CN106442908A - 基于红色斑马鱼应激行为的水质异常检测与分级报警方法 - Google Patents
基于红色斑马鱼应激行为的水质异常检测与分级报警方法 Download PDFInfo
- Publication number
- CN106442908A CN106442908A CN201610813716.2A CN201610813716A CN106442908A CN 106442908 A CN106442908 A CN 106442908A CN 201610813716 A CN201610813716 A CN 201610813716A CN 106442908 A CN106442908 A CN 106442908A
- Authority
- CN
- China
- Prior art keywords
- pollution
- fish
- water quality
- threshold value
- parameter
- 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
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
- G01N33/18—Water
- G01N33/186—Water using one or more living organisms, e.g. a fish
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于红色斑马鱼应激行为的水质异常检测与分级报警方法,包括以下步骤1、进行红色斑马鱼毒性试验,在正常情况、污染初期与污染末期三种情况下对红色斑马鱼的各项行为特征参数进行量化分析;2、对正常情况与污染初期、污染初期与污染末期这两组数据进行显著性检验,选择在这两组对比中具有显著性差异的参数作为水质监测的指标;3、设定报警阈值,包括一级阈值和二级阈值;4、将参数分别与阈值进行比较,当两个及两个以上参数同时达到一级阈值时报警;5、当两个及两个以上参数同时达到二级阈值时,判断是否进行过一级报警,若是则发出二级警报,否则不进行任何处理。本发明可实时有效监测水质变化,在发生污染时分级报警,提高报警的准确率。
Description
技术领域
本发明涉及一种检测水质的方法,具体涉及一种基于红色斑马鱼应激行为的水质异常检测与分级报警方法。
背景技术
现今社会的水污染问题越来越严重,影响到了人类生活与生态平衡,饮用水安全也成为人们越来越关注的问题之一,因此,很多学者致力于水质监测方法的研究。目前,现存的方法包括理化分析法和生物监测法。理化分析法依靠人工采集水样再对其进行物理和化学分析,该过程费时耗力,无法满足实时性要求。生物监测法通过分析水生生物的行为及生理特征变化判断水质状况,利用生物的富集作用可以检测出水体中微量的毒性元素,比传统的理化分析法更加快速灵敏、实时有效。
但是目前很多关于生物监测法的研究都聚焦于鱼类急性毒性试验,只针对正常情况和短期的异常情况这两种情况进行分析,对鱼类的各项行为参数的分析也不全面,主要为鱼类的运动速度和运动加速度,未发现对鱼群的位置分布进行分析。报警过程也存在很多问题,如没有对水质污染程度进行分级,容易出现误报、漏报等情况,不能反映污染随时间的变化过程。本发明针对这些问题给出了相应的解决办法。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种基于红色斑马鱼应激行为的水质异常检测与分级报警方法,及时发现并处理水质污染情况,提高报警准确率。
为实现上述目的,本发明采用以下技术方案:
基于红色斑马鱼应激行为的水质异常检测与分级报警方法,包括以下步骤:
步骤1:进行红色斑马鱼毒性试验,分别在正常情况、污染初期与污染末期三种情况下对红色斑马鱼的各项行为特征参数进行量化分析;
步骤2:对正常情况与污染初期、污染初期与污染末期这两组数据分别进行显著性检验,选择在这两组对比中具有显著性差异的参数作为水质监测的指标;
步骤3:根据大量实验的结果选定经验值作为实验的报警阈值,包括正常情况到污染初期的一级报警阈值以及污染初期到污染末期的二级报警阈值;
步骤4:对红色斑马鱼行为进行在线监测,将监测参数的量化结果分别与阈值进行比较,当两个及两个以上参数同时达到一级报警阈值时进行报警;
步骤5:当两个及两个以上参数同时达到二级阈值时,先判断是否进行过一级报警,若已经发过一级报警则发出二级警报,否则不进行任何处理。
步骤1的具体步骤如下:
(1)试验前设置适应期,提前把生物鱼养在实验水箱中,让鱼适应环境;
(2)在干净水质中进行正常阶段检测,量化分析鱼群的行为特征参数;
(3)从水箱的左边进水口导入含有毒性试剂的水质,水箱的右边出水口逐渐导出等量水,通过进行红色斑马鱼毒性试验,监测鱼群在污染初期的行为变化,量化分析鱼群的行为特征参数;
(4)随着水箱中毒性试剂逐渐加大,进行污染末期的监测,记录数据。
在实验过程中,通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,每5帧取平均值以对数据进行平滑处理。
步骤2中选择的参数为归一化速率、群心纵坐标、水平空间标准差、垂直空间标准差以及饱和度分量。红色斑马鱼行为特征参数的量化主要为以下几个方面:1.用归一化速率和加速度表征鱼群的活跃化程度,速率越大,说明鱼群受到刺激后反应强烈,运动量越大,越活跃;2.用群心坐标表征鱼群分布的中心位置,反映鱼群在水平和垂直方向上的分布中心,能够表现红色斑马鱼在某些情况下的逃避行为;3.用空间标准差表征鱼群在水平和垂直方向上空间分布的密集或离散程度,标准差越大,鱼群分布越离散;4.用饱和度分量表征鱼体颜色的变化,饱和度越大,鱼体颜色越鲜艳,否则越暗淡。
本发明先对以上三种情况下得到的各项参数的统计数据进行显著性检验,选择出具有显著性差异的参数作为监测水质的指标。根据经验值设定报警的阈值,把提取出的各项参数与阈值进行比较,当有两个及两个以上参数达到报警要求时,判定水质出现异常,进行报警。在正常情况到污染初期的过渡时期进行一级报警,提醒相关人员水质可能发生污染应当及时排查;在一级报警的基础上,当处于污染初期到污染末期的过渡期时进行二级报警,提醒相关人员水质污染已经持续很长一段时间,应当尽早处理。
步骤3中所述报警阈值的设定方法为:选择某一作为监测指标的参数在正常情况、污染初期以及污染末期的若干帧数据,分别求出正常情况的平均值、污染初期的平均值以及污染末期的平均值,然后将正常情况平均值与污染初期平均值的均值作为该参数的正常情况到污染初期的一级报警阈值,将污染初期平均值与污染末期平均值的均值作为污染初期到污染末期的二级报警阈值。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:
1、本发明利用图像处理技术在三种情况下分析红色斑马鱼应激行为,按照受污染的时间顺序联合多维参数分析红色斑马鱼行为特征信息并分两级进行报警,由于污染具有时间先后的顺序,因此只有在发生过一级报警后,才能进行二级报警,阈值是进行大量实验之后所选取的经验值,由此界定正常情况到污染初期、污染初期到污染末期的过渡时期。在整个过程中,为了做出准确的判断并降低报警错误率,使用多维参数进行联合报警,只有当两个以上的参数满足报警要求时才发出警报,这样可以有效提高报警准确率,同时给出了污染的时间信息。
2、生物监测法是以生物鱼的生理行为特征和应激反应作为参考从而监测水质的变化情况。单条鱼的行为或运动特征具有随机性,不能反映一般情况。因此本发明的方法是基于统计特性观测红色斑马鱼群体的行为变化,在一定程度上消除了随机性对结果的影响。个别鱼可能处于在水底休息或浮在水面呼吸的状态,但由于鱼群具有统计特性,个别鱼的异常行为不会影响鱼群的参数量化结果,从实验结果可以看出,参数量化的结果比较平稳,因此不会因为个别鱼的反常行为出现误检的结果。与单条鱼相比,使用鱼群进行实验提高了水质监测的准确性,降低了错误报警的概率。在目标检测、标记与跟踪的基础上,量化分析红色斑马鱼群体的活跃化程度、位置分布以及体色特征,综合分析红色斑马鱼行为和生理特征信息,从而判断水质是否发生变化。
3、根据红色斑马鱼的特性,选择其作为检查水质的参照物。红色斑马鱼的个体体积小,可以弥补摄像机摄像范围内鱼的个数太少而造成的测量误差,从而实现在水箱中对整个鱼群进行检测分析;红色斑马鱼的颜色鲜艳且对水质中的溶氧量和重金属离子含量较为敏感,有明显的应激反应,具体为:在水质正常的情况下,其体色很鲜艳,主要在水箱中下层活动;污染初期,部分鱼浮向水面,鱼群离散大;污染较为严重时,鱼的体色会逐渐变得暗淡,且几乎所有的斑马鱼都浮向水面吸收氧气,因此通过对红色斑马鱼的体色和在水箱中的分布位置,可以判断水质污染情况,且检测更为精确,分为两级警报;红色斑马鱼的成本较低,取材方便,在检测时将待检测水样放于水箱中,放入红色斑马鱼即可进行水质检测,避免了水质检测带来的二次污染,且操作简单,过程可控,成本低廉。
4、本发明采用鱼群运动的活跃程度如归一化速率、鱼群在水箱中的分布位置如群心纵坐标和垂直空间标准差,多角度结合分析红色斑马鱼的应激行为,所检测的水质污染情况更加准确和细化。
附图说明
图1为本方法的流程图;
图2(a)~(c)为归一化速率在三种情况下的参数曲线变化图;
图3为各个参数在正常情况和污染初期的统计分析结果的表格;
图4为各个参数在污染初期和污染末期的统计分析结果的表格;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
本发明基于红色斑马鱼应激行为的水质异常检测与分级报警方法的具体步骤如下:
步骤1:运用现有的图像处理技术对拍摄的红色斑马鱼视频图像进行运动目标检测、目标标记和跟踪,分三种情况进行红色斑马鱼毒性试验。按受到污染的时间顺序分为正常情况、污染初期和污染末期,分别对这三种情况下红色斑马鱼的行为特征参数进行量化分析。实验过程中尽量避免外界及人为干扰的影响,建立一个相对稳定的实验环境。每次随机选择十条生物鱼进行试验:
(1)试验前设置2~3小时的适应期,提前把生物鱼养在装有干净水质的水箱实验环境中,让鱼适应实验环境;
(2)在鱼群行为稳定下来后,进行约30分钟的正常阶段的检测,量化分析鱼群的行为特征参数,与污染初期的结果进行比较;
(3)加入适量毒性试剂(可选择纯硫酸铜),从水箱的左边进水口导入含有毒性试剂的水质,水箱的右边出水口逐渐导出等量水,进行约40分钟的污染初期的监测,监测其在污染初期的行为变化,量化分析鱼群的行为特征参数,与污染末期的数据做比较。可根据毒性试剂产生效果的时间灵活调整监测时间;
(4)进行约40分钟的污染末期监测,记录数据。
在实验过程中,通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,每五帧取平均值以对数据进行平滑处理,分析得到的数据,判断水质是否异常。
本发明基于计算机视觉,通过比较多种算法最终选用RGB颜色空间下的红蓝分量差分法对鱼群进行运动目标检测,再对检测出的目标进行二值图像标记,把每条鱼划分为不同的连通区域,然后对每个运动区域进行椭圆建模,通过匹配椭圆的典型特征实现目标跟踪,最终提取出红色斑马鱼各项行为参数进行量化分析。
步骤2:分别选择以上每种情况的500帧数据,对正常情况与污染初期、污染初期与污染末期分别得到的实验数据两两进行统计学显著性检验(或者选择秩和检验),判断哪些参数在这两组比较中具有显著性差异,选择其作为水质监测的指标,并用来作为报警的参考,见图3的表格中各个参数在正常情况和污染初期的统计分析结果,以及图4的表格中各个参数在污染初期和污染末期的统计分析结果。
最终选择的参数包括归一化速率、群心纵坐标、水平空间标准差、垂直空间标准差以及饱和度分量。其他参数暂时不考虑作为水质监测的指标。下面给出选定的参数在这三个阶段的变化过程。
(1)正常情况下,鱼群均匀分布在水箱中下层,游动规律;污染初期鱼群出现应激反应,运动加剧,归一化速率增大;随着污染时间增长,鱼群开始无力游动,归一化速率减小,直到鱼逐渐死亡,速率接近零。见图2(a)~(c)中归一化速率在正常情况、污染初期和污染末期这三种情况下的参数曲线变化图;整个过程的变化十分明显,归一化速率先增大后减小,所以可以选择鱼群的归一化速率量化其活跃程度,从而分析水体质量。
(2)随着污染时间增长,水中溶氧量逐渐减小,越来越多的鱼开始浮向水面吸收氧气,群心纵坐标在整个过程中逐渐减小;污染末期几乎所有浮出水面,群心纵坐标达到一个稳定的较小值。图像的坐标原点在左上角,因此纵坐标即垂直方向坐标的值越小,目标越接近水面。在这三个过程中,群心纵坐标一直呈现减小的趋势,是水质监测的重要指标之一。
(3)污染初期水质污染时,鱼群受到刺激反应强烈,活动量增大,群体在水平方向上分布变得离散,水平空间标准差逐渐增大;在污染末期,鱼群无力游动,均匀且离散地分布在水平方向上,水平空间标准差达到一个稳定的较大值。在这三个过程中,水平方向上的空间标准差呈现增大的趋势,可以考虑作为水质监测的指标。
(4)正常情况下,鱼群在水箱中下层活动,垂直空间标准差维持在一个稳定的较小值;受到污染时,水中溶氧量逐渐减小,由于每条鱼对于污染的反映存在差异,因此在污染初期部分鱼从水底浮向水面吸收氧气,部分鱼仍在中下层,鱼群在垂直方向上的分布离散程度增大,垂直空间标准差也增大;污染末期几乎所有鱼都浮出水面,此时鱼群在垂直方向上的分布变得集中,垂直空间标准差减小并接近零。在这三个过程中,垂直方向上的空间标准差先增大后减小,且变化明显,是进行水质监测的重要指标之一。
(5)红色斑马鱼的体色用HSI颜色空间下的饱和度S分量量化,由于各个像素点的饱和度分量的值存在差异,无法直接进行比较,因此计算运动目标的每个像素点的饱和度分量值的平均值作为参数指标。其体色在正常情况下很鲜艳,即饱和度较大。但当水环境受到重金属即铜离子的污染时,鱼的体色会逐渐变得暗淡,饱和度分量值也随之减小。因此,在整个过程中,饱和度分量呈现减小的趋势。但由于该项参数受到实验环境光线变化和拍摄角度的影响,而在实验过程中无法完全排除外界条件的干扰,因此得到的结果不总是准确,一般不优先考虑使用该项参数作为水质监测的指标。
步骤3:对选出的参数分别设定报警阈值。选择正常情况下若干帧(一般选500~1000帧)某参数的数据以及污染初期若干帧数据,分别求出它们的平均值和然后求出这两个值的均值作为该参数的正常情况到污染初期的一级报警阈值:
选择污染初期若干帧数据以及污染末期若干帧数据,分别求出它们的平均值和然后求出这两个值的均值作为污染初期到污染末期的二级报警阈值:
以归一化速率的参数为例,其在正常情况、污染初期与污染末期的平均值分别为1.29、3.46和0.53(单位是体长/秒)。因此,取其一级报警阈值为:
v_threshold1=(1.29+3.46)/2=2.375(BL/s)
取其二级报警阈值为:
v_threshold2=(3.46+0.53)/2=1.995(BL/s)
步骤4:对红色斑马鱼行为进行在线监测,将选择作为监测指标的各个参数分别与设定好的阈值进行比较。为了消除单一时刻参数的随机变化对结果的影响,将各个参数的若干帧数据的平均值与阈值进行比较。当两个及两个以上参数同时达到一级报警条件时进行报警,其中应该注意的是,若参数在正常情况到污染初期这一变化过程中是不断增大的,则当参数值大于平均值时报警;若参数是不断减小的,则当参数值小于平均值时报警。应该注意参数的变化趋势,体现出正常情况到污染初期的过渡阶段。
以归一化速率为例,选取归一化速率500帧(时间小于半分钟,可以满足实时性要求)数据的平均值与报警阈值进行比较。由于归一化速率在正常情况到污染初期的过渡期是增大的,故此时在满足的情况下进行报警。
步骤5:当两个及两个以上参数同时达到二级报警条件时,先判断是否进行过一级报警,若已经进行过一级报警,则说明此时处于污染初期到污染末期的过渡时期,应该发出二级警报;否则说明此时仍是正常情况,不进行任何处理,参见图1所示的工作流程图。
以归一化速率为例,归一化速率在污染初期到污染末期的过渡期是减小的,故进行二级报警的条件是:
但归一化速率正常情况与污染末期的值很接近,如果不在一级报警的基础上进行二级报警,很容易把正常情况也当作污染末期进行处理,发生误报的情况。
本发明按污染时间的顺序分三个阶段进行实验,分别在正常情况、污染初期和污染末期这三种情况下对红色斑马鱼的各项行为参数进行量化分析,通过统计学显著性检验选择出在这三个阶段中具有显著性差异的参数作为监测水质的指标。将这些指标与预先设定的阈值进行比较,在正常情况到污染初期、污染初期到污染末期这两个过渡时期进行分级报警。本发明为了提高报警的准确率,使用多维参数联合报警,只有当两个及两个以上参数达到报警要求时才进行报警。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.基于红色斑马鱼应激行为的水质异常检测与分级报警方法,其特征在于:包括以下步骤:
步骤1:进行红色斑马鱼毒性试验,分别在正常情况、污染初期与污染末期三种情况下对红色斑马鱼的各项行为特征参数进行量化分析;
步骤2:对正常情况与污染初期、污染初期与污染末期这两组数据分别进行显著性检验,选择在这两组对比中具有显著性差异的参数作为水质监测的指标;
步骤3:根据大量实验的结果选定经验值作为实验的报警阈值,包括正常情况到污染初期的一级报警阈值以及污染初期到污染末期的二级报警阈值;
步骤4:对红色斑马鱼行为进行在线监测,将监测参数的量化结果分别与阈值进行比较,当两个及两个以上参数同时达到一级报警阈值时进行报警;
步骤5:当两个及两个以上参数同时达到二级阈值时,先判断是否进行过一级报警,若已经发过一级报警则发出二级警报,否则不进行任何处理。
2.根据权利要求1所述的基于红色斑马鱼应激行为的水质异常检测与分级报警方法,其特征在于:在实验过程中,通过摄像机捕捉鱼群的动态视频图像,利用计算机对视频进行实时分析,提取出鱼群的参数信息,每5帧取平均值以对数据进行平滑处理,并选用RGB颜色空间下的红蓝分量差分法对鱼群进行运动目标检测,再对检测出的目标进行二值图像标记,把每条鱼划分为不同的连通区域,然后对每个运动区域进行椭圆建模,通过匹配椭圆的典型特征实现目标跟踪,最终提取出红色斑马鱼各项行为参数进行量化分析。
3.根据权利要求1所述的基于红色斑马鱼应激行为的水质异常检测与分级报警方法,其特征在于:步骤2中选择的参数为归一化速率、群心纵坐标、水平空间标准差、垂直空间标准差以及饱和度分量。
4.根据权利要求1所述的基于红色斑马鱼应激行为的水质异常检测与分级报警方法,其特征在于:步骤2中选择的参数为归一化速率、群心纵坐标、垂直空间标准差。
5.根据权利要求1所述的基于红色斑马鱼应激行为的水质异常检测与分级报警方法,其特征在于:步骤3中所述报警阈值的设定方法为:选择正常情况下若干帧(一般选500~1000帧)某参数的数据以及污染初期若干帧数据,分别求出它们的平均值和然后求出这两个值的均值作为该参数的正常情况到污染初期的一级报警阈值:
选择污染初期若干帧数据以及污染末期若干帧数据,分别求出它们的平均值和然后求出这两个值的均值作为污染初期到污染末期的二级报警阈值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610813716.2A CN106442908B (zh) | 2016-09-09 | 2016-09-09 | 基于红色斑马鱼应激行为的水质异常检测与分级报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610813716.2A CN106442908B (zh) | 2016-09-09 | 2016-09-09 | 基于红色斑马鱼应激行为的水质异常检测与分级报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106442908A true CN106442908A (zh) | 2017-02-22 |
CN106442908B CN106442908B (zh) | 2019-02-26 |
Family
ID=58167535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610813716.2A Active CN106442908B (zh) | 2016-09-09 | 2016-09-09 | 基于红色斑马鱼应激行为的水质异常检测与分级报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106442908B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940363A (zh) * | 2017-03-14 | 2017-07-11 | 山东省科学院海洋仪器仪表研究所 | 一种基于海洋生物行为反应的海洋污染预警方法 |
CN108510481A (zh) * | 2018-03-22 | 2018-09-07 | 杨明 | 基于图像处理的污水处理***及方法 |
CN110702869A (zh) * | 2019-11-01 | 2020-01-17 | 无锡中科水质环境技术有限公司 | 基于视频图像解析的鱼类应激回避行为水质监测方法 |
CN111257528A (zh) * | 2020-02-11 | 2020-06-09 | 北京知天地环境科技有限公司 | 水质综合毒性自动检测预警装置 |
CN111398550A (zh) * | 2020-04-16 | 2020-07-10 | 江苏小鱼环境科技有限公司 | 一种适用于低浓度毒性再生水的生物监测方法 |
CN111443053A (zh) * | 2020-04-08 | 2020-07-24 | 重庆大学 | 基于生物行为学与多光谱的水质在线监测预警*** |
CN111522860A (zh) * | 2020-04-08 | 2020-08-11 | 蚌埠学院 | 一种基于生物行为的水质预警分析方法及其*** |
CN111855946A (zh) * | 2020-07-31 | 2020-10-30 | 维尔利环保科技集团股份有限公司 | 基于鱼类行为解析的水质分析方法 |
CN112415182A (zh) * | 2020-11-13 | 2021-02-26 | 内蒙古大学 | 一种基于斑马鱼行为的化学品毒性检测方法 |
CN113380339A (zh) * | 2021-06-17 | 2021-09-10 | 中国环境科学研究院 | 区域空间污染特征的检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS571969A (en) * | 1980-06-06 | 1982-01-07 | Hitachi Ltd | Detector for changes in water quality |
US5469144A (en) * | 1990-11-13 | 1995-11-21 | Biological Monitoring, Inc. | Method and apparatus using threshold techniques for generating an alarm in a bio-sensor |
CN1793913A (zh) * | 2005-12-28 | 2006-06-28 | 浙江工业大学 | 基于机器视觉的生物式水质监测装置 |
CN101726568A (zh) * | 2009-11-24 | 2010-06-09 | 环境保护部华南环境科学研究所 | 一种水环境安全预警预测方法 |
CN102339521A (zh) * | 2011-06-14 | 2012-02-01 | 华南理工大学 | 利用水生生物行为图像提取的水源水突发污染的预警方法 |
CN102565295A (zh) * | 2010-11-02 | 2012-07-11 | 环境电子株式会社 | 水质自动监视装置和关于水质自动监视装置的低浓度有毒物质检测方法 |
CN102841187A (zh) * | 2012-09-11 | 2012-12-26 | 深圳市开天源自动化工程有限公司 | 基于鱼类多样本统计的水质污染预警***及预警方法 |
CN103487561A (zh) * | 2013-09-17 | 2014-01-01 | 河海大学 | 基于生物种群组块识别突发性水污染的预警装置及方法 |
CN104833784A (zh) * | 2015-05-19 | 2015-08-12 | 山东建筑大学 | 一种基于斑马鱼运动速度变化测定水质生物毒性的方法 |
-
2016
- 2016-09-09 CN CN201610813716.2A patent/CN106442908B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS571969A (en) * | 1980-06-06 | 1982-01-07 | Hitachi Ltd | Detector for changes in water quality |
US5469144A (en) * | 1990-11-13 | 1995-11-21 | Biological Monitoring, Inc. | Method and apparatus using threshold techniques for generating an alarm in a bio-sensor |
CN1793913A (zh) * | 2005-12-28 | 2006-06-28 | 浙江工业大学 | 基于机器视觉的生物式水质监测装置 |
CN101726568A (zh) * | 2009-11-24 | 2010-06-09 | 环境保护部华南环境科学研究所 | 一种水环境安全预警预测方法 |
CN102565295A (zh) * | 2010-11-02 | 2012-07-11 | 环境电子株式会社 | 水质自动监视装置和关于水质自动监视装置的低浓度有毒物质检测方法 |
CN102339521A (zh) * | 2011-06-14 | 2012-02-01 | 华南理工大学 | 利用水生生物行为图像提取的水源水突发污染的预警方法 |
CN102841187A (zh) * | 2012-09-11 | 2012-12-26 | 深圳市开天源自动化工程有限公司 | 基于鱼类多样本统计的水质污染预警***及预警方法 |
CN103487561A (zh) * | 2013-09-17 | 2014-01-01 | 河海大学 | 基于生物种群组块识别突发性水污染的预警装置及方法 |
CN104833784A (zh) * | 2015-05-19 | 2015-08-12 | 山东建筑大学 | 一种基于斑马鱼运动速度变化测定水质生物毒性的方法 |
Non-Patent Citations (5)
Title |
---|
IK JOON KANG等: "Biological Monitoring for Detection of Toxic Chemicals in Water by the Swimming Behavior of Small Freshwater Fish", 《J. FAC. AGR., KYUSHU UNIV.》 * |
YINGRONG LI等: "A New Classifier Applied to Biological Early Warning Systems for Toxicity Detection", 《INTERNATIONAL CONFERENCE ON APPLICATIONS OF DIGITAL INFORMATION & WEB OF TECHNOLOGIES》 * |
廖悦: "基于计算机视觉的水质在线鱼类预警技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杜秋菊: "基于鱼群跟踪和行为分析的在线生物水质预警技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄毅等: "斑马鱼群体行为变化用于水质在线预警的研究", 《环境科学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940363A (zh) * | 2017-03-14 | 2017-07-11 | 山东省科学院海洋仪器仪表研究所 | 一种基于海洋生物行为反应的海洋污染预警方法 |
CN106940363B (zh) * | 2017-03-14 | 2019-04-30 | 山东省科学院海洋仪器仪表研究所 | 一种基于海洋生物行为反应的海洋污染预警方法 |
CN108510481A (zh) * | 2018-03-22 | 2018-09-07 | 杨明 | 基于图像处理的污水处理***及方法 |
CN110702869A (zh) * | 2019-11-01 | 2020-01-17 | 无锡中科水质环境技术有限公司 | 基于视频图像解析的鱼类应激回避行为水质监测方法 |
CN111257528A (zh) * | 2020-02-11 | 2020-06-09 | 北京知天地环境科技有限公司 | 水质综合毒性自动检测预警装置 |
CN111443053A (zh) * | 2020-04-08 | 2020-07-24 | 重庆大学 | 基于生物行为学与多光谱的水质在线监测预警*** |
CN111522860A (zh) * | 2020-04-08 | 2020-08-11 | 蚌埠学院 | 一种基于生物行为的水质预警分析方法及其*** |
CN111398550A (zh) * | 2020-04-16 | 2020-07-10 | 江苏小鱼环境科技有限公司 | 一种适用于低浓度毒性再生水的生物监测方法 |
CN111855946A (zh) * | 2020-07-31 | 2020-10-30 | 维尔利环保科技集团股份有限公司 | 基于鱼类行为解析的水质分析方法 |
CN111855946B (zh) * | 2020-07-31 | 2022-06-28 | 维尔利环保科技集团股份有限公司 | 基于鱼类行为解析的水质分析方法 |
CN112415182A (zh) * | 2020-11-13 | 2021-02-26 | 内蒙古大学 | 一种基于斑马鱼行为的化学品毒性检测方法 |
CN113380339A (zh) * | 2021-06-17 | 2021-09-10 | 中国环境科学研究院 | 区域空间污染特征的检测方法 |
CN113380339B (zh) * | 2021-06-17 | 2022-02-08 | 中国环境科学研究院 | 区域空间污染特征的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106442908B (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106442908A (zh) | 基于红色斑马鱼应激行为的水质异常检测与分级报警方法 | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN103761826B (zh) | 一种热成像视频双鉴林火识别***的识别方法 | |
JP5586889B2 (ja) | 粒子画像解析装置 | |
CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
Kaixuan et al. | Target detection method for moving cows based on background subtraction | |
JP2007187575A (ja) | 水質監視装置および水質監視方法 | |
CN110702869A (zh) | 基于视频图像解析的鱼类应激回避行为水质监测方法 | |
Liao et al. | Application of biomonitoring and support vector machine in water quality assessment | |
Kunjulakshmi et al. | Development of portable, non-destructive freshness indicative sensor for Indian Mackerel (Rastrelliger kanagurta) stored under ice | |
CN113128385A (zh) | 一种有毒藻类监测预警方法及*** | |
CN108776143A (zh) | 一种鸡蛋蛋壳表面微小污斑的在线视觉检测装置及方法 | |
CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及*** | |
CN103033462B (zh) | 用于分析体液的方法和设备 | |
CN108801361B (zh) | 一种理化生物结合的水质监测装置 | |
CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
CN111860437A (zh) | 一种基于面部表情判断疲劳程度的方法及装置 | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及*** | |
Dewan et al. | Estimation of sperm concentration and total motility from microscopic videos of human semen samples | |
CN117079082A (zh) | 一种智能视觉图像目标物的检测方法、装置及dmc设备 | |
CN112487976A (zh) | 基于图像识别的监测方法、装置和存储介质 | |
CN111144221A (zh) | 一种通过图像识别技术对曝气池运行情况评价的方法、装置 | |
CN114324382A (zh) | 面板端子清洁度检测方法及面板端子清洁度检测装置 | |
EP1512955A1 (en) | Localization of a point source of a visualized gas leak | |
Liu et al. | Contaminant classification using cosine distances based on multiple conventional sensors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |