CN116182949B - 一种海洋环境水质监测系统及方法 - Google Patents

一种海洋环境水质监测系统及方法 Download PDF

Info

Publication number
CN116182949B
CN116182949B CN202310156806.9A CN202310156806A CN116182949B CN 116182949 B CN116182949 B CN 116182949B CN 202310156806 A CN202310156806 A CN 202310156806A CN 116182949 B CN116182949 B CN 116182949B
Authority
CN
China
Prior art keywords
water quality
marine environment
environment water
data
data information
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
Application number
CN202310156806.9A
Other languages
English (en)
Other versions
CN116182949A (zh
Inventor
石敏
郑守国
陈倩
孙熊伟
王玉菊
吕亚飞
代维凯
黄猛
还迎春
徐超
张振杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Unit 91977 Of Pla
Original Assignee
Unit 91977 Of Pla
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Unit 91977 Of Pla filed Critical Unit 91977 Of Pla
Priority to CN202310156806.9A priority Critical patent/CN116182949B/zh
Publication of CN116182949A publication Critical patent/CN116182949A/zh
Application granted granted Critical
Publication of CN116182949B publication Critical patent/CN116182949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • G06F3/147—Digital output to display device ; Cooperation and interconnection of the display device with other functional units using display panels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种海洋环境水质监测系统及方法，该方法包括：采集海洋环境水质数据信息，并传输到主机；主机将海洋环境水质数据信息传输到SD卡存储器、LCD显示器和云平台管理单元；SD卡存储器对所述海洋环境水质数据信息进行存储；LCD显示器对所述海洋环境水质数据信息进行显示；云平台管理单元利用预设的数据分析模型，对接收到的海洋环境水质数据信息进行处理，得到海洋环境水质检测结果；对所述海洋环境水质检测结果进行判断，当海洋环境水质检测结果为正常值时，完成海洋环境水质检测；当海洋环境水质检测结果为异常值时，对异常值进行处理，得到异常检测结果。本发明提高了海洋环境水质检测的准确性和全面性。

Description

一种海洋环境水质监测系统及方法
技术领域
本发明涉及水质监测技术领域，尤其涉及一种海洋环境水质监测系统及方法。
背景技术
海洋水质监测通常包含常规五参数、盐度、重金属、油类等指标，以达到全面了解海洋水质的目的。针对近岸海域的水质污染问题，选择相应参数的传感器，对问题海域进行监测，从而减少近岸海域的污染程度。在水质监测技术起步阶段，通常是由人力来进行。检测人员通常每隔一段时间去对海水进行取样，带回实验室对水样进行分析处理，得到水质报告。虽然测量精度高，结果准确，但容易对水样造成二次污染，检测过程繁琐、周期长、成本高，同时检测的实时性不能得到保证，只能对某一固定时刻的水质进行检测，对该区域的水质了解较片面。之后对近岸海域水质的监测主要通过监测船航行，对驶过的区域进行监测，目前形成了以海洋浮标为主的海洋监测系统，此类系统存在一定的不足。比如，系统长时间在海洋环境下运行，所处环境为近岸水域，日常维护周期长，要保证系统能够长期平稳运行，因此对于供电模块就提出了更高的要求，供电问题是现下需要解决的关键。
同时，对海洋环境进行水质分析和预测，进行水质异常检测，提高分析的准确性和全面性具有重要的实用价值。目前的研究中，对于水质预测和异常检测大多是主观的分析，缺少客观的评价方法。
发明内容
本发明所要解决的技术问题在于，提供一种海洋环境水质监测系统，包括带有RS485接口的主机、RS485集线器以及传感器组，主机按照设定时间定时唤醒或通过主机上的按键唤醒，主机被唤醒时通过Modbus总线向传感器组发送指令，传感器组接收指令并把测得的数据返回给主机。LCD显示器和云平台管理单元；SD卡存储器对所述海洋环境水质数据信息进行存储；LCD显示器对所述海洋环境水质数据信息进行显示；云平台管理单元利用预设的数据分析模型，对接收到的海洋环境水质数据信息进行处理，得到海洋环境水质检测结果；对所述海洋环境水质检测结果进行判断，当海洋环境水质检测结果为正常值时，完成海洋环境水质检测；当海洋环境水质检测结果为异常值时，对异常值进行处理，得到异常检测结果。
为了解决上述技术问题，本发明实施例公开了一种海洋环境水质监测系统，所述系统包括主机、集线器、传感器组、云平台管理单元；
所述主机置于水上，与所述集线器线缆连接，用于对所述传感器组采集的数据信息进行存储、显示和传输；
所述主机包括主板，所述主板上焊接有主控芯片、时钟电路、复位电路、无线通信设备、SD卡存储器、LCD显示器、报警器、按键开关和供电电源；
所述主控芯片与所述时钟电路、复位电路、无线通信设备、SD卡存储器、LCD显示器、报警器、按键开关和供电电源之间通过导线连接；
所述主控芯片用于向所述传感器组发送指令，并将所述传感器组采集到的数据信息传输到所述SD卡存储器、LCD显示器和云平台管理单元，并控制所述报警器和按键开关；
所述时钟电路用于对所述海洋环境水质监测系统进行驱动；
所述复位电路用于使所述海洋环境水质监测系统恢复初始状态；
所述集线器与所述传感器组线缆连接，用于将所述传感器组采集的数据信息传输给所述主机；
所述传感器组置于水下，用于采集海洋环境水质数据信息；
所述云平台管理单元与所述主机通过所述无线通信设备信号连接；
所述的云平台管理单元是基于Hadoop框架进行搭建的，不仅能够存储海量的海洋环境水质监测数据，还可以基于这些数据进行多维度分析，并作出合理决策与直观展示，实现海洋环境水质信息的可视化、智能化管理；
所述云平台管理单元包括数据存储模块、数据分析模块和数据可视化模块；
所述数据存储模块包括数据库与日志记录；
所述数据库用于将接收到的数据进行存储、检索和导出；
所述日志记录记录所述数据库的运行状态、数据的变更历史、错误信息和用户操作信息；
所述数据分析模块用于结合不同应用场景，利用预设的数据分析模型，对所述接收到的数据进行处理，得到特征参数信息；
所述数据可视化模块用于以图表或视频方式，将所述接收到的数据和所述特征参数信息进行直观展示；
所述传感器组接收所述主控芯片的指令，并将采集到的数据信息传输给所述主控芯片；
所述SD卡存储器用于存储接收到的数据信息；
所述LCD显示器用于显示接收到的数据信息；
所述报警器用于报警；
所述按键开关用于控制所述海洋环境水质监测系统的运行状态；
所述供电电源用于为所述主机和传感器组供电；
所述海洋环境水质监测系统的监测方法包括如下步骤：
S1，采集海洋环境水质数据信息；
S2，将所述海洋环境水质数据信息传输到主机；
S3，所述主机将所述海洋环境水质数据信息传输到SD卡存储器、LCD显示器和云平台管理单元；
所述SD卡存储器对所述海洋环境水质数据信息进行存储；所述LCD显示器对所述海洋环境水质数据信息进行显示；
S4，所述云平台管理单元，利用预设的数据分析模型，对接收到的所述海洋环境水质数据信息进行处理，得到海洋环境水质检测结果，包括：
S41，对所述海洋环境水质数据信息进行特征提取，得到特征参数信息，包括：
S411，对所述海洋环境水质数据信息进行归一化处理，得到归一化海洋环境水质数据信息；
S412，对所述归一化海洋环境水质数据信息进行EMD分解，得到IMF分量ci(t)，i＝1,2,…,N，N为IMF分量个数；所述IMF分量为特征参数信息；
归一化处理函数为其中，xmax为数据信息最大值，xmin为数据信息最小值，数据信息为x(t)，x'(t)为归一化数据信息；
对归一化海洋环境水质数据信息进行EMD分解，分解为不同时间尺度、成分简单、相对平稳的IMFs，确定x'(t)的所有极大值点和极小值点，利用多项式插值得到相应的上包络线emax(t)和下包络线emin(t)，根据上包络线和下包络线得到均值m(t)＝(emin(t)+emax(t))/2，根据x'(t)和均值m(t)提取细节h(t)，令h(t)＝x'(t)-m(t)，若h(t)符合IMF，则为第一个模态分量IMF1记为c1(t)；否则令h(t)＝x'(t)，继续分解，最后分解为其中，r(t)为余项；
S42，利用预设的卷积神经网络模型，对所述特征参数信息进行处理，得到海洋环境水质检测结果；
S5，对所述海洋环境水质检测结果进行判断，当所述海洋环境水质检测结果为正常值时，完成海洋环境水质检测；当所述海洋环境水质检测结果为异常值时，对所述异常值进行处理，得到异常检测结果，包括：
S51，对所述海洋环境水质检测异常值进行预处理，得到预处理海洋环境水质检测异常值数据信息；
S52，利用预设的海洋环境水质预测模型对所述预处理海洋环境水质检测异常值数据信息进行预测，得到预测值；
所述预设的海洋环境水质预测模型为：
S521，利用均值和协方差矩阵进行UT变换，按照比例对称采样方法，产生2n+1个Sigma点，n代表状态向量的维数：
式中，X为状态参量，为均值，P为协方差矩阵，/>表示协方差矩阵方根的第i列，参数λ＝(α2(n+k)-n)是一个缩放比例因子，用来降低总的预测误差；比例因子α限制了采样点到中心均值的距离，取值在(0,1]，k是一个待定参数，取值范围在(0,+∞)，其取值应保证(n+λ)P为半正定矩阵；
S522，计算Sigma点相应的权值ω：
式中，下标m表示均值，下标c表示协方差，上标的序列为采样点的序号，参数β同样是一个待定参量，对于高斯分布取2；
S523，利用2n+1个Sigma点集及对应的权值，为预测值：
S524，将产生的Sigma点代入到状态方程中，计算点集的一步预测，i＝1,2,…，2n+1：
X(i)(k+1|k)＝f(k,X(i)(k|k))
S525，计算系统状态量的一步预测及协方差矩阵，由上述点集的预测值加权求和得到：
S526，对加权求和得到的预测均值，再次使用UT变换，产生新的Sigma点集：
S527，将新的点集代入观测方程，得到预测的观测量，i＝1,2,…,2n+1：
Z(i)(k+1|k)＝h[X(i)(k+1|k)]
S528，对得到观测量的点集进行加权求和，同时求得预测的协方差矩阵：
S529，计算卡尔曼增益矩阵K：
将增益矩阵K代入滤波值和协方差计算公式，对下一时刻预测值和协方差进行修正：
P(k+1|k+1)＝P(k+1)-K(k+1)PzzKT(k+1)
S53，所述预测值和所述预处理海洋环境水质检测异常值数据信息的差值构成异常检测数据集；
S54，利用预设的异常检测模型对所述异常检测数据集进行处理，得到异常检测结果；
所述预设的异常检测模型为改进的ResNet-50网络模型；所述改进的ResNet-50网络模型层次结构为：前两层用于数据的降维和预处理，即Max Pooling层和Conv1层；Conv2_x层到Conv5_x层为模型的核心部分，每层都由相应残差学习模块构成，最后一层为维度是1000的softmax分类器，整个模型共有18个残差学习模块和50层有参数的网络；
Stage1：由7×7、步距为2的卷积、BN、ReLU激活函数和3×3、步长为2的最大值池化的池化层组成，输入为224×224×3，经过BN和scale归一化，ReLU激活——大于0的留下，否则置0，和最后的最大池化，输出为56×56×64；
Stage2：是Conv2_x层，包含3个Bottleneck，分为两种Block，其中前面一层是一个Conv Block，后面两层是两个Identity Block；Conv Blok先利用1×1的卷积对特征参数进行降维，再做3×3的卷积，再进行1×1的卷积恢复维度，并紧跟着BN和ReLU层；直接映射支路用1×1的卷积网络共256个将Stage1最大池化输出降维为255×56×56；Identity Block的输入被直接由最后的1×1卷积输出，没有经过降维处理；Stage3、Stage4、Stage5类似于Stage2，不同的是Bottleneck的数量不同；利用均值池化及通过最后的全连接层和Softmax分类器得到最终的异常检测结果输出。
作为一种可选的实施方式，本发明实施例中，所述传感器组包括溶解氧传感器、pH传感器和温度传感器、浊度传感器；
所述溶解氧传感器、pH传感器、温度传感器和浊度传感器分别与所述集线器通过线缆连接；
所述溶解氧传感器用于测量水体的溶解氧含量；
所述pH传感器用于测量水体的酸碱度；
所述温度传感器用于测量水体的温度；
所述浊度传感器用于测量水体的悬浮固体。
作为一种可选的实施方式，本发明实施例中，所述云平台管理单元包括数据存储模块、数据分析模块和数据可视化模块；
所述数据存储模块包括数据库与日志记录；
所述数据库用于将所述接收到的数据进行存储、检索和导出；
所述日志记录记录所述数据库的运行状态、数据的变更历史、错误信息和用户操作信息；
所述数据分析模块用于结合不同应用场景，利用预设的数据分析模型，对所述接收到的数据进行处理，得到特征参数信息；
所述数据可视化模块用于以图表或视频方式，将所述接收到的数据和所述特征参数信息进行直观展示。
作为一种可选的实施方式，本发明实施例中，所述LCD显示器包括液晶显示屏和控制芯片；
所述主控芯片将需要显示的数据信息发送给所述控制芯片；
所述控制芯片将所述需要显示的数据信息显示到液晶显示屏上；
所述供电电源包括可拆卸电池、降压稳压器、整流、反向隔离电路和滤波电路；
所述降压稳压器用于将所述可拆卸电池的输出电压转换成直流5V后为所述主机和传感器组供电；
所述整流和反向隔离电路包括肖特基二极管，用于实现整流和反向隔离；
所述滤波电路包括电容、电阻和电感，用于滤除杂波。
作为一种可选的实施方式，本发明实施例中，所述主机按照设定时间定时唤醒或通过主机上的按键唤醒；
所述主机被唤醒时，向所述传感器组发送指令；
所述传感器组接收所述指令，并将测得的数据返回给所述主机；
所述无线通信设备利用UDP协议与所述云平台管理单元连接。
作为一种可选的实施方式，本发明实施例中，所述报警器用于在温度过高、和/或溶解氧含量超过预设的阈值、和/或水体的酸碱度超过预设的阈值、和/或水体的浊度超过预设的阈值时进行报警。
与现有技术相比，本发明实施例具有以下有益效果：
本发明采用Modbus/RS485通讯协议，数据通信稳定性可靠、抗干扰性强，有很好的人机交互功能；同时，对主机采用定时唤醒或按键唤醒两种模式，在睡眠状态下，主机功耗非常低，传感器不需要电源供电，这样就能极大地降低功耗，大幅延长系统的工作时间。
本发明利用云平台管理单元，对接收到的海洋环境水质数据信息进行处理，得到海洋环境水质检测结果；当海洋环境水质检测结果为异常值时，对所述异常值进行处理，得到异常检测结果。本发明有效提高了海洋环境水质检测的准确性和全面性，具有重要的经济和社会价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明实施例公开的海洋环境水质监测系统的结构示意图；
图2是本发明实施例公开的海洋环境水质监测系统的硬件结构框图；
图3是本发明实施例公开的海洋环境水质监测系统的电源模块的电路图；
图4是本发明实施例公开的海洋环境水质监测系统的SD卡存储模块的电路图；
图5是本发明实施例公开的海洋环境水质监测系统的云平台管理模块结构框图；
图6是本发明实施例公开的海洋环境水质监测系统的无线通信模块的电路图；
图7是本发明实施例公开的海洋环境水质监测系统的报警模块的电路图；
图8是本发明实施例公开的海洋环境水质监测系统的按键开关的电路图；
图9为复位电路原理图；
图10为时钟电路原理图；
图11是本发明实施例公开的海洋环境水质监测方法的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
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”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种海洋环境水质监测系统及方法，该方法包括：采集海洋环境水质数据信息，并传输到主机；主机将海洋环境水质数据信息传输到SD卡存储器、LCD显示器和云平台管理单元；SD卡存储器对所述海洋环境水质数据信息进行存储；LCD显示器对所述海洋环境水质数据信息进行显示；云平台管理单元利用预设的数据分析模型，对接收到的海洋环境水质数据信息进行处理，得到海洋环境水质检测结果；对所述海洋环境水质检测结果进行判断，当海洋环境水质检测结果为正常值时，完成海洋环境水质检测；当海洋环境水质检测结果为异常值时，对异常值进行处理，得到异常检测结果。本发明提高了海洋环境水质检测的准确性和全面性。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的海洋环境水质监测系统的结构示意图。其中，图1所描述的海洋环境水质监测系统应用于海洋水质监测领域，如进行水质监测和分析，本发明实施例不做限定。如图1所示，该海洋环境水质监测系统包括主机、集线器、传感器组、云平台管理单元；
所述主机置于水上，与所述集线器线缆连接，用于对所述传感器组采集的数据信息进行存储、显示和传输；
所述主机包括主板，所述主板上焊接有主控芯片、时钟电路、复位电路、无线通信设备、SD卡存储器、LCD显示器、报警器、按键开关和供电电源；
所述主控芯片与所述时钟电路、复位电路、无线通信设备、SD卡存储器、LCD显示器、报警器、按键开关和供电电源之间通过导线连接；
所述主控芯片用于向所述传感器组发送指令，并将所述传感器组采集到的数据信息传输到所述SD卡存储器、LCD显示器和云平台管理单元，并控制所述报警器和按键开关；
所述时钟电路用于对所述海洋环境水质监测系统进行驱动；
所述复位电路用于使所述海洋环境水质监测系统恢复初始状态；
所述集线器与所述传感器组线缆连接，用于将所述传感器组采集的数据信息传输给所述主机；
所述传感器组置于水下，用于采集海洋环境水质数据信息；
所述云平台管理单元与所述主机通过所述无线通信设备信号连接；
所述传感器组接收所述主控芯片的指令，并将采集到的数据信息传输给所述主控芯片；
所述SD卡存储器用于存储接收到的数据信息；
所述LCD显示器用于显示接收到的数据信息；
所述报警器用于报警；
所述按键开关用于控制所述海洋环境水质监测系统的运行状态；
所述供电电源用于为所述主机和传感器组供电。
需要注意的是，图1中的从机即传感器。该系统采用Modbus/RS485通讯协议，数据通信稳定性可靠、抗干扰性强，有很好的人机交互功能；同时，对主机采用定时唤醒或按键唤醒两种模式，在睡眠状态下，主机功耗非常低，传感器不需要电源供电，这样就能极大地降低功耗，大幅延长系统的工作时间。
Modbus协议是由Modicon公司在1979年开发的一种被广泛应用于工业现场的通信协议，现已成为通用的工业标准。Modbus协议采用主机问询、从机应答的工作模式，可以实现一主一从、一主多从的通讯方式。本系统采用一主多从的数据采集模式，单片机作主机，传感器作从机，不同传感器通过轮询的方式依次将测量值返还给单片机。
参阅图2，图2是本发明实施例公开的海洋环境水质监测系统的硬件结构框图。进一步地，所述的主机包括STM32F103ZET6型号的主控芯片、4G无线通信设备、SD卡存储器、LCD显示器、供电电源、按键开关、报警器。主控芯片用于向传感器组发送指令，主控芯片将接收到的数据存储至SD卡存储器中，主机通过按键唤醒时开启LCD显示器并显示主控芯片接收到的数据，供电电源为主机和传感器组供电。采用STM32F103ZET6型号的主控芯片，高性能、低成本且功耗小，可进一步降低系统功耗。设置SD卡存储器，可以方便的将系统定时采集的数据进行保存，以方便后续工作人员通过读取SD卡从而获得数据。LCD显示器用于呈现SD卡读取的数据，以便工作人员查询海洋环境信息，及时发现问题并进行调试。
可选的，所述传感器组包括溶解氧传感器、pH传感器和温度传感器、浊度传感器；
所述溶解氧传感器、pH传感器、温度传感器和浊度传感器分别与所述集线器通过线缆连接；
所述溶解氧传感器用于测量水体的溶解氧含量；
所述pH传感器用于测量水体的酸碱度；
所述温度传感器用于测量水体的温度；
所述浊度传感器用于测量水体的悬浮固体。
可选的，所述云平台管理单元包括数据存储模块、数据分析模块和数据可视化模块；
所述数据存储模块包括数据库与日志记录；
所述数据库用于将所述接收到的数据进行存储、检索和导出；
所述日志记录记录所述数据库的运行状态、数据的变更历史、错误信息和用户操作信息；
所述数据分析模块用于结合不同应用场景，利用预设的数据分析模型，对所述接收到的数据进行处理，得到特征参数信息；
所述数据可视化模块用于以图表或视频方式，将所述接收到的数据和所述特征参数信息进行直观展示。
可选的，所述LCD显示器包括液晶显示屏和控制芯片；
所述主控芯片将需要显示的数据信息发送给所述控制芯片；
所述控制芯片将所述需要显示的数据信息显示到液晶显示屏上；
所述供电电源包括可拆卸电池、降压稳压器、整流、反向隔离电路和滤波电路；
所述降压稳压器用于将所述可拆卸电池的输出电压转换成直流5V后为所述主机和传感器组供电；
所述整流和反向隔离电路包括肖特基二极管，用于实现整流和反向隔离；
所述滤波电路包括电容、电阻和电感，用于滤除杂波；
可选的，所述主机按照设定时间定时唤醒或通过主机上的按键唤醒；
所述主机被唤醒时，向所述传感器组发送指令；
所述传感器组接收所述指令，并将测得的数据返回给所述主机；
所述无线通信设备利用UDP协议与所述云平台管理单元连接。
可选的，所述报警器用于在温度过高、和/或溶解氧含量超过预设的阈值、和/或水体的酸碱度超过预设的阈值、和/或水体的浊度超过预设的阈值时进行报警。
参阅图3，图3是本发明实施例公开的海洋环境水质监测系统的供电电源的电路图。所述的供电电源包括可拆卸电池、TPS5405降压稳压器、整流及反向隔离电路、滤波电路，TPS5405降压稳压器用于将可拆卸电池的输出电压转换成直流5V后为主机和传感器组供电，整流及反向隔离电路由肖特基二极管实现用于实现整流和反向隔离，滤波电路由电容、电阻及电感实现用于滤除杂波。采用可拆卸电池，可以方便工作人员去读取数据时更换电池，延长系统工作时长。
进一步地，所述的传感器包括溶解氧传感器、pH传感器和温度传感器、浊度传感器。溶解氧传感器用于测量水体的溶解氧含量，pH传感器用于测量水体的酸碱度，温度传感器用于测量水体的温度，浊度传感器用于测量水体的悬浮固体。溶解氧传感器采用荧光法溶解氧传感器，荧光法溶解氧传感器利用物理学中特定物质对激发荧光的猝灭原理，通过检测不同荧光的相位差与内部校准值进行比较，计算出氧分子的浓度。pH传感器采用复合玻璃电极和参比电极，通过检测电极间的电位差来确定氢离子浓度，从而得到水体的pH值。温度传感器采用型号为PT1000的温度传感器，该型号的温度传感器根据阻值随温度变化而变化的原理，通过检测阻值的大小来确定温度值。浊度传感器采用KM01A传感器。
参阅图4，图4是本发明实施例公开的海洋环境水质监测系统的SD卡存储器的电路图。进一步地，所述的SD卡存储器采用SDIO接口连接主控芯片。SD卡体积小、功耗低、存储量大，被广泛应用于嵌入式设备的数据存储中。SD卡的通讯方式有2种：SPI和SDIO，由于实时监测数据，本实施例中采用传输速度快的SDIO接口。主控器与SD卡连接图如图4所示。SD卡存储与FatFS文件系统结合使得数据的保存和读取更加方便、有条理。在系统中增加SD卡模块，便于监管人员对历史数据的备份及读取。
进一步地，所述的LCD显示器包括3.2寸的TFT液晶显示屏和控制芯片ILI9341，主控芯片把需要显示的数据发送给控制芯片ILI9341，控制芯片ILI9341将数据显示到TFT液晶显示屏上。
参阅图5，图5是本发明实施例公开的海洋环境水质监测系统的云平台管理单元结构框图。所述的管理平台是基于Hadoop框架进行搭建的，不仅能够存储海量的海洋环境水质监测数据，还可以基于这些数据进行多维度分析，并作出合理决策与直观展示，实现海洋环境水质信息的可视化、智能化管理。海洋水质监测信息化管理平台主要包括数据存储、数据分析、以及数据可视化三个模块。其中，数据存储模块主要分为MySQL数据库与日志记录两个部分，用于将水质传感器实时采集的水质数据进行存储、检索与导出，实现了平台存储数据的灵活性管理，为海洋环境信息的挖掘与分析提供了数据支撑；数据分析模块是本系统管理平台的核心模块，主要是结合海洋水质数据与不同应用场景，通过人工智能算法(如BP神经网络)与大数据技术(如MapReduce)对其进行处理、挖掘、分析，并建立合适的模型，从而最大化数据的价值，实现数据的高效利用；数据可视化模块的功能就是将海洋水质监测数据与分析模块生成的结果以图表、视频等多种类型方式进行直观展示，为平台用户提供数据可视化服务，如可查询到海洋水质评估/预测、异常数据预警、辅助决策等信息。
本系统运行时，采用睡眠－唤醒－睡眠的工作流程，定时采集溶解氧、pH值和温度数据，采集间隔可以根据需要设置。系统唤醒采用机械按键唤醒和定时唤醒：机械按键唤醒用于现场调试，会开启设备液晶显示屏，显示当前水体溶解氧含量、温度和酸碱度信息；定时唤醒用于野外长期无人看管设备的自运行。同时，系统构建了一个功能友好型的可视化平台，水质传感器采集的信息以4G无线通信的方式传输到云平台上，该平台可以实时显示海洋水质监测数据以及数据分析结果，及时掌握海洋水质的动态变化情况和发展趋势，从而作出相应的合理决策，达到对海洋环境进行高效、智能管理的目的。
图6是本发明实施例公开的海洋环境水质监测系统的无线通信模块的电路图。无线通信设备利用ESP8266模块实现；所述ESP8266模块利用UDP协议与所述云平台管理模块连接；所述ESP8266模块与所述主控芯片通过串口方式实现电路连接与通信。
图7是本发明实施例公开的海洋环境水质监测系统的报警器示意图，报警器用于在温度过高、溶解氧含量超过预设的阈值、水体的酸碱度超过预设的阈值、水体的浊度超过预设的阈值时进行报警。本设计使用了一个有源蜂鸣器制作报警装置以满足此要求。由于蜂鸣器鸣叫时对驱动电流的要求较高，设计使用了一个型号为2N3904的三极管进行功率驱动，该器件工作时处在非线性开关状态。其中，使用C8的作用是过滤电源的高频波动；使用C9的目的是提高系统对环境干扰的抵抗能力，防止蜂鸣器变音和不期望的发声；R18作为下拉电阻，避免无信号输入时蜂鸣器意外发声。
图8是本发明实施例公开的海洋环境水质监测系统的按键开关示意图，按键开关用于控制系统运行状态或通过直接输入命令。值得注意的是，按压机械按键会产生抖动，图8中在按键两端加入电容进行了硬件消抖。
图9为复位电路原理图；图10为时钟电路原理图。
实施例二
请参阅图11，图11是本发明实施例公开的海洋环境水质监测方法的结构示意图。其中，图11所描述的海洋环境水质监测方法应用于海洋水质监测领域，如进行水质监测和分析，本发明实施例不做限定。如图11所示，该海洋环境水质监测方法包括：
S1，采集海洋环境水质数据信息；
S2，将所述海洋环境水质数据信息传输到所述主机；
S3，所述主机将所述海洋环境水质数据信息传输到所述SD卡存储器、LCD显示器和云平台管理单元；
所述SD卡存储器对所述海洋环境水质数据信息进行存储；所述LCD显示器对所述海洋环境水质数据信息进行显示；
S4，所述云平台管理单元，利用预设的数据分析模型，对接收到的所述海洋环境水质数据信息进行处理，得到海洋环境水质检测结果；
S5，对所述海洋环境水质检测结果进行判断，当所述海洋环境水质检测结果为正常值时，完成海洋环境水质检测；当所述海洋环境水质检测结果为异常值时，对所述异常值进行处理，得到异常检测结果。
可选的，所述利用预设的数据分析模型，对接收到的所述海洋环境水质数据信息进行处理，得到海洋环境水质检测结果，包括：
S41，获取海洋环境水质数据信息；
S42，对所述海洋环境水质数据信息进行特征提取，得到特征参数信息；
S43，利用预设的卷积神经网络模型，对所述特征参数信息进行处理，得到海洋环境水质检测结果。
可选的，所述对所述海洋环境水质数据信息进行特征提取，得到特征参数信息，包括：
S421，对所述海洋环境水质数据信息进行归一化处理，得到归一化海洋环境水质数据信息；
S422，对所述归一化海洋环境水质数据信息进行EMD分解，得到IMF分量ci(t)，i＝1,2,L,N，N为IMF分量个数；所述IMF分量为特征参数信息。
可选的，归一化处理函数为其中，xmax为数据信息最大值，xmin为数据信息最小值，数据信息为x(t)，x'(t)为归一化数据信息。
对归一化海洋环境水质数据信息进行EMD分解，分解为不同时间尺度、成分简单、相对平稳的IMFs，确定x'(t)的所有极大值点和极小值点，利用多项式插值得到相应的上包络线emax(t)和下包络线emin(t)，根据上包络线和下包络线得到均值m(t)＝(emin(t)+emax(t))/2，根据x'(t)和均值m(t)提取细节h(t)，令h(t)＝x'(t)-m(t)，若h(t)符合IMF，则为第一个模态分量IMF1(记为c1(t))；否则令h(t)＝x'(t)，继续分解，最后分解为其中，r(t)为余项。
可选的，所述当所述海洋环境水质检测结果为异常值时，对所述异常值进行处理，得到异常检测结果，包括：
S51，对所述海洋环境水质检测异常值进行预处理，得到预处理海洋环境水质检测异常值数据信息；
S52，利用预设的海洋环境水质预测模型对所述预处理海洋环境水质检测异常值数据信息进行预测，得到预测值；
S53，所述预测值和所述预处理海洋环境水质检测异常值数据信息的差值构成异常检测数据集；
S54，利用预设的异常检测模型对所述异常检测数据集进行处理，得到异常检测结果。
所述预处理为数据的归一化处理。
可选的，预设的海洋环境水质预测模型可以为无迹卡尔曼滤波，无迹卡尔曼滤波(Unscented Kalman Filter,UKF)是更加适用于复杂非线性系统的滤波方法。其思想是先对系统均值和协方差矩阵进行无迹变换(UnscentedTransform,UT)产生一系列Sigma点集。这些点集的均值和协方差等于原状态的均值和协方差，以此将原状态的特征传递到点集中。这种处理方法能使精度达到二阶项以上的误差，避免了线性化近似。
基于比例对称采样的UKF滤波方法。
(1)利用均值和协方差矩阵进行UT变换。按照比例对称采样方法，产生2n+1个Sigma点。n代表状态向量的维数：
式中，X为状态参量，为均值，P为协方差矩阵，/>表示协方差矩阵方根的第i列，参数λ＝(α2(n+k)-n)是一个缩放比例因子，用来降低总的预测误差；比例因子α限制了采样点到中心均值的距离，通常取值在(0,1]。k是一个待定参数，取值范围在(0,+∞)，其取值应保证(n+λ)P为半正定矩阵。
(2)计算上面Sigma点相应的权值ω：
式中，下标m表示均值，下标c表示协方差，上标的序列为采样点的序号。参数β同样是一个待定参量，对于高斯分布通常取2；它用来加入高阶项带来的信息，将高阶项的影响包含到点集中。
(3)利用上式得到的2n+1个Sigma点集及对应的权值，为预测值：
(4)将产生的Sigma点代入到状态方程中，计算点集的一步预测，i＝1,2,…，2n+1)：
X(i)(k+1|k)＝f(k,X(i)(k|k))
(5)计算系统状态量的一步预测及协方差矩阵，由上述点集的预测值加权求和得到。对比于卡尔曼滤波算法可以发现，卡尔曼滤波器只是将滤波值代入状态函数，仅计算一次得到下一时刻的预测；UKF算法则对预测的点集进行加权求和，这样滤波值将更稳定：
(6)对加权求和得到的预测均值，再次使用UT变换，产生新的Sigma点集：
(7)将新的点集代入观测方程，得到预测的观测量，i＝1,2,…,2n+1：
Z(i)(k+1|k)＝h[X(i)(k+1|k)]
(8)对上式得到观测量的点集进行加权求和，同时求得预测的协方差矩阵：
(9)计算卡尔曼增益矩阵K：
(10)将增益矩阵K代入滤波值和协方差计算公式，对下一时刻预测值和协方差进行修正：
P(k+1|k+1)＝P(k+1)-K(k+1)PzzKT(k+1)
预设的异常检测模型可以为卷积神经网络模型，卷积神经网络模型采用ResNet-50网络模型，并做了稍微改进作为骨干网，同时还选择了IBN和non-local等特殊模块增强骨干网表达能力。ResNet-50网络模型层次结构为：前两层主要用于数据的降维和预处理，即Max Pooling层和Conv1层；Conv2_x层到Conv5_x层为模型的核心部分，每层都由相应残差学习模块构成，最后一层为维度是1000的softmax分类器，整个模型共有18个残差学习模块和50层有参数的网络。
Stage1：由7×7、步距为2的卷积、BN、ReLU激活函数和3×3、步长为2的最大值池化的池化层组成，输入为224×224×3，经过BN和scale归一化，ReLU激活——大于0的留下，否则置0，和最后的最大池化，输出为56×56×64。
Stage2：主要是Conv2_x层，主要包含3个Bottleneck，分为两种Block，其中前面一层是一个Conv Block，后面两层是两个Identity Block。Conv Blok主要是先利用1×1的卷积对特征参数进行降维，然后再做3×3的卷积，最后再进行1×1的卷积恢复维度，并紧跟着BN和ReLU层，另外直接映射支路用1×1的卷积网络共256个将第一阶段最大池化输出降维为255×56×56；而Identity Block不同于Conv Blok，其输入被直接由最后的1×1卷积输出，没有经过降维处理。后面的3、4、5阶段类似于第二阶段，不同的是Bottleneck的数量不同，在经过上述阶段后，又利用均值池化及通过最后的全连接层和Softmax分类器得到最终的输出。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种海洋环境水质监测系统及方法所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (6)

1.一种海洋环境水质监测系统，其特征在于，所述系统包括主机、集线器、传感器组、云平台管理单元；
所述主机置于水上，与所述集线器线缆连接，用于对所述传感器组采集的数据信息进行存储、显示和传输；
所述主机包括主板，所述主板上焊接有主控芯片、时钟电路、复位电路、无线通信设备、SD卡存储器、LCD显示器、报警器、按键开关和供电电源；
所述主控芯片与所述时钟电路、复位电路、无线通信设备、SD卡存储器、LCD显示器、报警器、按键开关和供电电源之间通过导线连接；
所述主控芯片用于向所述传感器组发送指令，并将所述传感器组采集到的数据信息传输到所述SD卡存储器、LCD显示器和云平台管理单元，并控制所述报警器和按键开关；
所述时钟电路用于对所述海洋环境水质监测系统进行驱动；
所述复位电路用于使所述海洋环境水质监测系统恢复初始状态；
所述集线器与所述传感器组线缆连接，用于将所述传感器组采集的数据信息传输给所述主机；
所述传感器组置于水下，用于采集海洋环境水质数据信息；
所述云平台管理单元与所述主机通过所述无线通信设备信号连接；
所述的云平台管理单元是基于Hadoop框架进行搭建的，不仅能够存储海量的海洋环境水质监测数据，还可以基于这些数据进行多维度分析，并作出合理决策与直观展示，实现海洋环境水质信息的可视化、智能化管理；
所述云平台管理单元包括数据存储模块、数据分析模块和数据可视化模块；
所述数据存储模块包括数据库与日志记录；
所述数据库用于将接收到的数据进行存储、检索和导出；
所述日志记录记录所述数据库的运行状态、数据的变更历史、错误信息和用户操作信息；
所述数据分析模块用于结合不同应用场景，利用预设的数据分析模型，对所述接收到的数据进行处理，得到特征参数信息；
所述数据可视化模块用于以图表或视频方式，将所述接收到的数据和所述特征参数信息进行直观展示；
所述传感器组接收所述主控芯片的指令，并将采集到的数据信息传输给所述主控芯片；
所述SD卡存储器用于存储接收到的数据信息；
所述LCD显示器用于显示接收到的数据信息；
所述报警器用于报警；
所述按键开关用于控制所述海洋环境水质监测系统的运行状态；
所述供电电源用于为所述主机和传感器组供电；
所述海洋环境水质监测系统的监测方法包括如下步骤：
S1，采集海洋环境水质数据信息；
S2，将所述海洋环境水质数据信息传输到主机；
S3，所述主机将所述海洋环境水质数据信息传输到SD卡存储器、LCD显示器和云平台管理单元；
所述SD卡存储器对所述海洋环境水质数据信息进行存储；所述LCD显示器对所述海洋环境水质数据信息进行显示；
S4，所述云平台管理单元，利用预设的数据分析模型，对接收到的所述海洋环境水质数据信息进行处理，得到海洋环境水质检测结果，包括：
S41，对所述海洋环境水质数据信息进行特征提取，得到特征参数信息，包括：
S411，对所述海洋环境水质数据信息进行归一化处理，得到归一化海洋环境水质数据信息；
S412，对所述归一化海洋环境水质数据信息进行EMD分解，得到IMF分量ci(t)，i＝1,2,…,N，N为IMF分量个数；所述IMF分量为特征参数信息；
归一化处理函数为其中，xmax为数据信息最大值，xmin为数据信息最小值，数据信息为x(t)，x'(t)为归一化数据信息；
对归一化海洋环境水质数据信息进行EMD分解，分解为不同时间尺度、成分简单、相对平稳的IMFs，确定x'(t)的所有极大值点和极小值点，利用多项式插值得到相应的上包络线emax(t)和下包络线emin(t)，根据上包络线和下包络线得到均值m(t)＝(emin(t)+emax(t))/2，根据x'(t)和均值m(t)提取细节h(t)，令h(t)＝x'(t)-m(t)，若h(t)符合IMF，则为第一个模态分量IMF1记为c1(t)；否则令h(t)＝x'(t)，继续分解，最后分解为其中，r(t)为余项；
S42，利用预设的卷积神经网络模型，对所述特征参数信息进行处理，得到海洋环境水质检测结果；
S5，对所述海洋环境水质检测结果进行判断，当所述海洋环境水质检测结果为正常值时，完成海洋环境水质检测；当所述海洋环境水质检测结果为异常值时，对所述异常值进行处理，得到异常检测结果，包括：
S51，对所述海洋环境水质检测异常值进行预处理，得到预处理海洋环境水质检测异常值数据信息；
S52，利用预设的海洋环境水质预测模型对所述预处理海洋环境水质检测异常值数据信息进行预测，得到预测值；
所述预设的海洋环境水质预测模型为：
S521，利用均值和协方差矩阵进行UT变换，按照比例对称采样方法，产生2n+1个Sigma点，n代表状态向量的维数：
式中，X为状态参量，为均值，P为协方差矩阵，/>表示协方差矩阵方根的第i列，参数λ＝(α2(n+k)-n)是一个缩放比例因子，用来降低总的预测误差；比例因子α限制了采样点到中心均值的距离，取值在(0,1]，k是一个待定参数，取值范围在(0,+∞)，其取值应保证(n+λ)P为半正定矩阵；
S522，计算Sigma点相应的权值ω：
式中，下标m表示均值，下标c表示协方差，上标的序列为采样点的序号，参数β同样是一个待定参量，对于高斯分布取2；
S523，利用2n+1个Sigma点集及对应的权值，为预测值：
S524，将产生的Sigma点代入到状态方程中，计算点集的一步预测，i＝1,2,…，2n+1：
X(i)(k+1|k)＝f(k,X(i)(k|k))
S525，计算系统状态量的一步预测及协方差矩阵，由上述点集的预测值加权求和得到：
S526，对加权求和得到的预测均值，再次使用UT变换，产生新的Sigma点集：
S527，将新的点集代入观测方程，得到预测的观测量，i＝1,2,…,2n+1：
Z(i)(k+1|k)＝h[X(i)(k+1|k)]
S528，对得到观测量的点集进行加权求和，同时求得预测的协方差矩阵：
S529，计算卡尔曼增益矩阵K：
将增益矩阵K代入滤波值和协方差计算公式，对下一时刻预测值和协方差进行修正：
P(k+1|k+1)＝P(k+1)-K(k+1)PzzKT(k+1)
S53，所述预测值和所述预处理海洋环境水质检测异常值数据信息的差值构成异常检测数据集；
S54，利用预设的异常检测模型对所述异常检测数据集进行处理，得到异常检测结果；
所述预设的异常检测模型为改进的ResNet-50网络模型；所述改进的ResNet-50网络模型层次结构为：前两层用于数据的降维和预处理，即Max Pooling层和Conv1层；Conv2_x层到Conv5_x层为模型的核心部分，每层都由相应残差学习模块构成，最后一层为维度是1000的softmax分类器，整个模型共有18个残差学习模块和50层有参数的网络；
Stage1：由7×7、步距为2的卷积、BN、ReLU激活函数和3×3、步长为2的最大值池化的池化层组成，输入为224×224×3，经过BN和scale归一化，ReLU激活——大于0的留下，否则置0，和最后的最大池化，输出为56×56×64；
Stage2：是Conv2_x层，包含3个Bottleneck，分为两种Block，其中前面一层是一个ConvBlock，后面两层是两个Identity Block；Conv Blok先利用1×1的卷积对特征参数进行降维，再做3×3的卷积，再进行1×1的卷积恢复维度，并紧跟着BN和ReLU层；直接映射支路用1×1的卷积网络共256个将Stage1最大池化输出降维为255×56×56；Identity Block的输入被直接由最后的1×1卷积输出，没有经过降维处理；Stage3、Stage4、Stage5类似于Stage2，不同的是Bottleneck的数量不同；利用均值池化及通过最后的全连接层和Softmax分类器得到最终的异常检测结果输出。
2.根据权利要求1所述的海洋环境水质监测系统，其特征在于，所述传感器组包括溶解氧传感器、pH传感器和温度传感器、浊度传感器；
所述溶解氧传感器、pH传感器、温度传感器和浊度传感器分别与所述集线器通过线缆连接；
所述溶解氧传感器用于测量水体的溶解氧含量；
所述pH传感器用于测量水体的酸碱度；
所述温度传感器用于测量水体的温度；
所述浊度传感器用于测量水体的悬浮固体。
3.根据权利要求1所述的海洋环境水质监测系统，其特征在于，所述云平台管理单元包括数据存储模块、数据分析模块和数据可视化模块；
所述数据存储模块包括数据库与日志记录；
所述数据库用于将所述接收到的数据进行存储、检索和导出；
所述日志记录记录所述数据库的运行状态、数据的变更历史、错误信息和用户操作信息；
所述数据分析模块用于结合不同应用场景，利用预设的数据分析模型，对所述接收到的数据进行处理，得到特征参数信息；
所述数据可视化模块用于以图表或视频方式，将所述接收到的数据和所述特征参数信息进行直观展示。
4.根据权利要求1所述的海洋环境水质监测系统，其特征在于，所述LCD显示器包括液晶显示屏和控制芯片；
所述主控芯片将需要显示的数据信息发送给所述控制芯片；
所述控制芯片将所述需要显示的数据信息显示到液晶显示屏上；
所述供电电源包括可拆卸电池、降压稳压器、整流、反向隔离电路和滤波电路；
所述降压稳压器用于将所述可拆卸电池的输出电压转换成直流5V后为所述主机和传感器组供电；
所述整流和反向隔离电路包括肖特基二极管，用于实现整流和反向隔离；
所述滤波电路包括电容、电阻和电感，用于滤除杂波。
5.根据权利要求1所述的海洋环境水质监测系统，其特征在于，所述主机按照设定时间定时唤醒或通过主机上的按键唤醒；
所述主机被唤醒时，向所述传感器组发送指令；
所述传感器组接收所述指令，并将测得的数据返回给所述主机；
所述无线通信设备利用UDP协议与所述云平台管理单元连接。
6.根据权利要求1所述的海洋环境水质监测系统，其特征在于，所述报警器用于在温度过高、和/或溶解氧含量超过预设的阈值、和/或水体的酸碱度超过预设的阈值、和/或水体的浊度超过预设的阈值时进行报警。
CN202310156806.9A 2023-02-23 2023-02-23 一种海洋环境水质监测系统及方法 Active CN116182949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310156806.9A CN116182949B (zh) 2023-02-23 2023-02-23 一种海洋环境水质监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310156806.9A CN116182949B (zh) 2023-02-23 2023-02-23 一种海洋环境水质监测系统及方法

Publications (2)

Publication Number Publication Date
CN116182949A CN116182949A (zh) 2023-05-30
CN116182949B true CN116182949B (zh) 2024-03-19

Family

ID=86442003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310156806.9A Active CN116182949B (zh) 2023-02-23 2023-02-23 一种海洋环境水质监测系统及方法

Country Status (1)

Country Link
CN (1) CN116182949B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502478B (zh) * 2023-06-29 2023-09-01 中国电建集团华东勘测设计研究院有限公司 一种基于海底地形监测的自提升平台下桩辅助决策方法

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105588923A (zh) * 2016-03-30 2016-05-18 澳门理工学院 基于环境监测仪的环境监测方法及环境监测装置
CN106017431A (zh) * 2016-08-03 2016-10-12 合肥奇也信息科技有限公司 一种海洋环境在线监测系统
CN205919861U (zh) * 2016-07-29 2017-02-01 江苏中科君达物联网股份有限公司 一种超声波智能无线远传水表
CN106446209A (zh) * 2016-09-30 2017-02-22 浙江大学 一种海洋环境监测要素短期预测方法
CN107607977A (zh) * 2017-08-22 2018-01-19 哈尔滨工程大学 一种基于最小偏度单形采样的自适应ukf组合导航方法
CN108805779A (zh) * 2018-06-11 2018-11-13 深圳明创自控技术有限公司 基于水下机器人的海洋环境实时监测系统
CN109802862A (zh) * 2019-03-26 2019-05-24 重庆邮电大学 一种基于集合经验模态分解的组合型网络流量预测方法
CN110458316A (zh) * 2019-05-21 2019-11-15 武汉大学 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法
CN110542917A (zh) * 2019-08-31 2019-12-06 华南理工大学 一种海洋环境核辐射监测系统及其监测方法
CN110728835A (zh) * 2019-09-16 2020-01-24 舟山市海大科学技术研究院有限责任公司 基于大数据挖掘的海洋监测系统及方法
CN110942609A (zh) * 2019-12-04 2020-03-31 安徽农业大学 一种面向农情监测的低功耗遥测设备及系统
CN111928888A (zh) * 2020-06-12 2020-11-13 中国环境科学研究院 一种水域污染智能监控分析方法及系统
CN112506990A (zh) * 2020-12-03 2021-03-16 河海大学 一种基于时空信息的水文数据异常检测方法
CN112565350A (zh) * 2020-11-18 2021-03-26 北京林业大学 一种基于LoRa的果园智能管理系统
CN112905953A (zh) * 2021-03-22 2021-06-04 东南大学 一种倒立摆的无迹卡尔曼滤波控制方法
CN113970627A (zh) * 2021-10-22 2022-01-25 重庆亿森动力环境科技有限公司 一种水质监测及预警方法、系统
CN114023399A (zh) * 2021-11-15 2022-02-08 上海乘安科技集团有限公司 一种基于人工智能的空气颗粒物分析预警方法和装置
CN114061592A (zh) * 2021-11-29 2022-02-18 青岛澎湃海洋探索技术有限公司 基于多模型的自适应鲁棒auv导航方法
CN114384015A (zh) * 2022-01-12 2022-04-22 中国环境科学研究院 一种基于多源遥感和机器学习的水环境监测方法
CN114418224A (zh) * 2022-01-22 2022-04-29 山东广为海洋科技有限公司 一种用于海水环境监测数据统计系统及其统计方法
CN114676742A (zh) * 2021-12-08 2022-06-28 山东省计算中心（国家超级计算济南中心） 一种基于注意力机制和残差网络的电网异常用电检测方法
CN217133721U (zh) * 2022-02-08 2022-08-05 北京国金源富科技有限公司 一种多维物联网智能标识
CN115062272A (zh) * 2021-07-21 2022-09-16 浙江水利水电学院 一种水质监测数据异常识别及预警方法
CN115685278A (zh) * 2022-10-28 2023-02-03 南京航空航天大学 基于kf的低空无人机航迹定位修正方法

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105588923A (zh) * 2016-03-30 2016-05-18 澳门理工学院 基于环境监测仪的环境监测方法及环境监测装置
CN205919861U (zh) * 2016-07-29 2017-02-01 江苏中科君达物联网股份有限公司 一种超声波智能无线远传水表
CN106017431A (zh) * 2016-08-03 2016-10-12 合肥奇也信息科技有限公司 一种海洋环境在线监测系统
CN106446209A (zh) * 2016-09-30 2017-02-22 浙江大学 一种海洋环境监测要素短期预测方法
CN107607977A (zh) * 2017-08-22 2018-01-19 哈尔滨工程大学 一种基于最小偏度单形采样的自适应ukf组合导航方法
CN108805779A (zh) * 2018-06-11 2018-11-13 深圳明创自控技术有限公司 基于水下机器人的海洋环境实时监测系统
CN109802862A (zh) * 2019-03-26 2019-05-24 重庆邮电大学 一种基于集合经验模态分解的组合型网络流量预测方法
CN110458316A (zh) * 2019-05-21 2019-11-15 武汉大学 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法
CN110542917A (zh) * 2019-08-31 2019-12-06 华南理工大学 一种海洋环境核辐射监测系统及其监测方法
CN110728835A (zh) * 2019-09-16 2020-01-24 舟山市海大科学技术研究院有限责任公司 基于大数据挖掘的海洋监测系统及方法
CN110942609A (zh) * 2019-12-04 2020-03-31 安徽农业大学 一种面向农情监测的低功耗遥测设备及系统
CN111928888A (zh) * 2020-06-12 2020-11-13 中国环境科学研究院 一种水域污染智能监控分析方法及系统
CN112565350A (zh) * 2020-11-18 2021-03-26 北京林业大学 一种基于LoRa的果园智能管理系统
CN112506990A (zh) * 2020-12-03 2021-03-16 河海大学 一种基于时空信息的水文数据异常检测方法
CN112905953A (zh) * 2021-03-22 2021-06-04 东南大学 一种倒立摆的无迹卡尔曼滤波控制方法
CN115062272A (zh) * 2021-07-21 2022-09-16 浙江水利水电学院 一种水质监测数据异常识别及预警方法
CN113970627A (zh) * 2021-10-22 2022-01-25 重庆亿森动力环境科技有限公司 一种水质监测及预警方法、系统
CN114023399A (zh) * 2021-11-15 2022-02-08 上海乘安科技集团有限公司 一种基于人工智能的空气颗粒物分析预警方法和装置
CN114061592A (zh) * 2021-11-29 2022-02-18 青岛澎湃海洋探索技术有限公司 基于多模型的自适应鲁棒auv导航方法
CN114676742A (zh) * 2021-12-08 2022-06-28 山东省计算中心（国家超级计算济南中心） 一种基于注意力机制和残差网络的电网异常用电检测方法
CN114384015A (zh) * 2022-01-12 2022-04-22 中国环境科学研究院 一种基于多源遥感和机器学习的水环境监测方法
CN114418224A (zh) * 2022-01-22 2022-04-29 山东广为海洋科技有限公司 一种用于海水环境监测数据统计系统及其统计方法
CN217133721U (zh) * 2022-02-08 2022-08-05 北京国金源富科技有限公司 一种多维物联网智能标识
CN115685278A (zh) * 2022-10-28 2023-02-03 南京航空航天大学 基于kf的低空无人机航迹定位修正方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
班晓娟等.《中国人工智能学会系列研究报告》.中国科学技术出版社,2021,(第1版),第1-7. *

Also Published As

Publication number Publication date
CN116182949A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN103269129B (zh) 一种电能监测数据的优化装置及其优化方法
CN116182949B (zh) 一种海洋环境水质监测系统及方法
CN103578256A (zh) 一种区域水环境重金属监测系统及运行方法
CN112614020A (zh) 一种基于电能质量的电力推进状态评估系统
CN115575584B (zh) 一种大气环境镉含量监测预警方法及系统
CN105243285A (zh) 一种大数据健康预测系统
CN110646682B (zh) 一种对金属埋地管道干扰电位实时监测的系统
CN116595062A (zh) 一种园区碳排放监测预警方法
EP2840402B1 (en) Operating state estimating device for electrical apparatus, operating state estimating method for electrical apparatus, program, feature vector registration device for electrical apparatus, feature vector registration method for electrical apparatus, server apparatus, and operating state estimating system for electrical apparatus
CN202443010U (zh) 手持式水质检测仪
CN210776794U (zh) 一种针对温度变化进行负荷分析预测的装置
CN116168502B (zh) 一种自优化工业园区消防传感器节能控制系统
CN204856153U (zh) 一种具有输入输出装置的环境监控系统
CN208705690U (zh) 一种存储记录及控制报警的自动化仪表
CN109901487A (zh) 基于物联网的环境因子监测系统和方法
CN110837052A (zh) 一种退役动力电池余能快速检测系统及方法
CN110726819A (zh) 一种土壤酸碱度监测系统
CN202928608U (zh) 一种温湿度监测报警系统
CN214376495U (zh) 一种便携式岩石岩性快速分类识别装置
CN213688470U (zh) 一种新型温湿度传感器
CN213365743U (zh) 基于物联网的危险化学品仓储监测与预警系统
CN114006471A (zh) 变电站直流系统监测方法和系统
CN220729330U (zh) 一种低功耗大坝安全监测系统
CN219526057U (zh) 螺栓松动检测装置
CN214308900U (zh) 一种基于物联网的远程环境监测系统

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