Nothing Special   »   [go: up one dir, main page]

CN116152748A - 基于蓝藻识别的河湖监管方法及其系统 - Google Patents

基于蓝藻识别的河湖监管方法及其系统 Download PDF

Info

Publication number
CN116152748A
CN116152748A CN202310416654.1A CN202310416654A CN116152748A CN 116152748 A CN116152748 A CN 116152748A CN 202310416654 A CN202310416654 A CN 202310416654A CN 116152748 A CN116152748 A CN 116152748A
Authority
CN
China
Prior art keywords
blue algae
area
lake
river
image
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
Application number
CN202310416654.1A
Other languages
English (en)
Other versions
CN116152748B (zh
Inventor
王晓宇
吴几
谢忱
洪磊
甘琳
范子武
蔡秋鹏
金义蓉
徐涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Water Resources And Water Affairs Information Dispatching Command Center
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Suzhou Water Resources And Water Affairs Information Dispatching Command Center
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Water Resources And Water Affairs Information Dispatching Command Center, Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Suzhou Water Resources And Water Affairs Information Dispatching Command Center
Priority to CN202310416654.1A priority Critical patent/CN116152748B/zh
Publication of CN116152748A publication Critical patent/CN116152748A/zh
Application granted granted Critical
Publication of CN116152748B publication Critical patent/CN116152748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于蓝藻识别的河湖监管方法及其系统，属于河湖管控的技术领域。包括：将在指定时间段内按照预定时间间隔连续采集到的帧图像更新至蓝藻图像集中；创建蓝藻识别模型，将蓝藻图像集中每新增的帧图像输入蓝藻识别模型得到均匀图像，判断当前是否存在蓝藻，若存在则获取实时蓝藻信息，并触发蓝藻防控机制；利用污染识别模型于视频帧中识别河湖水面区域内是否存在污染物，分析污染物类型并则触发环境管控机制。本发明利用视频监控结合蓝藻的图像特征从监控视频中实时获取蓝藻图像，并基于蓝藻图像从中分割得到蓝藻的覆盖率或者覆盖面积，及时了解蓝藻的情况并执行相对应的蓝藻防控机制，对蓝藻实现强有力、高时效的管控。

Description

基于蓝藻识别的河湖监管方法及其系统
技术领域
本发明属于河湖管控的技术领域，特别是涉及基于蓝藻识别的河湖监管方法及其系统。
背景技术
抑制蓝藻水华暴发是全世界淡水水域富营养化控制的重点。因此蓝藻视频监控已广泛应用于太湖、巢湖等蓝藻频发湖泊中湖体水面和岸边蓝藻情况观察及信息采集，采用视频识别技术直接从监控视频中实时获取蓝藻图像，将图像中的蓝藻分割出来，然后计算蓝藻（像素点）的覆盖率或覆盖面积，可以为蓝藻实时预警或决策提供定量指标。
传统的图像分割算法大致分为两个步骤：首先根据目标的特点设计特征，然后根据特征对像素点进行分类或聚类。这就要求目标有比较明显的特征信息，包括颜色特征、轮廓特征或者纹理特征等。比如阈值分割算法会根据目标的颜色特征找到 RGB 通道的合理阈值区间，然后根据这个区间进行逐像素点的分类。但蓝藻缺乏明显的特征信息，使得设计有效特征变得非常困难。首先，蓝藻缺乏明显的颜色特征。蓝藻在不同的生长阶段具有不同的颜色，生长期的蓝藻呈青绿色，但成熟期的蓝藻会偏黄色；并且蓝藻的颜色与浓度有关，一般来说，浓度大时颜色偏深，浓度小时颜色偏浅。其次，蓝藻缺乏明显的轮廓特征：蓝藻不具有特定的轮廓，无法像人体或汽车那样靠轮廓分割。最后，水中混杂着大量的水草，岸边会出现树的倒影，人为垃圾，这些都给传统图像分割算法在蓝藻分割中的应用增加了难度。
发明内容
本发明为解决上述背景技术中存在的技术问题，提供了基于蓝藻识别的河湖监管方法及其系统。
本发明采用以下技术方案：一种基于蓝藻识别的河湖监管方法，包括以下步骤：
获取河湖的基础数据，基于所述基础数据布设若干个监测点；利用视频监控得到关于河湖的视频帧，将在指定时间段内按照预定时间间隔连续采集到的帧图像更新至蓝藻图像集中；
创建蓝藻识别模型，将蓝藻图像集中每新增的帧图像输入蓝藻识别模型得到均匀图像，基于均匀图像判断当前是否存在蓝藻，若存在则获取实时蓝藻信息，并触发蓝藻防控机制：将当前蓝藻信息与历史蓝藻信息进行对比分析得到蓝藻的防控情况，基于所述防控情况更新并发出实时防控措施；
利用污染识别模型于视频帧中识别河湖的水面区域内是否存在污染物，若存在则进一步分析污染物类型并触发环境管控机制：实时监测污染物所在位置并进行跟踪，调出与当前帧图像相对应的历史帧图像，再次利用污染识别模型搜索污染源，得到与关于污染物的生成记录。
在进一步的实施例中，所述当前蓝藻信息包括：蓝藻的位置信息和蓝藻的占地面积。
在进一步的实施例中，基于均匀图像判断当前是否存在蓝藻的具体步骤如下：于所述均匀图像中的获取颜色特征和纹理特征，采用以下公式分别计算得到关于第i个像素的颜色特征值
Figure SMS_1
和纹理特征值/>
Figure SMS_2
：
Figure SMS_3
；式中，/>
Figure SMS_4
为均匀图像在颜色特征空间的均值特征向量，/>
Figure SMS_5
表示像素i的像素特征，/>
Figure SMS_6
为模；
Figure SMS_7
；式中，p表示提取纹理特征的维数编号，每个编号对应一个方向，/>
Figure SMS_8
表示像素i在维数p的纹理值；
预先设置蓝藻颜色特征阈值区间和蓝藻纹理特征阈值区间：若颜色特征值
Figure SMS_9
、纹理特征值/>
Figure SMS_10
中至少一个不属于对应的特征区域，则表示当前河湖中尚未出现蓝藻；
若颜色特征值
Figure SMS_11
属于蓝藻颜色特征阈值区间，且纹理特征值/>
Figure SMS_12
属于蓝藻纹理特征阈值区间，则表示当前河湖中已存在蓝藻，并将对应像素i列为蓝藻区域r；
所述蓝藻区域的所在位置即为蓝藻的位置信息。
在进一步的实施例中，所述蓝藻的占地面积的计算流程如下：基于蓝藻区域r，通过以下公式计算出蓝藻面积：
Figure SMS_13
；式中，/>
Figure SMS_14
表示蓝藻区域r在均匀图像中的图像面积，/>
Figure SMS_15
表示均匀图像的像素面积，/>
Figure SMS_16
为与像素面积对应的实际面积，/>
Figure SMS_17
为透视变换系数，/>
Figure SMS_18
为摄像头与水平面之间的夹角。
在进一步的实施例中，所述均匀图像的获取方式如下：
将帧图像转化为灰度图像，定义灰度阈值
Figure SMS_19
和/>
Figure SMS_20
；获取帧图像中的区域灰度值/>
Figure SMS_21
，基于所述区域灰度值/>
Figure SMS_22
、灰度阈值/>
Figure SMS_23
和/>
Figure SMS_24
将帧图像划分为灰暗区域、正常区域和明亮区域；
基于正常区域的灰度值，得到关于灰暗区域、明亮区域的灰度补偿公式：
Figure SMS_25
；
式中，
Figure SMS_27
为灰暗区域经光照补偿后的灰度值，/>
Figure SMS_29
为正常区域的灰度值，
Figure SMS_30
为明亮区域经光照补偿后的灰度值，/>
Figure SMS_32
，/>
Figure SMS_34
为正常区域的灰度值的标准差，/>
Figure SMS_36
为灰暗区域的灰度值的标准差，/>
Figure SMS_38
，/>
Figure SMS_26
为正常区域的灰度平均值，/>
Figure SMS_28
为灰暗区域的灰度平均值，/>
Figure SMS_31
，/>
Figure SMS_33
为明亮区域的灰度值的标准差，/>
Figure SMS_35
，/>
Figure SMS_37
为明亮区域的灰度平均值；
在帧图像中匹配出与灰度图像的灰暗区域、明亮区域相对应的区域，得到对应的灰暗图区和明亮图区，利用所述灰度补偿公式分别对灰暗图区和明亮图区进行处理得到光度均匀的均匀图像。
在进一步的实施例中，基于所述防控情况更新并发出实时防控措施的流程如下：
当前蓝藻信息与历史蓝藻信息进行对比分析后，若满足以下触发条件的至少一种，则防控情况不佳，需加强防控；
所述触发条件为：
Figure SMS_39
、/>
Figure SMS_40
；式中，/>
Figure SMS_41
表示当前帧获取的蓝藻区域的数量，/>
Figure SMS_42
表示历史帧获取的蓝藻区域的数量，/>
Figure SMS_43
表示当前帧获取的蓝藻面积，/>
Figure SMS_44
表示历史帧获取的蓝藻面积。
在进一步的实施例中，所述污染物类型包括：固体物质污染和液体物质污染；
所述污染物类型的识别步骤如下：预先设置水域颜色特征阈值区间和水域纹理特征阈值区间，若颜色特征值
Figure SMS_45
同时不属于水域颜色特征阈值区间和蓝藻颜色特征阈值区间，且纹理特征值/>
Figure SMS_46
同时不属于水域纹理特征阈值区间和蓝藻纹理特征阈值区间，则初步判断像素i为污染物并赋予像素标签j，采用以下公式计算所述像素标签j的占地面积：
Figure SMS_47
；式中，/>
Figure SMS_48
表示像素标签j在均匀图像中的图像面积，/>
Figure SMS_49
表示均匀图像的像素面积，/>
Figure SMS_50
为与像素面积对应的实际面积，/>
Figure SMS_51
为透视变换系数，/>
Figure SMS_52
为摄像头与水平面之间的夹角；
当识别出存在蓝藻时且
Figure SMS_53
，或当识别不到蓝藻时且/>
Figure SMS_54
，则表示河湖的湖水被全面污染，则初步判断的污染类型为液体物质污染；反之，/>
Figure SMS_55
或/>
Figure SMS_56
，则表示河湖存在固体物质污染。
在进一步的实施例中，所述环境管控机制包括：水质检测、水质处理、垃圾清除、寻找污染源；还包括：对行为主体执行预警、警告、处分。
用于实现如上所述基于蓝藻识别的河湖监管方法的河湖监管系统，包括：
第一模块，被设置为获取河湖的基础数据，基于所述基础数据布设若干个监测点；利用视频监控得到关于河湖的视频帧，将在指定时间段内按照预定时间间隔连续采集到的帧图像更新至蓝藻图像集中；
第二模块，被设置为创建蓝藻识别模型，将蓝藻图像集中每新增的帧图像输入蓝藻识别模型得到均匀图像，基于均匀图像判断当前是否存在蓝藻，若存在则获取实时蓝藻信息，并触发蓝藻防控机制：将当前蓝藻信息与历史蓝藻信息进行对比分析得到蓝藻的防控情况，基于所述防控情况更新并发出实时防控措施；
第三模块，被设置为利用污染识别模型于视频帧中识别河湖水面区域内是否存在污染物，若存在进一步分析污染物类型并则触发环境管控机制：实时监测污染物所在位置并跟踪，调出与当前帧图像相对应的历史帧图像，再次利用污染识别模型搜索污染源，得到与关于污染物的生成记录。
本发明的有益效果：本发明利用视频监控，结合蓝藻的图像特征从监控视频中实时获取蓝藻图像，并基于蓝藻图像从中分割得到蓝藻的覆盖率或者覆盖面积，及时了解蓝藻的情况，基于了解到的蓝藻情况执行相对应的蓝藻防控机制，对蓝藻实现强有力、高时效的管控。
同时，通过视频图像，实现对河湖区域内乱扔垃圾、倒排污水等污染类型的识别，并可追溯污染发生行为，打造“河湖智慧监管平台”，使用视频分析代替人工巡查，实时抓拍向河道内抛洒垃圾、乱倒污水的行为，及时了解蓝藻的发生状况。
建设智能视频分析平台，从海量存储视频中挖掘出人工难以获取的信息，为后续的事件搜索预测提供了科学依据。把工作人员中从单调、重复、机械的被动巡查工作中解脱出来，有效实现工程设备、河湖水质、违规行为等目标和行为的主动监测，形成水、物、人全方位的监控，打造河湖智慧监管平台，为决策优化、趋势预测和干预控制提供科学依据，逐步实现河湖管护的现代化与智能化，实现“无人值班，少人值守”的运行模式，从而提升工作效率，减轻工作强度，降低运行管理成本，促进河湖管理可持续发展。
附图说明
图1为蓝藻智能识别方法及河湖监管方法的流程图。
图2为在指定时间段内按照预定时间间隔连续采集到的帧图像。
图3（a）为采集到的帧图像；图3（b）为经蓝藻识别模型处理得到的蓝藻区域划分图。
具体实施方式
下面结合说明书附图和实施例对本实施例做进一步的描述。
实施例1
如图1所示，本实施例为解决背景技术中存在的技术问题，提供了蓝藻智能识别方法及河湖监管方法，包括以下步骤：
步骤一、获取河湖的基础数据，基于所述基础数据布设若干个监测点；利用视频监控得到关于河湖的视频帧，将在指定时间段内按照预定时间间隔连续采集到的帧图像更新至蓝藻图像集中；
步骤二、创建蓝藻识别模型，将蓝藻图像集中每新增的帧图像输入蓝藻识别模型得到均匀图像，基于均匀图像判断当前是否存在蓝藻，若存在则获取实时蓝藻信息，并触发蓝藻防控机制：将当前蓝藻信息与历史蓝藻信息进行对比分析得到蓝藻的防控情况，基于所述防控情况更新并发出实时防控措施；
步骤三、利用污染识别模型于视频帧中识别河湖的水面区域内是否存在污染物，在本实施例中，对所需视频帧进行均匀化处理，其处理方式可参考步骤二。若存在进一步分析污染物类型并则触发环境管控机制：实时监测污染物所在的位置并进行跟踪，调出与当前帧图像相对应的历史帧图像，再次利用污染识别模型搜索污染源，得到与关于污染物的生成记录。
步骤一所述的基础数据为：关于河湖的地理位置，以及河湖特性。换言之，基于河湖的地理位置，以及河湖特性布设所需的监测点，并对每个监测点处的监测装置赋予对应的编号，每个监测点均设置有预定角度的摄像头，便于后期管理和有针对性的数据提取。举例说明，在平江河典型区域选择三处位置监测点，实现对抛洒物行为识别模型进行验证；在外塘河典型区域选择三处位置建设视频点，渔洋山水源地选择一处高点建设视频点，阳澄湖区域选择三处位置建设视频点，实现对蓝藻识别模型进行验证。需要说明的是，在选择监测点时考虑以下三个原则：
（1）代表性原则：监测点位应具有代表性；如果监测目的是评估人为活动的影响（人为抛洒）的影响，需在人类聚集区、生产生活区、旅游区等人类活动剧烈的区域设置点位；点位需布设在无遮挡、视野开阔的区域。
（2）可行性原则：在确保达到监测目的、保证必要的监测精度和样本量前提下，要兼顾监测样点布设的可实施性，以期用最少的点位和人力、物力、时间投入，获得最有效的数据。
（3）经济适用性：监测点位的布设，应充分考虑周边基础条件，包括但不限于供电设施完备、维修便捷等，以期用最少的经济投入，获得最丰富的数据。
需要说明的是，每个地区的蓝藻发生时间和蓝藻发生频率均各不相同，主要取决于地区的环境和水质。而如果每个区域的视频数据都需要实时采集，且对实时采集到的数据进行实时分析，则视频数量巨大，包含的场景多样，涉及的视频分析技术复杂，需要以平台的方式统一规划建设，才能做到计算资源的动态调配，提升计算资源的利用效率。
在本实施例中，配置了在指定时间段内按照预定时间间隔连续采集，如蓝藻识别只需要在每年的5-10月份进行分析，且只需要每天早上7:30分短时分析。则对应的，指定时间段为每年的5-10月份，预定时间间隔则为24小时。在另外一个实时中，结合当地区域往年蓝藻爆发的时间段，配置对应的时间段和设置对应的时间间隔。利用相对少的视频分析计算资源，完成更多倍路数的视频分析任务，从而有效减少计算资源的投资浪费。如图2所示。
需要说明的是，因河湖自身地域的特殊性，采集时会受到一定的自然条件的影响，好比受建筑物影响、树木影响等造成强度不均匀、阴影较多，导致采集到的帧图像存在较大的光强差。当河湖被太阳直射时，光线则相对较强，当河湖被建筑物、树木等遮挡时，则光线相对较弱。
因此为了提高识别精度，本实施例中的均匀图像的获取方式如下：将帧图像转化为灰度图像，定义灰度阈值
Figure SMS_57
和/>
Figure SMS_58
；获取帧图像中的区域灰度值/>
Figure SMS_59
，基于所述区域灰度值/>
Figure SMS_60
、灰度阈值/>
Figure SMS_61
和/>
Figure SMS_62
将帧图像划分为灰暗区域、正常区域和明亮区域；
基于正常区域的灰度值，得到关于灰暗区域、明亮区域的灰度补偿公式：
Figure SMS_63
；
式中，
Figure SMS_64
为灰暗区域经光照补偿后的灰度值，/>
Figure SMS_67
为正常区域的灰度值，
Figure SMS_69
为明亮区域经光照补偿后的灰度值，/>
Figure SMS_70
，/>
Figure SMS_73
为正常区域的灰度值的标准差,/>
Figure SMS_74
为灰暗区域的灰度值的标准差，/>
Figure SMS_75
，/>
Figure SMS_65
为正常区域的灰度平均值，/>
Figure SMS_66
为灰暗区域的灰度平均值，/>
Figure SMS_68
，/>
Figure SMS_71
为明亮区域的灰度值的标准差，/>
Figure SMS_72
，/>
Figure SMS_76
为明亮区域的灰度平均值；
在帧图像中匹配出与灰度图像的灰暗区域、明亮区域相对应的区域，得到对应的灰暗图区和明亮图区，利用所述灰度补偿公式分别对灰暗图区和明亮图区进行处理得到光度均匀的均匀图像。
通过上述技术方案，对帧图像的光照不均匀性做均一化处理即灰度补偿，得到光照均匀的彩色帧图像。
基于上述描述，均匀图像判断当前是否存在蓝藻的具体步骤如下：
于所述均匀图像中的获取颜色特征和纹理特征，采用以下公式分别计算得到关于第i个像素的颜色特征值
Figure SMS_77
和纹理特征值/>
Figure SMS_78
：
Figure SMS_79
；式中，/>
Figure SMS_80
为均匀图像在颜色特征空间的均值特征向量，/>
Figure SMS_81
表示像素i的像素特征，/>
Figure SMS_82
为模；
Figure SMS_83
；式中，p表示提取纹理特征的维数编号，每个编号对应一个方向，/>
Figure SMS_84
表示像素i在维数p的纹理值；
预先设置蓝藻颜色特征阈值区间和蓝藻纹理特征阈值区间：若颜色特征值
Figure SMS_85
、纹理特征值/>
Figure SMS_86
没有同时属于对应的特征区域，则表示当前河湖中尚未出现蓝藻；
若颜色特征值
Figure SMS_87
属于蓝藻颜色特征阈值区间，且纹理特征值/>
Figure SMS_88
属于蓝藻纹理特征阈值区间，则表示当前河湖中已存在蓝藻，并将对应像素i列为蓝藻区域r；所述蓝藻区域所在位置即为蓝藻的位置信息。如图3（a）和图（b）所示，图3（b）中的白色区域即为采用上述方法筛选之后的蓝藻区域，并与图3（a）中的蓝藻所在位置相一致。
蓝藻监测的目的一是确定蓝藻在河湖上的位置信息，二是获取蓝藻的占地面积。因此，当前蓝藻信息包括：蓝藻的位置信息和蓝藻的占地面积。
在本实施例中，蓝藻颜色特征阈值区间和蓝藻纹理特征阈值区间为基于蓝藻特性预先生成的，用于判断均匀图像中的像素i是否属于上述区间，若均属于，则表明像素i对应的物质种类为蓝藻。因此，不论河湖上的蓝藻是成片出现，还是成块出现的，都能被有效识别出并进行位置信息获取，实现对蓝藻的有效控制。
基于此，也可提高蓝藻占地面积的准确率，针对不规则、连续的或者不连续的蓝藻的占地面积的计算流程如下：
基于蓝藻区域r，通过以下公式计算出蓝藻面积：
Figure SMS_89
；式中，/>
Figure SMS_90
表示蓝藻区域r在均匀图像中的图像面积，/>
Figure SMS_91
表示均匀图像的像素面积，/>
Figure SMS_92
为与像素面积对应的实际面积，/>
Figure SMS_93
为透视变换系数，/>
Figure SMS_94
为摄像头与水平面之间的夹角。当摄像头与河湖的水面为垂直时，则/>
Figure SMS_95
。
换言之，
Figure SMS_96
表示摄像头与水平面垂直，得到的像素面积与实际面积成正比，
Figure SMS_97
表示摄像头与水面水平或有一定的角度，如图所示。此时蓝藻在图像中处于视角变换的状态，利用透视变换将视角平铺为垂直状态，再利用透视变换得到的系数/>
Figure SMS_98
，进行逆透视变换。通过上述计算公式，可准确的获取河湖上的所有蓝藻的占地面积，增加计算精度和全面性。
在进一步的实施例中，当前蓝藻信息与历史蓝藻信息进行对比分析后，若满足以下触发条件的至少一种，则防控情况不佳，需加强防控；
所述触发条件为：
Figure SMS_99
、/>
Figure SMS_100
；式中，/>
Figure SMS_101
表示当前帧获取的蓝藻区域的数量，/>
Figure SMS_102
表示历史帧获取的蓝藻区域的数量，/>
Figure SMS_103
表示当前帧获取的蓝藻面积，/>
Figure SMS_104
表示历史帧获取的蓝藻面积。
换言之，当蓝藻区域的分散区域扩增、或者蓝藻面积增大中满足至少一个，则表示在此之前的蓝藻防控力度不够，因此需要加强防控。在进一步的实施例中，蓝藻防控措施包括：在满足防汛等安全的条件下，加大重点水域水体置换流量，改善水动力条件抑制蓝藻生长；加大重点水域蓝藻拦截、藻水打捞、藻水处理等作业量，做到驻守处置；必要时进行藻水打捞处理，组织蓝藻围捕作业。
本实施例还公开了基于上述蓝藻防控措施，生成关于河湖的分析简报，统计某时间段内的蓝藻水华预警次数、时间分布、位置分布、处理备案等信息内容。系统智能解析预警、备案等成果信息，保障用户及时快速的统筹、全面掌握河道蓝藻管理信息。
为了更好的管控蓝藻，所述步骤三中的污染物类型包括：固体物质污染和液体物质污染；
所述污染物类型的识别步骤如下：预先设置水域颜色特征阈值区间和水域纹理特征阈值区间，若颜色特征值
Figure SMS_105
同时不属于水域颜色特征阈值区间和蓝藻颜色特征阈值区间，且纹理特征值/>
Figure SMS_106
同时不属于水域纹理特征阈值区间和蓝藻纹理特征阈值区间，则初步判断像素i为污染物并赋予像素标签j，采用以下公式计算所述像素标签j的占地面积：
Figure SMS_107
；式中，/>
Figure SMS_108
表示像素标签j在均匀图像中的图像面积；
当识别出存在蓝藻时且
Figure SMS_109
，或当识别不到蓝藻时且/>
Figure SMS_110
，则表示河湖的湖水被全面污染，则初步判断的污染类型为液体物质污染；反之，/>
Figure SMS_111
或/>
Figure SMS_112
，则表示河湖存在固体物质污染。换言之，若确定当前存在蓝藻，则水域面积应为/>
Figure SMS_113
，分析得到污染物像素标签j的占地面积约等于水域面积应为/>
Figure SMS_114
，则表明当前的水质较差，已经不属于给定的阈值区间，表明存在较为严重的水质污染。同样的，若确定当前无蓝藻，则水域面积为Y，分析得到污染物像素标签j的占地面积约等于水域面积应为/>
Figure SMS_115
，则表明当前的水质较差，已经不属于给定的阈值区间，表明存在较为严重的水质污染。
反之，如果分析得到污染物像素标签j的占地面积很小，则表明当前存在固定污染物。因此环境管控机制包括：水质检测、水质处理、垃圾清除、寻找污染源；还包括：对行为主体执行预警、警告、处分。
实施例2
为实现实施例1所述的蓝藻识别的河湖监管方法，本实施例公开了河湖监管系统，包括：
第一模块，被设置为获取河湖的基础数据，基于所述基础数据布设若干个监测点；利用视频监控得到关于河湖的视频帧，将在指定时间段内按照预定时间间隔连续采集到的帧图像更新至蓝藻图像集中；
第二模块，被设置为创建蓝藻识别模型，将蓝藻图像集中每新增的帧图像输入蓝藻识别模型得到均匀图像，基于均匀图像判断当前是否存在蓝藻，若存在则获取实时蓝藻信息，并触发蓝藻防控机制：将当前蓝藻信息与历史蓝藻信息进行对比分析得到蓝藻的防控情况，基于所述防控情况更新并发出实时防控措施；
第三模块，被设置为利用污染识别模型于视频帧中识别河湖水面区域内是否存在污染物，若存在进一步分析污染物类型并则触发环境管控机制：实时监测污染物所在位置并跟踪，调出与当前帧图像相对应的历史帧图像，再次利用污染识别模型搜索污染源，得到与关于污染物的生成记录。

Claims (9)

1.一种基于蓝藻识别的河湖监管方法，其特征在于，包括以下步骤：
获取河湖的基础数据，基于所述基础数据布设若干个监测点；利用视频监控得到关于河湖的视频帧，将在指定时间段内按照预定时间间隔连续采集到的帧图像更新至蓝藻图像集中；
创建蓝藻识别模型，将蓝藻图像集中每新增的帧图像输入蓝藻识别模型得到均匀图像，基于均匀图像判断当前是否存在蓝藻，若存在则获取实时蓝藻信息，并触发蓝藻防控机制：将当前蓝藻信息与历史蓝藻信息进行对比分析得到蓝藻的防控情况，基于所述防控情况更新并发出实时防控措施；
利用污染识别模型于视频帧中识别河湖的水面区域内是否存在污染物，若存在，则分析污染物类型并触发环境管控机制：实时监测污染物所在位置并进行追溯，调出与当前帧图像相对应的历史帧图像，再次利用污染识别模型搜索污染源，得到与关于污染物的生成记录。
2.根据权利要求1所述的一种基于蓝藻识别的河湖监管方法，其特征在于，所述当前蓝藻信息包括：蓝藻的位置信息和蓝藻的占地面积。
3.根据权利要求2所述的一种基于蓝藻识别的河湖监管方法，其特征在于，基于均匀图像判断当前是否存在蓝藻的具体步骤如下：于所述均匀图像中的获取颜色特征和纹理特征，采用以下公式分别计算得到关于第i个像素的颜色特征值
Figure QLYQS_1
和纹理特征值/>
Figure QLYQS_2
：
Figure QLYQS_3
；式中，/>
Figure QLYQS_4
为均匀图像在颜色特征空间的均值特征向量，/>
Figure QLYQS_5
表示像素i的像素特征，/>
Figure QLYQS_6
为模；
Figure QLYQS_7
；式中，p表示提取纹理特征的维数编号，每个编号对应一个方向，/>
Figure QLYQS_8
表示像素i在维数p的纹理值；
预先设置蓝藻颜色特征阈值区间和蓝藻纹理特征阈值区间：若颜色特征值
Figure QLYQS_9
、纹理特征值/>
Figure QLYQS_10
中至少一个不属于对应的特征区域，则表示当前河湖中尚未出现蓝藻；
若颜色特征值
Figure QLYQS_11
属于蓝藻颜色特征阈值区间，且纹理特征值/>
Figure QLYQS_12
属于蓝藻纹理特征阈值区间，则表示当前河湖中已存在蓝藻，并将对应像素i列为蓝藻区域r；
所述蓝藻区域的所在位置即为蓝藻的位置信息。
4.根据权利要求2所述的一种基于蓝藻识别的河湖监管方法，其特征在于，所述蓝藻的占地面积的计算流程如下：基于蓝藻区域r，通过以下公式计算出蓝藻面积：
Figure QLYQS_13
；式中，/>
Figure QLYQS_14
表示蓝藻区域r在均匀图像中的图像面积，/>
Figure QLYQS_15
表示均匀图像的像素面积，/>
Figure QLYQS_16
为与像素面积对应的实际面积，/>
Figure QLYQS_17
为透视变换系数，/>
Figure QLYQS_18
为摄像头与水平面之间的夹角。
5.根据权利要求1所述的一种基于蓝藻识别的河湖监管方法，其特征在于，所述均匀图像的获取方式如下：
将帧图像转化为灰度图像，定义灰度阈值
Figure QLYQS_19
和/>
Figure QLYQS_20
；获取帧图像中的区域灰度值/>
Figure QLYQS_21
，基于所述区域灰度值/>
Figure QLYQS_22
、灰度阈值/>
Figure QLYQS_23
和/>
Figure QLYQS_24
将帧图像划分为灰暗区域、正常区域和明亮区域；
基于正常区域的灰度值，得到关于灰暗区域、明亮区域的灰度补偿公式：
Figure QLYQS_25
；
式中，
Figure QLYQS_27
为灰暗区域经光照补偿后的灰度值，/>
Figure QLYQS_29
为正常区域的灰度值，/>
Figure QLYQS_31
为明亮区域经光照补偿后的灰度值，/>
Figure QLYQS_32
，/>
Figure QLYQS_35
为正常区域的灰度值的标准差，/>
Figure QLYQS_36
为灰暗区域的灰度值的标准差，/>
Figure QLYQS_38
，/>
Figure QLYQS_26
为正常区域的灰度平均值，/>
Figure QLYQS_28
为灰暗区域的灰度平均值，/>
Figure QLYQS_30
，/>
Figure QLYQS_33
为明亮区域的灰度值的标准差，/>
Figure QLYQS_34
，/>
Figure QLYQS_37
为明亮区域的灰度平均值；
在帧图像中匹配出与灰度图像的灰暗区域、明亮区域相对应的区域，得到对应的灰暗图区和明亮图区，利用所述灰度补偿公式分别对灰暗图区和明亮图区进行处理得到光度均匀的均匀图像。
6.根据权利要求2所述的一种基于蓝藻识别的河湖监管方法，其特征在于，基于所述防控情况更新并发出实时防控措施的流程如下：
当前蓝藻信息与历史蓝藻信息进行对比分析后，若满足以下触发条件的至少一种，则防控情况不佳，需加强防控；
所述触发条件为：
Figure QLYQS_39
、/>
Figure QLYQS_40
；式中，/>
Figure QLYQS_41
表示当前帧获取的蓝藻区域的数量，
Figure QLYQS_42
表示历史帧获取的蓝藻区域的数量，/>
Figure QLYQS_43
表示当前帧获取的蓝藻面积，/>
Figure QLYQS_44
表示历史帧获取的蓝藻面积。
7.根据权利要求3所述的一种基于蓝藻识别的河湖监管方法，其特征在于，所述污染物类型包括：固体物质污染和液体物质污染；
所述污染物类型的识别步骤如下：预先设置水域颜色特征阈值区间和水域纹理特征阈值区间，若颜色特征值
Figure QLYQS_45
同时不属于水域颜色特征阈值区间和蓝藻颜色特征阈值区间，且纹理特征值/>
Figure QLYQS_46
同时不属于水域纹理特征阈值区间和蓝藻纹理特征阈值区间，则初步判断像素i为污染物并赋予像素标签j，采用以下公式计算所述像素标签j的占地面积：
Figure QLYQS_47
；式中，/>
Figure QLYQS_48
表示像素标签j在均匀图像中的图像面积，/>
Figure QLYQS_49
表示均匀图像的像素面积，/>
Figure QLYQS_50
为与像素面积对应的实际面积，/>
Figure QLYQS_51
为透视变换系数，/>
Figure QLYQS_52
为摄像头与水平面之间的夹角；
当识别出存在蓝藻时且
Figure QLYQS_53
，或当识别不到蓝藻时且/>
Figure QLYQS_54
，则表示河湖的湖水被全面污染，则初步判断的污染类型为液体物质污染；反之，/>
Figure QLYQS_55
或/>
Figure QLYQS_56
，则表示河湖存在固体物质污染。
8.根据权利要求7所述的一种基于蓝藻识别的河湖监管方法，其特征在于，
所述环境管控机制包括：水质检测、水质处理、垃圾清除、寻找污染源；还包括：对行为主体执行预警、警告、处分。
9.用于实现如权利要求1至8中任意一项所述基于蓝藻识别的河湖监管方法的河湖监管系统，其特征在于，包括：
第一模块，被设置为获取河湖的基础数据，基于所述基础数据布设若干个监测点；利用视频监控得到关于河湖的视频帧，将在指定时间段内按照预定时间间隔连续采集到的帧图像更新至蓝藻图像集中；
第二模块，被设置为创建蓝藻识别模型，将蓝藻图像集中每新增的帧图像输入蓝藻识别模型得到均匀图像，基于均匀图像判断当前是否存在蓝藻，若存在则获取实时蓝藻信息，并触发蓝藻防控机制：将当前蓝藻信息与历史蓝藻信息进行对比分析得到蓝藻的防控情况，基于所述防控情况更新并发出实时防控措施；
第三模块，被设置为利用污染识别模型于视频帧中识别河湖水面区域内是否存在污染物，若存在进一步分析污染物类型并则触发环境管控机制：实时监测污染物所在位置并跟踪，调出与当前帧图像相对应的历史帧图像，再次利用污染识别模型搜索污染源，得到与关于污染物的生成记录。
CN202310416654.1A 2023-04-19 2023-04-19 基于蓝藻识别的河湖监管方法及其系统 Active CN116152748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310416654.1A CN116152748B (zh) 2023-04-19 2023-04-19 基于蓝藻识别的河湖监管方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310416654.1A CN116152748B (zh) 2023-04-19 2023-04-19 基于蓝藻识别的河湖监管方法及其系统

Publications (2)

Publication Number Publication Date
CN116152748A true CN116152748A (zh) 2023-05-23
CN116152748B CN116152748B (zh) 2023-07-07

Family

ID=86373968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310416654.1A Active CN116152748B (zh) 2023-04-19 2023-04-19 基于蓝藻识别的河湖监管方法及其系统

Country Status (1)

Country Link
CN (1) CN116152748B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503767A (zh) * 2023-06-02 2023-07-28 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统
CN116704197A (zh) * 2023-08-07 2023-09-05 水利部珠江水利委员会水文局 一种河湖遥感图像的处理方法及系统
CN117291910A (zh) * 2023-11-23 2023-12-26 广东广宇科技发展有限公司 一种基于无人机图像采集的河湖排污动向捕捉方法
CN117911878A (zh) * 2024-03-20 2024-04-19 江西三思检测技术有限公司 用于智慧环保管家的污染物预警方法及装置
CN118097562A (zh) * 2024-04-18 2024-05-28 广东海洋大学 一种海藻增殖情况远程监测方法
CN118212970A (zh) * 2024-05-16 2024-06-18 水利部交通运输部国家能源局南京水利科学研究院 一种基于时序和空间分布的蓝藻预测方法及系统
CN118470651A (zh) * 2024-07-10 2024-08-09 水利部交通运输部国家能源局南京水利科学研究院 一种河湖动态感知智慧杆及感知系统、方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221551A (zh) * 2011-06-02 2011-10-19 中国科学院计算技术研究所 一种蓝藻监测装置及方法
CN104616303A (zh) * 2015-02-11 2015-05-13 西安电子科技大学 一种基于紫外图像的水面溢油检测系统和方法
CN110108704A (zh) * 2019-05-10 2019-08-09 合肥学院 一种蓝藻自动监测预警方法及其自动监测预警系统
CN115619998A (zh) * 2022-11-30 2023-01-17 浙江绿维环境股份有限公司 一种基于图像的污水等级识别方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221551A (zh) * 2011-06-02 2011-10-19 中国科学院计算技术研究所 一种蓝藻监测装置及方法
CN104616303A (zh) * 2015-02-11 2015-05-13 西安电子科技大学 一种基于紫外图像的水面溢油检测系统和方法
CN110108704A (zh) * 2019-05-10 2019-08-09 合肥学院 一种蓝藻自动监测预警方法及其自动监测预警系统
CN115619998A (zh) * 2022-11-30 2023-01-17 浙江绿维环境股份有限公司 一种基于图像的污水等级识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱文涵 等: "苏州市河湖蓝藻智能识别监管平台建设设计", 《江苏水利》 *
罗艾娜 等: "基于深度神经网络的复杂光照下的蓝藻图片语义分割", 《计算机应用与软件》, vol. 35, no. 4 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503767A (zh) * 2023-06-02 2023-07-28 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统
CN116503767B (zh) * 2023-06-02 2023-09-22 合肥众安睿博智能科技有限公司 基于语义式图像处理的河道漂浮物识别系统
CN116704197A (zh) * 2023-08-07 2023-09-05 水利部珠江水利委员会水文局 一种河湖遥感图像的处理方法及系统
CN116704197B (zh) * 2023-08-07 2023-10-17 水利部珠江水利委员会水文局 一种河湖遥感图像的处理方法及系统
CN117291910A (zh) * 2023-11-23 2023-12-26 广东广宇科技发展有限公司 一种基于无人机图像采集的河湖排污动向捕捉方法
CN117291910B (zh) * 2023-11-23 2024-04-09 广东广宇科技发展有限公司 一种基于无人机图像采集的河湖排污动向捕捉方法
CN117911878A (zh) * 2024-03-20 2024-04-19 江西三思检测技术有限公司 用于智慧环保管家的污染物预警方法及装置
CN117911878B (zh) * 2024-03-20 2024-06-07 江西三思检测技术有限公司 用于智慧环保管家的污染物预警方法及装置
CN118097562A (zh) * 2024-04-18 2024-05-28 广东海洋大学 一种海藻增殖情况远程监测方法
CN118097562B (zh) * 2024-04-18 2024-07-05 广东海洋大学 一种海藻增殖情况远程监测方法
CN118212970A (zh) * 2024-05-16 2024-06-18 水利部交通运输部国家能源局南京水利科学研究院 一种基于时序和空间分布的蓝藻预测方法及系统
CN118470651A (zh) * 2024-07-10 2024-08-09 水利部交通运输部国家能源局南京水利科学研究院 一种河湖动态感知智慧杆及感知系统、方法
CN118470651B (zh) * 2024-07-10 2024-10-11 水利部交通运输部国家能源局南京水利科学研究院 一种河湖动态感知智慧杆及感知系统、方法

Also Published As

Publication number Publication date
CN116152748B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN116152748B (zh) 基于蓝藻识别的河湖监管方法及其系统
CN102436656A (zh) 基于计算机视觉的动物多样性监测方法
CN110334750A (zh) 输电线路铁塔螺栓锈蚀程度图像分类识别方法
CN108388916B (zh) 一种基于人工智能的水体漂浮物自动识别方法和系统
CN110659546B (zh) 一种违法摊位检测方法及装置
CN109255350A (zh) 一种基于视频监控的新能源车牌检测方法
CN102096808A (zh) 稻飞虱虫情自动测报方法
CN111814750A (zh) 基于深度学习目标检测和图像识别的智能垃圾分类方法及系统
CN114509445B (zh) 一种基于聚类分析的污染物识别预警方法及系统
CN113989711B (zh) 一种配电施工安全工器具使用识别方法及系统
CN116484259A (zh) 一种城市管网缺陷位置定位分析方法和系统
CN107578414B (zh) 一种路面裂缝图像的处理方法
CN103971367A (zh) 水文资料图像分割方法
CN115439763A (zh) 一种基于YOLOv5模型的水工程表面裂缝检测方法
CN114677667A (zh) 一种基于深度学习的变电站电气设备红外故障识别方法
CN117151430B (zh) 一种小流域水土保持治理优先度遥感评估方法
CN117456353A (zh) 一种河流湖泊智慧界桩的管理系统
CN116611704A (zh) 一种用于渔业资源监管的系统及方法
CN104820818A (zh) 一种移动物体的快速识别方法
CN112818836B (zh) 一种变电站场景的人员目标检测方法及系统
CN114241299A (zh) 一种基于遗传算法的区块链水域垃圾密度检测方法及系统
CN114898291B (zh) 一种基于摄像头巡检路径的视觉监测方法
CN105512608A (zh) 一种判定人为造成地貌特征变化的方法及系统
Yasuno et al. River Surface Patch-wise Detector Using Mixture Augmentation for Scum-cover-index
CN118470651B (zh) 一种河湖动态感知智慧杆及感知系统、方法

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