發布時間：所屬分類：科技論文瀏覽：1次
摘 要： 摘 要：我國是一個水資源短缺的國家，隨著社會經濟，工業水平的飛速發展，水污染現象也日益嚴重，嚴重影響了人們的生活環境與社會的可持續發展，對水質進行有效的監測已刻不容緩，但目前在水質環境監測工作方面存在諸多難點，例如人力資源不足和經費短缺等問
摘 要：我國是一個水資源短缺的國家，隨著社會經濟，工業水平的飛速發展，水污染現象也日益嚴重，嚴重影響了人們的生活環境與社會的可持續發展，對水質進行有效的監測已刻不容緩，但目前在水質環境監測工作方面存在諸多難點，例如人力資源不足和經費短缺等問題，利用基于機器視覺的無人機水質監測系統可提高水質監測效率，保障水質監測效果。
關鍵詞：水質監測;無人機;計算機視覺
序論
隨著我國經濟的發展，社會生產力的進步，同時也帶來了環境方面的問題，水污染就是其一，我國的淡水資源較為稀缺，由于水污染問題，在工業發達、人口眾多、降雨量少的華北地區，水資源匱乏已非常嚴重，嚴重影響了人們的日常生活以及當地的經濟發展，對水環境實施有效的監測與治理已刻不容緩。但監測過程中存在諸多難點。
傳統的水質檢測方法采用定點采樣，對水樣進行物理和化學的分析，獲取水質狀況，這種監測方法須大量在各個水域中布置采集點才能夠獲取水質信息，效率低，且在地勢陡峭地區不便采樣，對工作人員壓力較大，對大范圍的水域進行監測時，傳統方法采集工作量大，成本高，研究周期長。目前，我國在基層環境監測站的監測人員數量不夠多，經費不足，工作條件相對艱苦，風險大，人力資源流失，難以對水質環境進行有效監測。
目前，有用遙感技術對水污染進行監測的方案，利用熱紅外遙感技術、可見光和反射紅外遙感技術以及微波遙感技術來實現對遠距離物體的識別、測量，對物體的本質進行分析，從而達到監測效果，但無人機需搭載較多傳感器，熱紅外傳感器，微波傳感器等，成本高，基層環境監測站難以普及。
為此，我們提出了基于機器視覺的無人機水質監測方案，該系統由搭載高清攝像頭的無人機，地面站與數據處理中心構成，省去大量傳感器，很大程度上降低了監測成本，便于基層環境監測站的普及，提高監測效率，保障對水質環境的有效監測。
一、概述
不同的水質條件，水體呈現不同顏色，例如，水體富營養化會造成藻類等生物大量繁殖導致水面變色，根據占優勢的浮游藻類的顏色，水面往往呈現褐紅色、棕色、藍色等，水體油污染中，油會在水面形成油膜，呈現出黑色，在本案例中，通過提取水質圖像的顏色特征，判斷水質污染情況。
有投稿機器人方向論文的作者，可以查看：自動化機器人類論文發表指導
該系統由無人機平臺，地面站，數據處理中心組成。無人機搭載高清攝像頭，對水質進行圖像采集，利用WIFI傳輸模塊傳輸采集到的水質圖像，地面站對無人機進行遠程遙控以及接收處理無人機傳輸來的水質圖像，數據處理中心根據采集到的圖像利用計算機視覺技術進行分析，實現對水源污染情況的監測。如圖1所示
數據處理通過采集大量的水環境圖像，由水污染方面的專家對圖像進行分類，獲取訓練樣本，通過卷積神經網絡，根據數據樣本對模型進行訓練，獲取訓練完成的模型，由地面站傳來的圖像經過預處理后，輸入該模型，進行預測，得到水質評價結果。如圖2所示
二、圖像采集
無人機選用Phantom4Advanced型號無人機，其搭載1英寸2千萬像素影像傳感器的相機，可拍攝4K/60fps視頻，并以14張/秒的速度拍攝靜態照片，圖像傳輸與控制距離達到7公里，保障水源圖像采集任務的作業半徑。
地面站由lightbridge圖像傳輸系統和筆記本電腦構成，實現圖像實時傳輸，提高圖像分析效率。
三、數據獲取及預處理
通過網上獲取水質圖像與實地采集相結合，獲取污染水圖像信息樣本，由水污染專家對水質圖像進行分類，給不同的水質圖像賦予相應污染類型標簽，建立水質圖像與其污染情況的對應關系樣本庫，選取其中的80%用來作為訓練集，20%用來作為測試集，用序號表示各個水污染種類，1為水體富營養化2為水面垃圾漂浮物，3為水體油污染。
四、構建卷積神經網絡
本方案采用Keras工具構建LeNet5模型，該模型由七層構成，第一層為卷積層，該層用于進行特征提取，設置卷積核個數為20，卷積核為5*5的矩陣，采用填充模式為same，保留邊界處卷積結果，使卷積后的結果和原圖像大小相同，第二層為池化層，用來壓縮數據，降低數據維度，設置選擇框的大小為2*2，并且兩個方向上的步長都為2，圖片經過采樣后，變為原來四分之一，第三層為卷積層，該層的每一個特征平面對應多個池化層的采樣數據，與第一層相同，第四層為池化層，用于壓縮數據，與第二層設置相同，第五層為扁平層，用于將多維輸入轉化成一維輸出，第六層為全連接層，設置輸出維度為500，第七層為全連接層，輸出的分類個數設置為10，采用softmax作為激活函數。
五、訓練模型
訓練模型前，需對圖像預處理，先讀入待訓練的水污染圖像集，將圖片進行歸一化處理，圖片歸一化尺寸為64，將原始像素強度縮放到[0,1]的范圍內，該操作通過一系列變換，將待處理的原始圖像轉換成相應的唯一標準形、標簽向量化，使圖像可以抵抗幾何變換的攻擊，然后需讀取圖像標簽，將標簽向量化。使用ImageDataGenerator數據增廣技術來對數據集進行數據增強，對數據集圖像進行隨機移動、旋轉、剪切、翻轉、改變圖像尺寸、增加圖像噪聲等操作，用來豐富圖像訓練集，加強模型的泛化能力。
六、測試結果
根據準備好的訓練集，對圖像進行預處理，預處理完成后開始訓練，設置epoches為200，Batchsize為32，訓練集損失值、測試集損失值、如圖3-1所示。
經過200輪訓練，訓練集及測試集損失值降到0.1左右。訓練集準確率以及測試集準確率如圖3-2所示，經過200輪訓練后，訓練集和測試集的準確率都已接近于1。
圖3-1 圖3-2
利用高清攝像機實地采集圖像，編寫預測程序，讀取預先訓練好的模型，將采集到的圖像輸入程序，程序對圖像進行處理，根據模型得到預測結果，輸出結果為預測出的水污染情況，為方便處理，用編號表示水污染情況。
1水體富營養化，2水面垃圾漂浮，3水體油污染，預測準確率90%左右，能夠相對準確地預測出水環境污染狀況。
結論
基于機器視覺的無人機水質監測系統具有很高的實用價值，其采集效率高，適應性強，識別準確率高，使用成本低，合理地運用該技術能夠提高水質監測人員的工作效率，可以在人力資源和經費不足的情況下實現對水質的有效監測，以保障良好的水環境。——論文作者：周宇澤 王茜