一种基于机器视觉的无人机水质色度监测方法技术

本发明专利技术公开了一种基于机器视觉的无人机水质色度监测方法，它利用无人机在水质监测区域的水面拍摄获得的水样图像实时传输到电脑终端，并对获得的水样图像信息进行图像处理；同时进行现场水样的采集，将采集的水样进行色度等级检测，并建立水样色度数据库。根据处理后的水样图像信息结果以及搭建的水样色度数据库，搭建卷积神经网络监测模型，建立数据水质监测数据库，并进行结果评测，选择最为合适的模型框架。本发明专利技术提供了一种监测效率高、成本低，并适用于对大范围水域进行监测的基于机器视觉的无人机监测方法，通过对无人机搜集的图像进行图像分析，实时监测某一水域的水质情况，主要适用于对大面积江河湖泊的水质监测工作。

A method of color monitoring of UAV water quality based on machine vision

【技术实现步骤摘要】
一种基于机器视觉的无人机水质色度监测方法
本专利技术涉及水质监测，具体涉及一种基于机器视觉的无人机水质色度监测方法。
技术介绍
改革开放以来，中国现代化的步伐不断加快。在用水量迅速上升的同时，污水排放量也随之提高，污染物的排放数量已经超过了水环境容量，这给水体自净带来了很多问题。这使得我国的水资源受到了极大的破坏。为了能够更好得保护水资源不被破坏，同时了解水体的实时情况，需要对水体进行实时的监测工作。现阶段，水环境监测的方法主要包括：实验室监测方法、移动监测方法和自动监测站监测方法。但是这三种水环境监测方法均需要进行样本提取，后进行化学物质监测，虽然监测精度高但是也存在人工成本与设备成本较高，且监测周期较长的缺点。我国疆域辽阔，水域分布广阔，不同的地表水流域需要有着不同的水资源监测体系，我们现有的监测体系来看，在整体的监测模式，预警监测等方面存在明显不足。
技术实现思路
为了克服传统的水质监测方法监测成本高，监测周期长的缺点，本专利技术提供了一种监测效率高，成本低，并适用于对大范围水域进行监测的基于机器视觉的无人机监测方法，通过对无人机搜集的图像进行图像分析，实时监测某一水域的水质情况，主要适用于对大面积江河湖泊的水质监测工作。所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于包括以下步骤：1)水样图像的采集：通过无人机的巡航功能，在选定的水质监测区域的水面进行拍摄，并将拍摄获得的水样图像实时传输到电脑终端；2)图像处理：将电脑终端获得的水样图像信息进行图像处理，即首先对获得的所有水样图像进行光照强度的归一化处理，以避免由于光照强度的差异而对色度监测效果产生影响；然后对水样图像的除水面区域以外的部分进行剔除，以避免干扰因素对监测结果的影响，最终获得相应的处理后图像；3)现场水样的采集：在无人机进行水样图像搜集的同时进行现场水样的采集，在水质监测区域选取不同的点作为采样点，以避免水样参数测试中误差的产生，对搜集获得的水样样本进行保存；4)水样色度的化学监测及水样色度数据库搭建：利用化学监测方式对搜集获得的水样进行色度检测，色度精度精确到个位数，以每个数字作为一个等级，共划分60个色度等级；按照色度等级对每一个水样进行标记，并按照色度等级将同一色度等级的水样进行归类处理，得到水样色度的数据库；5)搭建卷积神经网络监测模型，建立水质监测数据库：水样色度等级的监测方法是采用卷积神经网络的方式训练，为了能够获得最优的预测效果，在本阶段设计多种结构的卷积神经网络分别进行预测，将所有采样点的处理后图像及其对应的水体色度等级作为训练样本数据进行输入，分别进行检测模型的搭建，并训练卷积神经网络参数；选择采用softmax方式进行预测输出，通过检测模型的不断迭代，让水体色度等级预测结果与真实水体色度等级结果的误差减小，达到水样色度的有效监测；6)监测模型结果的评估与可视化：根据步骤5)构建的多个检测模型，通过输入待测的处理后图像样本，以折线分布图的方式展示不同监测模型水体色度等级预测结果与真实水体色度等级结果的拟合情况，通过色度等级的卷积神经网络模型的误差分析评估检测各模型的有效性，并选择最为合适的模型框架。所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于步骤1)水样图像的采集过程中，图像采集时的天气保持基本一致，且无人机的飞行高度相同。所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于步骤2)对所有水样图像进行光照强度的归一化处理的过程为：首先以一张光照强度最为合适的水样图像样本作为模板图像，通过opencv的图像处理模块，提取模板图像的各通道像素点的RGB参数，并通过RGB参数计算模板图像的光照强度均值；将除模板图像之外的其他每一种水样图像均标记为目标图像，以同样方法计算目标图像的光照强度，并计算模板图像的光照强度均值与目标图像的光照强度的比例系数β，将目标图像的每个通道的每一个像素值乘上比例系数β，达到光照强度的归一化处理，使所有水样图像的光照强度均值均保持一致，从而避免由于拍摄过程当中光照强度的差异对色度监测效果的影响。所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于进行归一化处理的具体过程为：所述模板图像的光照强度均值的计算公式如式(2)所示，Yo—模板图像的光照强度均值；Rij—模板图像的红色通道i行j列像素块的值；Gij—模板图像的绿色通道i行j列像素块的值；Bij—模板图像的蓝色通道i行j列像素块的值；目标图像与模板图像的光照强度均值的比例系数β的计算公式如式(3)所示：β—水样图像的光照强度比例系数；YP—目标图像的光照强度；Bo—目标图像的蓝色通道光强归一化处理前的像素值；Bn—目标图像的蓝色通道光强归一化处理后的像素值；Go—目标图像的绿色通道光强归一化处理前的像素值；Gn—目标图像的绿色通道光强归一化处理后的像素值；Ro—目标图像的红色通道光强归一化处理前的像素值；Rn—目标图像的红色通道光强归一化处理后的像素值；同时由于RGB类型的图像像素值取值范围为[0,255]，因此当公式(3)中R、G、B通道内像素值大于255时，均以255代替该像素值。所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于步骤2)对所有水样图像进行光照强度的归一化处理的过程，也可以采用以下方式：使用RGB各通道的像素值偏移化的方法进行光照强度处理，首先以一张光照强度最为合适的水样图像样本作为标准图像，将除标准图像之外的其他每一种水样图像均标记为目标图像，计算目标图像与标准图像之间各通道像素的均值差，并根据计算的均值差结果，将目标图像的各通道像素均值进行偏移，以保证目标图像的像素均值与标准图像的像素均值一致，从而起到光照强度均一化的效果；计算公式如式(4)所示：Cij(aim)—光照强度归一化后目标图像C通道i行j列像素点的像素值；Cij(ori)—标准图像C通道i行j列像素点的像素值；Cij—光照强度归一化前目标图像C通道i行j列像素点的像素值；C—C为R,G,B通道中的某一通道。所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于步骤2)中，对水样图像的除水面区域以外的部分进行剔除的过程如下：S1边缘检测及像素二值化：首先将已经进行光照强度归一化的水样图像进行灰度化处理，即将水样图像的格式从RGB格式转换为GRAY格式，然后使用soble算子进行边缘检测，即分别利用一个3×3的X轴与Y轴卷积算子核与水样图像对应位置的像素进行矩阵乘法，X轴卷积算子核为Y轴卷积算子核为通过卷积处理后，获得对应像素点的图像灰度值，通过以上方法遍历整个目标图像，获得目标图像的全图的水平与垂直边缘检测结果，最后将X轴与Y轴的卷积结果进行绝对值相减获得对应的边缘检测参数，详细过程如公式(5)所示：Gx—目标图像的进行水平边本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的无人机水质色度监测方法，其特征在于包括以下步骤：/n1)水样图像的采集：通过无人机的巡航功能，在选定的水质监测区域的水面进行拍摄，并将拍摄获得的水样图像实时传输到电脑终端；/n2)图像处理：将电脑终端获得的水样图像信息进行图像处理，即首先对获得的所有水样图像进行光照强度的归一化处理，以避免由于光照强度的差异而对色度监测效果产生影响；然后对水样图像的除水面区域以外的部分进行剔除，以避免干扰因素对监测结果的影响，最终获得相应的处理后图像；/n3)现场水样的采集：在无人机进行水样图像搜集的同时进行现场水样的采集，在水质监测区域选取不同的点作为采样点，以避免水样参数测试中误差的产生，对搜集获得的水样样本进行保存；/n4)水样色度的化学监测及水样色度数据库搭建：利用化学监测方式对搜集获得的水样进行色度检测，色度精度精确到个位数，以每个数字作为一个等级，共划分60个色度等级；按照色度等级对每一个水样进行标记，并按照色度等级将同一色度等级的水样进行归类处理，得到水样色度的数据库；/n5)搭建卷积神经网络监测模型，建立水质监测数据库：水样色度等级的监测方法是采用卷积神经网络的方式训练，为了能够获得最优的预测效果，在本阶段设计多种结构的卷积神经网络分别进行预测，将所有采样点的处理后图像及其对应的水体色度等级作为训练样本数据进行输入，分别进行检测模型的搭建，并训练卷积神经网络参数；选择采用softmax方式进行预测输出，通过检测模型的不断迭代，让水体色度等级预测结果与真实水体色度等级结果的误差减小，达到水样色度的有效监测；/n6)监测模型结果的评估与可视化：根据步骤5)构建的多个检测模型，通过输入待测的处理后图像样本，以折线分布图的方式展示不同监测模型水体色度等级预测结果与真实水体色度等级结果的拟合情况，通过色度等级的卷积神经网络模型的误差分析评估检测各模型的有效性，并选择最为合适的模型框架。/n...

【技术特征摘要】
1.一种基于机器视觉的无人机水质色度监测方法，其特征在于包括以下步骤：
1)水样图像的采集：通过无人机的巡航功能，在选定的水质监测区域的水面进行拍摄，并将拍摄获得的水样图像实时传输到电脑终端；
2)图像处理：将电脑终端获得的水样图像信息进行图像处理，即首先对获得的所有水样图像进行光照强度的归一化处理，以避免由于光照强度的差异而对色度监测效果产生影响；然后对水样图像的除水面区域以外的部分进行剔除，以避免干扰因素对监测结果的影响，最终获得相应的处理后图像；
3)现场水样的采集：在无人机进行水样图像搜集的同时进行现场水样的采集，在水质监测区域选取不同的点作为采样点，以避免水样参数测试中误差的产生，对搜集获得的水样样本进行保存；
4)水样色度的化学监测及水样色度数据库搭建：利用化学监测方式对搜集获得的水样进行色度检测，色度精度精确到个位数，以每个数字作为一个等级，共划分60个色度等级；按照色度等级对每一个水样进行标记，并按照色度等级将同一色度等级的水样进行归类处理，得到水样色度的数据库；
5)搭建卷积神经网络监测模型，建立水质监测数据库：水样色度等级的监测方法是采用卷积神经网络的方式训练，为了能够获得最优的预测效果，在本阶段设计多种结构的卷积神经网络分别进行预测，将所有采样点的处理后图像及其对应的水体色度等级作为训练样本数据进行输入，分别进行检测模型的搭建，并训练卷积神经网络参数；选择采用softmax方式进行预测输出，通过检测模型的不断迭代，让水体色度等级预测结果与真实水体色度等级结果的误差减小，达到水样色度的有效监测；
6)监测模型结果的评估与可视化：根据步骤5)构建的多个检测模型，通过输入待测的处理后图像样本，以折线分布图的方式展示不同监测模型水体色度等级预测结果与真实水体色度等级结果的拟合情况，通过色度等级的卷积神经网络模型的误差分析评估检测各模型的有效性，并选择最为合适的模型框架。


2.根据权利要求1所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于步骤1)水样图像的采集过程中，图像采集时的天气保持基本一致，且无人机的飞行高度相同。


3.根据权利要求1所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于步骤2)对所有水样图像进行光照强度的归一化处理的过程为：首先以一张光照强度最为合适的水样图像样本作为模板图像，通过opencv的图像处理模块，提取模板图像的各通道像素点的RGB参数，并通过RGB参数计算模板图像的光照强度均值；
将除模板图像之外的其他每一种水样图像均标记为目标图像，以同样方法计算目标图像的光照强度，并计算模板图像的光照强度均值与目标图像的光照强度的比例系数β，将目标图像的每个通道的每一个像素值乘上比例系数β，达到光照强度的归一化处理，使所有水样图像的光照强度均值均保持一致，从而避免由于拍摄过程当中光照强度的差异对色度监测效果的影响。


4.根据权利要求3所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于进行归一化处理的具体过程为：
所述模板图像的光照强度均值的计算公式如式(2)所示，



Yo—模板图像的光照强度均值；
Rij—模板图像的红色通道i行j列像素块的值；
Gij—模板图像的绿色通道i行j列像素块的值；
Bij—模板图像的蓝色通道i行j列像素块的值；
目标图像与模板图像的光照强度均值的比例系数β的计算公式如式(3)所示：



β—水样图像的光照强度比例系数；
YP—目标图像的光照强度；
Bo—目标图像的蓝色通道光强归一化处理前的像素值；
Bn—目标图像的蓝色通道光强归一化处理后的像素值；
Go—目标图像的绿色通道光强归一化处理前的像素值；
Gn—目标图像的绿色通道光强归一化处理后的像素值；
Ro—目标图像的红色通道光强归一化处理前的像素值；
Rn—目标图像的红色通道光强归一化处理后的像素值；
同时由于RGB类型的图像像素值取值范围为[0,255]，因此当公式(3)中R、G、B通道内像素值大于255时，均以255代替该像素值。


5.根据权利要求1所述的一种基于机器视觉的无人机水质色度监测方法，其特征在于步骤2)对所有水样图像进行光照强度的归一化处理的过程为：使用RGB各通道的...

【专利技术属性】
技术研发人员：陈勇，陈燚，李非里，张高翔，杨锋，俞飞扬，丁建阳，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33