CN115236006A - 一种电子河长光谱检测数据的处理方法及系统 - Google Patents
一种电子河长光谱检测数据的处理方法及系统 Download PDFInfo
- Publication number
- CN115236006A CN115236006A CN202210933568.3A CN202210933568A CN115236006A CN 115236006 A CN115236006 A CN 115236006A CN 202210933568 A CN202210933568 A CN 202210933568A CN 115236006 A CN115236006 A CN 115236006A
- Authority
- CN
- China
- Prior art keywords
- detection
- index
- abnormal
- water
- detected
- 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
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
-
- 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
- G01N21/85—Investigating moving fluids or granular solids
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30232—Surveillance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种电子河长光谱检测数据的处理方法及系统,涉及人工智能领域,方法包括:当待检测水域满足预设检测周期时,通过用户端上传检测指标集;回溯预设检测周期上一周期的水质检测记录,获取检测指标特征值对检测指标集权重分布,生成权重分布结果对检测指标集进行筛选,生成待检测指标集;通过图像采集装置采集待检测水域的水域图像集合;将水域图像集合输入水质评估模型,获得输出结果包括预测异常指标集;通过预测异常指标集对待检测指标集进行调整后,调用微型传感器阵列对待检测水域进行光谱检测,生成检测结果。解决了现有技术中对河流状态检测过程未考虑到不同河流之间的差异性,导致存在检测方向性较差的技术问题。
Description
技术领域
本发明涉及人工智能相关技术领域,具体涉及一种电子河长光谱检测数据的处理方法及系统。
背景技术
河流治理是环境管控的重要内容之一,传统河流管理方式主要是依赖于工作人员周期性的对河流状态进行观测或检测,进而制定相应的管理方案执行。
随着物联网技术的飞速发展,依赖于微型传感器阵列对河流状态进行检测,基于微型传感器阵列搭建的电子河长系统取代了传统河流管理方式,极大的提高了河流管理效率。主要检测过程是通过部署多维度的微型传感器阵列进行河流状态的检测。
但是现有技术中对河流状态检测过程未考虑到不同河流之间的差异性,导致存在检测方向性较差的技术问题。
发明内容
本申请实施例通过提供了一种电子河长光谱检测数据的处理方法及系统,解决了现有技术中对河流状态检测过程未考虑到不同河流之间的差异性,导致存在检测方向性较差的技术问题。
鉴于上述问题,本申请实施例提供了一种电子河长光谱检测数据的处理方法及系统。
第一方面,本申请实施例提供了一种电子河长光谱检测数据的处理方法,其中,所述方法应用于一电子河长光谱检测数据的处理系统,所述系统包括微型传感器阵列、图像采集装置和用户端,所述方法包括:当待检测水域满足预设检测周期时,通过用户端上传检测指标集;回溯所述预设检测周期上一周期的水质检测记录,获取检测指标特征值,其中,所述检测指标特征值和所述检测指标集一一对应;根据所述检测指标特征值对所述检测指标集权重分布,生成权重分布结果;根据所述权重分布结果对所述检测指标集进行筛选,生成待检测指标集;通过图像采集装置采集所述待检测水域的水域图像集合;将所述水域图像集合输入水质评估模型,获得输出结果,其中,所述输出结果包括预测异常指标集;通过所述预测异常指标集对所述待检测指标集进行调整后,调用微型传感器阵列对所述待检测水域进行光谱检测,生成检测结果。
另一方面,本申请实施例提供了一种电子河长光谱检测数据的处理系统,所述系统包括微型传感器阵列、图像采集装置和用户端,所述系统包括:数据采集模块,用于当待检测水域满足预设检测周期时,通过用户端上传检测指标集;数据调取模块,用于回溯所述预设检测周期上一周期的水质检测记录,获取检测指标特征值,其中,所述检测指标特征值和所述检测指标集一一对应;权重分布模块,用于根据所述检测指标特征值对所述检测指标集权重分布,生成权重分布结果;数据筛选模块,用于根据所述权重分布结果对所述检测指标集进行筛选,生成待检测指标集;图像采集模块,用于通过图像采集装置采集所述待检测水域的水域图像集合;水质评估模块,用于将所述水域图像集合输入水质评估模型,获得输出结果,其中,所述输出结果包括预测异常指标集;指标调整模块,用于通过所述预测异常指标集对所述待检测指标集进行调整后,调用微型传感器阵列对所述待检测水域进行光谱检测,生成检测结果。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了在预设检测周期满足时,对待检测水域从用户端上传检测指标集;通过回溯待检测水域内的历史水质检测记录,确定和检测指标集一一对应的特征值;根据检测特征值对检测指标集进行权重分配;根据权重分配结果对检测指标集进行筛选,确定待检测指标集;通过图像采集装置采集待检测水域的实时图像并通过水质评估模型评估预测异常指标集;通过预测异常指标集对待检测指标集进行调整,调用对应的微型传感器阵列对待检测水域进行光谱检测的技术方案,通过历史检测记录和实时图像数据的处理对用户端初定的检测指标进行处理,进而得到最终指标集和待检测水域契合程度高,达到了提高电子河长检测方向性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种电子河长光谱检测数据的处理方法流程示意图;
图2为本申请实施例提供了一种电子河长光谱检测数据的处理方法的水质评估模型构建流程示意图;
图3为本申请实施例提供了一种电子河长光谱检测数据的处理系统结构示意图。
附图标记说明:微型传感器阵列001,图像采集装置002,用户端003,数据采集模块11,数据调取模块12,权重分布模块13,数据筛选模块14,图像采集模块15,水质评估模块16,指标调整模块17。
具体实施方式
本申请实施例通过提供了一种电子河长光谱检测数据的处理方法及系统,解决了现有技术中对河流状态检测过程未考虑到不同河流之间的差异性,导致存在检测方向性较差的技术问题。
申请概述
电子河长是随着物联网技术一同发展起来的用于对河流进行智能化监测并管理的智能系统,而通过电子河长中的微型传感器阵列对河流中的水质状态进行实时检测是实现准确有效管理的前提,现有技术对于河流中的水质状态的检测通常依赖部署的全部微型传感器阵列进行全面的检测,但实际上并非全部指标都需要持续性检测,由此就导致存在检测过程方向性较差,效率不理想的技术问题亟需解决。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种电子河长光谱检测数据的处理方法及系统。由于采用了在预设检测周期满足时,对待检测水域从用户端上传检测指标集;通过回溯待检测水域内的历史水质检测记录,确定和检测指标集一一对应的特征值;根据检测特征值对检测指标集进行权重分配;根据权重分配结果对检测指标集进行筛选,确定待检测指标集;通过图像采集装置采集待检测水域的实时图像并通过水质评估模型评估预测异常指标集;通过预测异常指标集对待检测指标集进行调整,调用对应的微型传感器阵列对待检测水域进行光谱检测的技术方案,通过历史检测记录和实时图像数据的处理对用户端初定的检测指标进行处理,进而得到最终指标集和待检测水域契合程度高,达到了提高电子河长检测方向性的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种电子河长光谱检测数据的处理方法,其中,所述方法应用于一电子河长光谱检测数据的处理系统,所述系统包括微型传感器阵列、图像采集装置和用户端,所述方法包括步骤:
具体而言,电子河长光谱检测数据的处理系统指的是用于对电子河长通过光谱检测的河流状态数据进行处理的系统,包括微型传感器阵列、图像采集装置和用户端。
微型传感器阵列指的是单个或者多个光谱检测河流状态数据的传感器,包括但不限于各种类型的光谱水质传感器,光谱检测具有低污染、准确、效率高等特点,由此得以被广泛应用;图像采集装置指的是部署于待检测水域上方用于对水域状态进行图像监测的装置,包括但不限于:摄像头、无人机等图像采集设备;用户端指的是工作人员用于远程控制电子河长光谱检测数据的处理系统的控制终端,示例性地如:手机、平板、笔记本、电脑等其它可实现和电子河长光谱检测数据的处理系统远程通信连接的任意设备。
S100:当待检测水域满足预设检测周期时,通过用户端上传检测指标集;
具体而言,待检测水域指的是需要进行水质状态监测的水域位置;预设检测周期指的是预设的对待检测水域进行光谱水质检测的周期,可选的工作人员可通过用户端对预设检测周期做出自定义调整;检测指标集指的是通过用户端上传的工作人员初步选定的需要进行光谱水质检测指标集,示例性地如:COD、TOC、UV254、色度、浊度、TDS、pH等待检测指标。初步确定的检测指标集优选的包含水质检测中常规检测的全部指标,为后步进行指标集的筛选提供反馈基础。
S200:回溯所述预设检测周期上一周期的水质检测记录,获取检测指标特征值,其中,所述检测指标特征值和所述检测指标集一一对应;
具体而言,上一周期的水质检测记录指的是将当前正在执行的检测周期设为基准周期,而确定的时间维度上的上一周期的检测数据集,周期单位优选的以预设检测周期为准。其包括和检测指标集一一对应的检测指标特征值,检测指标特征值即指检测指标集在上一周期的水质检测记录中的具体值。通过待检测水域中上一周期的检测记录,可实现对待检测水域个体化分析,进而可实现后步定向的光谱水质检测。
S300:根据所述检测指标特征值对所述检测指标集权重分布,生成权重分布结果;
进一步的,基于所述根据所述检测指标特征值对所述检测指标集权重分布,生成权重分布结果,步骤S300包括步骤:
S310:通过所述用户端获取检测指标阈值矩阵,其中,所述检测指标阈值和所述检测指标集一一对应;
S320:将所述检测指标特征值输入所述检测指标阈值矩阵进行差异度评估,生成检测指标差异度列表;
S330:根据所述检测指标差异度列表对所述检测指标集权重分布,生成所述权重分布结果。
更进一步的,基于所述根据所述检测指标差异度列表对所述检测指标集权重分布,生成所述权重分布结果,步骤S330包括步骤:
S331:对所述检测指标差异度列表进行差异度加和,生成差异度加和结果;
S332:遍历所述检测指标差异度列表,分别计算单差异度和所述差异度加和结果的比值;
S333:根据所述比值对所述检测指标集权重分布进行权重分布,生成所述权重分布结果。
具体而言,权重分布结果指的是表征检测指标集在待检测水域中不同检测重要程度的信息,后步即可通过权重分布结果对检测指标集进行筛选确定,实现对待检测水域光谱水质检测指标的个体化表征,不同的待检测水域即使面对相同的检测指标集但是由于权重不同,为后步进行差异化河流治理提供了参考信息。
其中,权重分布结果的确定过程举不设限制的一例:
检测指标阈值矩阵指的是表征各个检测指标异常临界值的数据集;检测指标差异度列表指的是将检测指标特征值输入检测指标阈值矩阵进行差异度评估,即优选的通过:差异度=|检测指标特征值-检测指标阈值,的计算公式对检测指标差异度进行评估后,确定的结果,差异度越大,则表明相应指标的异常可能性越高;权重分布结果指的是根据检测指标差异度列表依据预设权重分布规则对检测指标集权重分布确定的结果。其中,预设权重分布规则优选的为:差异度加和结果指的是对检测指标差异度列表中的全部差异度进行求和后的结果;遍历检测指标差异度列表,分别计算单差异度和差异度加和结果的比值,将比值作为相应检测指标的权重数据。通过权重分布结果实现检测指标在待检测水域的个体化表征,为后步实现定向检测指标光谱水质检测提供了信息反馈基础。
S400:根据所述权重分布结果对所述检测指标集进行筛选,生成待检测指标集;
进一步的,基于所述根据所述权重分布结果对所述检测指标集进行筛选,生成待检测指标集,步骤S400包括步骤:
S410:通过所述用户端上传筛选权重阈值;
S420:判断所述权重分布结果是否满足所述筛选权重阈值;
S430:将所述权重分布结果不满足所述筛选权重阈值的检测指标筛除,生成所述待检测指标集。
具体而言,待检测指标集指的是根据权重分布结果对检测指标集进行筛选后确定的定向光谱水质检测的指标集,过程优选的如下:通过用户端上传筛选权重阈值,即表征指标筛选的最低权重,由于权重可表征前述的差异度,而差异度可表征相应指标的异常程度,由此通过筛选权重阈值可实现异常程度较低指标集的筛选;一一判断权重分布结果是否满足筛选权重阈值,即若权重分布结果小于筛选权重阈值,则权重分布结果不满足筛选权重阈值,进而将对应的检测指标筛除,遍历完全部的检测指标集,留存的检测指标集,存储为待检测指标集。将待检测指标集置为待响应状态,等待后步快速调用处理。
S500:通过图像采集装置采集所述待检测水域的水域图像集合;
具体而言,水域图像集合指的是通过一个或多个图像采集装置对图像采集装置进行图像采集的图像集合,通常河流污染的状态可由其水色呈现,通过水色特征数据可对污染要素进行预测评估,即可实现对待检测指标集的进一步的调整,进一步的提高光谱水质检测过程的针对性和个体化程度,采集全面且清晰的水域图像集合是保障后步准确数据分析前提,因此优选的对采集到的每一张水域图像都需要进行过预处理,预处理方式优选的如下:通过将水域图像不满足预设清晰度的图像删除并重新采集;将通过了清晰度筛选的水域图像使用智能降噪算法降噪,提高水域图像的质量。将预处理后的图像数据存储为水域图像集合,采集完毕后,置为待响应状态,等待后步调用。
S600:将所述水域图像集合输入水质评估模型,获得输出结果,其中,所述输出结果包括预测异常指标集;
进一步的,基于所述将所述水域图像集合输入水质评估模型,获得输出结果,其中,所述输出结果包括预测异常指标集,步骤S600包括步骤:
S610:根据所述水质评估模型,获取水色特征提取模块和异常指标评估模块;
S620:将所述水域图像集合输入所述水色特征提取模块,获取水色特征值,其中,所述水色特征值包括色度特征和颜色类型特征;
S630:将所述色度特征和所述颜色类型特征输入所述异常指标评估模块,生成所述预测异常指标集。
具体而言,水质评估模型指的是用于进行水质评估的智能化模型,包括水色特征提取模块和异常指标评估模块:水色特征提取模块用于实现水域图像集合水色特征的提取;异常指标评估模块用于根据水色特征评估待检测水域可能的异常指标。输出结果指的是通过水质评估模型对水域图像集合进行处理后的输出结果,包括预测异常指标集,即指的是根据水域图像集合预测的待检测水域的异常指标集,其可能和待检测指标集重合,可能不重合。后步可通过预测异常指标集对待检测指标集进行调整,即增加调整,扩充工作人员可能未考虑到的待检测指标,提高了指标检测的准确度。
其中,水色特征提取模块优选的基于卷积神经网络构建,优选的采用多组历史水域图像和水色特征标识数据,示例性地:将多组历史水域图像和水色特征标识数据划分为7:2:1比例,将7比例的数据设为训练数据集,将2比例的数据设为迭代数据集,将1比例的数据设为验证数据集,将7比例训练数据中的历史水域图像作为输入训练数据,将7比例训练数据中的水色特征标识数据作为输出训练数据,测定水色特征提取模块的输出准确率,进行有监督训练,当输出准确率满足预设准确率,使用2比例迭代数据集中的历史水域图像作为输入训练数据,2比例的水色特征标识数据作为输出训练数据,测定水色特征提取模块的输出准确率,若是满足预设准确率,则使用1比例的验证数据集继续验证准确率,若是满足,则水色特征提取模块训练完成;异常指标评估模块优选的基于深层人工神经网络构建,优选的采用多组水色特征数据和异常指标预测数据标识信息,将水色特征数据作为输入训练数据,将异常指标预测数据标识信息作为输出标识信息,进行有监督训练而成,训练过程和水色特征提取模块原理完全相同,更进一步的,将异常指标评估模块和水色特征提取模块合并,即完成水质评估模型的构建。
将水域图像集合输入训练完成的水色特征提取模块,得到表征色度特征和颜色类型特征的水色特征值;色度可表征对应颜色类型深浅程度,进而可表征颜色类型对应异常指标的浓度预估值;将色度特征和颜色类型特征输入训练完成的异常指标评估模块,生成预测异常指标集,置为待响应状态,等待后步调用。
面对非线性的复杂的数据的处理过程,将其归纳为分类问题,通过神经网络模型对分类问题的高敏感性,可实现准确且高效的数据表征,为后步的定向指标筛选提供了信息反馈基础。
更进一步的,基于所述将所述色度特征和所述颜色类型特征输入所述异常指标评估模块,生成所述预测异常指标集,步骤S630包括步骤:
S631:根据所述异常指标评估模块,获取异常指标匹配节点通道和异常度标定节点通道;
S632:将所述颜色类型特征输入所述异常指标匹配节点通道,生成异常指标匹配结果;
S633:将所述异常指标匹配结果和所述色度特征输入所述异常度标定节点通道,生成指标异常度预测结果;
S634:将所述异常指标匹配结果和所述指标异常度预测结果,添加进所述预测异常指标集。
具体而言,异常指标评估模块还包括异常指标匹配节点通道和异常度标定节点通道,异常指标匹配节点通道和异常度标定节点通道作为异常指标评估模块的并行节点神经网络模型,形成网中网神经网络结构,异常指标匹配节点通道用于根据颜色类型匹配异常指标;异常度标定节点通道用于根据水质色度匹配异常指标的异常度。
在训练时,当水色特征数据中的颜色类型训练数据输入至异常指标评估模块时,将其作为异常指标匹配节点通道的输入训练数据,将异常指标预测数据标识信息中的异常指标类型标识数据作为异常指标匹配节点通道的输出训练数据;当水色特征数据中的色度训练数据输入至异常指标评估模块时,将其作为异常度标定节点通道的输入训练数据,将异常指标预测数据标识信息中表征预测浓度的异常度标识数据作为异常度标定节点通道的输出训练数据。实现异常指标评估模块的构建,当构建完成后,将颜色类型特征输入异常指标匹配节点通道生成异常指标匹配结果;将异常指标匹配结果和色度特征输入异常度标定节点通道生成指标异常度预测结果;预测异常指标集指的是将异常指标匹配结果和指标异常度预测结果一一对应存储得到的数据集,当全部的水色特征信息处理完毕后,将预测异常指标集记为待响应状态,等待后步调用。
更进一步的,如图2所示,所述方法应用于一电子河长光谱检测数据的处理系统,所述系统位于电子河长区块链中,基于所述将所述水域图像集合输入水质评估模型,之前步骤S600包括步骤S640,步骤S640还包括步骤:
S641:通过电子河长区块链上传水域图像数据集、水色特征记录和指标检测记录;
S642:根据所述水色特征记录对所述水域图像数据集进行特征值标定,生成水色特征提取模块构建数据集;
S643:根据所述指标检测记录对所述水色特征记录进行特征值标定,生成异常指标评估模块构建数据集;
S644:根据所述水色特征提取模块构建数据集,构建所述水色特征提取模块;
S645:根据所述异常指标评估模块构建数据集,构建所述异常指标评估模块;
S646:将所述水色特征提取模块和所述异常指标评估模块合并,获得所述水质评估模型。
具体而言,上述模型构建时的训练数据采集过程举不设限制的一例:电子河长区块链指的是基于大数据共享构建的用于河流管理的区块链;每一个节点表征一个水域的电子河长光谱检测数据的处理系统。在水质评估模型需要进行更新时,通过多个水域的电子河长光谱检测数据的处理系统,从每个节点依次传输训练数据:水域图像数据集、水色特征记录和指标检测记录。
水色特征提取模块构建数据集指的是根据水色特征记录对水域图像数据集进行特征值标定后得到的用于水色特征提取模块构建的训练数据集;异常指标评估模块构建数据集指的是根据指标检测记录对水色特征记录进行特征值标定得到的用于异常指标评估模块构建的训练数据集;根据水色特征提取模块构建数据集,构建水色特征提取模块;根据异常指标评估模块构建数据集,构建异常指标评估模块。
通过区块链进行训练数据的采集,打破了数据孤岛,提高了模型的收敛速度,提高了模型的数据处理的准确性,为得到个体化程度更高的检测数据提供了有力保障。
S700:通过所述预测异常指标集对所述待检测指标集进行调整后,调用微型传感器阵列对所述待检测水域进行光谱检测,生成检测结果。
具体而言,通过预测异常指标集对待检测指标集进行调整,调整过程优选的如下:将预测异常指标集和待检测指标集进行比对,判断预测异常指标集和待检测指标集是否重合,若是重合,判断指标异常度预测结果是否和权重分配一致,若是不一致,则根据指标异常度预测结果对相应指标的权重进行调整,示例性地如:将重合的指标集按照指标异常度预测结果和权重分别排序,若是排序不一致的则以指标异常度预测结果为准对重合的指标集的权重进行调整,保障权重的大小和指标异常度预测结果一致;若是不重合,则将预测异常指标集不重合的添加进待检测指标集,并以指标异常度预测结果进行排序表征其检测重要程度,后步进行检测时以及向用户发送检测结果时,都按照排序顺序发送检测数据。通过最终确定的待检测指标集调用对应的微型传感器阵列对待检测水域进行个体化程度较高的水质检测,实现了非必要检测数据的筛除,达到了提高水质数据检测的方向性的技术效果,对于后步进行待检测水域的管理提供了冗杂程度较低的参考数据。
综上所述,本申请实施例所提供的一种电子河长光谱检测数据的处理方法及系统具有如下技术效果:
1.由于采用了在预设检测周期满足时,对待检测水域从用户端上传检测指标集;通过回溯待检测水域内的历史水质检测记录,确定和检测指标集一一对应的特征值;根据检测特征值对检测指标集进行权重分配;根据权重分配结果对检测指标集进行筛选,确定待检测指标集;通过图像采集装置采集待检测水域的实时图像并通过水质评估模型评估预测异常指标集;通过预测异常指标集对待检测指标集进行调整,调用对应的微型传感器阵列对待检测水域进行光谱检测的技术方案,通过历史检测记录和实时图像数据的处理对用户端初定的检测指标进行处理,进而得到最终指标集和待检测水域契合程度高,达到了提高电子河长检测方向性的技术效果。
实施例二
基于与前述实施例中一种电子河长光谱检测数据的处理方法相同的发明构思,如图3所示,本申请实施例提供了一种电子河长光谱检测数据的处理系统,其中,所述系统包括微型传感器阵列001、图像采集装置002和用户端003,所述系统包括:
数据采集模块11,用于当待检测水域满足预设检测周期时,通过用户端上传检测指标集;
数据调取模块12,用于回溯所述预设检测周期上一周期的水质检测记录,获取检测指标特征值,其中,所述检测指标特征值和所述检测指标集一一对应;
权重分布模块13,用于根据所述检测指标特征值对所述检测指标集权重分布,生成权重分布结果;
数据筛选模块14,用于根据所述权重分布结果对所述检测指标集进行筛选,生成待检测指标集;
图像采集模块15,用于通过图像采集装置采集所述待检测水域的水域图像集合;
水质评估模块16,用于将所述水域图像集合输入水质评估模型,获得输出结果,其中,所述输出结果包括预测异常指标集;
指标调整模块17,用于通过所述预测异常指标集对所述待检测指标集进行调整后,调用微型传感器阵列对所述待检测水域进行光谱检测,生成检测结果。
进一步的,所述权重分布模块13执行如下步骤:
通过所述用户端获取检测指标阈值矩阵,其中,所述检测指标阈值和所述检测指标集一一对应;
将所述检测指标特征值输入所述检测指标阈值矩阵进行差异度评估,生成检测指标差异度列表;
根据所述检测指标差异度列表对所述检测指标集权重分布,生成所述权重分布结果。
进一步的,所述权重分布模块13还执行如下步骤:
对所述检测指标差异度列表进行差异度加和,生成差异度加和结果;
遍历所述检测指标差异度列表,分别计算单差异度和所述差异度加和结果的比值;
根据所述比值对所述检测指标集权重分布进行权重分布,生成所述权重分布结果。
进一步的,所述数据筛选模块14执行如下步骤:
通过所述用户端上传筛选权重阈值;
判断所述权重分布结果是否满足所述筛选权重阈值;
将所述权重分布结果不满足所述筛选权重阈值的检测指标筛除,生成所述待检测指标集。
进一步的,所述水质评估模块16执行如下步骤:
根据所述水质评估模型,获取水色特征提取模块和异常指标评估模块;
将所述水域图像集合输入所述水色特征提取模块,获取水色特征值,其中,所述水色特征值包括色度特征和颜色类型特征;
将所述色度特征和所述颜色类型特征输入所述异常指标评估模块,生成所述预测异常指标集。
进一步的,所述水质评估模块16还执行如下步骤:
根据所述异常指标评估模块,获取异常指标匹配节点通道和异常度标定节点通道;
将所述颜色类型特征输入所述异常指标匹配节点通道,生成异常指标匹配结果;
将所述异常指标匹配结果和所述色度特征输入所述异常度标定节点通道,生成指标异常度预测结果;
将所述异常指标匹配结果和所述指标异常度预测结果,添加进所述预测异常指标集。
进一步的,所述水质评估模块16还执行如下步骤:
通过电子河长区块链上传水域图像数据集、水色特征记录和指标检测记录;
根据所述水色特征记录对所述水域图像数据集进行特征值标定,生成水色特征提取模块构建数据集;
根据所述指标检测记录对所述水色特征记录进行特征值标定,生成异常指标评估模块构建数据集;
根据所述水色特征提取模块构建数据集,构建所述水色特征提取模块;
根据所述异常指标评估模块构建数据集,构建所述异常指标评估模块;
将所述水色特征提取模块和所述异常指标评估模块合并,获得所述水质评估模型。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种电子河长光谱检测数据的处理方法,其特征在于,所述方法应用于一电子河长光谱检测数据的处理系统,所述系统包括微型传感器阵列、图像采集装置和用户端,所述方法包括:
当待检测水域满足预设检测周期时,通过用户端上传检测指标集;
回溯所述预设检测周期上一周期的水质检测记录,获取检测指标特征值,其中,所述检测指标特征值和所述检测指标集一一对应;
根据所述检测指标特征值对所述检测指标集权重分布,生成权重分布结果;
根据所述权重分布结果对所述检测指标集进行筛选,生成待检测指标集;
通过图像采集装置采集所述待检测水域的水域图像集合;
将所述水域图像集合输入水质评估模型,获得输出结果,其中,所述输出结果包括预测异常指标集;
通过所述预测异常指标集对所述待检测指标集进行调整后,调用微型传感器阵列对所述待检测水域进行光谱检测,生成检测结果。
2.如权利要求1所述的方法,其特征在于,所述根据所述检测指标特征值对所述检测指标集权重分布,生成权重分布结果,包括:
通过所述用户端获取检测指标阈值矩阵,其中,所述检测指标阈值和所述检测指标集一一对应;
将所述检测指标特征值输入所述检测指标阈值矩阵进行差异度评估,生成检测指标差异度列表;
根据所述检测指标差异度列表对所述检测指标集权重分布,生成所述权重分布结果。
3.如权利要求2所述的方法,其特征在于,所述根据所述检测指标差异度列表对所述检测指标集权重分布,生成所述权重分布结果,包括:
对所述检测指标差异度列表进行差异度加和,生成差异度加和结果;
遍历所述检测指标差异度列表,分别计算单差异度和所述差异度加和结果的比值;
根据所述比值对所述检测指标集权重分布进行权重分布,生成所述权重分布结果。
4.如权利要求1所述的方法,其特征在于,所述根据所述权重分布结果对所述检测指标集进行筛选,生成待检测指标集,包括:
通过所述用户端上传筛选权重阈值;
判断所述权重分布结果是否满足所述筛选权重阈值;
将所述权重分布结果不满足所述筛选权重阈值的检测指标筛除,生成所述待检测指标集。
5.如权利要求1所述的方法,其特征在于,所述将所述水域图像集合输入水质评估模型,获得输出结果,其中,所述输出结果包括预测异常指标集,包括:
根据所述水质评估模型,获取水色特征提取模块和异常指标评估模块;
将所述水域图像集合输入所述水色特征提取模块,获取水色特征值,其中,所述水色特征值包括色度特征和颜色类型特征;
将所述色度特征和所述颜色类型特征输入所述异常指标评估模块,生成所述预测异常指标集。
6.如权利要求5所述的方法,其特征在于,所述将所述色度特征和所述颜色类型特征输入所述异常指标评估模块,生成所述预测异常指标集,包括:
根据所述异常指标评估模块,获取异常指标匹配节点通道和异常度标定节点通道;
将所述颜色类型特征输入所述异常指标匹配节点通道,生成异常指标匹配结果;
将所述异常指标匹配结果和所述色度特征输入所述异常度标定节点通道,生成指标异常度预测结果;
将所述异常指标匹配结果和所述指标异常度预测结果,添加进所述预测异常指标集。
7.如权利要求5所述的方法,其特征在于,所述方法应用于一电子河长光谱检测数据的处理系统,所述系统位于电子河长区块链中,所述将所述水域图像集合输入水质评估模型,之前包括:
通过电子河长区块链上传水域图像数据集、水色特征记录和指标检测记录;
根据所述水色特征记录对所述水域图像数据集进行特征值标定,生成水色特征提取模块构建数据集;
根据所述指标检测记录对所述水色特征记录进行特征值标定,生成异常指标评估模块构建数据集;
根据所述水色特征提取模块构建数据集,构建所述水色特征提取模块;
根据所述异常指标评估模块构建数据集,构建所述异常指标评估模块;
将所述水色特征提取模块和所述异常指标评估模块合并,获得所述水质评估模型。
8.一种电子河长光谱检测数据的处理系统,其特征在于,所述系统包括微型传感器阵列、图像采集装置和用户端,所述系统包括:
数据采集模块,用于当待检测水域满足预设检测周期时,通过用户端上传检测指标集;
数据调取模块,用于回溯所述预设检测周期上一周期的水质检测记录,获取检测指标特征值,其中,所述检测指标特征值和所述检测指标集一一对应;
权重分布模块,用于根据所述检测指标特征值对所述检测指标集权重分布,生成权重分布结果;
数据筛选模块,用于根据所述权重分布结果对所述检测指标集进行筛选,生成待检测指标集;
图像采集模块,用于通过图像采集装置采集所述待检测水域的水域图像集合;
水质评估模块,用于将所述水域图像集合输入水质评估模型,获得输出结果,其中,所述输出结果包括预测异常指标集;
指标调整模块,用于通过所述预测异常指标集对所述待检测指标集进行调整后,调用微型传感器阵列对所述待检测水域进行光谱检测,生成检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933568.3A CN115236006B (zh) | 2022-08-04 | 2022-08-04 | 一种电子河长光谱检测数据的处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933568.3A CN115236006B (zh) | 2022-08-04 | 2022-08-04 | 一种电子河长光谱检测数据的处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115236006A true CN115236006A (zh) | 2022-10-25 |
CN115236006B CN115236006B (zh) | 2023-05-23 |
Family
ID=83679041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210933568.3A Active CN115236006B (zh) | 2022-08-04 | 2022-08-04 | 一种电子河长光谱检测数据的处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115236006B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561365A (zh) * | 2022-10-31 | 2023-01-03 | 广州市花都自来水有限公司 | 一种用于检测自来水中异味物质的方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009036262A1 (en) * | 2007-09-13 | 2009-03-19 | University Of Louisville Research Foundation, Inc. | System and method for collecting data using wired sensors connected to wireless nodes |
CN101832918A (zh) * | 2010-04-14 | 2010-09-15 | 南京大学 | 用于水质在线监测的紫外光电微型传感器装置及监测方法 |
CN102128794A (zh) * | 2011-01-31 | 2011-07-20 | 重庆大学 | 基于流形学习的遥感水质监测方法 |
CN105258735A (zh) * | 2015-11-12 | 2016-01-20 | 杨珊珊 | 基于无人飞行器的环境数据检测方法及环境数据检测装置 |
CN107609783A (zh) * | 2017-09-22 | 2018-01-19 | 中国电力科学研究院 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 |
JP6558786B1 (ja) * | 2018-09-28 | 2019-08-14 | 学校法人東北工業大学 | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム |
CN210689718U (zh) * | 2019-12-03 | 2020-06-05 | 福州智闽科技有限公司 | 一种基于区块链的移动水资源监测装置 |
CN112534241A (zh) * | 2018-06-01 | 2021-03-19 | 奥布Xyz股份有限公司 | 检测介质中的分析物 |
CN112712113A (zh) * | 2020-12-29 | 2021-04-27 | 广州品唯软件有限公司 | 一种基于指标的告警方法、装置及计算机系统 |
CN113984989A (zh) * | 2021-10-08 | 2022-01-28 | 无锡学院 | 一种基于拉普拉斯降维的水产养殖水质异常检测方法 |
-
2022
- 2022-08-04 CN CN202210933568.3A patent/CN115236006B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009036262A1 (en) * | 2007-09-13 | 2009-03-19 | University Of Louisville Research Foundation, Inc. | System and method for collecting data using wired sensors connected to wireless nodes |
CN101832918A (zh) * | 2010-04-14 | 2010-09-15 | 南京大学 | 用于水质在线监测的紫外光电微型传感器装置及监测方法 |
CN102128794A (zh) * | 2011-01-31 | 2011-07-20 | 重庆大学 | 基于流形学习的遥感水质监测方法 |
CN105258735A (zh) * | 2015-11-12 | 2016-01-20 | 杨珊珊 | 基于无人飞行器的环境数据检测方法及环境数据检测装置 |
CN107609783A (zh) * | 2017-09-22 | 2018-01-19 | 中国电力科学研究院 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 |
CN112534241A (zh) * | 2018-06-01 | 2021-03-19 | 奥布Xyz股份有限公司 | 检测介质中的分析物 |
JP6558786B1 (ja) * | 2018-09-28 | 2019-08-14 | 学校法人東北工業大学 | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム |
CN210689718U (zh) * | 2019-12-03 | 2020-06-05 | 福州智闽科技有限公司 | 一种基于区块链的移动水资源监测装置 |
CN112712113A (zh) * | 2020-12-29 | 2021-04-27 | 广州品唯软件有限公司 | 一种基于指标的告警方法、装置及计算机系统 |
CN113984989A (zh) * | 2021-10-08 | 2022-01-28 | 无锡学院 | 一种基于拉普拉斯降维的水产养殖水质异常检测方法 |
Non-Patent Citations (2)
Title |
---|
PARTHA PRATIM RAY: "Edge computing for Internet of Things: A survey, e-healthcare case study and future direction" * |
张永梅: "多光谱图像水域变化检测方法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561365A (zh) * | 2022-10-31 | 2023-01-03 | 广州市花都自来水有限公司 | 一种用于检测自来水中异味物质的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115236006B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169426B (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN105866364A (zh) | 一种地下水污染检测评估系统 | |
Valença et al. | Damage assessment on concrete surfaces using multi-spectral image analysis | |
CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
CN111896549B (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN115080290B (zh) | 一种基于智能算法的异常数据检测方法及系统 | |
CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN115236006A (zh) | 一种电子河长光谱检测数据的处理方法及系统 | |
CN109815959A (zh) | 一种冬小麦产量预测方法及装置 | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN115019008B (zh) | 一种智能3d模型设计分析服务管理平台 | |
CN114858221A (zh) | 一种基于水域营养状态预测的水华智能预警系统及方法 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
JPH0938631A (ja) | リモートセンシング応用広域水圏監視システム | |
CN114863294A (zh) | 一种适用于微咸水湖泊的水质参数监测方法和装置 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN110570022A (zh) | 一种基于mGBDT的建筑能耗预测方法和系统 | |
CN111598874A (zh) | 一种基于智能移动端的红树林郁闭度调查方法 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
Silva et al. | Water quality prediction based on wavelet neural networks and remote sensing | |
CN116593404A (zh) | 基于地表水污染因子高光谱遥感监测数据处理系统 | |
CN116189076A (zh) | 一种鸟类观测站的观测识别系统及其方法 |
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 |