一种基于数据分析的智慧水务灾害监测方法
文献发布时间:2024-05-31 01:29:11
技术领域
本发明属于水务监测技术领域,具体涉及一种基于数据分析的智慧水务灾害监测方法。
背景技术
由于当前经济发展与工业化进程加快,河道污染现象频繁发生,其中漂浮物问题备受关注,包括人为丢弃生活垃圾和死亡动植物等,既有难以降解的塑料制品,又有易腐发臭的物质,不仅破坏河水的生态环境还降低河道的美观性。因此需对河道水务污染进行监测。在河道的水务灾害监测工作中,通常采用人工巡查,但人工巡查的效率低,且不及时,无法对河道中存在的污染物进行及时监测。
发明内容
本发明为了解决以上问题,提出了一种基于数据分析的智慧水务灾害监测方法。
本发明的技术方案是:一种基于数据分析的智慧水务灾害监测方法包括以下步骤:
S1、获取河道的河面全局图像,利用MeanShift算法剔除河面全局图像的非河面区域,得到河面目标图像;
S2、对河面目标图像进行网格化划分,确定污染物存在范围;
S3、对污染存在范围进行标注,作为河道的灾害区域,上传至用户终端。
MeanShift算法是机器学习中聚类算法中的一个算法,是一种无监督分类算法。
进一步地,S2包括以下子步骤:
S21、将河面目标图像划分为中心区域和不规则区域;
S22、根据不规则区域,确定河面目标图像的色彩补偿输出;
S23、对中心区域进行网格化划分,确定河面目标图像的色彩正向输出;
S24、根据河面目标图像的色彩补偿输出和色彩正向输出,确定河面目标图像的色彩正常上限;
S25、将像素值低于色彩正常上限的像素点作为污染物存在范围。
上述进一步方案的有益效果是:在本发明中,由于对河面全局图像进行了背景剔除,因此河面目标图像只包含了整个水面的画像。又因为本发明应用于河道的水务灾害监测,不同于传统图像,河道可能完直,可能蜿蜒曲折,可能呈S型,因此河面目标图像不一定为完整的矩形状。本发明对河面目标图像进行拆分,得到最大内接矩形区域和剩余的不规则区域,最大内接矩形区域一般位于河面目标图像的非边缘位置,不规则区域一般位于河面目标图像的边缘位置,因此本发明对两个区域的像素点输出情况进行分析,确定色彩正常上限,用来筛选污染物所属的像素值。
进一步地,S21中,将河面目标图像的最大内接矩形所处像素点作为中心区域,将河面目标图像中除最大内接矩形区域外的剩余像素点作为不规则区域。
进一步地,S22中,河面目标图像的色彩补偿输出C
;式中,M表示河面目标图像的像素点数量,Q表示不规则区域的像素点数量,I表示不规则区域的图像块个数,/>
对河面目标图像绘制最大内接矩形后,剩余区域大概率不连贯,被分割为为多个不规则的块,本发明将其命名为图像块。
进一步地,S23包括以下子步骤:
S231、对中心区域进行网格化划分,并确定各个网格单元的区域评价指标;
S232、根据各个网格单元的区域评价指标以及各个网格单元包含的像素点,确定各个网格单元的色彩平衡方程;
S233、根据各个网格单元的色彩平衡方程,确定河面目标图像的色彩正向输出。
进一步地,S231中,确定区域评价指标的方法为:确定与第j个网格单元邻接的网格单元个数N
网格单元可能处于最大内接矩形区域的边缘,也可能处于最大内接矩形区域的中心,所以每个网格单元周围可能存在同样的网格单元,也可能为不规则区域。
进一步地,S232中,第j个网格单元的色彩平衡方程X
;式中,/>
进一步地,S233中,河面目标图像的色彩正向输出Z
;式中,X
进一步地,S25中,河面目标图像的色彩正常上限Threshold的计算公式为:
;式中,C
本发明的有益效果是:该智慧水务灾害监测方法对河面的全局图像进行背景剔除,减少河岸对提取污染物存在范围的影响;又考虑到河道的分布形状,对河面的目标图像进行有效拆分,对拆分后的两个区域采用不同的色彩输出方法,对规则区域采用网格划分,减少算法流程;本发明还根据两个区域的色彩输出情况,确定色彩正常上限,由此生成污染物存在范围,并对污染物存在范围进行重点标注,同步至用户终端,便于巡检人员及时进行干预,避免造成进一步河道污染。
附图说明
图1为基于数据分析的智慧水务灾害监测方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种基于数据分析的智慧水务灾害监测方法,包括以下步骤:
S1、获取河道的河面全局图像,利用MeanShift算法剔除河面全局图像的非河面区域,得到河面目标图像;
S2、对河面目标图像进行网格化划分,确定污染物存在范围;
S3、对污染存在范围进行标注,作为河道的灾害区域,上传至用户终端。
MeanShift算法是机器学习中聚类算法中的一个算法,是一种无监督分类算法。
在本发明实施例中,S2包括以下子步骤:
S21、将河面目标图像划分为中心区域和不规则区域;
S22、根据不规则区域,确定河面目标图像的色彩补偿输出;
S23、对中心区域进行网格化划分,确定河面目标图像的色彩正向输出;
S24、根据河面目标图像的色彩补偿输出和色彩正向输出,确定河面目标图像的色彩正常上限;
S25、将像素值低于色彩正常上限的像素点作为污染物存在范围。
在本发明中,由于对河面全局图像进行了背景剔除,因此河面目标图像只包含了整个水面的画像。又因为本发明应用于河道的水务灾害监测,不同于传统图像,河道可能完直,可能蜿蜒曲折,可能呈S型,因此河面目标图像不一定为完整的矩形状。本发明对河面目标图像进行拆分,得到最大内接矩形区域和剩余的不规则区域,最大内接矩形区域一般位于河面目标图像的非边缘位置,不规则区域一般位于河面目标图像的边缘位置,因此本发明对两个区域的像素点输出情况进行分析,确定色彩正常上限,用来筛选污染物所属的像素值。
在本发明实施例中,S21中,将河面目标图像的最大内接矩形所处像素点作为中心区域,将河面目标图像中除最大内接矩形区域外的剩余像素点作为不规则区域。
在本发明实施例中,S22中,河面目标图像的色彩补偿输出C
;式中,M表示河面目标图像的像素点数量,Q表示不规则区域的像素点数量,I表示不规则区域的图像块个数,/>
对河面目标图像绘制最大内接矩形后,剩余区域大概率不连贯,被分割为为多个不规则的块,本发明将其命名为图像块。
在本发明实施例中,S23包括以下子步骤:
S231、对中心区域进行网格化划分,并确定各个网格单元的区域评价指标;
S232、根据各个网格单元的区域评价指标以及各个网格单元包含的像素点,确定各个网格单元的色彩平衡方程;
S233、根据各个网格单元的色彩平衡方程,确定河面目标图像的色彩正向输出。
在本发明实施例中,S231中,确定区域评价指标的方法为:确定与第j个网格单元邻接的网格单元个数N
网格单元可能处于最大内接矩形区域的边缘,也可能处于最大内接矩形区域的中心,所以每个网格单元周围可能存在同样的网格单元,也可能为不规则区域。
在本发明实施例中,S232中,第j个网格单元的色彩平衡方程X
;式中,/>
在本发明实施例中,S233中,河面目标图像的色彩正向输出Z
;式中,X
在本发明实施例中,S25中,河面目标图像的色彩正常上限Threshold的计算公式为:
;式中,C
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
- 一种基于主题域的智慧水务大数据融合方法及系统
- 一种基于大数据分析的城市饮用水的质量监测方法
- 一种基于数据分析进行IDC信安系统状态监测的方法
- 一种基于智慧农村AI系统的灾害识别方法
- 一种基于智慧水务的水流量监测系统及其监测方法
- 一种基于智慧水务的水流量监测系统及其监测方法