基于视频监控设备的湖泊滨岸带蓝藻水华监测与分析方法与流程

1.本发明属于湖泊水环境监测领域，具体涉及一种基于视频监控设备的湖泊滨岸带蓝藻水华实时监测与时空分析方法。


背景技术：

2.近年来，随着视频监控技术的发展，对于我国大部分湖泊(如太湖、巢湖、滇池等)，通常都会在沿岸布设一定数量的视频监控设备，用于渔政执法监察、景观区人流监控、设备远程安防监控等，这也为湖泊滨岸带的蓝藻水华准确提取提供了新的思路。但传统的基于视频监控设备的蓝藻水华监测方法还存在诸多不足：(1)蓝藻水华监测程序未顾及不同服务器硬件环境的差异，基于单线程串行计算的方式完成蓝藻水华监测任务，监测效率较低；(2)湖泊滨岸带岸线长、范围广，已有研究仅能够基于有限数量的监控设备获取离散点位的蓝藻水华强度信息，难以实现整个滨岸带区域蓝藻水华现状信息的实时/近实时获取；(3)已有研究仅关注监测范围内的蓝藻水华现状信息，忽略了其时空演变态势的分析，无法实现整个滨岸带区域蓝藻水华强度的时空变化信息，不能满足湖泊蓝藻水华应急防控的决策需求。


技术实现要素：

3.本发明的目的在于提供一种基于视频监控设备的湖泊滨岸带蓝藻水华实时监测与时空分析方法，在无人值守的条件下，实现整个滨岸带区域内蓝藻水华现状信息的实时掌握、超标报警和时空变化分析，为湖泊蓝藻水华的科学防控和应急决策提供支撑。
4.为达成上述目的，本发明所采用的技术方案如下：
5.基于视频监控设备的湖泊滨岸带蓝藻水华全自动监测方法，包括：
6.步骤1：设定每个视频监控设备的抓图时刻和时间间隔，定时抓取监控设备视频关键帧；
7.步骤2：基于消息传递机制启动数据处理任务，对抓取的视频关键帧进行批处理，利用自适应多线程方法批量计算各个视频关键帧的蓝藻覆盖度，基于蓝藻覆盖度确定蓝藻水华空间分布、蓝藻覆盖率和水华强度数据；
8.其中，用于计算蓝藻覆盖度的线程数根据程序运行硬件环境动态确定；
9.步骤3：基于环湖视频监控设备获取的不同点位蓝藻水华监测结果，通过在线gis空间插值获取整个环湖滨岸带区域的蓝藻水华信息，并设置水华强度阈值，在蓝藻水华强度超出阈值时自动报警；基于不同时刻滨岸带蓝藻水华强度信息的对比，实现蓝藻水华强度的时空演变态势分析。
10.作为本发明的进一步改进，所述步骤1中，预先对各个视频监控设备进行现场调试，获取适用于蓝藻水华提取的最优空间姿态参数，包括水平方向旋转角度p、垂直方向旋转角度t、缩放倍数z；
11.抓取视频关键帧时，将各视频监控设备调整至记录的最优空间姿态参数后，根据
设定的抓图时刻和时间间隔抓取视频关键帧图片。
12.作为本发明的进一步改进，所述步骤1中，监控设备视频关键帧抓取时，建立n个子线程，n＝监控设备数目；根据硬件环境自适应地确定最大线程数量n；
13.若n≤n，则同时启动n个子线程并行控制各前端监控设备抓取关键帧图像；
14.若n＞n，则分批次完成关键帧图像抓取工作，先根据监控设备视频设备编号进行第1～n个设备的关键帧图像抓取，完成后再进行第n 1～2n个设备的关键帧图像抓取，直至全部前端监控设备的关键帧图像抓取完毕；
15.所有子线程根据预设的抓图时刻和时间间隔同时控制对应视频监控设备抓取图像；
16.若n＞n，分批次抓图的时间间隔根据设的抓图时刻和时间间隔确定。
17.所有子线程根据预设的抓图时刻和时间间隔同时控制对应视频监控设备抓取图像。
18.作为本发明的进一步改进，所述步骤1中，将视频监控设备抓取的关键帧图像通过无线网络回传至服务器，并基于设备编号和抓取时间将各视频监控设备的图像分类存储。
19.进一步的，为保证蓝藻水华提取结果的时效性，所有设备监控设备抓取关键帧图片的时间间隔≤5min。
20.作为本发明的进一步改进，所述步骤2中，用于计算蓝藻覆盖度的线程数通过如下方式确定：
21.a.获取计算程序的运行硬件环境，包括内存大小、cpu主频和睿频大小；
22.b.设置初始线程数量为1，并启动线程；
23.c.启动一个新线程，并获取启动新线程后的cpu占用率；
24.d.判断cpu占用率是否超过预设值：若超过预设值，则最优线程数量＝当前启动的线程数量
‑
1；否则重复c直至cpu占用率超过预设值。为解决有限的计算机/服务器硬件配置和无限的数据处理效率需求之间的矛盾，根据不同硬件环境自适应地确定最大线程数量，充分利用硬件资源、最大限度提升数据处理效率。预设值优选90％，预留10％的安全空间，避免因服务器中其它临时任务的启动导致硬件资源不足而引发异常。
25.作为本发明的进一步改进，所述步骤2中，批处理包括：
26.i)对关键帧图片进行正射校正、去噪处理和匀光处理；视频监控设备与湖泊水面间存在一定的夹角，使得抓取的图像会产生几何畸变，通过几何校正消除畸变，以准确计算蓝藻水华的分布范围；抓取的关键帧图像不可避免会受到环境及传感器的噪声影响，需要对关键帧图像进行去噪处理，减轻噪声的干扰，避免误判和漏判；抓取的关键帧图像具有空间范围不变、光照条件随时间变化的特征，复杂多变的光照条件使得图像数据中水质/水色的表征信息发生变化，需要削弱光照条件变化导致的关键帧图像间的不一致，从时间序列的角度提高蓝藻水华的识别精度；
27.ii)基于深度卷积神经网络建立场景识别模型，计算图像中蓝藻的覆盖率；利用深度学习技术克服背景复杂、环境多变对蓝藻水华提取精度的影响；
28.iii)根据蓝藻覆盖率计算结果划分水华强度等级。
29.作为本发明的进一步改进，所述ii)中，将图像划分为若干块，基于场景识别模型预测每个图像块的类别；统计被划分为蓝藻的图像块数量，估算出原图中蓝藻的覆盖率。
30.作为本发明的进一步改进，所述步骤2中，将计算的蓝藻水华空间分布、蓝藻覆盖率和水华强度数据按照设备编号和抓取时间分类存储。
31.作为本发明的进一步改进，所述步骤3中，建立环湖视频监控设备经、纬度坐标与滨岸带区域的拓扑关系，获取整个滨岸带区域的蓝藻水华强度分布。
32.作为本发明的进一步改进，所述步骤3还包括，基于各个视频监控设备获取的长时序蓝藻水华空间分布数据，获取湖泊滨岸带蓝藻水华时空演变信息。
33.本发明的分析方法实现了全部数据处理任务均由计算机程序自动执行，无需人工干预即可自动获取湖泊滨岸带的蓝藻水华现状分布和变化趋势信息。
34.本发明的基于视频监控设备的湖泊滨岸带蓝藻水华实时监测与时空分析方法，针对传统的湖泊蓝藻水华监测手段存在的重点区域监测不全面、不准确、不及时等问题，基于视频监控手段，设计了一种湖泊滨岸带蓝藻水华实时监测方法，实现了整个滨岸带区域的蓝藻水华现状信息实时掌握、超标信息自动报警以及时空演变分析；同时，基于数据通信、多线程、gis空间分析等技术方法，大幅提升了数据抓取与处理的效率，确保程序在不同的硬件环境中都能够充分利用资源提升计算效率，实现了“数据抓取
‑
数据处理
‑
数据分析
‑
数据入库
‑
数据展示”全过程的无人值守，为蓝藻水华的科学防控和应急处置提供决策支撑。
35.应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
36.结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
37.附图不宜在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
38.图1是本发明方法流程图。
39.图2是基于多线程技术的关键帧数据抓取与处理方法。
40.图3是环湖岸所有基视频监控设备的关键帧图像定时、自动抓取结果。
41.图4是滨岸带蓝藻水华信息查询与展示结果。
42.图5是蓝藻水华覆盖率变化信息查询结果。
43.图6是环湖视频监控设备与滨岸带区域的拓扑关系构建结果。
44.图7是滨岸带蓝藻水华现状在线专题制图结果。
45.图8是滨岸带蓝藻水华信息查询界面。
46.图9是湖泊滨岸带蓝藻水华时空演变分析结果。
具体实施方式
47.为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
48.在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。
本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
49.实施例1
50.本实施例说明本发明的具体实现方式。
51.本实施例利用环湖视频监控设备对湖泊滨岸带蓝藻水华进行实时、自动监测，具体实现过程如下：首先，为每个视频监控设备预先设置适合蓝藻提取的最优空间姿态，即设置p(水平角度)、t(垂直角度)、z(缩放倍数)三个参数；然后，基于数据通信的相关方法获取各个视频监控设备的实时视频流数据，并根据具体业务需求设置视频监控设备的关键帧抓取时间间隔，定时驱动各个设备抓取关键帧图像；将所有设备抓取的关键帧图像通过无线网络回传至服务器存储，并任务完成后启动蓝藻水华提取程序，获取蓝藻水华强度信息；设计在线gis空间分析方法，基于各个视频监控点位获取的蓝藻水华强度信息，实时动态掌握整个滨岸带区域的蓝藻水华空间分布、时空演变等信息，并实现超标点位的自动报警。
52.作为示例性的描述，下面结合附图所示，对前述方法的实施进行具体说明。
53.执行处理任务前预先对各个视频监控设备进行现场调试，获取适用于蓝藻水华提取的最优空间姿态参数，即p(水平角度)、t(垂直角度)、z(缩放倍数)。
54.所述方法流程如图1所示，包括如下步骤：
55.步骤1：抓取关键帧图像；
56.利用自适应多线程技术根据预设的抓图时刻和时间间隔批量抓取前端监控设备的关键帧图像，提升图像抓取效率：
57.建立n个子线程(n＝监控设备数量)，并根据硬件环境自适应地确定最大线程数量n；若n≤n，则同时启动n个子线程并行控制各前端监控设备抓取关键帧图像；若n＞n，则分批次完成关键帧图像抓取工作，先根据id号(视频监控设备编号)进行第1～n个设备的关键帧图像抓取，完成后再进行第n 1～2n个设备的关键帧图像抓取，直到全部前端监控设备的关键帧图像抓取完毕；如图2所示；
58.将前端视频监控设备抓取的关键帧图像数据通过无线网络回传至服务器，并按“设备编号_年
‑
月
‑
日
‑
时”对数据进行组织，如图3所示。
59.步骤3：根据所设计的蓝藻覆盖度提取方法，结合程序所运行的硬件环境(自动获取)自适应地确定用于蓝藻水华覆盖度计算程序的最大线程数量，然后利用多线程机制对获取的关键帧图像数据进行蓝藻水华覆盖度批量计算。
60.根据程序运行环境自适应地确定最大线程数量，如下：
61.a.通过计算机程序获取蓝藻水华自动提取与分析程序的运行硬件环境，包括内存大小、cpu主频和睿频大小；
62.b.设置初始线程数量为1，并启动线程；
63.c.启动一个新线程，并获取启动线程后的cpu占用率；
64.d.判断cpu占用率是否超标(大于90％，预留10％的安全空间，避免因服务器中其它临时任务的启动导致硬件资源不足而引发异常)：若已超标，则最优线程数量＝当前启动的线程数量
‑
1；若未超标，则重复c直至cpu占用率超标；
65.利用多线程机制对获取的关键帧图像数据进行蓝藻水华覆盖度批量计算，如下：
66.a.对抓取的关键帧图片进行预处理。
67.本实施例中，对抓取的关键帧图片依次进行正射校正、去噪处理和匀光处理。正射校正采用共线方程模型，改正倾斜/摄影差；通过滤波对图像进行降噪；采用直方图调整的方式进行匀光处理，削弱光照条件差异。
68.b.对预处理后的图像进行蓝藻覆盖率计算；
69.利用深度卷积神经网络建立场景识别模型：将原图像分成若干小图像块(如100
×
100像元)，利用场景识别模型预测每一个图像块的类别(蓝藻或水体)，进而统计被分成蓝藻的图像块数量，估算出原图中蓝藻的覆盖率。
70.c.根据蓝藻覆盖率结果对水华等级进行划分。
71.水华强度分级方法为：(r为水华面积比例)
72.r＞50％，水华强度为一级；
73.30％＜r≤50％，水华强度为二级；
74.0≤r≤30％，水华强度为三级。
75.步骤4：将前端视频监控设备抓取的关键帧图像和处理结果数据，按“设备编号_年
‑
月
‑
日
‑
时”的格式进行组织，支持按监测设备编号、监测时间进行结果的查询与展示，如图4所示；同时，基于长时序监测数据可以进行同一点位的蓝藻水华变化信息查询和对比分析，如图5、图8所示。
76.步骤5：根据各个视频监控设备获取的蓝藻水华强度信息，结合水华强度阈值进行判断，针对超标点位进行自动报警；建立环湖视频监控设备坐标(经、纬度)与滨岸带区域的拓扑关系，如图6所示；设计gis在线空间分析方法，实时生成整个滨岸带区域的蓝藻水华强度分布专题图，实现整个环湖滨岸带区域的蓝藻水华现状信息实时掌握，如图7所示；基于各个视频监控设备获取的长时序蓝藻水华空间分布数据，获取湖泊滨岸带蓝藻水华时空演变信息，如图8、图9所示。
77.实施例2
78.本实施例说明本发明的方法与已有方法的蓝藻水华提取效率对比结果。
79.以巢湖、滇池、天目湖三个湖泊为例，在相同的服务器与网络配置条件下，分别利用本发明的方法(基于自适应多线程技术的并行计算)与已有的基于视频监控设备的蓝藻水华提取方法(传统的单线程串行计算)对环湖视频监控设备的蓝藻水华提取过程耗时进行对比分析，结果如下表1所示。显然，同等条件下，本发明的方法在蓝藻水华提取的效率方面具有显著的优势。
80.表1蓝藻水华提取效率对比测试结果
[0081][0082]
[0083]
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。