CN113128385A - 一种有毒藻类监测预警方法及*** - Google Patents
一种有毒藻类监测预警方法及*** Download PDFInfo
- Publication number
- CN113128385A CN113128385A CN202110378839.9A CN202110378839A CN113128385A CN 113128385 A CN113128385 A CN 113128385A CN 202110378839 A CN202110378839 A CN 202110378839A CN 113128385 A CN113128385 A CN 113128385A
- Authority
- CN
- China
- Prior art keywords
- algae
- toxic
- recognition
- trained
- image data
- 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
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 452
- 231100000331 toxic Toxicity 0.000 title claims abstract description 97
- 230000002588 toxic effect Effects 0.000 title claims abstract description 97
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000013145 classification model Methods 0.000 claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 231100000419 toxicity Toxicity 0.000 claims abstract description 20
- 230000001988 toxicity Effects 0.000 claims abstract description 20
- 230000005859 cell recognition Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 27
- 241000282414 Homo sapiens Species 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 36
- 238000004891 communication Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 231100000614 poison Toxicity 0.000 description 6
- 230000007096 poisonous effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000000684 flow cytometry Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 231100000252 nontoxic Toxicity 0.000 description 3
- 230000003000 nontoxic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000520272 Pantoea Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000206761 Bacillariophyta Species 0.000 description 1
- 101100494773 Caenorhabditis elegans ctl-2 gene Proteins 0.000 description 1
- 241000199914 Dinophyceae Species 0.000 description 1
- 101100112369 Fasciola hepatica Cat-1 gene Proteins 0.000 description 1
- 241000192701 Microcystis Species 0.000 description 1
- 101100005271 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) cat-1 gene Proteins 0.000 description 1
- 241000200174 Noctiluca Species 0.000 description 1
- 238000004847 absorption spectroscopy Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000001506 fluorescence spectroscopy Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003068 molecular probe Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种有毒藻类监测预警方法及***,该方法包括:获取待监测的藻类图像数据;将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到;根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。本发明实现了对水域内有毒藻类的监测预警,节省了人力资源,提高了藻类识别效率。
Description
技术领域
本发明涉及水质监测技术领域,尤其涉及一种有毒藻类监测预警方法及***。
背景技术
水体富营养化会导致藻类大量繁殖,快速产生有害藻华引发赤潮,严重破坏水生态环境,威胁人类生命安全。对有毒藻类的种类和数量进行监测是对预警赤潮、保护水生态环境的重要手段之一。
传统的藻类监测方法主要依靠具有大量藻种类别经验的技术人员操作,专业技术人员按照国家标准规定的浮游植物计数法,依靠肉眼通过显微镜观测样品中的不同藻类并进行分类、识别和计数等操作。同时,针对藻类识别问题,很多学者也提出各种各样的办法,如基于藻类化学特性的高效液相色谱法、荧光光谱法、吸收光谱法;基于遗传物质的流式细胞仪法、分子探针法;利用藻类外观形态的显微镜观察法和数字图像分析法等。
然而,传统的藻类监测方法鉴定工作繁琐复杂,需要大量人力和时间,同时依赖于主观判别方法难以快速准确地判定藻类细胞的类别,造成藻类监测识别困难、识别周期长,实践中具有一定的局限性。目前采用的流式细胞计等仪器,价格昂贵、操作复杂,且偏重于细胞计数,不适合大规模的推广应用。现有的藻类识别方法所识别的藻种范围有限,且普遍性差,易受到不同藻类特征的限制。如果针对水域内拍摄的大量照片进行监测预警,也难以满足***算力的需求。
发明内容
针对现有技术存在的问题,本发明提供一种有毒藻类监测预警方法及***。
本发明提供一种有毒藻类监测预警方法,包括:
获取待监测的藻类图像数据;
将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的;
根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
根据本发明提供的一种有毒藻类监测预警方法,所述训练好的藻类识别分类模型是通过以下步骤训练得到:
根据标记有藻类种类标签的藻类图像样本数据,构建训练样本集;
将所述训练样本集分别输入到多个预设卷积神经网络中进行藻类细胞计数和藻类细胞识别分类,获取训练好的藻类识别分类模型。
根据本发明提供的一种有毒藻类监测预警方法,所述根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果,包括:
对每个藻类细胞识别分类结果进行判断;若判断获知任一细胞识别分类结果中存在有毒藻种细胞的类别,并根据判断结果,生成对应的有毒藻种细胞预警结果。
根据本发明提供的一种有毒藻类监测预警方法,所述方法还包括:
所述训练好的藻类识别分类模型是在云服务器平台中训练得到的。
根据本发明提供的一种有毒藻类监测预警方法,所述方法还包括:所述待监测的藻类图像数据通过边缘计算网关获取,所述训练好的藻类识别分类模型存储在所述边缘计算网关中。
根据本发明提供的一种有毒藻类监测预警方法,在所述将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中之前,所述方法还包括:
对所述待监测的藻类图像数据进行预处理,所述预处理包括高斯滤波处理、边缘连接处理和图像形态学处理。
本发明还提供一种有毒藻类监测预警***,包括:
采集模块,用于获取待监测的藻类图像数据;
处理模块,用于将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的;
判断模块,用于根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
根据本发明提供的一种有毒藻类监测预警***,所述***还包括训练模块,所述训练模块包括:
训练样本构建单元,用于根据标记有藻类种类标签的藻类图像样本数据,构建训练样本集;
训练单元,用于将训练样本集分别输入到多个预设卷积神经网络中进行藻类细胞计数和藻类细胞识别分类,获取训练好的藻类识别分类模型。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述有毒藻类监测预警方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述有毒藻类监测预警方法的步骤。
本发明提供的有毒藻类监测预警方法及***,通过将待监测的藻类图像数据输入到多个藻类识别分类子模型,获取多个藻类细胞识别结果,以根据藻类细胞识别结果对图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果,实现了对水域内有毒藻类的监测预警,节省了人力资源,提高了藻类识别效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明提供的有毒藻类监测预警方法的流程示意图;
图2为本发明提供的有毒藻类监测预警***的结构示意图;
图3为本发明提供的基于边缘计算网关设备实现有毒藻类监测预警的整体流程图。
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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。
图1为本发明提供的有毒藻类监测预警方法的流程示意图,如图1所示,本发明提供了一种有毒藻类监测预警方法,包括:
步骤101,获取待监测的藻类图像数据。
在本发明中,对水域藻类情况进行监测,利用监测水域的视觉传感器拍摄和采集大量藻类图像数据,每张藻类图像含有的藻类数量、种类不一。
步骤102,将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的。
在本发明中,训练好的藻类识别分类模型中包含有多个藻类识别分类子模型,每个藻类识别分类子模型分别对各自相应的神经网络进行独立训练,且每个藻类识别分类子模型输入的藻类图像样本数据是标注有不同藻类种类标签的。例如,标记种类标签的藻类有脆杆藻、鼓藻、微囊藻(有毒)、夜光藻(有毒)等。
进一步地,将待监测的藻类图像数据输入到训练好的藻类识别分类模型中,通过每个藻类识别分类子模型分别对藻类图像数据进行不同藻类细胞的计数和识别,得到多个藻类识别分类子模型的细胞识别结果,其中,对不同藻类细胞进行计数主要是针对水质情况进行监测,分析优势群落组成,评价水生态***的状况。
可选地,多个藻类细胞识别结果包括但不限于藻类细胞的识别分类结果、不同藻类细胞的数量和有毒藻类细胞占比量。
可选地,通过对水域内的多个地点分别进行藻类图像数据采集,对采集到的待监测藻类图像数据中的藻类细胞进行计数和识别,选取有毒藻类细胞的统计数量,并对多个有毒藻类细胞的统计数量求取平均值,获取监测水域内有毒藻类细胞占比量。
可选地,本发明提出的有毒藻类监测预警方法可应用于监测预警具备污染性的有害藻类,例如可以是容易引发赤潮的蓝藻、硅藻和甲藻。
步骤103,根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
在本发明中,将多个藻类细胞识别结果进行整合识别,即通过多个藻类识别分类子模型的细胞识别结果,得到待监测的藻类图像对应的藻类细胞所属类别,并根据预设有毒藻类判别标准,对藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
本发明提供的有毒藻类监测预警方法,通过将待监测的藻类图像数据输入到多个藻类识别分类子模型,获取多个藻类细胞识别结果,以根据藻类细胞识别结果对所述藻类细胞进行毒性判别,生成有毒藻种细胞预警结果,实现对水域内有毒藻类的监测预警,节省了人力资源,提高了藻类识别效率。
在上述实施例的基础上,所述训练好的藻类识别分类模型是通过以下步骤训练得到:
根据标记有藻类种类标签的藻类图像样本数据,构建训练样本集;
将所述训练样本集分别输入到多个预设卷积神经网络中进行藻类细胞计数和藻类细胞识别分类,获取训练好的藻类识别分类模型。
在本发明中,样本藻类图像数据包括但不限于国内外水生物研究中心的数据库资源、实地水体采样拍摄图像数据以及爱好者的图片资源,采用这些数据构建针对藻类识别分类模型的训练样本集。将标注有藻类种类标签的训练样本集分别输入到多个藻类识别分类子模型中,根据藻类图像训练样本集对不同的预设卷积神经网络进行藻类细胞计数和藻类细胞识别分类训练,提取低维的基本特征和高阶抽象特征,得到多个训练好的不同的藻类识别分类子模型。
可选地,预设卷积神经网络是根据藻类细胞图像样本数据的特征选择的,卷积神经网络模型包括但不限于AlexNet、VGG、GoogLeNet、ResNet、MobileNet、ShuffleNet、EfficientNet。利用多个不同的预设卷积神经网络分别对藻类细胞图像进行特征提取和训练,当满足预设的训练次数以及收敛条件时,即得到多个训练好的藻类识别分类子模型。
在上述实施例的基础上,所述根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果,包括:
对每个藻类细胞识别分类结果进行判断;若判断获知任一细胞识别分类结果中存在有毒藻种细胞的类别,并根据判断结果,生成对应的有毒藻种细胞预警结果。
在本发明中,根据每个藻类识别分类子模型的藻类细胞识别结果,监测水域的藻类图像中的藻类细胞是否为有毒藻种。通过预设有毒藻类判别标准,对图像数据中的藻类细胞进行毒性判别,生成对应的有毒藻种细胞预警结果,即如果存在至少一个藻类识别分类子模型对藻类细胞的识别结果为有毒藻种细胞,此时启动预警功能,将有毒藻类的数量和类别信息传输到监测控制中心,通知监测人员查看处理,实现水域内有毒藻类数量和类别的监测预警;如果每个藻类识别分类子模型中对藻类细胞的识别结果中都不存在有毒藻种细胞,则判断待监测的藻类图像数据对应的藻类细胞为无毒藻种细胞,则继续监测水域内水质情况。
通过对每个藻类细胞识别分类结果进行判断,并将多个藻类细胞识别结果进行整合识别,若识别出有毒藻类细胞,则开启预警功能,将有毒藻类的数量和类别信息等重要信息发送到监测控制中心,便于监测人员实时在线监测,在实际工作中起到一定的初筛作用,大大节省了人力物力。
在上述实施例的基础上,所述方法还包括:
所述训练好的藻类识别分类模型是在云服务器平台中训练得到的。
在本发明中,将标记有藻类种类标签的样本藻类图像数据上传至云服务器平台,通过预先在云服务器平台对输入的藻类图像样本数据进行细胞计数和有毒藻类细胞识别训练,以训练出多个针对藻类识别分类的子神经网络模型,不仅有助于提高神经网络模型训练的准确性,还便于将训练好的藻类识别分类模型下载至边缘计算网关。
在上述实施例的基础上,所述方法还包括:所述待监测的藻类图像数据通过边缘计算网关获取,所述训练好的藻类识别分类模型存储在所述边缘计算网关中。
在本发明中,对水域藻类情况进行监测,在边缘计算网关上利用监测水域的视觉传感器拍摄和采集大量藻类图像数据,将采集到的待监测的藻类图片数据上传到边缘计算网关,即将待监测的藻类图像输入到边缘计算网关中存储的多个藻类识别分类子模型里,通过多个藻类识别分类子模型对待监测的藻类图像进行自动细胞计数和细胞识别分类。
在上述实施例的基础上,在所述将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中之前,所述方法还包括:
对所述待监测的藻类图像数据进行预处理,所述预处理包括高斯滤波处理、边缘连接处理和图像形态学处理。
在本发明中,采集藻类图像数据时会产生噪声干扰,为了增加图像数据后续处理的准确性,抑制噪声带来的影响,需对藻类图像数据进行去噪处理,去噪实质是一种低通滤波的方式。可选地,采用均值掩膜、中值掩膜或高斯掩膜对藻类图像数据进行处理。
优选地,对藻类图像数据进行预处理时采用高斯掩膜,即通过高斯滤波对待监测的藻类图像数据进行卷积处理,从而实现降噪的目的。
进一步地,对藻类图像数据进行边缘连接处理,通过双阈值方法来实现边缘选取,筛选边缘像素点,将这些边缘像素点通过边缘连接得到轮廓图。
进一步地,对藻类图像数据进行图像形态学处理,对图像中表示形状的图像分量进行腐蚀和膨胀运算,减小图像中毛刺和孔洞带来的干扰。
图2为本发明提供的有毒藻类监测预警***的结构示意图,如图2所示,本发明提供了一种有毒藻类监测预警***,包括采集模块201、处理模块202和判断模块203,其中,采集模块201用于获取待监测的藻类图像数据;处理模块202用于将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的;判断模块203用于根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
可选地,采集模块201位于全志A64 CPU开发的电路板中,用于获取待监测的藻类图像数据;处理模块202和判断模块203位于Nvidia jetson nano开发套件中,用于对输入到藻类识别分类模型中的待监测藻类图像进行图像处理和计算处理,获取待监测的藻类图像数据的多个藻类细胞识别结果,根据预设有毒藻类判别标准,对图像数据中的藻类细胞进行毒性判别,即如果存在至少一个藻类识别分类子模型对藻类细胞的识别结果为有毒藻种细胞,则判断待监测的藻类图像数据对应的藻类细胞为有毒藻种细胞,如果每个藻类识别分类子模型中对藻类细胞的识别结果中都不存在有毒藻种细胞,则判断待监测的藻类图像数据对应的藻类细胞为无毒藻种细胞,从而获取待监测的藻类图像数据中藻类细胞的所属类别。
本发明提供的有毒藻类监测预警***,通过将待监测的藻类图像数据输入到多个藻类识别分类子模型,获取多个藻类细胞识别结果,以根据藻类细胞识别结果并结合预设有毒藻类判别标准,对图像数据中的藻类细胞进行毒性判别,得到藻类图像的所属类别和毒性判别结果,实现对水域内有毒藻类的监测预警,节省了人力资源,提高了藻类识别效率。
在上述实施例的基础上,所述***还包括训练模块,所述训练模块包括:
训练样本构建单元,用于根据标记有藻类种类标签的藻类图像样本,构建训练样本集;
训练单元,用于将训练样本集分别输入到多个预设卷积神经网络中进行藻类细胞计数和藻类细胞识别分类,获取训练好的藻类识别分类模型。
在本发明中,通过训练样本构建单元构建标记有藻类种类标签的藻类图像数据训练样本集。可选地,训练单元设置在云服务器平台,将标记有藻类种类标签的藻类图像样本数据上传至云服务器平台中的多个预设卷积神经网络,根据不同的预设卷积神经网络对输入的藻类图像样本数据进行细胞计数和有毒藻类细胞识别训练,提取低维的基本特征和高阶抽象特征,训练得到多个针对藻类识别分类的神经网络子模型。
可选地,预设卷积神经网络是根据藻类细胞图像样本数据的特征选择的,卷积神经网络模型包括但不限于AlexNet、VGG、GoogLeNet、ResNet、MobileNet、ShuffleNet、EfficientNet。利用多个不同的卷积神经网络分别对藻类细胞图像进行特征提取和训练,当满足预设的训练次数以及收敛条件时,即得到多个训练好的藻类识别分类子模型。
在一个实施例中,提供一种基于边缘计算网关设备的实现有毒藻类自动计数识别的***。该***包括通讯模块、云服务器平台、边缘计算网关等模块。通讯模块用于与互联网进行通信以及与云服务器平台进行数据的高速互联;云服务器平台根据预设卷积神经网络,预先对藻类图像数据进行计数和识别分类的训练,得到训练好的多个藻类识别分类子模型;边缘计算网关通过通讯模块与云服务器平台通讯连接,用于实现数据的采集和图像数据的处理计算。
在本发明中,边缘计算网关设备包括电路板卡(即采集模块)和Nvidia jetsonnano开发套件(即处理模块和判断模块)。电路板卡基于全志A64 CPU开发,支持安卓、Ubuntu、QT等***,电路板卡用于对藻类图像数据进行采集,Nvidia jetson nano是当前最优的10w以下功耗的可运行神经网络的Tensorflow运算设备,用于对藻类图像进行图像处理和计算处理。电路板卡包含处理器单元、存储单元、电源单元、通信单元以及多种接口。处理器单元包含采用64位四核Cortex-A53 CPU架构的全志A64 CPU;存储单元包括1G/2GDDR3内存和16G/32G eMMC5.0内置存储器,配合处理器数据存储;电源单元为电路提供5V电源;通信单元包括WiFi和蓝牙4.0模块,并设置BLE接口,预留NB-IoT、Zigbee、LoRa、5G CAT1的物联网接口,与物联网进行通信;设置4G接口,预留了5G eMBB接口,实现与云端数据的高速互联;接口集成两路USB2.0接口,TF卡接口,OTG接口以及串口,提供MIPI接口,最大可支持1900x1200分辨率LCD屏幕,可支持7寸显示屏,将计算结果或者摄像头采集数据通过显示屏显示实现可视化;提供CSI摄像头接口,最高500w像素的高清摄像头输入,支持定焦/自动对焦,用于摄像头传感器采集的图像等数据输入。电路板卡支持H.265/H.264视频硬件解码,采用全志丽色***2.0显示技术,支持wmv、avi、rmvb、mp4、flv等视频格式,支持eMMC与TF卡双方式启动,支持快速冷启动***。
图3为本发明提供的基于边缘计算网关设备实现有毒藻类监测预警的整体流程图,如图3所示,通过边缘计算网关对水域内的有毒藻类进行监测预警,具体方法为:利用监测水域的视觉传感器拍摄和采集大量藻类图像数据,将标记有藻类种类标签的藻类图像样本数据上传至云服务器平台,通过预先在云服务器平台对输入的藻类图像样本数据进行细胞计数和有毒藻类细胞识别训练,以训练得到多个针对藻类识别分类的卷积神经网络模型;将在云服务器平台训练好的多个针对藻类识别分类的卷积神经网络模型下载至边缘计算网关上,并进行存储。将实际待监测的藻类图片数据上传到边缘计算网关,利用下载的多个神经网络分类子模型对输入的藻类图像数据自动进行藻类细胞计数,并分别对图像中的藻种细胞进行识别分类,如果存在至少一个藻类识别分类子模型对藻类细胞的识别结果为有毒藻种细胞,此时启动预警功能,将有毒藻类的数量和类别信息上传到云服务器平台,云服务器平台将此类重要信息传输给监测控制中心,通知监测人员查看处理,实现水域内有毒藻类数量和类别的监测预警;如果每个藻类识别分类子模型中对藻类细胞的识别结果都不存在有毒藻种细胞,则待监测的藻类图像数据对应的藻类细胞为无毒藻种细胞,继续监测水域内水质情况。
本发明通过边缘计算网关设备可以有效解决算力问题,能够显著提高藻类计数识别的效率;通过在云端训练神经网络模型,下载到边缘计算网关后对水域内拍摄的藻类图像数据进行有毒藻类的自动计数和识别,若识别出有毒藻类,则启动预警功能,将有毒藻类的数量和类别信息等传输到可视化监测终端,克服了以往的人工藻类监测识别困难、识别周期长和分类有限的问题,提高了藻类计数和识别的效率,可大大节约人力资源,节省鉴定时间,实现对水域内有毒藻类数量和类别的监测预警。
本发明提供的***是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图4为本发明提供的一种电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行有毒藻类监测预警方法,该方法包括:获取待监测的藻类图像数据;将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的;根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的有毒藻类监测预警方法,该方法包括:获取待监测的藻类图像数据;将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的;根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的有毒藻类监测预警方法,该方法包括:获取待监测的藻类图像数据;将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的;根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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。
通过以上的实施方式的描述,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,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种有毒藻类监测预警方法,其特征在于,包括:
获取待监测的藻类图像数据;
将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的;
根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
2.根据权利要求1所述的有毒藻类监测预警方法,其特征在于,所述训练好的藻类识别分类模型是通过以下步骤训练得到:
根据标记有藻类种类标签的藻类图像样本数据,构建训练样本集;
将所述训练样本集分别输入到多个预设卷积神经网络中进行藻类细胞计数和藻类细胞识别分类,获取训练好的藻类识别分类模型。
3.根据权利要求1所述的有毒藻类监测预警方法,其特征在于,根据所述多个藻类细胞识别结果,对所述待监测的藻类图像数据中的藻类细胞进行毒性判别,生成有毒藻种细胞预警结果,包括:
对每个藻类细胞识别分类结果进行判断;若判断获知任一细胞识别分类结果中存在有毒藻种细胞的类别,并根据判断结果,生成对应的有毒藻种细胞预警结果。
4.根据权利要求2所述的有毒藻类监测预警方法,其特征在于,所述方法还包括:
所述训练好的藻类识别分类模型是在云服务器平台中训练得到的。
5.根据权利要求1所述的有毒藻类监测预警方法,其特征在于,所述方法还包括:所述待监测的藻类图像数据通过边缘计算网关获取,所述训练好的藻类识别分类模型存储在所述边缘计算网关中。
6.根据权利要求1所述的有毒藻类监测预警方法,其特征在于,在所述将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中之前,所述方法还包括:
对所述待监测的藻类图像数据进行预处理,所述预处理包括高斯滤波处理、边缘连接处理和图像形态学处理。
7.一种有毒藻类监测预警***,其特征在于,包括:
采集模块,用于获取待监测的藻类图像数据;
处理模块,用于将所述待监测的藻类图像数据输入到训练好的藻类识别分类模型中,获取所述待监测的藻类图像数据的多个藻类细胞识别结果,其中,所述训练好的藻类识别分类模型包括多个训练好的藻类识别分类子模型,每个训练好的藻类识别分类子模型是由标记有藻类种类标签的藻类图像样本数据对卷积神经网络训练得到的;
判断模块,用于根据所述多个藻类细胞识别结果对所述藻类细胞进行毒性判别,生成有毒藻种细胞预警结果。
8.根据权利要求7所述的有毒藻类监测预警***,其特征在于,所述***还包括训练模块,所述训练模块包括:
训练样本构建单元,用于根据标记有藻类种类标签的藻类图像样本数据,构建训练样本集;
训练单元,用于将训练样本集分别输入到多个预设卷积神经网络中进行藻类细胞计数和藻类细胞识别分类,获取训练好的藻类识别分类模型。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述有毒藻类监测预警方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述有毒藻类监测预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378839.9A CN113128385B (zh) | 2021-04-08 | 2021-04-08 | 一种有毒藻类监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378839.9A CN113128385B (zh) | 2021-04-08 | 2021-04-08 | 一种有毒藻类监测预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128385A true CN113128385A (zh) | 2021-07-16 |
CN113128385B CN113128385B (zh) | 2024-07-12 |
Family
ID=76775573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110378839.9A Active CN113128385B (zh) | 2021-04-08 | 2021-04-08 | 一种有毒藻类监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128385B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
CN115311657A (zh) * | 2022-09-02 | 2022-11-08 | 澳门科技大学 | 多源藻类图像目标检测方法、***、电子设备及存储介质 |
CN116434090A (zh) * | 2023-04-19 | 2023-07-14 | 江苏山水环境建设集团股份有限公司 | 水污染监控数据管理方法及*** |
CN117726581A (zh) * | 2023-11-17 | 2024-03-19 | 康龙化成(北京)新药技术股份有限公司 | 一种高通量的细胞周期检测方法、装置、介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949284A (zh) * | 2019-03-12 | 2019-06-28 | 天津瑟威兰斯科技有限公司 | 基于深度学习卷积神经网络的水藻细胞分析方法及*** |
CN110287990A (zh) * | 2019-05-21 | 2019-09-27 | 山东大学 | 微型藻类图像分类方法、***、设备及存储介质 |
WO2021051875A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 细胞分类方法、装置、介质及电子设备 |
-
2021
- 2021-04-08 CN CN202110378839.9A patent/CN113128385B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949284A (zh) * | 2019-03-12 | 2019-06-28 | 天津瑟威兰斯科技有限公司 | 基于深度学习卷积神经网络的水藻细胞分析方法及*** |
CN110287990A (zh) * | 2019-05-21 | 2019-09-27 | 山东大学 | 微型藻类图像分类方法、***、设备及存储介质 |
WO2021051875A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 细胞分类方法、装置、介质及电子设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
CN115311657A (zh) * | 2022-09-02 | 2022-11-08 | 澳门科技大学 | 多源藻类图像目标检测方法、***、电子设备及存储介质 |
CN115311657B (zh) * | 2022-09-02 | 2024-01-05 | 澳门科技大学 | 多源藻类图像目标检测方法、***、电子设备及存储介质 |
CN116434090A (zh) * | 2023-04-19 | 2023-07-14 | 江苏山水环境建设集团股份有限公司 | 水污染监控数据管理方法及*** |
CN116434090B (zh) * | 2023-04-19 | 2023-11-24 | 江苏山水环境建设集团股份有限公司 | 水污染监控数据管理方法及*** |
CN117726581A (zh) * | 2023-11-17 | 2024-03-19 | 康龙化成(北京)新药技术股份有限公司 | 一种高通量的细胞周期检测方法、装置、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113128385B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128385A (zh) | 一种有毒藻类监测预警方法及*** | |
CN108154105B (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
Jayakody et al. | Microscope image based fully automated stomata detection and pore measurement method for grapevines | |
CN103076288B (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
WO2018104819A1 (en) | A method and system for evaluating quality of semen sample | |
CN111179273A (zh) | 一种基于深度学习的白细胞核质自动分割方法及*** | |
Hortinela et al. | Identification of abnormal red blood cells and diagnosing specific types of anemia using image processing and support vector machine | |
Chen et al. | An automated bacterial colony counting and classification system | |
CN112257564B (zh) | 水产品数量统计方法、终端设备及存储介质 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及*** | |
CN114170597A (zh) | 一种藻类检测设备及检测方法 | |
CN112766202A (zh) | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 | |
CN113658174A (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 | |
CN112036384B (zh) | ***头部形态识别方法、装置及设备 | |
Meimban et al. | Blood cells counting using python opencv | |
CN113378831B (zh) | 一种小鼠胚胎器官识别与评分方法与*** | |
CN110348533A (zh) | 一种基于svm的浮游生物粒径谱检测方法 | |
CN112183640B (zh) | 一种基于不规则物体的检测和分类方法 | |
CN112966698A (zh) | 基于轻量化卷积网络的淡水鱼图像实时识别方法 | |
PP et al. | Automated quality assessment of cocoons using a smart camera based system | |
CN115359412A (zh) | 一种盐酸中和实验评分方法、装置、设备及可读存储介质 | |
Dhawale et al. | Real-Time Image Processing for Biological Applications Through Morphological Operations using LabVIEW | |
CN109632590B (zh) | 一种深海发光浮游生物检测方法 | |
CN103136439B (zh) | 植物病症辨识方法及其*** | |
Li et al. | A Deep Learning based Method for Microscopic Object Localization and Classification |
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 |