一种基于无人船的水质监测方法及设备技术

本申请公开了一种基于无人船的水质监测方法及设备，方法包括：确定由多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；关联边包括不同水质污染类型所对应的水域深度污染关系、水域表面污染关系；获取无人船在最近一次周期内的历史采样序列，历史采样序列包括无人船在若干历史采样点位的历史采样子序列，历史采样子序列通过无人船在每个历史采样点位连续监测采样生成，若历史采样序列中具有异常历史采样点位，根据关系图谱与异常历史采样点位的历史采样子序列，得到关联点位；在历史采样序列中，判断是否具有关联点位的历史采样子序列；若否，根据关联点位，对下一个周期的采样点位组合进行更新。提高水质监测准确率。率。率。

【技术实现步骤摘要】
一种基于无人船的水质监测方法及设备


[0001]本申请涉及水质监测
，尤其涉及一种基于无人船的水质监测方法及设备。

技术介绍

[0002]随着人们生态保护意识逐渐增强，水资源问题得到了广泛的关注。为了有效地保护水资源，需要通过合理的监测方式，定期对河流湖泊等水域进行水体参数监测和水质样本采样，快速精准地掌握水质变化数据，对水质状况进行评估和治理。
[0003]目前，无人船已被广泛应用于水域水质监测。但是，水质监测无人船在测量水域的水质参数时存在智能化程度低、设置目标点不灵活等不足，常常采用随机取点采样的方式进行水质监测。这种方式的水质监测，并不能对整个水域有良好的数据体现，从而导致无人船在进行水质监测时，监测准确率低下。

技术实现思路

[0004]本申请实施例提供一种基于无人船的水质监测方法及设备，用于解决无人船在进行水质监测时，监测准确率低下的问题。
[0005]本申请实施例采用下述技术方案：
[0006]一方面，本申请实施例提供了一种一种基于无人船的水质监测方法，该方法包括：确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的水域深度污染关系、水域表面污染关系；在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。
[0007]一个示例中，所述根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位，具体包括：在所述关系图谱中，检索异常历史采样点位；确定所述异常历史点位的邻接节点；在所述历史采样子序列中，确定所述异常历史采样点位的异常采样参数，以及所述异常采样参数对应的采样深度；根据所述异常历史采样点位的水质污染类型以及所述采样深度，确定所述邻接节点与所述异常历史采样点位之间的依赖关系；根据所述依赖关系，确定所述异常历史采样点位的关联点位。
[0008]一个示例中，所述根据所述依赖关系，确定所述异常历史采样点位的关联点位，具
体包括：根据所述依赖关系，确定所述异常历史采样点位的初始关联点位；若所述初始关联点位为多个，则根据所述关系图谱，确定所述异常历史采样点位与每个初始关联点位分别对应关联边的权重值；所述权重值越高，所述异常历史采样点位与所述初始关联点位之间的正相关程度越高；将权重值超过预设权重阈值的初始关联点位，确定为所述异常历史采样点位的关联点位。
[0009]一个示例中，所述根据所述关联点位，对下一个周期的采样点位组合进行更新，具体包括：确定下一个周期的采样点位组合；判断在所述采样点位组合中，是否存在所述关联点位；若否，则在所述采样点位组合中，根据所述关系图谱，检索除了所述异常历史采样点位外，所述关联点位的邻接节点；判断在所述采样点位组合中，是否存在所述邻接节点；若否，则将所述关联点位补充至所述采样点位组合。
[0010]一个示例中，所述关联点位为多个，所述方法还包括：若具有所述关联点位的历史采样子序列，则判断在下一个周期的采样点位组合中，是否存在所述关联点位；若否，则在所述关系图谱中，检索除了所述异常历史采样点位外，所述关联点位的邻接节点；判断在所述采样点位组合中，是否存在所述邻接节点；若否，则在所述关联点位的邻接节点中，选取关联边权重值最高的邻接节点，作为待更新采样点位；在所述采样点位组合中，确定与所述待更新采样点位关联边权重值最高的待监测采样点位；将所述待更新采样点位替换所述待监测采样点位。
[0011]一个示例中，所述根据所述关联点位，对下一个周期的采样点位组合进行更新之后，所述方法还包括：通过获取气象信息，确定所述水域的水面场景光照条件；根据更新的采样点位组合，生成所述无人船的路径导航信息；在所述无人船到达所述路径导航信息中的第一采样点位后，在预设时间间隔内，获取所述无人船在预设范围内的图像信息；对所述图像信息进行识别，确定阻碍所述无人船将要到达所述路径导航信息中第二采样点位的影响等级；所述影响等级越高，所述无人船的阻碍程度越高；若所述水面场景光照条件不符合预设要求，根据所述水面场景光照条件对所述影响等级进行补偿；所述水面光照条件越降低图像信息的识别度时，补偿的程度越高；根据补偿的影响等级与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息。
[0012]一个示例中，所述根据补偿的影响等级与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息，具体包括：若所述补偿的影响等级高于预设等级，则确定所述无人船的阻碍类型；根据所述阻碍类型，确定阻碍所述无人船到达所述第二采样点位的阻碍时长；若所述阻碍时长大于预设时长，则判断阻碍物是否处于所述第二采样点位；若否，则根据所述阻碍物的位置信息与所述路径导航信息，确定所述无人船将要到达所述第二采样点位的导航信息。
[0013]一个示例中，所述方法还包括：若所述阻碍物处于所述第二采样点位，则确定所述无人船在预设时间段内无法到达所述第二采样点位；则在所述路径导航信息中，确定所述无人船将要到达的第三采样点位；所述第三采样点位处于所述第二采样点位的下一个采样点位；若确定所述无人船能够到达所述第三采样点位，则根据所述路径导航信息，生成所述无人船将要到达所述第三采样点位的导航信息。
[0014]一个示例中，所述方法还包括：获取所述第一采样点位的采样序列；将所述采样序列输入预先构建的水质污染监测神经网络模型，确定所述第一采样点位的水质污染浓度
值；若所述水质污染浓度值大于预设污染阈值，则生成所述第一采样点位的预警信息，将所述采样点位的预警信息发送至用户终端设备。
[0015]另一方面，本申请实施例提供了一种基于无人船的水质监测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的深度污染关系、表面污染关系；在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人船的水质监测方法，其特征在于，所述方法包括：确定无人船在预设水域的预先设定的多个样本采样点位，以及确定由所述多个样本采样点位以及样本采样点位间的关联边构成的关系图谱；所述关联边包括不同水质污染类型所对应的水域深度污染关系、水域表面污染关系；在所述预设水域，获取无人船在最近一次周期内的历史采样序列，所述历史采样序列包括无人船在若干历史采样点位的历史采样子序列，所述历史采样子序列通过所述无人船在每个历史采样点位连续监测采样生成，所述历史采样子序列包括不同时间点对应的采样参数，每个时间点的采样参数对应不同的采样深度；若所述历史采样序列中具有异常历史采样点位，根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位；所述关联点位与所述异常历史采样点位之间的水质污染浓度值呈现正相关；在所述历史采样序列中，判断是否具有所述关联点位的历史采样子序列；若否，根据所述关联点位，对下一个周期的采样点位组合进行更新。2.根据权利要求1所述的方法，其特征在于，所述根据所述关系图谱与所述异常历史采样点位的历史采样子序列，得到所述异常历史采样点位的关联点位，具体包括：在所述关系图谱中，检索异常历史采样点位；确定所述异常历史点位的邻接节点；在所述历史采样子序列中，确定所述异常历史采样点位的异常采样参数，以及所述异常采样参数对应的采样深度；根据所述异常历史采样点位的水质污染类型以及所述采样深度，确定所述邻接节点与所述异常历史采样点位之间的依赖关系；根据所述依赖关系，确定所述异常历史采样点位的关联点位。3.根据权利要求2所述的方法，其特征在于，所述根据所述依赖关系，确定所述异常历史采样点位的关联点位，具体包括：根据所述依赖关系，确定所述异常历史采样点位的初始关联点位；若所述初始关联点位为多个，则根据所述关系图谱，确定所述异常历史采样点位与每个初始关联点位分别对应关联边的权重值；所述权重值越高，所述异常历史采样点位与所述初始关联点位之间的正相关程度越高；将权重值超过预设权重阈值的初始关联点位，确定为所述异常历史采样点位的关联点位。4.根据权利要求1所述的方法，其特征在于，所述根据所述关联点位，对下一个周期的采样点位组合进行更新，具体包括：确定下一个周期的采样点位组合；判断在所述采样点位组合中，是否存在所述关联点位；若否，则在所述采样点位组合中，根据所述关系图谱，检索除了所述异常历史采样点位外，所述关联点位的邻接节点；判断在所述采样点位组合中，是否存在所述邻接节点；若否，则将所述关联点位补充至所述采样点位组合。5.根据权利要求1所述的方法，其特征在于，所述关联点位为多个，所述方法还包括：
若具有所述关联点位的历史采样子序列，则判断在下一个周期的采样点位组合中，是否存在所述关联点位；若否，则在所述关系图谱中，检索除了所述异常历史采样点位外，所述关联点位的邻接节点；判断在所述采样点位组合中，是否存在所述邻接节点；若否，则在所述关联点位的邻接节点中，选取关联边权重值最高的邻接节点，作为待更新采样点位；在所述采样点位组合中，确定与所述待更新采样点位关联边权重值最高的待监测采样点位；将所述待更新采样点位替换所述待监测采样点位。6.根据权利要求1所述的方法，其特征在于，所述根据所述关联点位，对下一个周期的采样点位组合...

【专利技术属性】
技术研发人员：路冉，房爱印，尹曦萌，王泽宇，王会林，
申请(专利权)人：浪潮智慧科技有限公司，
类型：发明
国别省市：