模块,用于根据分类结果确定出所述待识别图像中水尺类与水流类的分界面,并将所述分界面作为所述待识别图像的像素水位值;
水位判断模块,用于根据所述像素水位值获取实际水位值,并判断所述实际水位值是否大于等于预设水位值;
水位告警模块,用于在所述实际水位值大于等于预设水位值时,发出告警信息;
水质监测模块,用于在所述实际水位值小于预设水位值时,对所述目标水域进行水质监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111651391.XA CN114387235B (zh) | 2021-12-30 | 2021-12-30 | 一种水环境监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111651391.XA CN114387235B (zh) | 2021-12-30 | 2021-12-30 | 一种水环境监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114387235A true CN114387235A (zh) | 2022-04-22 |
CN114387235B CN114387235B (zh) | 2024-02-09 |
Family
ID=81200254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111651391.XA Active CN114387235B (zh) | 2021-12-30 | 2021-12-30 | 一种水环境监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387235B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359430A (zh) * | 2022-10-19 | 2022-11-18 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
CN116859815A (zh) * | 2023-09-04 | 2023-10-10 | 深圳市水务技术服务有限公司 | 一种用于水库泵站的实时监控预警系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075997A (zh) * | 2014-07-10 | 2014-10-01 | 北京林业大学 | 一种水体浑浊度连续监测方法及监测装置 |
CN108509980A (zh) * | 2018-03-08 | 2018-09-07 | 南京邮电大学 | 一种基于字典学习的水位监测方法 |
CN110443243A (zh) * | 2019-08-07 | 2019-11-12 | 浙江大华技术股份有限公司 | 水位监测方法、存储介质、网络设备和水位监测系统 |
CN111626190A (zh) * | 2020-05-26 | 2020-09-04 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
CN112215125A (zh) * | 2020-10-09 | 2021-01-12 | 武汉科技大学 | 一种基于YOLOv3的水位识别方法 |
CN112991342A (zh) * | 2021-04-29 | 2021-06-18 | 南京甄视智能科技有限公司 | 基于水位尺图像的水位线检测方法、装置与系统 |
-
2021
- 2021-12-30 CN CN202111651391.XA patent/CN114387235B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075997A (zh) * | 2014-07-10 | 2014-10-01 | 北京林业大学 | 一种水体浑浊度连续监测方法及监测装置 |
CN108509980A (zh) * | 2018-03-08 | 2018-09-07 | 南京邮电大学 | 一种基于字典学习的水位监测方法 |
CN110443243A (zh) * | 2019-08-07 | 2019-11-12 | 浙江大华技术股份有限公司 | 水位监测方法、存储介质、网络设备和水位监测系统 |
CN111626190A (zh) * | 2020-05-26 | 2020-09-04 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
CN112215125A (zh) * | 2020-10-09 | 2021-01-12 | 武汉科技大学 | 一种基于YOLOv3的水位识别方法 |
CN112991342A (zh) * | 2021-04-29 | 2021-06-18 | 南京甄视智能科技有限公司 | 基于水位尺图像的水位线检测方法、装置与系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359430A (zh) * | 2022-10-19 | 2022-11-18 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
CN115359430B (zh) * | 2022-10-19 | 2023-02-28 | 煤炭科学研究总院有限公司 | 水泵的保护方法、装置及电子设备 |
CN116859815A (zh) * | 2023-09-04 | 2023-10-10 | 深圳市水务技术服务有限公司 | 一种用于水库泵站的实时监控预警系统及方法 |
CN116859815B (zh) * | 2023-09-04 | 2023-11-03 | 深圳市水务技术服务有限公司 | 一种用于水库泵站的实时监控预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114387235B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
CN114387235B (zh) | 一种水环境监测方法及系统 | |
CN111209876B (zh) | 一种漏油缺陷检测方法及系统 | |
Davis et al. | Real-time observation of taxa-specific plankton distributions: an optical sampling method | |
CN106295653B (zh) | 一种水质图像分类方法 | |
CN112488020B (zh) | 基于无人机航拍数据的水环境污染情况检测评估装置 | |
CN109117838B (zh) | 应用于无人船感知系统的目标检测方法及装置 | |
CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN112784748A (zh) | 一种基于改进的YOLOv3的微藻识别方法 | |
Campbell et al. | The Prince William Sound Plankton Camera: a profiling in situ observatory of plankton and particulates | |
CN114943917A (zh) | 一种视觉识别污水厂好氧池曝气量的算法 | |
CN114299060A (zh) | 一种适用于复杂水下环境的深度学习大坝裂缝检测方法 | |
CN115661151B (zh) | 基于机器视觉高精度识别制加氢气系统泄露的方法 | |
CN111950812A (zh) | 一种自动识别与预测雨量的方法及其装置 | |
Chen et al. | Real-time learning-based monitoring system for water contamination | |
CN115372571A (zh) | 一种水环境智能监测系统 | |
Yan et al. | Glacier classification from Sentinel-2 imagery using spatial-spectral attention convolutional model | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
JPH05263411A (ja) | 物体の観察方法および装置 | |
CN114005064A (zh) | 一种基于机器视觉技术的生物式水体污染预警方法及装置 | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 |
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 |