一种基于图像分析的水质在线监测系统及方法与流程

本发明属于非专用于特定变量的测量，具体的说是一种基于图像分析的水质在线监测系统及方法。

背景技术：

1、水资源是人类社会发展不可或缺并且不可替代的重要资源之一，对社会经济的发展以及人们的日常生活与生产都发挥着保障的作用。越来越多的水污染事件牵动着整个社会的神经，现在水质分析的方法通常用化学分析方法，正在采用的新方法向连续化、自动化方向发展，但是现有技术仍存在图片并未进行清晰化处理，容易被天气因素影响导致模糊不清的问题，从而影响对水质的判断，降低水质检测的效率，增加水质监测的成本，因此，有必要在分析水质之前根据图片判断是否受天气影响导致图片模糊，并处理因天气影响的图片直至达到监测标准，再通过图片和传感器检测水质，对不满足水质标准的水域进行报警处理，从而提高图片的可用性和敏感度，提高处理水污染的效率。

2、例如在申请公布号为cn113033313a的中国专利中公开了基于深度学习的水质污染判断方法，包括如下步骤：构建不同种类污染物所代表的不同特征数据的特征数据库；初始化配置水中的水质传感器网络并等距设置传感器节点；实时的通过每个传感器节点监测获取水面原始图片，并将原始图片数据存储到分布式数据库中；对原始图片做颜色校正处理，并识别出原始图片中包含的各景物；获取各景物的特征轮廓信息；以特征数据库作为分类的依据，对各景物图像进行分类，然后利用聚类处理对分类结果进行分类后处理，得到污染物识别图片数据。该发明通过对间隔对水面进行图像采集，且对图像进行识别处理，分离出各景物图像，便于对污染物进行准确的识别，便于快速对比特征判断水质污染概率。

3、同时例如在申请公布号为cn114882130a的中国专利中公开了基于水色图像的水质评分方法、装置、设备及介质，揭露一种基于水色图像的水质评分方法，包括：获取水样图片，从所述水样图片中切割出目标水体图片；将所述目标水体图片根据rgb三颜色通道划分为r值水样图片、g值水样图片和b值水样图片；根据预设的颜色矩法分别获取所述r值水样图片、g值水样图片和b值水样图片的颜色矩，得到图像特征；根据所述图像特征利用预设的水质评分模型，计算得到所述水样图片的水质评分。该发明还提出一种基于水色图像的水质评分装置、设备及存储介质。该发明可以提升对水质进行评分的速度。

4、以上专利均存在本背景技术提出的问题：图片并未进行清晰化处理，容易被天气因素影响导致模糊不清，从而影响对水质的判断，降低水质检测的效率，增加水质监测的成本，需要在分析水质之前根据图片判断是否受天气影响导致图片模糊，并处理因天气影响的图片直至达到监测标准，再通过图片和传感器检测水质，对不满足水质标准的水域进行报警处理，从而提高图片的可用性和敏感度，提高处理水污染的效率，为了解决上述问题，本发明设计了一种基于图像分析的水质在线监测系统及方法。

技术实现思路

1、针对现有技术的不足，本发明提出了一种基于图像分析的水质在线监测系统及方法，本发明采集待测水域图片进行清晰化处理后通过图片标准值计算策略计算图片标准值，将不符合监测标准的图片带入图片分类策略中进行图片分类指令输出，将获得雾天图像模糊指令的图片导入图片去雾模型输出去雾后的图片，将获得雨天图像模糊指令的图片导入图片去雨模型输出去雨后的图片，对处理后符合监测标准的图片计算水质监测评价分数，对不符合水质标准的水域进行报警处理。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于图像分析的水质在线监测系统及方法，其包括以下具体步骤：

4、s1、确定待测水域范围，使用图像采集设备采集待测水域图片，将采集到的图片进行清晰化处理，将清晰化处理后的图片代入图片标准值计算策略中计算图片标准值，根据预设的图片标准阈值和图片标准值的大小判断采集到的图片是否符合监测标准，若图片标准值小于等于预设的图片标准阈值，则将对应的图片判断为符合监测标准，进行s5操作，若图片标准值大于预设的图片标准阈值，则将对应的图片判断为不符合监测标准，进行s2操作；

5、s2、将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出，若输出为雾天图像模糊指令，则进行s3操作，若输出为雨天图片模糊指令，则进行s4操作；

6、s3、根据得到的雾天图像模糊指令，天气获取模组获取实时能见度，根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型，采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片；

7、s4、根据得到的雨天图片模糊指令，天气获取模组获取实时降水数据，根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型，采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片；

8、s5、获取s1中判断为符合监测标准的图片、s3中去雾后的图片或s4中去雨后的图片，设为符合标准图片，将符合标准图片代入悬浮物污染程度计算公式计算出待测水域的悬浮物污染程度，根据预先设定的传感器测量待测水域的水质，通过水质污染浓度计算公式计算水质污染浓度污染浓度，将得到的悬浮物污染浓度和水质污染浓度带入水质监测评价公式得到水质监测评价分数，将得到的水质监测评价分数与预设的水质监测评价分数阈值对比，若水质监测评价分数大于预设的水质监测评价分数阈值则进行水质污染报警。

9、具体的，所述s1包括以下具体步骤：

10、s11、根据监测指令，确定待测水域范围，使用图像采集设备采集待测水域图片，将采集到的待测水域图片传输至图片处理模组，进行图像的亮度、对比度、锐化、色彩矫正和降噪处理，得到清晰化处理后的图像；

11、s12、将清晰化处理后的图像和设定的标准图片代入图片标准值计算公式中计算图片标准值，所述图片标准值计算公式为：，其中，为清晰化处理后图像的第i个像素点的像素值，为设定的标准图片对应清晰化处理后图像的第i个像素点的像素值，为设定的标准图片的像素值个数；

12、s13、根据预设的图片标准阈值和图片标准值的大小判断采集到的图片是否符合监测标准，若图片标准值小于等于预设的图片标准阈值，则将对应的图片判断为符合监测标准，进行s5操作，若图片标准值大于预设的图片标准阈值，则将对应的图片判断为不符合监测标准，进行s2操作；

13、具体的，所述s2中的图片分类策略包括以下具体步骤：

14、获取判断为不符合监测标准的图片，获取历史已判断出天气的图片的图片标准值，将获取的历史雨天的图片标准值代入平均值计算公式中计算历史雨天的图片标准平均值，将获取的历史雾天的图片标准值代入平均值计算公式中计算历史雾天的图片标准平均值，取历史雨天的图片标准平均值和历史雾天的图片标准平均值的中值设为标准平均阈值，将计算得到的实时图片的图片标准值与标准平均阈值进行对比，若图片标准值大于等于标准平均阈值的实时图片判定为雾天拍摄图片，输出雾天图像模糊指令，进行s3操作，若图片标准值小于标准平均阈值的实时图片判定为雨天拍摄图片，输出雨天图片模糊指令，进行s4操作；

15、具体的，所述s3中根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型包括以下具体步骤：

16、将采集历史雾气数据和历史雾天图片模糊数据分为作为80%的参数训练集和20%的参数测试集；将80%的参数训练集输入去雾神经网络模型进行训练，得到去雾初始神经网络模型；利用20%的参数测试集对去雾初始神经网络模型进行测试，输出满足设定的图片标准阈值的最优初始神经网络模型作为去雾神经网络模型，其中，去雾神经网络模型中的特定神经元的输出策略公式为：，其中为去雾神经网络模型的第p+1层w项神经元的输出，为去雾神经网络模型的第p层神经元v与p+1层w项神经元的连接权重，为去雾神经网络模型的第p层神经元v的输出，为去雾神经网络模型的第p层神经元v与p+1层m项神经元的线性关系的偏置，为sigmoid激活函数；

17、具体的，所述s4中根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型包括以下具体步骤：

18、将采集历史降雨量和历史雨天图片模糊数据分为作为80%的参数训练集和20%的参数测试集；将80%的参数训练集输入去雨深度学习神经网络模型进行训练，得到去雨初始神经网络模型；利用20%的参数测试集对去雨初始神经网络模型进行测试，输出满足设定的图片标准阈值的最优初始神经网络模型作为去雨神经网络模型，其中，去雨神经网络模型中的特定神经元的输出策略公式为：，其中为去雨神经网络模型的n+1层m项神经元的输出，为去雨神经网络模型的第n层神经元i与n+1层m项神经元的连接权重，为去雨神经网络模型的第n层神经元i的输出，为去雨神经网络模型的第n层神经元i与n+1层m项神经元的线性关系的偏置，为sigmoid激活函数；

19、具体的，所述s5中水质监测评价策略包括以下具体步骤：

20、s51、将判断为符合图片标准阈值的图片保存，根据悬浮物污染程度计算公式计算出待测水域的悬浮物污染程度，所述悬浮物污染程度计算公式为：，其中，为符合图片标准阈值的图片的第q个像素点的像素值，为设定的标准悬浮物污染图片对应符合图片标准阈值的图片的第q个像素点的像素值，为设定的标准悬浮物污染图片的像素值个数；

21、s52、根据预先设定的传感器测量待测水域的水体污染物的浓度，水体污染物包括重金属、亚硝酸盐、硫酸盐、磷酸盐等，通过水质污染程度计算公式和规定的水体污染物的安全浓度范围计算水质污染浓度，所述水质污染浓度计算公式为：：，其中，为第e种水体污染物的测量浓度，为第e种水体污染物的安全浓度范围最大值，为水体污染物个数，为第e种水体污染物的占比系数，其中，；

22、s53、将得到的悬浮物污染浓度和水质污染浓度带入水质监测评价公式得到水质监测评价分数，将得到的水质监测评价分数与预设的水质监测评价分数阈值对比，若水质监测评价分数大于预设的水质监测评价分数阈值则进行水质污染报警；所述水质监测评价公式为：，其中，a1为悬浮物污染浓度占比系数，a2为水质污染浓度占比系数，，在此需要说明的是，这里的悬浮物污染浓度占比系数和水质污染浓度占比系数的取值方式为：取2000组历史悬浮物污染浓度和水质污染浓度数据，选取50位水质专家对悬浮物污染浓度和水质污染浓度数据进行计算评比得出十组悬浮物污染浓度占比系数和水质污染浓度占比系数，选取准确率最高的水质监测评价的最优悬浮物污染浓度占比系数和水质污染浓度占比系数。

23、一种基于图像分析的水质在线监测系统，基于上述的一种基于图像分析的水质在线监测方法实现，其包括控制模块、图片处理模块、图片分类模块、图片去雾模块、图片去雨模块、水质监测评价模块和水质污染报警模块，所述图片处理模块使用图像采集设备采集待测水域图片并进行清晰化处理，判断清晰化后的图片是否符合监测标准，所述图片分类模块用于将判断为不符合监测标准的图片带入图片分类策略中进行图片分类指令输出，所述图片去雾模块用于根据历史能见度数据和历史雾天图片模糊数据构建图片去雾模型，采集实时能见度数据和雾天图像数据导入构建的图片去雾模型中输出去雾后的图片。

24、具体的，所述图片去雨模块用于根据历史降雨数据和历史雨天图片模糊数据构建图片去雨模型，采集实时降雨数据和雨天图像数据导入图片去雨模型输出去雨后的图片，所述水质监测评价模块用于将图片带入水质监测评价策略中得到水质监测评价分数，所述水质污染报警模块用于将水质监测评价分数与预设的水质监测评价分数阈值对比，根据对比结果进行水质污染报警。

25、具体的，所述控制模块用于控制图片处理模块、图片分类模块、图片去雾模块、图片去雨模块、水质监测评价模块和水质污染报警模块的运行。

26、一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；

27、所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种基于图像分析的水质在线监测方法。

28、一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种基于图像分析的水质在线监测方法。

29、与现有技术相比，本发明的有益效果是：采集待测水域图片进行清晰化处理后通过图片标准值计算策略计算图片标准值，将不符合监测标准的图片带入图片分类策略中进行图片分类指令输出，将获得雾天图像模糊指令的图片导入图片去雾模型输出去雾后的图片，将获得雨天图像模糊指令的图片导入图片去雨模型输出去雨后的图片，对处理后符合监测标准的图片计算水质监测评价分数，对不符合水质标准的水域进行报警处理。