污染排放的检测方法、检测终端、监控系统及存储介质与流程

1.本技术涉及环境监测领域，尤其涉及一种污染排放的检测方法、检测终端、监控系统及计算机可读存储介质。


背景技术：

2.目前，城市内河涌污染负荷日益增大，河涌流域隐藏着众多工业污水排污口，工业污水未经处理直接排至河涌，对河涌水体造成极大损害。虽然监督部门投入了大量财力、物力和人力加以整治，但成效甚微，仍缺乏有效的监管手段。
3.当前主要采用水质组分监测手段对河涌主体进行监测，由于水质组分检测的传感器成本高昂，无法广泛使用，因此对大量的排污口和暗渠仍然缺乏实时、有效的监测手段，河涌水质得不到实质性的改善。
4.针对现有技术中不能实时、有效监测河涌污染排放的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.为了解决上述技术问题或者至少部分地解决上述技术问题，本技术提供了一种污染排放的检测方法、检测终端、监控系统及计算机可读存储介质。
6.第一方面，本技术提供了一种污染排放的检测方法，所述污染排放的检测方法包括：
7.根据预设的图像采集速度，触发预先部署的摄像部件对目标监测位置进行图像监测；
8.根据所述图像监测确定所述目标监测位置的流量变化和颜色变化；
9.在所述流量变化和所述颜色变化达到预设阈值时，触发向服务端和/或移动端传输当前污染物排放数据的流程。
10.可选地，所述根据所述图像监测确定目标监测位置的流量变化和颜色变化，包括：
11.根据所述图像监测，采集所述目标监测位置的每帧第一监测图像；
12.确定所述第一监测图像和预先获取的无污染图像的图像相似度；
13.根据所述图像相似度确定所述目标监测位置的流量变化和颜色变化。
14.可选地，所述确定所述第一监测图像和预先获取的无污染图像的图像相似度，包括：
15.从所述第一监测图像中提取污染识别图像；
16.从所述污染识别图像中提取污染识别图像的一维颜色特征向量和一维纹理特征向量；
17.采用卡方相似性分别计算所述污染识别图像的一维颜色特征向量和所述无污染图像的一维颜色特征向量之间的颜色相似度以及所述污染识别图像的一维纹理特征向量和所述无污染图像的一维纹理特征向量之间的流量相似度；所述颜色相似度和所述流量相
似度构成所述图像相似度。
18.可选地，所述从所述污染识别图像中提取污染识别图像的一维颜色特征向量和一维纹理特征向量，包括：
19.将由红色r、绿色g和蓝色b元素构成的rgb污染识别图像转换为由色调h、饱和度c、和亮度l元素构成的hcl污染识别图像；所述rgb污染识别图像为从所述第一监测图像中提取的污染识别图像；确定所述hcl污染识别图像的颜色直方图、颜色距和颜色均值；将所述颜色直方图、颜色距和颜色均值，组成所述hcl污染识别图像的一维颜色特征向量；
20.根据高斯分布随机采样的局部二元模式编码算法，确定所述污染识别图像的一维纹理特征向量。
21.可选地，所述从所述第一监测图像中提取污染识别图像，包括：
22.根据预先配置的1个或多个颜色检测点和至少2个流量检测点，从采集的每帧第一监测图像中提取各个颜色检测点和各个流量检测点的污染识别图像；各个流量检测点用于监测所述目标监测位置的不同液位高度。
23.可选地，所述采用卡方相似性分别计算所述污染识别图像的一维颜色特征向量和所述无污染图像的一维颜色特征向量之间的颜色相似度以及所述污染识别图像的一维纹理特征向量和所述无污染图像的一维纹理特征向量之间的流量相似度之前，包括：
24.根据预先从所述目标监测位置的无污染图像中提取的所述无污染图像的一维颜色特征向量和一维纹理特征向量，构建所述目标监测位置的无污染比对特征库；
25.在进行所述颜色相似度和所述流量相似度计算时，从所述无污染比对特征库获取所述无污染图像的一维颜色特征向量和一维纹理特征向量。
26.可选地，所述在所述流量变化和所述颜色变化达到预设阈值时，触发向服务端和/或移动端传输当前污染物排放数据的流程，包括：
27.在所述流量变化和所述颜色变化达到预设阈值时，将携带目标监测位置的标识信息和信号产生时间信息的污染排放信息发送给所述服务端和/或所述移动端，以及
28.根据所述污染排放信息触发所述摄像部件采集目标监测位置的当前污染物排放数据，并将所述当前污染物排放数据发送给所述服务端和/或所述移动端；所述当前污染物排放数据包括排放图片和排放视频；
29.在接收到所述服务端和/或所述移动端反馈的所述排放图片和所述排放视频属于无污染图像时，根据所述排放图片和所述排放视频修正所述无污染比对特征库。
30.第二方面，本技术提供了一种检测终端，所述检测终端包括摄像部件、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；
31.所述计算机程序被所述处理器执行时实现如上任一项所述的方法的步骤。
32.第三方面，本技术提供了一种监控系统，所述监控系统包括如上所述的检测终端、服务端和/或移动端；
33.所述服务端和/或移动端用于在所述摄像部件上配置颜色检测点和流量检测点；在构建所述无污染比对特征库时，在每帧第二监测图像上接收颜色检测点的污染判定标记和各个流量检测点的流量判定标记；以及在接收到检测终端传输过来的排放图片，向所述检测终端反馈所排放图片是否属于无污染图像。
34.第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质上
存储有污染排放的监控程序，所述污染排放的监控程序被处理器执行时实现如上一项所述的污染排放的检测方法的步骤。
35.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：
36.本技术各个实施例通过摄像部件对目标监测位置进行图像监测，并根据所述图像监测确定所述目标监测位置的流量变化和颜色变化，在所述流量变化和所述颜色变化达到预设阈值时，触发向服务端和/或移动端传输当前污染物排放数据的流程，从而实现基于画面变化发现目标监测位置存在的可疑污染排放行为，并触发向服务端和/或移动端传输当前污染物排放数据的流程，进而可以对排污口、排污管网、河涌、暗渠的污染排放行为进行实时、有效的监控，并且相对于现有技术中通过传感器检测水质的监控方式，有效降低成本。
附图说明
37.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
39.图1为本技术各个实施例提供的污染排放的检测方法流程图；
40.图2为本技术各个实施例提供的检测终端的示意图；
41.图3为为本技术各个实施例的rslbp算法采样结果示意图；
42.图4为本技术各个实施例的rslbp编码示意图；
43.图5为本技术各个实施例的检测点的示意图；
44.图6为本技术各个实施例提供的另一种污染排放的检测方法流程图。
具体实施方式
45.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
47.实施例一
48.本发明实施例提供一种污染排放的检测方法，如图1所示，所述污染排放的检测方法包括：
49.s101，根据预设的图像采集速度，触发预先部署的摄像部件对目标监测位置进行图像监测；
50.s102，根据所述图像监测确定所述目标监测位置的流量变化和颜色变化；
51.s103，在所述流量变化和所述颜色变化达到预设阈值时，触发向服务端和/或移动端传输当前污染物排放数据的流程。
52.本发明实施例方法用于检测终端，服务端可以是云端，移动端可以是手机、平板电脑、笔记本电脑等移动终端。目标监测位置可以是污染源的排污口、排污管网、河涌、暗渠
等。如图2所示，检测终端的硬件结构主要包括：摄像头模块(即摄像部件)：负责采集现场画面。灯光模块：包括白炽灯和红外灯，红外用于补光，白炽用于拍摄彩色画面。控制模块：负责对灯光进行管理，以满足拍照录像的要求。同时提供远程电源管理。智能分析模块(包括存储器和处理器)：主要负责图像分析。无线通信模块(4g通讯模块)：提供网络通讯。太阳能电源模块：太阳能即储能电池系统，负责整个系统提供持续用电。检测终端也可以称之为智能终端。
53.本发明实施例通过摄像部件对目标监测位置进行图像监测，并根据所述图像监测确定所述目标监测位置的流量变化和颜色变化，在所述流量变化和所述颜色变化达到预设阈值时，触发向服务端和/或移动端传输当前污染物排放数据的流程，从而实现基于画面变化发现目标监测位置存在的可疑污染排放行为，并触发向服务端和/或移动端传输当前污染物排放数据的流程，进而可以对排污口、排污管网、河涌、暗渠的污染排放行为进行实时、有效的监控，并且相对于现有技术中通过传感器检测水质的监控方式，有效降低成本。
54.在一些实施方式中，所述根据所述图像监测确定目标监测位置的流量变化和颜色变化，包括：
55.根据所述图像监测，采集所述目标监测位置的每帧第一监测图像；
56.确定所述第一监测图像和预先获取的无污染图像的图像相似度；
57.根据所述图像相似度确定所述目标监测位置的流量变化和颜色变化。
58.可选地，所述确定所述第一监测图像和预先获取的无污染图像的图像相似度，包括：
59.从所述第一监测图像中提取污染识别图像和流量识别图像；
60.从所述污染识别图像中提取污染识别图像的一维颜色特征向量和一维纹理特征向量；
61.采用卡方相似性分别计算所述污染识别图像的一维颜色特征向量和所述无污染图像的一维颜色特征向量之间的颜色相似度以及所述污染识别图像的一维纹理特征向量和所述无污染图像的一维纹理特征向量之间的流量相似度；所述颜色相似度和所述流量相似度构成所述图像相似度。
62.具体地，所述从所述污染识别图像中提取污染识别图像的一维颜色特征向量和一维纹理特征向量，包括：
63.颜色相似度计算：将由红色r、绿色g和蓝色b元素构成的rgb污染识别图像转换为由色调h、饱和度c、和亮度l元素构成的hcl污染识别图像；所述rgb污染识别图像为从所述第一监测图像中提取的污染识别图像；确定所述hcl污染识别图像的颜色直方图、颜色距和颜色均值；将所述颜色直方图、颜色距和颜色均值，组成所述hcl污染识别图像的一维颜色特征向量；
64.流量相似度计算：根据高斯分布随机采样的局部二元模式编码算法，确定所述污染识别图像的一维纹理特征向量。
65.详细地，在颜色相似度计算中，对目标监测位置的第一监测图像中的污染识别图像进行颜色相似度的计算判断，需要解决颜色模型、颜色特征和相似度计算这三个问题：
66.1.颜色模型：为颜色属性选择一个坐标系，从而可对各种颜色及属性在坐标空间内实现表达。
67.对污染物颜色的判别，通常期望的效果是可以准确判断颜色色调，且希望能够消除不同光照条件下的干扰。传统的rgb颜色模型虽然简单，但由于无法区分颜色色调和光照强度，因此更容易受到干扰，相对而言，hsv颜色模型将颜色分为色调h、饱和度s和明度v，更有利于反应颜色色调这个核心特性。
68.本实施例使用了与hsv类似的修改模型hcl，使其具有更好的色调稳定性。hcl模型仍然将颜色分解为三个相互独立的通道，即色调h、饱和度c、和亮度l。假定颜色的rgb定义为红色r，绿色g和蓝色b，则rgb到hcl的换算关系为：
69.亮度l：
70.l＝(q
·
max(r，g，b)
‑
(1
‑
q)
·
min(r，g，b))/2
ꢀꢀꢀ
(1)
71.参数q：
72.q＝e
αγ
ꢀꢀꢀ
(2)
73.参数α：
[0074][0075]
参数γ：
[0076]
γ＝3
ꢀꢀꢀ
(4)
[0077]
饱和度c：
[0078][0079]
色调h：
[0080][0081][0082]
这样h的取值范围0～360度。
[0083]
根据hcl计算获得的红色、黄色、绿色、青色、蓝色、紫色的角度分别为0
°
、90
°
、135
°
、180
°
、270
°
、315
°
，相对hsv，可以获得更均匀的分布。
[0084]
2.颜色特征：是针对检测区域的这部分画面，实现颜色特征的计算，本例采取的是复合颜色特征抽取，即累加颜色直方图、颜色距和颜色均值。
[0085]
累加直方图：考虑相邻颜色区域的相关性，描述颜色特征。
[0086][0087]
公式8中，k为颜色区间计数值；l为颜色区间数量；n
k
为第k个颜色区间的像素个数；n为图像的像素总数。
[0088]
颜色距：低阶距中已经集中了主要的颜色分布信息，这里只采用颜色一阶距μ
i
、二阶矩σ
i
、三阶矩s
i
描述颜色分布。
[0089][0090][0091][0092]
公式9中p
ij
为图像坐标(i,j)处的像素值。
[0093]
颜色均值：
[0094][0095]
公式11中c为hcl中任意通道；n，m为图像x，y方向像素数；p为单通道像素均值。
[0096]
3.颜色相似度计算：这是针对检测区域这部分画面的，根据相似度差异是否达到阈值，从而触发颜色警报。
[0097]
对每个检测区域使用颜色检测的过程为：
[0098]
(1)获取该区域每个像素的rgb值，通过hcl模型获取其h、c、l值；
[0099]
(2)对整个检测区域实施统计，计算获得其颜色直方图h(k)，颜色距(1阶μ
i
、2阶σ
i
、3阶s
i
)，组成一个255 3的一维颜色特征向量
[0100]
(3)采用卡方相似性计算两个一维颜色特征向量(和)的图像相似度：
[0101][0102]
公式12中h
i
和h
′
i
为两个向量和的同下标元素。
[0103]
本实施例具体的相似度阈值在具体实施对象确定时，根据实测效果确定。
[0104]
对于流量相似度计算：流量判断采用的检测区域，通常设定纹理检测，原因是排除由于光照等干扰，而水位上升等在检测区域内引发的变化主要是纹理的。本实施例纹理检测所采用的算法为基于高斯分布随机采样的局部二元模式编码算法，是传统局域二元模式lbp的一个修改版本rslbp算法，图3是rslbp算法采样结果示意，该算法实施有3步：
[0105]
1.采样方法：邻域像素采样点利用高斯分布进行采样得到：
[0106][0107]
公式13中σ为标准偏差，决定高斯分布宽度；(x
i
，y
i
)服从(x
i
，y
i
)～gaussian(0，σ2)高斯分布。该方法围绕一个中心点进行采样，离中心像素点距离越近，采样越密，越远采样越稀疏，符合像素点与距离远近相关性的统计理论。
[0108]
2.纹理表征/编码：
[0109]
为了更好的表征图像局部纹理，rslbp方法一个局部的方形窗口在进行邻域采样时，利用高斯分布得到邻域内的随机点，然后利用随机点之间的差分关系来表达整个邻域的联合差分分布。为了适应不同的差分和频率纹理以及适应不同尺度以及灰度旋转不变性，邻域采用圆形邻域，随机点服从各向独立高斯分布。定义差分大小阈值函数：
[0110][0111]
公式14中p(.)代表随机点位置的像素强度值。设选择的随机点对数量为n，rslbp编码方法可表示为：
[0112][0113]
rslbp编码过程如图4所示。步骤包括根据所述流量识别图像的每个像素，确定一个方形窗口，通过高斯分布采样获取邻域像素采样点，并随机生成采样对，对采样对的灰度值进行比较，根据比较结果进行二进制编码，最后该编码转换为1个是十进制数字，代表该像素的最终灰度值。
[0114]
3.相似度计算
[0115]
通过rslbp算法遍历流量识别图像的每个像素，进行rslbp编码，对该编码结果转化成十进制数，再归一化0～255之间的数值代表灰度，例如，取窗口为11*11像素的一块图像，经过编码，获得6位111000，转变为十进制数56，再归一化为0～255之间的一个数，该数值定义为该像素的灰度值。
[0116]
然后对整个画面实施统计，计算获得其灰度直方图hh(k)。
[0117]
灰度直方图的计算方法为：
[0118][0119]
其中，r
k
代表灰度的等级，一般为0～255，n
k
代表r
k
这个等级灰度的像素数量，n代表图片的总像素数。p代表比例。
[0120]
同样的，采用卡方相似性计算两个一维纹理特征向量(和)的相似度：
[0121][0122]
公式17中hh
i
和h
′
i
为两个向量和的同下标元素；
[0123]
本实施例具体的相似度阈值在具体实施对象确定时，根据实测效果确定。
[0124]
在一些实施例中，所述从所述第一监测图像中提取污染识别图像和流量识别图像，包括：
[0125]
根据预先配置的1个或多个颜色检测点和至少2个流量检测点，从采集的每帧第一监测图像中提取各个颜色检测点的污染识别图像以及各个流量检测点的流量识别图像；各个流量检测点用于监测所述目标监测位置的不同高度。
[0126]
检测点(颜色检测点和各个流量检测点)为矩形区域，对于检测点，在一些实施方
式中，根据目标监测位置的环境数据和光线变化数据，确定矩形区域的大小。检测点的选择原则是既能显著的表征排污行为，同时尽可能不受周围环境的影响。当然，在实施污染排放检测之前，需要将摄像部件的角度对齐，需要对准排污口，并且维持一个固定的视角。在开始采样后，视角不能发生变化。一旦变化，监控报警会发生异常，需要重新在系统平台中定义检测点。
[0127]
在一些实施方式中，所述污染排放的检测方法还包括：
[0128]
根据所述目标监测位置的当前液位，设置所述颜色检测点；
[0129]
根据所述目标监测位置的高度和当前液位，设置各个流量检测点；各个流量检测点用于监测所述目标监测位置的不同高度。
[0130]
其中，所述根据所述颜色相似度和各个流量检测点的流量相似度，确定所述目标监测位置的污染物排放信息，包括：
[0131]
在所述颜色相似度不小于预设的颜色判定阈值时，确定所述目标监测位置存在污染排放行为；
[0132]
从各个流量检测点中确定出流量相似度不小于预设的存在流体判定阈值的流量检测点；所述确定出的流量检测点用于根据预先设置的流量检测点与流量对应关系，评估所述目标监测位置的污染排放流量。
[0133]
也就是说，本发明实施例提供的方法主要监控两个方面：
[0134]
排污口的液位：用于监测污染排放流量变化。如图5所示，在排污口不同高度设置几个流量检测点，其中流量检测点的位置与污水液位相关，可以用于定量的流量检测，这里的流量可以事先估计，不是精确的。示意图中显示了排污口和流体液面即流动方向。部署检测终端需可以捕获清晰完整的排污口画面为宜。检测点在液位上方和下方均可以设置。为体现液位变化，检测点可以在液位升高的方向，示意图中为纵轴方向，依次定义检测点。大部分检测点(流量检测点)主要用于液位检测。
[0135]
排污污水的颜色：少数几个检测点(颜色检测点)，位于当前液位下方，主要用于检测流体的颜色。颜色检测独立于流量检测，其主要作用在于检测排污液位以下污水水体部分的颜色，本发明实施例提供的方法适用于发生颜色变化的污染排放行为的监测。
[0136]
在一些实施方式中，所述采用卡方相似性分别计算所述污染识别图像的一维颜色特征向量和所述无污染图像的一维颜色特征向量之间的颜色相似度以及所述污染识别图像的一维纹理特征向量和所述无污染图像的一维纹理特征向量之间的流量相似度之前，包括：
[0137]
根据预先从所述目标监测位置的无污染图像中提取的所述无污染图像的一维颜色特征向量和一维纹理特征向量，构建所述目标监测位置的无污染比对特征库；
[0138]
在进行所述颜色相似度和所述流量相似度计算时，从所述无污染比对特征库获取所述无污染图像的一维颜色特征向量和一维纹理特征向量。
[0139]
在一些实施方式中，所述在所述流量变化和所述颜色变化达到预设阈值时，触发向服务端和/或移动端传输当前污染物排放数据的流程，包括：
[0140]
在所述流量变化和所述颜色变化达到预设阈值时，将携带目标监测位置的标识信息和信号产生时间信息的污染排放信息发送给所述服务端和/或所述移动端，以及
[0141]
根据所述污染排放信息触发所述摄像部件采集目标监测位置的当前污染物排放
数据，并将所述当前污染物排放数据发送给所述服务端和/或所述移动端；所述当前污染物排放数据包括排放图片和排放视频；
[0142]
在接收到所述服务端和/或所述移动端反馈的所述排放图片和所述排放视频属于无污染图像时，根据所述排放图片和所述排放视频修正所述无污染比对特征库。
[0143]
本实施方式中可以通过人工方式查看信号发生时的画面和视频，并对其进行有效性确认。在确认为正常情况时，相关的图片和视频资料将被采样，计算其检测点的特征值，并存入无污染比对特征库，从而在监控图像中出现类似的情形时，检测终端将判定其没有变化，从而有效建立无污染比对特征库，并且可以逐渐提升检测终端检测的准确性，使其更智能。
[0144]
在一些实施方式中，所述根据预先构建的所述目标监测位置的无污染比对特征库，从采集的每帧第一监测图像中分析出所述目标监测位置的污染物排放信息之前，包括：
[0145]
在确定未构建所述无污染比对特征库时，从所述服务端获取所述无污染比对特征库；或者，
[0146]
根据所述图像采集速度，触发所述摄像部件采集目标监测位置的第二监测图像；
[0147]
在每帧第二监测图像上接收颜色检测点的污染判定标记和各个流量检测点的流量判定标记；其中污染判定标记和流量判定标记可以是人工方式标记；
[0148]
根据所述污染判定标记和预设的亮度区间确定各个亮度区间的无污染图像；
[0149]
根据所述流量判定标记确定所述流量特征图像；
[0150]
根据所述各个亮度区间的无污染图像和所述流量特征图像，构建所述无污染比对特征库；以及将所述各个亮度区间的无污染图像的特征值和所述流量特征图像的特征值发送给所述服务端。
[0151]
以下通过一具体实例，简述本发明实施例的原理。
[0152]
本发明实施例的污染排放的检测方法，属于一种基于视觉的智能污染物排放监控技术，通过对排放物的图像分析，评估排放流量及颜色(或浓度)等宏观特征，来发现可疑的排放行为，该方法对环保部门执行环保监管具有重要和广泛用途。
[0153]
为实现一种轻量级的环保污染物监控装置，本发明实施例提出了一套用于此类任务的排污智能监控系统，包括检测终端、检测方法和服务端平台。检测终端包括一套摄像头和智能分析模块，用于部署在排污口现场，对排污现场画面的监看和实时分析。检测方法主要是基于图像相似度的计算，对现场检测图像中微小变化的发现和判定，并通过智能构建比对样本库(无污染比对特征库)的方式，逐渐提升排污行为的判断准确性。服务端平台可以远程管理和控制智能终端的人机交互系统，用于对远程现场图像的配置，人工查看及排污信号的处理等。
[0154]
如图6所示，污染排放的检测方法的流程如下：
[0155]
步骤1，检测终端的部署：在污染源的排污企业、排污管网、河涌设置目标监测位置，在目标监测位置上部署本发明实施例的检测终端，用于取得污染物流量、液位及颜色等信息；
[0156]
步骤2，检测配置：在部署完成后，可以获得现场画面，通过人工方式，为当前画面配置检测点。检测点定义为画面中的多个矩形区域，区域的选择有利于捕获排污行为的特征，而不易受非排污行为如环境光照和颜色的影响。
[0157]
步骤3，图像采样：检测终端在检测状态工作时，以每秒1帧～5帧(预设的图像采集速度)的速度采集现场图像(检测图像)，在光照条件充足时，采集到的是彩色图像，在夜晚等光线不足的情况下，采集到了为为红外补光情况下的黑白图像。
[0158]
步骤4，图像分析：分析时，先按事先定义检测点，提取检测点内的子图像，计算每个子图像的特征值，然后与预存在数据库(无污染比对特征库)里的特征值，进行比较。
[0159]
具体地，根据预设的图像采集速度，触发预先部署的摄像部件对目标监测位置进行图像监测；根据所述图像监测确定所述目标监测位置的流量变化和颜色变化。
[0160]
步骤5，污染排放信号的产生：在所述流量变化和所述颜色变化达到预设阈值时，触发向服务端和/或移动端传输当前污染物排放数据的流程；
[0161]
将携带目标监测位置的标识信息和信号产生时间信息的污染排放信息发送给所述服务端和/或所述移动端。也就是说，如果一个或者多个检测点判定有变化，则产生与该目标监测位置有关的污染排放信号，污染排放信号通过4g无线网络发送到云端，污染排放信息的内容为由检测终端名称、目标监测位置名称、检测点信号值及信号时间等信息构成。检测终端名称、目标监测位置名称构成目标监测位置的标识信息。
[0162]
步骤6，污染排放信号的处理：根据所述污染排放信号触发所述摄像部件采集目标监测位置的当前污染物排放数据，并将当前污染物排放数据发送给所述服务端和/或所述移动端。换言之，信号被关联到预先定义的处理流程上，以实现信号的动作处理。预定义的动作包括采集当前画面的图片、采集当前画面的录像、为云端和移动端上传信号及推送相关音视频数据等。
[0163]
步骤7，修正无污染比对特征库：人工检视不是必须的动作。在得到信号后，可以通过人工方式查看信号发生时的画面和录像，并对其进行有效性确认。在确认为正常情况时，相关的图片和视频资料将被采样，计算其检测点的特征值，并存入数据库，从而在画面中出现类似的情形时，智能终端将采用步骤4中定义的规则，判定其没有变化。该方法也是建立预测特征库的方法之一。该方法的应用将逐渐提升检测终端的准确性，使其更智能。
[0164]
其中，关于无污染比对特征库的建立包括：
[0165]
方式1：无污染比对特征库是指对各检测点的图像，在被判定为“无变化”的正常排放行为时，计算检测点的一维颜色特征向量和一维纹理特征向量，并存入数据库。由于在检测终端部署在现场的起始阶段，还没有建立对应的特征值，因而任何微小的监测点画面变化，均可能被判定为“变化”，从而产生错误信号，因此，需要通过几天画面录像，通过人工判断标记其“正常”后，通过该录像提取检测图像，并构建其无污染比对特征库。
[0166]
方式2：在前述的人工检视步骤中，对“变化”信号的人工判定，如果判定为“正常”的，其相关图片录像资料，也可被用于构建无污染比对特征库。
[0167]
检测点的定义：检测点的矩形区选择的比较小，则其图像信息较少，在环境光线变化与排污情况发生的图像比较像时，容易产生误报或者漏报。而选择比较大的矩形区，更容易受到非排污行为的环境影响。检测点的选择原则是既能显著的表征排污行为，同时尽可能不受周围环境的影响。
[0168]
关于检测点：
[0169]
1)排污口的液位：用于监测排污的流量变化。如图5所示，在排污口不同高度设置几个流量检测点，显然流量检测点的位置与污水液位相关，可以用于定量化的流量检测，这
里的流量可以事先人为估计。
[0170]
2)排污污水的颜色：颜色检测是独立于流量检测的，其主要作用检测排污液位以下污水水体部分，适用于发生颜色变化的污染。
[0171]
本发明实施例关于部署的先决条件：
[0172]
特别要求，摄像部件的镜头的角度对齐：检测终端的摄像头需要对准排污口，并且维持一个固定的视角。在开始采样后，视角不能发生变化。一旦变化，监控报警会发生异常，需要重新定义检测点。
[0173]
本发明实施例中，服务端用于远程管理和控制检测终端的人机交互系统的功能，主要用于：
[0174]
在部署硬件系统后，需要通过云端平台的人机交互系统实施配置后，才可以使用，配置包括：
[0175]
1)对画面进行子区域的定义，并分配信号值。
[0176]
对摄像头现场采集的图像，选择一个正常的样本(没有排污情况的画面)进行检测点的定义。主要是在画面中框出一个区域，并需要设置一个信号值。当检测到这个区域发生图像变化或者颜色变化时，会发送信号。
[0177]
2)对信号处理动作进行定义，包括启动录像、发送警报等。
[0178]
在排污口发生排污情况或者颜色发生变化时，对现场情况进行记录，并发送警报给相关工作人员。面向这样的需求，本发明实施例支持对接收到信号可以定义处理动作，给信号值和处理动作设置绑定关系，并设置规则。规则包括实施处理动作需要接收的信号接收频率，选择连续或者一次性的实施方式等等。
[0179]
3)对各种阈值进行预定义。
[0180]
主要是定义待检测样本和正常样本集合比较的阈值。如果阈值设置的比较宽松，那么图像变化的不明显，不会发送信号，如果阈值设置的比较严格，那么图像的细微变化，都会触发发送信号。由于前期正常样本集合的样本较少，建议设置阈值宽松，以采集样本为主，等正常样本库数量增多，足够覆盖大部分正常情况，可以适当调整阈值。
[0181]
4)人工检视：接收到信号后，可以人工查看该信号相关的视频和图片，在认定“正常”的情况下，该资料用于提取特征值，并保存到比对特征库。
[0182]
本发明实施例提供一种基于视觉的智能污染物排放检测技术，在理论上可以应用与任意的有颜色的污水和废气排放物的检测，与传统检测方法的不同点在于，其检测是基于污染物外观的，且污染物流动过程中对流量、颜色的变化进行实时检测，从而发现可疑排放行为。其不作为定量化的手段而用于排污取证的手段，但可以作为佐证方法。本发明实施例提供了检测终端的硬件架构，基于图像特征对比的检测方法及基于人机互动提升智能检测精度的监控系统平台。本发明实施例的三个方面，可以有效的、低成本的、适用于大规模的环境监测手段。
[0183]
实施例二
[0184]
本发明实施例提供一种检测终端，如图2所示，所述检测终端包括摄像部件、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；
[0185]
所述计算机程序被所述处理器执行时实现如实施例一中任一项所述的方法的步骤。
[0186]
实施例三
[0187]
本发明实施例提供一种监控系统，所述监控系统包括如实施例二中所述的检测终端、服务端和/或移动端；
[0188]
所述服务端和/或移动端用于在所述摄像部件上配置颜色检测点和流量检测点；以及在构建所述无污染比对特征库时，在每帧第二监测图像上接收颜色检测点的污染判定标记和各个流量检测点的流量判定标记。
[0189]
实施例四
[0190]
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有污染排放的监控程序，所述污染排放的监控程序被处理器执行时实现如实施例一中任一项所述的污染排放的检测方法的步骤。
[0191]
其中实施例二至实施例四的具体实现可以参阅实施例一，具有相应的技术效果。
[0192]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0193]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0194]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0195]
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。