【技术实现步骤摘要】
本专利技术涉及水质预测技术，特别是一种水质监测方法及系统。
技术介绍
1、河流是支持众多水生植物和动物生存的重要生态系统，同时也为人类提供饮用水、灌溉用水和工业用水等必不可少的资源。然而，快速的工业化、城市化和农业扩张导致河流生态系统受到严重的污染。河流污染危害巨大，对人类健康和生态环境都会产生长期的影响。污染的来源多样且广泛，包括工业废水偷排、农业面源污染和城市污水汇入等，这些污染对河流生态系统的影响十分巨大，而实时获取河流水质情况对于防治这些河流污染具有重大意义。氨氮(nh3-n)、总磷(tp)和高锰酸盐指数(codmn)是河流污染检测中常用的指标。其中，nh3-n是河流有机污染的常见指标，高浓度的氨氮对水生生物具有毒性；tp是植物生长的关键营养物质，河流中过高的磷含量会导致水体富营养化，进而使得藻类过度生长，在藻类大量死亡后消耗水中的氧气，严重威胁水生生物的生存；codmn是指一定条件下水中有机物被化学氧化所需的氧化剂(高锰酸盐)的量，它是衡量水体有机污染程度的重要参数之一，较高的codmn水平表明水体受到有机污染严重。通过监测这些重要的河流水质指标，可以及时、准确地掌握河流的污染类型和污染水平，制定有效的策略减少污染，保护水质。
2、与基于化学反应的传统水质检测方法相比，基于水质预测模型的软检测方法具有成本低、无二次污染、检测速度快等优点。因此，国内外的研究人员开发了一系列基于数据驱动的软检测模型，用于水质的监测和预测。随着研究的不断深入，越来越多优秀的算法被应用于水质软检测中，它们在测试数据中的预测精度不断
3、在上述背景下，开发一种能够同时利用图像数据和非重要监测数据的河流水质模型具有重大的现实意义。
技术实现思路
1、本专利技术所要解决的技术问题是，针对现有技术不足，提供一种水质监测方法及系统，使得图像特征与数值数据特征能够完美融合，解决异构数据的融合难的问题，提高水质监测准确性。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种水质监测方法，包括以下步骤：
3、s1、收集同一目标区域一段时间内的历史数据，所述历史数据包括河流河面监控视频数据、河流水质监测数据和气象数据；
4、s2、对所述历史数据进行预处理，提取预处理后的河流河面监控视频数据的特征；利用预处理后的河流水质非重要监测数据和气象数据获得非重要监测指标；
5、s3、融合所述图像特征和非重要监测指标；
6、s4、利用融合后的特征训练多层感知机，得到水质指标监测模型。
7、本专利技术在可快速获取的图像数据和非重要监测数据(水质、水量、气象指标)与无法快速获取的重要性水质指标之间建立映射关系，实现重要水质指标的连续实时监测，具有无二次污染且速度快的显著优势，图像数据与非重要监测数据都是易于获取并且获取成本很低的，因此本专利技术的方法具有明显的成本优势。本专利技术提出了利用水面监控视频图像解决现有方法中信息来源单一的问题，为模型增加了视觉信息这一来源，使得模型更加稳健；融合图像数据和非重要监测指标使得模型的实用性得到提升，对于异常事件的预测效果也更加优异。本专利技术中，重要水质监测指标是氨氮(nh3-n)、总磷(tp)和高锰酸盐指数(codmn)(作为训练模型的输出)。
8、非重要水质监测指标：ph、电导率、溶解氧、浊度、悬浮物、水温、流量、液位(作为训练模型的输入)，这些指标检测速度快但是对判断是否污染的意义较小。
9、气象数据包括气温、相对湿度、气压、降水、蒸发量、可见度。
10、非重要监测指标是指气象数据和非重要水质监测指标。
11、步骤s2中，对所述河流河面监控视频数据进行预处理的过程包括：
12、1)将河流河面监控视频数据转化为图像，删除重复、失真和存在噪声的图像；
13、3)裁剪出经步骤1)处理后的图像中与监测点相关的区域；
14、3)对裁剪后的图像进行标准化处理，得到预处理后的河流河面监控图像数据。
15、本专利技术将监控视频数据进行分解得到关键帧的图像，并将关键帧与目标河面相关的区域进行分离。图像预处理缩小了数据的规模，提高了后续图像特征提取效率。同时，排除了无关的信息干扰，模型训练性能更好。
16、相比于其他图像预处理方法，该方法不需要进行复杂的图像转换，更加简单高效。
17、步骤s2中，对所述河流水质监测数据和气象数据进行预处理的过程包括：
18、设定河流重要水质指标(氨氮(nh3-n)、总磷(tp)和高锰酸盐指数(codmn))的检测频率；
19、以所述检测频率为基准，对齐河流水质监测数据和气象指标；
20、删除对齐后的数据中的缺失值和异常值；
21、分析任意两个非重要监测指标的相关性，对于最大互信息系数大于设定阈值的两个指标，筛除两者中与非重要监测指标的最大互信息系数平均值较大的一个指标；
22、对剩余的指标进行标准化处理，得到监测指标和水质指标。
23、数据对齐使得数值数据能够按照模型要求的训练结构输入模型中。删除缺失值和异常值使得训练后的模型更加稳健。删除相关性大的指标使得模型的输入更加简洁，能够进一步降低模型应用时的数据采集成本。标准化处理使得模型的训练过程更容易收敛。步骤s2中，利用预训练的cnn模型提取所述河流河面监控视频数据的特征。
24、本专利技术采用训练好的cnn对图像特征进行提取，降低数据获取成本。
25、步骤s2中，对所述特征进行降维；此时，步骤s3替换为：融合降维后的图像特征和非重要监测指标。
26、利用降维神经网络实现所述特征的降维；所述降维神经网络包括多个全连接层，相邻两个全连接层之间稀疏连接。
27、稀疏连接是对神经元进行随机的剪枝，即将部分神经元与神经元之间的连接切断。稀疏连接能够减少模型的参数，提升计算效率。
28、本专利技术经过提取后的图像特征维度很高，相比之下，数值数据的维度较低。降维后的图像特征能够和数值数据进行更好的耦合。降维后图像特征的维度是影响后续映射结果的关键。本专利技术通过多次试验找到了最佳的图像特征维度，使得模型的性能达到最优。本文档来自技高网...
【技术保护点】
1.一种水质监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水质监测方法，其特征在于，步骤S2中，对所述河流河面监控视频数据进行预处理的过程包括：
3.根据权利要求1所述的水质监测方法，其特征在于，步骤S2中，对所述河流水质监测数据和气象数据进行预处理的过程包括：
4.根据权利要求1所述的水质监测方法，其特征在于，步骤S2中，利用预训练的CNN模型提取所述河流河面监控图像数据的特征。
5.根据权利要求1所述的水质监测方法，其特征在于，步骤S2中，对所述特征进行降维；此时，步骤S3替换为：
6.根据权利要求5所述的水质监测方法，其特征在于，利用降维神经网络实现所述特征的降维；所述降维神经网络包括多个全连接层，相邻两个全连接层之间稀疏连接。
7.根据权利要求1所述的水质监测方法，其特征在于，步骤S4中，得到融合特征后，将融合特征数据集划分为训练集和测试集，将不同重要水质指标作为不同多层感知机的输出，利用所述训练集训练各个多层感知机，得到多个水质指标监测模型。
8.根据权利要求1所述的水质
9.根据权利要求1～8之一所述的水质监测方法，其特征在于，还包括：利用所述水质指标监测模型预测河流重要水质指标的检测结果。
10.一种水质监测系统，其特征在于，包括存储器和至少一个处理器；存储器上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1～9任一项所述方法的步骤。
...【技术特征摘要】
1.一种水质监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水质监测方法，其特征在于，步骤s2中，对所述河流河面监控视频数据进行预处理的过程包括：
3.根据权利要求1所述的水质监测方法，其特征在于，步骤s2中，对所述河流水质监测数据和气象数据进行预处理的过程包括：
4.根据权利要求1所述的水质监测方法，其特征在于，步骤s2中，利用预训练的cnn模型提取所述河流河面监控图像数据的特征。
5.根据权利要求1所述的水质监测方法，其特征在于，步骤s2中，对所述特征进行降维；此时，步骤s3替换为：
6.根据权利要求5所述的水质监测方法，其特征在于，利用降维神经网络实现所述特征的降维；所述降维神经网络包括多个全连接层，相邻两个全...
【专利技术属性】
技术研发人员：王基鸿，刘金龙，滕鹰，黄超，陈俊松，
申请(专利权)人：中国电建集团中南勘测设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。