CN112418128A - 地表水监控管理***及方法 - Google Patents
地表水监控管理***及方法 Download PDFInfo
- Publication number
- CN112418128A CN112418128A CN202011379262.5A CN202011379262A CN112418128A CN 112418128 A CN112418128 A CN 112418128A CN 202011379262 A CN202011379262 A CN 202011379262A CN 112418128 A CN112418128 A CN 112418128A
- Authority
- CN
- China
- Prior art keywords
- water body
- body image
- image
- water
- abnormal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及水资源监控技术领域,具体涉及一种地表水监控管理***,包括:采集单元,用于实时采集地表水水面的水体图像;过滤单元,用于对水体图像进行过滤处理;储存单元,用于储存过滤处理后的水体图像;训练单元,用于获得神经网络模型;处理单元,用于对过滤处理后的水体图像进行漂浮物识别和颜色识别,判断水体是否异常,在水体异常时对水体图像中异常的区域进行标记;显示单元,用于在可视化界面显示标记的区域。本发明结合神经网络对水样图像进行漂浮物和颜色的识别,标记异常区域,并以可视化的方式进行显示,解决了现有技术忽略了水面漂浮物和水体颜色等明显变化,从而无法在水质发生变化时及时进行预警的技术问题。
Description
技术领域
本发明涉及水资源监控技术领域,具体涉及一种地表水监控管理***及方法。
背景技术
地表水,是指陆地表面上动态水和静态水的总称,包括各种液态和固态的水体,主要有河流、湖泊、冰川,是人类生活用水非常重要的来源。随着环境污染的日益加剧,对河流、湖泊等地表水的水质进行监控就显得尤为重要了。
比如说,中国专利CN110456722A公开一种湖水水质监控与预测***,包括图像采集模块、图像预处理模块、水质检测模块、温度检测模块、处理模块、水质数据库、预测评估模块和显示终端;图像采集模块与图像预处理模块连接,处理模块分别与图像预处理模块、水质检测模块、温度检测模块、水质数据库和预测评估模块连接,水质数据库分别与图像预处理模块和水质检测模块连接,预测评估模块分别与显示终端连接。
在上述技术方案中,通过采集湖水水面的图像并进行对比,获取湖水颜色,根据检测的湖水颜色并结合酸碱度、溶氧量和细菌含量,综合统计湖水水质的安全影响系数,可实现对水质的监控与预测。但是,这种方式需要长久的数据库作为基础,而且重点在于从微观层面对水质进行检测,忽略了水面漂浮物和水体颜色等明显变化,从而无法在水质发生变化时及时进行预警。
发明内容
本发明提供一种地表水监控管理***,解决了现有技术忽略了水面漂浮物和水体颜色等明显变化,从而无法在水质发生变化时及时进行预警的技术问题。
本发明提供的基础方案为:地表水监控管理***,包括:
采集单元,用于实时采集地表水水面的水体图像,并发送水体图像;
过滤单元,用于接收水体图像,对水体图像进行过滤处理,并发送过滤处理后的水体图像;
储存单元,用于接收过滤处理后的水体图像,并储存过滤处理后的水体图像;
训练单元,用于获取过滤处理后的水体图像,以过滤处理后的水体图像为基础生成对应的多尺度训练样本数据,并使用多尺度训练样本数据对神经网络进行训练,获得神经网络模型;
处理单元,用于根据神经网络模型对过滤处理后的水体图像进行漂浮物识别,得到水面上漂浮物的数量;对过滤处理后的水体图像进行颜色识别,得到水体图像与正常图像的RGB差值;并根据漂浮物的数量和RGB差值判断水体是否异常,在水体异常时对水体图像中异常的区域进行标记;
显示单元,用于在可视化界面显示标记的区域。
本发明的工作原理及优点在于:首先,以过滤处理后的水体图像为基础生成对应的多尺度训练样本数据,并使用多尺度训练样本数据对神经网络进行训练,从而获得神经网络模型。然后,结合基于神经网络的图像分析方法,对水样图像进行漂浮物和颜色的识别,标记异常区域,并以可视化的方式进行显示。这样,通过图像处理及可视化技术的处理,能够实时对水面上的漂浮物以及水体的颜色进行监控,从而及时发现水体的明显变化,便于相关人员及时掌握水体的空间状态并针对性制定策略。
本发明结合神经网络的图像分析方法,对水样图像进行漂浮物和颜色的识别,标记异常区域,并以可视化的方式进行显示,解决了现有技术忽略了水面漂浮物和水体颜色等明显变化,从而无法在水质发生变化时及时进行预警的技术问题。
进一步,进行漂浮物识别具体包括:提取水样图像的关键点数据,并通过神经网络模型进行一致性匹配,获得匹配结果;根据匹配结果,确定漂浮物的识别结果。
有益效果在于:由于关键点数据代表了漂浮物的本质特征,通过这样的方式,可以快速、准确地对漂浮物进行识别。
进一步,进行漂浮物识别具体包括:对水体图像进行图像分割处理,去除与水体无关的信息,得到分割后的图像;对分割后的图像进行灰度处理,将彩色的水体图像处理为灰度的水体图像;采用边缘检测算法对灰度的水体图像中的漂浮物进行识别。
有益效果在于:在大多数情况下,根据边缘特征就可以识别出漂浮物,通过这样的方式,采用边缘检测算法可便捷地识别出漂浮物。
进一步,得到水体图像与正常图像的RGB差值具体包括:读取水体图像和正常图像中每个像素点的RGB值,并转化为16进制存入到以水体图像宽×高为大小的两个数组中;对相同位置的数据进行比较,若不相等计为1;统计计为1的个数并除以水体图像总的像素点个数,即得到RGB差值。
有益效果在于:通过这样的方式,可得到水体图像和正常图像的RGB差值,从而为后续判断提供准确的参考依据。
进一步,根据漂浮物的数量和RGB差值判断水体是否异常具体为,当漂浮物的数量大于、等于数量阈值且RGB差值大于、等于差值阈值时,判定水体异常。
有益效果在于:通过这样的方式,既考虑了漂浮物的数量,又考虑了水面的颜色,能够准确地判断水体是否异常,从而防止误判。
本发明还提供一种地表水监控管理方法,包括步骤:
S1、实时采集地表水水面的水体图像;
S2、对水体图像进行过滤处理,并储存过滤处理后的水体图像;
S3、获取过滤处理后的水体图像,以过滤处理后的水体图像为基础生成对应的多尺度训练样本数据,并使用多尺度训练样本数据对神经网络进行训练,从而获得神经网络模型;
S4、根据神经网络模型对过滤处理后的水体图像进行漂浮物识别,得到水面上漂浮物的数量;对过滤处理后的水体图像进行颜色识别,得到水体图像与正常图像的RGB差值;并根据漂浮物的数量和RGB差值判断水体是否异常,在水体异常时对水体图像中异常的区域进行标记;
S5、在可视化界面显示标记的区域。
本发明的工作原理及优点在于:以过滤处理后的水体图像为基础生成对应的多尺度训练样本数据,并使用多尺度训练样本数据对神经网络进行训练,从而获得神经网络模型。结合基于神经网络的图像分析方法,对水样图像进行漂浮物和颜色的识别,标记异常区域,并以可视化的方式进行显示。通过这样的方式,能够实时对水面上的漂浮物以及水体的颜色进行监控。
进一步,S4中,进行漂浮物识别具体包括:
A1、提取水样图像的关键点数据,并通过神经网络模型进行一致性匹配,获得匹配结果;
A2、根据匹配结果,确定漂浮物的识别结果。
有益效果在于:通过这样的方式,可以快速、准确地对漂浮物进行识别。
进一步,S4中,进行漂浮物识别具体包括:
B1、对水体图像进行图像分割处理,去除与水体无关的信息,得到分割后的图像;
B2、对分割后的图像进行灰度处理,将彩色的水体图像处理为灰度的水体图像;
B3、采用边缘检测算法对灰度的水体图像中的漂浮物进行识别。
有益效果在于:在大多数情况下,通过这样的方式,采用边缘检测算法可便捷地识别出漂浮物,从而提高识别的效率。
进一步,得到水体图像与正常图像的RGB差值具体包括:
C1、读取水体图像和正常图像中每个像素点的RGB值,并转化为16进制存入到以水体图像宽×高为大小的两个数组中;
C2、对相同位置的数据进行比较,若不相等计为1;
C3、统计计为1的个数,并除以水体图像总的像素点个数,即得到RGB差值。
有益效果在于:通过这样的方式,可得到水体图像和正常图像的RGB差值,从而为后续判断提供准确的参考依据。
进一步,S4中,根据漂浮物的数量和RGB差值判断水体是否异常具体为,当漂浮物的数量大于、等于数量阈值且RGB差值大于、等于差值阈值时,判定水体异常。
有益效果在于:这样,既考虑了漂浮物的数量,又考虑了水面的颜色,能够准确地判断水体是否异常,从而防止误判。
附图说明
图1为本发明地表水监控管理***实施例的***结构框图。
图2为本发明一种水环境大数据监控***实施例3的采集装置的结构示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
说明书附图中的附图标记包括:第一支杆1、第二支杆2、转动杆3、梢钉4、弹簧5、拉力传感器6、控制器7、水质检测器8、滤板9、壳体10。
实施例1
本发明地表水监控管理***实施例基本如附图1所示,包括:
采集单元,用于实时采集地表水水面的水体图像,并发送水体图像;
过滤单元,用于接收水体图像,对水体图像进行过滤处理,并发送过滤处理后的水体图像;
储存单元,用于接收过滤处理后的水体图像,并储存过滤处理后的水体图像;
训练单元,用于获取过滤处理后的水体图像,以过滤处理后的水体图像为基础生成对应的多尺度训练样本数据,并使用多尺度训练样本数据对神经网络进行训练,获得神经网络模型;
处理单元,用于根据神经网络模型对过滤处理后的水体图像进行漂浮物识别,得到水面上漂浮物的数量;对过滤处理后的水体图像进行颜色识别,得到水体图像与正常图像的RGB差值;并根据漂浮物的数量和RGB差值判断水体是否异常,在水体异常时对水体图像中异常的区域进行标记;
显示单元,用于在可视化界面显示标记的区域。
在本实施例中,采集单元为摄像头或者摄像机;过滤单元、训练单元和处理单元均集成在服务器上,通过软件/程序/代码实现其功能;储存单元为固态硬盘,安装在服务器上;显示单元为显示屏。
具体实施过程如下:
S1、实时采集地表水水面的水体图像。
通过摄像头或者摄像机24小时实时地采集地表水水面的水体图像,比如说河流,采集完毕后,将水体图像发送到服务器。
S2、对水体图像进行过滤处理,并储存过滤处理后的水体图像。
当服务器接收到水体图像后,过滤单元对水体图像进行过滤处理,具体而言,本实施例中采用中值滤波算法对水体图像进行滤波,处理完毕后将其储存到服务器上的固态硬盘中。
S3、获取过滤处理后的水体图像,以过滤处理后的水体图像为基础生成对应的多尺度训练样本数据,并使用多尺度训练样本数据对神经网络进行训练,从而获得神经网络模型。
本实施例中,在固态硬盘中预先存储有大量以前采集的水体图像,每次采集的水体图像经过滤波处理后都会被放入固态硬盘中,从而不断扩大固态硬盘中水体图像的数量。故而,本实施例中,从固态硬盘中获取的水体图像既包括本次采集的水体图像,也包括过去时间采集的水体图像,固态硬盘中大量的水样图像可以作为训练数据,用以训练神经网络模型。
具体而言,首先,对获取的水样图像提取关键点数据,生成与水样图像相对应的多尺度训练样本数据,关键点数据包括在不同尺度下所观测到漂浮物的颜色梯度数据、尺寸数据、形状数据、曲率数据以及漂浮物附近的水花形态数据;然后,将这些多尺度训练样本数据作为训练数据集合,对神经网络进行训练,获得对应的神经网络模型。
S4、根据神经网络模型对过滤处理后的水体图像进行漂浮物识别,得到水面上漂浮物的数量;对过滤处理后的水体图像进行颜色识别,得到水体图像与正常图像的RGB差值;并根据漂浮物的数量和RGB差值判断水体是否异常,在水体异常时对水体图像中异常的区域进行标记。
首先,进行漂浮物识别。也即,提取本次采集的水样图像的关键点数据,比如说,漂浮物的颜色梯度数据、尺寸数据、形状数据、曲率数据以及漂浮物附近的水花形态数据。提取完毕后,通过神经网络模型进行一致性匹配获得匹配结果,确定漂浮物的识别结果。比如说,神经网络模型进行一致性匹配结果表明,本次采集的水样图像中漂浮物的颜色梯度数据、尺寸数据、形状数据、曲率数据以及漂浮物附近的水花形态数据与数据库中某个水样图像中塑料瓶的颜色梯度数据、尺寸数据、形状数据、曲率数据以及其附近的水花形态数据一致,那么本次采集的水样图像中的漂浮物就为塑料瓶,并统计塑料瓶的个数。
接着,计算水体图像与正常图像的RGB差值。具体而言,本实施例中,固态硬盘中还储存有地表水水面的正常图像。从固态硬盘中提取出正常图片,读取本次采集的水体图像和正常图像中每个像素点的RGB值,并将每个像素点的RGB值转化为16进制的形式,将其存入到以本次采集的水体图像的宽×高为大小的两个数组中。再对相同位置的数据进行比较,若不相等计为1,统计计为1的个数,并除以本次采集的水体图像总的像素点个数,即得到RGB差值,比如说RGB差值为0.05。
最后,根据漂浮物的数量和RGB差值判断水体是否异常。本实施例中,数量阈值为10,差值阈值为0.10,当漂浮物的数量大于、等于10且RGB差值大于、等于0.10时,判定水体异常;反之,判定水体正常。在水体异常时,将本次采集的水体图像中异常的区域以线框或者高亮的形式标记出来。
S5、在可视化界面显示标记的区域。
最后,在显示屏上显示出,在本次采集的水体图像中标记出的水体异常的区域,从而便于相关人员及时采取措施。
实施例2
与实施例1不同之处仅在于,在进行漂浮物识别时,先通过边缘检测算法识别,若不能识别出漂浮物,再根据关键点数据进行识别。通过边缘检测算法识别漂浮物的步骤如下:首先,对水体图像进行图像分割处理,比如说,采用区域分割技术对本次采集的水体图像进行图像分割处理,去除与水体无关的信息,得到分割后的图像。接着,对分割后的图像进行灰度处理,比如说,采用最大值法、平均值法或加权平均值法,将彩色的水体图像处理为灰度的水体图像。最后,采用边缘检测算法对灰度的水体图像中的漂浮物进行识别。也即,根据像素点上下、左右相邻点的灰度加权差的极值检测边缘,并提取水体图像中区域的轮廓,从而对漂浮物进行识别。
实施例3
与实施例2不同之处仅在于,还包括采集装置,如附图2所示,采集装置包括:第一支杆1、第二支杆2、转动杆3、梢钉4、弹簧5、拉力传感器6、控制器7、水质检测器8、滤板9、壳体10。壳体10为圆筒形,壳体10的左右两端均安装有滤板9,比如说,通过螺丝进行安装;滤板9上均有钻有多个滤孔。第一支杆1一端焊接在壳体10内壁上,控制器7和水质检测器8固定安装在第一支杆1的另一端上,比如说,通过螺丝安装,或者用钢丝进行固定。第二支杆2一端焊接在壳体10的内壁上,另一端与转动杆3铰接,也即通过梢钉4铰接,转动杆3可以绕梢钉4的轴线自由转动。拉力传感器6固定安装在壳体10内壁的上壁面上,弹簧5一端与拉力传感器6固定连接,另一端焊接在转动杆上。
在本实施例中,生态环境数据通过水质检测器8进行采集,初始时,转动杆3处于自然下垂状态,弹簧5处于自然长度状态,将采集装置放入河里。当河水从右往左流经采集装置时,由于壳体10的两端设有滤板9,野草、青苔、浮萍等杂物就会被阻挡,从而防止杂物附着在水质检测器8上,避免水质检测器8不能正常工作。在河水的向左的冲击力的作用下,转动杆3会向左偏转,使得弹簧5的长度变长,拉力传感器6便检测到弹簧5的拉力,并将拉力发送到控制器7。
根据基本的物理学知识可知,在一段时间内,如果河水匀速流动,也即河水的流速不随时间发生变化,那么拉力传感器6检测到的拉力就应该大致相等;如果河水加速流动,也即河水的流速随时间逐渐增大,那么拉力传感器6检测到的拉力也应该逐渐增大;如果河水减速流动,也即河水的流速随时间逐渐减小,那么拉力传感器6检测到的拉力也应该逐渐减小。
在本实施例中,在河水的流速稳定后水质检测器8才开始采集数据,具体而言:拉力传感器6实时采集弹簧5的拉力,并将采集到的拉力发送到控制器7;控制器7在接收到拉力以后,判断在预设时长内拉力是否大致相等:如果在预设时长内拉力大致相等,发送控制信号到水质检测器8,水质检测器8接收到控制信号后开始采集数据;反之,如果在预设时长内拉力没有大致相等,则不发送控制信号到水质检测器8。通过这样的方式,在拉力稳定后,也即河水的流速稳定后才进行数据采集;相较于直接开始数据采集,得到数据更加可靠,受偶然的因素的影响较小。
比如说,预设时长为5分钟,如果这段时间内的拉力都在2N左右波动,最大的拉力为2.1N、最小的拉力为1.9N,拉力波动不超过5%,说明这段时间河水的流速比较稳定,采集的数据也会比较可靠,从而开始采集数据;反之,如果这段时间内最大的拉力为2.5N、最小的拉力为1.0N,拉力波动甚至达到了50%,说明这段时间河水的流速不稳定,采集的数据随机性较强,无法反应河水的真实情况,故而不开始采集数据。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.地表水监控管理***,其特征在于,包括:
采集单元,用于实时采集地表水水面的水体图像,并发送水体图像;
过滤单元,用于接收水体图像,对水体图像进行过滤处理,并发送过滤处理后的水体图像;
储存单元,用于接收过滤处理后的水体图像,并储存过滤处理后的水体图像;
训练单元,用于获取过滤处理后的水体图像,以过滤处理后的水体图像为基础生成对应的多尺度训练样本数据,并使用多尺度训练样本数据对神经网络进行训练,获得神经网络模型;
处理单元,用于根据神经网络模型对过滤处理后的水体图像进行漂浮物识别,得到水面上漂浮物的数量;对过滤处理后的水体图像进行颜色识别,得到水体图像与正常图像的RGB差值;并根据漂浮物的数量和RGB差值判断水体是否异常,在水体异常时对水体图像中异常的区域进行标记;
显示单元,用于在可视化界面显示标记的区域。
2.如权利要求1所述的地表水监控管理***,其特征在于,进行漂浮物识别具体包括:提取水样图像的关键点数据,并通过神经网络模型进行一致性匹配,获得匹配结果;根据匹配结果,确定漂浮物的识别结果。
3.如权利要求2所述的地表水监控管理***,其特征在于,进行漂浮物识别具体包括:对水体图像进行图像分割处理,去除与水体无关的信息,得到分割后的图像;对分割后的图像进行灰度处理,将彩色的水体图像处理为灰度的水体图像;采用边缘检测算法对灰度的水体图像中的漂浮物进行识别。
4.如权利要求3所述的地表水监控管理***,其特征在于,得到水体图像与正常图像的RGB差值具体包括:读取水体图像和正常图像中每个像素点的RGB值,并转化为16进制存入到以水体图像宽×高为大小的两个数组中;对相同位置的数据进行比较,若不相等计为1;统计计为1的个数并除以水体图像总的像素点个数,即得到RGB差值。
5.如权利要求4所述的地表水监控管理***,其特征在于,根据漂浮物的数量和RGB差值判断水体是否异常具体为,当漂浮物的数量大于、等于数量阈值且RGB差值大于、等于差值阈值时,判定水体异常。
6.地表水监控管理方法,其特征在于,包括步骤:
S1、实时采集地表水水面的水体图像;
S2、对水体图像进行过滤处理,并储存过滤处理后的水体图像;
S3、获取过滤处理后的水体图像,以过滤处理后的水体图像为基础生成对应的多尺度训练样本数据,并使用多尺度训练样本数据对神经网络进行训练,从而获得神经网络模型;
S4、根据神经网络模型对过滤处理后的水体图像进行漂浮物识别,得到水面上漂浮物的数量;对过滤处理后的水体图像进行颜色识别,得到水体图像与正常图像的RGB差值;并根据漂浮物的数量和RGB差值判断水体是否异常,在水体异常时对水体图像中异常的区域进行标记;
S5、在可视化界面显示标记的区域。
7.如权利要求6所述的地表水监控管理方法,其特征在于,S4中,进行漂浮物识别具体包括:
A1、提取水样图像的关键点数据,并通过神经网络模型进行一致性匹配,获得匹配结果;
A2、根据匹配结果,确定漂浮物的识别结果。
8.如权利要求7所述的地表水监控管理方法,其特征在于,S4中,进行漂浮物识别具体包括:
B1、对水体图像进行图像分割处理,去除与水体无关的信息,得到分割后的图像;
B2、对分割后的图像进行灰度处理,将彩色的水体图像处理为灰度的水体图像;
B3、采用边缘检测算法对灰度的水体图像中的漂浮物进行识别。
9.如权利要求8所述的地表水监控管理方法,其特征在于,得到水体图像与正常图像的RGB差值具体包括:
C1、读取水体图像和正常图像中每个像素点的RGB值,并转化为16进制存入到以水体图像宽×高为大小的两个数组中;
C2、对相同位置的数据进行比较,若不相等计为1;
C3、统计计为1的个数,并除以水体图像总的像素点个数,即得到RGB差值。
10.如权利要求9所述的地表水监控管理方法,其特征在于,S4中,根据漂浮物的数量和RGB差值判断水体是否异常具体为,当漂浮物的数量大于、等于数量阈值且RGB差值大于、等于差值阈值时,判定水体异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011379262.5A CN112418128B (zh) | 2020-11-30 | 2020-11-30 | 地表水监控管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011379262.5A CN112418128B (zh) | 2020-11-30 | 2020-11-30 | 地表水监控管理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418128A true CN112418128A (zh) | 2021-02-26 |
CN112418128B CN112418128B (zh) | 2022-01-21 |
Family
ID=74830693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011379262.5A Active CN112418128B (zh) | 2020-11-30 | 2020-11-30 | 地表水监控管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418128B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903007A (zh) * | 2021-12-10 | 2022-01-07 | 宁波弘泰水利信息科技有限公司 | 一种用于水利行业的智能场景分析*** |
CN114445699A (zh) * | 2021-11-16 | 2022-05-06 | 广州山水怡人园林生态有限公司 | 水体景观换水管理方法、管理装置和管理*** |
WO2022217589A1 (zh) * | 2021-04-16 | 2022-10-20 | 长沙有色冶金设计研究院有限公司 | 基于深度学习的水质图像分析方法、***、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140025481A1 (en) * | 2012-07-20 | 2014-01-23 | Lg Cns Co., Ltd. | Benefit promotion advertising in an augmented reality environment |
CN108020443A (zh) * | 2016-11-02 | 2018-05-11 | 郑州富铭环保科技有限公司 | 一种用于水质在线分析仪测定等比例混合水样的采样装置 |
CN108535269A (zh) * | 2018-04-24 | 2018-09-14 | 中国水利水电科学研究院 | 基于薄层水流水动力特性的溢洪道安全检测***和方法 |
CN108647574A (zh) * | 2018-04-10 | 2018-10-12 | 江河瑞通(北京)技术有限公司 | 漂浮物图像检测模型生成方法、识别方法及设备 |
CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
CN109242861A (zh) * | 2018-08-23 | 2019-01-18 | 成都信息工程大学 | 一种基于图像处理的水质监控方法 |
CN208420967U (zh) * | 2018-06-28 | 2019-01-22 | 梅府 | 一种核电厂温排水监测装置 |
CN111289768A (zh) * | 2020-03-25 | 2020-06-16 | 南京管科智能科技有限公司 | 一种柔性电子水尺及采用该水尺测流速的方法 |
-
2020
- 2020-11-30 CN CN202011379262.5A patent/CN112418128B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140025481A1 (en) * | 2012-07-20 | 2014-01-23 | Lg Cns Co., Ltd. | Benefit promotion advertising in an augmented reality environment |
CN108020443A (zh) * | 2016-11-02 | 2018-05-11 | 郑州富铭环保科技有限公司 | 一种用于水质在线分析仪测定等比例混合水样的采样装置 |
CN108647574A (zh) * | 2018-04-10 | 2018-10-12 | 江河瑞通(北京)技术有限公司 | 漂浮物图像检测模型生成方法、识别方法及设备 |
CN108535269A (zh) * | 2018-04-24 | 2018-09-14 | 中国水利水电科学研究院 | 基于薄层水流水动力特性的溢洪道安全检测***和方法 |
CN208420967U (zh) * | 2018-06-28 | 2019-01-22 | 梅府 | 一种核电厂温排水监测装置 |
CN109187534A (zh) * | 2018-08-01 | 2019-01-11 | 江苏凯纳水处理技术有限公司 | 水质检测方法及其水样图像识别装置 |
CN109242861A (zh) * | 2018-08-23 | 2019-01-18 | 成都信息工程大学 | 一种基于图像处理的水质监控方法 |
CN111289768A (zh) * | 2020-03-25 | 2020-06-16 | 南京管科智能科技有限公司 | 一种柔性电子水尺及采用该水尺测流速的方法 |
Non-Patent Citations (1)
Title |
---|
程诚 等: "智慧视频识别在水利信息化中的应用", 《四川水利》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022217589A1 (zh) * | 2021-04-16 | 2022-10-20 | 长沙有色冶金设计研究院有限公司 | 基于深度学习的水质图像分析方法、***、设备及介质 |
CN114445699A (zh) * | 2021-11-16 | 2022-05-06 | 广州山水怡人园林生态有限公司 | 水体景观换水管理方法、管理装置和管理*** |
CN114445699B (zh) * | 2021-11-16 | 2022-11-04 | 广州山水怡人园林生态有限公司 | 水体景观换水管理方法、管理装置和管理*** |
CN113903007A (zh) * | 2021-12-10 | 2022-01-07 | 宁波弘泰水利信息科技有限公司 | 一种用于水利行业的智能场景分析*** |
Also Published As
Publication number | Publication date |
---|---|
CN112418128B (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418128B (zh) | 地表水监控管理***及方法 | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN105675623B (zh) | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 | |
KR101858339B1 (ko) | 카메라를 이용한 기상관측 장치 및 이를 제어하는 방법 | |
CN113658174B (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN112857471B (zh) | 工业物联网的化工废水处理排放在线监测预警管理云平台 | |
CN109859170A (zh) | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及*** | |
CN111598098A (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN115526515B (zh) | 一种水利水电用闸门的安全监测*** | |
CN105930852A (zh) | 一种气泡图像识别方法 | |
CN116012701A (zh) | 一种基于矾花检测的水处理加药控制方法及装置 | |
CN115330799B (zh) | 一种仪表自动化故障诊断方法 | |
CN109242861A (zh) | 一种基于图像处理的水质监控方法 | |
CN112883802A (zh) | 一种管道光纤振动安全预警***破坏性事件的识别方法 | |
CN107977531B (zh) | 一种基于图像处理和数学模型的接地电阻软测量方法 | |
CN113781537A (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
CN114387235B (zh) | 一种水环境监测方法及*** | |
CN117372377B (zh) | 一种单晶硅棱线的断线检测方法、装置及电子设备 | |
CN110363749A (zh) | 基于图像处理的防震锤锈蚀程度评价方法 | |
CN113781469A (zh) | 基于yolo改进模型的安全头盔佩戴检测的方法及*** | |
DE112018000224T5 (de) | Verfahren und Vorrichtung zum Positionieren von Probenschlitzen | |
CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
KR102281100B1 (ko) | 지하 매설관 이상 탐지 시스템 및 방법 | |
CN115508528A (zh) | 一种河湖水质-水动力学在线智能监测***和方法 | |
CN108764311A (zh) | 一种遮挡目标检测方法、电子设备、存储介质及*** |
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 |