專利名稱：一種藍(lán)藻監(jiān)測裝置及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及水環(huán)境監(jiān)測與水環(huán)境保護(hù)技術(shù)領(lǐng)域，尤其涉及一種針對水面藍(lán)藻進(jìn)行監(jiān)測的裝置和方法。
背景技術(shù)：
隨著我國工農(nóng)業(yè)的迅猛發(fā)展以及城市化進(jìn)程的加快，工業(yè)廢水、生活污水、農(nóng)業(yè)灌溉廢水中氮、磷等營養(yǎng)性物質(zhì)排放量日益增加，湖泊富營養(yǎng)化問題日益突出。據(jù)統(tǒng)計(jì)，我國 66%以上的湖泊和水庫已處于富營養(yǎng)狀態(tài)，其中22%處于重富營養(yǎng)和超富營養(yǎng)狀態(tài)，與其相伴的一個(gè)普遍現(xiàn)象是藍(lán)藻的頻繁發(fā)生。作為一個(gè)世界性難題，藍(lán)藻暴發(fā)不僅影響水體景觀，毒害水生生物，而且破壞飲用水水源和水體生態(tài)系統(tǒng)平衡，嚴(yán)重影響國家的經(jīng)濟(jì)發(fā)展和人民的日常生活。現(xiàn)有的藍(lán)藻監(jiān)測方法主要分為四類(1)人工觀測。傳統(tǒng)方法是由觀測人員定期進(jìn)行現(xiàn)場的視覺和嗅覺觀測，目前可以通過無線視頻監(jiān)控系統(tǒng)進(jìn)行遠(yuǎn)程人工觀測，但是仍然缺乏自主監(jiān)測和準(zhǔn)確的預(yù)警能力。(2)實(shí)驗(yàn)室分析。對人工采集水體樣本進(jìn)行分析，測量其中的藻類數(shù)量，耗時(shí)長，對分析人員的技術(shù)要求高。雖然近期已經(jīng)實(shí)現(xiàn)遠(yuǎn)程水樣顯微圖片獲取，并將其傳送到數(shù)據(jù)處理中心進(jìn)行藻類數(shù)量的自動識別，但是圖像傳輸數(shù)據(jù)量較大，網(wǎng)絡(luò)通信成本較高，而且缺少藻類數(shù)量與實(shí)際藍(lán)藻暴發(fā)強(qiáng)度之間的定量對應(yīng)關(guān)系。(3)遙感圖像處理。利用星載或機(jī)載高光譜傳感器采集監(jiān)測水域藍(lán)藻水體的光譜信息，通過分析藍(lán)藻和水體的光譜特征差異實(shí)現(xiàn)藍(lán)藻的識別。主要不足在于系統(tǒng)建設(shè)成本高，而且衛(wèi)星觀測和解譯的結(jié)果受云量等諸多因素的影響。此外，受到衛(wèi)星軌道的限制，其采樣周期較長(一般以天為單位)。(4)水質(zhì)參數(shù)測量。利用遠(yuǎn)程在線水質(zhì)傳感器采集監(jiān)測點(diǎn)的多種水質(zhì)參數(shù)(如PH 值，溶解氧、氧化還原電位、電導(dǎo)率等)，不足在于多參數(shù)水質(zhì)傳感器價(jià)格昂貴，而且尚缺少水質(zhì)參數(shù)與藍(lán)藻暴發(fā)強(qiáng)度之間的定量對應(yīng)關(guān)系，目前僅可以通過經(jīng)驗(yàn)閾值方法定性地描述藍(lán)藻的暴發(fā)強(qiáng)度(例如給出藍(lán)藻暴發(fā)的低、中、高等級)。綜上所述，現(xiàn)有方法均無法同時(shí)提供自主、低成本、實(shí)時(shí)、準(zhǔn)確的藍(lán)藻監(jiān)測與預(yù)警功能。本發(fā)明正是針對現(xiàn)有方法的不足，提供一套藍(lán)藻監(jiān)測裝置和方法，以較低的成本實(shí)現(xiàn)對藍(lán)藻的自主、實(shí)時(shí)監(jiān)測，并對藍(lán)藻暴發(fā)強(qiáng)度進(jìn)行準(zhǔn)確評估，顯著提高藍(lán)藻監(jiān)測、預(yù)警與治理的水平。

發(fā)明內(nèi)容
本發(fā)明解決的技術(shù)問題在于，基于水面待測圖像，自動實(shí)時(shí)地對藍(lán)藻進(jìn)行監(jiān)測，并根據(jù)藍(lán)藻的暴發(fā)強(qiáng)度進(jìn)行預(yù)警。更進(jìn)一步的，本發(fā)明采用非接觸式的圖像采集方式，無需實(shí)地采集水樣，采集設(shè)備的維護(hù)成本低。
更進(jìn)一步的，在監(jiān)測裝置上實(shí)現(xiàn)待測圖像采集、處理和藍(lán)藻暴發(fā)強(qiáng)度計(jì)算，僅向遠(yuǎn)程監(jiān)測中心傳輸藍(lán)藻暴發(fā)強(qiáng)度結(jié)果，降低數(shù)據(jù)傳輸量，節(jié)省網(wǎng)絡(luò)通信成本。更進(jìn)一步的，將預(yù)警信息和對應(yīng)的藍(lán)藻定位信息一同發(fā)送至遠(yuǎn)程監(jiān)測中心，便于定位藍(lán)藻暴發(fā)位置，為藍(lán)藻打撈的資源調(diào)度提供基礎(chǔ)資料。為解決上述問題，本發(fā)明公開了一種藍(lán)藻監(jiān)測方法，包括標(biāo)本采集步驟，采集多幅標(biāo)本圖像，利用該標(biāo)本圖像分別組成一標(biāo)本藍(lán)藻圖像集合以及一待測圖像訓(xùn)練集合；閾值識別步驟，基于該標(biāo)本藍(lán)藻圖像集合和該待測圖像訓(xùn)練集合，計(jì)算得到藍(lán)藻像素特征閾值；待測圖像采集步驟，采集待測圖像；圖像分割步驟，根據(jù)該藍(lán)藻像素特征閾值劃分該待測圖像的藍(lán)藻區(qū)域和非藍(lán)藻區(qū)域；預(yù)警步驟，當(dāng)該藍(lán)藻區(qū)域的面積與該待測圖像的面積之比超過一預(yù)警閾值時(shí)，生成預(yù)警信息。該閾值識別步驟進(jìn)一步包括利用該標(biāo)本藍(lán)藻圖像集合中的圖像的藍(lán)藻像素特征數(shù)據(jù)和非藍(lán)藻像素特征數(shù)據(jù)構(gòu)建標(biāo)本訓(xùn)練數(shù)據(jù)集合；基于該標(biāo)本訓(xùn)練數(shù)據(jù)集合對分類算法模型訓(xùn)練，得到藍(lán)藻像素特征分類模型；利用該藍(lán)藻像素特征分類模型，對由該待測圖像訓(xùn)練集合中的圖像的像素的特征數(shù)據(jù)進(jìn)行分類，得到藍(lán)藻像素特征數(shù)據(jù)集合和非藍(lán)藻像素特征數(shù)據(jù)集合；基于該藍(lán)藻像素特征數(shù)據(jù)集合和非藍(lán)藻像素特征數(shù)據(jù)集合，利用最優(yōu)化算法， 計(jì)算各像素分量的閾值，作為該藍(lán)藻像素特征閾值。該分類算法包括支持向量機(jī)方法、決策樹方法或神經(jīng)網(wǎng)絡(luò)分類方法。該最優(yōu)化算法包括
權(quán)利要求
1.一種藍(lán)藻監(jiān)測方法，其特征在于，包括標(biāo)本采集步驟，采集多幅標(biāo)本圖像，利用該標(biāo)本圖像分別組成一標(biāo)本藍(lán)藻圖像集合以及一待測圖像訓(xùn)練集合；閾值識別步驟，基于該標(biāo)本藍(lán)藻圖像集合和該待測圖像訓(xùn)練集合，計(jì)算得到藍(lán)藻像素特征閾值；待測圖像采集步驟，采集待測圖像；圖像分割步驟，根據(jù)該藍(lán)藻像素特征閾值劃分該待測圖像的藍(lán)藻區(qū)域和非藍(lán)藻區(qū)域； 預(yù)警步驟，當(dāng)該藍(lán)藻區(qū)域的面積與該待測圖像的面積之比超過一預(yù)警閾值時(shí)，生成預(yù)警信息。
2.如權(quán)利要求1所述的方法，其特征在于，該閾值識別步驟進(jìn)一步包括利用該標(biāo)本藍(lán)藻圖像集合中的圖像的藍(lán)藻像素特征數(shù)據(jù)和非藍(lán)藻像素特征數(shù)據(jù)構(gòu)建標(biāo)本訓(xùn)練數(shù)據(jù)集合；基于該標(biāo)本訓(xùn)練數(shù)據(jù)集合對分類算法模型訓(xùn)練，得到藍(lán)藻像素特征分類模型； 利用該藍(lán)藻像素特征分類模型，對由該待測圖像訓(xùn)練集合中的圖像的像素的特征數(shù)據(jù)進(jìn)行分類，得到藍(lán)藻像素特征數(shù)據(jù)集合和非藍(lán)藻像素特征數(shù)據(jù)集合；基于該藍(lán)藻像素特征數(shù)據(jù)集合和非藍(lán)藻像素特征數(shù)據(jù)集合，利用最優(yōu)化算法，計(jì)算各像素分量的閾值，作為該藍(lán)藻像素特征閾值。
3.如權(quán)利要求2所述的方法，其特征在于，該分類算法包括支持向量機(jī)方法、決策樹方法或神經(jīng)網(wǎng)絡(luò)分類方法。
4.如權(quán)利要求2所述的方法，其特征在于，該最優(yōu)化算法包括
5.如權(quán)利要求1、2、3或4所述的方法，其特征在于，該標(biāo)本采集步驟與該閾值識別步驟之間還包括預(yù)處理步驟，該預(yù)處理步驟包括檢測該標(biāo)本圖像的亮度，對未達(dá)到預(yù)設(shè)亮度閾值的標(biāo)本圖像予以排除； 確定該標(biāo)本圖像中的選定區(qū)域；在該預(yù)警步驟中，當(dāng)該藍(lán)藻區(qū)域的面積與該待測圖像的該選定區(qū)域的面積之比超過預(yù)警閾值時(shí)，生成該預(yù)警信息。
6.如權(quán)利要求5所述的方法，其特征在于，預(yù)警步驟之后進(jìn)一步包括檢測該待測圖像所對應(yīng)的位置的定位信息，將該定位信息以及該預(yù)警信息發(fā)送至遠(yuǎn)程監(jiān)測中心，或者，將該藍(lán)藻區(qū)域的面積與該待測圖像的面積之比、該定位信息以及該預(yù)警信息發(fā)送至遠(yuǎn)程監(jiān)測中心。
7.一種藍(lán)藻監(jiān)測裝置，其特征在于，包括視頻傳感單元，用于采集標(biāo)本圖像以及待測圖像，利用該標(biāo)本圖像分別組成一標(biāo)本藍(lán)藻圖像集合以及一待測圖像訓(xùn)練集合；處理單元，包括閾值識別模塊、圖像分割模塊和預(yù)警模塊；該閾值識別模塊用于基于該標(biāo)本藍(lán)藻圖像集合和該待測圖像訓(xùn)練集合計(jì)算藍(lán)藻像素特征閾值，該圖像分割模塊用于根據(jù)該藍(lán)藻像素特征閾值劃分該待測圖像的藍(lán)藻區(qū)域和非藍(lán)藻區(qū)域，該預(yù)警模塊用于當(dāng)該藍(lán)藻區(qū)域的面積與該待測圖像的面積之比超過一預(yù)警閾值時(shí)，生成預(yù)警信息。
8.如權(quán)利要求7所述的裝置，其特征在于，該閾值識別模塊進(jìn)一步包括模型構(gòu)建模塊，利用該標(biāo)本藍(lán)藻圖像集合中的圖像的藍(lán)藻像素特征數(shù)據(jù)和非藍(lán)藻像素特征數(shù)據(jù)構(gòu)建標(biāo)本訓(xùn)練數(shù)據(jù)集合，基于該標(biāo)本訓(xùn)練數(shù)據(jù)集合對分類算法模型進(jìn)行訓(xùn)練，得到藍(lán)藻像素特征分類模型；分類模塊，利用該藍(lán)藻像素特征分類模型，對由該待測圖像訓(xùn)練集合中的圖像的像素的特征數(shù)據(jù)進(jìn)行分類，得到藍(lán)藻像素特征數(shù)據(jù)集合和非藍(lán)藻像素特征數(shù)據(jù)集合；閾值獲取模塊，基于該藍(lán)藻像素特征數(shù)據(jù)集合和非藍(lán)藻像素特征數(shù)據(jù)集合，利用最優(yōu)化算法，計(jì)算各像素分量的閾值，作為該藍(lán)藻像素特征閾值。
9.如權(quán)利要求8所述的裝置，其特征在于，該模型構(gòu)建模塊包括支持向量機(jī)方法模塊、 決策樹方法模塊或神經(jīng)網(wǎng)絡(luò)分類方法模塊。
10.如權(quán)利要求8所述的裝置，其特征在于，該最優(yōu)化算法包括
11.如權(quán)利要求7、8、9或10所述的裝置，其特征在于，還包括一預(yù)處理單元，用于檢測該標(biāo)本圖像的亮度，對未達(dá)到預(yù)設(shè)亮度閾值的標(biāo)本圖像予以排除；確定該標(biāo)本圖像中的選定區(qū)域；該預(yù)警模塊用于當(dāng)該藍(lán)藻區(qū)域的面積與該待測圖像的該選定區(qū)域的面積之比超過預(yù)警閾值時(shí)，生成該預(yù)警信息。
12.如權(quán)利要求11所述的裝置，其特征在于，還包括一定位單元以及一通信單元，該定位單元用于檢測該裝置的定位信息，該通信單元用于將該定位信息以及該預(yù)警信息發(fā)送至一遠(yuǎn)程監(jiān)測中心，或者，將該藍(lán)藻區(qū)域的面積與該待測圖像的面積之比、該定位信息以及該預(yù)警信息發(fā)送至一遠(yuǎn)程監(jiān)測中心。
13.如權(quán)利要求7所述的裝置，其特征在于，該視頻傳感單元包括視頻傳感控制器、CCD 數(shù)碼相機(jī)和云臺；該CCD數(shù)碼相機(jī)用于采集該標(biāo)本圖像以及待測圖像；該云臺接收來自視頻傳感控制器的控制命令，調(diào)整該CCD數(shù)碼相機(jī)角度與方位； 該視頻傳感控制器連接該CCD數(shù)碼相機(jī)和該云臺，用于發(fā)出控制命令控制該CCD數(shù)碼相機(jī)的拍攝參數(shù)，以及控制該云臺的角度與方位。
14.如權(quán)利要求7所述的裝置，其特征在于，該視頻傳感單元位于被測水面上方3-5米。
全文摘要
本發(fā)明公開了一種藍(lán)藻監(jiān)測裝置及方法，該方法包括采集多幅標(biāo)本圖像，利用該標(biāo)本圖像分別組成一標(biāo)本藍(lán)藻圖像集合以及一待測圖像訓(xùn)練集合；基于該標(biāo)本藍(lán)藻圖像集合和該待測圖像訓(xùn)練集合，計(jì)算得到藍(lán)藻像素特征閾值；采集待測圖像；根據(jù)該藍(lán)藻像素特征閾值劃分該待測圖像的藍(lán)藻區(qū)域和非藍(lán)藻區(qū)域；當(dāng)該藍(lán)藻區(qū)域的面積與該待測圖像的面積之比超過一預(yù)警閾值時(shí)，生成預(yù)警信息。本發(fā)明基于水面圖像自動實(shí)時(shí)地對藍(lán)藻進(jìn)行監(jiān)測，根據(jù)藍(lán)藻的暴發(fā)強(qiáng)度進(jìn)行預(yù)警。在監(jiān)測裝置上實(shí)現(xiàn)待測圖像采集、處理和暴發(fā)強(qiáng)度評估計(jì)算，僅向遠(yuǎn)程監(jiān)測中心傳輸藍(lán)藻暴發(fā)強(qiáng)度結(jié)果，降低數(shù)據(jù)傳輸量。將預(yù)警信息和藍(lán)藻定位信息一同發(fā)送至遠(yuǎn)程監(jiān)測中心，便于定位藍(lán)藻暴發(fā)位置。
文檔編號H04N5/225GK102221551SQ20111014801
公開日2011年10月19日 申請日期2011年6月2日 優(yōu)先權(quán)日2011年6月2日
發(fā)明者崔莉, 張樂, 張招亮, 李棟, 王子健, 祝賀, 趙澤 申請人:中國科學(xué)院計(jì)算技術(shù)研究所