CN115308101B - 水质监测管理方法及系统 - Google Patents
水质监测管理方法及系统 Download PDFInfo
- Publication number
- CN115308101B CN115308101B CN202211178581.9A CN202211178581A CN115308101B CN 115308101 B CN115308101 B CN 115308101B CN 202211178581 A CN202211178581 A CN 202211178581A CN 115308101 B CN115308101 B CN 115308101B
- Authority
- CN
- China
- Prior art keywords
- water body
- target
- data
- water quality
- water
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 781
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000007726 management method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 169
- 238000004458 analytical method Methods 0.000 claims abstract description 91
- 239000013049 sediment Substances 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 77
- 241000736262 Microbiota Species 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 244000005700 microbiome Species 0.000 claims description 54
- 230000000813 microbial effect Effects 0.000 claims description 48
- 238000005070 sampling Methods 0.000 claims description 39
- 238000010606 normalization Methods 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 21
- 238000013441 quality evaluation Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 210000000746 body region Anatomy 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- 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
- G01N21/59—Transmissivity
-
- 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
- G01N33/186—Water using one or more living organisms, e.g. a fish
- G01N33/1866—Water using one or more living organisms, e.g. a fish using microorganisms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Microbiology (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Dispersion Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能领域,公开了一种水质监测管理方法及系统,用于提高水质监测管理的准确率。所述水质监测管理方法包括:对水体图像数据进行监控指标分析,得到目标浑浊度数据和目标泥沙含量数据;将目标微生物群数据、目标浑浊度数据和目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到待检测水体对应的水质检测结果;对水质检测结果进行解析,得到水质检测结果对应的目标解析结果,并根据目标解析结果判断待检测水体中是否存在水质异常指标;若是,则根据水质异常指标生成待检测水体对应的事件告警信息,并对事件告警信息进行终端匹配,得到对应的目标处理终端,并将事件告警信息传输至目标处理终端。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种水质监测管理方法及系统。
背景技术
随着工农业生产的不断发展,大量的外来污染物通过直接排放、转化、迁移进入水体,使得水体污染日益严重,水质急剧恶化,对居民的生活饮用水、城镇集中供水等产生了直接的影响,尤其是突发水污染事件,对人们的身体和生态安全构成了极大的威胁。
常规的水质检测方法以理化方法为主,其技术已经相当成熟,但是,理化方法消耗成本较大,并且难以实现高精度监测和预警,即现有方案的准确率较低。
发明内容
本发明提供了一种水质监测管理方法及系统,用于提高水质监测管理的准确率。
本发明第一方面提供了一种水质监测管理方法,所述水质监测管理方法包括:对待检测水体进行水体检测区域划分,得到所述待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集所述多个水体检测区域的样本水体,得到多个样本水体;分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到所述待检测水体对应的目标微生物群数据;对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据;将所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到所述待检测水体对应的水质检测结果;对所述水质检测结果进行解析,得到所述水质检测结果对应的目标解析结果,并根据所述目标解析结果判断所述待检测水体中是否存在水质异常指标;若是,则根据所述水质异常指标生成所述待检测水体对应的事件告警信息,并对所述事件告警信息进行终端匹配,得到对应的目标处理终端,并将所述事件告警信息传输至所述目标处理终端。
可选的,在本发明第一方面的第一种实现方式中,所述对待检测水体进行水体检测区域划分,得到所述待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集所述多个水体检测区域的样本水体,得到多个样本水体,包括:查找待检测水体的水体中心,并基于所述水体中心构建所述待检测水体的直角坐标系;基于所述直角坐标系对所述待检测水体进行水体区域分割,得到所述待检测水体对应的多个水体检测区域;设置每个水体检测区域的采样点,得到多个采样点,并从所述多个采样点采集所述多个水体检测区域的样本水体,得到多个样本水体。
可选的,在本发明第一方面的第二种实现方式中,所述分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到所述待检测水体对应的目标微生物群数据,包括:分别将每个样本水体配置为均匀状态,并调用预置的图像采集终端分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据;分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,其中,所述微生物数据包括:微生物种类和每个微生物种类对应的微生物数量;根据所述微生物种类和每个微生物种类对应的微生物数量对每个样本水体的微生物群数据进行微生物群整合分析,得到所述待检测水体对应的目标微生物群数据。
可选的,在本发明第一方面的第三种实现方式中,所述对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据,包括:将每个样本水体对应的水体图像数据输入预置的泥沙检测模型进行泥沙检测,得到所述水体图像数据对应的单位泥沙量;根据所述单位泥沙量计算每个样本水体对应的初始泥沙含量,得到每个样本水体对应的泥沙含量数据;将每个样本水体对应的水体图像数据输入预置的浑浊度检测模型进行浑浊度识别,得到每个样本水体对应的浑浊度数据;分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据。
可选的,在本发明第一方面的第四种实现方式中,所述将所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到所述待检测水体对应的水质检测结果,包括:对所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据进行向量转换,生成目标输入向量;将所述目标输入向量输入预置的水质检测模型进行水质分析,输出所述目标输入向量对应的水质预测概率;根据所述水质预测概率对所述待检测水体进行类别匹配,得到目标水体类型;基于所述目标水体类型从预置的数据库中获取与所述待检测水体对应的标准环境数据;将所述标准环境数据与所述目标水体类型进行分析,得到所述待检测水体对应的水质检测结果。
可选的,在本发明第一方面的第五种实现方式中,所述若是,则根据所述水质异常指标生成所述待检测水体对应的事件告警信息,并对所述事件告警信息进行终端匹配,得到对应的目标处理终端,并将所述事件告警信息传输至所述目标处理终端,包括:根据所述水质异常指标生成所述待检测水体对应的事件告警信息;通过预置的事件分析模型对所述事件告警信息进行分类处理,得到目标事件告警类型;根据所述目标事件告警类型从预置的部门信息库中进行获取对应的部门类型;基于所述部门类型通过预置的分拨规则进行终端匹配,得到对应的目标处理终端;将所述事件告警信息传输至所述目标处理终端。
可选的,在本发明第一方面的第六种实现方式中,所述水质监测管理方法还包括:采集预置的水生物在所述待检测水体中的水生物活动视频数据;对所述水生物活动视频数据进行预处理,得到所述水生物活动视频数据对应的目标图像帧集合;将所述目标图像帧集合输入预置的轨迹分析模型进行轨迹分析,得到水生物运动轨迹信息;基于所述水生物运动轨迹信息对所述水生物进行行为特征分析,得到多个行为特征数据;将所述多个行为特征数据输入预置的水质评价模型进行水质评价,得到水质评价结果。
本发明第二方面提供了一种水质监测管理系统,所述水质监测管理系统包括:采集模块,用于对待检测水体进行水体检测区域划分,得到所述待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集所述多个水体检测区域的样本水体,得到多个样本水体;分析模块,用于分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到所述待检测水体对应的目标微生物群数据;处理模块,用于对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据;检测模块,用于将所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到所述待检测水体对应的水质检测结果;判断模块,用于对所述水质检测结果进行解析,得到所述水质检测结果对应的目标解析结果,并根据所述目标解析结果判断所述待检测水体中是否存在水质异常指标;生成模块,用于若是,则根据所述水质异常指标生成所述待检测水体对应的事件告警信息,并对所述事件告警信息进行终端匹配,得到对应的目标处理终端,并将所述事件告警信息传输至所述目标处理终端。
可选的,在本发明第二方面的第一种实现方式中,所述采集模块具体用于:查找待检测水体的水体中心,并基于所述水体中心构建所述待检测水体的直角坐标系;基于所述直角坐标系对所述待检测水体进行水体区域分割,得到所述待检测水体对应的多个水体检测区域;设置每个水体检测区域的采样点,得到多个采样点,并从所述多个采样点采集所述多个水体检测区域的样本水体,得到多个样本水体。
可选的,在本发明第二方面的第二种实现方式中,所述分析模块具体用于:分别将每个样本水体配置为均匀状态,并调用预置的图像采集终端分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据;分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,其中,所述微生物数据包括:微生物种类和每个微生物种类对应的微生物数量;根据所述微生物种类和每个微生物种类对应的微生物数量对每个样本水体的微生物群数据进行微生物群整合分析,得到所述待检测水体对应的目标微生物群数据。
可选的,在本发明第二方面的第三种实现方式中,所述处理模块具体用于:将每个样本水体对应的水体图像数据输入预置的泥沙检测模型进行泥沙检测,得到所述水体图像数据对应的单位泥沙量;根据所述单位泥沙量计算每个样本水体对应的初始泥沙含量,得到每个样本水体对应的泥沙含量数据;将每个样本水体对应的水体图像数据输入预置的浑浊度检测模型进行浑浊度识别,得到每个样本水体对应的浑浊度数据;分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据。
可选的,在本发明第二方面的第四种实现方式中,所述检测模块具体用于:对所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据进行向量转换,生成目标输入向量;将所述目标输入向量输入预置的水质检测模型进行水质分析,输出所述目标输入向量对应的水质预测概率;根据所述水质预测概率对所述待检测水体进行类别匹配,得到目标水体类型;基于所述目标水体类型从预置的数据库中获取与所述待检测水体对应的标准环境数据;将所述标准环境数据与所述目标水体类型进行分析,得到所述待检测水体对应的水质检测结果。
可选的,在本发明第二方面的第五种实现方式中,所述生成模块具体用于:根据所述水质异常指标生成所述待检测水体对应的事件告警信息;通过预置的事件分析模型对所述事件告警信息进行分类处理,得到目标事件告警类型;根据所述目标事件告警类型从预置的部门信息库中进行获取对应的部门类型;基于所述部门类型通过预置的分拨规则进行终端匹配,得到对应的目标处理终端;将所述事件告警信息传输至所述目标处理终端。
可选的,在本发明第二方面的第六种实现方式中,所述水质监测管理系统还包括:评价模块,用于采集预置的水生物在所述待检测水体中的水生物活动视频数据;对所述水生物活动视频数据进行预处理,得到所述水生物活动视频数据对应的目标图像帧集合;将所述目标图像帧集合输入预置的轨迹分析模型进行轨迹分析,得到水生物运动轨迹信息;基于所述水生物运动轨迹信息对所述水生物进行行为特征分析,得到多个行为特征数据;将所述多个行为特征数据输入预置的水质评价模型进行水质评价,得到水质评价结果。
本发明第三方面提供了一种水质监测管理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述水质监测管理设备执行上述的水质监测管理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的水质监测管理方法。
本发明提供的技术方案中,通过对待检测水体进行水体检测区域划分并采集所述多个水体检测区域的样本水体,通过设置水体采样策略可以使采集得到的样本水体更加符合待检测水体的真实情况,进而可以提高水质采样的准确率,然后通过对样本水体的浑浊度数据、泥沙含量数据以及微生物群数据进行分析,通过这几个指标结合人工智能的水质检测模型对待检测水体进行水质检测分析,引入了人工智能模型可以有效的提高水质检测的准确率,而且本发明通过根据所述水质异常指标生成所述待检测水体对应的事件告警信息,可以实现及时的对待检测水体进行告警处理,进而提高了水质监测管理的准确率。
附图说明
图1为本发明实施例中水质监测管理方法的一个实施例示意图;
图2为本发明实施例中水质监测管理方法的另一个实施例示意图;
图3为本发明实施例中水质监测管理系统的一个实施例示意图;
图4为本发明实施例中水质监测管理系统的另一个实施例示意图;
图5为本发明实施例中水质监测管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种水质监测管理方法及系统,用于提高水质监测管理的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中水质监测管理方法的一个实施例包括:
101、对待检测水体进行水体检测区域划分,得到待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集多个水体检测区域的样本水体,得到多个样本水体;
可以理解的是,本发明的执行主体可以为水质监测管理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器用于对待检测水体的整个区域划分为上部、中部和下部三大区域,水体区域划分模块包括若干水流速度检测单元,水流速度检测单元采用流速传感器,分别检测三大区域的水体流速,根据三大区域内水体流速的不同,分别将上部区域划分成若干流速子区域,依次标记为1,2,...,a,...,b,将中部区域划分成若干流速子区域.依次标记为1,2,...,c,...,d,将下部区域划分成若干流速子区域,依次标记为1,2,...,e,...,f,将上部、中部和下部区域中的各流速子区域按其河水深度进行划分,并基于预设的水体采样策略采集多个水体检测区域的样本水体,得到多个样本水体。
102、分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到待检测水体对应的目标微生物群数据;
具体的,服务器分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并获取水体检测数据,获取水体检测数据中包含的水体信息及水质检测结果,依据水质检测结果划分各水体的污染等级,获取指定区域的地图数据,生成水体分布图,依据当前水体的水体信息中包含的定位信息查找其在水体分布图上的覆盖区域,执行污染等级标注操作,依据污染等级确定标识特征,且不同的污染等级对应不同的标识特征,于水体分布图上各水体所覆盖的区域处显示对应各自污染等级的标识特征,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到待检测水体对应的目标微生物群数据。能够方便查找所需区域的水质污染状况的效果。
103、对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到待检测水体对应的目标浑浊度数据和目标泥沙含量数据;
具体的,服务器控制预置的红外发射二极管的发射强度,通过红外发射二极管向检测水质发射红外光,控制光敏二极管的输出电压,通过光敏二极管接收红外光反射的光线强度,通过温度传感器检测泥沙含量下的水温,得到径流泥沙含量值和温度值,采用3σ准则对径流泥沙含量值和温度值进行奇异值剔除和数据滤波,构建实际径流泥沙含量与泥沙含量传感器和温度传感器之间的模型,得到实际径流泥沙含量,实现径流泥沙含量检测,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到待检测水体对应的目标浑浊度数据和目标泥沙含量数据,本发明通过数据剔除和数据滤波等数据处理技术,径流泥沙含量检测结果准确性高、实时性较强。
104、将目标微生物群数据、目标浑浊度数据和目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到待检测水体对应的水质检测结果;
具体的,在获取到多个样本点处水体的浑浊度数据之后,对各样本点处水体的浑浊度数据进行模拟温漂处理,基于模拟温漂处理后的各样本点处水体的浑浊度数据及获取到的各样本点处水体的实际水质指标参数,对预设的神经网络模型进行训练,得到水质检测模型。通过对获取到的各样本点处水体的浑浊度数据进行模拟温漂处理,模拟出各样本点处水体的浑浊度数据存在温漂的情况,得到的浑浊度数据更切合实际,得到待检测水体对应的水质检测结果,从而提高了利用该水质检测模型进行水质检测的准确性。
105、对水质检测结果进行解析,得到水质检测结果对应的目标解析结果,并根据目标解析结果判断待检测水体中是否存在水质异常指标;
需要说明的是,浑浊度数据是指光波在样本点处产生的数据,具体可以为光波波长对应的反射率、光波强度等,在实际应用时,浑浊度数据为光谱波段数据,也就是说,浑浊度数据包括了光波波长和光波强度/光波波长对应反射率等。浑浊度数据可以利用光谱仪测量得到,也可以通过图像采集方式获得。可选的,获取多个样本点处水体的浑浊度数据的方式可以是:采集多个样本点处水体的图像,然后对图像数据进行预处理,得到各样本点处水体的浑浊度数据,其中,预处理包括辐射定标、几何校正、大气校正、水体区域裁剪和归一化处理等,进而得到水质检测结果对应的目标解析结果,并根据目标解析结果判断待检测水体中是否存在水质异常指标。
106、若是,则根据水质异常指标生成待检测水体对应的事件告警信息,并对事件告警信息进行终端匹配,得到对应的目标处理终端,并将事件告警信息传输至目标处理终端。
具体的,服务器根据事件告警信息,通过预置的事件分析模型进行事件分类,确定事件类别,进而服务器通过统一的分拨规则进行事件分拨,确定相应的分拨标识信息,根据该分拨标识信息确定对应的目标处理终端。具体的,服务器通过预置的分拨规则对事件告警信息进行终端匹配,得到对应的目标处理终端,并将事件告警信息传输至目标处理终端。
本发明实施例中,通过对待检测水体进行水体检测区域划分并采集多个水体检测区域的样本水体,通过设置水体采样策略可以使采集得到的样本水体更加符合待检测水体的真实情况,进而可以提高水质采样的准确率,然后通过对样本水体的浑浊度数据、泥沙含量数据以及微生物群数据进行分析,通过这几个指标结合人工智能的水质检测模型对待检测水体进行水质检测分析,引入了人工智能模型可以有效的提高水质检测的准确率,而且本发明通过根据水质异常指标生成待检测水体对应的事件告警信息,可以实现及时的对待检测水体进行告警处理,进而提高了水质监测管理的准确率。
请参阅图2,本发明实施例中水质监测管理方法的另一个实施例包括:
201、查找待检测水体的水体中心,并基于水体中心构建待检测水体的直角坐标系;
需要说明的是,上述水体中心为待检测水体的几何中心,具体的,服务器根据待检测水体的三维空间进行特征点识别,确定对应的三维几何特征点,进而服务器根据上述三维几何特征点进行三维立体构建,确定出对应的三维立体结构后,进行几何中心确认,也即得到上述待检测水体的水体中心,进而服务器根据基于水体中心构建待检测水体的直角坐标系。
202、基于直角坐标系对待检测水体进行水体区域分割,得到待检测水体对应的多个水体检测区域;
具体的,服务器获取最小划分单元对应的多边形,利用多边形和区域边界进行划分,将多个多边形进行拼接,得到多个子区域,获取多个子区域对应的水体面积数据,若存在水体面积数据超过第一阈值或低于第二阈值的子区域,则生成待检测水体对应的多个水体检测区域,采用该方法能够对水体区域进行有效划分。
203、设置每个水体检测区域的采样点,得到多个采样点,并从多个采样点采集多个水体检测区域的样本水体,得到多个样本水体;
具体的,从双目摄像设备获取一个图像对,设置水平和垂直方向的区域划分线,中间区域的划分线间隔相对小,两侧区域的划分线间隔相对大,将图像划分为N*M个区域;根据划分的区域,在左图中从每个区域中选择相同数量的P个特征点作为稀疏采样点,针对稀疏采样获得的P个稀疏采样点,在右图中搜索与之匹配的对应点,从而获得P个匹配点对,本发明通过将图像划分成多个区域,不同区域具有不同的大小,从多个采样点采集多个水体检测区域的样本水体,得到多个样本水体,从而使得不同区域的采样频率不同,从而能够很好的兼顾采样精度和计算效率。
204、分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到待检测水体对应的目标微生物群数据;
具体的,分别将每个样本水体配置为均匀状态,并调用预置的图像采集终端分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据;分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,其中,微生物数据包括:微生物种类和每个微生物种类对应的微生物数量;根据微生物种类和每个微生物种类对应的微生物数量对每个样本水体的微生物群数据进行微生物群整合分析,得到待检测水体对应的目标微生物群数据。
其中,服务器利用目标生信分析工具名称对应的目标生信分析工具,根据目标数据参考库名称对应的目标数据参考库以及待测微生物的原始测序文件,生成待测微生物的生信分析结果,分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,并呈现或存储待测微生物的生信分析结果。
205、对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到待检测水体对应的目标浑浊度数据和目标泥沙含量数据;
具体的,将每个样本水体对应的水体图像数据输入预置的泥沙检测模型进行泥沙检测,得到水体图像数据对应的单位泥沙量;根据单位泥沙量计算每个样本水体对应的初始泥沙含量,得到每个样本水体对应的泥沙含量数据;将每个样本水体对应的水体图像数据输入预置的浑浊度检测模型进行浑浊度识别,得到每个样本水体对应的浑浊度数据;分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到待检测水体对应的目标浑浊度数据和目标泥沙含量数据。
其中,构造水体的泥沙检测模型包括水体状态方程和水体观测方程,计算系统状态最优估计值,对每个水体状态最优估计值进行归一化处理,计算水体归一化处理结果的平均值,将每个水体状态最优估计值归一化处理结果值与水体归一化处理结果的平均值作差值,与设定的差值有效阈值进行比较,根据单位泥沙量计算每个样本水体对应的初始泥沙含量,得到每个样本水体对应的泥沙含量数据;将每个样本水体对应的水体图像数据输入预置的浑浊度检测模型进行浑浊度识别,得到每个样本水体对应的浑浊度数据,分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到待检测水体对应的目标浑浊度数据和目标泥沙含量数据,具有简单、高效的特点。
206、将目标微生物群数据、目标浑浊度数据和目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到待检测水体对应的水质检测结果;
具体的,对目标微生物群数据、目标浑浊度数据和目标泥沙含量数据进行向量转换,生成目标输入向量;将目标输入向量输入预置的水质检测模型进行水质分析,输出目标输入向量对应的水质预测概率;根据水质预测概率对待检测水体进行类别匹配,得到目标水体类型;基于目标水体类型从预置的数据库中获取与待检测水体对应的标准环境数据;将标准环境数据与目标水体类型进行分析,得到待检测水体对应的水质检测结果。
具体的,服务器对环境数据表进行类别匹配,得到对应的环境数据表类型,服务器基于环境数据表类型从预置的数据库中获取对应的标准环境数据表,服务器将标准环境数据表与环境数据表进行对比分析,得到对应的对比结果,服务器对对比结果进行异常数据分析,得到预警分析结果,同时服务器将目标输入向量输入预置的水质检测模型进行水质分析,输出目标输入向量对应的水质预测概率;根据水质预测概率对待检测水体进行类别匹配,得到目标水体类型;基于目标水体类型从预置的数据库中获取与待检测水体对应的标准环境数据;将标准环境数据与目标水体类型进行分析,得到待检测水体对应的水质检测结果。
207、对水质检测结果进行解析,得到水质检测结果对应的目标解析结果,并根据目标解析结果判断待检测水体中是否存在水质异常指标;
具体的,在本实施例中,步骤207的具体实施方式与上述步骤105类似,此处不再赘述。
208、若是,则根据水质异常指标生成待检测水体对应的事件告警信息,并对事件告警信息进行终端匹配,得到对应的目标处理终端,并将事件告警信息传输至目标处理终端。
具体的,根据水质异常指标生成待检测水体对应的事件告警信息;通过预置的事件分析模型对事件告警信息进行分类处理,得到目标事件告警类型;根据目标事件告警类型从预置的部门信息库中进行获取对应的部门类型;基于部门类型通过预置的分拨规则进行终端匹配,得到对应的目标处理终端;将事件告警信息传输至目标处理终端。
其中,需要说明的是,分拨规则为预先制定的,以便于及时遇到突发预警事件时高效进行事件分拨,从而将预警事件智能分拨到网格巡查或执法系统进行处理,同时实现对所有资源的管理和调配,具体的,根据水质异常指标生成待检测水体对应的事件告警信息;通过预置的事件分析模型对事件告警信息进行分类处理,得到目标事件告警类型;根据目标事件告警类型从预置的部门信息库中进行获取对应的部门类型;基于部门类型通过预置的分拨规则进行终端匹配,得到对应的目标处理终端;将事件告警信息传输至目标处理终端。
可选的,采集预置的水生物在待检测水体中的水生物活动视频数据;对水生物活动视频数据进行预处理,得到水生物活动视频数据对应的目标图像帧集合;将目标图像帧集合输入预置的轨迹分析模型进行轨迹分析,得到水生物运动轨迹信息;基于水生物运动轨迹信息对水生物进行行为特征分析,得到多个行为特征数据;将多个行为特征数据输入预置的水质评价模型进行水质评价,得到水质评价结果。
具体的,服务器通过轨迹分析模型的均值漂移算法对目标图像帧集合进行背景去除处理,得到去除背景后的图像帧集合,获取到目标图像帧集合后,对目标图像帧集合中每一图像帧进行背景去除,以去除目标图像帧集合中的图像背景,减少图像背景对鱼类位置信息获取的干扰,具体的,服务器通过轨迹分析模型的均值漂移算法对目标图像帧集合进行背景去除处理,得到去除背景后的图像帧集合;可以理解的是,为了方便对目标图像帧集合进行后续的图像处理,本发明实施例中,在得到去除背景后的图像帧集合后,即在得到目标图像帧集合的前景部分后,可进一步对目标图像帧集合进行灰度处理,基于水生物运动轨迹信息对水生物进行行为特征分析,得到多个行为特征数据;将多个行为特征数据输入预置的水质评价模型进行水质评价,得到水质评价结果。
本发明实施例中,通过对待检测水体进行水体检测区域划分并采集多个水体检测区域的样本水体,通过设置水体采样策略可以使采集得到的样本水体更加符合待检测水体的真实情况,进而可以提高水质采样的准确率,然后通过对样本水体的浑浊度数据、泥沙含量数据以及微生物群数据进行分析,通过这几个指标结合人工智能的水质检测模型对待检测水体进行水质检测分析,引入了人工智能模型可以有效的提高水质检测的准确率,而且本发明通过根据水质异常指标生成待检测水体对应的事件告警信息,可以实现及时的对待检测水体进行告警处理,进而提高了水质监测管理的准确率。
上面对本发明实施例中水质监测管理方法进行了描述,下面对本发明实施例中水质监测管理系统进行描述,请参阅图3,本发明实施例中水质监测管理系统一个实施例包括:
采集模块301,用于对待检测水体进行水体检测区域划分,得到所述待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集所述多个水体检测区域的样本水体,得到多个样本水体;
分析模块302,用于分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到所述待检测水体对应的目标微生物群数据;
处理模块303,用于对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据;
检测模块304,用于将所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到所述待检测水体对应的水质检测结果;
判断模块305,用于对所述水质检测结果进行解析,得到所述水质检测结果对应的目标解析结果,并根据所述目标解析结果判断所述待检测水体中是否存在水质异常指标;
生成模块306,用于若是,则根据所述水质异常指标生成所述待检测水体对应的事件告警信息,并对所述事件告警信息进行终端匹配,得到对应的目标处理终端,并将所述事件告警信息传输至所述目标处理终端。
本发明实施例中,通过对待检测水体进行水体检测区域划分并采集所述多个水体检测区域的样本水体,通过设置水体采样策略可以使采集得到的样本水体更加符合待检测水体的真实情况,进而可以提高水质采样的准确率,然后通过对样本水体的浑浊度数据、泥沙含量数据以及微生物群数据进行分析,通过这几个指标结合人工智能的水质检测模型对待检测水体进行水质检测分析,引入了人工智能模型可以有效的提高水质检测的准确率,而且本发明通过根据所述水质异常指标生成所述待检测水体对应的事件告警信息,可以实现及时的对待检测水体进行告警处理,进而提高了水质监测管理的准确率。
请参阅图4,本发明实施例中水质监测管理系统另一个实施例包括:
采集模块301,用于对待检测水体进行水体检测区域划分,得到所述待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集所述多个水体检测区域的样本水体,得到多个样本水体;
分析模块302,用于分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到所述待检测水体对应的目标微生物群数据;
处理模块303,用于对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据;
检测模块304,用于将所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到所述待检测水体对应的水质检测结果;
判断模块305,用于对所述水质检测结果进行解析,得到所述水质检测结果对应的目标解析结果,并根据所述目标解析结果判断所述待检测水体中是否存在水质异常指标;
生成模块306,用于若是,则根据所述水质异常指标生成所述待检测水体对应的事件告警信息,并对所述事件告警信息进行终端匹配,得到对应的目标处理终端,并将所述事件告警信息传输至所述目标处理终端。
可选的,所述采集模块301具体用于:查找待检测水体的水体中心,并基于所述水体中心构建所述待检测水体的直角坐标系;基于所述直角坐标系对所述待检测水体进行水体区域分割,得到所述待检测水体对应的多个水体检测区域;设置每个水体检测区域的采样点,得到多个采样点,并从所述多个采样点采集所述多个水体检测区域的样本水体,得到多个样本水体。
可选的,所述分析模块302具体用于:分别将每个样本水体配置为均匀状态,并调用预置的图像采集终端分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据;分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,其中,所述微生物数据包括:微生物种类和每个微生物种类对应的微生物数量;根据所述微生物种类和每个微生物种类对应的微生物数量对每个样本水体的微生物群数据进行微生物群整合分析,得到所述待检测水体对应的目标微生物群数据。
可选的,所述处理模块303具体用于:将每个样本水体对应的水体图像数据输入预置的泥沙检测模型进行泥沙检测,得到所述水体图像数据对应的单位泥沙量;根据所述单位泥沙量计算每个样本水体对应的初始泥沙含量,得到每个样本水体对应的泥沙含量数据;将每个样本水体对应的水体图像数据输入预置的浑浊度检测模型进行浑浊度识别,得到每个样本水体对应的浑浊度数据;分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据。
可选的,所述检测模块304具体用于:对所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据进行向量转换,生成目标输入向量;将所述目标输入向量输入预置的水质检测模型进行水质分析,输出所述目标输入向量对应的水质预测概率;根据所述水质预测概率对所述待检测水体进行类别匹配,得到目标水体类型;基于所述目标水体类型从预置的数据库中获取与所述待检测水体对应的标准环境数据;将所述标准环境数据与所述目标水体类型进行分析,得到所述待检测水体对应的水质检测结果。
可选的,所述生成模块306具体用于:根据所述水质异常指标生成所述待检测水体对应的事件告警信息;通过预置的事件分析模型对所述事件告警信息进行分类处理,得到目标事件告警类型;根据所述目标事件告警类型从预置的部门信息库中进行获取对应的部门类型;基于所述部门类型通过预置的分拨规则进行终端匹配,得到对应的目标处理终端;将所述事件告警信息传输至所述目标处理终端。
可选的,所述水质监测管理系统还包括:
评价模块307,用于采集预置的水生物在所述待检测水体中的水生物活动视频数据;对所述水生物活动视频数据进行预处理,得到所述水生物活动视频数据对应的目标图像帧集合;将所述目标图像帧集合输入预置的轨迹分析模型进行轨迹分析,得到水生物运动轨迹信息;基于所述水生物运动轨迹信息对所述水生物进行行为特征分析,得到多个行为特征数据;将所述多个行为特征数据输入预置的水质评价模型进行水质评价,得到水质评价结果。
本发明实施例中,通过对待检测水体进行水体检测区域划分并采集所述多个水体检测区域的样本水体,通过设置水体采样策略可以使采集得到的样本水体更加符合待检测水体的真实情况,进而可以提高水质采样的准确率,然后通过对样本水体的浑浊度数据、泥沙含量数据以及微生物群数据进行分析,通过这几个指标结合人工智能的水质检测模型对待检测水体进行水质检测分析,引入了人工智能模型可以有效的提高水质检测的准确率,而且本发明通过根据所述水质异常指标生成所述待检测水体对应的事件告警信息,可以实现及时的对待检测水体进行告警处理,进而提高了水质监测管理的准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的水质监测管理系统进行详细描述,下面从硬件处理的角度对本发明实施例中水质监测管理设备进行详细描述。
图5是本发明实施例提供的一种水质监测管理设备的结构示意图,该水质监测管理设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对水质监测管理设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在水质监测管理设备500上执行存储介质530中的一系列指令操作。
水质监测管理设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的水质监测管理设备结构并不构成对水质监测管理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种水质监测管理设备,所述水质监测管理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述水质监测管理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述水质监测管理方法的步骤。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种水质监测管理方法,其特征在于,所述水质监测管理方法包括:
对待检测水体进行水体检测区域划分,得到所述待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集所述多个水体检测区域的样本水体,得到多个样本水体;
分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到所述待检测水体对应的目标微生物群数据;
对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据;
将所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到所述待检测水体对应的水质检测结果;具体的,对所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据进行向量转换,生成目标输入向量;将所述目标输入向量输入预置的水质检测模型进行水质分析,输出所述目标输入向量对应的水质预测概率;根据所述水质预测概率对所述待检测水体进行类别匹配,得到目标水体类型;基于所述目标水体类型从预置的数据库中获取与所述待检测水体对应的标准环境数据;将所述标准环境数据与所述目标水体类型进行分析,得到所述待检测水体对应的水质检测结果;其中,采集预置的水生物在所述待检测水体中的水生物活动视频数据;对所述水生物活动视频数据进行预处理,得到所述水生物活动视频数据对应的目标图像帧集合;将所述目标图像帧集合输入预置的轨迹分析模型进行轨迹分析,得到水生物运动轨迹信息;基于所述水生物运动轨迹信息对所述水生物进行行为特征分析,得到多个行为特征数据;将所述多个行为特征数据输入预置的水质评价模型进行水质评价,得到水质评价结果;
对所述水质检测结果进行解析,得到所述水质检测结果对应的目标解析结果,并根据所述目标解析结果判断所述待检测水体中是否存在水质异常指标;
若是,则根据所述水质异常指标生成所述待检测水体对应的事件告警信息,并对所述事件告警信息进行终端匹配,得到对应的目标处理终端,并将所述事件告警信息传输至所述目标处理终端。
2.根据权利要求1所述的水质监测管理方法,其特征在于,所述对待检测水体进行水体检测区域划分,得到所述待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集所述多个水体检测区域的样本水体,得到多个样本水体,包括:
查找待检测水体的水体中心,并基于所述水体中心构建所述待检测水体的直角坐标系;
基于所述直角坐标系对所述待检测水体进行水体区域分割,得到所述待检测水体对应的多个水体检测区域;
设置每个水体检测区域的采样点,得到多个采样点,并从所述多个采样点采集所述多个水体检测区域的样本水体,得到多个样本水体。
3.根据权利要求1所述的水质监测管理方法,其特征在于,所述分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到所述待检测水体对应的目标微生物群数据,包括:
分别将每个样本水体配置为均匀状态,并调用预置的图像采集终端分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据;
分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,其中,所述微生物数据包括:微生物种类和每个微生物种类对应的微生物数量;
根据所述微生物种类和每个微生物种类对应的微生物数量对每个样本水体的微生物群数据进行微生物群整合分析,得到所述待检测水体对应的目标微生物群数据。
4.根据权利要求1所述的水质监测管理方法,其特征在于,所述对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据,包括:
将每个样本水体对应的水体图像数据输入预置的泥沙检测模型进行泥沙检测,得到所述水体图像数据对应的单位泥沙量;
根据所述单位泥沙量计算每个样本水体对应的初始泥沙含量,得到每个样本水体对应的泥沙含量数据;
将每个样本水体对应的水体图像数据输入预置的浑浊度检测模型进行浑浊度识别,得到每个样本水体对应的浑浊度数据;
分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据。
5.根据权利要求1所述的水质监测管理方法,其特征在于,所述若是,则根据所述水质异常指标生成所述待检测水体对应的事件告警信息,并对所述事件告警信息进行终端匹配,得到对应的目标处理终端,并将所述事件告警信息传输至所述目标处理终端,包括:
根据所述水质异常指标生成所述待检测水体对应的事件告警信息;
通过预置的事件分析模型对所述事件告警信息进行分类处理,得到目标事件告警类型;
根据所述目标事件告警类型从预置的部门信息库中进行获取对应的部门类型;
基于所述部门类型通过预置的分拨规则进行终端匹配,得到对应的目标处理终端;
将所述事件告警信息传输至所述目标处理终端。
6.一种水质监测管理系统,其特征在于,所述水质监测管理系统包括:
采集模块,用于对待检测水体进行水体检测区域划分,得到所述待检测水体对应的多个水体检测区域,并基于预设的水体采样策略采集所述多个水体检测区域的样本水体,得到多个样本水体;
分析模块,用于分别对每个样本水体进行图像采集,得到每个样本水体对应的水体图像数据,并分别对每个样本水体进行微生物数据分析,得到每个样本水体的微生物群数据,以及对每个样本水体的微生物群数据进行综合分析,得到所述待检测水体对应的目标微生物群数据;
处理模块,用于对每个样本水体对应的水体图像数据进行监控指标分析,得到每个样本水体对应的浑浊度数据和泥沙含量数据,并分别对每个样本水体对应的浑浊度数据和泥沙含量数据进行平均归一化处理,得到所述待检测水体对应的目标浑浊度数据和目标泥沙含量数据;
检测模块,用于将所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据输入预置的水质检测模型进行水质检测,得到所述待检测水体对应的水质检测结果;具体的,对所述目标微生物群数据、所述目标浑浊度数据和所述目标泥沙含量数据进行向量转换,生成目标输入向量;将所述目标输入向量输入预置的水质检测模型进行水质分析,输出所述目标输入向量对应的水质预测概率;根据所述水质预测概率对所述待检测水体进行类别匹配,得到目标水体类型;基于所述目标水体类型从预置的数据库中获取与所述待检测水体对应的标准环境数据;将所述标准环境数据与所述目标水体类型进行分析,得到所述待检测水体对应的水质检测结果;其中,采集预置的水生物在所述待检测水体中的水生物活动视频数据;对所述水生物活动视频数据进行预处理,得到所述水生物活动视频数据对应的目标图像帧集合;将所述目标图像帧集合输入预置的轨迹分析模型进行轨迹分析,得到水生物运动轨迹信息;基于所述水生物运动轨迹信息对所述水生物进行行为特征分析,得到多个行为特征数据;将所述多个行为特征数据输入预置的水质评价模型进行水质评价,得到水质评价结果;
判断模块,用于对所述水质检测结果进行解析,得到所述水质检测结果对应的目标解析结果,并根据所述目标解析结果判断所述待检测水体中是否存在水质异常指标;
生成模块,用于若是,则根据所述水质异常指标生成所述待检测水体对应的事件告警信息,并对所述事件告警信息进行终端匹配,得到对应的目标处理终端,并将所述事件告警信息传输至所述目标处理终端。
7.一种水质监测管理设备,其特征在于,所述水质监测管理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述水质监测管理设备执行如权利要求1-5中任一项所述的水质监测管理方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的水质监测管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178581.9A CN115308101B (zh) | 2022-09-27 | 2022-09-27 | 水质监测管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178581.9A CN115308101B (zh) | 2022-09-27 | 2022-09-27 | 水质监测管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115308101A CN115308101A (zh) | 2022-11-08 |
CN115308101B true CN115308101B (zh) | 2022-12-30 |
Family
ID=83866152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211178581.9A Active CN115308101B (zh) | 2022-09-27 | 2022-09-27 | 水质监测管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115308101B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115575584B (zh) * | 2022-12-06 | 2023-04-11 | 江苏旭龙环境科技有限公司 | 一种大气环境镉含量监测预警方法及系统 |
CN117054676B (zh) * | 2023-10-13 | 2023-12-19 | 山西智合清浩环保技术服务有限公司 | 废水在线监测设备的运维智能控制系统 |
CN117292211B (zh) * | 2023-11-27 | 2024-02-27 | 潍坊市海洋发展研究院 | 水质标注图像发送方法、装置、电子设备和计算机可读介质 |
CN118010952A (zh) * | 2024-04-08 | 2024-05-10 | 山西冶金岩土工程勘察有限公司 | 一种用于河道的生态治理系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482516A (zh) * | 2009-02-12 | 2009-07-15 | 彭宣戈 | 一种图像在线测量河流泥沙含沙量的方法 |
CN103134942B (zh) * | 2013-02-08 | 2015-04-15 | 清华大学 | 一种含沙浓度和浑水流速垂线分布的同步实时测量装置 |
CN109498857B (zh) * | 2018-12-29 | 2020-10-16 | 刘铁楠 | 一种基于图像识别的引流监控系统及方法 |
CN111242380A (zh) * | 2020-01-17 | 2020-06-05 | 中国水利水电科学研究院 | 一种基于人工智能算法的湖(库)富营养化预测方法 |
CN112394152A (zh) * | 2020-10-27 | 2021-02-23 | 范玲珍 | 一种基于大数据的水质实时智能监测分析管理系统 |
-
2022
- 2022-09-27 CN CN202211178581.9A patent/CN115308101B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115308101A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115308101B (zh) | 水质监测管理方法及系统 | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
CN104103005B (zh) | 一种有限条件下突发性水环境事件污染源的溯源方法 | |
CN116625327B (zh) | 一种大数据驱动的海洋环境监测与预警方法 | |
CN110785814A (zh) | 使用深度神经网络预测测序结果的质量 | |
CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、系统及介质 | |
CN111753985A (zh) | 基于神经元覆盖率的图像深度学习模型测试方法与装置 | |
CN110865418B (zh) | 污水违规排放监测方法、装置及计算机可读存储介质 | |
CN113791926A (zh) | 智能告警分析方法、装置、设备及存储介质 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
CN115856204B (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
CN116929454A (zh) | 一种河流水质污染监测方法、介质及系统 | |
Penmetcha et al. | Computer vision-based algae removal planner for multi-robot teams | |
CN110334452B (zh) | 一种智慧农业大气污染物浓度分层次预警方法 | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
CN113240006A (zh) | 废水排放的监测方法、装置、电子设备及存储介质 | |
Kolli et al. | Prediction of water quality parameters by IoT and machine learning | |
CN114758418A (zh) | 水质评价方法、装置、设备及存储介质 | |
CN113255440B (zh) | 一种基于机器学习的农作物叶片异常检测方法及系统 | |
CN114624411A (zh) | 一种水源地取水口附近水域的水质预警方法 | |
CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 | |
CN109583590B (zh) | 数据处理方法及数据处理装置 | |
CN112580509A (zh) | 逻辑推理式道面检测方法及系统 |
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 |