一种生物式水质监测方法与流程

本发明涉及水质监测领域，尤其涉及一种利用鱼类运动轨迹进行生物式水质监测的方法。

背景技术：

水是人类赖以生存的重要资源，当前水资源问题已成为全球性问题。人类能开发利用的水资源在急剧减少，随着工业和城镇建设的不断发展，工业和生活污水不断增加，水质污染监测在水环境安全保护领域具有十分重要的意义。

传统的水质监测方法主要以理化方法为主，相关技术已较为成熟并能对水质情况进行准确的判断。但理化方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。为此，基于生物监测的水质监测方法被提出以期望实现具有成本低、准确性高且具有在线监测与预警功能的水质监测系统。生物监测主要利用生物对环境污染或环境变化所产生的反应来直接或间接地体现水质的污染情况。

对鱼类生物的检测是应用最早的生物监测方法之一。目前以鱼类为模式生物的水质监测系统主要是通过实时监控和分析鱼类生物个体或群落的行为，通过其运动参数来进行评判水质的污染程度。现有的研究都是针对二维平面内鱼的轨迹运动，实际中鱼类是在三维空间中游动，仅是二维的特征参数还不能够精确描述鱼类的实际运动状态，水质的实际情况不能通过监测结果有效地反映出来，影响了对水环境的管理和治理。

技术实现要素：

针对上述技术问题，本发明提供了一种生物式水质监测方法，用以解决上述背景技术中提出的无法长期监测、二维运动的片面性问题，同时节省人力、物力和财力，增强水质监测的实时性和鲁棒性。

为实现上述目的，本发明采用了如下技术方案：一种生物式水质监测方法，包括以下步骤：

s1.图像采集和预处理阶段，包括：

s11.选取对污染物敏感且易于饲养的鱼类作为受试鱼种；

s12.设立对照实验，加入所用实验试剂：

设置空白实验和对照实验，将空白实验和对照实验的受试鱼种放入实验缸中，向空白实验的实验缸中加入不添加任何污染物的实验用水，向对照实验的实验缸中加入所用实验试剂；

s13.图像采集：

采用两个ccd摄像机对受试鱼种在实验缸中的运动进行拍摄，一个摄像机放在实验缸的正前方，一个摄像机放在实验缸的正上方；

s14.图像预处理：

将采集到的视频图像首先利用匈牙利算法进行特征点匹配找到不同时刻的对应点，进而使用卡尔曼滤波进行跟踪，kcf目标跟踪算法进行跟踪目标补偿，达到稳定后，利用光流算法进行运动轨迹平滑，得到二维轨迹像素坐标；

s2.三维坐标轨迹合成阶段，包括：

s21.对二维像素坐标进行预处理，选取连续的二维像素坐标点；

s22.根据直接线性变换方法（dlt）校准相机畸变；

s23.确定图像对应点；

s24.将对应点作为匹配点计算出鱼类运动轨迹三维像素坐标；

s3.分类神经网络构建、训练阶段，包括：

s31.特征参数提取：

从三维运动轨迹中提取出速度、加速度、曲率、中心游动距离、离散度五组特征参数；

s32.特征参数数据库建立：

对所有的特征参数样本进行整合建立特征参数数据库；

s33.传统基分类器融合：

利用特征参数数据库建立基于支持向量机（svm）和xgboost的水质异常监测模型，得到能够识别不同水质的基分类器；

s34.深度神经网络模型建立：

对于空间运动轨迹像素点集，构建pointnet网络模型，学习每个点的空间编码然后聚合所有特征到全局特征；

s35.传统基分类器与深度神经网络模型集成：

利用传统的基于支持向量机（svm）和xgboost的水质异常监测方法，与深度学习神经网络的监测方法进行融合，即通过构建并结合多个学习器来完成学习任务；

s36.模型训练，得到水质评价模型：

建立正常水质和异常水质样本集，将样本集作为输入送入模型中进行训练，得到水质评价模型；

s4.在线水质监测阶段

利用训练好的水质评价模型对实时采集的视频序列进行判断，若出现异常水质，则发出报警，相关人员及时采取措施。

步骤s11中选取红鲫鱼和斑马鱼作为受试鱼种。

步骤s12中设立三组实验，每组实验的空白实验和对照实验的实验缸中均放入相同数量的受试鱼种，每组实验的空白实验的实验缸中加入不添加任何污染物的实验用水，第一组实验的对照实验的实验缸中加入相同体积溶度为1.5%的敌百虫水溶液，第二组实验的对照实验的实验缸中加入相同体积ph值为3.5的草酸溶液，第三组实验的对照实验的实验缸中加入相同体积浓度为5.75mg/l的溶液。进一步地，实验用水为充分曝气的自来水，温度25±1℃，溶解氧＞8㎎/l，光照比率16h：8h（白天：黑夜），实验缸为透明的玻璃鱼缸。

步骤s13中在实验开始五分钟后采集鱼群视频。

步骤s35中使用三个分类器（pointnet神经网络模型、svm、xgboost）在测试样本上进行分类，最后使用投票法进行最终的预测输出。

步骤s36中模型训练迭代次数为100次，优化算法上使用随机梯度下降，在训练过程中设置不同的学习率，迭代次数为0-65之间学习率为1e-3，66-85之间学习率为1e-4，86-99之间学习率为1e-5。

步骤s4中在水质监测过程中，利用反馈自校正系统平衡样本类别的分布比例，不断修正网络，提供一种可持续学习的训练方式。

步骤s4中判断结果不对时，对模型进行修正更新。

与现有技术相比，本发明的有益效果为：采用kcf跟踪算法对丢失和运动过程中产生碰撞或遮挡的鱼体运动目标进行补偿，有效地降低了光照、遮挡、电子设备噪声所带来的误差；在跟踪过程中使用光流算法进行轨迹平滑，直接得到了鱼类运动轨迹，避免了从图像序列中质心点再提取，在很大程度上提高了效率；提取的是三维轨迹坐标，提供了更加真实的鱼类游动轨迹，可以尽可能减少鱼类面向摄像机横向运动的潜在误差，将3d数据转化为可视化运动轨迹，提供了鱼类运动的直观表示方法；使用集成学习的方式将传统的基于支持向量机（svm）和xgboost的水质异常监测方法与深度学习神经网络的监测方法进行融合，水质判断结果的错误率呈指数级下降，准确率高。本发明有效节省了人力、物力和财力，同时增强了水质监测的实时性和鲁棒性。

附图说明

图1为本发明的一种生物式水质监测方法的整体流程图；

图2为本发明的三维轨迹像素坐标合成流程图。

具体实施方式

为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。

请参照图1，本发明的一种生物式水质监测方法，包括图像采集和预处理阶段、三维坐标轨迹合成阶段、分类神经网络构建、训练阶段和在线水质监测阶段。

1.图像采集和预处理阶段，包括以下步骤：

步骤1.选取对污染物敏感且易于饲养的鱼类作为受试鱼种

选取鱼类进行水质监测的关键因素可以分为以下几点：1、当环境变化和污染物入侵时鱼的敏感性和警觉性；2、鱼群应该大而广泛地分布且易于捕获；3、鱼类在实验室中容易喂养。在查阅相关文献后及考虑鱼类饲养的问题，基于红鲫鱼和斑马鱼其普遍性、易饲养、繁殖能力强、价格低廉、对生产环境要求低等优点，且斑马鱼在遗传工程领域被广泛应用于研究脊椎动物进化和人类遗传疾病，是一种典型的鱼类，在实验室里，斑马鱼通常被用作毒性试验的研究，故选用红鲫鱼和斑马鱼作为受试鱼种；

步骤2.设立对照实验，加入所用实验试剂

实验分为三组，采用平行实验的方法，三组实验仅水质污染物不同，其他条件完全保持一致。实验平台为直径50㎝、高40㎝的圆形实验缸。每组设置空白实验和多个对照实验，将受试鱼种放入空白实验和对照实验的实验缸中。在第一组的空白实验的实验缸中加入一定体积不添加任何污染物的实验用水，多个对照实验的实验缸中分别加入相同体积不同浓度的敌百虫的水溶液；在第二组的空白实验的实验缸中加入一定体积不添加任何污染物的实验用水，多个对照实验的实验缸中分别加入相同体积不同ph值的草酸溶液；在第三组的空白实验的实验缸中加入一定体积不添加任何污染物的试验用水，多个对照实验的实验缸中分别加入相同体积不同浓度的溶液。

步骤3.图像采集

为了连续自动、客观准确地记录和分析鱼类的各种行为，如图2所示，实验采用了两个ccd摄像机对鱼缸内的鱼进行跟踪、检测，拍摄到的视频图像传输到主服务器上，通过主服务器对鱼类进行行为分析。实验所用的实验缸为透明的玻璃鱼缸，两个ccd摄像机分别在鱼缸的正前方和正上方，它们同时从两个不同的视角获取鱼类运行视频图像。实验过程中采用ccd相机获取鱼体运动视频图像，在实验开始五分钟后进行鱼群视频图像采集，每帧图像大小为480×640，帧速为25帧/秒。

由于鱼类个体间存在差异，每条鱼的运动行为会随着时间和环境的变化而变化，为了保证实验的客观性、准确性，按照如下原则采集实验数据：（a）实验用水为充分曝气的自来水，温度25±1℃，溶解氧＞8㎎/l，光照比率16h：8h（白天：黑夜），实验缸里的水保证一天24小时流动，流速以不影响鱼类的正常行为活动为准；（b）采集数据的时间为连续一天内16小时的白天；（c）每天固定的时间给鱼喂食。对不同鱼龄的红鲫鱼和斑马鱼按照步骤2的方式进行实验，药物暴露之前使鱼在实验缸和实验用水环境中（与空白实验环境相同）适应3天，以消除鱼为适应环境或容器变化带来的行为改变。

步骤4：图像预处理

水中动态和多目标的复杂环境，二维轨迹像素坐标重构成三维轨迹像素坐标时，水的光折射率与空气的光折射率不同而出现的误差等对利用计算机视觉进行水质监测造成了极大的干扰。利用匈牙利算法进行特征点匹配，找到不同时刻的对应点，进而运用卡尔曼滤波跟踪目标的坐标和尺寸，然后利用光流算法进行轨迹平滑。由于跟踪过程中的不稳定性，使用kcf跟踪算法对丢失和运动过程中产生碰撞或者遮挡的鱼体运动目标进行补偿。

2.三维坐标轨迹合成阶段

三维轨迹运动与传统的二维轨迹时间序列相比，三维轨迹运动能提供更加真实的鱼类运动轨迹，可以尽可能减少鱼类面向摄像机横向运动的潜在误差，将3d数据转化为可视化运动轨迹，为实验研究提供了鱼类运动的直观表示方法。

如果将立体匹配和跟踪当作两个相互独立的过程来进行处理，当鱼群数量增加时，每条鱼在游动过程中相互靠近或者遮挡的频率非常高，导致提取的二维轨迹片段普遍较短，立体匹配的不确定性难以在短时间内利用运动特性将其消除。若提取的鱼的质心点叠加在一块或者游动时靠近的时间过长，将导致质心点合成的轨迹严重缺失，进而造成3d重建的误差，影响重建的效果，由此可以看出重建过程和跟踪过程是相互依赖的。在本发明中，将三维点构建和实时跟踪作为一个整体。在重建过程中，利用两个摄像机在不同角度对鱼类进行拍摄，如果质心点在一个视角靠近或者叠加，可以跳到另一个视角消除轨迹跟踪的不确定性，这样每个时间点都能提取到鱼体质心坐标，将特征匹配的难度在很大程度上进行了降低。

请参照图2，实验装置属于单目多视角成像，设计时决定了两个摄像机与鱼缸的几何关系，依据这些固定的几何关系可以获得从两个视角观察鱼相一致的质心点位置坐标。根据图2试验装置所示，正前方摄像机拍摄到的图像像素坐标为,正上方拍摄到的图像像素坐标为,其中,所描述的是同一方向上的像素坐标，所以两个摄像机轴的信息是重叠的。通过两个ccd摄像机采集多帧连续图像，两个相机必须保证是同步的，这样才能尽可能减小误差所带来的影响。根据直接线性变换方法（dlt）校准相机畸变，确定图像对应点，将对应点作为匹配点计算出鱼类运动轨迹的三维像素坐标。

3.分类神经网络构建、训练阶段，包括以下步骤：

步骤1.特征参数提取

在正常水质下，速度、加速度、曲率呈现小幅度变化，平均游动距离大致相同，没有出现剧烈波动的情形，离散度也相对较小，情况稳定，而在异常水质下每个参数变化都较大。因此从三维运动轨迹中提取出速度、加速度、曲率、中心游动距离、离散度五组特征参数。

步骤2.特征参数数据库建立

对所有的特征参数样本进行整合建立特征参数数据库。

步骤3.传统基分类器融合

在利用svm和xgboost分类过程中，计算出能够反映水质变化的鱼类行为运动特征参数数据，对数据进行一定的加工，使运动参数特征更加突出；利用特征参数数据库建立基于svm和xgboost的水质异常监测模型；最后利用模型对未知水质下的鱼类行为特征参数进行分析评价，达到水质异常检测的目的。

步骤4.深度神经网络模型建立

在提取到鱼类运动行为特征与计算特征的基础上，探究其与水质安全的定量关系，从本质上讲正常水质和异常水质下的鱼类具有明显区别的运动特征，可以看作两类不同的运动模式，因此水质安全评价是一个分类问题。分类问题是将目标与非目标进行分类，其中非目标是指除去目标的一切物体（本发明中非目标是不同污染程度类别中的鱼类行为参数），不可能用一个或几个模式加以描述。

对于空间运动轨迹像素点集，构建pointnet网络模型，学习每个点的空间编码然后聚合所有特征到全局特征。利用分类模型从小的领域提取局部特征，然后进一步处理产生更高层次的特征，这个过程不断地重复直到获取整个点集的全局特征。

步骤5.传统基分类器与深度神经网络模型集成

鱼类运动轨迹图像有不同的特征提取方法，每种方法都侧重图像不同方面的描述，将这些特征结合起来，可以更加全面地表达特征信息。利用传统的基于支持向量机（svm）和xgboost的水质异常监测方法，与深度学习神经网络的监测方法进行融合，即通过构建并结合多个学习器来完成学习任务。在集成策略，水质正异常监测可看作二分类问题，使用三个分类器（pointnet神经网络模型、svm、xgboost）在测试样本上进行分类，其中√表示分类正确，×表示分类错误。最后使用投票法进行最终的预测输出，即“少数服从多数”。

步骤6.模型训练

建立正常水质和异常水质样本集，将样本集作为输入送入模型中进行训练，得到水质评价模型。在实验中使用不加入任何污染物的实验用水和加入敌百虫、草酸溶液、重铬酸钾的实验用水所得出的三组鱼类运动轨迹数据进行训练。迭代次数设置为100，随着迭代次数的增加，训练准确率也逐步升高。在优化算法上使用随机梯度下降（sgd），sgd算法中一个关键参数为学习率，在训练过程中设置不同的学习率，在迭代次数为0-65之间等于1e-3，66-85之间等于1e-4，86-99之间等于1e-5。准确率最高可以达到95%左右，即选用的pointnet模型完全符合水质评价要求。

4.在线水质监测阶段

利用训练好的水质评价模型对实时采集的视频序列进行判断，若判断出现异常水质，则发出报警，相关人员及时采取措施。当相关人员对水质实际情况进行检测（比如使用水质检测仪）后发现水质评价模型判断结果不正确出现错误报警时，对模型进行修正更新。

水质监测是一个长期的观测行为，对于固定水域环境来说，如果提供给机器学习的数据样本集是不平衡的类样本，即监测过程中出现正常水质的样本数量和异常水质的样本数量比例差距悬殊，则训练出来的模型便会出现偏差不可用。在水质监测过程中，利用反馈自校正系统平衡样本类别的分布比例，不断修正网络，提供一种可持续学习的训练方式，以此来减少误差提高准确率，达到实时监测的目的。

本发明的一种生物式水质监测方法，采用kcf跟踪算法对丢失和运动过程中产生碰撞或遮挡的鱼体运动目标进行补偿，有效地降低了光照、遮挡、电子设备噪声所带来的误差；在跟踪过程中使用光流算法进行轨迹平滑，直接得到了鱼类运动轨迹，避免了从图像序列中质心点再提取，在很大程度上提高了效率；提取的是三维轨迹坐标，提供了更加真实的鱼类游动轨迹，可以尽可能减少鱼类面向摄像机横向运动的潜在误差，将3d数据转化为可视化运动轨迹，提供了鱼类运动的直观表示方法；使用集成学习的方式将传统的基于支持向量机（svm）和xgboost的水质异常监测方法与深度学习神经网络的监测方法进行融合，水质判断结果的错误率呈指数级下降，准确率高。本发明有效节省了人力、物力和财力，同时增强了水质监测的实时性和鲁棒性。

本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。