CN115905450B - 一种基于无人机监控的水质异常溯源方法及系统 - Google Patents
一种基于无人机监控的水质异常溯源方法及系统 Download PDFInfo
- Publication number
- CN115905450B CN115905450B CN202310005355.9A CN202310005355A CN115905450B CN 115905450 B CN115905450 B CN 115905450B CN 202310005355 A CN202310005355 A CN 202310005355A CN 115905450 B CN115905450 B CN 115905450B
- Authority
- CN
- China
- Prior art keywords
- water
- pollution
- water area
- data
- water quality
- 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
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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于无人机监控的水质异常溯源方法及系统,通过对异常水质地理区所对应水质关联地图进行水域污染特征分析生成对应的目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个水域污染行为有向图,结合多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,并结合所述水质异常溯源节点对所述异常水质地理区进行溯源信息标注,由此结合了水域污染行为有向图用于表示水域污染行为之间的有向发展关系的特征进行水质异常溯源,相较于现有技术中仅依靠单个水域污染行为进行异常溯源的方式,可以提高水质异常溯源的准确性。
Description
技术领域
本申请涉及水质异常溯源与无人机技术领域,具体而言,涉及一种基于无人机监控的水质异常溯源方法及系统。
背景技术
为了保障当前人民的用水安全,如何准确执行水质异常溯源,追溯异常变化原因已成为亟待解决的问题之一。在水质异常事件的事后溯源或追踪的相关技术中,通常是通过无人机监控目标水域地理区域的水域事件数据进而识别出可能存在的水域污染行为,然后针对单个水域污染行为进行异常溯源,然而经本申请发明人研究发现,该方案的水质异常溯源的准确性仍旧有待提高。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于无人机监控的水质异常溯源方法及系统。
第一方面,本申请提供一种基于无人机监控的水质异常溯源方法,应用于基于无人机监控的水质异常溯源系统,所述方法包括:
获取针对异常水质地理区所对应水质关联地图的水域事件数据进行水域污染特征分析生成对应的目标水域污染捕捉数据;
对所述目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个水域污染行为有向图,所述水域污染行为有向图用于表示多个水域污染行为之间的有向发展关系;
结合多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,并结合所述水质异常溯源节点对所述异常水质地理区进行溯源信息标注;
所述结合多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,通过以下步骤执行:
结合满足模型收敛条件的水质异常溯源模型对多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点;
其中,所述水质异常溯源模型的模型收敛优化的步骤,包括:
将满足训练样本数据要求的多个模板水域污染行为有向图数据划分为至少两个参考有向图数据团,将其中至少一个参考有向图数据团作为目标有向图数据团,每个所述模板水域污染行为有向图数据包括至少两种水域污染特征表示,所述模板水域污染行为有向图数据包括表征该模板水域污染行为有向图数据对应的目标水质异常溯源节点的模板水质异常溯源节点数据;
对于所述目标有向图数据团中的每个模板水域污染行为有向图数据,获取该模板水域污染行为有向图数据的模板水质异常溯源节点数据,并获得该模板水质异常溯源节点数据与多个历史水质异常溯源节点数据中的每个历史水质异常溯源节点数据的异常关联数值,生成异常关联数值小于异常关联门限值的至少一个待学习水质异常溯源节点数据;
将所述模板水域污染行为有向图数据的模板水质异常溯源节点数据更新替换为任意一个所述待学习水质异常溯源节点数据,当所述目标有向图数据团中的每个模板水域污染行为有向图数据的模板水质异常溯源节点数据更新结束后,将该目标有向图数据团作为负示例有向图数据团,将其它参考有向图数据团作为正示例有向图数据团,生成水质异常溯源训练数据序列;
结合所述水质异常溯源训练数据序列对预设的第一水域特征溯源神经网络模型进行模型权重参数信息迭代更新,生成所述水质异常溯源模型。
第二方面,本申请实施例还提供一种基于无人机监控的水质异常溯源系统,所述基于无人机监控的水质异常溯源系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于无人机监控的水质异常溯源方法。
结合以上任意一个方面,通过对异常水质地理区所对应水质关联地图进行水域污染特征分析生成对应的目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个水域污染行为有向图,结合多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,并结合所述水质异常溯源节点对所述异常水质地理区进行溯源信息标注,由此结合了水域污染行为有向图用于表示水域污染行为之间的有向发展关系的特征进行水质异常溯源,相较于现有技术中仅依靠单个水域污染行为进行异常溯源的方式,可以提高水质异常溯源的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,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,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于无人机监控的水质异常溯源方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于无人机监控的水质异常溯源方法的基于无人机监控的水质异常溯源系统的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
如图1所示,本申请公开了一种基于无人机监控的水质异常溯源方法包括:步骤110,获取目标无人机针对异常水质地理区所对应水质关联地图进行水域事件采集的水域事件数据,并对所述水域事件数据进行水域污染特征分析生成对应的目标水域污染捕捉数据。
例如,本实施例可以基于用户操作指令生成对应的无人机巡航监测任务,所述无人机巡航监测任务中携带有目标无人机对应的标识信息和水质地理区对应的水质关联地图信息。在此基础上,基于所述目标无人机对应的标识信息向所述目标无人机发送对应的水质地理区对应的水质关联地图信息,以控制所述目标无人机基于所述水质关联地图信息执行巡航监测,并采集对应的水域事件数据,获得各个水质地理区的水域事件数据并记录到水域事件数据库,在检测到任意一个水质地理区被标记为异常水质地理区时,从所述水域事件数据库中将所述异常水质地理区的水域事件数据进行输出。
其中,水域事件数据可以用于表示发生在异常水质地理区中的各种人为事件数据,例如各种排放事件数据。所述水域污染捕捉数据可以用于表征水域事件数据中导致水域污染的目标数据。
步骤120,对所述目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个水域污染行为有向图。
一种可替代的实施方式中,所述水域污染行为有向图用于表示多个水域污染行为之间的有向发展关系(如存在链式关系的多个水域污染行为之间的逻辑关系)。
步骤130,结合多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,并结合所述水质异常溯源节点对所述异常水质地理区进行溯源信息标注。
其中,水质异常溯源节点可以理解为造成水质异常的溯源源头,例如可以理解为某目标水域污染行为,或者某几个目标水域污染行为的联合污染行为,或者某水域污染行为中的特定行为。
采用以上技术方案,通过对异常水质地理区所对应水质关联地图进行水域污染特征分析生成对应的目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个水域污染行为有向图,结合多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,并结合所述水质异常溯源节点对所述异常水质地理区进行溯源信息标注,由此结合了水域污染行为有向图用于表示水域污染行为之间的有向发展关系的特征进行水质异常溯源,相较于现有技术中仅依靠单个水域污染行为进行异常溯源的方式,可以提高水质异常溯源的准确性。
一种可替代的实施方式中,为了实现对所述水质异常溯源节点的准确生成,本实施例中可以结合AI算法实现所述水质异常溯源节点的分析。由此,在上述步骤130,结合多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,可以结合满足模型收敛条件的水质异常溯源模型对多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点。
其中,所述水质异常溯源模型通过以下步骤131-步骤134进行模型收敛优化。
步骤131,将满足训练样本数据要求的多个模板水域污染行为有向图数据划分为至少两个参考有向图数据团,将其中至少一个参考有向图数据团作为目标有向图数据团。
每个所述模板水域污染行为有向图数据可以包括至少两种水域污染特征表示,所述模板水域污染行为有向图数据包括表征该模板水域污染行为有向图数据对应的目标水质异常溯源节点的模板水质异常溯源节点数据。此外,不同的模板水质异常溯源节点数据之间具有相应的异常关联数值,所述异常关联数值可以结合不同模板水质异常溯源节点数据对应的水质异常溯源节点而预先进行配置,或者可以结合水质异常溯源节点通过特征距离进行计算。
步骤132,对于所述目标有向图数据团中的每个模板水域污染行为有向图数据,获取该模板水域污染行为有向图数据的模板水质异常溯源节点数据,并获得该模板水质异常溯源节点数据与多个历史水质异常溯源节点数据中的每个历史水质异常溯源节点数据的异常关联数值,生成异常关联数值小于异常关联门限值的至少一个待学习水质异常溯源节点数据。
一种可替代的实施方式中,多个所述历史水质异常溯源节点数据可以是预先为每个可能的水质异常溯源节点而设定的模板水质异常溯源节点数据,用于对相应的水质异常溯源节点进行训练标签的设定。
步骤133,将所述模板水域污染行为有向图数据的模板水质异常溯源节点数据更新替换为任意一个所述待学习水质异常溯源节点数据,当所述目标有向图数据团中的每个样本的模板水质异常溯源节点数据更新结束后,将该目标有向图数据团作为负示例有向图数据团,将其它参考有向图数据团作为正示例有向图数据团,生成水质异常溯源训练数据序列。
步骤144,结合所述水质异常溯源训练数据序列对预设的第一水域特征溯源神经网络模型进行模型权重参数信息迭代更新,生成所述水质异常溯源模型。
一种可替代的实施方式中,对于步骤144,结合所述水质异常溯源训练数据序列对预设的第一水域特征溯源神经网络模型进行模型权重参数信息迭代更新的每次模型权重参数信息迭代更新任务,可参见下述描述。
步骤1441,依次获取一个正示例有向图数据团,将所述正示例有向图数据团中的每个模板水域污染行为有向图数据传递到所述第一水域特征溯源神经网络模型进行水质异常溯源。
步骤1442,结合对于所述正示例有向图数据团中的每个模板水域污染行为有向图数据的水质异常溯源预测数据与该模板水域污染行为有向图数据对应的模板水质异常溯源节点数据的第一共性权重,计算针对该正示例有向图数据团的第一水质异常溯源差异值。
一种可替代的实施方式中,可以将针对各个模板水域污染行为有向图数据的水质异常溯源预测数据与各相应的模板水域污染行为有向图数据对应的模板水质异常溯源节点数据的多个第一共性权重的平均共性权重计算得到所述第一水质异常溯源差异值(LOSS值)。本实施例中,所述第一平均共性权重与所述第一水质异常溯源差异值负相关。例如,所述平均共性权重越大,则所述第一水质异常溯源差异值越小。
步骤1443,依次获取一个负示例有向图数据团,将所述负示例有向图数据团中的每个模板水域污染行为有向图数据传递到所述第一水域特征溯源神经网络模型进行水质异常溯源。
步骤1444,结合对于所述负示例有向图数据团中的每个模板水域污染行为有向图数据的水质异常溯源预测数据与该模板水域污染行为有向图数据对应的模板水质异常溯源节点数据的第二共性权重,计算针对该负示例有向图数据团的第二水质异常溯源差异值;
一种可替代的实施方式中,可以将针对各个模板水域污染行为有向图数据的水质异常溯源预测数据与各相应的模板水域污染行为有向图数据对应的模板水质异常溯源节点数据的各个第二共性权重的平均共性权重计算得到所述第二水质异常溯源差异值。本实施例中,所述第二平均共性权重与所述第二水质异常溯源差异值正相关。例如,所述第二平均共性权重越大,则所述第一水质异常溯源差异值越大。
步骤1445,结合所述第一水质异常溯源差异值以及所述第二水质异常溯源差异值对所述第一水域特征溯源神经网络模型进行模型权重参数信息迭代更新。
步骤1446,分析本轮模型权重参数信息迭代更新任务是否满足模型部署条件,当满足模型部署条件时,将本轮模型权重参数信息迭代更新后的所述第一水域特征溯源神经网络模型作为所述水质异常溯源模型;如果分析到不满足模型部署条件,则发起下一轮模型权重参数信息迭代更新的任务。
本实施例中,所述模型部署条件可以是所述第一水质异常溯源差异值以及所述第二水质异常溯源差异值分别大于设定水质异常溯源差异值。
一种可替代的实施方式中,也可以基于AI算法实现所述水域污染行为有向图的生成。在上述步骤120中,对所述目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个水域污染行为有向图,可以是:结合水域污染特征分析模型对所述目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个所述水域污染行为有向图。
一种可替代的实施方式中,所述方法还包括对预设的第二水域特征溯源神经网络模型进行模型权重参数信息迭代更新而获得所述水域污染特征分析模型的步骤,可参见下述描述。
(1)获取多个所述模板水域污染捕捉数据集,结合多个所述模板水域污染捕捉数据集,生成多个所述水域污染分析训练单元。
一种可替代的实施方式中,多个所述水域污染分析训练单元中的每种水域污染分析训练单元可以包括一种相关的水域污染行为有向图对应的第一示例水域污染捕捉数据、第二示例水域污染捕捉数据和第三示例水域污染捕捉数据。各种所述水域污染分析训练单元中的第一示例水域污染捕捉数据、第二示例水域污染捕捉数据和第三示例水域污染捕捉数据形成的水域污染分析训练单元是结合多个所述模板水域污染捕捉数据集而获得。多个所述模板水域污染捕捉数据集中的每种模板水域污染捕捉数据集包括一种水域污染行为有向图对应的第一成员水域污染捕捉数据和第二成员水域污染捕捉数据。其中,所述第一示例水域污染捕捉数据和所述第二示例水域污染捕捉数据分别携带不同的先验水域污染行为有向图,所述第三示例水域污染捕捉数据为未携带先验水域污染行为有向图的示例水域污染捕捉数据。
一种可替代的实施方式中,所述结合多个所述模板水域污染捕捉数据集,生成多个所述水域污染分析训练单元,可参见下述描述。
(11)将多个所述模板水域污染捕捉数据集中的目标水域污染标签的第一成员水域污染捕捉数据,确定为目标水域污染标签的第一示例水域污染捕捉数据。其中,所述目标水域污染标签是多个所述中的任意一种。
(12)从多个所述模板水域污染捕捉数据集的第二成员水域污染捕捉数据中,生成目标水域污染标签的第三示例水域污染捕捉数据。
一种可替代的实施方式中,可以从多个所述第二成员水域污染捕捉数据中,将目标水域污染标签的第二成员水域污染捕捉数据之外的其它第二成员水域污染捕捉数据确定为所述目标水域污染标签的第三示例水域污染捕捉数据。
又一种可替代的实施方式中,可以结合目标水域污染标签的水域污染行为有向图在多个所述模板水域污染捕捉数据集中的命中指数,从多个所述第二成员水域污染捕捉数据中,生成所述目标水域污染标签的第三示例水域污染捕捉数据。其中,所述命中指数可以代表所述目标水域污染标签的水域污染行为有向图在多个所述的模板水域污染捕捉数据集中出现的频次。命中指数越大则表面该目标水域污染标签的水域污染行为有向图对于水质异常溯源节点的权重越高。
其中,如果多个所述水域污染行为有向图中的目标水域污染标签的水域污染行为有向图在多个所述模板水域污染捕捉数据集中的命中指数大于预设命中指数,可以将所述第二成员水域污染捕捉数据中所述目标水域污染标签的第二成员水域污染捕捉数据之外的其它第二成员水域污染捕捉数据,确定为所述目标水域污染标签的第三示例水域污染捕捉数据。如果所述目标水域污染标签的水域污染行为有向图在多个所述模板水域污染捕捉数据集中的命中指数不超过所述预设命中指数,则可以将所述目标水域污染标签的水域污染行为有向图对应的第二成员水域污染捕捉数据确定为所述目标水域污染标签的第三示例水域污染捕捉数据,其它的第二成员水域污染捕捉数据确定为所述第二示例水域污染捕捉数据。
(13)从多个所述模板水域污染捕捉数据集中,将所述目标水域污染标签的第一示例水域污染捕捉数据和所述目标水域污染标签的第三示例水域污染捕捉数据之外的其它水域污染捕捉数据,确定为目标水域污染标签的第二示例水域污染捕捉数据。
(14)将所述目标水域污染标签的第一示例水域污染捕捉数据、所述目标水域污染标签的第二示例水域污染捕捉数据和所述目标水域污染标签的第三示例水域污染捕捉数据构建为所述目标水域污染标签的水域污染分析训练单元,生成多个所述水域污染分析训练单元。
(2)结合多个所述水域污染分析训练单元,对所述预设的第二水域特征溯源神经网络模型进行模型权重参数信息迭代更新,生成所述水域污染特征分析模型。
一种可替代的实施方式中,可以针对每个目标水域污染标签对应的水域污染分析训练单元,可以分别将该目标水域污染标签对应的水域污染分析训练单元对应的第一示例水域污染捕捉数据、第二示例水域污染捕捉数据对所述第二水域特征溯源神经网络模型进行有监督训练,然后再结合所述第三示例水域污染捕捉数据对通过所述第一示例水域污染捕捉数据、第二示例水域污染捕捉数据进行有监督训练后的第二水域特征溯源神经网络模型进行无监督训练,如此反复,直到结合每个目标水域污染标签的参考特征水域污染分析训练单元对所述第二水域特征溯源神经网络模型完成训练后,生成所述水域污染特征分析模型。
一种可替代的实施方式中,所述水域污染特征分析模型可以包括特征描述网络和多个有向图描述网络。其中,所述特征描述网络用于对所述目标水域污染捕捉数据进行特征描述,以得到所述目标水域污染捕捉数据中包括的至少两种水域污染特征表示。多个所述有向图描述网络中的各种有向图描述网络用于结合所述特征描述网络得到的至少两种水域污染特征表示进行水域污染行为有向图输出,生成多个水域污染行为有向图。
一种可替代的实施方式中,上述(2)中,结合多个所述水域污染分析训练单元,对所述预设的第二水域特征溯源神经网络模型进行模型权重参数信息迭代更新,生成所述水域污染特征分析模型,可以参见下述实施例。
(21)将多个所述水域污染分析训练单元中的示例水域污染捕捉数据划分为多组示例水域污染捕捉数据。
(22)结合多个所述水域污染分析训练单元中的q组示例水域污染捕捉数据,在本轮模型权重参数信息更新任务中,对所述第二水域特征溯源神经网络模型执行q次模型权重参数信息迭代更新,生成q次模型权重参数信息迭代更新得到的多个水域污染分析损失值中的各种水域污染分析损失值和本轮模型权重参数信息更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型。其中,多个所述水域污染分析损失值分别与多个所述有向图描述网络一一对应。
一种可替代的实施方式中,可以在本轮模型权重参数信息更新任务中,结合所述q次模型权重参数信息迭代更新中而获得第r-1次模型权重参数信息迭代更新任务得到的第二水域特征溯源神经网络模型中的特征描述网络,获取多个所述模板水域污染捕捉数据集中q组示例水域污染捕捉数据中的第r组示例水域污染捕捉数据的水域污染行为有向图,生成第r水域污染行为有向图,r小于或等于q;
然后,结合所述第r-1次模型权重参数信息迭代更新任务得到的第二水域特征溯源神经网络模型中的各种有向图描述网络,并结合所述q组示例水域污染捕捉数据中与所述第r组示例水域污染捕捉数据对应的第r组示例水域污染捕捉数据,生成所述第r水域污染行为有向图的各种水域污染分析损失值,生成第r次模型权重参数信息迭代更新对应的水域污染分析损失值;
其次,结合所述第r次模型权重参数信息迭代更新对应的水域污染分析损失值,对所述第r-1次模型权重参数信息迭代更新任务得到的第二水域特征溯源神经网络模型进行网络函数配置信息优化,生成第r次网络函数配置信息优化后的第二水域特征溯源神经网络模型;
最后,遍历执行以上步骤,生成q次模型权重参数信息迭代更新得到的多个水域污染分析损失值中的各种水域污染分析损失值和本轮模型权重参数信息更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型,确定为所述水域污染特征分析模型;
其中,所述模型收敛条件包括:
所述本轮模型权重参数信息更新任务中的融合水域污染分析损失值小于门限损失值;或者
所述模型权重参数信息迭代更新的任务执行次数大于门限次数。
(23)结合所述q次模型权重参数信息迭代更新得到的多个水域污染分析损失值中的各种水域污染分析损失值,生成本轮模型权重参数信息更新任务中的融合水域污染分析损失值。
(24)结合所述本轮模型权重参数信息更新任务中的融合水域污染分析损失值以及模型权重参数信息迭代更新的次数判断是否匹配模型收敛条件,当匹配模型收敛条件时,将所述本轮模型权重参数信息更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型作为所述水域污染特征分析模型。其中,当未匹配模型收敛条件时,执行下一轮模型权重参数信息迭代更新任务,生成下一轮模型权重参数信息迭代更新任务中的融合水域污染分析损失值和下一轮模型权重参数信息迭代更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的基于无人机监控的水质异常溯源系统100。
对于一个实施例,图2示出了基于无人机监控的水质异常溯源系统100,该基于无人机监控的水质异常溯源系统100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110,和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中,基于无人机监控的水质异常溯源系统100能够作为本申请实施例中所述网关等服务器设备。
在一些实施例中,基于无人机监控的水质异常溯源系统100可包括具有指令114的一个或多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(一个或多个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为基于无人机监控的水质异常溯源系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括一个或多个输入/输出控制器,以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为基于无人机监控的水质异常溯源系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为基于无人机监控的水质异常溯源系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为基于无人机监控的水质异常溯源系统100提供接口以依据一个或多个网络通信,基于无人机监控的水质异常溯源系统100可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入结合通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例,(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,基于无人机监控的水质异常溯源系统100可以但不限于是:服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,基于无人机监控的水质异常溯源系统100可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,基于无人机监控的水质异常溯源系统100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
本申请实施例提供了一种电子设备,包括:一个或多个处理器;和,其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述电子设备执行如本申请中一个或多个所述的数据处理方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上对本申请所提供的一种基于无人机监控的水质异常溯源方法,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (5)
1.一种基于无人机监控的水质异常溯源方法,其特征在于,应用于基于无人机监控的水质异常溯源系统,该方法包括:
获取目标无人机针对异常水质地理区所对应水质关联地图进行水域事件采集的水域事件数据,并对所述水域事件数据进行水域污染特征分析生成对应的目标水域污染捕捉数据;
对所述目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个水域污染行为有向图,所述水域污染行为有向图用于表示多个水域污染行为之间的有向发展关系;
结合多个所述水域污染行为有向图进行水质异常溯源所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,并结合所述水质异常溯源节点对所述异常水质地理区进行溯源信息标注;
结合多个所述水域污染行为有向图进行水质异常溯源所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点,通过以下步骤执行:
结合满足模型收敛条件的水质异常溯源模型对多个所述水域污染行为有向图进行水质异常溯源,生成所述异常水质地理区当前所对应水质关联地图的水质异常溯源节点;
所述水质异常溯源模型的模型收敛优化的步骤,包括:
将满足训练样本数据要求的多个模板水域污染行为有向图数据划分为至少两个参考有向图数据团,将其中至少一个参考有向图数据团作为目标有向图数据团,每个所述模板水域污染行为有向图数据包括至少两种水域污染特征表示,所述模板水域污染行为有向图数据包括表征该模板水域污染行为有向图数据对应的目标水质异常溯源节点的模板水质异常溯源节点数据;
对于所述目标有向图数据团中的每个模板水域污染行为有向图数据,获取该模板水域污染行为有向图数据的模板水质异常溯源节点数据,并获得该模板水质异常溯源节点数据与多个历史水质异常溯源节点数据中的每个历史水质异常溯源节点数据的异常关联数值,生成异常关联数值小于异常关联门限值的至少一个待学习水质异常溯源节点数据;
将所述模板水域污染行为有向图数据的模板水质异常溯源节点数据更新替换为任意一个所述待学习水质异常溯源节点数据,当所述目标有向图数据团中的每个模板水域污染行为有向图数据的模板水质异常溯源节点数据更新结束后,将该目标有向图数据团作为负示例有向图数据团,将其它参考有向图数据团作为正示例有向图数据团,生成水质异常溯源训练数据序列;
结合所述水质异常溯源训练数据序列对预设的第一水域特征溯源神经网络模型进行模型权重参数信息迭代更新,生成所述水质异常溯源模型;
所述对所述目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个水域污染行为有向图,通过以下步骤执行:
结合水域污染特征分析模型对所述目标水域污染捕捉数据进行水域污染行为有向图输出,生成多个所述水域污染行为有向图;
所述方法还包括对预设的第二水域特征溯源神经网络模型进行模型权重参数信息迭代更新而获得所述水域污染特征分析模型的步骤,所述步骤包括:
获取多个模板水域污染捕捉数据集, 结合多个所述模板水域污染捕捉数据集,生成多个水域污染分析训练单元;多个所述水域污染分析训练单元中的每种水域污染分析训练单元包括一种相关的水域污染行为有向图对应的第一示例水域污染捕捉数据、第二示例水域污染捕捉数据和第三示例水域污染捕捉数据;各种所述水域污染分析训练单元中的第一示例水域污染捕捉数据、第二示例水域污染捕捉数据和第三示例水域污染捕捉数据形成的水域污染分析训练单元是结合多个所述模板水域污染捕捉数据集而获得;多个所述模板水域污染捕捉数据集中的每种模板水域污染捕捉数据集包括一种水域污染行为有向图对应的第一成员水域污染捕捉数据和第二成员水域污染捕捉数据,所述第一示例水域污染捕捉数据和所述第二示例水域污染捕捉数据分别携带不同的先验水域污染行为有向图,所述第三示例水域污染捕捉数据为未携带先验水域污染行为有向图的示例水域污染捕捉数据;
结合多个所述水域污染分析训练单元,对所述预设的第二水域特征溯源神经网络模型进行模型权重参数信息迭代更新,生成所述水域污染特征分析模型;
所述结合多个所述模板水域污染捕捉数据集,生成多个所述水域污染分析训练单元,通过以下步骤执行:
将多个所述模板水域污染捕捉数据集中的目标水域污染标签的第一成员水域污染捕捉数据,确定为目标水域污染标签的第一示例水域污染捕捉数据;
从多个所述模板水域污染捕捉数据集的第二成员水域污染捕捉数据中,生成目标水域污染标签的第三示例水域污染捕捉数据;
从多个所述模板水域污染捕捉数据集中,将所述目标水域污染标签的第一示例水域污染捕捉数据和所述目标水域污染标签的第三示例水域污染捕捉数据之外的其它水域污染捕捉数据,确定为目标水域污染标签的第二示例水域污染捕捉数据;
将所述目标水域污染标签的第一示例水域污染捕捉数据、所述目标水域污染标签的第二示例水域污染捕捉数据和所述目标水域污染标签的第三示例水域污染捕捉数据构建为所述目标水域污染标签的水域污染分析训练单元,生成多个所述水域污染分析训练单元;
所述从多个所述模板水域污染捕捉数据集的第二成员水域污染捕捉数据中,生成目标水域污染标签的第三示例水域污染捕捉数据,通过以下步骤执行:
从多个所述第二成员水域污染捕捉数据中,将目标水域污染标签的第二成员水域污染捕捉数据之外的其它第二成员水域污染捕捉数据确定为所述目标水域污染标签的第三示例水域污染捕捉数据;或者
结合目标水域污染标签的水域污染行为有向图在多个所述模板水域污染捕捉数据集中的命中指数,从多个所述第二成员水域污染捕捉数据中,生成所述目标水域污染标签的第三示例水域污染捕捉数据,具体包括:
如果多个所述水域污染行为有向图中的目标水域污染标签的水域污染行为有向图在多个所述模板水域污染捕捉数据集中的命中指数大于预设命中指数,则将所述第二成员水域污染捕捉数据中所述目标水域污染标签的第二成员水域污染捕捉数据之外的其它第二成员水域污染捕捉数据,确定为所述目标水域污染标签的第三示例水域污染捕捉数据;
如果所述目标水域污染标签的水域污染行为有向图在多个所述模板水域污染捕捉数据集中的命中指数不超过所述预设命中指数,则将所述目标水域污染标签的水域污染行为有向图对应的第二成员水域污染捕捉数据确定为所述目标水域污染标签的第三示例水域污染捕捉数据,其它的第二成员水域污染捕捉数据确定为所述第二示例水域污染捕捉数据;
所述水域污染特征分析模型包括特征描述网络和多个有向图描述网络,所述特征描述网络用于对所述目标水域污染捕捉数据进行特征描述,以得到所述目标水域污染捕捉数据中包括的至少两种水域污染特征表示;多个所述有向图描述网络中的各种有向图描述网络用于结合所述特征描述网络得到的至少两种水域污染特征表示进行水域污染行为有向图输出,生成多个水域污染行为有向图;
所述结合多个所述水域污染分析训练单元,对所述预设的第二水域特征溯源神经网络模型进行模型权重参数信息迭代更新,生成所述水域污染特征分析模型,通过以下步骤执行:
将多个所述水域污染分析训练单元中的示例水域污染捕捉数据划分为多组示例水域污染捕捉数据;
结合多个所述水域污染分析训练单元中的q组示例水域污染捕捉数据,在本轮模型权重参数信息更新任务中,对所述第二水域特征溯源神经网络模型执行q次模型权重参数信息迭代更新,生成q次模型权重参数信息迭代更新得到的多个水域污染分析损失值中的各种水域污染分析损失值和本轮模型权重参数信息更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型;多个所述水域污染分析损失值分别与多个所述有向图描述网络一一对应;
结合所述q次模型权重参数信息迭代更新得到的多个水域污染分析损失值中的各种水域污染分析损失值,生成本轮模型权重参数信息更新任务中的融合水域污染分析损失值;
结合所述本轮模型权重参数信息更新任务中的融合水域污染分析损失值以及模型权重参数信息迭代更新的次数判断是否匹配模型收敛条件;
当匹配模型收敛条件时,将所述本轮模型权重参数信息更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型作为所述水域污染特征分析模型;
当未匹配模型收敛条件时,执行下一轮模型权重参数信息迭代更新任务,生成下一轮模型权重参数信息迭代更新任务中的融合水域污染分析损失值和下一轮模型权重参数信息迭代更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型。
2.根据权利要求1所述的基于无人机监控的水质异常溯源方法,其特征在于,所述结合多个所述水域污染分析训练单元中的q组示例水域污染捕捉数据,在本轮模型权重参数信息更新任务中,对所述第二水域特征溯源神经网络模型执行q次模型权重参数信息迭代更新,生成q次模型权重参数信息迭代更新得到的多个水域污染分析损失值中的各种水域污染分析损失值和本轮模型权重参数信息更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型,通过以下步骤执行:
在本轮模型权重参数信息更新任务中,结合所述q次模型权重参数信息迭代更新中而获得第r-1次模型权重参数信息迭代更新任务得到的第二水域特征溯源神经网络模型中的特征描述网络,获取多个所述模板水域污染捕捉数据集中q组示例水域污染捕捉数据中的第r组示例水域污染捕捉数据的水域污染行为有向图,生成第r水域污染行为有向图,r小于或等于q;
结合所述第r-1次模型权重参数信息迭代更新任务得到的第二水域特征溯源神经网络模型中的各种有向图描述网络,并结合所述q组示例水域污染捕捉数据中与所述第r组示例水域污染捕捉数据对应的第r组示例水域污染捕捉数据,生成所述第r水域污染行为有向图的各种水域污染分析损失值,生成第r次模型权重参数信息迭代更新对应的水域污染分析损失值;
结合所述第r次模型权重参数信息迭代更新对应的水域污染分析损失值,对所述第r-1次模型权重参数信息迭代更新任务得到的第二水域特征溯源神经网络模型进行网络函数配置信息优化,生成第r次网络函数配置信息优化后的第二水域特征溯源神经网络模型;
遍历执行以上步骤,生成q次模型权重参数信息迭代更新得到的多个水域污染分析损失值中的各种水域污染分析损失值和本轮模型权重参数信息更新任务中模型权重参数信息迭代更新后的第二水域特征溯源神经网络模型,确定为所述水域污染特征分析模型;
其中,所述模型收敛条件包括:
所述本轮模型权重参数信息更新任务中的融合水域污染分析损失值小于门限损失值;或者所述模型权重参数信息迭代更新的任务执行次数大于门限次数。
3.根据权利要求1所述的基于无人机监控的水质异常溯源方法,其特征在于,结合所述水质异常溯源训练数据序列对预设的第一水域特征溯源神经网络模型进行模型权重参数信息迭代更新的每次模型权重参数信息迭代更新任务,通过以下步骤执行:
依次获取一个正示例有向图数据团,将所述正示例有向图数据团中的每个模板水域污染行为有向图数据传递到所述第一水域特征溯源神经网络模型进行水质异常溯源;
结合对于所述正示例有向图数据团中的每个模板水域污染行为有向图数据的水质异常溯源预测数据与该模板水域污染行为有向图数据对应的模板水质异常溯源节点数据的第一共性权重,计算针对该正示例有向图数据团的第一水质异常溯源差异值;
依次获取一个负示例有向图数据团,将所述负示例有向图数据团中的每个模板水域污染行为有向图数据传递到所述第一水域特征溯源神经网络模型进行水质异常溯源;
结合对于所述负示例有向图数据团中的每个模板水域污染行为有向图数据的水质异常溯源预测数据与该模板水域污染行为有向图数据对应的模板水质异常溯源节点数据的第二共性权重,计算针对该负示例有向图数据团的第二水质异常溯源差异值;
结合所述第一水质异常溯源差异值以及所述第二水质异常溯源差异值对所述第一水域特征溯源神经网络模型进行模型权重参数信息迭代更新;
分析本轮模型权重参数信息迭代更新任务是否满足模型部署条件,当满足模型部署条件时,将本轮模型权重参数信息迭代更新后的所述第一水域特征溯源神经网络模型作为所述水质异常溯源模型;
如果分析到不满足模型部署条件,则发起下一轮模型权重参数信息迭代更新的任务。
4.根据权利要求1-3中任意一项所述的基于无人机监控的水质异常溯源方法,其特征在于,所述获取目标无人机针对异常水质地理区所对应水质关联地图进行水域事件采集的水域事件数据的步骤,包括:
基于用户操作指令生成对应的无人机巡航监测任务,所述无人机巡航监测任务中携带有目标无人机对应的标识信息和水质地理区对应的水质关联地图信息;
基于所述目标无人机对应的标识信息向所述目标无人机发送对应的水质地理区对应的水质关联地图信息,以控制所述目标无人机基于所述水质关联地图信息执行巡航监测,并采集对应的水域事件数据,获得各个水质地理区的水域事件数据并记录到水域事件数据库;
在检测到任意一个水质地理区被标记为异常水质地理区时,从所述水域事件数据库中将所述异常水质地理区的水域事件数据进行输出。
5.一种基于无人机监控的水质异常溯源系统,其特征在于,所述基于无人机监控的水质异常溯源系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-4中任意一项的基于无人机监控的水质异常溯源方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005355.9A CN115905450B (zh) | 2023-01-04 | 2023-01-04 | 一种基于无人机监控的水质异常溯源方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005355.9A CN115905450B (zh) | 2023-01-04 | 2023-01-04 | 一种基于无人机监控的水质异常溯源方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115905450A CN115905450A (zh) | 2023-04-04 |
CN115905450B true CN115905450B (zh) | 2023-05-09 |
Family
ID=85742669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310005355.9A Active CN115905450B (zh) | 2023-01-04 | 2023-01-04 | 一种基于无人机监控的水质异常溯源方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905450B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116828156B (zh) * | 2023-08-31 | 2024-05-03 | 北京中舆达信息科技有限公司 | 地理空间事件的采集方法、系统、设备、介质及采集盒 |
CN117195135B (zh) * | 2023-11-01 | 2024-02-27 | 潍坊德瑞生物科技有限公司 | 一种水污染异常溯源检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815062A (zh) * | 2020-07-16 | 2020-10-23 | 山东省科技发展战略研究所 | 一种基于污染信息分析的污染源溯源系统 |
CN113944887A (zh) * | 2021-10-25 | 2022-01-18 | 中国电建集团中南勘测设计研究院有限公司 | 基于有向图遍历的管网监测溯源方法、系统、设备及介质 |
CN115048475A (zh) * | 2022-06-09 | 2022-09-13 | 南京国环科技股份有限公司 | 一种基于大数据的快速水污染溯源方法以及系统 |
-
2023
- 2023-01-04 CN CN202310005355.9A patent/CN115905450B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815062A (zh) * | 2020-07-16 | 2020-10-23 | 山东省科技发展战略研究所 | 一种基于污染信息分析的污染源溯源系统 |
CN113944887A (zh) * | 2021-10-25 | 2022-01-18 | 中国电建集团中南勘测设计研究院有限公司 | 基于有向图遍历的管网监测溯源方法、系统、设备及介质 |
CN115048475A (zh) * | 2022-06-09 | 2022-09-13 | 南京国环科技股份有限公司 | 一种基于大数据的快速水污染溯源方法以及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115905450A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115905450B (zh) | 一种基于无人机监控的水质异常溯源方法及系统 | |
US11947438B2 (en) | Operation and maintenance system and method | |
US10216558B1 (en) | Predicting drive failures | |
US10540573B1 (en) | Story cycle time anomaly prediction and root cause identification in an agile development environment | |
EP3827387A1 (en) | Systematic prognostic analysis with dynamic causal model | |
Raja et al. | Combined analysis of support vector machine and principle component analysis for IDS | |
US11652709B2 (en) | Managing computation load in a fog network | |
JP2020512631A (ja) | 段階的な機械学習を使用する自動化された意思決定 | |
US20210201201A1 (en) | Method and apparatus for determining storage load of application | |
CN114861172B (zh) | 一种基于政务服务系统的数据处理方法及系统 | |
CN115427968A (zh) | 边缘计算设备中的鲁棒人工智能推理 | |
US20230133541A1 (en) | Alert correlating using sequence model with topology reinforcement systems and methods | |
US20180196900A1 (en) | System and Method for Forecasting Values of a Time Series | |
CN112651172B (zh) | 一种降雨峰值类型划分方法、装置、设备和存储介质 | |
US11089436B2 (en) | Method and determining unit for identifying optimal location(s) | |
Kashef et al. | Wireless cyber-physical system performance evaluation through a graph database approach | |
US11652699B2 (en) | Computerized system and method for an improved self organizing network | |
CN113676353A (zh) | 设备的控制方法、装置、存储介质和电子装置 | |
CN115509776B (zh) | 基于电力工程智慧监理平台的数据分析方法及系统 | |
WO2021134350A1 (zh) | 神经网络模型的推理方法、装置、计算机设备和存储介质 | |
Jehangiri et al. | Distributed predictive performance anomaly detection for virtualised platforms | |
US11985048B2 (en) | Computerized system and method for an improved self organizing network | |
US11822446B2 (en) | Automated testing methods for condition analysis and exploration | |
Mao | [Retracted] Construction of Economic Management Big Data Platform Based on Artificial Intelligence Algorithm Monitoring and Early Warning | |
US20240134972A1 (en) | Optimizing intelligent threshold engines in machine learning operations systems |
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 |