CN116773745B - 工业园区的污染气体排放源定位方法、装置、电子设备 - Google Patents
工业园区的污染气体排放源定位方法、装置、电子设备 Download PDFInfo
- Publication number
- CN116773745B CN116773745B CN202310727551.7A CN202310727551A CN116773745B CN 116773745 B CN116773745 B CN 116773745B CN 202310727551 A CN202310727551 A CN 202310727551A CN 116773745 B CN116773745 B CN 116773745B
- Authority
- CN
- China
- Prior art keywords
- gas
- emission
- determining
- data
- polluted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 62
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 259
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 238000010191 image analysis Methods 0.000 claims abstract description 13
- 238000009792 diffusion process Methods 0.000 claims description 70
- 239000000779 smoke Substances 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 19
- 230000002093 peripheral effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000011282 treatment Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 424
- 230000008569 process Effects 0.000 description 15
- 239000003086 colorant Substances 0.000 description 8
- 239000000356 contaminant Substances 0.000 description 8
- 238000011835 investigation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 230000007084 physiological dysfunction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 235000010269 sulphur dioxide Nutrition 0.000 description 1
- 239000004291 sulphur dioxide Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种工业园区的污染气体排放源定位方法、装置、电子设备。该方法包括:接收空气检测装置实时上传的监测数据,根据监测数据确定是否存在污染气体;若存在,则控制气体检测仪获取混合气体样本进行检测;并根据检测结果确定污染气体的成分及浓度;根据浓度、所述空气检测装置的位置信息、风向数据及风力数据,确定污染气体是否排放超标;若排放超标,根据风向数据及风力数据,规划最佳检测路线,并调整移动检测装置的检测线路;接收移动检测装置的摄像画面,并根据摄像画面,确定最佳检测路线上的若干可疑装置;将摄像画面进行图像分析,确定若干可疑装置对应的排放情况,并根据排放情况,确定排放源。
Description
技术领域
本申请涉及大气检测技术领域,尤其是涉及一种工业园区的污染气体排放源定位方法、装置、电子设备。
背景技术
由于工业生产以及生活水平的快速发展,大气污染物的排放越来越多。而这些大气污染物超量排放会对生态环境、气候变化以及人们的健康安全造成较大影响。比如,由于大气污染导致到达地面的太阳辐射量减少,使得人和动植物因缺乏阳光而生长发育不好;大气污染导致呼吸道疾病与生理机能障碍频发,影响人们身体健康。目前,为了减少大气污染物的排放,基本上会选择改变城市与工业区的规划,降低大气排放的集中性,或者改变燃料构成,采用无污染能源(如太阳能、风能、水力发电)和低污染能源(如天然气)等方式解决燃料问题。
不过不管通过什么方式,都无法避免大气污染物的排放,因此需要一些检测的设备进行大气污染物的检测,如果浓度达到可能会对环境或人体造成伤害的程度时,可以及时发现并采取措施。
目前,对于大气污染物排放源的确定存在很多,但几乎都是利用模型去进行处理,比如常见的高斯烟羽模型。这些模型都需要大量的数据为基础进行训练,并且需要一个相对非常精准的算法,使得模型的效果更好。而大气污染物排放源的定位非常依赖于模型的处理效率,如果这一模型的训练有偏差,或者本身在构建过程中使用的算法有问题,都会导致利用该模型定位排放源的精确度降低。
发明内容
本申请提供一种工业园区的污染气体排放源定位方法、装置、电子设备,以解决上述技术问题。
第一方面,本申请提供一种工业园区的污染气体排放源定位方法。
接收空气检测装置实时上传的监测数据,并根据所述监测数据确定当前时刻是否存在污染气体;所述空气检测装置根据预设分布方式分布在所述工业园区;
若存在所述污染气体,则控制气体检测仪获取混合气体样本进行检测,并根据检测结果确定所述污染气体的成分及浓度;
调取气象数据库中的气象数据,确定今日的风向数据及风力数据;
根据所述浓度、所述空气检测装置的位置信息、所述风向数据及所述风力数据,确定所述污染气体是否排放超标;
若确定所述污染气体排放超标,根据所述风向数据及所述风力数据,进行检测路线的规划,得到最佳检测路线并按照所述最佳检测路线调整移动检测装置的线路进行监控摄像;
接收所述移动检测装置对工业园区进行监控摄像的摄像画面,并根据所述摄像画面,确定所述最佳检测路线上的若干可疑装置;
将所述摄像画面进行图像分析,确定所述若干可疑装置对应的排放情况,并根据所述排放情况,确定排放源。
通过本申请提供的方式,可以在确定存在污染气体后,利用风向数据及风力数据,循着检测路线进行检测。通过分析检测过程中监控摄像上传的摄像画面精准确定出工业园区的哪一工厂的哪一设备污染气体排放超标。与现有技术相比,本申请的方案并不依赖与对数据的分析,不需要获取大量的数据,因此也可以避免数据的采集带来的误差,也能减少数据存储带来的压力。另外,因为本申请的方法不依赖与对数据的分析,因此也可以减少现有技术中数据调取以及分析的时间。此外,通过监控摄像以及对摄像画面进行图像分析,也可以减少数据分析以及调取的时间。由于摄像画面是实地拍摄得到的,因此得到的结果也更加准确、直观。
可选的,所述根据所述浓度、所述空气检测装置的位置信息、所述风向数据及所述风力数据,确定所述污染气体是否排放超标,包括:
获取所述空气检测装置的位置信息;
根据所述位置信息,确定所述污染气体按照所述风向数据扩散到所述空气检测装置的最大距离;
根据所述风向数据、所述风力数据、所述浓度及所述最大距离,预测处于所述最大距离的位置的浓度,并根据所述最大距离的位置的浓度,确定所述污染气体是否超标。
可选的,所述摄像画面包括当前时刻所述移动检测装置的位置信息;所述根据所述摄像画面,确定所述最佳检测路线上的若干可疑装置,包括:
根据所述摄像画面,确定当前摄像画面中是否存在气体排放装置;
若存在气体排放装置,则根据所述移动检测装置的位置信息及摄像角度,确定对应的气体排放装置的位置信息;
将所述气体排放装置的位置信息与预设信息数据库中的位置信息进行匹配,确定所述气体排放装置的排放成分;
将所述排放成分与所述污染气体的成分进行对比,确定含有所述污染气体的成分的若干气体排放装置,并将若干气体排放装置作为若干可疑装置。
可选的,所述将所述摄像画面进行图像分析,确定所述若干可疑装置对应的排放情况,并根据所述排放情况,确定排放源,包括:
将存在所述若干可疑装置的摄像画面进行目标识别,确定所述若干可疑装置对应的气体排放口;
截取所述气体排放口的四周画面,并将所述四周画面进行特征提取,确定所述四周画面中的烟雾特征;
根据所述烟雾特征,确定当前时刻所述若干可疑装置对应的排放情况;
将所述排放情况与预设排放状态数据库中的若干排放情况进行对比,确定当前时刻所述若干可疑装置是否排放所述污染气体;
若存在至少一个可疑装置在当前时刻排放所述污染气体,则根据所述烟雾特征,确定所述污染气体的排放源。
可选的,所述根据所述烟雾特征,确定所述污染气体的排放源,包括:
根据所述烟雾特征,确定每一可疑装置的气体排放颜色;
将所述气体排放颜色与预设颜色比对库进行匹配,确定是否存在所述污染气体排放超标时对应的气体排放颜色;
若存在所述污染气体排放超标时对应的气体排放颜色,则将对应的可疑装置作为所述污染气体的排放源。
可选的,所述方法还包括:
调取所述移动检测装置调整检测路线前的摄像画面,并根据调整检测路线前的摄像画面,确定所述排放源的排放时长;
根据所述排放时长,预测所述污染气体在所述风力数据及所述风向数据的影响下的扩散面积;根据所述扩散面积,确定所述污染气体在不同区域的影响,并根据所述影响及预设案例库,确定当前时刻所述污染气体的处理方案。
可选的,所述方法还包括:
根据所述排放源的位置,确定通信线路,并将所述排放源的排放超标的情况通过所述通信线路发送至所述排放源;
接收所述排放源的反馈信号,并根据所述反馈信号,确定所述排放源是否调整所述污染气体的排放浓度;
若根据所述反馈信号,确定所述排放源调整了所述污染气体的排放浓度,则控制所述移动检测装置持续监控摄像所述排放源的气体排放情况。
第二方面,本申请提供一种工业园区的污染气体排放源定位装置,包括:
异常确定模块,用于接收空气检测装置实时上传的监测数据,并根据所述监测数据确定当前时刻是否存在污染气体;所述空气检测装置根据预设分布方式分布在所述工业园区;
成分确定模块,用于若存在所述污染气体,则控制气体检测仪获取混合气体样本进行检测,并根据检测结果确定所述污染气体的成分及浓度;
数据调取模块,用于调取气象数据库中的气象数据,确定今日的风向数据及风力数据;
超标确定模块,用于根据所述浓度、所述空气检测装置的位置信息、所述风向数据及所述风力数据,确定所述污染气体是否排放超标;
路线规划模块,用于若确定所述污染气体排放超标,根据所述风向数据及所述风力数据,进行检测路线的规划,得到最佳检测路线并按照所述最佳检测路线调整移动检测装置的线路进行监控摄像;
装置确定模块,用于接收所述移动检测装置对工业园区进行监控摄像的摄像画面,并根据所述摄像画面,确定所述最佳检测路线上的若干可疑装置;
排放源确定模块,用于将所述摄像画面进行图像分析,确定所述若干可疑装置对应的排放情况,并根据所述排放情况,确定排放源。
可选的,所述超标确定模块具体用于:
获取所述空气检测装置的位置信息;
根据所述位置信息,确定所述污染气体按照所述风向数据扩散到所述空气检测装置的最大距离;
根据所述风向数据、所述风力数据、所述浓度及所述最大距离,预测处于所述最大距离的位置的浓度,并根据所述最大距离的位置的浓度,确定所述污染气体是否超标。
可选的,所述装置确定模块具体用于:
根据所述摄像画面,确定当前摄像画面中是否存在气体排放装置;
若存在气体排放装置,则根据所述移动检测装置的位置信息及摄像角度,确定对应的气体排放装置的位置信息;
将所述气体排放装置的位置信息与预设信息数据库中的位置信息进行匹配,确定所述气体排放装置的排放成分;
将所述排放成分与所述污染气体的成分进行对比,确定含有所述污染气体的成分的若干气体排放装置,并将若干气体排放装置作为若干可疑装置。
可选的,排放源确定模块具体用于:
将存在所述若干可疑装置的摄像画面进行目标识别,确定所述若干可疑装置对应的气体排放口;
截取所述气体排放口的四周画面,并将所述四周画面进行特征提取,确定所述四周画面中的烟雾特征;
根据所述烟雾特征,确定当前时刻所述若干可疑装置对应的排放情况;
将所述排放情况与预设排放状态数据库中的若干排放情况进行对比,确定当前时刻所述若干可疑装置是否排放所述污染气体;
若存在至少一个可疑装置在当前时刻排放所述污染气体,则根据所述烟雾特征,确定所述污染气体的排放源。
可选的,所述排放源确定模块具体还用于:
根据所述烟雾特征,确定每一可疑装置的气体排放颜色;
将所述气体排放颜色与预设颜色比对库进行匹配,确定是否存在所述污染气体排放超标时对应的气体排放颜色;
若存在所述污染气体排放超标时对应的气体排放颜色,则将对应的可疑装置作为所述污染气体的排放源。
可选的,所述工业园区的污染气体排放源定位装置还包括方案确定模块,用于:
调取所述移动检测装置调整检测路线前的摄像画面,并根据调整检测路线前的摄像画面,确定所述排放源的排放时长;
根据所述排放时长,预测所述污染气体在所述风力数据及所述风向数据的影响下的扩散面积;根据所述扩散面积,确定所述污染气体在不同区域的影响,并根据所述影响及预设案例库,确定当前时刻所述污染气体的处理方案。
可选的,所述工业园区的污染气体排放源定位装置还包括通信模块,用于:
根据所述排放源的位置,确定通信线路,并将所述排放源的排放超标的情况通过所述通信线路发送至所述排放源;
接收所述排放源的反馈信号,并根据所述反馈信号,确定所述排放源是否调整所述污染气体的排放浓度;
若根据所述反馈信号,确定所述排放源调整了所述污染气体的排放浓度,则控制所述移动检测装置持续监控摄像所述排放源的气体排放情况。
第三方面,本申请提供一种电子设备,包括:存储器和处理器,所述存储器上存储有能够被处理器加载并执行第一方面的方法的计算机程序。
第四方面,本申请提供一种计算机可读存储介质,存储有能够被处理器加载并执行第一方面的方法的计算机程序。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的一种应用场景示意图;
图2为本申请一实施例提供的一种工业园区的污染气体排放源定位方法的流程图;
图3为本申请一实施例提供的一种规划最佳检测路线的流程图;
图4为本申请一实施例提供的一种确定可疑装置的流程图;
图5为本申请一实施例提供的一种工业园区的污染气体排放源定位装置的结构示意图;
图6为本申请一实施例提供的一种电子设备的结构示意图。
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。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。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
为了减少大气污染物的排放,很多地区选择改变城市与工业区的规划,降低大气排放的集中性,将工业园区集中分布在郊区或其他不易影响城市环境的位置。另外,也设置了很多检测设备进行大气污染物的检测。但是目前,对于大气污染物的检测多是整个城市范围内的检测,而且检测的依据多是通过若干采集设备进行数据采集,这不仅对检测设备的要求非常高,不允许有误差。另外,这些检测设备也容易被人为调整,导致但是由于我国工业园区太多,很多检测方法并不能精确定位到哪一园区,哪一工厂甚至哪一设备。目前,对于大气污染物排放源的确定存在很多,但几乎都是利用模型去进行处理,比如常见的高斯烟羽模型。这些模型都需要大量的数据为基础进行训练,并且需要一个相对非常精准的算法,使得模型的效果更好。而大气污染物排放源的定位非常依赖于模型的处理效率,如果这一模型的训练有偏差,或者本身在构建过程中使用的算法有问题,都会导致利用该模型定位排放源的精确度降低。
另外,由于在训练模型的过程中,是利用已知污染气体的排放源以及对应的排放数据进行训练的,在实际应用过程中,是通过某一位置的排放数据,来反推污染气体的排放源,这对模型的考验也更高,产生误差的可能性更高。
基于此,本申请提供一种工业园区的污染气体排放源定位方法、装置、电子设备。
首先接收空气检测装置上传的监测数据,从这些监测数据中确定是否存在污染气体。若存在污染气体,则获取这一空气检测装置的混合气体样本,利用气体检测仪进行检测,并根据检测结果确定这一污染气体的成分以及浓度。然后调取气象数据库中的气象数据,确定出今日的风向数据以及风力数据,根据污染气体的浓度、所述空气检测装置的位置信息、风向数据及风力数据,确定污染气体是否排放超标,如果超标,则根据风向数据以及风力数据,规划检测路线,并控制移动检测装置按照规划好的最佳检测路线进行监控摄像。接收监控摄像的摄像画面,并根据摄像画面确定若干可疑装置,将摄像画面进行分析确定这些可疑装置的排放情况,进而确定排放源。通过这种方式,可以避免数据采集由于各种因素带来的误差,另外,也可以减少数据量带来的存储压力。另外,通过本申请的方式也可以更加精准、及时地确定工业园区的污染气体的排放源,减少污染气体的扩散。
图1为本申请提供的一种应用场景示意图。在某工业园区中可以设置若干个空气检测装置,这些空气检测装置按照预设分布方式进行分布,也可以按照工业园区的工厂位置来分布。本申请的方法可以搭载在一个服务器中,空气检测装置监测得到的数据可以实时上传到服务器中,另外服务器还可以控制气体检测仪检测混合气体的浓度。另外,本申请提供的方法还需要移动检测装置来进行检测,这一移动检测装置配备有摄像头,可以进行监控摄像。当某地区存在污染气体,想要确定工业园区中哪一工厂的哪一设备是排放源时,可以使用本申请提供的方法。既可以减少数据的存储压力,也可以减少数据误差带来的影响,使得可以更加精准、及时地确定工业园区的污染气体的排放源,减少污染气体的扩散。
具体的实现方式可以参考以下实施例。
图2为本申请一实施例提供的一种工业园区的污染气体排放源定位方法的流程图,本实施例的方法可以应用于以上场景中的服务器。如图2所示的,该方法包括:
S201、接收空气检测装置实时上传的监测数据,并根据监测数据确定当前时刻是否存在污染气体,空气检测装置根据预设分布方式分布在工业园区。
目前利用空气检测装置对空气中的气体进行检测时,这一空气检测装置多为大型的空气监测站,这一空气监测站多为可以对某一市区进行大面积的覆盖,但是由于本实施例中主要是对某一工业园区进行检测,因此使用的空气检测装置可以是一种检测范围较小,且占地面积较小的一个检测装置。这一检测装置可以放置在某些相对空旷的位置。因此在对空气检测装置进行分布时,可以预先确定一个相对空旷的面积大小,当某一位置存在这一面积的空旷区域时,则可以在此处设置一个空气检测装置。比如,预先设定的空旷区域的面积大小为50平方米,若某工业园区存在两个空旷区域面积在50平方米以上的区域,则可以在这两个区域分别设置一个空气检测装置。
具体的,空气检测装置可以监测空气含有的若干气体以及粉尘,例如二氧化硫、二氧化氮、一氧化碳气体,但是在工业园区中工厂排放的可能是除上述气体以外的其他气体,其他气体中可能存在污染气体。在接收到空气检测装置的监测数据时,如果监测数据显示存在除了上述气体以外的其余气体,则可以认为这一空气检测装置附近存在污染气体。
S202、若存在污染气体,则控制气体检测仪获取混合气体样本进行检测,并根据检测结果确定污染气体的成分及浓度。
污染气体在本实施例中可以认为是任意一种或多种对环境或人体健康存在危害的气体。
气体检测仪可以是一种检测气体成分以及浓度的设备,可以设置在空气检测装置的表面上,可以方便气体检测仪获取空气检测装置监测范围内的混合气体的成分以及对应的浓度。而这一空气检测装置监测范围内的混合气体都可以作为混合气体样本。在一些实现方式中,这一气体检测仪中可以设置一个小型气体接收器,用来接收空气中的混合气体。
具体的,如果通过上述步骤S201确定当前空气中存在污染气体,则控制气体检测仪获取混合气体,将这一混合气体作为混合气体样本进行检测,可以根据检测结果确定出污染气体的成分以及对应的浓度。
S203、调取气象数据库中的气象数据,确定今日的风向数据及风力数据。
风向数据在实施例中可以理解为当日0时起风向的变化数据;风力数据则可以理解为当日0时起风力的变化数据。上述空气检测装置也可以监测到监测范围内的风向以及风力,并将监测到的风向数据以及风力数据传输到气象数据库中。
气象数据库除了可以存储上述风向数据以及风力数据,还可以用于存储其他气象数据,比如降雨量、空气质量、紫外线指数、日出时间、日落时间、能见度等若干内容。可以存储当日的天气状况,也可以存在预设时段内的天气状况,比如一周、一月、一季度等。存储一段时间的气象数据可以用来佐证当前时刻的气象数据中的某些内容是否有误。
在一些实现方式中,气象数据库可以与气象预报类的获知天气状况的工具连接,实现两者之间的通信,从而使得气象数据库可以直接通过这类工具获得气象数据并存储起来。在连接过程中,气象数据库可以实时获知上述工具的气象更新数据,并将这些更新的数据存储起来。
S204、根据浓度、空气检测装置的位置信息、风向数据及风力数据,确定污染气体是否排放超标。
所述空气检测装置的位置信息可以通过该工业园区的基本信息得到,这一基本信息可以包括空气检测装置的所有信息:地理位置、型号、用途、品牌等。在一些实现方式中,工业园区的基本信息可以存储在一个信息库中,服务器可以直接调取出来。
具体的,首先通过风向数据以及风力数据确定气体的扩散方向,根据空气检测装置的位置信息,推断污染气体从排放源排放出来以后的扩散距离,然后将这一扩散距离与上述气体检测仪检测到的污染气体的浓度进行结合,判断污染气体的排放源头的浓度,从而确定是否存在超标的可能。
由于每一种气体在不同风向及风力影响下的扩散特点是不同的,而该工业园区排放的成分是可以通过工厂的基本信息知晓的,因此可以在确定该工业园区可能排放的所有气体成分的情况下,搜集大量对应气体的扩散研究资料,根据这些扩散研究资料确定气体在不同风向及风力影响下的扩散特点。通过这一扩散特点可以知道污染气体在上述风向数据以及风力数据影响下,浓度在不同扩散距离下的变化。通过这一浓度的变化,以及上述确定出的污染气体可能扩散的范围,确定污染气体是否存在超标的情况。
S205、若确定污染气体排放超标,根据风向数据及风力数据,进行检测路线的规划,得到最佳检测路线并按照最佳检测路线调整移动检测装置的线路进行监控摄像。
移动检测装置可以是一种拥有低空飞行功能且可以进行监控摄像的装置,例如无人机。可以设置在对应空气检测装置的旁边或者嵌入内部,当通过上述步骤,确定可能存在污染气体排放超标时,可以自动弹出该气体检测装置。
具体的,风向以及风力可能会影响污染气体得到扩散方向以及扩散速度,因此在进行检测时,可以通过当日的风向数据以及风力数据来综合考虑,指定最佳检测路线。在一些实现方式中,由于当污染气体扩散到某一个空气检测装置的监测范围时,可能需要一定的时间,因此,需要获取监测到污染气体之前的风向数据以及风力数据。可以通过获取该工业园区中其余空气检测装置监测到该污染气体的时间,将最早监测到该污染气体的空气检测装置的检测时间,作为该污染气体产生的大概时间。在另一些实现方式中,也可以将该工业园区的上班时间作为该污染气体的产生时间,或者也可以将能产生这一污染气体的工厂的上班时间作为该污染气体的产生时间。
在确定了该污染气体的产生时间后,可以获取产生时间到监测到该污染气体的时间之间,风向与风力的变化情况,根据风向的变化,确定污染气体到达该空气检测装置的扩散轨迹,由于气体的扩散本身是无规则的,因此,在确定扩散轨迹时,可以只确定大概方位。然后通过风力数据,确定该污染气体在扩散过程的偏向方向。通过扩散轨迹以及偏向方向,得到最终的最佳检测路线。使得移动检测装置可以根据这一最佳检测路线进行监控摄像。
S206、接收移动检测装置对工业园区进行监控摄像的摄像画面,并根据摄像画面,确定最佳检测路线上的若干可疑装置。
移动检测装置在启动并按照最佳检测路线开始检测以后,可以实时上传监控摄像的摄像画面,在接收到上传的摄像画面后,可以根据这些摄像画面确定最佳检测路线上可能排放污染气体的装置,并将这些装置作为可疑装置。
在一些实现方式中,可以通过气体排放装置的位置信息确定可疑装置,也可以通过设备气体排放时的气体颜色来确定可疑装置。比如某气体排放装置可能会排放该污染气体,而这一气体排放装置恰好在最佳检测路线的范围内,此时,可以将这一气体排放装置作为可疑装置。
S207、将摄像画面进行图像分析,确定若干可疑装置对应的排放情况,并根据排放情况,确定排放源。
排放情况可以包括气体排放的颜色,也可以包括气体排放的成分。不同的气体在进行排放过程中呈现的颜色是不同的,比如当某些不会污染环境的气体进行大量排放时,排放的气体颜色大多可能是白色的;当某些污染环境的气体少量参与上述气体排放时,排放的气体颜色会呈现黄色;当某些污染环境的气体大量参与上述气体排放时,排放的气体颜色会呈现黑色。颜色越深,则说明当前排放的污染气体的浓度越高。通过上述排放的气体颜色进行确定,如果颜色越黄或越黑,则可能说明该可疑装置排放污染气体浓度越高。
具体的,将摄像画面进行图像分析,通过图像分析的结果,确定每一个可疑装置对应的排放情况,根据排放情况预测哪些可疑装置的污染气体排放浓度较高,可以对应根据排放情况将这些可疑装置进行排放情况高低排序,从而确定出排放比较严重的几个可疑装置作为排放源。在一些实现方式中,根据排放情况预测哪些可疑装置的污染气体排放浓度较高,可以对应根据排放情况将这些可疑装置进行排放情况高低排序,从而确定出排放比较严重的几个可疑装置作为排放源。
通过本申请提供的方式,可以在确定存在污染气体后,利用风向数据及风力数据,循着检测路线进行检测。通过分析检测过程中监控摄像上传的摄像画面精准确定出工业园区的哪一工厂的哪一设备污染气体排放超标。与现有技术相比,本申请的方案并不依赖与对数据的分析,不需要获取大量的数据,因此也可以避免数据的采集带来的误差,也能减少数据存储带来的压力。另外,因为本申请的方法不依赖与对数据的分析,因此也可以减少现有技术中数据调取以及分析的时间。此外,通过监控摄像以及对摄像画面进行图像分析,也可以减少数据分析以及调取的时间。由于摄像画面是实地拍摄得到的,因此得到的结果也更加准确、直观。
在一些实施例中,还可以利用楼宇的分布,结合风向数据以及风力数据进行路线规划。具体路线规划步骤可以参考图3。由于工业园区可能会存在若干高层建筑,因此在气体扩散过程中,污染气体在经过某些高层建筑时可能会被打散,这时,污染气体就会被分散成多个部分,其中有部分污染气体从建筑物的左右两侧扩散,也有极少部分向上或向下进行不规则的扩散。
当污染气体被分散后,污染气体的扩散路径就会发生变化。因此,在进行路线规划时,要考虑楼宇分布可能带来的多种扩散可能。另外,由于这种造成污染气体扩散的高层建筑可能不止一个,因此会出现多种扩散可能,为了精准找到污染气体扩散到上述空气检测装置时的扩散路径。首先结合风向数据以及风力数据确定污染气体的大致扩散方向,然后可以根据该污染气体进入空气检测装置的检测范围内的扩散行径来确定最后的扩散方向。通过高层建筑在该工业园区的分布情况,确定污染气体在风向数据以及风力数据影响下可能经过的高层建筑,从而确定污染气体在高层建筑影响下可能出现的多种扩散情况。基于多种扩散情况,确定在污染气体的大致扩散方向上,最后到达该空气检测装置所对应的扩散情况,从而确定出检测路线。
在一些实现方式中,高层建筑对污染气体的影响导致的扩散偏移角度由风向和建筑物影响的湍流效应共同决定。在某些情况下,可以利用建筑物大小和形状以及风向和风速等气象参数,基于经验公式来估计扩散偏移角度。Pasquill-Gifford方法是一种最常用的经验公式,它将风速、建筑物尺寸和形状等因素考虑在内,可以根据距离和风速来计算扩散偏移角度。其基本公式如公式(1)所示:
θ=17.7(L/u)0.5(1)
其中,θ代表污染气体在高层建筑影响下的扩散偏移角度,L代表高层建筑附近一点存在污染气体的位置到高层建筑之间的距离,u代表风速,单位为m/s。角度怎么对路线规划起作用。
根据公式(1)可知,附近一点离高层建筑的距离越大,对污染气体扩散方向的偏角影响越小。在这种情况下,可以不考虑偏角,以当前的风向为主来进行检测路线的规划。当通过当前风向规划的检测路线达到一定长度后,可以推断出沿着这一路径去检测,必然会存在污染气体。然后可以利用上述公式(1)计算距离高层建筑较近的某些点的扩散偏移角度,从而根据这一扩散偏移角度来修正后续的检测路线。
在一些实施例中,可以获取空气检测装置的位置信息;根据位置信息,确定污染气体按照风向数据扩散到空气检测装置的最大距离;根据风向数据、风力数据、浓度及最大距离,预测处于最大距离的位置的浓度,并根据最大距离的位置的浓度,确定污染气体是否超标。
上述实施例中的信息库,可以存储上述涉及的工业园区的所有基本信息,包括工业园区中的所有设备的信息。因为本实施例中的空气检测装置设置了多个,因此可以对多个空气检测装置进行标号,这一标号可以在空气检测装置上传监测数据时,直接携带上传,在确定空气检测装置的位置信息时,可以加上对应的标号,使输出结果更加准确。
其次,可以建立一个气体信息数据库,用于存储若干污染气体的气体特点,比如,在不同气象数据下的扩散特点,以及在这一扩散特点下,扩散不同的距离大概的浓度是多少。
每一种污染气体的排放浓度都有一定的限制,这一限制可以是一个具体的浓度大小,当超过这一限制后,可以认为污染气体排放超标,可能会对环境以及人体健康造成危害。如果某污染气体的排放浓度并未达到这一限制,则说明这一污染气体的排放并未超标,是符合规定的,不需要进行处理。
当存在污染气体,但是污染气体的排放源未知的情况下,可以默认排放源的位置是距离检测到污染气体的空气检测装置最远的地方,即最大距离。此时可以假设空气检测装置检测到的污染气体的浓度是当前最低浓度,此时可以反推出距离检测到污染气体的空气检测装置最远的地方的浓度是多少,这一浓度可以认为是排放源的浓度,如果这一浓度没有超出该污染气体排放限制,则可以说明排放源的污染气体排放一定没有超标,如果这一浓度超出该污染气体排放限制,则说明排放源的排放浓度有一定的概率是超标的。
当通过上述方式确定排放源的排放浓度有一定的概率是超标的情况下,就可以进行检测路线的规划,并启动移动检测装置进行污染气体排放源的检测。
需要说明的是,这一最大距离是上述的哪一种并不对本实施例提供的方法构成限制,在实际实现过程中,可以根据实际情况,切换最大距离的测量方式。在本实施例中可以使用空气检测装置到该工业园区最南端的直线距离作为最大距离。
根据上述实施例可知,空气检测装置的监测是有一定范围的,因此在计算上述确定出的最大距离后,可以通过下列公式计算最大距离位置得到浓度。
首先,根据空气检测装置的范围,确定第一次监测到上述污染气体以及下一时刻监测到污染气体的位置间隔,通过这一位置间隔以及时间间隔,确定该污染气体的扩散速度,如公式(2)所示:
其中,v表示该污染气体的扩散速度;Δx表示位置间隔;Δt表示时间间隔;X2表示下一时刻监测到上述污染气体的位置;X1表示第一次监测到上述污染气体的位置;t2表示下一时刻监测到上述污染气体的时间;t1表示第一次监测到上述污染气体的时间。
在通过上述公式(2)得到该污染气体的扩散速度后,可以通过上述的气体信息数据库首先确定出该污染气体在当前气象数据下的扩散特点,然后通过上述确定的扩散速度以及扩散特点,确定当上述空气检测装置监测该污染气体,且气体检测仪确定出该污染气体的浓度时,该污染气体从距离该空气检测装置最大距离的位置扩散到该空气检测装置,大概为多少浓度。在确定了最大距离的位置的浓度后,确定这一浓度是否超标。
在另一些实现方式中,已知某一点的污染浓度、风向、风速,可以利用高尔斯米德扩散模型和反演方法来确定排放源的位置和浓度。假设已知某一点的污染浓度C1、风速u和风向α,则将某一点的污染浓度C1、风速u和风向α输入到高尔斯米德扩散方程可以计算出该点距离排放源的距离R1和方向θ,进而得到排放源的大致位置。
排放源位置通过最小二乘法计算,如公式(3)所示:
R1=(x1 2+y1 2)0.5(3)
其中,R1代表排放源位置;y1代表上述空气检测装置检测到的污染气体对应位置在y轴方向上的距离;x1代表上述空气检测装置检测到的污染气体对应位置在x轴方向上的距离。
排放源与上述空气检测装置检测到的污染气体对应位置的角度通过最小二乘法计算,如公式(4)所示:
θ=arctan(y1/x1)(4)
其中,θ代表排放源与上述空气检测装置检测到的污染气体对应位置的角度;y1代表上述空气检测装置检测到的污染气体对应位置在y轴方向上的距离;x1代表上述空气检测装置检测到的污染气体对应位置在x轴方向上的距离。
排放源浓度C0的反演可以通过最小二乘法来计算。具体地,假设排放源在点A附近,则可以根据高尔斯米德扩散模型计算出在点A处的污染浓度C2,然后通过比较C1和C2的差异来估算排放源浓度C0。最小二乘法可以用来优化计算过程,以得到最佳的排放源浓度估计值。如公式(5)所示:
C0=argmin(C2-C1)2(5)
其中,C2代表疑似排放源位置的点A处的污染浓度,C1代表上述空气检测装置检测到的污染气体的浓度;C0代表排放源浓度。
本实施例通过推测的方式先确定是否可能存在排放超标的情况,与上述通过高尔斯米德扩散模型和反演方式来确定排放源位置以及浓度相比,在整个定位过程中,只在推测是否存在排放超标的这一步骤中,进行了一个浓度的计算,算法更简单,并且对算法、模型的依赖不高,而且主要是为了快速排除污染气体浓度不超标的情况。如果利用高尔斯米德扩散模型和反演方式,则非常依赖于模型的精度,而且计算也相对复杂,如果这一模型的训练有偏差,或者本身在构建过程中使用的算法有问题,都会导致利用该模型定位排放源的精确度降低。因此在本实施例中优选通过推测的方式先确定是否可能存在排放超标的情况,然后再进行检测。
通过本实施例提供的方式,可以利用上述方式,确定当前污染气体的浓度是否排放超标。由于这一最大距离是通过污染气体的扩散方向确定的,所以当预测到这一最大距离的污染气体浓度超标时,则可能在该工业园区的某一位置是存在排放超标的情况的,如果这一最大距离的污染气体浓度未超标,则说明这一工业园区所有排放该污染气体的设备均属于正常排放。通过这种方式,也可以减少现场排查的人力成本以及时间,同时,第一时间确定当前工业园区是否存在污染气体排放超标的情况,以便后续及时进行处理,减少污染气体的扩散带来的影响。
在一些实施例中,可以根据摄像画面,确定当前摄像画面中是否存在气体排放装置;若存在气体排放装置,则根据移动检测装置的位置信息及摄像角度,确定对应的气体排放装置的位置信息;将气体排放装置的位置信息与预设信息数据库中的位置信息进行匹配,确定气体排放装置的排放成分;将排放成分与污染气体的成分进行对比,确定含有污染气体的成分的若干气体排放装置,并将若干气体排放装置作为若干可疑装置。
可以为移动检测装置设定一些特殊场景,当移动检测装置监控到这些特殊场景中的任意一个时,会进行特殊标记,比如,将摄像画面外边框变为与其余均不相同的颜色。这些特殊场景可以为存在气体排放装置的场景,或者存在气体排放口的场景。
此外,在上传摄像画面时,该移动检测装置对应的位置信息也可以上传到服务器中,且这一位置信息与该位置的摄像画面是一一对应的。
上述的信息库可以用来存储工业园区所有的信息,而为了更方便得到气体排放装置的信息,所以可以设置一个预设信息数据库,专门用来存储气体排放装置的基本信息,这些基本信息可以包括所属工厂、类型、型号、用途、位置信息、开工时间、排放类型等用于与上述信息库进行区分,可以直接调用预设信息数据库,可以更加节约时间,更快速的得到气体排放装置的基本信息。
如果气体检测装置存在一定的检测范围,那么摄像画面可能存在并不是垂直向下方向的画面,因此存在一定的摄像角度。此时可以预先拍摄工业园区的正射地图。先利用正射校正的方式,先将拍摄的图像进行校正,得到正视的图像,直接调整这一调整后的图像的大小,然后与预先拍摄的正视图像进行匹配。匹配成功则可以确定气体排放装置的位置。
在一些实现方式中,移动检测装置在拍摄过程中是能够确定自身的拍摄角度的,因此,当通过上述方式识别出存在气体排放装置的特殊场景时可以直接获取移动检测装置拍摄某一存在气体排放装置的照片时的拍摄角度,然后结合移动检测装置当时的地理位置,确定图像中气体排放装置的位置。
在另一些可能的实现方式中,由于气体排放装置一定属于园区中的某一工厂。因此可以对这一工厂进行特征的识别,确定这一工厂具体是什么工厂,也就可以确定这一气体排放装置所属工厂。另外,每一工厂的信息都可以存储在上述信息数据库中,因此,当知晓这一工厂后,就可以从预设信息数据库中进行数据调取,确定这一工厂的位置信息,进而可以知晓这一气体排放装置的大概位置。
具体的实现方式可以参考图4,可以根据摄像画面以及上述区分是否存在气体排放装置的方式,确定摄像画面中哪些画面存在气体排放装置,并根据这些摄像画面对应的移动检测装置的位置,确定这些气体排放转置分别处于该工业园区的哪些位置,将这些位置与预设信息数据库中保存的若干位置信息进行对比,确定这些气体排放装置的基本信息,并从这些基本信息中确定对应的气体排放装置会排放哪些气体,即排放成分。将排放成分与上述确定出的污染气体的成分进行对比,确定含有这一污染气体的若干气体排放装置,并将这些气体排放装置作为可疑装置。
通过本实施例提供的方式,可以通过气体排放装置的排放成分,确定会排放上述污染气体的气体排放装置,并将这些装置作为可疑装置。这样也可以减少大量的排查时间,减少人为排查带来的失误,为处理污染气体争取了更多的时间,提高工作效率。
在一些实施例中,可以将存在若干可疑装置的摄像画面进行目标识别,确定若干可疑装置对应的气体排放口;截取气体排放口的四周画面,并将四周画面进行特征提取,确定四周画面中的烟雾特征;根据烟雾特征,确定当前时刻若干可疑装置对应的排放情况;将排放情况与预设排放状态数据库中的若干排放情况进行对比,确定当前时刻若干可疑装置是否排放污染气体;若存在至少一个可疑装置在当前时刻排放污染气体,则根据烟雾特征,确定所述污染气体的排放源。
在一些实现方式中,可以预先设置若干气体排放口的特征。在进行目标识别时,可以先将若干可疑装置对应的摄像画面进行特征提取,将若干提取出来的画面特征与上述预先设置的气体排放口的特征进行匹配,进而根据匹配结果确定出哪些画面中存在气体排放口。
四周画面可以通过一定的范围进行截取得到,这一范围可以根据当前时刻的风向数据以及风力数据进行初步确定,然后可以对摄像画面的气体排放口能够区分出为烟雾颜色的范围作为气体排放范围的所有画面。
在一些实现方式中,可以预先设置若干烟雾特征。由于本实施需要确定哪些可疑装置是排放源,因此在进行特征提取时,可以预先设定一些特征,比如气体排放颜色的特征、气体排放量的特征等。
在另一些实现方式中,可以通过建立深度学习模型的方式,利用深度学习模型进行摄像画面识别,确定烟雾特征。首先,收集在进行气体排放时,气体排放口的烟雾特征对应的大量图片,进行预处理,给每一张图片加上对应烟雾特征的标签,生成一个训练集。将这些训练集中的训练样本输入到刚刚建立好的深度学习模型中,训练该深度学习模型,使得这一深度学习模型可以通过摄像画面,确定对应的烟雾特征。当通过上述方式确定出气体排放口后,将这些含有气体排放口的若干四周画面输入到已经训练好的深度学习模型中,深度学习模型根据画面直接输出每张画面的烟雾特征。
预设排放状态数据库可以理解为不同气体排放装置在进行不同气体的排放时,可能会呈现哪种排放状态,这些排放状态可以包括上述的气体排放口的状态、气体排放颜色的状态、气体排放量的状态等等。
具体的,将存在上述可疑装置的摄像画面进行目标识别,分析哪些特征属于气体排放口,即识别出气体排放口。然后通过上述方式,截取气体排放口得四周画面,将这些四周画面进行特征提取,确定这些四周画面中的烟雾特征。由于不同的污染气体在排放时可能呈现的特点是不同的,比如颜色不同、范围不同,因此可以根据得到烟雾特征,确定这些可疑装置对应的排放情况,并将这些排放情况与预设排放状态数据中的若干排放情况进行对比,确定每一可疑装置是否排放了上述污染气体。如果确定存在某些可疑装置排放了上述污染气体,则可以将烟雾特征进行分析,确定污染气体的排放源。
通过本实施例提供的方式,可以直接根据摄像画面确定出气体排放口,然后再对气体排放口的四周画面进行特征提取确定每一气体排放口的烟雾特征,进而确定排放情况。这样可以减少一一对摄像画面进行分析所耗费的时间,另外,也不需要排查人员进入现场进行一一排查,准确性较人为排查更高。
在一些实施例中,可以根据烟雾特征,确定每一可疑装置的气体排放颜色;将气体排放颜色与预设颜色比对库进行匹配,确定是否存在污染气体排放超标时对应的气体排放颜色;若存在污染气体排放超标时对应的气体排放颜色,则将对应的可疑装置作为污染气体的排放源。
预设颜色比对库可以用来存储不同污染气体在排放浓度不同的情况下呈现的颜色,另外,也可以包括除污染气体以外其他气体排放过程中可能与污染气体一起呈现的颜色。在具体实现方式中,可以针对每一污染气体,设置一个排放超标状态时,在气体共同排放过程中的颜色。如果某可疑装置当前排放颜色浅于这一颜色,则说明该可疑装置的污染气体排放未超标;如果某可疑装置当前排放颜色深于这一颜色,则说明该可疑装置的污染气体排放超标。
在一些实现方式中,由于本实施例需要通过移动检测装置监控的摄像画面中的气体排放颜色,确定污染气体是否超标,因此该移动检测装置上设置的摄像头需要拥有超高的颜色分辨率,使得摄像画面可以清晰区分出当前气体排放究竟呈现哪种颜色。
具体的,根据上述提取出的烟雾特征,确定每一个可疑装置当前的气体排放颜色,将这一气体排放颜色与预设颜色比对库中对应的颜色进行匹配,确定这一气体排放颜色对应的可疑装置是否排放超标。如果存在污染气体排放超标时对应的气体排放颜色,则将对应的可疑装置作为污染气体的排放源。
通过本实施例提供的方式,根据烟雾特征中对应的气体排放颜色,确定是否存在某些可疑装置污染气体排放超标,如果有,则可以将这些可疑装置作为排放源。可以直接节省排查时间,不需要人为到达现场进行排查,同时使用颜色进行区分,也可以更加精准的进行排放源的定位。
在一些实施例中,可以通过风向数据以及风力数据进行最佳检测路线的规划。比如当某一空气检测装置监测到污染气体时,通过这一时刻的风向数据以及风力数据可以确定移动检测装置的初始检测方向,但是由于风向以及风力是时刻在变化的,因此需要通过历史时段,也就是今日的风向数据以及风力数据,将检测路线进行调整。
在一些实现方式中,由于空气检测装置的位置是固定的,监测范围也是已知的,但此时气体扩散的范围是未知的,因此,还可以结合其余空气检测装置的数据,进行路线的二次规划。比如此时通过风向数据以及风力数据已经确定出来一条检测路线了,此时为了保证检测路线的准确性,可以获取其余空气检测装置的监测数据,根据监测数据,确定其余空气检测装置的监测范围内是否存在上述污染气体,若存在,则说明该污染气体的扩散范围至少包含这一存在上述污染气体的空气检测装置的监测范围,此时可以将上述根据风向数据以及风力数据确定出的检测路线进行调整,确保这以检测路线,既符合当日风向数据以及风力数据,又可以将上述若干监测到污染气体的空气检测装置的监测范围包含进去,得到最终的最佳检测路线。
在一些实现方式中,可以先通过风向数据以及风力数据规划出来的检测路线,调整移动检测装置进行检测,然后在检测完成后,根据这一检测路线检测到的数据,进行检测路线的调整,并进行二次检测,另外,也可以通过上述方式,结合其余空气检测装置的监测数据,调整第二次检测的检测路线。
通过本实施提供的方式,在进行路线规划时,不仅利用风力数据以及风向数据进行检测路线的规划,同时还结合了其余空气检测装置的监测数据,对检测路线进行更加细致的确定,减少由于气体扩散范围带来的检测不准确的问题。
在一些实施例中,可以调取移动检测装置调整检测路线前的摄像画面,并根据调整检测路线前的摄像画面,确定排放源的排放时长;根据排放时长,预测污染气体在风力数据及风向数据的影响下的扩散面积;根据扩散面积,确定污染气体在不同区域的影响,并根据影响及预设案例库,确定当前时刻污染气体的处理方案。
在一些实现方式中,移动检测装置可以是全天启动的,用于监控该工业园区中的情况,可以在需要进行排放源确认时,才根据最佳检测路线进行检测。在不需要进行排放源确认时,可以按照既定的检测路线进行工业园区的监控。在具体实现方式中,这些移动检测装置按照既定的检测路线得到的摄像画面也可以实时的上传并存储在服务器的特定位置中。
预设案例库可以存储若干气象数据下,不同污染气体的扩散导致的影响案例。这一预设案例库中还可以保存有对应案例的处理方案。
具体的,调取移动检测装置调整检测路线前的摄像画面,根据这一调整检测路线前的摄像画面,确定上述排放源第一次排放这一污染气体时对应的排放时间,然后利用这一排放时间以及当前时刻的时间,确定出这一排放源的排放时长。根据这一排放时长,预测该污染气体在风力数据以及风向数据影响下的扩散面积。由于不同污染气体在不同气象数据下的扩散特点不同,因此在不同扩散位置时的浓度也不同,因此,根据这一扩散面积,确定污染气体在不同区域的影响。然后根据这一影像以及预设案例库,确定这一污染气体当前的处理方案。
由于污染气体在扩散时,浓度会有所变化,因此通过本实施提供的方式,可以通过扩散面积以及风向数据、风力数据,确定该污染气体在不同区域的影响,然后通过不同区域的影响以及预设案件库确定这一污染气体的处理方案,使得在进行污染气体处理时,能够在不同浓度区域采取更加有效的措施,提高污染气体的处理效果,避免某些区域处理不彻底的问题。
在一些实施例中,可以根据排放源的位置,确定通信线路,并将排放源的排放超标的情况通过通信线路发送至排放源的位置;接收排放源的反馈信号,并根据反馈信号,确定排放源是否调整污染气体的排放浓度;若根据反馈信号,确定排放源调整了污染气体的排放浓度,则控制移动检测装置持续监控摄像排放源的气体排放情况。
工业园区中可以通过若干线路与每一工厂进行通信,通过通信,工厂内可以人为向服务器发送某些数据或者信息,服务器也可以像工厂内的通信设备发送相应的数据以及信息。为了区分工厂的通信线路可以按照工厂位置进行区分或者将这些线路进行编号。
反馈信号可以理解为是工厂在接收到服务器发送的数据或信息后作出某些操作后进行的反馈,服务器在接收以后可以明确这一工厂是否根据数据以及信息做出某些操作。这一反馈信号可以包括文字、数据、图片、视频等内容。
具体的,在通过上述实施例的摄像画面的特征确定出排放源后,可以利用上述实施例的方式,确定排放源的位置。通过排放源的位置确定排放源所属工厂的位置,进而确定出这一排放源的通信线路,然后将确定出的排放超标情况发送给这一排放源对应的通信设备中。排放源中的通信设备在接收到这一信息后,可能会对污染气体的排放进行控制,并反馈回一些信息,即反馈信号。在成功接收到这一反馈信号后,将反馈信号进行分析,确定排放源是否根据上述排放超标情况进行了污染气体的排放调整。如果反馈信号分析确定,排放源进行了排放浓度的调整,则可以可控制移动检测装置持续监控摄像排放源的气体排放情况。
在一些实现方式中,可以通过持续监控的方式确定气体排放情况是否与反馈信号一致,若一致,则说明排放源确实进行了污染气体排放浓度的调整;若不一致,则说明排放源所属工作人员可能无视了污染气体排放超标带来的影响,此时可以派遣工业园区的负责人员前往处理。
通过本实施例的方式,可以第一时间让排放源知晓目前排放已超标,需要及时进行调整,这样可以减少排放源内的工作人员不知晓情况,而持续进行污染气体超标排放的情况。另外,在接收到反馈信号后,依然控制移动检测装置对排放源进行持续监控,也能确保反馈信号的真实性,避免被排放源误导,导致污染气体大量排放,影响环境以及人体健康。
图5为本申请一实施例提供的一种工业园区的污染气体排放源定位装置的结构示意图,如图5所示的,本实施例的工业园区的污染气体排放源定位装置500包括:异常确定模块501、成分确定模块502、数据调取模块503、超标确定模块504、路线规划模块505、装置确定模块506、排放源确定模块507。
异常确定模块501,用于接收空气检测装置实时上传的监测数据,并根据所述监测数据确定当前时刻是否存在污染气体;所述空气检测装置根据预设分布方式分布在所述工业园区;
成分确定模块502,用于若存在所述污染气体,则控制气体检测仪获取混合气体样本进行检测,并根据检测结果确定所述污染气体的成分及浓度;
数据调取模块503,用于调取气象数据库中的气象数据,确定今日的风向数据及风力数据;超标确定模块504,用于根据所述浓度、所述空气检测装置的位置信息、所述风向数据及所述风力数据,确定所述污染气体是否排放超标;
路线规划模块505,用于若确定所述污染气体排放超标,根据所述风向数据及所述风力数据,进行检测路线的规划,得到最佳检测路线并按照所述最佳检测路线调整移动检测装置的线路进行监控摄像;
装置确定模块506,用于接收所述移动检测装置对工业园区进行监控摄像的摄像画面,并根据所述摄像画面,确定所述最佳检测路线上的若干可疑装置;
排放源确定模块507,用于将所述摄像画面进行图像分析,确定所述若干可疑装置对应的排放情况,并根据所述排放情况,确定排放源。
可选的,所述超标确定模块504具体用于:
获取所述空气检测装置的位置信息;
根据所述位置信息,确定所述污染气体按照所述风向数据扩散到所述空气检测装置的最大距离;
根据所述风向数据、所述风力数据、所述浓度及所述最大距离,预测处于所述最大距离的位置的浓度,并根据所述最大距离的位置的浓度,确定所述污染气体是否超标。
可选的,所述装置确定模块506具体用于:
根据所述摄像画面,确定当前摄像画面中是否存在气体排放装置;
若存在气体排放装置,则根据所述移动检测装置的位置信息及摄像角度,确定对应的气体排放装置的位置信息;
将所述气体排放装置的位置信息与预设信息数据库中的位置信息进行匹配,确定所述气体排放装置的排放成分;
将所述排放成分与所述污染气体的成分进行对比,确定含有所述污染气体的成分的若干气体排放装置,并将若干气体排放装置作为若干可疑装置。
可选的,排放源确定模块507具体用于:
将存在所述若干可疑装置的摄像画面进行目标识别,确定所述若干可疑装置对应的气体排放口;
截取所述气体排放口的四周画面,并将所述四周画面进行特征提取,确定所述四周画面中的烟雾特征;
根据所述烟雾特征,确定当前时刻所述若干可疑装置对应的排放情况;
将所述排放情况与预设排放状态数据库中的若干排放情况进行对比,确定当前时刻所述若干可疑装置是否排放所述污染气体;
若存在至少一个可疑装置在当前时刻排放所述污染气体,则根据所述烟雾特征,确定所述污染气体的排放源。
可选的,所述排放源确定模块507具体还用于:
根据所述烟雾特征,确定每一可疑装置的气体排放颜色;
将所述气体排放颜色与预设颜色比对库进行匹配,确定是否存在所述污染气体排放超标时对应的气体排放颜色;
若存在所述污染气体排放超标时对应的气体排放颜色,则将对应的可疑装置作为所述污染气体的排放源。
可选的,所述工业园区的污染气体排放源定位装置500还包括方案确定模块508,用于:
调取所述移动检测装置调整检测路线前的摄像画面,并根据调整检测路线前的摄像画面,确定所述排放源的排放时长;
根据所述排放时长,预测所述污染气体在所述风力数据及所述风向数据的影响下的扩散面积;根据所述扩散面积,确定所述污染气体在不同区域的影响,并根据所述影响及预设案例库,确定当前时刻所述污染气体的处理方案。
可选的,所述工业园区的污染气体排放源定位装置500还包括通信模块509,用于:根据所述排放源的位置,确定通信线路,并将所述排放源的排放超标的情况通过所述通信线路发送至所述排放源;
接收所述排放源的反馈信号,并根据所述反馈信号,确定所述排放源是否调整所述污染气体的排放浓度;
若根据所述反馈信号,确定所述排放源调整了所述污染气体的排放浓度,则控制所述移动检测装置持续监控摄像所述排放源的气体排放情况。
本实施例的装置,可以用于执行上述任一实施例的方法,其实现原理和技术效果类似,此处不再赘述。
图6为本申请一实施例提供的一种电子设备的结构示意图,如图6所示,本实施例的电子设备600可以包括:存储器601和处理器602。
存储器601上存储有能够被处理器602加载并执行上述实施例中方法的计算机程序。
其中,处理器602和存储器601相连,如通过总线相连。
可选地,电子设备600还可以包括收发器。需要说明的是,实际应用中收发器不限于一个,该电子设备600的结构并不构成对本申请实施例的限定。
处理器602可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器602也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线可包括一通路,在上述组件之间传送信息。总线可以是PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器601可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器601用于存储执行本申请方案的应用程序代码,并由处理器602来控制执行。处理器602用于执行存储器601中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本实施例的电子设备,可以用于执行上述任一实施例的方法,其实现原理和技术效果类似,此处不再赘述。
本申请还提供一种计算机可读存储介质,存储有能够被处理器加载并执行如上实施例中的方法的计算机程序。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (9)
1.一种工业园区的污染气体排放源定位方法,其特征在于,包括:
接收空气检测装置实时上传的监测数据,并根据所述监测数据确定当前时刻是否存在污染气体;所述空气检测装置根据预设分布方式分布在所述工业园区;
若存在所述污染气体,则控制气体检测仪获取混合气体样本进行检测,并根据检测结果确定所述污染气体的成分及浓度;所述气体检测仪设置在所述空气检测装置的表面上;
调取气象数据库中的气象数据,确定今日的风向数据及风力数据;
根据所述浓度、所述空气检测装置的位置信息、所述风向数据及所述风力数据,确定所述污染气体是否排放超标;
若确定所述污染气体排放超标,根据所述风向数据及所述风力数据,进行检测路线的规划,得到最佳检测路线并按照所述最佳检测路线调整移动检测装置的线路进行监控摄像;
接收所述移动检测装置对工业园区进行监控摄像的摄像画面,并根据所述摄像画面,确定摄像画面中每个气体排放装置的排放成分,根据气体排放装置的排放成分、污染气体的成分,确定所述最佳检测路线上的若干可疑装置;
将所述摄像画面进行图像分析,确定所述若干可疑装置对应的排放情况,并根据所述排放情况,确定排放源;
所述根据所述浓度、所述空气检测装置的位置信息、所述风向数据及所述风力数据,确定所述污染气体是否排放超标,包括:
获取所述空气检测装置的位置信息;
根据所述位置信息,确定所述污染气体按照所述风向数据扩散到所述空气检测装置的最大距离;
根据所述风向数据、所述风力数据、所述浓度及所述最大距离,预测处于所述最大距离的位置的浓度,并根据所述最大距离的位置的浓度,确定所述污染气体是否超标;
若所述最大距离的位置的浓度没有超出该污染气体排放限制,则确定排放源的污染气体排放没有超标,若所述最大距离的位置的浓度超出该污染气体排放限制,则确定排放源的排放超标。
2.根据权利要求1所述的方法,其特征在于,所述摄像画面包括当前时刻所述移动检测装置的位置信息;所述根据所述摄像画面,确定摄像画面中每个气体排放装置的排放成分,根据气体排放装置的排放成分、污染气体的成分,确定所述最佳检测路线上的若干可疑装置,包括:
根据所述摄像画面,确定当前摄像画面中是否存在气体排放装置;
若存在气体排放装置,则根据所述移动检测装置的位置信息及摄像角度,确定对应的气体排放装置的位置信息;
将所述气体排放装置的位置信息与预设信息数据库中的位置信息进行匹配,确定所述气体排放装置的排放成分;
将所述排放成分与所述污染气体的成分进行对比,确定含有所述污染气体的成分的若干气体排放装置,并将若干气体排放装置作为若干可疑装置。
3.根据权利要求1所述的方法,其特征在于,所述将所述摄像画面进行图像分析,确定所述若干可疑装置对应的排放情况,并根据所述排放情况,确定排放源,包括:
将存在所述若干可疑装置的摄像画面进行目标识别,确定所述若干可疑装置对应的气体排放口;
截取所述气体排放口的四周画面,并将所述四周画面进行特征提取,确定所述四周画面中的烟雾特征;
根据所述烟雾特征,确定当前时刻所述若干可疑装置对应的排放情况;
将所述排放情况与预设排放状态数据库中的若干排放情况进行对比,确定当前时刻所述若干可疑装置是否排放所述污染气体;
若存在至少一个可疑装置在当前时刻排放所述污染气体,则根据所述烟雾特征,确定所述污染气体的排放源。
4.根据权利要求3所述的方法,其特征在于,所述根据所述烟雾特征,确定所述污染气体的排放源,包括:
根据所述烟雾特征,确定每一可疑装置的气体排放颜色;
将所述气体排放颜色与预设颜色比对库进行匹配,确定是否存在所述污染气体排放超标时对应的气体排放颜色;
若存在所述污染气体排放超标时对应的气体排放颜色,则将对应的可疑装置作为所述污染气体的排放源。
5.根据权利要求1所述的方法,其特征在于,还包括:
调取所述移动检测装置调整检测路线前的摄像画面,并根据调整检测路线前的摄像画面,确定所述排放源的排放时长;
根据所述排放时长,预测所述污染气体在所述风力数据及所述风向数据的影响下的扩散面积;
根据所述扩散面积,确定所述污染气体在不同区域的影响,并根据所述影响及预设案例库,确定当前时刻所述污染气体的处理方案。
6.根据权利要求2-5任一项所述的方法,其特征在于,还包括:
根据所述排放源的位置,确定通信线路,并将所述排放源的排放超标的情况通过所述通信线路发送至所述排放源;
接收所述排放源的反馈信号,并根据所述反馈信号,确定所述排放源是否调整所述污染气体的排放浓度;
若根据所述反馈信号,确定所述排放源调整了所述污染气体的排放浓度,则控制所述移动检测装置持续监控摄像所述排放源的气体排放情况。
7.一种工业园区的污染气体排放源定位装置,其特征在于,包括:
异常确定模块,用于接收空气检测装置实时上传的监测数据,并根据所述监测数据确定当前时刻是否存在污染气体;所述空气检测装置根据预设分布方式分布在所述工业园区;
成分确定模块,用于若存在所述污染气体,则控制气体检测仪获取混合气体样本进行检测,并根据检测结果确定所述污染气体的成分及浓度;所述气体检测仪设置在所述空气检测装置的表面上;
数据调取模块,用于调取气象数据库中的气象数据,确定今日的风向数据及风力数据;
超标确定模块,用于根据所述浓度、所述空气检测装置的位置信息、所述风向数据及所述风力数据,确定所述污染气体是否排放超标;
路线规划模块,用于若确定所述污染气体排放超标,根据所述风向数据及所述风力数据,进行检测路线的规划,得到最佳检测路线并按照所述最佳检测路线调整移动检测装置的线路进行监控摄像;
装置确定模块,用于接收所述移动检测装置对工业园区进行监控摄像的摄像画面,并根据所述摄像画面,确定摄像画面中每个气体排放装置的排放成分,根据气体排放装置的排放成分、污染气体的成分,确定所述最佳检测路线上的若干可疑装置;
排放源确定模块,用于将所述摄像画面进行图像分析,确定所述若干可疑装置对应的排放情况,并根据所述排放情况,确定排放源;
所述超标确定模块具体用于:
获取所述空气检测装置的位置信息;
根据所述位置信息,确定所述污染气体按照所述风向数据扩散到所述空气检测装置的最大距离;
根据所述风向数据、所述风力数据、所述浓度及所述最大距离,预测处于所述最大距离的位置的浓度,并根据所述最大距离的位置的浓度,确定所述污染气体是否超标;
若所述最大距离的位置的浓度没有超出该污染气体排放限制,则确定排放源的污染气体排放没有超标,若所述最大距离的位置的浓度超出该污染气体排放限制,则确定排放源的排放超标。
8.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序指令;
所述处理器,用于调用并执行所述存储器中的程序指令,执行如权利要求1-6任一项所述的工业园区的污染气体排放源定位方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序;所述计算机程序被处理器执行时,实现如权利要求1-6任一项所述的工业园区的污染气体排放源定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727551.7A CN116773745B (zh) | 2023-06-19 | 2023-06-19 | 工业园区的污染气体排放源定位方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727551.7A CN116773745B (zh) | 2023-06-19 | 2023-06-19 | 工业园区的污染气体排放源定位方法、装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116773745A CN116773745A (zh) | 2023-09-19 |
CN116773745B true CN116773745B (zh) | 2024-01-19 |
Family
ID=87995794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310727551.7A Active CN116773745B (zh) | 2023-06-19 | 2023-06-19 | 工业园区的污染气体排放源定位方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116773745B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107941988A (zh) * | 2017-10-16 | 2018-04-20 | 华南理工大学 | 一种检测气体污染源的无人机设备及监测方法 |
KR101943760B1 (ko) * | 2017-11-17 | 2019-01-29 | 한국외국어대학교 연구산학협력단 | 도시지역 대기환경 개선을 위한 상세 기류 진단 및 예측 정보 산출 시스템과 이를 이용하는 바람응용정보 추출 장치 |
CN111415516A (zh) * | 2020-03-30 | 2020-07-14 | 福建工程学院 | 一种全域路网的车辆尾气监测方法 |
CN112444605A (zh) * | 2020-11-24 | 2021-03-05 | 深圳中兴网信科技有限公司 | 大气污染智能化精准溯源方法、系统、设备和存储介质 |
CN113311119A (zh) * | 2021-07-28 | 2021-08-27 | 深圳市图元科技有限公司 | 气体源头追踪方法、装置及系统 |
CN113470050A (zh) * | 2021-08-01 | 2021-10-01 | 北京环拓科技有限公司 | 利用双光谱图像解析识别和量化voc泄漏的方法 |
CN113887412A (zh) * | 2021-09-30 | 2022-01-04 | 中国科学院过程工程研究所 | 污染排放的检测方法、检测终端、监控系统及存储介质 |
CN113933258A (zh) * | 2021-12-21 | 2022-01-14 | 杭州春来科技有限公司 | 基于走航监测的VOCs污染物溯源方法、终端及系统 |
CN114414730A (zh) * | 2020-10-12 | 2022-04-29 | 江苏省环境科学研究院 | 一种基于5g的工业园区有毒有害挥发性气体智能溯源方法 |
CN116048129A (zh) * | 2023-03-29 | 2023-05-02 | 航天宏图信息技术股份有限公司 | 污染物排放的监测方法、装置、电子设备和存储介质 |
-
2023
- 2023-06-19 CN CN202310727551.7A patent/CN116773745B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107941988A (zh) * | 2017-10-16 | 2018-04-20 | 华南理工大学 | 一种检测气体污染源的无人机设备及监测方法 |
KR101943760B1 (ko) * | 2017-11-17 | 2019-01-29 | 한국외국어대학교 연구산학협력단 | 도시지역 대기환경 개선을 위한 상세 기류 진단 및 예측 정보 산출 시스템과 이를 이용하는 바람응용정보 추출 장치 |
CN111415516A (zh) * | 2020-03-30 | 2020-07-14 | 福建工程学院 | 一种全域路网的车辆尾气监测方法 |
CN114414730A (zh) * | 2020-10-12 | 2022-04-29 | 江苏省环境科学研究院 | 一种基于5g的工业园区有毒有害挥发性气体智能溯源方法 |
CN112444605A (zh) * | 2020-11-24 | 2021-03-05 | 深圳中兴网信科技有限公司 | 大气污染智能化精准溯源方法、系统、设备和存储介质 |
CN113311119A (zh) * | 2021-07-28 | 2021-08-27 | 深圳市图元科技有限公司 | 气体源头追踪方法、装置及系统 |
CN113470050A (zh) * | 2021-08-01 | 2021-10-01 | 北京环拓科技有限公司 | 利用双光谱图像解析识别和量化voc泄漏的方法 |
CN113887412A (zh) * | 2021-09-30 | 2022-01-04 | 中国科学院过程工程研究所 | 污染排放的检测方法、检测终端、监控系统及存储介质 |
CN113933258A (zh) * | 2021-12-21 | 2022-01-14 | 杭州春来科技有限公司 | 基于走航监测的VOCs污染物溯源方法、终端及系统 |
CN116048129A (zh) * | 2023-03-29 | 2023-05-02 | 航天宏图信息技术股份有限公司 | 污染物排放的监测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116773745A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107941988B (zh) | 一种检测气体污染源的无人机设备及监测方法 | |
US20210389766A1 (en) | Methods and Apparatuses for Water Body Pollution Intelligent Investigation Utilizing Unmanned Ships | |
CN107014827B (zh) | 基于影像处理的输电线路缺陷分析方法、装置和系统 | |
EP3620774B1 (en) | Method and apparatus for monitoring plant health state | |
CN106770930A (zh) | 一种使用无人机进行危险品检测的方法及系统 | |
CN109668853B (zh) | 一种大气污染物监测系统 | |
CN116048129B (zh) | 污染物排放的监测方法、装置、电子设备和存储介质 | |
CN105424598A (zh) | 一种基于图像识别的机动车尾气检测方法 | |
CN112780344A (zh) | 一种矿井内危险区域入侵监测方法及系统 | |
CN116679011A (zh) | 一种监测碳排放源的无人机设备及监测方法 | |
CN107687994A (zh) | 空气检测系统及方法 | |
CN116773745B (zh) | 工业园区的污染气体排放源定位方法、装置、电子设备 | |
CN112485367A (zh) | 一种大气污染物溯源方法 | |
CN112184903B (zh) | 高压线行树障风险点的检测方法、装置、设备及介质 | |
CN110736808A (zh) | VOCs在线监测方法、监测系统、监测系统存储器、监测装置 | |
CN117079082A (zh) | 一种智能视觉图像目标物的检测方法、装置及dmc设备 | |
CN108845584B (zh) | 一种基于ls-svm控制的风抗无人机追溯突发气体污染源方法 | |
CN116882733A (zh) | 基于无人机的田间农业面源污染风险评估方法 | |
CN111175446A (zh) | 一种气体溯源方法及装置 | |
CN117197978A (zh) | 一种基于深度学习的林火监测预警系统 | |
CN206192831U (zh) | 一种风向仪定位的多点位视像监控装置 | |
CN116223399A (zh) | 基于光谱分析的水质监测方法 | |
JP2767088B2 (ja) | 気体状物質の漏洩地点推定方法 | |
CN215979489U (zh) | 一种矿井内危险区域入侵监测装置 | |
CN117496449B (zh) | 基于图像分析的工地大气污染物检测方法及相关装置 |
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 |