CN117233116B - 一种基于机器视觉的水质分析方法及系统 - Google Patents
一种基于机器视觉的水质分析方法及系统 Download PDFInfo
- Publication number
- CN117233116B CN117233116B CN202311487911.7A CN202311487911A CN117233116B CN 117233116 B CN117233116 B CN 117233116B CN 202311487911 A CN202311487911 A CN 202311487911A CN 117233116 B CN117233116 B CN 117233116B
- Authority
- CN
- China
- Prior art keywords
- data
- pollution source
- analysis
- water quality
- water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 647
- 238000004458 analytical method Methods 0.000 title claims abstract description 269
- 230000003287 optical effect Effects 0.000 claims abstract description 291
- 238000005286 illumination Methods 0.000 claims abstract description 151
- 238000009826 distribution Methods 0.000 claims abstract description 131
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims description 35
- 239000000049 pigment Substances 0.000 claims description 32
- 238000012800 visualization Methods 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000011109 contamination Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 20
- 239000003344 environmental pollutant Substances 0.000 claims description 14
- 231100000719 pollutant Toxicity 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005305 interferometry Methods 0.000 claims description 12
- 238000003911 water pollution Methods 0.000 claims description 12
- 238000000862 absorption spectrum Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000002189 fluorescence spectrum Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 239000005416 organic matter Substances 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 239000007900 aqueous suspension Substances 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000013211 curve analysis Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 25
- 238000012544 monitoring process Methods 0.000 description 21
- 239000000126 substance Substances 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000013049 sediment Substances 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 241000195493 Cryptophyta Species 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000005791 algae growth Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 4
- 230000010339 dilation Effects 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000000985 reflectance spectrum Methods 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000010796 biological waste Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000036642 wellbeing Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Abstract
本发明涉及水质检测领域，尤其涉及一种基于机器视觉的水质分析方法及系统。该方法包括以下步骤：对目标水域进行光照照射，获取光学照射数据；根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；对目标水域光学图像进行光照空间分布分析，以生成光照空间分布数据；利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；根据水质特征数据对目标水域光学图像进行污染源识别，获取污染源数据；对污染源数据进行波长峰值分析，以生成污染源波长峰值数据；根据污染源波长峰值数据对目标水域光学图像进行污染源密度分析，生成污染源密度数据。本发明实现了高效、准确的水质分析。
Description
技术领域
本发明涉及水质检测领域，尤其涉及一种基于机器视觉的水质分析方法及系统。
背景技术
水质分析是环境科学和工程领域中的一个关键任务，它涉及到监测和评估水体中各种化学和生物参数的含量，以确保水源的质量和可持续利用。传统的水质分析方法通常需要取样、实验室测试和手动数据处理，往往存在着水质分析效率低、不准确的问题，因此，为了满足现代水质监测的需求，基于机器视觉的水质分析方法及系统应运而生，它们利用计算机视觉和图像处理技术来实现自动、高效、准确的水质监测和分析。
发明内容
本发明为解决上述技术问题，提出了一种基于机器视觉的水质分析方法及系统，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种基于机器视觉的水质分析方法，包括以下步骤：
步骤S1：对目标水域进行光照照射，获取光学照射数据；根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；对目标水域光学图像进行光照空间分布分析，以生成光照空间分布数据；
步骤S2：利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；根据水质特征数据对目标水域光学图像进行污染源识别，获取污染源数据；
步骤S3：对污染源数据进行波长峰值分析，以生成污染源波长峰值数据；根据污染源波长峰值数据对目标水域光学图像进行污染源密度分析，生成污染源密度数据；
步骤S4：基于污染源密度数据对光照空间分布数据进行光学干涉分析，构建光学干涉图；对光学干涉图进行光学路径干涉分析，以生成光学路径曲率；
步骤S5：对光学路径曲率进行干涉条纹形态分析，以生成条纹密度特征数据；通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图；
步骤S6：利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，以执行水质分析作业。
本发明通过对目标水域进行光照照射和生成光学图像，系统能够捕获水体表面的光学特性，确保了系统获得了实际水体的照明条件，为后续分析提供了准确的基础。光学图像的获取使得系统能够对水体进行视觉观察，记录其表面状态，利用光谱仪进行光照空间分布数据的分析，可以确定不同波长的光强度，从而推断水体中的物质含量，利用水质特征数据来确定污染源，有助于快速反应和定位问题，通过波长峰值分析和污染源密度分析，可以进一步了解污染源的性质和分布，波长峰值分析有助于确定污染源的化学特性，例如污染物的类型。污染源密度分析则提供了在水体中的污染源分布情况，有助于评估水体的受污染程度，光学干涉和光学路径分析可用于测量水体中的光学性质，如折射率变化，通过光学干涉分析，系统可以测量水体中的折射率变化，折射率与水体中的污染物浓度和密度有关。光学路径干涉分析有助于确定光线在水体中的路径和弯曲情况，通过条纹密度特征分析和污染源可视化，系统可以将水质数据更具体地呈现出来，条纹密度特征分析有助于量化光学干涉图中的干涉条纹，可以反映水体的光学性质。污染源可视化则将分析结果可视化，以便用户更容易理解水质状况，构建水质分析模型可以实现自动化水质分析，快速而准确地评估水质，使用循环卷积网络，系统可以学习光学数据中的模式，将其与水质参数建立关联。水质分析模型可以自动执行水质分析，提供准确的水质评估。
优选地，步骤S1包括以下步骤：
步骤S11：对目标水域进行光照照射，获取光学照射数据；
步骤S12：根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；
步骤S13：对目标水域光学图像进行光照路径追踪，生成光线路径；
步骤S14：对光线路径进行光强均匀分析，以生成光强均匀度数据；
步骤S15：基于光强均匀度数据对光线路径进行光照空间分布分析，以生成光照空间分布数据。
本发明通过对水域进行光照照射并记录相关数据，能够实际了解光线如何进入水中以及如何相互作用，有助于评估自然光、人工光或其他光源对水域的影响，包括光的颜色、强度和角度分布，为后续的分析提供了准确的基准数据，使能够更好地理解水体的光学性质，通过使用机器视觉技术生成水域的光学图像，能够以视觉方式捕捉水域的外观和结构，光学图像提供了直观的方式来理解水域的外观、透明度、颜色、反射和折射现象，用于监测水体的质量和环境状况，通过光线路径追踪，可以跟踪光线在水体中的传播方式，包括反射和折射，有助于建立详细的光学模型，使能够预测光线如何在水中传播，从而识别不同部分的光学特性，对于模拟和优化光学系统非常有用，例如在水下摄影、水质监测和海洋科学中，光强均匀分析有助于确定光线在水体中的强度如何分布，揭示水域中光的均匀性和不均匀性，例如，某些区域的光线非常强烈，而其他区域则相对暗淡，有助于了解水体内部的透明度、浑浊度和悬浮物的分布情况，光照空间分布分析进一步将光线的强度分布与水体的空间分布联系起来，可以确定水体中不同区域的光照情况，包括不同深度和位置，揭示水域中光学特性的空间变化，如水下生物群落的分布、底部地形的特征以及光线在不同深度的影响。
优选地，步骤S2包括以下步骤：
步骤S21：利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；
步骤S22：根据水质特征数据对目标水域光学图像进行水体颜色分析，获取水体颜色参数；
步骤S23：基于水体颜色参数对目标水域光学图像进行水体透明度分析，生成水体透明度数据；
步骤S24：根据光谱分析数据对目标水域光学图像进行污染源识别，获取污染源数据。
本发明通过使用光谱仪对水域的光照空间分布数据进行分析，能够获取有关水体中的不同波长的光线强度和光谱特征的信息。光谱数据可以提供水体的化学成分、溶解物质和悬浮颗粒等水质特征，有助于识别水体中的污染物、溶解氧、叶绿素含量等参数，从而评估水体的健康状况和污染程度，水质特征数据可以用于水体颜色分析，以获取水体的颜色参数。水的颜色通常受到水体中存在的溶解物质、藻类或悬浮物的影响。通过分析水体颜色，可以识别水质异常或污染情况，有助于监测水体中的悬浮物含量、藻类生长情况以及其他影响水体外观的因素，基于水体颜色参数，可以进行水体透明度分析，生成水体透明度数据；水体的透明度是了解水体质量和透明度的关键指标，通过测量水体透明度，可以评估水体的清澈度，检测污染物、沉积物或藻类的存在，以及监测水体的生态健康情况，根据光谱分析数据，可以进行污染源识别，以获取污染源数据。通过分析光谱数据，可以识别特定污染物的特征光谱，从而确定水体中存在的污染源，有助于及早发现水体的受污染情况。
优选地，步骤S21包括以下步骤：
步骤S211：利用光谱仪对光照空间分布数据进行反射光谱分析，获取水质悬浮物数据；
步骤S212：对光照空间分布数据进行吸收光谱分析，生成水质色素浓度数据；
步骤S213：基于水质色素浓度数据对光照空间分布数据进行荧光光谱分析，生成水生态有机物数据；
步骤S214：对水质悬浮物数据、水质色素浓度数据及水生态有机物数据进行水质特征分析，生成水质特征数据。
本发明通过反射光谱分析可以提供有关水体中悬浮物的信息，悬浮物通常包括颗粒物质、泥沙和其他微小颗粒，它们会散射和吸收光线，通过分析光谱数据，可以获取有关悬浮物的种类、浓度和分布的信息，对于监测水体浑浊度、颗粒物质污染以及底部泥沙沉积具有重要意义，吸收光谱分析用于测量水体中的色素浓度，不同的水体中的色素可以吸收特定波长的光线，因此吸收光谱可以提供有关水中色素浓度的信息，对于监测水体中的藻类生长、叶绿素含量和其他色素相关的水质参数非常重要，荧光光谱分析用于检测水体中的有机物质，包括溶解有机质和生物废物，有机物质通常会发出荧光信号，通过分析荧光光谱，可以获取水生态有机物的信息，包括有机质的类型、浓度和分布，对于监测水体的生态健康和有机质来源非常重要，结合悬浮物数据、色素浓度数据和水生态有机物数据进行水质特征分析，可以提供综合的水质信息，包括悬浮物浓度、色素含量、有机物分布以及的水质异常或污染源，有助于评估水体的整体健康状况，监测污染情况，以及为环境管理和生态研究提供基础数据。
优选地，步骤S3包括以下步骤：
步骤S31：对污染源数据进行光谱波长曲线分析，生成光谱波长曲线；
步骤S32：对光谱波长曲线进行波长峰值分析，以生成污染源波长峰值数据；
步骤S33：根据污染源波长峰值数据对目标水域光学图像进行色谱校正，生成校正水域光学图像；
步骤S34：对校正水域光学图像进行污染源特征波长提取，生成污染源特征波长通道图像；
步骤S35：对污染源特征波长通道图像进行污染源密度分析，生成污染源密度数据。
本发明通过分析污染源数据中的光谱信息，生成光谱波长曲线。可以帮助确定污染源所具有的特定光谱特征，包括波长和强度分布。光谱波长曲线可以用于识别不同类型的污染源，因为不同的物质会在不同波长处表现出特定的吸收和反射特性，对光谱波长曲线进行分析以确定波长峰值，波长峰值对应于污染源所特有的光谱特征，生成污染源波长峰值数据有助于明确污染源的光谱特征，将在后续步骤中用于校正水域光学图像，通过使用污染源波长峰值数据，对目标水域的光学图像进行校正，有助于去除或减小污染源的影响，从而生成校正后的水域光学图像。校正后的图像更接近真实水质情况，提供更准确的水质分析，从校正水域光学图像中提取与污染源相关的特征波长通道图像。通道图像将突出显示污染源所具有的特定光谱特征，以便更容易识别和分析；对污染源特征波长通道图像进行分析以计算污染源的密度数据，提供污染源在水域中的分布和浓度信息，对于定量评估污染源对水质的影响非常重要，同时还有助于制定污染源管理策略。
优选地，步骤S35包括以下步骤：
步骤S351：对污染源特征波长通道图像进行直方图分析，获取污染源像素点；
步骤S352：对污染源像素点进行波长灰度分析，生成波长灰度数据；
步骤S353：根据污染源波长峰值数据利用污染源像素点灰度峰值计算公式对波长灰度数据进行像素点灰度峰值计算，生成像素点灰度特征峰值；
步骤S354：利用像素点灰度特征峰值对污染源特征波长通道图像进行空间映射，生成污染源空间像素分布图；
步骤S355：对污染源空间像素分布图进行污染源密度分析，生成污染源密度数据。
本发明通过对污染源特征波长通道图像进行直方图分析，目的是识别图像中的污染源像素点，直方图分析有助于确定图像中的灰度值分布，其中包含有关污染源的信息，通过分析直方图，可以识别出与污染源相关的像素点，对污染源像素点进行波长灰度分析有助于了解这些像素点在不同波长处的灰度值，可以揭示污染源在不同波长下的反射或吸收特性，提供有关污染源光谱特征的信息，根据污染源波长峰值数据，使用特定的公式对波长灰度数据进行分析，以计算每个像素点的灰度特征峰值，峰值反映了污染源波长峰值的信息，有助于识别污染源相关的像素，利用像素点灰度特征峰值，对污染源特征波长通道图像进行空间映射，将污染源的灰度特征峰值用于确定污染源在图像中的位置和空间分布，以便进行更详细的分析，对污染源空间像素分布图进行污染源密度分析，有助于量化污染源在水域中的分布密度，通过分析污染源的密度，可以更好地了解水体受到的污染程度，并支持环境管理和水质监测决策。
优选地，步骤S353中的污染源像素点灰度峰值计算公式具体为：
。
为污染源像素点灰度峰值，/>为水体中污染源衰减系数，/>为污染扩散系数，/>为水质污染物灰度值，/>为水质区域平均灰度，/>为水质区域像素标准差，/>为像素边缘锐度，/>为水体透明度，/>为水体反射系数，/>为污染源像素点色调值，为污染源像素点的色素饱和度，/>为污染源附着系数，/>为污染源像素点最大的色差，/>为污染源像素点灰度调整因子。
本发明通过考虑水质污染物的灰度、水体的透明度、污染源的扩散和衰减系数，以及周围水体的像素标准差等因素，有助于定位水体中的潜在污染源。有助于环境监测和管理，使决策者能够了解污染源的位置和强度，通过/>表示水体的反射系数，用于描述水体表面对光的反射程度，/>考虑边缘锐度，捕捉图像的细节和纹理。边缘锐度的高低会影响污染源的检测，特别是在边缘或过渡区域，通过污染源像素点色调值与污染源像素点的色素饱和度的计算，表示颜色的饱和度或强度。较高的饱和度使污染源更加醒目，有助于检测，水体的透明度或浑浊度会影响光线在水中的传播，从而影响水体中污染源的可见性。/>表示透明度较低的水体使污染源更容易检测，公式通过考虑高边缘锐度、不同色调值、高饱和度、低透明度和高附着系数等参数，有助于更准确地确定污染源程度及计算灰度峰值。
优选地，步骤S4包括以下步骤：
步骤S41：基于污染源密度数据对光照空间分布数据进行光照场演变处理，生成污染源光照场；
步骤S42：对污染源光照场进行光波相位分析，生成污染源光波相位数据；
步骤S43：污染源光波相位数据光学干涉分析，构建光学干涉图；
步骤S44：对光学干涉图进行光学路径干涉分析，以生成光学路径曲率。
本发明通过基于污染源密度数据对光照空间分布进行处理，可以模拟和生成污染源光照场，捕捉光照在水域中的变化，尤其是受到污染源影响的区域。生成的污染源光照场有助于更全面地了解水体中的光照条件，对污染源光照场进行光波相位分析帮助理解光波在水体中的传播和相互作用。光波相位数据提供了关于光场的相位信息，对于分析水体中的光学特性和污染源的影响是至关重要的，利用污染源光波相位数据进行光学干涉分析可以构建光学干涉图。光学干涉图提供光波相互叠加和干涉的信息，有助于识别污染源引起的光学变化。光学干涉图可以用来定量评估水体中的光学特性，进一步揭示污染源的影响，对光学干涉图进行光学路径干涉分析可生成光学路径曲率，量化污染源对光学路径的影响，揭示水体中存在的污染源的位置和程度。光学路径曲率提供了关于水质的更深层次的信息，有助于全面评估水体的光学特性和水质状况。
优选地，步骤S5包括以下步骤：
步骤S51：对光学路径曲率进行干涉条纹形态分析，生成干涉条纹形态图；
步骤S52：对干涉条纹形态图进行条纹扭曲检测，以获取条纹扭曲数据；
步骤S53：对条纹扭曲数据进行条纹密度特征分析，以生成条纹密度特征数据；
步骤S54：通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图。
本发明通过对光学路径曲率进行干涉条纹形态分析，可以生成干涉条纹形态图，提供关于光波干涉的信息，有助于理解水体中的光波传播以及受到污染源影响的区域。干涉条纹形态图反映了水体中的光学特性，包括反射、折射和干涉现象，对干涉条纹形态图进行条纹扭曲检测有助于识别水体中存在的扭曲或变形现象，这些扭曲是由于污染源引起的，例如污染物浓度不均匀或其他水体特性变化。获取条纹扭曲数据可以定量描述这些扭曲的程度，对条纹扭曲数据进行条纹密度特征分析有助于生成条纹密度特征数据。条纹密度特征数据提供了关于水体中条纹密度的信息，可以用来量化污染源对光学特性的影响程度。不均匀的条纹密度指示水质问题，如污染源的存在，通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，可以生成水质污染源可视化视图，提供一种直观的方式来呈现水体中的污染源分布。它可以帮助决策者和研究人员更容易地理解水质问题，定位污染源，并采取相应的措施来改善水质。
优选地，步骤S6包括以下步骤：
步骤S61：利用循环卷积网络对水质污染源可视化视图进行卷积预处理，生成卷积样本集；
步骤S62：对卷积样本集进行膨胀卷积，生成水质卷积网络；
步骤S63：对水质卷积网络进行池化采样，生成水质卷积图；
步骤S64：对水质卷积图进行数据挖掘建模，构建水质分析模型，以执行水质分析作业。
本发明通过循环卷积网络对水质污染源的可视化视图进行卷积预处理，可以提取图像中的特征，识别污染源的形状、大小和位置等信息。卷积预处理有助于降低数据的复杂性，提高数据的抽象表示，为后续的处理步骤提供更好的特征，对卷积样本集进行膨胀卷积可以增加网络的感受野，即网络可以捕捉到更广阔区域的特征。有助于提高网络对水质污染源的识别和分析能力。膨胀卷积可以有效地处理不同尺度和复杂度的特征，提高水质信息的提取效率，对水质卷积网络进行池化采样可以减少数据的空间尺寸，保留重要特征，同时降低计算复杂度，可以提高模型的鲁棒性，减少过拟合。通过合适的池化操作，网络可以更好地抽象出图像中的关键信息，使得模型更具有泛化能力，对水质卷积图进行数据挖掘建模，构建水质分析模型，可以从复杂的数据中学习规律和模式。模型可以用于预测、分类或聚类水质数据，进而进行水质分析。建立合适的数据挖掘模型能够帮助识别出不同污染源的特征，提供关于水质状况的有价值见解。
在本说明书中，提供一种基于机器视觉的水质分析系统，包括：
光照空间分布模块，对目标水域进行光照照射，获取光学照射数据；根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；对目标水域光学图像进行光照空间分布分析，以生成光照空间分布数据；
光谱分析模块，利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；根据水质特征数据对目标水域光学图像进行污染源识别，获取污染源数据；
污染源密度模块，对污染源数据进行波长峰值分析，以生成污染源波长峰值数据；根据污染源波长峰值数据对目标水域光学图像进行污染源密度分析，生成污染源密度数据；
光学干涉模块，基于污染源密度数据对光照空间分布数据进行光学干涉分析，构建光学干涉图；对光学干涉图进行光学路径干涉分析，以生成光学路径曲率；
污染源可视化模块，对光学路径曲率进行干涉条纹形态分析，以生成条纹密度特征数据；通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图；
卷积模型模块，利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，以执行水质分析作业。
本发明具有以下有益效果：通过光照空间分布模块获取光学照射数据，光学照射数据提供目标水域的照射强度信息，将照射数据与机器视觉技术相结合，生成水体的光学图像。这有助于可视化目标水域的视觉信息，通过光谱分析模块对光照空间分布数据进行光谱分析，生成水质特征数据，生成水质特征数据提供有关光在不同波长上的强度信息，根据水质特征数据，可以识别水体中的潜在污染源，提高对污染源分析的准确性，通过污染源密度模块进行波长峰值分析，生成污染源波长峰值数据，可以提供有关污染源所发出的光谱特征的信息，帮助确定污染源的类型，通过分析污染源在图像中的分布密度，可以估算污染源的浓度和分布情况。通过光学干涉模块进行光学干涉分析，生成光学干涉图，通过分析光的干涉，可以获取关于水体表面形状和污染源的额外信息，有助于生成光学路径曲率数据，进一步帮助理解水体表面的特性。通过污染源可视化模块分析干涉条纹的形态，获取关于污染源和水体的交互作用的信息，根据条纹密度特征数据，直观地显示出污染源的位置和水质污染情况，通过卷积模型模块利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，可以用于进一步的水质分析，包括水质预测和分类。本发明实现了高效、准确的水质分析。
附图说明
图1为本发明一种基于机器视觉的水质分析方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种基于机器视觉的水质分析方法及系统。所述一种基于机器视觉的水质分析方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供一种基于机器视觉的水质分析方法，所述方法包括以下步骤：
步骤S1：对目标水域进行光照照射，获取光学照射数据；根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；对目标水域光学图像进行光照空间分布分析，以生成光照空间分布数据；
步骤S2：利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；根据水质特征数据对目标水域光学图像进行污染源识别，获取污染源数据；
步骤S3：对污染源数据进行波长峰值分析，以生成污染源波长峰值数据；根据污染源波长峰值数据对目标水域光学图像进行污染源密度分析，生成污染源密度数据；
步骤S4：基于污染源密度数据对光照空间分布数据进行光学干涉分析，构建光学干涉图；对光学干涉图进行光学路径干涉分析，以生成光学路径曲率；
步骤S5：对光学路径曲率进行干涉条纹形态分析，以生成条纹密度特征数据；通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图；
步骤S6：利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，以执行水质分析作业。
本发明通过对目标水域进行光照照射和生成光学图像，系统能够捕获水体表面的光学特性，确保了系统获得了实际水体的照明条件，为后续分析提供了准确的基础。光学图像的获取使得系统能够对水体进行视觉观察，记录其表面状态，利用光谱仪进行光照空间分布数据的分析，可以确定不同波长的光强度，从而推断水体中的物质含量。污染源识别利用水质特征数据来确定的污染源，有助于快速反应和定位问题，通过波长峰值分析和污染源密度分析，可以进一步了解污染源的性质和分布，波长峰值分析有助于确定污染源的化学特性，例如污染物的类型。污染源密度分析则提供了在水体中的污染源分布情况，有助于评估水体的受污染程，光学干涉和光学路径分析可用于测量水体中的光学性质，如折射率变化，通过光学干涉分析，系统可以测量水体中的折射率变化，折射率与水体中的污染物浓度和密度有关。光学路径干涉分析有助于确定光线在水体中的路径和弯曲情况，通过条纹密度特征分析和污染源可视化，系统可以将水质数据更具体地呈现出来，条纹密度特征分析有助于量化光学干涉图中的干涉条纹，可以反映水体的光学性质。污染源可视化则将分析结果可视化，以便用户更容易理解水质状况，构建水质分析模型可以实现自动化水质分析，快速而准确地评估水质，使用循环卷积网络，系统可以学习光学数据中的模式，将其与水质参数建立关联。水质分析模型可以自动执行水质分析，提供准确的水质评估。
本发明实施例中，参考图1，为本发明一种基于机器视觉的水质分析方法的步骤流程示意图，在本实例中，所述一种基于机器视觉的水质分析方法的步骤包括：
步骤S1：对目标水域进行光照照射，获取光学照射数据；根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；对目标水域光学图像进行光照空间分布分析，以生成光照空间分布数据。
本实施例中，使用合适的光学传感器（例如，相机或光谱仪）进行数据采集。传感器通过记录光照条件、波长和强度等数据，在不同位置和深度进行多次测量，以捕获水域内不同区域的光照数据，有助于获得更全面的信息，使用采集到的光照数据，根据机器视觉技术，将数据转换为水域光学图像，通常包括校正、去噪和增强图像，在机器视觉中使用合适的算法来处理数据，以提取目标水域的特征，如颜色、透明度、浑浊度，生成水域的光学图像，使用机器视觉技术，对水域光学图像进行光照空间分布分析，涉及到像素级的亮度、色彩和光谱分析，使用机器视觉技术，对水域光学图像进行光照空间分布分析，包括像素级的亮度、色彩和光谱分析，使用机器视觉技术，对水域光学图像进行光照空间分布分析，涉及到像素级的亮度、色彩和光谱分析。
步骤S2：利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；根据水质特征数据对目标水域光学图像进行污染源识别，获取污染源数据。
本实施例中，使用光谱仪对光照空间分布数据中的不同区域进行光谱分析。将光谱仪及传感器定位到目标区域并记录光谱数据，对获取的光谱数据进行预处理，包括校正、去噪和波长校准，以确保数据的准确性和可比性，从光谱数据中提取有关水质的特征，例如水的吸收特性、颜色、浑浊度和溶解物质的浓度等信息，使用水质特征数据，结合机器学习或图像处理技术，对目标水域的光学图像进行污染源识别，创建污染源识别模型，该模型应该基于水质特征数据来识别污染源，如废水排放口、漂浮物、藻类水华等，光学图像进行分割和分类，以检测和标记的污染源。
步骤S3：对污染源数据进行波长峰值分析，以生成污染源波长峰值数据；根据污染源波长峰值数据对目标水域光学图像进行污染源密度分析，生成污染源密度数据。
本实施例中，对每个污染源的数据进行光谱分析，以确定其波长峰值。在污染源位置采集光谱数据，对光谱数据应用光谱分析算法，以找到吸收或反射光的波长峰值。峰值通常对应于特定物质的存在，记录每个污染源的波长峰值数据，获取目标水域的光学图像，利用污染源波长峰值数据，可以通过波长过滤或光谱分析来实现图像中的不同波长区域与特定污染源相关联，对污染源相关的图像区域进行分割和标记，以识别污染源的位置，计算每个污染源的密度，可以根据单位面积内的污染源数量来计算，生成污染源密度数据，污染源密度数据可以用于量化污染源的程度，包括每个污染源的位置和密度信息。
步骤S4：基于污染源密度数据对光照空间分布数据进行光学干涉分析，构建光学干涉图；对光学干涉图进行光学路径干涉分析，以生成光学路径曲率。
本实施例中，使用污染源密度数据来识别污染源位置和强度，基于污染源密度数据，在图像上创建一个虚拟的"污染源图层"，其中不同区域表示不同强度的污染源，用二维数组表示，其中每个单元格对应一个位置，污染源密度决定了每个单元格的强度，将污染源图层叠加到原始光照空间分布图像上，以获得带有污染源信息的光学干涉图，利用光学干涉图，计算各个位置的光学路径差。光学路径差是指在光学干涉中，光线从不同源头到达观察者的路径之间的相对差异，对每个像素或位置，计算光学路径差，比较不同光线的相位差，使用计算得到的光学路径差数据，进行光学路径干涉分析，以生成光学路径曲率信息。光学路径曲率是指光学路径的曲率或偏离，可以反映出污染源对光线传播的影响，结合光学路径曲率数据与水体性质和污染源密度数据，进行水质分析。光学路径曲率可以提供有关水体中的污染源和水质特征的信息，污染源和水质变化会引起光线的弯曲和散射。
步骤S5：对光学路径曲率进行干涉条纹形态分析，以生成条纹密度特征数据；通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图。
本实施例中，对光学路径曲率数据进行干涉条纹形态分析，通常使用数学算法和图像处理技术来分析曲率数据中的条纹形状、间距和强度，提取有关条纹的特征数据，包括条纹的密度、方向和强度，在图像上标记或突出显示水质污染源的位置，可以通过将条纹密度特征数据与图像叠加来实现，污染源通常会导致光学特征的变化，例如条纹的密集度增加或其他形态特征的变化，生成水质污染源可视化视图，以便用户可以直观地看到水体中的污染源分布和强度。
步骤S6：利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，以执行水质分析作业。
本实施例中，准备水质分析的训练数据和标签，具体包括已知水质情况的地区的数据，以及相关的标签，如水质等级、污染源类型等，设计RCN架构，RCN是一种神经网络，由循环神经网络（RNN）和卷积神经网络（CNN）组成，RCN的结构包括层的数量、神经元的数量和连接方式，配置网络的输入层，确保输入层的大小与图像的维度相匹配，添加卷积层和膨胀卷积层。膨胀卷积用于处理图像中的空间信息，以捕捉不同尺度的特征；添加循环层（RNN），以处理时间序列信息（如果有），这对于处理动态水质数据很重要；添加全连接层，以将提取的特征与水质分析任务相关的标签联系起来，准备训练数据集，包括输入图像（水质污染源可视化视图）和相应的标签，定义损失函数，通常是一个适合水质分析任务的损失函数，如交叉熵损失，选择优化算法，如随机梯度下降（SGD）或自适应优化算法，例如Adam训练模型，通过反向传播算法不断调整网络权重以最小化损失函数，对模型进行验证和性能评估，以确保其在水质分析任务中的表现良好。
本实施例中，参考图2，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：对目标水域进行光照照射，获取光学照射数据；
步骤S12：根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；
步骤S13：对目标水域光学图像进行光照路径追踪，生成光线路径；
步骤S14：对光线路径进行光强均匀分析，以生成光强均匀度数据；
步骤S15：基于光强均匀度数据对光线路径进行光照空间分布分析，以生成光照空间分布数据。
本发明通过对水域进行光照照射并记录相关数据，能够实际了解光线如何进入水中以及如何相互作用，有助于评估自然光、人工光或其他光源对水域的影响，包括光的颜色、强度和角度分布，为后续的分析提供了准确的基准数据，使能够更好地理解水体的光学性质，通过使用机器视觉技术生成水域的光学图像，能够以视觉方式捕捉水域的外观和结构，光学图像提供了直观的方式来理解水域的外观、透明度、颜色、反射和折射现象，用于监测水体的质量和环境状况，通过光线路径追踪，可以跟踪光线在水体中的传播方式，包括反射和折射，有助于建立详细的光学模型，使能够预测光线如何在水中传播，从而识别不同部分的光学特性，对于模拟和优化光学系统非常有用，例如在水下摄影、水质监测和海洋科学中，光强均匀分析有助于确定光线在水体中的强度如何分布，揭示水域中光的均匀性和不均匀性，例如，某些区域的光线非常强烈，而其他区域则相对暗淡，有助于了解水体内部的透明度、浑浊度和悬浮物的分布情况，光照空间分布分析进一步将光线的强度分布与水体的空间分布联系起来，可以确定水体中不同区域的光照情况，包括不同深度和位置，揭示水域中光学特性的空间变化，如水下生物群落的分布、底部地形的特征以及光线在不同深度的影响。
本实施例中，安装光照传感器或光照度计，以测量目标水域的光照照射数据，传感器可以安装在水域周围的位置，或者悬挂在水域上，连续记录光照数据，以捕捉不同时间段的光照变化，如白天和晚上，利用摄像机或无人机等设备，在目标水域上方获取光学图像，确保摄像机的位置和参数能够捕捉水域的光学信息，连续拍摄图像，以覆盖目标水域的不同区域和时间段，存储图像数据，并确保其质量和完整性，使用计算机视觉和图像处理技术，对光学图像进行分析，以识别光线路径，可以包括检测光线反射、折射和散射等现象，对光线路径的光强进行测量和分析，需要根据光照照射数据进行标定，以考虑光照变化，计算光线路径上不同点的光强，以评估光线的均匀分布情况，生成光强均匀度数据，以了解光线的分布特性，利用生成的光强均匀度数据，对光线路径进行空间分布分析，可以包括绘制光照强度的热度图或三维空间图，分析光照空间分布数据，以识别水域中存在的光学特征，如水体透明度、污染物分布等，将光照空间分布数据与水质分析的其他数据（如污染物浓度、水温等）结合，以提供更全面的水质评估。
本实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；
步骤S22：根据水质特征数据对目标水域光学图像进行水体颜色分析，获取水体颜色参数；
步骤S23：基于水体颜色参数对目标水域光学图像进行水体透明度分析，生成水体透明度数据；
步骤S24：根据光谱分析数据对目标水域光学图像进行污染源识别，获取污染源数据。
本发明通过使用光谱仪对水域的光照空间分布数据进行分析，能够获取有关水体中的不同波长的光线强度和光谱特征的信息。光谱数据可以提供水体的化学成分、溶解物质和悬浮颗粒等水质特征，有助于识别水体中的污染物、溶解氧、叶绿素含量等参数，从而评估水体的健康状况和污染程度，水质特征数据可以用于水体颜色分析，以获取水体的颜色参数。水的颜色通常受到水体中存在的溶解物质、藻类或悬浮物的影响。通过分析水体的颜色，可以识别水质异常或污染情况，有助于监测水体中的悬浮物含量、藻类生长情况以及其他影响水体外观的因素，基于水体颜色参数，可以进行水体透明度分析，生成水体透明度数据。水体的透明度是了解水体质量和透明度的关键指标，通过测量水体透明度，可以评估水体的清澈度，检测污染物、沉积物或藻类的存在，以及监测水体的生态健康情况，根据光谱分析数据，可以进行污染源识别，以获取污染源数据。通过分析光谱数据，可以识别特定污染物的特征光谱，从而确定水体中存在的污染源。有助于及早发现水体的受污染情况。
本实施例中，使用光谱仪，将其放置在适当的位置，以捕获目标水域的光谱数据，光谱仪可测量不同波长的光线的强度，进行定期的光谱扫描，以捕获不同时间段的光谱信息，特别是在不同光照条件下进行扫描，处理和分析光谱数据，以生成水质特征数据，包括测量不同波长的光线在水体中的吸收、散射和反射等信息，利用水质特征数据，对目标水域的光学图像进行水体颜色分析，可以通过图像处理技术来实现，包括颜色分割和特征提取，根据颜色分析，生成水体颜色参数，如水体的主要颜色和颜色分布信息，基于水体颜色参数，对光学图像进行水体透明度分析，水体透明度与水体的色彩和透明程度有关，需要校正水体透明度，以考虑光照条件和其他环境因素的影响，生成水体透明度数据，用于了解水体的透明度情况，利用光谱分析数据，对目标水域的光学图像进行污染源识别，根据检测污染物的特定光谱特征，使用图像处理和模式识别技术，识别图像中的污染源，如油污、悬浮颗粒、藻类等，生成污染源数据，包括位置、类型和数量，以帮助监测和治理水质问题。
本实施例中，步骤S21包括以下步骤：
步骤S211：利用光谱仪对光照空间分布数据进行反射光谱分析，获取水质悬浮物数据；
步骤S212：对光照空间分布数据进行吸收光谱分析，生成水质色素浓度数据；
步骤S213：基于水质色素浓度数据对光照空间分布数据进行荧光光谱分析，生成水生态有机物数据；
步骤S214：对水质悬浮物数据、水质色素浓度数据及水生态有机物数据进行水质特征分析，生成水质特征数据。
本发明通过反射光谱分析可以提供有关水体中悬浮物的信息，悬浮物通常包括颗粒物质、泥沙和其他微小颗粒，它们会散射和吸收光线，通过分析光谱数据，可以获取有关悬浮物的种类、浓度和分布的信息，对于监测水体浑浊度、颗粒物质污染以及底部泥沙沉积具有重要意义，吸收光谱分析用于测量水体中的色素浓度，不同的水体中的色素可以吸收特定波长的光线，因此吸收光谱可以提供有关水中色素浓度的信息，对于监测水体中的藻类生长、叶绿素含量和其他色素相关的水质参数非常重要，荧光光谱分析用于检测水体中的有机物质，包括溶解有机质和生物废物，有机物质通常会发出荧光信号，通过分析荧光光谱，可以获取水生态有机物的信息，包括有机质的类型、浓度和分布，对于监测水体的生态健康和有机质来源非常重要，结合悬浮物数据、色素浓度数据和水生态有机物数据进行水质特征分析，可以提供综合的水质信息，包括悬浮物浓度、色素含量、有机物分布以及的水质异常或污染源，有助于评估水体的整体健康状况，监测污染情况，以及为环境管理和生态研究提供基础数据。
本实施例中，使用光谱仪，将其放置在适当的位置，以捕获目标水域的光照空间分布数据的反射光谱。光谱仪测量不同波长的反射光的强度，进行定期的反射光谱扫描，以捕获不同时间段的光谱信息，特别是在不同光照条件下进行扫描，处理和分析反射光谱数据，以获取关于水质悬浮物的信息。水体中的悬浮物会影响不同波长的光线的反射特性，利用光谱仪，对光照空间分布数据进行吸收光谱分析；将测量不同波长的光线在水体中的吸收程度，基于吸收光谱数据，计算水质中的色素浓度，不同水体色素会吸收特定波长的光，因此吸收光谱可用于测量水体中的色素浓度，基于水质中的色素浓度数据，对光照空间分布数据进行荧光光谱分析，荧光光谱可以提供关于水生态有机物的信息，分析荧光光谱数据，以获得水体中有机物的特征和浓度信息，不同有机物会产生不同的荧光信号，因此荧光光谱可用于检测水生态有机物，基于水质悬浮物数据、水质色素浓度数据和水生态有机物数据，进行水质特征分析，将以上三个数据集结合，可以生成更全面的水质特征数据，包括悬浮物浓度、色素浓度、有机物含量等信息。
本实施例中，参考图4，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：对污染源数据进行光谱波长曲线分析，生成光谱波长曲线；
步骤S32：对光谱波长曲线进行波长峰值分析，以生成污染源波长峰值数据；
步骤S33：根据污染源波长峰值数据对目标水域光学图像进行色谱校正，生成校正水域光学图像；
步骤S34：对校正水域光学图像进行污染源特征波长提取，生成污染源特征波长通道图像；
步骤S35：对污染源特征波长通道图像进行污染源密度分析，生成污染源密度数据。
本发明通过分析污染源数据中的光谱信息，生成光谱波长曲线，可以帮助确定污染源所具有的特定光谱特征，包括波长和强度分布，光谱波长曲线可以用于识别不同类型的污染源，因为不同的物质会在不同波长处表现出特定的吸收和反射特性，对光谱波长曲线进行分析以确定波长峰值，波长峰值通常对应于污染源所特有的光谱特征，生成污染源波长峰值数据有助于明确污染源的光谱特征，将在后续步骤中用于校正水域光学图像，通过使用污染源波长峰值数据，对目标水域的光学图像进行校正，有助于去除或减小污染源的影响，从而生成校正后的水域光学图像，校正后的图像更接近真实水质情况，提供更准确的水质分析，从校正水域光学图像中提取与污染源相关的特征波长通道图像，通道图像将突出显示污染源所具有的特定光谱特征，以便更容易识别和分析，对污染源特征波长通道图像进行分析以计算污染源的密度数据，提供了污染源在水域中的分布和浓度信息，对于定量评估污染源对水质的影响非常重要，同时还有助于制定污染源管理策略。
本实施例中，收集与污染源相关的数据，可以包括光谱数据，例如来自遥感卫星或光学传感器的数据，对污染源数据进行光谱波长曲线分析，将光谱数据绘制成波长与光强度的曲线，可以通过将不同波长的光谱数据进行可视化来完成，对光谱波长曲线进行分析，以确定光谱中的波长峰值，波长峰值代表光谱中的特定波长的峰值，记录或提取污染源数据中的波长峰值，峰值可用于识别污染源的特定特征，利用污染源波长峰值数据，对目标水域的光学图像进行色谱校正，调整水域图像中的颜色通道，以匹配污染源的特征波长，色谱校正可以帮助突出污染源的特征，从而更容易检测和分析，对校正水域光学图像进行进一步处理，应用特定的滤波器或处理算法来提取污染源的特征波长通道图像，特征波长通道图像是经过优化以突出污染源的图像通道，有助于更好地识别和定位污染源，对污染源特征波长通道图像进行分析，以计算污染源的密度，可以检测污染源的数量、大小和分布，生成污染源密度数据，以提供有关污染源在目标水域中的分布情况的信息。
本实施例中，步骤S35包括以下步骤：
步骤S351：对污染源特征波长通道图像进行直方图分析，获取污染源像素点；
步骤S352：对污染源像素点进行波长灰度分析，生成波长灰度数据；
步骤S353：根据污染源波长峰值数据利用污染源像素点灰度峰值计算公式对波长灰度数据进行像素点灰度峰值计算，生成像素点灰度特征峰值；
步骤S354：利用像素点灰度特征峰值对污染源特征波长通道图像进行空间映射，生成污染源空间像素分布图；
步骤S355：对污染源空间像素分布图进行污染源密度分析，生成污染源密度数据。
本发明通过对污染源特征波长通道图像进行直方图分析，目的是识别图像中的污染源像素点，直方图分析有助于确定图像中的灰度值分布，其中包含有关污染源的信息，通过分析直方图，可以识别出与污染源相关的像素点，对污染源像素点进行波长灰度分析有助于了解这些像素点在不同波长处的灰度值，可以揭示污染源在不同波长下的反射或吸收特性，提供有关污染源光谱特征的信息，根据污染源波长峰值数据，使用特定的公式对波长灰度数据进行分析，以计算每个像素点的灰度特征峰值，峰值反映了污染源波长峰值的信息，有助于识别污染源相关的像素，利用像素点灰度特征峰值，对污染源特征波长通道图像进行空间映射，将污染源的灰度特征峰值用于确定污染源在图像中的位置和空间分布，以便进行更详细的分析，对污染源空间像素分布图进行污染源密度分析，有助于量化污染源在水域中的分布密度，通过分析污染源的密度，可以更好地了解水体受到的污染程度，并支持环境管理和水质监测决策。
本实施例中，对污染源特征波长通道图像进行直方图分析。计算不同波长的像素的分布情况，以了解波长通道图像中的亮度变化，从直方图分析中确定一个亮度或灰度阈值，该阈值用于区分污染源像素点和背景像素点。通常，污染源像素点将具有更高的亮度值，获取污染源像素点，这些像素点被认为是潜在的污染源的像素，对污染源像素点进行波长灰度分析。对每个污染源像素点的灰度值进行单独分析，以了解它们在波长通道图像中的灰度特性，利用污染源波长峰值数据，根据污染源像素点灰度峰值计算公式，对波长灰度数据进行像素点灰度峰值计算，生成像素点灰度特征峰值，反映了污染源像素点的特征，利用像素点灰度特征峰值，对污染源特征波长通道图像进行空间映射。将污染源特征从像素级别映射到图像上，以便进一步的分析，对污染源空间像素分布图进行污染源密度分析，包括计算污染源像素点的数量、分布密度以及它们之间的空间关系，生成污染源密度数据，将提供有关污染源在水域中的密度和分布情况的信息。
本实施例中，步骤S353中的污染源像素点灰度峰值计算公式具体为：
。
为污染源像素点灰度峰值，/>为水体中污染源衰减系数，/>为污染扩散系数，/>为水质污染物灰度值，/>为水质区域平均灰度，/>为水质区域像素标准差，/>为像素边缘锐度，/>为水体透明度，/>为水体反射系数，/>为污染源像素点色调值，/>为污染源像素点的色素饱和度，/>为污染源附着系数，/>为污染源像素点最大的色差，为污染源像素点灰度调整因子。
本发明通过考虑水质污染物的灰度、水体的透明度、污染源的扩散和衰减系数，以及周围水体的像素标准差等因素，有助于定位水体中的潜在污染源。有助于环境监测和管理，使决策者能够了解污染源的位置和强度，通过/>表示水体的反射系数，用于描述水体表面对光的反射程度，/>考虑边缘锐度，捕捉图像的细节和纹理。边缘锐度的高低会影响污染源的检测，特别是在边缘或过渡区域，通过污染源像素点色调值与污染源像素点的色素饱和度的计算，表示颜色的饱和度或强度。较高的饱和度使污染源更加醒目，有助于检测，水体的透明度或浑浊度会影响光线在水中的传播，从而影响水体中污染源的可见性。/>表示透明度较低的水体使污染源更容易检测，公式通过考虑高边缘锐度、不同色调值、高饱和度、低透明度和高附着系数等参数，有助于更准确地确定污染源程度及计算灰度峰值。
本实施例中，步骤S4包括以下步骤：
步骤S41：基于污染源密度数据对光照空间分布数据进行光照场演变处理，生成污染源光照场；
步骤S42：对污染源光照场进行光波相位分析，生成污染源光波相位数据；
步骤S43：污染源光波相位数据光学干涉分析，构建光学干涉图；
步骤S44：对光学干涉图进行光学路径干涉分析，以生成光学路径曲率。
本发明通过基于污染源密度数据对光照空间分布进行处理，可以模拟和生成污染源光照场，捕捉光照在水域中的变化，尤其是受到污染源影响的区域。生成的污染源光照场有助于更全面地了解水体中的光照条件，对污染源光照场进行光波相位分析帮助理解光波在水体中的传播和相互作用。光波相位数据提供了关于光场的相位信息，对于分析水体中的光学特性和污染源的影响是至关重要的，利用污染源光波相位数据进行光学干涉分析可以构建光学干涉图。光学干涉图提供光波相互叠加和干涉的信息，有助于识别污染源引起的光学变化。光学干涉图可以用来定量评估水体中的光学特性，进一步揭示污染源的影响，对光学干涉图进行光学路径干涉分析可生成光学路径曲率，量化污染源对光学路径的影响，揭示水体中存在的污染源的位置和程度。光学路径曲率提供了关于水质的更深层次的信息，有助于全面评估水体的光学特性和水质状况。
本实施例中，基于污染源密度数据，需要获取水体中的光照场数据，包括记录光照的强度和分布情况，通常使用传感器等设备进行测量，使用污染源密度数据，对光照场进行演变处理。考虑污染源对光照场的影响，会减弱或扩散光线，导致光照场的变化，生成污染源光照场，考虑污染源的影响，对污染源光照场进行光波相位分析。分析光波的相位变化，通常使用光学技术和算法来完成，生成污染源光波相位数据，描述光波的相位在污染源存在时的变化情况，利用污染源光波相位数据进行光学干涉分析，包括将多个光波相位进行比较和分析，以了解它们如何相互干涉，构建光学干涉图，用于可视化和理解光波相位的干涉情况。通常计算干涉图中的亮度、暗度等参数，对光学干涉图进行光学路径干涉分析。分析不同路径上的光波如何相互干涉，通常使用干涉仪或类似设备进行，通过光学路径干涉分析，可以生成光学路径曲率数据，光学路径曲率数据描述在水体中存在污染源时光线的弯曲程度。
本实施例中，步骤S5包括以下步骤：
步骤S51：对光学路径曲率进行干涉条纹形态分析，生成干涉条纹形态图；
步骤S52：对干涉条纹形态图进行条纹扭曲检测，以获取条纹扭曲数据；
步骤S53：对条纹扭曲数据进行条纹密度特征分析，以生成条纹密度特征数据；
步骤S54：通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图。
本发明通过对光学路径曲率进行干涉条纹形态分析，可以生成干涉条纹形态图，提供关于光波干涉的信息，有助于理解水体中的光波传播以及受到污染源影响的区域。干涉条纹形态图反映了水体中的光学特性，包括反射、折射和干涉现象，对干涉条纹形态图进行条纹扭曲检测有助于识别水体中存在的扭曲或变形现象，这些扭曲是由于污染源引起的，例如污染物浓度不均匀或其他水体特性变化。获取条纹扭曲数据可以定量描述扭曲的程度，对条纹扭曲数据进行条纹密度特征分析有助于生成条纹密度特征数据。条纹密度特征数据提供关于水体中条纹密度的信息，可以用来量化污染源对光学特性的影响程度。不均匀的条纹密度指示水质问题，如污染源的存在，通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，可以生成水质污染源可视化视图，提供一种直观的方式来呈现水体中的污染源分布，它可以帮助决策者和研究人员更容易地理解水质问题，定位污染源，并采取相应的措施来改善水质。
本实施例中，使用干涉条纹分析方法，例如傅里叶变换或其他频域分析技术，识别和分析光学路径曲率数据中的干涉条纹形态，生成干涉条纹形态图，该图展示了水体中光学路径的干涉情况，使用图像处理技术，例如边缘检测、形态学变换等，检测干涉条纹的扭曲程度，通过计算干涉条纹的弯曲度、间距变化等特征，扭曲程度描述了光学路径的扭曲情况。对条纹扭曲数据进行密度特征分析，例如利用直方图分析、聚类分析等统计技术，理解条纹扭曲的分布情况，包括条纹的密度、集中度等特征，生成条纹密度特征数据，将条纹密度特征数据应用于目标水域的光学图像，利用图像处理技术，例如颜色映射、渐变填充等，以将条纹密度特征与光学图像结合，应用条纹密度特征数据后，生成的图像将显示出水体中污染源的分布和强度，显示了水质污染源的位置和程度，有助于进一步的水质分析和决策制定。
本实施例中，步骤S6包括以下步骤：
步骤S61：利用循环卷积网络对水质污染源可视化视图进行卷积预处理，生成卷积样本集；
步骤S62：对卷积样本集进行膨胀卷积，生成水质卷积网络；
步骤S63：对水质卷积网络进行池化采样，生成水质卷积图；
步骤S64：对水质卷积图进行数据挖掘建模，构建水质分析模型，以执行水质分析作业。
本发明通过循环卷积网络对水质污染源可视化视图进行卷积预处理，可以提取图像中的特征，识别污染源的形状、大小和位置等信息。卷积预处理有助于降低数据的复杂性，提高数据的抽象表示，为后续的处理步骤提供更好的特征；对卷积样本集进行膨胀卷积可以增加网络的感受野，即网络可以捕捉到更广阔区域的特征，有助于提高网络对水质污染源的识别和分析能力；膨胀卷积可以有效地处理不同尺度和复杂度的特征，提高水质信息的提取效率，对水质卷积网络进行池化采样可以减少数据的空间尺寸，保留重要特征，同时降低计算复杂度，可以提高模型的鲁棒性，减少过拟合。通过合适的池化操作，网络可以更好地抽象出图像中的关键信息，使得模型更具有泛化能力，对水质卷积图进行数据挖掘建模，构建水质分析模型，可以从复杂的数据中学习规律和模式，模型可以用于预测、分类或聚类水质数据，进而进行水质分析；建立合适的数据挖掘模型能够帮助识别出不同污染源的特征，提供关于水质状况的有价值信息。
本实施例中，将水质污染源可视化视图输入循环卷积网络进行卷积预处理，循环卷积网络通常包括多个卷积层和激活函数，用于提取图像的特征，在卷积预处理后，从网络中获取特征图或卷积输出。特征图可以被认为是样本集，其中每个特征图代表了图像的不同特征，膨胀卷积，也称为空洞卷积，是一种卷积操作，通过引入间隔卷积核的方式扩大感受野，将卷积样本集输入到膨胀卷积网络，进行卷积操作，膨胀卷积有助于提取图像中的更长程特征，提高了模型对图像的理解能力，通常使用池化层（例如最大池化或平均池化）对水质卷积图进行降维采样，减少数据维度并保留主要特征，减少计算复杂性和过拟合，获得降采样后的水质卷积图，该图具有更高级别的特征表示，通过模型对水质进行分析，包括检测水质污染源的位置、程度以及其他相关信息。分析的结果可以用于水质监测、环境保护决策等应用。
在本实施例中，提供一种基于机器视觉的水质分析系统，包括：
光照空间分布模块，对目标水域进行光照照射，获取光学照射数据；根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；对目标水域光学图像进行光照空间分布分析，以生成光照空间分布数据；
光谱分析模块，利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；根据水质特征数据对目标水域光学图像进行污染源识别，获取污染源数据；
污染源密度模块，对污染源数据进行波长峰值分析，以生成污染源波长峰值数据；根据污染源波长峰值数据对目标水域光学图像进行污染源密度分析，生成污染源密度数据；
光学干涉模块，基于污染源密度数据对光照空间分布数据进行光学干涉分析，构建光学干涉图；对光学干涉图进行光学路径干涉分析，以生成光学路径曲率；
污染源可视化模块，对光学路径曲率进行干涉条纹形态分析，以生成条纹密度特征数据；通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图；
卷积模型模块，利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，以执行水质分析作业。
本发明通过构建基于机器视觉的水质分析系统，通过光照空间分布模块对目标水域进行光照照射，获取光学照射数据。有助于了解水体的光照条件，如阳光照射角度和强度，利用机器视觉技术，基于光照数据，生成目标水域的光学图像。可以提供对水域的视觉信息，为后续分析提供数据源，通过光谱分析模块对光照空间分布数据进行光谱分析，可以获得有关水体光谱特性的数据，包括波长、强度和反射率等，有助于识别水体的特定特征，基于水质特征数据，可以识别水体中的潜在污染源，对监测和处理污染非常重要，对污染源数据进行波长峰值分析，可识别水体中的特定波长峰值，有助于了解不同污染源的光谱特征；利用波长峰值数据，可以分析水体中污染源的密度，有助于定量分析水质污染程度；基于污染源密度数据，构建光学干涉图，可以帮助理解污染源对光照的影响，包括反射、折射和干涉现象，对光学干涉图进行分析，以生成光学路径的曲率信息，有助于理解水体中光学特性的变化；通过对光学路径曲率进行分析，生成条纹密度特征数据，有助于量化描述污染源对光学干涉的影响；利用条纹密度特征数据，对目标水域的光学图像进行水质污染源可视化，可以提供直观的污染源信息；利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，可以用于进一步的水质分析，包括水质预测和分类。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
上述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于机器视觉的水质分析方法，其特征在于，包括以下步骤：
步骤S1：对目标水域进行光照照射，获取光学照射数据；根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；对目标水域光学图像进行光照空间分布分析，以生成光照空间分布数据；
步骤S2：利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；根据水质特征数据对目标水域光学图像进行污染源识别，获取污染源数据；
步骤S3：对污染源数据进行波长峰值分析，以生成污染源波长峰值数据；根据污染源波长峰值数据对目标水域光学图像进行污染源密度分析，生成污染源密度数据；
步骤S3具体包括：
步骤S31：对污染源数据进行光谱波长曲线分析，生成光谱波长曲线；
步骤S32：对光谱波长曲线进行波长峰值分析，以生成污染源波长峰值数据；
步骤S33：根据污染源波长峰值数据对目标水域光学图像进行色谱校正，生成校正水域光学图像；
步骤S34：对校正水域光学图像进行污染源特征波长提取，生成污染源特征波长通道图像；
步骤S35：对污染源特征波长通道图像进行污染源密度分析，生成污染源密度数据；
步骤S35具体包括：
步骤S351：对污染源特征波长通道图像进行直方图分析，获取污染源像素点；
步骤S352：对污染源像素点进行波长灰度分析，生成波长灰度数据；
步骤S353：根据污染源波长峰值数据利用污染源像素点灰度峰值计算公式对波长灰度数据进行像素点灰度峰值计算，生成像素点灰度特征峰值；
步骤S354：利用像素点灰度特征峰值对污染源特征波长通道图像进行空间映射，生成污染源空间像素分布图；
步骤S355：对污染源空间像素分布图进行污染源密度分析，生成污染源密度数据；
其中，步骤S353中的污染源像素点灰度峰值计算公式具体为：
;
为污染源像素点灰度峰值，/>为水体中污染源衰减系数，/>为污染扩散系数，为水质污染物灰度值，/>为水质区域平均灰度，/>为水质区域像素标准差，/>为像素边缘锐度，/>为水体透明度，/>为水体反射系数，/>为污染源像素点色调值，/>为污染源像素点的色素饱和度，/>为污染源附着系数，/>为污染源像素点最大的色差，/>为污染源像素点灰度调整因子；
步骤S4：基于污染源密度数据对光照空间分布数据进行光学干涉分析，构建光学干涉图；对光学干涉图进行光学路径干涉分析，以生成光学路径曲率；
步骤S5：对光学路径曲率进行干涉条纹形态分析，以生成条纹密度特征数据；通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图；
步骤S6：利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，以执行水质分析作业。
2.根据权利要求1所述的一种基于机器视觉的水质分析方法，其特征在于，步骤S1的具体步骤为：
步骤S11：对目标水域进行光照照射，获取光学照射数据；
步骤S12：根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；
步骤S13：对目标水域光学图像进行光照路径追踪，生成光线路径；
步骤S14：对光线路径进行光强均匀分析，以生成光强均匀度数据；
步骤S15：基于光强均匀度数据对光线路径进行光照空间分布分析，以生成光照空间分布数据。
3.根据权利要求1所述的一种基于机器视觉的水质分析方法，其特征在于，步骤S2的具体步骤为：
步骤S21：利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；
步骤S22：根据水质特征数据对目标水域光学图像进行水体颜色分析，获取水体颜色参数；
步骤S23：基于水体颜色参数对目标水域光学图像进行水体透明度分析，生成水体透明度数据；
步骤S24：根据光谱分析数据对目标水域光学图像进行污染源识别，获取污染源数据。
4.根据权利要求3所述的一种基于机器视觉的水质分析方法，其特征在于，光谱分析具体包括反射光谱分析、吸收光谱分析及荧光光谱分析，步骤S21的具体步骤为：
步骤S211：利用光谱仪对光照空间分布数据进行反射光谱分析，获取水质悬浮物数据；
步骤S212：对光照空间分布数据进行吸收光谱分析，生成水质色素浓度数据；
步骤S213：基于水质色素浓度数据对光照空间分布数据进行荧光光谱分析，生成水生态有机物数据；
步骤S214：对水质悬浮物数据、水质色素浓度数据及水生态有机物数据进行水质特征分析，生成水质特征数据。
5.根据权利要求1所述的一种基于机器视觉的水质分析方法，其特征在于，步骤S4的具体步骤为：
步骤S41：基于污染源密度数据对光照空间分布数据进行光照场演变处理，生成污染源光照场；
步骤S42：对污染源光照场进行光波相位分析，生成污染源光波相位数据；
步骤S43：污染源光波相位数据光学干涉分析，构建光学干涉图；
步骤S44：对光学干涉图进行光学路径干涉分析，以生成光学路径曲率。
6.根据权利要求1所述的一种基于机器视觉的水质分析方法，其特征在于，步骤S5的具体步骤为：
步骤S51：对光学路径曲率进行干涉条纹形态分析，生成干涉条纹形态图；
步骤S52：对干涉条纹形态图进行条纹扭曲检测，以获取条纹扭曲数据；
步骤S53：对条纹扭曲数据进行条纹密度特征分析，以生成条纹密度特征数据；
步骤S54：通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图。
7.根据权利要求1所述的一种基于机器视觉的水质分析方法，其特征在于，步骤S6的具体步骤为：
步骤S61：利用循环卷积网络对水质污染源可视化视图进行卷积预处理，生成卷积样本集；
步骤S62：对卷积样本集进行膨胀卷积，生成水质卷积网络；
步骤S63：对水质卷积网络进行池化采样，生成水质卷积图；
步骤S64：对水质卷积图进行数据挖掘建模，构建水质分析模型，以执行水质分析作业。
8.一种基于机器视觉的水质分析系统，其特征在于，用于执行如权利要求1所述的一种基于机器视觉的水质分析方法，包括：
光照空间分布模块，对目标水域进行光照照射，获取光学照射数据；根据光照照射数据利用机器视觉技术对目标水域进行图像获取，生成目标水域光学图像；对目标水域光学图像进行光照空间分布分析，以生成光照空间分布数据；
光谱分析模块，利用光谱仪对光照空间分布数据进行光谱分析，以生成水质特征数据；根据水质特征数据对目标水域光学图像进行污染源识别，获取污染源数据；
污染源密度模块，对污染源数据进行波长峰值分析，以生成污染源波长峰值数据；根据污染源波长峰值数据对目标水域光学图像进行污染源密度分析，生成污染源密度数据；
光学干涉模块，基于污染源密度数据对光照空间分布数据进行光学干涉分析，构建光学干涉图；对光学干涉图进行光学路径干涉分析，以生成光学路径曲率；
污染源可视化模块，对光学路径曲率进行干涉条纹形态分析，以生成条纹密度特征数据；通过条纹密度特征数据对目标水域光学图像进行水质污染源可视化，以生成水质污染源可视化视图；
卷积模型模块，利用循环卷积网络对水质污染源可视化视图进行膨胀卷积，构建水质分析模型，以执行水质分析作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311487911.7A CN117233116B (zh) | 2023-11-09 | 2023-11-09 | 一种基于机器视觉的水质分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311487911.7A CN117233116B (zh) | 2023-11-09 | 2023-11-09 | 一种基于机器视觉的水质分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117233116A CN117233116A (zh) | 2023-12-15 |
| CN117233116B true CN117233116B (zh) | 2024-02-02 |
Family
ID=89086333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311487911.7A Active CN117233116B (zh) | 2023-11-09 | 2023-11-09 | 一种基于机器视觉的水质分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233116B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103528960A (zh) * | 2013-10-25 | 2014-01-22 | 吉林省百瑞生科技发展有限公司 | 一种光谱干涉法污水在线监测系统 |
| CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
| CN210578653U (zh) * | 2019-08-20 | 2020-05-19 | 中移物联网有限公司 | 一种河道监测系统 |
| CN111398189A (zh) * | 2020-03-23 | 2020-07-10 | 苏州同阳科技发展有限公司 | 多模态光学成像水质遥感检测装置与污染特征提取方法 |
| KR20220001972A (ko) * | 2020-06-30 | 2022-01-06 | 울산과학기술원 | 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법 |
| CA3091337A1 (en) * | 2020-08-27 | 2022-02-27 | Marine Thinking Inc. | A real-time open water analysis system |
| CN115266632A (zh) * | 2022-07-29 | 2022-11-01 | 阿尔爱思科技(苏州)有限公司 | 一种水体污染源无人机高光谱遥感排查方法 |
| KR20220156140A (ko) * | 2021-05-17 | 2022-11-25 | 주식회사 시스텍 | 하천 수질오염 모니터링 장치 |
| WO2022252242A1 (zh) * | 2021-06-04 | 2022-12-08 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
| CN115685853A (zh) * | 2022-11-08 | 2023-02-03 | 山东省生态环境监测中心 | 一种基于大数据的水环境污染分析管理系统及方法 |
| CN116071689A (zh) * | 2023-03-07 | 2023-05-05 | 四川三思德科技有限公司 | 一种基于lora技术的水源地水质在线监测方法及系统 |
| CN116718747A (zh) * | 2023-06-12 | 2023-09-08 | 微感空间(苏州)科技有限公司 | 一种水质污染监测可视化遥感监测系统 |
| KR102584619B1 (ko) * | 2023-03-23 | 2023-10-05 | 대한민국 | 분포형 모델이 적용된 수리수문 해석 기반 수질오염 사고 예측 시스템 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10839487B2 (en) * | 2015-09-17 | 2020-11-17 | Michael Edwin Stewart | Methods and apparatus for enhancing optical images and parametric databases |
| EP3260841B1 (en) * | 2016-06-22 | 2024-03-13 | Uponor Oyj | Detecting microscopic objects in fluids |
-
2023
- 2023-11-09 CN CN202311487911.7A patent/CN117233116B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103528960A (zh) * | 2013-10-25 | 2014-01-22 | 吉林省百瑞生科技发展有限公司 | 一种光谱干涉法污水在线监测系统 |
| CN210578653U (zh) * | 2019-08-20 | 2020-05-19 | 中移物联网有限公司 | 一种河道监测系统 |
| CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
| CN111398189A (zh) * | 2020-03-23 | 2020-07-10 | 苏州同阳科技发展有限公司 | 多模态光学成像水质遥感检测装置与污染特征提取方法 |
| KR20220001972A (ko) * | 2020-06-30 | 2022-01-06 | 울산과학기술원 | 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법 |
| CA3091337A1 (en) * | 2020-08-27 | 2022-02-27 | Marine Thinking Inc. | A real-time open water analysis system |
| KR20220156140A (ko) * | 2021-05-17 | 2022-11-25 | 주식회사 시스텍 | 하천 수질오염 모니터링 장치 |
| WO2022252242A1 (zh) * | 2021-06-04 | 2022-12-08 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
| CN115266632A (zh) * | 2022-07-29 | 2022-11-01 | 阿尔爱思科技(苏州)有限公司 | 一种水体污染源无人机高光谱遥感排查方法 |
| CN115685853A (zh) * | 2022-11-08 | 2023-02-03 | 山东省生态环境监测中心 | 一种基于大数据的水环境污染分析管理系统及方法 |
| CN116071689A (zh) * | 2023-03-07 | 2023-05-05 | 四川三思德科技有限公司 | 一种基于lora技术的水源地水质在线监测方法及系统 |
| KR102584619B1 (ko) * | 2023-03-23 | 2023-10-05 | 대한민국 | 분포형 모델이 적용된 수리수문 해석 기반 수질오염 사고 예측 시스템 |
| CN116718747A (zh) * | 2023-06-12 | 2023-09-08 | 微感空间(苏州)科技有限公司 | 一种水质污染监测可视化遥感监测系统 |
Non-Patent Citations (3)
| Title |
|---|
| HydroQual: Visual analysis of river water quality;Accorsi, Pierre等;IEEE Conference on Visual Analytics Science and Technology;1-11 * |
| 昆承湖水质状况遥感监测与空间特征分析;何磊;童玲;李玉霞;;测绘科学(第04期);58-62 * |
| 遥感技术在湖泊环境变化研究中的应用和展望;蔡伟;余俊清;李红娟;;盐湖研究(第04期);14-20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117233116A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Rapid identification of soil organic matter level via visible and near-infrared spectroscopy: Effects of two-dimensional correlation coefficient and extreme learning machine | |
| Zalama et al. | Road crack detection using visual features extracted by Gabor filters | |
| CN112213287B (zh) | 基于遥感卫星影像的沿海滩涂盐度反演的方法 | |
| US10481076B2 (en) | Method for determining the state of a cell | |
| Legleiter et al. | A forward image model for passive optical remote sensing of river bathymetry | |
| CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| O’Byrne et al. | An underwater lighting and turbidity image repository for analysing the performance of image-based non-destructive techniques | |
| CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
| US20200110017A1 (en) | Method for determining parameters of a particle | |
| Aymerich et al. | Detection of tephra layers in Antarctic sediment cores with hyperspectral imaging | |
| CN117233116B (zh) | 一种基于机器视觉的水质分析方法及系统 | |
| Fukushima et al. | Semi-analytical prediction of Secchi depth using remote-sensing reflectance for lakes with a wide range of turbidity | |
| CN106469450A (zh) | 一种印刷品墨斑的检测方法及装置 | |
| CN117491293A (zh) | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 | |
| Nevis et al. | Advantages of three-dimensional electro-optic imaging sensors | |
| Toro Herrera et al. | Semi-automated production and filtering of satellite derived water quality parameters | |
| CN117269333A (zh) | 一种oled器件缺陷的预测方法 | |
| US9671521B2 (en) | Method and system for buried land mine detection through derivative analysis of laser interferometry | |
| CN117576093B (zh) | 基于el图像的太阳能电池片隐裂检测方法 | |
| Zhao et al. | Application of hyperspectral imaging in measurement real-time of seeds | |
| CN117518462B (zh) | 光学膜片厚度自适应设计方法及系统 | |
| CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
| CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
| Jourlin | Metrics Based on Logarithmic Laws |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: First Floor, Comprehensive Building, No. 328 Taoyuan Street, Xihu District, Nanchang City, Jiangxi Province, 330000 Applicant after: Jiangxi Dingzhi Testing Co.,Ltd. Address before: First Floor, Comprehensive Building, No. 328 Taoyuan Street, Xihu District, Nanchang City, Jiangxi Province, 330000 Applicant before: Jiangxi Hongcheng Testing Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |