专利名称：一种蓝藻监测装置及方法
技术领域：
本发明涉及水环境监测与水环境保护技术领域，尤其涉及一种针对水面蓝藻进行监测的装置和方法。
背景技术：
随着我国工农业的迅猛发展以及城市化进程的加快，工业废水、生活污水、农业灌溉废水中氮、磷等营养性物质排放量日益增加，湖泊富营养化问题日益突出。据统计，我国 66%以上的湖泊和水库已处于富营养状态，其中22%处于重富营养和超富营养状态，与其相伴的一个普遍现象是蓝藻的频繁发生。作为一个世界性难题，蓝藻暴发不仅影响水体景观，毒害水生生物，而且破坏饮用水水源和水体生态系统平衡，严重影响国家的经济发展和人民的日常生活。现有的蓝藻监测方法主要分为四类(1)人工观测。传统方法是由观测人员定期进行现场的视觉和嗅觉观测，目前可以通过无线视频监控系统进行远程人工观测，但是仍然缺乏自主监测和准确的预警能力。(2)实验室分析。对人工采集水体样本进行分析，测量其中的藻类数量，耗时长，对分析人员的技术要求高。虽然近期已经实现远程水样显微图片获取，并将其传送到数据处理中心进行藻类数量的自动识别，但是图像传输数据量较大，网络通信成本较高，而且缺少藻类数量与实际蓝藻暴发强度之间的定量对应关系。(3)遥感图像处理。利用星载或机载高光谱传感器采集监测水域蓝藻水体的光谱信息，通过分析蓝藻和水体的光谱特征差异实现蓝藻的识别。主要不足在于系统建设成本高，而且卫星观测和解译的结果受云量等诸多因素的影响。此外，受到卫星轨道的限制，其采样周期较长(一般以天为单位)。(4)水质参数测量。利用远程在线水质传感器采集监测点的多种水质参数(如PH 值，溶解氧、氧化还原电位、电导率等)，不足在于多参数水质传感器价格昂贵，而且尚缺少水质参数与蓝藻暴发强度之间的定量对应关系，目前仅可以通过经验阈值方法定性地描述蓝藻的暴发强度(例如给出蓝藻暴发的低、中、高等级)。综上所述，现有方法均无法同时提供自主、低成本、实时、准确的蓝藻监测与预警功能。本发明正是针对现有方法的不足，提供一套蓝藻监测装置和方法，以较低的成本实现对蓝藻的自主、实时监测，并对蓝藻暴发强度进行准确评估，显著提高蓝藻监测、预警与治理的水平。
发明内容
本发明解决的技术问题在于，基于水面待测图像，自动实时地对蓝藻进行监测，并根据蓝藻的暴发强度进行预警。更进一步的，本发明采用非接触式的图像采集方式，无需实地采集水样，采集设备的维护成本低。
更进一步的，在监测装置上实现待测图像采集、处理和蓝藻暴发强度计算，仅向远程监测中心传输蓝藻暴发强度结果，降低数据传输量，节省网络通信成本。更进一步的，将预警信息和对应的蓝藻定位信息一同发送至远程监测中心，便于定位蓝藻暴发位置，为蓝藻打捞的资源调度提供基础资料。为解决上述问题，本发明公开了一种蓝藻监测方法，包括标本采集步骤，采集多幅标本图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；阈值识别步骤，基于该标本蓝藻图像集合和该待测图像训练集合，计算得到蓝藻像素特征阈值；待测图像采集步骤，采集待测图像；图像分割步骤，根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域；预警步骤，当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息。该阈值识别步骤进一步包括利用该标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据构建标本训练数据集合；基于该标本训练数据集合对分类算法模型训练，得到蓝藻像素特征分类模型；利用该蓝藻像素特征分类模型，对由该待测图像训练集合中的图像的像素的特征数据进行分类，得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合；基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法， 计算各像素分量的阈值，作为该蓝藻像素特征阈值。该分类算法包括支持向量机方法、决策树方法或神经网络分类方法。该最优化算法包括
权利要求
1.一种蓝藻监测方法，其特征在于，包括标本采集步骤，采集多幅标本图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；阈值识别步骤，基于该标本蓝藻图像集合和该待测图像训练集合，计算得到蓝藻像素特征阈值；待测图像采集步骤，采集待测图像；图像分割步骤，根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域； 预警步骤，当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息。
2.如权利要求1所述的方法，其特征在于，该阈值识别步骤进一步包括利用该标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据构建标本训练数据集合；基于该标本训练数据集合对分类算法模型训练，得到蓝藻像素特征分类模型； 利用该蓝藻像素特征分类模型，对由该待测图像训练集合中的图像的像素的特征数据进行分类，得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合；基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法，计算各像素分量的阈值，作为该蓝藻像素特征阈值。
3.如权利要求2所述的方法，其特征在于，该分类算法包括支持向量机方法、决策树方法或神经网络分类方法。
4.如权利要求2所述的方法，其特征在于，该最优化算法包括
5.如权利要求1、2、3或4所述的方法，其特征在于，该标本采集步骤与该阈值识别步骤之间还包括预处理步骤，该预处理步骤包括检测该标本图像的亮度，对未达到预设亮度阈值的标本图像予以排除； 确定该标本图像中的选定区域；在该预警步骤中，当该蓝藻区域的面积与该待测图像的该选定区域的面积之比超过预警阈值时，生成该预警信息。
6.如权利要求5所述的方法，其特征在于，预警步骤之后进一步包括检测该待测图像所对应的位置的定位信息，将该定位信息以及该预警信息发送至远程监测中心，或者，将该蓝藻区域的面积与该待测图像的面积之比、该定位信息以及该预警信息发送至远程监测中心。
7.一种蓝藻监测装置，其特征在于，包括视频传感单元，用于采集标本图像以及待测图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；处理单元，包括阈值识别模块、图像分割模块和预警模块；该阈值识别模块用于基于该标本蓝藻图像集合和该待测图像训练集合计算蓝藻像素特征阈值，该图像分割模块用于根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域，该预警模块用于当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息。
8.如权利要求7所述的装置，其特征在于，该阈值识别模块进一步包括模型构建模块，利用该标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据构建标本训练数据集合，基于该标本训练数据集合对分类算法模型进行训练，得到蓝藻像素特征分类模型；分类模块，利用该蓝藻像素特征分类模型，对由该待测图像训练集合中的图像的像素的特征数据进行分类，得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合；阈值获取模块，基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法，计算各像素分量的阈值，作为该蓝藻像素特征阈值。
9.如权利要求8所述的装置，其特征在于，该模型构建模块包括支持向量机方法模块、 决策树方法模块或神经网络分类方法模块。
10.如权利要求8所述的装置，其特征在于，该最优化算法包括
11.如权利要求7、8、9或10所述的装置，其特征在于，还包括一预处理单元，用于检测该标本图像的亮度，对未达到预设亮度阈值的标本图像予以排除；确定该标本图像中的选定区域；该预警模块用于当该蓝藻区域的面积与该待测图像的该选定区域的面积之比超过预警阈值时，生成该预警信息。
12.如权利要求11所述的装置，其特征在于，还包括一定位单元以及一通信单元，该定位单元用于检测该装置的定位信息，该通信单元用于将该定位信息以及该预警信息发送至一远程监测中心，或者，将该蓝藻区域的面积与该待测图像的面积之比、该定位信息以及该预警信息发送至一远程监测中心。
13.如权利要求7所述的装置，其特征在于，该视频传感单元包括视频传感控制器、CCD 数码相机和云台；该CCD数码相机用于采集该标本图像以及待测图像；该云台接收来自视频传感控制器的控制命令，调整该CCD数码相机角度与方位； 该视频传感控制器连接该CCD数码相机和该云台，用于发出控制命令控制该CCD数码相机的拍摄参数，以及控制该云台的角度与方位。
14.如权利要求7所述的装置，其特征在于，该视频传感单元位于被测水面上方3-5米。
全文摘要
本发明公开了一种蓝藻监测装置及方法，该方法包括采集多幅标本图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；基于该标本蓝藻图像集合和该待测图像训练集合，计算得到蓝藻像素特征阈值；采集待测图像；根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域；当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息。本发明基于水面图像自动实时地对蓝藻进行监测，根据蓝藻的暴发强度进行预警。在监测装置上实现待测图像采集、处理和暴发强度评估计算，仅向远程监测中心传输蓝藻暴发强度结果，降低数据传输量。将预警信息和蓝藻定位信息一同发送至远程监测中心，便于定位蓝藻暴发位置。
文档编号H04N5/225GK102221551SQ20111014801
公开日2011年10月19日 申请日期2011年6月2日 优先权日2011年6月2日
发明者崔莉, 张乐, 张招亮, 李栋, 王子健, 祝贺, 赵泽 申请人:中国科学院计算技术研究所