一种生物式水质监测方法技术

本发明专利技术提供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；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。本发明专利技术有效节省了人力、物力和财力，同时增强了水质监测的实时性和鲁棒性。

A Biological Water Quality Monitoring Method

【技术实现步骤摘要】
一种生物式水质监测方法
本专利技术涉及水质监测领域，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。
技术介绍
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。
技术实现思路
针对上述技术问题，本专利技术提供了一种生物式水质监测方法，用以解决上述
技术介绍
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，本专利技术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，本专利技术的有益效果为：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。本专利技术有效节省了人力、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为本专利技术的一种生物式水质监测方法的整体流程图；图2为本专利技术的三维轨迹像素坐标合成流程图。具体实施方式为使对本专利技术的目的、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，本专利技术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本文档来自技高网...

【技术保护点】
1.一种生物式水质监测方法，其特征在于，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研究所用实验试剂；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。...

【技术特征摘要】
1.一种生物式水质监测方法，其特征在于，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研究所用实验试剂；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...

【专利技术属性】
技术研发人员：程淑红，赵考鹏，张典范，王迎，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北,13