CN115690385A - 一种基于多光谱图像的水质预测方法、系统、设备及介质 - Google Patents
一种基于多光谱图像的水质预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115690385A CN115690385A CN202211091160.2A CN202211091160A CN115690385A CN 115690385 A CN115690385 A CN 115690385A CN 202211091160 A CN202211091160 A CN 202211091160A CN 115690385 A CN115690385 A CN 115690385A
- Authority
- CN
- China
- Prior art keywords
- image
- water quality
- water
- original
- band imaging
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 283
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003384 imaging method Methods 0.000 claims abstract description 87
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 63
- 238000001228 spectrum Methods 0.000 claims description 18
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- HQHACWYQWDKBOZ-UHFFFAOYSA-N 1-nitroso-azacyclotridecane Chemical compound O=NN1CCCCCCCCCCCC1 HQHACWYQWDKBOZ-UHFFFAOYSA-N 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 229910052757 nitrogen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- 229910021529 ammonia Inorganic materials 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 229930002868 chlorophyll a Natural products 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000701 chemical imaging Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 240000003826 Eichhornia crassipes Species 0.000 description 1
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 241000196252 Ulva Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003305 oil spill Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明提出了一种基于多光谱图像的水质预测方法、系统、设备及介质，涉及水质预测领域。一种基于多光谱图像的水质预测方法，其包括如下步骤：S1图像采集：采集多个原始水域图像I1和用于标记每个所述原始水域图像I1水质的水质测量数据IGT，所述原始水域图像I1包括可见光成像图像IRGB、近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB；S2图像预处理：对多个原始水域图像预处理后进行归一化处理；其能够提高水质预测的精度，维护生态环境安全。
Description
技术领域
本发明涉及水质预测领域，具体而言，涉及一种基于多光谱图像的水质预测方法、系统、设备及介质。
背景技术
生态参数探测是生态环境保护工作中的重要环节，但传统的野外采样或者传感器监测等方法，具有观测范围小、效率较低、人力物力成本高等缺点。随环境探测的发展，多光谱遥感技术的应用解决了资源浪费、效率低和观测范围受到局限的问题，在面向危及生态环境安全的应急事件具有重大意义。目前的无人机载高光谱遥感技术因其灵活机动的特点在近海及小范围的水质监测中发挥了重要作用，因此水质监测近些年成为无人机多光谱成像设备的应用研究热点领域之一。但是现有处理水质监测方法较简单，使得水质预测精度仍然较低。
传统多光谱水质参数预测方法中，多光谱成像数据通常以波段组合图像的形式用于参数预测模型。波段组合图像是指采用加减乘除以及分子式等形式，将单波段、敏感波段进行组合而产生的特征波段图像，所属波段组合图像的线性加权参数通常为给定的经验值。其中，单波段图像指原始多光谱传感器在单个波段采集所产生的红、绿、蓝、红边、红外等图像数据，对应于本发明中的I1。敏感波段图像通常是理论与实践已被证实了，对于预测结果有效的特征波段，通常将单波段数据通过运算组合行程波段组合来作为特征波段，对应于本发明中的I2和I3。
然而，传统方法以波段组合图像的形式用于参数预测模型具有两方面的缺点。首先，波段组合加减乘除以及分子式等形式的组合方式，单层或者浅层网络模型，支持向量机、核函数等方法，不足以提供足够的表征空间，来表征尽可能多的非线性波段组合；其次，波段组合组合系数是线性的，且需要经验方法获取。常规方法采用半经验法，通常采用单波段、敏感波段、波段组合为变量构建预测模型，通过优选出最大Pearson相关系数的波段、波段组合进行建模，分别建立线性模型、指数模型、多项式模型、幂函数模型和对数模型，并从中选取相关系数最大的模型为最优的模型。
发明内容
本发明的目的之一在于提供一种基于多光谱图像的水质预测方法，其能够提高水质预测的精度，维护生态环境安全。
本发明的目的之一在于提供一种基于多光谱图像的水质预测系统，其能够提高水质预测的精度，维护生态环境安全。
本发明的目的之一在于提供一种电子设备，其能够提高水质预测的精度，维护生态环境安全。
本发明的目的之一在于提供一种计算机存储介质，其能够提高水质预测的精度，维护生态环境安全。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种基于多光谱图像的水质预测方法，其包括如下步骤：
S1图像采集：采集多个原始水域图像I1和用于标记每个上述原始水域图像I1的水质的水质测量数据IGT，上述原始水域图像I1包括可见光成像图像IRGB、近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB；
S2图像预处理：对多个上述原始水域图像预处理后进行归一化处理；
S3第一特征处理：通过每个上述原始水域图像得到第一特征图像I2＝{NDVI，NDMI}，其中NDVI表示上述第一特征图像的归一化植被指数，NDMI表示上述第一特征图像的归一化水体指数；
S4第二特征处理：通过每个上述原始水域图像得到第二特征图像
其中每一项都是本发明所选取的且被实验证明有效的敏感波段图像数据，各个数据的选取对于不同水质参数指标的预测具有重要意义。
S5模型训练：采集多组水质训练数据，每组上述水质训练数据均包括上述原始水域图像，用于标记上述原始水域图像的水质的上述水质测量数据IGT，用于标记上述原始水域图像I1的特征的上述第一特征图像I2，用于标记上述原始水域图像I1的特征的上述第二特征图像I3，多组上述水质训练数据通过机器学习训练得到水质参数训练模型，上述水质参数训练模型用于输出上述水质测量数据。
在本发明的一些实施例中，上述步骤S5中，上述水质参数训练模型为CNN深度神经网络模型，且目标函数定义为min||IGT-IPRE||，其中IPRE为深度神经网络输出的上述水质测量数据。
在本发明的一些实施例中，上述步骤S5中，还包括如下步骤：通过上述目标函数定义训练参数θ，即min(θ)||IGT-f(IK-θ)||，k∈[1，3]；将多组水质训练数据以及每组上述水质训练数据的上述训练参数θ输入神经网络模型重新得到上述水质参数训练模型。
在本发明的一些实施例中，上述步骤S2中，对多个上述原始水域图像预处理包括光照补偿、水域分割提取、几何校正和正射校正中的任意一种或多种。
在本发明的一些实施例中，上述步骤S3中，NDVI＝(INIR-IR)/(RNIR+RR)，NDMI＝(IG-INIR)/(IG+INIR)。
在本发明的一些实施例中，上述水质测量数据IGT包括水深度、水温度、PH值、溶解氧浓度、溶解氨浓度、溶解氮浓度、总磷、总氮、化学需氧量、生化血样量、浊度、叶绿素a和电导率中的任意一项或多项。
在本发明的一些实施例中，上述基于多光谱图像的水质预测方法包括可见光相机、多光谱相机、无线收集系统和多光谱分析仪，上述可见光相机用于采集上述可见光成像图像IRGB，并上传到上述多光谱分析仪；上述多光谱相机用于采集上述近红外波段成像图像INIR、上述红边波段成像图像IRE、上述红光波段成像图像IR、上述绿光波段成像图像IG和上述蓝光波段成像图像IB，并上传到上述多光谱分析仪；上述无线收集系统用于采集上述水质测量数据，并上传到上述多光谱分析仪；上述多光谱分析仪用于实现步骤S2～S5。
第二方面，本申请实施例提供一种基于多光谱图像的水质预测系统，其包括：
图像采集模块：用于采集多个原始水域图像I1和用于标记每个上述原始水域图像I1的水质的水质测量数据IGT，上述原始水域图像I1包括可见光成像图像IRGB、近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB；
图像预处理模块：用于对多个上述原始水域图像预处理后进行归一化处理；
第一特征处理模块：用于通过每个上述原始水域图像得到第一特征图像I2＝{NDVI，NDMI}，其中NDVI表示上述第一特征图像的归一化植被指数，NDMI表示上述第一特征图像的归一化水体指数；
第二特征处理模块：用于通过每个上述原始水域图像得到第二特征图像
模型训练模块：用于采集多组水质训练数据，每组上述水质训练数据均包括上述原始水域图像，用于标记上述原始水域图像的水质的上述水质测量数据IGT，用于标记上述原始水域图像I1的特征的上述第一特征图像I2，用于标记上述原始水域图像I1的特征的上述第二特征图像I3，多组上述水质训练数据通过机器学习训练得到水质参数训练模型，上述水质参数训练模型用于输出上述水质测量数据。
第三方面，本申请实施例提供一种电子设备，其包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如第一方面中任一项所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述的方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
针对第一方面～第四方面：本申请实施例通过采集多个原始水域图像和水质策略数据，从而根据可见光成像和多光谱成像对水质进行大数据分析，提高水质预测的准确性和效率；通过对图像进行预处理并归一化，便于多个原始水域图像统一进行对比，减少影响水质分析的噪音；通过原始水域图像得到归一化植被指数和归一化水体指数，从而便于分析不同类型的污染源水质对水质的影响；并且利用多光谱成像组成的多个函数分析多光谱对水质成像的影响，从多个维度分析水质预测；通过水域的可见光成像、水域的多光谱成像、用于标记水域污染源特征的第一特征图像、用于标记多光谱成像特征的第二特征图像以及用于标记对应水域水质的水质测量数据进行机器学习得到神经网络训练模型，从而利用水域可见光图像、多光谱图像、利用多光谱图像标记的污染源特征和多光谱成像的不同组合方式分析得到预测的水质测量数据，提高水质预测的效率和准确性，便于维护生态环境安全。
本发明使用深度神经网络模型，采用单波段、敏感波段作为特征波段的输入方式，而不将波段图像数据组合直接输入网络，既降低神经网络的学习难度，又能通过深度神经网络高度非线性映射能力，产生更好的学习效果，同时不需要提供波段组合的参数，避免了传统浅层模型指定经验参数引起的数据过拟合问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1基于多光谱图像的水质预测方法的流程示意图；
图2为本发明实施例1基于多光谱图像的水质预测方法的原理示意图；
图3为本发明实施例1图像处理的流程示意图；
图4为本发明实施例2基于多光谱图像的水质预测系统的原理示意图；
图5为本发明实施例3电子设备的原理示意图；
图6为本发明实施例1多光谱无人机视角下的作业现场的示意图；
图7为本发明实施例1原始水域图像的示意图；
图8为本发明实施例1采集水质测量数据的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1～图3以及图6～图8，图1所示为本申请实施例提供的基于多光谱图像的水质预测方法的流程示意图。基于多光谱图像的水质预测方法，其包括如下步骤：
S1图像采集：采集多个原始水域图像I1和用于标记每个上述原始水域图像I1的水质的水质测量数据IGT，上述原始水域图像I1包括可见光成像图像IRGB、近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB；
S2图像预处理：对多个上述原始水域图像预处理后进行归一化处理；
S3第一特征处理：通过每个上述原始水域图像得到第一特征图像I2＝{NDVI，NDMI}，其中NDVI表示上述第一特征图像的归一化植被指数，NDMI表示上述第一特征图像的归一化水体指数；
S4第二特征处理：通过每个上述原始水域图像得到第二特征图像
其中每一项都是本发明所选取的且被实验证明有效的敏感波段图像数据，各个数据的选取对于不同水质参数指标的预测具有重要意义。
S5模型训练：采集多组水质训练数据，每组上述水质训练数据均包括上述原始水域图像，用于标记上述原始水域图像的水质的上述水质测量数据IGT，用于标记上述原始水域图像I1的特征的上述第一特征图像I2，用于标记上述原始水域图像I1的特征的上述第二特征图像I3，多组上述水质训练数据通过机器学习训练得到水质参数训练模型，上述水质参数训练模型用于输出上述水质测量数据。
详细的，原始水域图像I1采集的对象可以为河流，并且通过无人机搭载相机的方式获取图像，便于移动到各处。其中，可见光成像图像IRGB可以利用可见光彩色相机在获取，而近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB可以利用多光谱相机获取不同成像方式。上述可见光彩色相机和多光谱相机为水下图像采集的常用方式，在此不做详细说明。详细的，水质测量数据IGT可以利用任意一种水质测量设备进行检测得到，比如利用气体浓度传感器和液体流速传感器等等检测，也可以通过人为判断或采集已有数据得到。并且水质测量数据通过检测水下得到，并且可以利用船搭载，便于移动到各处。其中，水质测量数据和多个原始水域图像均可以通过无线网络上传到远程终端进行后续处理。
详细的，对多个原始水域图像进行预处理，从而排除图像中的错误信息以提高图像预测的准确度。其中图像预处理可以为对颜色、灰度、清晰度等等进行处理的任意一种或多种方式。详细的，归一化处理使得多个图像的参数标准化，使其适应于对比和分析环境。可选的，通过归一化处理将红边波段成像图像的波段范围设置为730nm±16nm，近红外波段成像图像设置为840nm±26nm，绿光波段成像图像设置为560nm±16nm，红光波段成像图像设置为650nm±16nm，蓝光波段成像图像设置为450nm±16nm。详细的，水质训练数据通过机器学习训练得到水质参数训练模型，从而通过水质参数训练模型输出对应图像的水质测量数据。
如图7所示，采集的实时成像数据中六个原始水域图像I1。图中从上至下，左边第一个起依次为可见光成像图像IRGB、近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB。如图8所示，上述水质测量数据IGT采用无人船以网格状的走航监测，产生密集点位生成真值数据标签图。其中通常行进速度为1.0米/秒，单个点位测量间隔5米。
在本发明的一些实施例中，上述步骤S5中，上述水质参数训练模型为CNN深度神经网络模型，且目标函数定义为min||IGT-IPRE||，其中IPRE为深度神经网络输出的上述水质测量数据。
详细的，水质参数训练模型为CNN深度神经网络模型，神经网络模型的目标函数定义为训练数据中与预估的水质测量数据IGT差异最小的值输出，从而使得水质预估更准确。
在本发明的一些实施例中，上述步骤S5中，还包括如下步骤：通过上述目标函数定义训练参数θ：即min(θ)||IGT-f(IK-θ)||，k∈[1，3]；将多组水质训练数据以及每组上述水质训练数据的上述训练参数θ输入神经网络模型重新得到上述水质参数训练模型。
详细的，通过目标函数输出与水质测量数据IGT差距最小的训练参数θ，并通过原始水域图像I1、第一特征图像I2、第二特征图像I3和训练参数θ的关系来定义训练参数θ，其中上述k可以为1、2和3。从而利用水质训练数据和训练参数θ得到调整后的水质测量数据，提高水质预测的准确性。
在本发明的一些实施例中，上述步骤S2中，对多个上述原始水域图像预处理包括光照补偿、水域分割提取、几何校正和正射校正中的任意一种或多种。
详细的，光照补偿对亮度进行还原，水域分割提取对不同类型的水域进行分别分析，从而提高水质预测的准确性。利用飞行器采集多光谱图像时，由于姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，利用几何校正调整图像相对于地面发生的挤压、扭曲、拉伸和偏移等。正射校正一般是通过选取一些地面控制点，并利用原来已经获取的图像模型，对影像同时进行倾斜改正和投影差改正；通过多种图像还原操作进一步提高水质检测准确度。可选的，利用水域分割提取成多个水域分割图后进行几何校正或正射校正，校正后按照原图拼接多个水域分割图，拼接后再次进行几何校正或正射校正，从而提高校正精度。
在本发明的一些实施例中，上述步骤S3中，NDVI＝(INIR-IR)/(RNIR+RR)，NDMI＝(IG-INIR)/(IG+INIR)。
浒苔、水华、水葫芦等近红外有明显反射峰的环境污染，采用归一化植被指数法(Normalized Difference Vegetation Index，NDVI)有明显判别作用；对于工业排污、赤潮、溢油等近红外无明显反射峰的环境污染，采用归一化水体指数法(NormalizedDifference Water Index，NDWI)区分度更明显。归-化植被指数法采用的计算公式为NDVI＝(NIR-R)/(NIR+R)，其中NIR为已知的近红外波段成像图像INIR的反射值，R为已知的红光波段成像图像IRE的反射值。归一化水体指数法采用的计算公式为＝(G-NIR)/(G+NIR)，其中G为已知的绿光波段成像图像IG的反射值。其中上述图像的反射值均为能够检测得到的已知值。
在本发明的一些实施例中，上述水质测量数据IGT包括水深度、水温度、PH值、溶解氧浓度、溶解氨浓度、溶解氮浓度、总磷、总氮、化学需氧量、生化血样量、浊度、叶绿素a和电导率中的任意一项或多项。
详细的，上述水深度通过水深测量方法或者水深测量仪器。同样的，水温度、PH值、溶解氧浓度、溶解氨浓度、溶解氮浓度、总磷、总氮、化学需氧量、生化血样量、浊度、叶绿素a和电导率均可以利用现有技术得到，在此不做具体限定。
在本发明的一些实施例中，上述基于多光谱图像的水质预测方法包括可见光相机、多光谱相机、无线收集系统和多光谱分析仪，上述可见光相机用于采集上述可见光成像图像IRGB，并上传到上述多光谱分析仪；上述多光谱相机用于采集上述近红外波段成像图像INIR、上述红边波段成像图像IRE、上述红光波段成像图像IR、上述绿光波段成像图像IG和上述蓝光波段成像图像IB，并上传到上述多光谱分析仪；上述无线收集系统用于采集上述水质测量数据，并上传到上述多光谱分析仪；上述多光谱分析仪用于实现步骤S2～S5。
其中通过无人机搭载可见光相机和多光谱相机进行图像采集，并且发送到多光谱分析仪。并且通过船搭载无线收集系统比如无线网络以实时接收或输入测出的水质测量数据，并且发送到多光谱分析仪。其中，多光谱分析仪可以设置于无人机或者远程设置于服务端，多光谱分析仪用于实现步骤S2～S5。
实施例2
请参阅图4，图4所示为本申请实施例提供的基于多光谱图像的水质预测系统，包括：
图像采集模块：用于采集多个原始水域图像I1和用于标记每个上述原始水域图像I1的水质的水质测量数据IGT，上述原始水域图像I1包括可见光成像图像IRGB、近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB；
图像预处理模块：用于对多个上述原始水域图像预处理后进行归一化处理；
第一特征处理模块：用于通过每个上述原始水域图像得到第一特征图像I2＝{NDVI，NDMI}，其中NDVI表示上述第一特征图像的归一化植被指数，NDMI表示上述第一特征图像的归一化水体指数；
第二特征处理模块：用于通过每个上述原始水域图像得到第二特征图像
模型训练模块：用于采集多组水质训练数据，每组上述水质训练数据均包括上述原始水域图像，用于标记上述原始水域图像的水质的上述水质测量数据IGT，用于标记上述原始水域图像I1的特征的上述第一特征图像I2，用于标记上述原始水域图像I1的特征的上述第二特征图像I3，多组上述水质训练数据通过机器学习训练得到水质参数训练模型，上述水质参数训练模型用于输出上述水质测量数据。
详细的，多光谱分析仪通过上述多个模块实现步骤S2～S5。其中，图像采集模块可以通过实施例1中的无线收集系统采集水质测量数据IGT，多光谱分析仪。可以理解，图4所示的结构仅为示意，基于多光谱图像的水质预测系统还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
实施例3
请参阅图5，图5为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例2所提供的基于多光谱图像的水质预测系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。其中电子设备可以表现为多光谱分析仪等任意一种设备。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请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)执行本申请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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的一种基于多光谱图像的水质预测方法、系统、设备及介质：
本申请实施例通过采集多个原始水域图像和水质策略数据，从而根据可见光成像和多光谱成像对水质进行大数据分析，提高水质预测的准确性和效率；通过对图像进行预处理并归一化，便于多个原始水域图像统一进行对比，减少影响水质分析的噪音；通过原始水域图像得到归一化植被指数和归一化水体指数，从而便于分析不同类型的污染源水质对水质的影响；并且利用多光谱成像组成的多个函数分析多光谱对水质成像的影响，从多个维度分析水质预测；通过水域的可见光成像、水域的多光谱成像、用于标记水域污染源特征的第一特征图像、用于标记多光谱成像特征的第二特征图像以及用于标记对应水域水质的水质测量数据进行机器学习得到神经网络训练模型，从而利用水域可见光图像、多光谱图像、利用多光谱图像标记的污染源特征和多光谱成像的不同组合方式分析得到预测的水质测量数据，提高水质预测的效率和准确性，便于维护生态环境安全。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于多光谱图像的水质预测方法，其特征在于，包括如下步骤：
S1图像采集：采集多个原始水域图像I1和用于标记每个所述原始水域图像I1的水质的水质测量数据IGT，所述原始水域图像I1包括可见光成像图像IRGB、近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB；
S2图像预处理：对多个所述原始水域图像预处理后进行归一化处理；
S3第一特征处理：通过每个所述原始水域图像得到第一特征图像I2＝{NDVI，NDMI}，其中NDVI表示所述第一特征图像的归一化植被指数，NDMI表示所述第一特征图像的归一化水体指数；
S4第二特征处理：通过每个所述原始水域图像得到第二特征图像
S5模型训练：采集多组水质训练数据，每组所述水质训练数据均包括所述原始水域图像，用于标记所述原始水域图像的水质的所述水质测量数据IGT，用于标记所述原始水域图像II的特征的所述第一特征图像I2，用于标记所述原始水域图像I1的特征的所述第二特征图像I3，多组所述水质训练数据通过机器学习训练得到水质参数训练模型，所述水质参数训练模型用于输出所述水质测量数据。
2.如权利要求1所述的一种基于多光谱图像的水质预测方法，其特征在于，步骤S5中，所述水质参数训练模型为CNN深度神经网络模型，且目标函数定义为min||IGT-IPRE||，其中IPRE为深度神经网络输出的所述水质测量数据。
3.如权利要求2所述的一种基于多光谱图像的水质预测方法，其特征在于，步骤S5中，还包括如下步骤：通过所述目标函数定义训练参数θ，即min(θ)||IGT-f(IK-θ)||，k∈[1，3]；将多组水质训练数据以及每组所述水质训练数据的所述训练参数θ输入神经网络模型重新得到所述水质参数训练模型。
4.如权利要求2所述的一种基于多光谱图像的水质预测方法，其特征在于，步骤S2中，对多个所述原始水域图像预处理包括光照补偿、水域分割提取、几何校正和正射校正中的任意一种或多种。
5.如权利要求1所述的一种基于多光谱图像的水质预测方法，其特征在于，步骤S3中NDVI＝(INIR-IR)/(RNIR+RR)，NDMI＝(IG-INIR)/(IG+INIR)，其中NIR为所述近红外波段图像INIR的反射值，R为所述红光波段成像图像IRE的反射值，G为所述绿光波段成像图像IG的反射值。
6.如权利要求1所述的一种基于多光谱图像的水质预测方法，其特征在于，所述水质测量数据IGT包括水深度、水温度、PH值、溶解氧浓度、溶解氨浓度、溶解氮浓度、总磷、总氮、化学需氧量、生化血样量、浊度、叶绿素a和电导率中的任意一项或多顶。
7.如权利要求1所述的一种基于多光谱图像的水质预测方法，其特征在于，包括可见光相机、多光谱相机、无线收集系统和多光谱分析仪，所述可见光相机用于采集所述可见光成像图像IRGB，并上传到所述多光谱分析仪；所述多光谱相机用于采集所述近红外波段成像图像INIR、所述红边波段成像图像IRE、所述红光波段成像图像IR、所述绿光波段成像图像IG和所述蓝光波段成像图像IB，并上传到所述多光谱分析仪；所述无线收集系统用于采集所述水质测量数据，并上传到所述多光谱分析仪；所述多光谱分析仪用于实现步骤S2～S5。
8.一种基于多光谱图像的水质预测系统，包括：
图像采集模块：用于采集多个原始水域图像I1和用于标记每个所述原始水域图像I1的水质的水质测量数据IGT，所述原始水域图像I1包括可见光成像图像IRGB、近红外波段成像图像INIR、红边波段成像图像IRE、红光波段成像图像IR、绿光波段成像图像IG和蓝光波段成像图像IB；
图像预处理模块：用于对多个所述原始水域图像预处理后进行归一化处理；
第一特征处理模块：用于通过每个所述原始水域图像得到第一特征图像I2＝{NDVI，NDMI}，其中NDVI表示所述第一特征图像的归一化植被指数，NDMI表示所述第一特征图像的归一化水体指数；
第二特征处理模块：用于通过每个所述原始水域图像得到第二特征图像
模型训练模块：用于采集多组水质训练数据，每组所述水质训练数据均包括所述原始水域图像，用于标记所述原始水域图像的水质的所述水质测量数据IGT，用于标记所述原始水域图像I1的特征的所述第一特征图像I2，用于标记所述原始水域图像I1的特征的所述第二特征图像I3，多组所述水质训练数据通过机器学习训练得到水质参数训练模型，所述水质参数训练模型用于输出所述水质测量数据。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211091160.2A CN115690385A (zh) | 2022-09-07 | 2022-09-07 | 一种基于多光谱图像的水质预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211091160.2A CN115690385A (zh) | 2022-09-07 | 2022-09-07 | 一种基于多光谱图像的水质预测方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115690385A true CN115690385A (zh) | 2023-02-03 |
Family
ID=85062032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211091160.2A Withdrawn CN115690385A (zh) | 2022-09-07 | 2022-09-07 | 一种基于多光谱图像的水质预测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115690385A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403092A (zh) * | 2023-06-02 | 2023-07-07 | 北京建工环境修复股份有限公司 | 一种基于图像学习的地下水napl污染程度判定方法及系统 |
| CN116699096A (zh) * | 2023-08-08 | 2023-09-05 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN117274831A (zh) * | 2023-09-04 | 2023-12-22 | 大连海事大学 | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 |
-
2022
- 2022-09-07 CN CN202211091160.2A patent/CN115690385A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403092A (zh) * | 2023-06-02 | 2023-07-07 | 北京建工环境修复股份有限公司 | 一种基于图像学习的地下水napl污染程度判定方法及系统 |
| CN116403092B (zh) * | 2023-06-02 | 2023-08-18 | 北京建工环境修复股份有限公司 | 一种基于图像学习的地下水napl污染程度判定方法及系统 |
| CN116699096A (zh) * | 2023-08-08 | 2023-09-05 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN116699096B (zh) * | 2023-08-08 | 2023-11-03 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN117274831A (zh) * | 2023-09-04 | 2023-12-22 | 大连海事大学 | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115690385A (zh) | 一种基于多光谱图像的水质预测方法、系统、设备及介质 | |
| CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
| CN105021529B (zh) | 融合光谱和图像信息的作物病虫害识别和区分方法 | |
| CN113989662B (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
| CN109410171B (zh) | 一种用于雨天图像的目标显著性检测方法 | |
| CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| Ghazal et al. | Automated framework for accurate segmentation of leaf images for plant health assessment | |
| CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
| CN116091497B (zh) | 遥感变化检测方法、装置、电子设备和存储介质 | |
| Chatterjee et al. | Intelligent Road Maintenance: a Machine Learning Approach for surface Defect Detection. | |
| CN111426637A (zh) | 一种利用无人机获取城市黑臭河流水质参数的方法 | |
| EP3839804A1 (en) | Method and system for automated plant image labeling | |
| CN114199800B (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
| CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
| CN116630148B (zh) | 光谱图像处理方法、装置、电子设备及存储介质 | |
| Benouis et al. | Food tray sealing fault detection using hyperspectral imaging and PCANet | |
| Babalola et al. | Soil surface texture classification using RGB images acquired under uncontrolled field conditions | |
| Esmaeili et al. | ResMorCNN Model: Hyperspectral Images Classification Using Residual-Injection Morphological Features & 3D-CNN Layers | |
| 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 | |
| Qi et al. | In-field early disease recognition of potato late blight based on deep learning and proximal hyperspectral imaging | |
| Harika et al. | Extracting water bodies in rgb images using deeplabv3+ algorithm | |
| CN113496218B (zh) | 一种高光谱遥感敏感波段选择方式的评价方法和系统 | |
| CN113160261B (zh) | 一种用于oct图像角膜层分割的边界增强卷积神经网络 | |
| 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 | |
| CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230203 |
|
| WW01 | Invention patent application withdrawn after publication |