CN117630309A - 一种河道水质智能监测方法及系统 - Google Patents
一种河道水质智能监测方法及系统 Download PDFInfo
- Publication number
- CN117630309A CN117630309A CN202311339929.2A CN202311339929A CN117630309A CN 117630309 A CN117630309 A CN 117630309A CN 202311339929 A CN202311339929 A CN 202311339929A CN 117630309 A CN117630309 A CN 117630309A
- Authority
- CN
- China
- Prior art keywords
- water quality
- sensing data
- data
- autonomous movable
- pollution
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 287
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005265 energy consumption Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 71
- 230000002285 radioactive effect Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000003911 water pollution Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 6
- ZSLUVFAKFWKJRC-IGMARMGPSA-N 232Th Chemical compound [232Th] ZSLUVFAKFWKJRC-IGMARMGPSA-N 0.000 claims description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 claims description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 5
- 241000195493 Cryptophyta Species 0.000 claims description 5
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 claims description 5
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 5
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 claims description 5
- 229910052776 Thorium Inorganic materials 0.000 claims description 5
- 229910052770 Uranium Inorganic materials 0.000 claims description 5
- 230000005260 alpha ray Effects 0.000 claims description 5
- 230000001580 bacterial effect Effects 0.000 claims description 5
- 230000005250 beta ray Effects 0.000 claims description 5
- 229910052705 radium Inorganic materials 0.000 claims description 5
- HCWPIIXVSYCSAN-UHFFFAOYSA-N radium atom Chemical compound [Ra] HCWPIIXVSYCSAN-UHFFFAOYSA-N 0.000 claims description 5
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 claims description 5
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims description 3
- JLVVSXFLKOJNIY-UHFFFAOYSA-N Magnesium ion Chemical compound [Mg+2] JLVVSXFLKOJNIY-UHFFFAOYSA-N 0.000 claims description 3
- NPYPAHLBTDXSSS-UHFFFAOYSA-N Potassium ion Chemical compound [K+] NPYPAHLBTDXSSS-UHFFFAOYSA-N 0.000 claims description 3
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 3
- 229910001424 calcium ion Inorganic materials 0.000 claims description 3
- 229910001425 magnesium ion Inorganic materials 0.000 claims description 3
- 229940005654 nitrite ion Drugs 0.000 claims description 3
- 229910001414 potassium ion Inorganic materials 0.000 claims description 3
- 229910001415 sodium ion Inorganic materials 0.000 claims description 3
- 238000003903 river water pollution Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- 229910002651 NO3 Inorganic materials 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种河道水质智能监测方法及系统，该方法包括：通过设置在目标河道区域中的不同预设划分区域中的自主可移动传感器，获取对应的所述预设划分区域中的水质传感数据；获取每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数；根据每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数，确定每一所述预设划分区域对应的水质污染参数；根据所述水质传感数据和所述水质污染参数，以及每一所述自主可移动传感器对应的污染度触发阈值，确定每一所述自主可移动传感器对应的控制参数，以降低能耗。可见，本发明能够实现对河道的水质监测，可以更加精确和节能地控制传感器的动作。
Description
技术领域
本发明涉及数据监测技术领域，尤其涉及一种河道水质智能监测方法及系统。
背景技术
水质监测是用于治理城市水污染的重要技术手段，随着水污染问题日益严重，这一技术手段也日渐受到重视。但现有的水质监测手段，基本都是依赖简单的传感器和数据判定规则来实现，在一些水质污染问题严重且关键的区域，现有技术无法达到有效的监测效果。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种河道水质智能监测方法及系统，能够实现对河道的水质监测，另一方面可以更加精确和节能地控制传感器的动作，减少能耗。
为了解决上述技术问题，本发明第一方面公开了一种河道水质智能监测方法，所述方法包括：
通过设置在目标河道区域中的不同预设划分区域中的自主可移动传感器，获取对应的所述预设划分区域中的水质传感数据；不同所述预设划分区域之间通过隔网隔开；
获取每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数；
根据每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数，确定每一所述预设划分区域对应的水质污染参数；
根据所述水质传感数据和所述水质污染参数，以及每一所述自主可移动传感器对应的污染度触发阈值，确定每一所述自主可移动传感器对应的控制参数；所述控制参数用于控制所述自主可移动传感器的水质采样动作以降低能耗。
作为一种可选的实施方式，在本发明第一方面中，所述数据参数包括获取时间、获取位置、获取时速度和获取时设备参数中的至少两种；所述获取时设备参数包括设备类型、设备电量、设备健康度参数和设备磨损度参数中的至少一种；和/或，所述水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种；所述物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种；所述化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种；所述生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种；所述放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述根据每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数，确定每一所述预设划分区域对应的水质污染情况，包括：
对于每一所述预设划分区域，获取该预设划分区域中的所有所述自主可移动传感器获取到的所述水质传感数据和对应的数据参数；
对于该预设划分区域中的任一所述自主可移动传感器获取到的所述水质传感数据，根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数；
根据该水质传感数据对应的数据类型和所述数据参数，确定该水质传感数据对应的准确权重；
计算该水质传感数据对应的所述水质污染程度参数和所述准确权重的乘积，得到该水质传感数据对应的数据水质污染参数；
计算该预设划分区域中的所有所述自主可移动传感器的所有所述水质传感数据对应的所述数据水质污染参数的平均值，得到该预设划分区域对应的水质污染参数。
作为一种可选的实施方式，在本发明第一方面中，所述根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数，包括：
将该水质传感数据输入至的该水质传感数据的数据类型对应的训练好的第一神经网络模型中，以得到输出的该水质传感数据对应的水质污染程度参数；所述第一神经网络模型通过包括有多个同一所述数据类型的训练水质传感数据和对应的水质污染标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第一方面中，所述根据该水质传感数据对应的数据类型和所述数据参数，确定该水质传感数据对应的准确权重，包括：
确定该水质传感数据对应的所述自主可移动传感器的历史水质传感记录；
计算所述历史水质传感记录中该水质传感数据的数据类型对应的记录的第一传感准确率；
计算所有所述自主可移动传感器的历史水质传感记录中，与所述数据参数相同的记录的第二传感准确率；所述传感准确率为所述记录中水质传感数据被所述第一神经网络模型判定为污染且实际出现污染情况的记录数量与总记录数量的比值；
将所述该水质传感数据对应的数据类型和所述数据参数输入至训练好的第二神经网络模型中，以得到输出的传感准确预测参数；所述第二神经网络模型通过包括有多个训练用的所述数据类型和所述数据参数和对应的传感是否准确标注的训练数据集训练得到；
计算所述第一传感准确率、所述第二传感准确率和所述传感准确预测参数的加权求和平均值，得到该水质传感数据对应的准确权重。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述水质传感数据和所述水质污染参数，以及每一所述自主可移动传感器对应的污染度触发阈值，确定每一所述自主可移动传感器对应的控制参数，包括：
对于每一所述自主可移动传感器，计算该自主可移动传感器对应的污染度处罚阈值和该自主可移动传感器获取的所述水质传感数据之间的差值；
计算所述差值和该自动可移动传感器对应的预设划分区域的所述水质污染参数之间的比值，得到该自主可移动传感器对应的污染影响因子；
根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数。
作为一种可选的实施方式，在本发明第一方面中，所述根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数，包括：
将处于同一所述预设划分区域中的所有其他所述自主可移动传感器确定为同区域传感器；
确定每一所述同区域传感器的当前位置；
根据所述当前位置，确定离该自主可移动传感器最近的预设数量个所述同区域传感器的所述影响因子的平均值，以得到该自主可移动传感器对应的周围影响因子；
判断该自主可移动传感器的所述影响因子是否大于所述周围影响因子，若是，则提高该自主可移动传感器的采样频率，否则，则降低采样频率。
作为一种可选的实施方式，在本发明第一方面中，所述根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数，还包括：
根据该自主可移动传感器对应的调整后的采样频率，以及预设的频率-速度对应关系，确定所述调整后的采样频率对应的采样时运行速度区间；
实时计算所述最近的预设数量个所述同区域传感器对应的采样时运行速度的加权求和平均值；其中，每一所述同区域传感器对应的权重与所述影响因子成反比；
判断该自动可移动传感器的采样时运行速度是否大于所述速度平均值，若是则在所述采样时运行速度区间内降低采样时运行速度，若否则在所述采样时运行速度区间内提高采样时运行速度。
本发明第二方面公开了一种河道水质智能监测系统，所述系统包括：
第一获取模块，用于通过设置在目标河道区域中的不同预设划分区域中的自主可移动传感器，获取对应的所述预设划分区域中的水质传感数据；不同所述预设划分区域之间通过隔网隔开；
第二获取模块，用于获取每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数；
第一确定模块，用于根据每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数，确定每一所述预设划分区域对应的水质污染参数；
第二确定模块，用于根据所述水质传感数据和所述水质污染参数，以及每一所述自主可移动传感器对应的污染度触发阈值，确定每一所述自主可移动传感器对应的控制参数；所述控制参数用于控制所述自主可移动传感器的水质采样动作以降低能耗。
作为一种可选的实施方式，在本发明第二方面中，所述数据参数包括获取时间、获取位置、获取时速度和获取时设备参数中的至少两种；所述获取时设备参数包括设备类型、设备电量、设备健康度参数和设备磨损度参数中的至少一种；和/或，所述水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种；所述物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种；所述化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种；所述生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种；所述放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数，确定每一所述预设划分区域对应的水质污染情况的具体方式，包括：
对于每一所述预设划分区域，获取该预设划分区域中的所有所述自主可移动传感器获取到的所述水质传感数据和对应的数据参数；
对于该预设划分区域中的任一所述自主可移动传感器获取到的所述水质传感数据，根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数；
根据该水质传感数据对应的数据类型和所述数据参数，确定该水质传感数据对应的准确权重；
计算该水质传感数据对应的所述水质污染程度参数和所述准确权重的乘积，得到该水质传感数据对应的数据水质污染参数；
计算该预设划分区域中的所有所述自主可移动传感器的所有所述水质传感数据对应的所述数据水质污染参数的平均值，得到该预设划分区域对应的水质污染参数。
作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数的具体方式，包括：
将该水质传感数据输入至的该水质传感数据的数据类型对应的训练好的第一神经网络模型中，以得到输出的该水质传感数据对应的水质污染程度参数；所述第一神经网络模型通过包括有多个同一所述数据类型的训练水质传感数据和对应的水质污染标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据该水质传感数据对应的数据类型和所述数据参数，确定该水质传感数据对应的准确权重的具体方式，包括：
确定该水质传感数据对应的所述自主可移动传感器的历史水质传感记录；
计算所述历史水质传感记录中该水质传感数据的数据类型对应的记录的第一传感准确率；
计算所有所述自主可移动传感器的历史水质传感记录中，与所述数据参数相同的记录的第二传感准确率；所述传感准确率为所述记录中水质传感数据被所述第一神经网络模型判定为污染且实际出现污染情况的记录数量与总记录数量的比值；
将所述该水质传感数据对应的数据类型和所述数据参数输入至训练好的第二神经网络模型中，以得到输出的传感准确预测参数；所述第二神经网络模型通过包括有多个训练用的所述数据类型和所述数据参数和对应的传感是否准确标注的训练数据集训练得到；
计算所述第一传感准确率、所述第二传感准确率和所述传感准确预测参数的加权求和平均值，得到该水质传感数据对应的准确权重。
作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块根据所述水质传感数据和所述水质污染参数，以及每一所述自主可移动传感器对应的污染度触发阈值，确定每一所述自主可移动传感器对应的控制参数的具体方式，包括：
对于每一所述自主可移动传感器，计算该自主可移动传感器对应的污染度处罚阈值和该自主可移动传感器获取的所述水质传感数据之间的差值；
计算所述差值和该自动可移动传感器对应的预设划分区域的所述水质污染参数之间的比值，得到该自主可移动传感器对应的污染影响因子；
根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数。
作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数的具体方式，包括：
将处于同一所述预设划分区域中的所有其他所述自主可移动传感器确定为同区域传感器；
确定每一所述同区域传感器的当前位置；
根据所述当前位置，确定离该自主可移动传感器最近的预设数量个所述同区域传感器的所述影响因子的平均值，以得到该自主可移动传感器对应的周围影响因子；
判断该自主可移动传感器的所述影响因子是否大于所述周围影响因子，若是，则提高该自主可移动传感器的采样频率，否则，则降低采样频率。
作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数的具体方式，还包括：
根据该自主可移动传感器对应的调整后的采样频率，以及预设的频率-速度对应关系，确定所述调整后的采样频率对应的采样时运行速度区间；
实时计算所述最近的预设数量个所述同区域传感器对应的采样时运行速度的加权求和平均值；其中，每一所述同区域传感器对应的权重与所述影响因子成反比；
判断该自动可移动传感器的采样时运行速度是否大于所述速度平均值，若是则在所述采样时运行速度区间内降低采样时运行速度，若否则在所述采样时运行速度区间内提高采样时运行速度。
本发明第三方面公开了另一种河道水质智能监测系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的河道水质智能监测方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够通过对河道进行区域划分并放置多个自主可移动传感器来监测区域的水质情况，并进一步根据水质情况来控制传感器的采样动作以降低功耗，从而一方面能够实现对河道的水质监测，另一方面可以更加精确和节能地控制传感器的动作，减少能耗。
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一种河道水质智能监测方法的流程示意图；
图2是本发明实施例公开的一种河道水质智能监测系统的结构示意图；
图3是本发明实施例公开的另一种河道水质智能监测系统的结构示意图。
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、产品或端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、产品或端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。
本发明公开了一种河道水质智能监测方法及系统，能够通过对河道进行区域划分并放置多个自主可移动传感器来监测区域的水质情况，并进一步根据水质情况来控制传感器的采样动作以降低功耗，从而一方面能够实现对河道的水质监测，另一方面可以更加精确和节能地控制传感器的动作，减少能耗。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一种河道水质智能监测方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该河道水质智能监测方法可以包括以下操作：
101、通过设置在目标河道区域中的不同预设划分区域中的自主可移动传感器，获取对应的预设划分区域中的水质传感数据。
可选的，不同预设划分区域之间通过隔网隔开。
可选的，水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种。
可选的，物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种。
可选的，化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种。
可选的，生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种。
可选的，放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
102、获取每一自主可移动传感器获取的水质传感数据和对应的数据参数。
可选的，数据参数包括获取时间、获取位置、获取时速度和获取时设备参数中的至少两种。
可选的，获取时设备参数包括设备类型、设备电量、设备健康度参数和设备磨损度参数中的至少一种。
103、根据每一自主可移动传感器获取的水质传感数据和对应的数据参数，确定每一预设划分区域对应的水质污染参数。
104、根据水质传感数据和水质污染参数，以及每一自主可移动传感器对应的污染度触发阈值，确定每一自主可移动传感器对应的控制参数。
具体的，控制参数用于控制自主可移动传感器的水质采样动作以降低能耗。
可见，实施本发明实施例所描述的方法能够通过对河道进行区域划分并放置多个自主可移动传感器来监测区域的水质情况，并进一步根据水质情况来控制传感器的采样动作以降低功耗，从而一方面能够实现对河道的水质监测，另一方面可以更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，上述步骤中的，根据每一自主可移动传感器获取的水质传感数据和对应的数据参数，确定每一预设划分区域对应的水质污染情况，包括：
对于每一预设划分区域，获取该预设划分区域中的所有自主可移动传感器获取到的水质传感数据和对应的数据参数；
对于该预设划分区域中的任一自主可移动传感器获取到的水质传感数据，根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数；
根据该水质传感数据对应的数据类型和数据参数，确定该水质传感数据对应的准确权重；
计算该水质传感数据对应的水质污染程度参数和准确权重的乘积，得到该水质传感数据对应的数据水质污染参数；
计算该预设划分区域中的所有自主可移动传感器的所有水质传感数据对应的数据水质污染参数的平均值，得到该预设划分区域对应的水质污染参数。
可见，实施该可选的实施例可以通过计算水质污染程度参数和准确权重，来准确确定区域中的水质污染情况，从而能够实现对河道的水质监测，另一方面在后续可以更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，上述步骤中的，根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数，包括：
将该水质传感数据输入至的该水质传感数据的数据类型对应的训练好的第一神经网络模型中，以得到输出的该水质传感数据对应的水质污染程度参数；第一神经网络模型通过包括有多个同一数据类型的训练水质传感数据和对应的水质污染标注的训练数据集训练得到。
可见，实施该可选的实施例可以通过将该水质传感数据输入至的该水质传感数据的数据类型对应的训练好的第一神经网络模型中，以得到输出的该水质传感数据对应的水质污染程度参数，从而能够实现对河道的水质监测，另一方面在后续可以更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，上述步骤中的，根据该水质传感数据对应的数据类型和数据参数，确定该水质传感数据对应的准确权重，包括：
确定该水质传感数据对应的自主可移动传感器的历史水质传感记录；
计算历史水质传感记录中该水质传感数据的数据类型对应的记录的第一传感准确率；
计算所有自主可移动传感器的历史水质传感记录中，与数据参数相同的记录的第二传感准确率；传感准确率为记录中水质传感数据被第一神经网络模型判定为污染且实际出现污染情况的记录数量与总记录数量的比值；
将该水质传感数据对应的数据类型和数据参数输入至训练好的第二神经网络模型中，以得到输出的传感准确预测参数；第二神经网络模型通过包括有多个训练用的数据类型和数据参数和对应的传感是否准确标注的训练数据集训练得到；
计算第一传感准确率、第二传感准确率和传感准确预测参数的加权求和平均值，得到该水质传感数据对应的准确权重。
可见，实施该可选的实施例可以通过计算第一传感准确率、第二传感准确率和传感准确预测参数的加权求和平均值，得到该水质传感数据对应的准确权重，从而能够实现对河道的水质监测，另一方面在后续可以更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，上述步骤中的，根据水质传感数据和水质污染参数，以及每一自主可移动传感器对应的污染度触发阈值，确定每一自主可移动传感器对应的控制参数，包括：
对于每一自主可移动传感器，计算该自主可移动传感器对应的污染度处罚阈值和该自主可移动传感器获取的水质传感数据之间的差值；
计算差值和该自动可移动传感器对应的预设划分区域的水质污染参数之间的比值，得到该自主可移动传感器对应的污染影响因子；
根据处于同一预设划分区域中的所有自主可移动传感器的污染影响因子，确定该自主可移动传感器对应的控制参数。
可见，实施该可选的实施例可以根据处于同一预设划分区域中的所有自主可移动传感器的污染影响因子，确定该自主可移动传感器对应的控制参数，从而能够实现更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，上述步骤中的，根据处于同一预设划分区域中的所有自主可移动传感器的污染影响因子，确定该自主可移动传感器对应的控制参数，包括：
将处于同一预设划分区域中的所有其他自主可移动传感器确定为同区域传感器；
确定每一同区域传感器的当前位置；
根据当前位置，确定离该自主可移动传感器最近的预设数量个同区域传感器的影响因子的平均值，以得到该自主可移动传感器对应的周围影响因子；
判断该自主可移动传感器的影响因子是否大于周围影响因子，若是，则提高该自主可移动传感器的采样频率，否则，则降低采样频率。
可见，实施该可选的实施例可以根据影响因子的判断结果来控制自主可移动传感器对应的采样频率，从而能够实现更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，上述步骤中的，根据处于同一预设划分区域中的所有自主可移动传感器的污染影响因子，确定该自主可移动传感器对应的控制参数，还包括：
根据该自主可移动传感器对应的调整后的采样频率，以及预设的频率-速度对应关系，确定调整后的采样频率对应的采样时运行速度区间；
实时计算最近的预设数量个同区域传感器对应的采样时运行速度的加权求和平均值；其中，每一同区域传感器对应的权重与影响因子成反比；
判断该自动可移动传感器的采样时运行速度是否大于速度平均值，若是则在采样时运行速度区间内降低采样时运行速度，若否则在采样时运行速度区间内提高采样时运行速度。
可见，实施该可选的实施例可以根据采样时运行速度的判断结果来控制自主可移动传感器对应的采样时运行速度，从而能够实现更加精确和节能地控制传感器的动作，减少能耗。
实施例二：请参阅图2，图2是本发明实施例公开的一种河道水质智能监测系统的结构示意图。其中，图2所描述的装置可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该装置可以包括：
第一获取模块201，用于通过设置在目标河道区域中的不同预设划分区域中的自主可移动传感器，获取对应的预设划分区域中的水质传感数据。
可选的，不同预设划分区域之间通过隔网隔开。
可选的，水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种。
可选的，物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种。
可选的，化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种。
可选的，生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种。
可选的，放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
第二获取模块202，用于获取每一自主可移动传感器获取的水质传感数据和对应的数据参数。
可选的，数据参数包括获取时间、获取位置、获取时速度和获取时设备参数中的至少两种。
可选的，获取时设备参数包括设备类型、设备电量、设备健康度参数和设备磨损度参数中的至少一种。
第一确定模块203，用于根据每一自主可移动传感器获取的水质传感数据和对应的数据参数，确定每一预设划分区域对应的水质污染参数。
第二确定模块204，用于根据水质传感数据和水质污染参数，以及每一自主可移动传感器对应的污染度触发阈值，确定每一自主可移动传感器对应的控制参数。
具体的，控制参数用于控制自主可移动传感器的水质采样动作以降低能耗。
可见，实施本发明实施例所描述的系统能够通过对河道进行区域划分并放置多个自主可移动传感器来监测区域的水质情况，并进一步根据水质情况来控制传感器的采样动作以降低功耗，从而一方面能够实现对河道的水质监测，另一方面可以更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，第一确定模块203根据每一自主可移动传感器获取的水质传感数据和对应的数据参数，确定每一预设划分区域对应的水质污染情况的具体方式，包括：
对于每一预设划分区域，获取该预设划分区域中的所有自主可移动传感器获取到的水质传感数据和对应的数据参数；
对于该预设划分区域中的任一自主可移动传感器获取到的水质传感数据，根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数；
根据该水质传感数据对应的数据类型和数据参数，确定该水质传感数据对应的准确权重；
计算该水质传感数据对应的水质污染程度参数和准确权重的乘积，得到该水质传感数据对应的数据水质污染参数；
计算该预设划分区域中的所有自主可移动传感器的所有水质传感数据对应的数据水质污染参数的平均值，得到该预设划分区域对应的水质污染参数。
可见，实施该可选的实施例可以通过计算水质污染程度参数和准确权重，来准确确定区域中的水质污染情况，从而能够实现对河道的水质监测，另一方面在后续可以更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，第一确定模块203根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数的具体方式，包括：
将该水质传感数据输入至的该水质传感数据的数据类型对应的训练好的第一神经网络模型中，以得到输出的该水质传感数据对应的水质污染程度参数；第一神经网络模型通过包括有多个同一数据类型的训练水质传感数据和对应的水质污染标注的训练数据集训练得到。
可见，实施该可选的实施例可以通过将该水质传感数据输入至的该水质传感数据的数据类型对应的训练好的第一神经网络模型中，以得到输出的该水质传感数据对应的水质污染程度参数，从而能够实现对河道的水质监测，另一方面在后续可以更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，第一确定模块203根据该水质传感数据对应的数据类型和数据参数，确定该水质传感数据对应的准确权重的具体方式，包括：
确定该水质传感数据对应的自主可移动传感器的历史水质传感记录；
计算历史水质传感记录中该水质传感数据的数据类型对应的记录的第一传感准确率；
计算所有自主可移动传感器的历史水质传感记录中，与数据参数相同的记录的第二传感准确率；传感准确率为记录中水质传感数据被第一神经网络模型判定为污染且实际出现污染情况的记录数量与总记录数量的比值；
将该水质传感数据对应的数据类型和数据参数输入至训练好的第二神经网络模型中，以得到输出的传感准确预测参数；第二神经网络模型通过包括有多个训练用的数据类型和数据参数和对应的传感是否准确标注的训练数据集训练得到；
计算第一传感准确率、第二传感准确率和传感准确预测参数的加权求和平均值，得到该水质传感数据对应的准确权重。
可见，实施该可选的实施例可以通过计算第一传感准确率、第二传感准确率和传感准确预测参数的加权求和平均值，得到该水质传感数据对应的准确权重，从而能够实现对河道的水质监测，另一方面在后续可以更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，第二确定模块204根据水质传感数据和水质污染参数，以及每一自主可移动传感器对应的污染度触发阈值，确定每一自主可移动传感器对应的控制参数的具体方式，包括：
对于每一自主可移动传感器，计算该自主可移动传感器对应的污染度处罚阈值和该自主可移动传感器获取的水质传感数据之间的差值；
计算差值和该自动可移动传感器对应的预设划分区域的水质污染参数之间的比值，得到该自主可移动传感器对应的污染影响因子；
根据处于同一预设划分区域中的所有自主可移动传感器的污染影响因子，确定该自主可移动传感器对应的控制参数。
可见，实施该可选的实施例可以根据处于同一预设划分区域中的所有自主可移动传感器的污染影响因子，确定该自主可移动传感器对应的控制参数，从而能够实现更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，第二确定模块204根据处于同一预设划分区域中的所有自主可移动传感器的污染影响因子，确定该自主可移动传感器对应的控制参数的具体方式，包括：
将处于同一预设划分区域中的所有其他自主可移动传感器确定为同区域传感器；
确定每一同区域传感器的当前位置；
根据当前位置，确定离该自主可移动传感器最近的预设数量个同区域传感器的影响因子的平均值，以得到该自主可移动传感器对应的周围影响因子；
判断该自主可移动传感器的影响因子是否大于周围影响因子，若是，则提高该自主可移动传感器的采样频率，否则，则降低采样频率。
可见，实施该可选的实施例可以根据影响因子的判断结果来控制自主可移动传感器对应的采样频率，从而能够实现更加精确和节能地控制传感器的动作，减少能耗。
作为一种可选的实施例，第二确定模块204根据处于同一预设划分区域中的所有自主可移动传感器的污染影响因子，确定该自主可移动传感器对应的控制参数的具体方式，还包括：
根据该自主可移动传感器对应的调整后的采样频率，以及预设的频率-速度对应关系，确定调整后的采样频率对应的采样时运行速度区间；
实时计算最近的预设数量个同区域传感器对应的采样时运行速度的加权求和平均值；其中，每一同区域传感器对应的权重与影响因子成反比；
判断该自动可移动传感器的采样时运行速度是否大于速度平均值，若是则在采样时运行速度区间内降低采样时运行速度，若否则在采样时运行速度区间内提高采样时运行速度。
可见，实施该可选的实施例可以根据采样时运行速度的判断结果来控制自主可移动传感器对应的采样时运行速度，从而能够实现更加精确和节能地控制传感器的动作，减少能耗。
实施例三：请参阅图3，图3是本发明实施例公开的另一种河道水质智能监测系统的结构示意图。如图3所示，该装置可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的河道水质智能监测方法中的部分或全部步骤。
实施例四：本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的河道水质智能监测方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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河道水质智能监测方法及系统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 (10)
1.一种河道水质智能监测方法，其特征在于，所述方法包括：
通过设置在目标河道区域中的不同预设划分区域中的自主可移动传感器，获取对应的所述预设划分区域中的水质传感数据；不同所述预设划分区域之间通过隔网隔开；
获取每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数；
根据每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数，确定每一所述预设划分区域对应的水质污染参数；
根据所述水质传感数据和所述水质污染参数，以及每一所述自主可移动传感器对应的污染度触发阈值，确定每一所述自主可移动传感器对应的控制参数；所述控制参数用于控制所述自主可移动传感器的水质采样动作以降低能耗。
2.根据权利要求1所述的河道水质智能监测方法，其特征在于，所述数据参数包括获取时间、获取位置、获取时速度和获取时设备参数中的至少两种；所述获取时设备参数包括设备类型、设备电量、设备健康度参数和设备磨损度参数中的至少一种；和/或，所述水质传感数据包括物理传感数据、化学物质含量传感数据、生物指标传感数据和放射性指标传感数据中的一种或多种；所述物理传感数据包括气味传感数据、温度传感数据、浑浊度传感数据、透明度传感数据、颜色传感数据中的至少一种；所述化学物质含量传感数据包括氯离子含量传感数据、铵离子含量传感数据、硝酸根离子含量传感数据、亚硝酸根离子含量传感数据、钾离子含量传感数据、钙离子含量传感数据、镁离子含量传感数据、钠离子含量传感数据、氟化物含量传感数据中的至少一种；所述生物指标传感数据包括细菌指标传感数据、大肠菌群指标传感数据、藻类指标传感数据中的至少一种；所述放射性指标传感数据包括α射线放射性指标传感数据、β射线放射性指标传感数据、铀放射性指标传感数据、镭放射性指标传感数据、钍放射性指标传感数据中的至少一种。
3.根据权利要求1所述的河道水质智能监测方法，其特征在于，所述根据每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数，确定每一所述预设划分区域对应的水质污染情况，包括：
对于每一所述预设划分区域，获取该预设划分区域中的所有所述自主可移动传感器获取到的所述水质传感数据和对应的数据参数；
对于该预设划分区域中的任一所述自主可移动传感器获取到的所述水质传感数据，根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数；
根据该水质传感数据对应的数据类型和所述数据参数，确定该水质传感数据对应的准确权重；
计算该水质传感数据对应的所述水质污染程度参数和所述准确权重的乘积，得到该水质传感数据对应的数据水质污染参数；
计算该预设划分区域中的所有所述自主可移动传感器的所有所述水质传感数据对应的所述数据水质污染参数的平均值，得到该预设划分区域对应的水质污染参数。
4.根据权利要求3所述的河道水污染监测方法，其特征在于，所述根据神经网络算法模型确定该水质传感数据对应的水质污染程度参数，包括：
将该水质传感数据输入至的该水质传感数据的数据类型对应的训练好的第一神经网络模型中，以得到输出的该水质传感数据对应的水质污染程度参数；所述第一神经网络模型通过包括有多个同一所述数据类型的训练水质传感数据和对应的水质污染标注的训练数据集训练得到。
5.根据权利要求4所述的河道水污染监测方法，其特征在于，所述根据该水质传感数据对应的数据类型和所述数据参数，确定该水质传感数据对应的准确权重，包括：
确定该水质传感数据对应的所述自主可移动传感器的历史水质传感记录；
计算所述历史水质传感记录中该水质传感数据的数据类型对应的记录的第一传感准确率；
计算所有所述自主可移动传感器的历史水质传感记录中，与所述数据参数相同的记录的第二传感准确率；所述传感准确率为所述记录中水质传感数据被所述第一神经网络模型判定为污染且实际出现污染情况的记录数量与总记录数量的比值；
将所述该水质传感数据对应的数据类型和所述数据参数输入至训练好的第二神经网络模型中，以得到输出的传感准确预测参数；所述第二神经网络模型通过包括有多个训练用的所述数据类型和所述数据参数和对应的传感是否准确标注的训练数据集训练得到；
计算所述第一传感准确率、所述第二传感准确率和所述传感准确预测参数的加权求和平均值，得到该水质传感数据对应的准确权重。
6.根据权利要求1所述的河道水质智能监测方法，其特征在于，所述根据所述水质传感数据和所述水质污染参数，以及每一所述自主可移动传感器对应的污染度触发阈值，确定每一所述自主可移动传感器对应的控制参数，包括：
对于每一所述自主可移动传感器，计算该自主可移动传感器对应的污染度处罚阈值和该自主可移动传感器获取的所述水质传感数据之间的差值；
计算所述差值和该自动可移动传感器对应的预设划分区域的所述水质污染参数之间的比值，得到该自主可移动传感器对应的污染影响因子；
根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数。
7.根据权利要求6所述的河道水质智能监测方法，其特征在于，所述根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数，包括：
将处于同一所述预设划分区域中的所有其他所述自主可移动传感器确定为同区域传感器；
确定每一所述同区域传感器的当前位置；
根据所述当前位置，确定离该自主可移动传感器最近的预设数量个所述同区域传感器的所述影响因子的平均值，以得到该自主可移动传感器对应的周围影响因子；
判断该自主可移动传感器的所述影响因子是否大于所述周围影响因子，若是，则提高该自主可移动传感器的采样频率，否则，则降低采样频率。
8.根据权利要求7所述的河道水质智能监测方法，其特征在于，所述根据处于同一所述预设划分区域中的所有所述自主可移动传感器的所述污染影响因子，确定该自主可移动传感器对应的控制参数，还包括：
根据该自主可移动传感器对应的调整后的采样频率，以及预设的频率-速度对应关系，确定所述调整后的采样频率对应的采样时运行速度区间；
实时计算所述最近的预设数量个所述同区域传感器对应的采样时运行速度的加权求和平均值；其中，每一所述同区域传感器对应的权重与所述影响因子成反比；
判断该自动可移动传感器的采样时运行速度是否大于所述速度平均值，若是则在所述采样时运行速度区间内降低采样时运行速度，若否则在所述采样时运行速度区间内提高采样时运行速度。
9.一种河道水质智能监测系统，其特征在于，所述系统包括：
第一获取模块，用于通过设置在目标河道区域中的不同预设划分区域中的自主可移动传感器，获取对应的所述预设划分区域中的水质传感数据；不同所述预设划分区域之间通过隔网隔开；
第二获取模块，用于获取每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数；
第一确定模块，用于根据每一所述自主可移动传感器获取的所述水质传感数据和对应的数据参数，确定每一所述预设划分区域对应的水质污染参数；
第二确定模块，用于根据所述水质传感数据和所述水质污染参数，以及每一所述自主可移动传感器对应的污染度触发阈值，确定每一所述自主可移动传感器对应的控制参数；所述控制参数用于控制所述自主可移动传感器的水质采样动作以降低能耗。
10.一种河道水质智能监测系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的河道水质智能监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311339929.2A CN117630309B (zh) | 2023-10-17 | 2023-10-17 | 一种河道水质智能监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311339929.2A CN117630309B (zh) | 2023-10-17 | 2023-10-17 | 一种河道水质智能监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117630309A true CN117630309A (zh) | 2024-03-01 |
| CN117630309B CN117630309B (zh) | 2024-05-28 |
Family
ID=90024250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311339929.2A Active CN117630309B (zh) | 2023-10-17 | 2023-10-17 | 一种河道水质智能监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117630309B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080178663A1 (en) * | 2007-01-31 | 2008-07-31 | Yingping Jeffrey Yang | Adaptive real-time contaminant detection and early warning for drinking water distribution systems |
| CN205864625U (zh) * | 2016-08-02 | 2017-01-04 | 苏州经贸职业技术学院 | 基于异构移动传感器网络的水环境监测平台及系统 |
| CN111970654A (zh) * | 2020-07-08 | 2020-11-20 | 成都慧简联信息科技有限公司 | 一种基于数据特征的传感器节点动态节能采样方法 |
| CN113811765A (zh) * | 2019-07-26 | 2021-12-17 | 科伦塔有限公司 | 用于监测区域的质量和确定区域的污染的方法和装置 |
| CN114924052A (zh) * | 2022-05-27 | 2022-08-19 | 浙江科新藻业科技有限公司 | 基于深度传感器的水质监测频率控制方法及系统 |
| CN115623419A (zh) * | 2022-12-05 | 2023-01-17 | 广东广宇科技发展有限公司 | 一种用于城市湖泊流域水质监测的传感器布置优化方法 |
| WO2023065622A1 (zh) * | 2021-10-20 | 2023-04-27 | 长视科技股份有限公司 | 一种基于分布式节点的水质报告的生成方法及电子设备 |
| CN116609500A (zh) * | 2023-06-02 | 2023-08-18 | 无锡点创科技有限公司 | 一种基于物联网的水质数据监测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113868347A (zh) * | 2021-08-26 | 2021-12-31 | 中国环境科学研究院 | 一种基于数字流域时空模型的污染排放确定方法和装置 |
| CN116819029B (zh) * | 2023-08-09 | 2024-02-09 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及系统 |
-
2023
- 2023-10-17 CN CN202311339929.2A patent/CN117630309B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080178663A1 (en) * | 2007-01-31 | 2008-07-31 | Yingping Jeffrey Yang | Adaptive real-time contaminant detection and early warning for drinking water distribution systems |
| CN205864625U (zh) * | 2016-08-02 | 2017-01-04 | 苏州经贸职业技术学院 | 基于异构移动传感器网络的水环境监测平台及系统 |
| CN113811765A (zh) * | 2019-07-26 | 2021-12-17 | 科伦塔有限公司 | 用于监测区域的质量和确定区域的污染的方法和装置 |
| US20220205966A1 (en) * | 2019-07-26 | 2022-06-30 | Currenta Gmbh & Co. Ohg | Method and apparatus for monitoring quality and determining contamination of an area |
| CN111970654A (zh) * | 2020-07-08 | 2020-11-20 | 成都慧简联信息科技有限公司 | 一种基于数据特征的传感器节点动态节能采样方法 |
| WO2023065622A1 (zh) * | 2021-10-20 | 2023-04-27 | 长视科技股份有限公司 | 一种基于分布式节点的水质报告的生成方法及电子设备 |
| CN114924052A (zh) * | 2022-05-27 | 2022-08-19 | 浙江科新藻业科技有限公司 | 基于深度传感器的水质监测频率控制方法及系统 |
| CN115623419A (zh) * | 2022-12-05 | 2023-01-17 | 广东广宇科技发展有限公司 | 一种用于城市湖泊流域水质监测的传感器布置优化方法 |
| CN116609500A (zh) * | 2023-06-02 | 2023-08-18 | 无锡点创科技有限公司 | 一种基于物联网的水质数据监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| YOUSEF HAMOUDA，等: "Variable sampling interval for energy-efficient heterogeneous precision agriculture using Wireless Sensor Networks", OURNAL OF KING SAUD UNIVERSITY – COMPUTER AND INFORMATION SCIENCES, vol. 32, 23 April 2018 (2018-04-23) * |
| 张美燕;蔡文郁;周丽萍;: "基于聚类模型预测的无线传感网自适应采样技术研究", 电子与信息学报, no. 01, 15 January 2015 (2015-01-15) * |
| 申志平;孙茜;王小艺;许继平;张慧妍;王立;: "能量有效的水质传感器网络优化部署方法", 现代电子技术, no. 14, 14 July 2020 (2020-07-14) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117630309B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116819029B (zh) | 一种河道水污染监测方法及系统 | |
| CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
| Thomas et al. | An evaluation of flow-stratified sampling for estimating suspended sediment loads | |
| CN116168771B (zh) | 一种基于物联网的河流中全氟化合物污染监测方法及系统 | |
| CN116227745B (zh) | 一种基于大数据的涉渔船舶调查分析方法及系统 | |
| CN111210128A (zh) | 一种基于人工智能及随机自适应阈值的湿地预警方法 | |
| CN117630309B (zh) | 一种河道水质智能监测方法及系统 | |
| CN117077854B (zh) | 基于传感器网络的楼宇能耗监控方法及系统 | |
| CN116612875A (zh) | 一种智能数字化管理制氧机监测控制系统 | |
| CN114492935A (zh) | 一种排污数据预测方法、装置、设备及介质 | |
| CN117114425B (zh) | 一种应对突发事件的智能预警方法、系统及介质 | |
| CN115327061B (zh) | 水质重金属检测方法、装置、设备及存储介质 | |
| CN115660413B (zh) | 一种用于污染场地地下水的风险管控系统 | |
| CN113643529B (zh) | 基于大数据分析的停车场车道拥堵预测方法及系统 | |
| CN114693493B (zh) | 一种基于IoT的污染河流水生态修复系统 | |
| CN114222142B (zh) | 基于脉冲神经网络的图像编码方法及装置 | |
| CN115700324A (zh) | 一种瓦温预警的方法、装置和电子设备 | |
| CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及系统 | |
| CN117235873B (zh) | 基于历史工作记录的智慧家居布局方法及系统 | |
| CN113108794B (zh) | 位置识别方法、装置、设备及计算机可读存储介质 | |
| CN118152939A (zh) | 一种智能消防数据处理方法及装置 | |
| CN116992696B (zh) | 一种基于数字孪生的渔具捕捞和破损监测方法及系统 | |
| CN113888844B (zh) | 光伏发电设备的遮挡预警方法、装置及电子设备 | |
| CN117125749A (zh) | 一种针对水路中藻类生长的智能处理方法及装置 | |
| CN114804381A (zh) | 水质处理方法、装置、电子设备及存储介质 |
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 |